端侧AI
在终端设备（如手机、PC）本地运行AI模型进行推理的技术范式，无需依赖云端服务器，具有低延迟和隐私保护优势
核心事实
时间轴 (近 90 天)
端侧AI的局限在于本地算力与功耗预算有限，难以承载超大参数模型，通常需要与云端模型分工。
72%的开发者将隐私列入使用端侧AI的前三大原因，40%将其列为第一大原因。
一项开发者调查显示，62%的开发者将离线可用性列为使用端侧AI的前三大原因。
据Google测试，许多场景下端侧AI比云端运行快2倍。
端侧推理解决了数据传输问题，但未解决能力被用于更广用途而用户无法审计的问题。
移动芯片NPU算力逐年上升，模型量化与蒸馏技术使视觉模型越做越小，端侧AI的隐私矛盾将加剧。
GM的智能座舱AI功能将基于端侧AI处理，以保护用户隐私并降低延迟。
PC端代理方向与行业对“端侧AI”的探索一致，但PC的算力限制和模型体积之间的平衡仍是难点。
端侧AI指在用户本地设备上直接运行AI模型，而非依赖云端服务器，其驱动力主要来自隐私合规、成本和可用性三方面。
价格仍是RTX Spark笔记本普及的最大障碍，本地AI短期内仍属于小众需求，其市场前景取决于后续是否有更多中端配置和轻量模型出现。
还有 37 条时间轴事件
全部知识事实 (20)
选择苹果硬件跑AI会被绑定在苹果生态内，需承担软件适配和工具链完整性不足的代价
90%已验证本地AI（端侧AI）将AI模型推理直接运行在终端设备上，具有隐私保护、低延迟、离线可用和降低成本等优势
90%已验证端侧处理是指AI模型直接在用户设备上运行推理和计算，而不将原始数据上传至云端。
75%已验证设备端AI指AI模型运行在用户本地设备上，而非将数据上传到云端服务器处理
75%已验证本地AI的核心吸引力在于隐私、低延迟和离线可用性
70%已验证更多AI处理在设备本地完成有助于更好的隐私保护，因为数据无需上传至服务器
70%已验证端侧AI使数据不出本地，既保护用户隐私，又降低云端推理的延迟和成本
70%已验证端侧AI指在用户本地设备上直接运行AI模型，而非依赖云端服务器，其驱动力主要来自隐私合规、成本和可用性三方面。
65%已验证端侧 AI 将推理任务下沉到设备本地，在保护用户隐私的同时提供接近实时的响应速度
65%已验证端侧AI对于复杂推理、长文档理解、高质量图像生成等任务仍需通过端云协同的混合架构调用云端的Pro或Ultra级别模型
65%已验证端侧AI指将机器学习模型的推理过程直接在终端设备上完成，而非上传至云端服务器处理，需通过模型压缩和硬件加速弥补算力差距
65%已验证边缘AI（Edge AI）是将人工智能计算从云端迁移到本地设备（手机、传感器、嵌入式系统）上运行的技术范式
65%待验证端侧AI的局限在于本地算力与功耗预算有限，难以承载超大参数模型，通常需要与云端模型分工。
50%待验证一项开发者调查显示，62%的开发者将离线可用性列为使用端侧AI的前三大原因。
50%待验证据Google测试，许多场景下端侧AI比云端运行快2倍。
50%待验证72%的开发者将隐私列入使用端侧AI的前三大原因，40%将其列为第一大原因。
50%待验证端侧推理解决了数据传输问题，但未解决能力被用于更广用途而用户无法审计的问题。
50%待验证GM的智能座舱AI功能将基于端侧AI处理，以保护用户隐私并降低延迟。
50%待验证PC端代理方向与行业对“端侧AI”的探索一致，但PC的算力限制和模型体积之间的平衡仍是难点。
50%待验证对端侧AI，模型往往是系统中最不灵活的部分，围绕它的图像管线才是廉价优化隐藏的地方。
50%