[数码] 如何看待「手机再不布局大模型就没戏了」这一说法？安卓手机还能怎么不一样？

万年历购物网址日历小说 | 三峰软件天天财富小游戏视频推荐小游戏

TxT小说阅读器
↓小说语音阅读,小说下载↓

一键清除系统垃圾
↓轻轻一点,清除系统垃圾↓

图片批量下载器
↓批量下载图片,美女图库↓

图片自动播放器
↓图片自动播放,产品展示↓

首页日历2023 日历2024 日历2025 日历知识 | 每日头条视频推荐数码知识两性话题情感天地心理咨询旅游天地 | 明星娱乐电视剧职场天地体育娱乐

日历软件煮酒论史历史中国历史世界历史春秋战国三国唐朝宋朝明朝清朝哲学厚黑学心理学 | 文库大全文库分类

电影票房娱乐圈娱乐弱智火研中华城市仙家六爻佛门风水钓鱼双色球戒色航空母舰网球乒乓球足球 nba 象棋体操

知识库 -> 数码 -> 如何看待「手机再不布局大模型就没戏了」这一说法？安卓手机还能怎么不一样？ -> 正文阅读

[数码]如何看待「手机再不布局大模型就没戏了」这一说法？安卓手机还能怎么不一样？

[收藏本文] 【下载本文】

OPPO 首席产品官刘作虎近日在接受媒体采访时，数次表达了 AI 对于手机企业未来的重要性——「手机厂商再不布局大模型就没戏了。」你如何看待他的这一…

这是一篇Find X7的全面测试，当然也包括本题的核心内容：大模型的测试
其实从MT6595开始，联发科就要说冲击高端，但基本上到前年的天玑9000才算取得比较大的成功，各家也都拿出了不错的产品。当然天玑9000的成功很大成功上要取决于竞品的拉胯，骁龙8 Gen 1三星工艺使得其能效有很大问题，这样才逼得终端厂商将天玑9000以重视的态度来做高端，而高端消费者也有更大的动力来尝试。两年过去，现在高通骁龙也不再拉胯，那消费者还有必要再选择天玑处理器的手机么？新一代的天玑9300体验究竟如何，我们将用OPPO新一代的Find X7体验来回答这一问题，同时我们也会回答关于安第斯大模型的可用性问题。
这次Find X7发布，虽然大部分人都将目光聚焦于LYT-900+双潜望加持Ultra版，但实际购买的用户也有相当大比例用户会选择性能和影像平衡的中杯版，而且首销周期，标准版比X6确实要好很多。去年Find X6系列首发的时候媒体首发评测基本都是Find X6 Pro，而有不少准备购入标准版的用户抱怨没有评测参考去了解Find X6的表现究竟如何，特别还是中杯使用天玑处理器的情况下，自然会有更多的疑惑需要评测来解答。

因此这次Find X7系列，我们除了对Ultra超大杯的影像进行了专门评测，也同时对中杯的Find X7投入了更多的关注，并且更为全面的测试了大家关心的天玑9300在核心调度/性能释放和续航方面的表现。

这次测试的Find X7是海阔天空蓝色版本，Find X7整体还是延续了Find X6的设计语言，采用撞色后盖+奥利奥Deco的后部设计，我估计这个设计思路会持续好几年，逐步形成属于OPPO自己的辨识特征。

下部是深蓝色的素皮，素皮颗粒纹理比较居中，看上去不像头牛皮那样粗旷，但实际摸上去还是有明显凸凹触感。

上半珠光白材质则有些温润如玉的感觉。Deco部分虽然是圆形的奥利奥，但镜头排布并没采用四平八稳的四桶(这样的造型难免过于Mate)，而是将镜头模组布置在中线和以左，右部一个大写的H标志,标志着Hasselblad的高贵血统，银色的金属Deco外圈为亮面/内圈为雾面，看上去与Mate足够差别。这套Find N3延续下来的整体布局和细节处理的设计语言，可以说既有很高的识别度，但又不失平衡和优雅。

Deco上部的镜头是JN1超广角，左边LYT-808主摄，中间则是OV64B的3X潜望长焦，中间圆角矩形的开口造型使得其比主摄有更高识别度。

Find X7并没有之前Find X6 IMX890这样太大的潜望模组，也没堆太大电池和无线充电，因此9mm的机身厚度和202克重量控制相对不错(如果是玻璃版还会进一步薄到8.7mm)，再加上前后面的边缘内收，使得Find X7的手感在本世代大屏旗舰中还相对不错。另外Find X7做机身左侧也增加了类似一加风格的三段式静音拨动开关。

Find X7采用侧面微曲的新一代的京东方1.5K面板，侧面和顶部的边框宽度和R角控制较好。

而这张图还是能看出一些设计上的小问题：底部边框宽度控制尚可但内外R角差别稍大。此外从偏下的指纹识别位置可以发现Find X7采用的是短焦指纹，在这点上相比上一代的Find X6超薄屏下是开倒车的，在解锁的时候需要略微调整下手握位置才能顺利触及短焦指纹传感器位置，另外USB 2.0接口的速率也算是个槽点。

Find X7这块6.78英寸的1.5K京东方在规格上跟真我GT5 Pro的十分类似，全白SDR的亮度为648 cd/m2。不过Find X7播放我自制的HDR10和杜比世界测试视频都无法激发最高亮度，因此并不能通过HDR激发来测试屏幕的峰值亮度，但我使用本机拍摄的HDR视频，天空这样的高亮部分亮度还是可以到2000 nit以上。Find X7像素排列方面也是典型的京东方蓝钻排列，和一加12一样，但1.5K的像素密度相对较低。
色彩管理方面Find X7和一加12一样，分为鲜艳/自然和专业三种色彩模式，鲜艳为不做色域缩限，鲜艳/自然为sRGB/P3自适应，但专业为D65白点。我们使用i1 Pro Display+Calman测试CIE1976的色域覆盖和色准。

Find X7几乎完美的覆盖100%的sRGB色域，色准方面平均DeltaE 0.9，最大1.6，整体表现和稍早测试的采用类似面板的真我GT5 Pro基本一致，相比一加12的0.6的顶尖水平还有一些差距。

Find X7调光策略同一加12类似，在70nit以下亮度为2160 Hz的PWM调光，而在高于70 nit为DC调光。DC调光默认为三脉冲，在屏幕刷新了为120 Hz的时候PWM频率为3倍的360 Hz，还可以在开发者模式手动开启单脉冲模式，PWM频率和屏幕刷新率同步为120 Hz。
ALL BIG GUN 天玑9300架构简析

天玑9300的架构我用尽量通俗的话说，就是ALL BIG GUN，全大核设计，就如20世纪初的英国无畏舰一样。

高通骁龙8 Gen 3和之前的其他旗舰移动SoC都是采用一个超大核+3到4个大核再加小核的组合方式，但天玑9300则是直接采用4个Cortex-X4超大核+4个Cortex-A720大核的组合,而直接放弃了Cortex-A520的小核。但需要注意的是天玑9300缓存系统做了一定的简化，L2和L3缓存容量相比骁龙8 Gen 3也都更小。
以往的终端厂商做系统层面的优化，主要集中在核心调度/内存/UFS的优化层面，而这次在Find X7全面引入了潮汐架构，系统可以在L2/L3缓存层次对于系统调度进行优化，系统缓存层次在之前对于终端厂商来说基本是黑盒无法干预，而现在OPPO同SoC进行了更深层次的共同研发，实现不同应用环境的动态调度。比如游戏的时候，给GPU分配更多系统缓存，这样就可以进一步的提升性能并优化功耗。

参考 @Edison Chen 之前天玑9300架构效能测试int整数部分(X轴为性能/Y轴为能耗比/圆形面积为功耗)，我们可以发现：
Cortex-X4超大核和Cortex-A720大核相比，虽然峰值功耗更高，但能效也基本在一个水平，甚至天玑9300低频2.85 GHz Cortex-X4超大核能效水平比Cortex-A720还更好。天玑9300低频Cortex-A720能效更是远高于骁龙8 Gen 3的Cortex-A520小核。
但你可能会想那天机9300的全大核功耗还是更高了，还是会更耗电吧？
这里我用一个简单比方来说明：一个房屋粉刷工作(日常的手机任务基本都是固定工作量)，你可以找一个老师傅800一天，3天完成，也可以找个小工500一天，5天完成，虽然老师傅日结工资(功耗)更高，但固定任务可以更短时间做完，整体的花费(总能耗)反而还更少。
天机9300 GPU部分G720MC12的规模就相对保守，一共1152个流处理器，相比高通骁龙8 Gen 3的1536个规模小了1/4，但其通过拉高频率到1.3GHz来弥补了规模上劣势，使得其FP32的TFLOPS性能还是和骁龙8 Gen 3在一个水平。
安兔兔性能测试
安兔兔测试在20度常温进行，无任务辅助散热手段。

我们测试的OPPO Find X7安兔兔总分为216.9万分，性能要高于除开带有主动散热的红魔9 Pro+以外所有的骁龙8 Gen 3机型，在CPU/GPU/UX都有明显优势，而内存和存储部分偏低，则应该是我们手上的512GB版本并非顶配的LPDDR5T+满容量导致。
Geekbench 6性能测试
Geekbench 6是一个全平台处理器性能工具，其可以用一系列如文件压缩/PDF渲染/HDR/物体检测等来测试处理器的整数和浮点的单线程和多线程性能。

搭载天玑9300的Find X7单线程和多线程得分分别为2224和7387分，其中单线程相比骁龙8 Gen 3稍低，除了天玑9300最高频X4超大核3.25 VS 3.3 GHz频率稍低，此外天玑9300 X4超大核1 MB L2缓存容量也更小。但多线程部分天玑9300优势就显现出来，4个超大核+4个大核相比骁龙8 Gen 3的1个超大核+5个大核+2个小核要快5%。
3DMARK性能测试
3DMARK是PC平台的老牌3D测试软件，而Wild Life是针对笔记本电脑/平板和手机开发的Vulkan API测试程序，其引擎可以利用到延迟渲染、体积光照、景深等技术。我们使用offscreen 2560x1440分辨率进行测试。

搭载天玑9300的Find X7在Wild Life测试相比上一代的Find X6性能提升了37%，不过还是小幅落后搭载骁龙8 Gen 3的一加12。 3DMARK SOLAR BAY的新测试使用Vulkan 1.1实现了光线追踪效果，从骁龙8 Gen 2则提供了对光线追踪的支持。SOLAR BAY由于骁龙8 Gen 3就只能跑30 FPS出头，性能并不足以触发SYNC强制垂直同步刷新，因此我就没有采用离屏测试。

搭载天玑9300的Find X7在Solar Bay场景得分为8255分，慢5%不到，但14.4W的整机功耗更高，其实这也是符合预期的，因为天玑9300是在用频率来弥补规模劣势，在相同工艺的情况下，稳定高频需要更高的电压，这样在功耗上付出的代价就要比扩大规模来的更大。但3DMAARK光线追踪的负载太高太过于极端，同实际游戏的负载脱节，我们再来看看Find X7在实际游戏中的表现。
崩坏：星穹铁道游戏性能测试
崩坏：星穹铁道这次我们改为使用长乐天跑图20分钟进行测试，长乐天整体负载更高，运行功耗相比雅利洛VI行政区要高1-2W。我们统一设定最高画质/200nit屏幕亮度，使用Perfdog记录性能数据（20度环境温度）。Perfdog的一个功能十分强大的多平台性能日志抓取和分析工具，我们利用其可以对游戏运行的FPS/帧数渲染时间/功耗/CPU/GPU频率甚至是RTU单元的使用情况进行可视化分析，评估测试场景的全面性能表现。

Find X7在前17分钟可以维持前55FPS的性能，整体性能波动较小，性能释放不错，但最后三分钟开始降频降性能，性能下降到50 FPS。这个性能表现要好于绝大部分骁龙8 Gen 3机型，并且这样的20分钟连续测试其实也有点极端，日常真实游戏夹杂大量的对话和战斗，实际负载更低，我自己实际玩一个小时也没发生性能下降。测试过程Find X7整机功耗相比骁龙8 Gen 3机型略高，目前最新的Perfdog 10无法抓取天玑9300的GPU频率和温度数据，因此这两个方向无法分析。

不过使用热成像看，Find X7游戏20分钟后正面最高温度44.2度，反面最高温度42.2度，外壳温度还是略微偏高一点。

另外OPPO手机的游戏中心内置游戏的相关攻略和资料库，可以在游戏内小窗方便的查询角色的技能树/升级素材，资料结构清晰而且完整度很高，为我跑测试推进度带来不少便利。

其实对于骁龙8 Gen 3/天玑9300这样新一代旗舰SoC，原神在不提升分辨率的情况下负载太低，都可以稳定60 FPS，其实并没有多大的测试意义。
续航和快充测试
续航测试我一直用的PCMARK，其会模拟网络浏览/视频编辑/文档编写/图片编辑/数据操作这些真实操作，从100%电量消耗到20%，得出预估的续航时间和性能得分。这个测试负载相比网上其他up的续航测试负载更轻，但测试过程是完全可精确重复，更为严谨。并且其不仅可以用来测试续航时长，也可以用来评估日常使用的性能释放情况，这样就可以发现有些机型可以采用很保守的频率策略来延长续航来获得不正当的优势，而常用的Benchmark和游戏采用白名单来获得高的性能。具体测试，我设置默认电源模式/装备电话卡/关闭WiFi流量/屏幕设置全白200 nit亮度进行测试。长条为续航时间，短条为代表性能释放水平的得分，这样可以体现综合考虑性能释放的续航能力。

OPPO Find X7的续航时间为17小时39分钟，仅次于5400 mAh的真我GT5 Pro和一加12，但OPPO Find X7也和这2个机器一样，均衡模式CPU日常频率调度过于保守，导致性能偏低。但这点性能差异在不跑分的情况下，日常是很难体会出来，而5000 mAh电池就可以实现这样长时间的续航还是表现不错。

OPPO Find X7的充电头最高支持11V 9.1A 100W的充电功率，在规格上同上一代的一加11和稍早发布的一加12一样。

充电性能我们使用POWER-Z KM002C进行测试：OPPO Find X7最高充电功耗70W，可以维持三分钟，在前15分钟可以维持在55W以上的教高功率段。

在前15分钟的高功率端可以充入73%的电量，5000 mAh完全充满需要28分钟(前台显示100%会更快)，整体表现同之前一加11 100W+5000 mAh表现基本一样。iQOO 12 120W虽然峰值功率可以到100W，但实际充满的时间相比Find X7也就大概快半分钟，其实也没本质差别。
影像

这次影像系统Find X7远没有Find X7 Ultra那样夸张，全新一代1英寸的LYT-900+双潜望长焦，而是同一加12比较接近：主摄是LYT-808，长焦是OV64B的3X潜望，再加JN1的广角。
Find X7 Ultra和上一代的Find X6 Pro 3X长焦都是IMX890，是1/1.56英寸，而Find X7的OV64B是1/2英寸，OV64B有自己的显著优势，就是整个模组的光学性能相对大尺寸传感器更容易做。当然普通设计的1/2英寸的OV64B长焦模组，相比1/1.55英寸的IMX890在暗光环境表现还是有一定差距，除非不惜血本地增大入瞳孔径和提高镀膜质量。OV64B作为目前主流的中长焦镜头，下限不低，上限极高，但需要厂家在整个模组上加大投入。当前已经完全不能用参数表来衡量产品的性能了，不同设计和制造水平的OV64B模组，带来的成像质量是天壤之别，所以我们很少再去复读参数表，因为毫无意义。

出去逛了一圈拍样张回来，发现大多数照片都是用70mm的潜望长焦拍摄…… 长焦的解析力不错，而且三个焦段在视觉上风格很统一，即使是拍摄4K HDR视频镜头连续变焦焦段的切换也都基本能够保持视觉风格的相对一致。人像模式景深抠图很精确，整体后处理比较克制，出片效果也都很接近于预期。

夜景灯光处理很到位，高光部分都可以很好的压制，没有偏色的问题，但实际颜色比目视要浓郁，化身为饱和度战士，整个暖调的风格十分讨喜。但需要的曝光时间相比IMX890潜望需要更长的时间，拍摄夜景的时候更需要注意手持的稳定性。
完全AI化的ColorOS，OPPO的下一个技术周期：安第斯大模型
虽然ColorOS 14在之前机型都有升级，但整合AI大模型还是首先在Find X7上进行实装。启用AI大模型首先需要在小布模式里选择尝鲜版，这样系统才能充分利用安第斯大模型的功能特性。AndesGPT目前主要用在小布助手/小布建议和小布识屏三个功能面。

这其中最为核心的是小布助手，其可以通过设定长按电源键半秒唤醒，类似ChatGPT小布助手可以其回答用户通过语音或者手打的自然语言问题，整体有比较强的归纳整理能力，并且能够理解上下文关联。并且不同于第三方的GPT，小布助手有系统层面的设置和调用第三方App的功能，比如问地理相关可以跳转到百度或者高德导航，问酒店预订就会调用携程，并且将提问相关的信息也同步到第三方App，需要能够互通数据的API生态，这样底层的功能是必须在系统层面实现的。

小布助手除了问答功能还有文生图功能，可以用中文的提示词生成图片，不过这部分功能完成度并不算太高，相比MJ生成质量还是有比较明显的差距，也不具备图生图/转换风格功能，这部分功能还是有比较大的提升空间。整个行业的进化速度都很快，MJ现在到了6.0阶段，小布的迭代速度也是值得期待的。

开启小布识屏后，AI可以通过OCR识别图像和文本的文字内容，实现全屏/选择部分翻译，文本复制和智能摘要功能。

小布建议部分，AI会通过系统层面的数据收集学习，了解用户的使用习惯和需求，并将外部的高优先级信息(比如快递物流信息/航班/打车/外卖/观影/通勤)进行自动处理，或者通过推送等方式送达用户进行决策。

ColorOS的AI功能除开GPT/文生图相关功能，还具有图片处理功能，比如AIGC消除：上面的照片我大概选择下路人，AI会自动判断边界将路人消除，并几乎完美的脑补人物后方本来不存在的植被/卷闸门和墙壁的场景细节，AIGC不仅可以消除路人，看着旁边的垃圾桶不顺眼也可以一并去除。
AI大模型可以大幅提升手机使用的功能体验，这也是继影像之后手机功能之争的新焦点。虽然AI大模型对于手机终端的硬件影像不大，主要投入都在云端的算法/训练和推理，但这也对手机终端厂商的研发实力和投入有极高的要求，甚至会将现有的头部厂商继续分化不同品牌层级，因此对于AI大模型的投入对于终端厂商而言以说是生死攸关的，就如电动车行业一样，之前卷性能/续航/车机交互，但最后能够分出高下的还是以AI大模型为核心的自动驾驶。
我们有一个私家的观点：建于大模型和落地场景，必须要依托于边缘终端落地，而且大模型的能力要和硬件底层操作紧密结合，比如手机大模型，是要和手机硬件功能结合，对手机硬件进行直接操作，所以自研大模型是唯一可行的路径。想充分发挥终端的智能化场景效果，只能使用自研的模型来处理。而且整个业界，也都是这么做的，无论是谷歌，微软（通过投资OpenAI和直接参与GPT版本的迭代），苹果，到国内这些领先的终端厂商，大家几乎全部选择了自研大模型。只有自研大模型，才能和硬件体系的迭代保持高度同步，才能解决硬件底层的很多问题。我们并不看好没有独家硬件平台支撑的大模型服务，这些浮于应用层的大模型，很难发挥硬件终端的效果。
3999起的旗舰体验

无论是跑分还是重度游戏，Find X7的性能释放和稳定性表现好于大部分骁龙8 Gen 3机型，并且这还是在相对轻薄的机身内实现的，颇为不易。
除开性能，想必也会有更多的人关心Find X7日常使用的稳定性/续航表现如何，我在最近十多天一直将Find X7作为主力机使用，日常使用和游戏（星铁/原神）整体还是很稳健，续航表现也不错。再算上去年Find X6首发的性能/影像优化还算给力，后续大版本更新OTA也比较到位，我个人觉得Find X7作为联发科天玑9300的新一代旗舰机型还算是值得信任的。
相比超大杯的Ultra Find X7虽然没有1英寸的LYT-900和双焦段潜望，但其手感更好，价位也更为平易近人，影像部分也足够强大。并且Find X7还是顶着一个旗舰机的名头，再加上奇高的识别度拿出去还是倍有面子，如果你对联发科没有生理抗拒的话，那Find X7就是一个仅需3999起步的花费，就可以体验旗舰品质的不错选择。

这篇文章中简单给大家分析两个问题。
第一个问题，为什么OPPO刘总说，手机企业再不布局大模型就没戏了？
第二个问题，不谈未来的设想，目前为止大模型对手机使用都有哪些加成？
在这个话题下这两点可能是大家最关心的问题，这里我就以我的理解和我手头的产品的实测，给大家尽量简单直观地讲解一下。
一、为什么OPPO刘总说，手机企业再不布局大模型就没戏了？1、大模型对于智能手机有多重要？
问大家一个问题，我们有可能通过优化系统和软件层面，让一个智能设备的性能极大地突破原本的上限吗？
简单想来就知道这是不可能的，性能上限是由硬件决定的，处理器的性能取决于它单位时间内所能计算的次数，这是物理上决定的，不可能通过软件层面来提升。
当然你在系统里点击“开启性能模式”这个不算。。
而除非...除非我们之前对于处理器的使用方法根本就不够高效，在软件和算法层面本来就还有很大的优化空间。
有可能一些智能需求在同样的算力下会有颠覆性的使用方案，就像这样的。

那再问大家一个问题，我们有可能在不给到完整信息的情况下，让智能设备反馈出更加完整的并且接近正确的信息吗？
简单想来这也是不可能的，这直接地违反了香农定律和信息熵。简单来说就是信息也需要遵循热学上的能量守恒定律，有序信息量是无法凭空增长的。

而除非...除非设备上本来就有可以补充进去的信息，设备做的只是把正确的信息挑选出来放进去。
当然这是一个庞大且复杂的工程。
还有第三个问题，影响一台智能设备使用体验的最根本的因素是什么？
这个直接告诉大家答案，是设备的硬件性能，交互设计，以及搭载的功能。
而问这三个问题，我想说的就是，AI大模型对于手机来说，就可以直接地作为前两个问题的答案，以及直观地影响到第三个问题所说的使用体验。
前两个问题的答案，就是AI大模型所做到的事情。
它可以极大地扩宽智能设备可以涉及的领域，并且极大地提升了使用表现。
可以简单理解为在搭载了大模型后，手机可以做更多的工作，以及更加高效地完成这些工作。
而后我在第三个问题中说了，影响智能设备使用体验的三大要素是“硬件性能，交互设计，以及搭载的功能”
而AI大模型就直接地影响到其中的“交互设计”和“搭载功能”这两个方面。
以自然语言直接地和用户进行交互，这是我们一直梦想的事情，是我们在无数的科幻电影中幻想的，而直到现在，在AI大模型出现后，我们终于实现了这个目标。
自然语言交互对于智能设备的使用体验来说是一次巨大的提升。而同时，AI大模型还给智能手机极大地增加了可应用的功能。
所以搭载了大模型的手机，其使用体验可能会得到极大的提升，这是在根本上的改变。
这不是我随口胡诌的，看看在搭载了安第斯大模型后，OPPO的小布也是这么说的。
大模型的回答大家现在应该都比较熟悉了，它可以视为一种对大信息量的极致索引，所以这个回答中说到的影响因素，应该是比较公认的回答。

至于为什么我在问它的句子中强调了只回答前三条，因为它原本完整地回答总结得非常全面，包括设备的续航，设备的生态，甚至外观质感和售后维修。全面地令我汗颜，我都没想到这么多。所以我重新提问让它只回答最重要的前三条就可以了。然后它就真的总结了最重要的三条。这也是自然语言交互的便捷和强大之处。
上面这个例子本身就已经很生动了，大家可以想一下，如果让我们用另一个软件，来总结一段内容中最重要的前三条，如果不借助其他搭载了大模型的软件的话，我们该怎么操作？
显然能实现这个功能的方法非常少，部分使用自然语义分析的程序可以勉强使用，但是效果也几乎可想而知了。
这就是大模型的强大之处，一个可能在大模型出现之前根本就无法解决的问题，我们现在只需要一句话就可以轻松地解决。
如果没有大模型的出现，我们单纯地等待其他的算法和算力的提升来实现同样的效果，不知道还要等多久才能实现。
这就是大模型的效果，它几乎等同于实现了远超硬件上限的功能。
AI大模型的出现是一次真正的量变引起的质变，是人类科技发展的一个转折点。
2、大模型为什么一定要手机厂商自研
而上面说的只是大模型对于手机的重要性，而刘总说的话显然还有另一层意思，那就是不光要有大模型，还要手机厂商自己做大模型。
不然就不用说布局不布局的问题了，直接过两年买其他第三方厂商的AI方案不就行了。
因为使用第三方AI的问题是很多的。
比如说第三方的AI无法和自家的手机进行深层的联动，无法使用软硬件协同的功能，也无法最方便地使用。
比如说OPPO的AIGC相册消除功能，就直接在相册中点击使用就可以，这就相比使用各种第三方的软件方便多了。
或者说我们在使用搭载了大模型的语音助手时，如果用的手机本身的大模型助手，那么就可以随时调用手机的硬件建立闹钟提醒或者便签，但是如果用第三方的模型，就没有这么多方便的操作。
并且基于大模型的黑箱特性，大模型想要什么功能添加都只能对这个模型做整体的训练。
所以大模型的更新只能是这个大模型的制作方自己制作更新。
如果是一个第三方授权给手机厂商使用权，手机厂商是根本无法在这个模型的基础上增添功能的。
所以手机厂商自己做大模型，就可以有自己的更新权，就可以根据需求来做针对性地训练优化。
比如说想让这个大模型更加擅长做会议总结，厂商就可以针对会议内容做针对性地训练，然后作为新的功能推送给用户。
这样这个功能就是这个手机的独家功能了，而且因为大模型训练的随机性，同样的效果是很难被其他模型学去的。
如果这个手机厂商用的是什么第三方的模型，就显然麻烦多了，想做什么功能都没法做。
所以说基于大模型的这些特性，手机厂商想让自家的手机搭载大模型，最好的方案就是独立制作AI大模型。
3、小结
我认为，随着AI大模型的出现，智能手机中软件与硬件对于手机使用的影响可能会发生颠覆性的改变。
之前我们可以说，对智能手机的使用体验影响最大的因素，主要取决于它是否搭载更强的硬件。
而在未来，可能我们会认为最能影响一台手机的使用体验的，是它搭载了什么样的大模型。
所以如果一家手机厂商不入场自研大模型的话，那么会在未来的竞争中失去最重要的竞争力，哪怕可以用其他公司的模型，也会因为缺少特点以及和手机硬件的深度适配，而无法与早有布局的厂商竞争。
二、不谈未来的设想，目前为止大模型对手机使用都有哪些加成？1、大模型自然语言问答
在详细讲解实用型功能之前，我想大家肯定想知道，上面我问的另外两个问题，大模型是如何解答的呢？
我们还是用目前最新发布的手机端大模型OPPO Find X7上的小布助手来回答一下。
这两个问题我认为问得还是比较刁钻的，而小布助手的回答可以说非常完美，大家可以先看一下。

第一个关于是否可以让设备突破性能上限的问题，回答得非常准确完美。直接就强调了实现极大的突破是很困难的。
而第二个关于信息量的问题，小布回答得非常出乎我的意料，它居然也想到了可以使用深度学习和自然语言处理技术，确实使用深度学习配合自然语言技术的话，可以一定程度地弥补上下文，这两项本来也是语言大模型所使用的基础技术之一。
只说在自然语言问题问答这方面，搭载了安第斯大模型的小布助手表现得堪称完美。
当然还有上面我展示过另一个对话，这里就不再重复放了。
通过自然语言对话问答，是语言大模型最基础的用法。通过这种用法，我们可以直接把大模型当作一种搜索引擎来使用，对于很多技术类的资料，他都可以比较准确地帮我们整理出来。
不过单纯的对话只是大模型最基础的用法，OPPO所做到的不止于此，还有一整套的从文字到图片的大模型应用，都被OPPO放在了刚发布的OPPO Find X7系列上。
注意我说的是系列，包括标准版，也可以使用这全套的大模型应用。
下面我选取几个其他比较实用的用法，给大家简单展示一下。
2、AI大模型语音摘要
这个功能真的非常实用！在体验了几次之后我就觉得我已经离不开这个功能了。
目前AI大模型语音摘要功能应该还只有OPPO Find X7系列上有搭载，幸好我光速入手了OPPO Find X7标准版，这里给大家看一下它的实际效果。
在之前我使用所有的安卓手机，都是打开通话自动录音功能的，因为经常接到领导的电话，上来就给我布置一大堆的任务，而我要是没听清没记住，让他重复一遍他就开始生气。
我甚至怀疑是因为他自己都记不住。
所以在打开通话录音后就可以反复地听录音，然后再边听整理内容了。
但是这样也不太方便，需要听一段在笔记上记一段，有时候还需要反复地听。
而OPPO搭载的AI大模型语音摘要就直接地解决了这个问题。
它可以自动地记录我们通话录音中的内容，然后使用AI大模型进行语义分析，最后直接给我们生成摘要。
注意这不是普通的语音转文字，而是先识别语音，然后分析语音中的事件，最后帮我们形成一份简要。
这里直接给大家看一下效果吧。
比如下面这样，在这次通话中，一共谈论了四件事情，涉及到除了我之外的两个人。OPPO Find X7的AI大模型语音摘要全都给总结出来了，谁对谁说的，安排给谁的事情，都一清二楚。
中间的什么客套话之类的全都省略了，只把最重要的工作内容给整理了出来。
这样以后领导再给我布置任务，就可以任他随便说，我就大胆地说全都记住了，然后挂了电话之后再让AI大模型帮我生成摘要就行了。

还有另一种情况，使用AI大模型通话摘要也非常的方便，就是别人给你在电话里报手机号的时候。
往往这时候就需要手忙脚乱找纸笔，或者赶紧开免提再打开手机的便签，才能开始记录。
但是在有了AI大模型通话摘要功能后，直接让对方说一遍就行了，我们回头看摘要，手机号一清二楚地帮你摘录出来了。
比如说看下面这个录音，对方给我报了一个手机号，AI摘要就准确地帮我记录下来了。
有了这个功能之后，我这个i人打电话怯场的问题治愈了一大半，反正不管有什么事情回头看摘要就行了，我只需要说“嗯嗯好的我记住了”就可以了。
现在我真的是离不开这个功能了。

入手了OPPO Find X7系列的朋友可以在通话页面点击右下角这个图标，就是打开AI摘要功能了。

另外我们所有摘要出来的内容，都会保存在OPPO便签中，回头可以随时去翻阅。

3、文章智能摘要
我想这个时候肯定有些小伙伴已经想到了。
既然OPPO的AI大模型可以根据通话录音形成摘要，那么直接给到一篇文字的文章，是不是也能形成摘要呀。
对，确实可以！
我们可以打开OPPO的侧边栏功能，然后在文章界面划出侧边栏，就可以看到智能摘要功能了。
通过智能摘要，我们就可以对当前的文章进行快速地摘要总结。
直接给大家看一下效果吧。
有这个功能，在打开一篇比较长的文章时，我们就可以快速地判断文章是不是我们需要的内容了。

4、AIGC相册消除
一位我忘记名字的街拍摄影师说过一句话：街拍摄影中最重要的技巧是等待。
大体的意思是这样，我复述得可能不准确。
我非常地认同这个观点，在日常的拍摄中，可能一个平平无奇的景物前，我们等一个行人的路过，就会成为点睛之笔。或者是一个漂亮的景点前有很多人，我们只要耐心等待，总能等到镜头中没有行人的情况。
但是对于专业的摄影师来说这可能不是问题。但是对于我们普通用户来说，我们可能更想要的还是随手拿起手机一拍就能出片。
那么环境中无法避免的不良因素就会无可避免地出现在照片里。
之前我喜欢自我安慰，有瑕疵也是证明这是我自己拍摄的。。
但是实际上心里也明白，我还是更加希望拍摄一张没有瑕疵的照片。
而OPPO Find X7搭载的基于AI大模型的AIGC相册消除就给了我们普通用户一个机会。
通过这个功能我们可以几乎无损的完美地消除照片中的额外元素。
其实际效果极其的惊人，远不是之前那些涂抹消除可以比拟的。
我给大家看一下样张效果。
大家看这个效果，左边的是我拍摄的原图，我觉得这张照片非常好，美妙的光影和对面骑着自行车路过的人，对于我这个对摄影一窍不通的普通人来说已经算是佳作了。
但是问题也很明显，就是有位大哥不小心入镜了，姿势也不太应景。当然老哥还是挺帅的哈，就是和我的构图不太搭。
于是我尝试性地试用了一下OPPO相册中的AIGC相册消除功能，然后得到了右边这张处理过的图片。

这个结果惊呆我了。
我真的没有想到会这么的完美，因为这个人物后面不是那种很有规律的很规整的背景，而是一辆车，车身上还有线条和倒影，这是就算用电脑上的PS上的修复功能都无法完美修复的。
但是这个AIGC相册消除修复得可以说完全无破绽的完美。
大家可以放大图片仔细看一下，车身上的线条甚至车身反射的倒影都近乎完美。
另外还有这个更加高难度的场景。
我希望拍摄一个在这座桥上只有一辆车的照片，但是车流源源不断，我等了能有半个小时的时间，最后最接近的一张照片也就只有这张，还是有两辆车在照片里。
但是这个照片的背景更加复杂，各种线条交织，而且汽车和背景都是白色的。
我在使用AIGC相册消除功能时甚至有点怕这个汽车识别不出来。
但是实际的效果依然非常成功。

我甚至怕大家怀疑我人物和汽车是后期P上去的右边才是原图。
但是这真的是我使用OPPO相册中的功能消除的。
我重新试了一遍还录了屏，大家可以看一下。
动图我没有加速，识别速度就是这么快，精准性也就是这么高。
这整张动图的时长也就只有九秒。
在这个动图里大家也可以看到，识别过程还有一点非常好的就是我们不用精准地选定物体，而是画一个圆把物体圈出来，然后就会自动地精准定位到想要消除的物体上。
真的是非常的强。

5、闪速抠图
闪速抠图，顾名思义，就是它非常的闪速。
手机相册中的抠图功能，大家之前应该也见过类似的功能，但是这么闪速的抠图，可能大家都没体验过。
OPPO Find X7的抠图速度有多快呢，就是几乎完全不需要等待的快。
我们就长按想要抠图的对象，然后直接拖动就可以了，几乎一点都不需要等待它抠图的时间。
我录制了动图大家看一下，
就像这样直接拖动，然后放到中转站中，再然后再想要放置的软件中打开中转站拖进去就可以了。
行云流水，非常流畅。

闪速抠图不光可以用来抠人像，只要是画面里的独立元素基本上都可以提取，而且在画面里有多个物体时，还可以每个物体单独抠出来，并且都放到中转站中。
我觉得这就是中转站的优势，可以一次放好多内容，然后再一起放在其他页面中。

三、OPPO潮汐构架对于设备性能的加持
AI功能先展示这些吧，还有很多功能和好玩的用法我就不一一演示了。
可以看得出来的是，大模型对于手机的提升是巨大的。一些之前已经有的功能，在有了大模型的加持后，都得到了效果拔群的提升。
而还有很多之前根本做不到的功能，在手机有了大模型之后都得到了支持，并且还非常好用。
尤其是OPPO Find X7系列上，各种大模型应用的反应速度非常快。甚至不光大模型的应用，各种其他的应用场景，不管是打游戏，还是在应用之间的切换，OPPO Find X7的画面表现都非常流畅。
这应该是因为OPPO Find X7使用的潮汐构架的原因。
潮汐构架我的理解是它是像波浪一样非常灵活的算力调动方案。当我们需要高一些的性能时，潮汐构架可以快速地提供算力支持，而当我们对性能的需求下降后，又可以灵活地降低功耗，为手机延长续航。
哪怕是在同一个APP中，比如说当我们打游戏时，一般跑图时或者是在半任务对话时，对于性能的需求比较低，这个时候就可以以比较低的功耗来运行。
但是在我们打怪时，或者进入副本后，战斗场景对于功耗的需求较高，那么就会立马提升功耗来支持。
这种潮汐一样的性能调动，既可以保证游戏运行的稳定性，而且还可以降低平均功耗。实现帧率画面功耗的三丰收。
这是原神须弥地区60分钟的游戏测试，可以看到帧率非常稳定，几乎没有明显波动，而且功耗也不高。

并且OPPO潮汐构架是直接深入到SoC层面的，在芯片层面调整性能调度。
这样就可以更加高效地对SoC的性能进行调用，实现远超固定SLC 分配方案的利用效率。
而大家应该也想到了，潮汐构架和天玑9300就是绝配。
天玑9300首创使用了全大核的结构，多核性能提升超过了40％。但是在OPPO Find X7发布之前，大家就很担心使用这样的SoC会不会功耗过高。
而OPPO通过潮汐构架就完全解决了这个问题，在OPPO Find X7上不光没有出现功耗问题，并且性能和功耗表现相比同档位的手机还有优势。
果然可以说天机调教上限看OPPO，优秀的性能表现再加上功能丰富的AI大模型，OPPO Find X7的表现我觉得可以算是一战成名了。
而且更难得的是，不管是潮汐构架和还是AI大模型功能，都是OPPO Find X7全系列搭载的，也就是标准版也都有搭载。
所以今年OPPO Find X7标准版的性价比真的堪称高得离谱，我自己入手的就是标准版，过几天给大家看详细的测评文章。

刘作虎说得对，我一直认为，与搜索、即时通讯一样，大模型是未来互联网的“基础设施”。拥有更好的“基础设施”，不仅意味着更好的用户服务能力，也意味着能在下一阶段的流量入口竞争中抢先一步。
而大模型的新兴属性，则将各大手机厂商在这个赛道上又拉回了同一起跑线。其对于手机性能的需求、对端侧与云端的结合方式、对日常应用的嵌入程度、对模型搭建与调教能力，无论对上游硬件厂商，还是对手机在软硬件调校上，都是全新的。
这也就意味着，与大模型融合更好的手机，在未来的优势可能会更大。
这也是OPPO发力大模型的基础与方向，对于手机而言，大模型这类基础设施的加入，能让手机真正智能起来。
1、为什么手机厂商要抓紧布局大模型？1）手机是未来大模型的最佳搭载终端
我认为，手机是人工智能大模型的最佳载体之一。
手机永远在线的特性，能充分结合云端算力和输入输出能力，方便更强性能的大模型接入。
手机足够强的性能，大部分手机8G及以上的内存、具备一定算力的SoC，尤其是去年底发布的高通8Gen3、天玑9300/8300，甚至内置了支持大模型算子的加速器，能让大模型有希望在端侧落地，在保障隐私的同时，也能兼顾算力和性能。

手机对AI工具的应用由来已久，绝大部分手机都会结合传统的深度学习算法，进行人脸识别、语音识别、语音合成等功能，结合AI大模型，则能让这些技能如虎添翼。
手机还有多模态输入输出能力，这几年手机厂商在竞争中卷出来了足够多的摄像头、麦克风，以及足够好的屏幕和扬声器，这些也都为大模型的应用提供了良好的基础。
海外AI工具有一些有意思的创新：
在AI大模型浪潮下，海外出现了Rabbit R1、AI Pin这类纯云端AI 大模型API接入产品。
前者售价199美元，结合AI大模型云端API，实现日常功能查询、交互工作。
而后者售价699美元，每月还需24美元的订阅费用，可以通过语音进行交互，也可以投影在手掌上进行交互。

但从我个人观点来看，这两款产品相较于手机，毕竟都增加了硬件实体，相较于手机这种All in One的设备，还是略显繁琐。它们不能完全替代手机的功能，也尚未在AI大模型领域形成独有优势。
我一个出门连TWS耳机都经常忘拿的人，很可能也会忘了带上这个。
或者，按奥卡姆剃刀的话说——如无必要，勿增实体。
未来，AI大模型载体可能会变成xR设备，也可能这些AI载体会产生颠覆式的革命创新。
但在以当前的科技水平和成本控制能力，智能手机就是大模型的最佳载体。
2）大模型“越用越好”的属性，需要大模型调教能力
大模型是否好用，与人工调校相关。
换句话说，在AI领域耕耘更深的企业，做出来的大模型也相对会更好用，绿厂在这方面就起步的相对比较早。
大模型要拿来用，得先“预训练”（Pre-Train），在这个过程中涉及大量的人工调校过程。包括但不限于调整训练数据、修改参数、改进模型架构等。这些改变可以有效地纠正模型的行为，具体包括提升准确度、降低过拟合、提升鲁棒性、解决类别不平衡的问题、提升模型的可解释性等，进而提高其预测或分类等任务的准确度。
这段话稍微有点学术，打个比方就是：
大模型可以看做一条精密的产线，需要“老师傅”（经验丰富的AI工程师）调校各种参数，它的回答才能更准确。
而绿厂就有这方面的老师傅。
他们在2018年就成立了研究院，其中一个部分就是AI。在2020年开始启动大模型研究，到2021年就开始跟各路高校及科研院所开始合作大模型开发能力。例如，在2021年，OPPO和浙江大学创新研究申报课题之一就是多模态大模型应用研究。

大模型还需要大量的用户反馈
——这也是为什么厂商们都想赶紧让大模型产品上市。
大模型 “模型幻觉”问题需要用户反馈解决。
机器学习模型在面对一些特定情况时，会产生不准确的、甚至是与常理相反的预测或解析，这主要是因为模型在训练过程中缺乏足够的、覆盖所有可能性的训练数据。
——换句话说就是，大模型可能“胡说八道”。
例如，来自谷歌的Gemini就声称自己是由北京智源人工智能研究院开发的，这就是训练数据来源问题。

因此越多来自用户反馈的数据迭代，会让大模型的回答更准确，也更符合常理。
用户反馈数据涵盖了各种各样的，真实世界的情况和问题。通过不断地用这些数据进行迭代训练，模型可以学习和理解更多的场景和语境，从而产生更准确和符合常理的回答。
因此，越多来自用户反馈的数据迭代可以显著提升大模型的准确度，使其回答更符合常理，从而解决"模型幻觉"现象。
3）“越用越好”的背后需要自研大模型能力的支撑
迭代训练大模型需要团队有足够的专业知识和技术能力，包括理解模型的工作机制、优化算法、处理数据等方面的技能。
大模型的迭代训练过程类似于人的学习过程。每一次迭代，它都会用新的数据进行学习，并根据已有的知识来进行理解和判断。

这也是OPPO出挑的地方，包括他们的AdnesGPT架构，以及相关的云端、端侧大模型的搭建。在这些地方，他们积累了足够多的大模型的开发经验，也让其产品具备良好的迭代能力。

4）大模型嵌入手机应用还需开发与探索，OPPO更早布局有更多积累
大模型目前整体应用仍处于初期阶段，依然需要手机厂商与用户共建生态。
大模型嵌入手机可以做什么、还可以做什么，在当下依然是问题。
海外大模型把这部分交给了开发者和普通用户。例如普通用户可以结合需求，写一段话，由大模型生成对应的promote，甚至还能接入不同的插件。例如接入学术类的插件，其在写论文和学习论文中就能有更佳的表现，或是接入代码托管网站插件，其在编写代码过程中就能有更好的表现。

以上的这些插件和Promote就会逐渐形成各种大模型的“小程序”，通过调用不同的API，实现几乎真正的“自然语言编程”。
对于手机厂商来说，也应如此。
手机行业的竞争，也是应用生态的竞争。
OPPO这种更早布局和应用大模型，更早期的开发者才有机会，尽早接入各类API，实现大模型的“小应用”。

5）OPPO在AI大模型应用做了不少“打样”的工作
在Find X7 Ultra上，OPPO为小布预置了不少“小应用”，可以对应不少场合。

这部分应用想必不用我太多说明，很多人已经体验过了。
安第斯大模型与国内其他家，例如百度的文心一言、智谱华章的智谱清言，应用上差不多处于同一水平，在部分地方可能互有胜负。
但，更有意思的是这种系统级应用。
例如，在Find X7上，OPPO将通话录音与语音识别、大模型提取、日程管理这几个功能做了融合。
通过识别通话语音，在通话完成后，迅速记录、识别关键信息，并添加至日程表。
——这也是大模型在手机的嵌入式应用，与其他纯大模型APP的差异化点。
以及，这些内容都可以在本地的端侧大模型和NPU中完成，不需要担心信息泄露。

图片方面，不仅能根据需求生成图片。

还能消除路人，让在景区拍照不需要等到没人的时候。

2、手机厂商布局大模型的难点在哪？1）端侧与云端的分配
端侧隐私性好、可分摊云端算力，云端能力强，但需要大量算力。如何分配、调教、接入不同模型，都不太容易。
在端侧，用户的数据不需要离开设备就可以被模型处理。这给用户带来了更高的数据隐私保护。另外，通过在端侧完成部分计算，也有助于降低对云端算力的需求，实现资源的高效利用。但目前端侧大模型最大的也就是130亿参数级别，和云端可达数百亿甚至千亿级别的大模型，性能依然存在差距。
云端运行大模型的主要优点是云端的强大计算能力。这种计算能力使得云端可以处理更复杂、更需要计算力的任务。例如，云端的大模型通常参数在数百亿到千亿级别。
OPPO的做法是将大模型分层处理，端侧运行70亿参数级别的Tiny模型，云端分为Turbo的700亿参数大模型，性能比较强，用于快速响应；更深层次采用Titan模型，具有1600亿参数，能应对更复杂的问题。

2）端侧性能优化与调校
端侧大模型对手机NPU性能以及内存性能要求非常高。
手机不仅是个人随身的算力中心，也是个人隐私的集大成者，端侧大模型是有效规避信息泄露的重要方式。
OPPO Find X7 Ultra是行业首个端侧应用70亿参数大模型。
但大模型对于硬件的要求非常高，不仅是NPU算力——大多数人印象里，大模型的训练都是用显卡呼呼的跑
还有内存——大模型甚至造成了全球HBM高速内存的紧张与涨价，甚至全球的CoWoS产能都不够用了。
也因此，OPPO做了int4级别的量化，让70亿参数大模型在手机上的内存占用与存储空间占用都保持在4个GB左右的水平。同时，结合LPDDR5x的高速率，让手机70亿参数在端侧的Token生成速度超过10个每秒，进而能满足对话的需求。

此外，我猜测，OPPO Find X7 Ultra能跑得动端侧大模型，他们自研的潮汐架构也是功臣之一。
大模型对于内存和NPU的实时调度性能要求非常高。如果缺少专门的硬件加速与调度，跑起来可能也不会太快。
OPPO这块结合芯片厂商联合优化，利用GPU与NPU共同加速，还结合了自研的Transformer加速库，进而能够在不同芯片上也实现类似的加速性能。

同时由于端侧参数量相对较小，也需要更好的调教与优化。
Find X7 Ultra上搭载的大模型，在长文本方面甚至能实现无限上下文扩展能力，光是这点能力就非常强。
上下文长文本记忆会消耗大量的算力，我在海外付费的大模型中，都只敢用5轮对话，就是因为消耗的付费Token数量太多，用起来会肉疼。

总结
所以，刘作虎这段话没问题。
在可见的未来里，手机依然是AI大模型应用最佳终端载体。更重要的是，结合大模型具备真正的自然语言理解能力，甚至通过语音、图像等多模态输入输出，产生更有趣的应用，才是未来人工智能应该走的方向。
当前依然是大模型产业发展前期，我认为，大模型的能力还远没有开发出来，结合更多的多模态输入输出，和更强的硬件算力，会有更多更好用的产品。
OPPO的自研大模型与潮汐架构是大模型在手机上落地的关键基础，他们不仅搭建了自研的大模型，还结合这套大模型在Find X7系列上打了个样，通话的智能摘要功能打通了通话录音、语音识别、大模型、手机日程功能，这才是手机端大模型应该的发展方向。

岂止是大模型……
大家可以看看现在国产头部厂家玩的这些东西的门槛，小厂已经完全跟不上了，包括以下方面：
1、折叠屏手机，这是目前综合技术要求、集成要求最高的一个手机品类。不仅要做好产品的可靠性，还要减薄、减轻、做好续航和信号、做好操作系统和交互、做好影像以及降低成本。就这都做好了，甚至都不一定都够大卖。门槛高，风险特别高。

2、各种各样的自研芯片。虽然除了苹果和华为之外，目前没有哪个手机厂家自研手机处理器了，但是像电源芯片、信号增强芯片、NPU、MEMC芯片等等，越来越多的自研了。
3、重构操作系统。目前国内主流手机厂家的操作系统已经不是以前安卓换皮UI阶段了，或多或少都开始将系统模块化、加入自己的东西以及开始替换部分模块了。做得越来越深入底层，越来越精细。
4、影像方面，也是过了买硬件加虹软算法的阶段。要靠手机厂家自己去定义、去调教算法以及做更多的东西，小厂已经很难玩转了。

5、新东西。
比如时下开始爆发的端侧AI大模型，不过我觉得重要的不是你的算力而是你的应用模式——类Chat GPT的App化在手机上不具备颠覆性，真正具备颠覆性的是端侧的AI功能——基于你手机里存储的所有数据，比如短信、通话记录、聊天记录、消费记录、收入情况、身体健康数据、饮食情况、拍摄的图片和视频等等，去做一些智能化功能。所谓AI扩写/问答是ToB的功能，不是ToC的。

6、跨终端设备以及跨终端的连通能力。
未来的数据是立体的，除了手机之外，还有智能手表、家居设备、车载设备、笔记本电脑、平板电脑、电视机等等诸多终端。小厂大概是作为标准的执行者接入这些生态里，只有大厂才具备定义生态的能力。

我是主任，一个对技术痴迷且曾长期在手机研发和管理一线的工程师。1月8日发布的OPPO Find X7系列手机，潮汐架构和安第斯大模型，这两个点激发了个人极大的好奇心，由于没有OPPO和联发科两家公司技术文档的作为输入，仅凭借公开的信息，结合个人在SoC定制、内核调教和大模型上的积累，作一些分析和推测。
平台定制和调教
OPPO Find X7标准版使用了联发科最新推出的旗舰芯片：天玑9300。此前无论是联发科，还是vivo X100系列这两场发布会上，天玑9300都有被一定的介绍，印象最深的是：“全大核架构，全新内核，性能暴涨40%”，就性能提升，其实比较容易理解，当时也没刻意细究。从性能的维度，OPPO Find X7标准版也天然享受了天玑9300内核性能提升的红利。

个人观看了OPPO Find X7系列发布会回放视频，萌生了一些问题：
（1）OPPO Find X7系列，OPPO研发团队需要同时面对天玑和骁龙两大平台，而这两颗旗舰芯片架构上存在着极大的差异，软件团队是如何合理发挥各自的性能？
（2）OPPO芯片团队在和联发科定制的过程中，又是怎样的火花促成了“全大核架构”？
（3）面对天玑9300这一全新的架构，OPPO软件性能团队又是如何在性能、续航和发热等用户体验上做好平衡的？
回看其他旗舰芯片，无论是联发科天玑9200，高通8Gen3、8Gen2等等此前多代天玑和骁龙，都采用超大核+大核+小核混配的方式，做了个可对比的表格，以便对比分析：

通常的SoC架构设计中，日常小核多应用在CPU轻负载场景，比如桌面、设置、天气预报甚至语音通话等等，此时手机的功耗在200mA以内，而且绝大部分功耗都被OLED占用，使用小核确实可以使得手机低功耗，但当场景切换、前后台切换等等突发操作时，手机明显表现为流畅性不足，这个可以有更多通俗的语言描述：反应慢、卡顿、跟手性不佳等等，网上曾流行过如下多核CPU调度不均的有趣图片，CPU0或许就是那个小核：

大核则多应用于高负载场景，比如大型游戏应用、拍照、视频等等大核也会参与工作，而超大核则应用于功耗和性能突发需求的场景，比如应用开启、手机开启、应用前后台的切换等等。
X7标准版的天玑9300的和X7 Ultra的骁龙8Gen3是两套完全不同的SoC架构设计思路，骁龙8Gen3的调度算法可以基于此前项目进行继承和演进，天玑9300则需要OPPO软件性能团队重新设计调教算法，充分利用发挥这一个架构的优势，同时又在性能、续航和发热。而潮汐架构和安第斯大模型好像是两个非常好的佐证。
潮汐架构
发布会上，刘作虎提到的“潮汐架构是 OPPO 自研的芯片软硬融合技术的集合，是一群懂芯片的人打造的芯片优化技术。” 说实在的，初始我是困惑的，什么是“潮汐架构”？看完整个回放视频，其中的内存体系架构图解开了我的谜团。

以个人经验绘制了天玑9300SoC架构。OPPO对天玑9300SoC定制，主要体现在两个维度（1）普通SoC内存的cache架构以三层居多，天玑最近几代旗舰芯片增加了L4 cache，即系统级缓存，用于CPU和异构核之间的cache，在天玑9300SoC中该cache最大可支持10MB。（2）如图所示，红色区域，SLC系统级缓存支持空间动态功能重定义。即发布会所言：“潮汐架构是 OPPO 自研的芯片软硬融合技术的集合。”

无疑潮汐结构深度触及到了SoC 系统级缓存SLC，常规的系统级缓存SoC通常使得 CPU、GPU、AI处理器、显示处理器等处理单元采用固定的分配方案，固定的分配方式必然会造成一定的资源浪费和拥堵。而潮汐架构使得SoC增加了调控的自由度，可以最好的方式灵活分配系统级缓存，减少了内存访问拥堵，高效使用SLC。

潮汐架构SLC技术动态系统级缓存
个人通俗的理解：从硬件性能的维度，天玑9300SoC架构“管够”，但“地主”家的“钱”也得有规划地使用，而潮汐架构就是那个规划的算法，从而使用无论是性能、续航和发热体验在一个新的平衡点。
潮汐架构深层意义，一方面能够细致地判断用户的应用场景，传统方案是依据应用来判断性能需求，根据应用来匹配不同的 CPU 和 GPU 算力以及相应的存储能力。潮汐架构则能够更深入地识别使用场景，比如游戏中跑图、任务动画，或者在战斗状态，精细化带来的不只是算力与存储的高度贴合，更是能够实现精准的能耗控制，综合来看整体续航能够得到 20%的提升。
另一方面，可根据应用场景的不同，灵活调整缓存配比。比如当运行应用软件需要图像渲染时，则给GPU分配更多的，进而降低对DDR和UFS的接口访存频率，提高应用运行速度，最终降低计算链路的整体能效。经测算，对于SLC的调度优化，能带来平均 8%的能效节约，不同应用场景功耗的收益如下表

除了性能和能效上提升，潮汐结构这一“定制”使得Find X7应用启动性能的高度一致性，从用户感知层面，保持流畅运行，即便是后台多任务运行也能快速打开应用，配合稳定的后台保活机制。
潮汐架构是天玑 9300 进行深度定制的专属能力，OPPO Find X7全系都已经针对潮汐架构进行了适配，并能在赋能到更多的产品当中。
发布会所言：“潮汐架构是一群懂芯片的人打造的芯片优化技术。”个人从坊间得到的消息：除开哲库，OPPO手机业务团队自身就有一个相当规模的芯片团队，这个团队主要负责和联发科、高通进行芯片的定义、定制和联合调试。而2023年哲库夭折后，OPPO从哲库召回了相当一部分骨干，融入OPPO这个芯片定制团队。相信这就是刘作虎所言的 “懂芯片才能释放芯片性能上限”的底气。
安第斯大模型
刘作虎在接受媒体采访时所言：“手机再不布局大模型就没戏了”，在个人看来确实如此，自ChatGPT发布到2023年7月份在上海举办的“2023世界人工智能大会”，短短半年时间，官方可统计、已发布的大模型如下表：

“百模大战”是事实，现在大模型的数量还远不止于这些。众所周知，AI的能力有一个积累的过程。手机厂商也在不断思考大模型所带来的种种可能性，OPPO 更是其中的佼佼者，同时安第斯大模型要在天玑9300流畅使用，不仅仅需要AI处理器APU790强大算力的支撑，同时需要合理的全大核SoC 8个CPU核的协同。
在 Find X7 上，OPPO与MTK进行深度合作，率先在行业内采用了最优大模型端侧部署方案：4 位量化技术，实现精度不掉点效果下更优的性能，通过推理引擎的加速，以及芯片硬件加速的方式，更是成为行业首个端侧应用的70亿参数的模型。
基于来自端侧的70亿大模型参数，Find X7 能够实现比其他手机更快速的大模型响应速度与能力，200 字的摘要首字生成只需要 0.2 秒，与其他手机相比实现了 20 倍的速度提升。另外，为了保证端侧的性能优化，OPPO 还为端侧 70 亿参数大模型加入了 AI Boost 推理引擎，实现更高效的体验。
另一方面，在整个“端云协同”的大链路中，端侧是轻量高效的解决方案，但除了端侧外，整个 OPPO 大模型（AndesGPT）能够完整涵盖十亿至千亿以上多种不同参数规模的模型规格：AndesGPT-Tiny、AndesGPT-Turbo 和 AndesGPT-Titan，最高可达 1800 亿参数，能够实现深度推理的任务。
总结
无论是天玑9300全大核架构、OPPO定制的潮汐结构、安第斯大模型都是开创性的工作，已经在OPPO Find X7标准版落地使用，而且就个人了解，首批拿到该手机的消费者对此的口碑相当不错，而且12GB+256GB版本3999元售价还确实是挺诱人的价格，当然更吸引我的是它几个突破性的技术。

[收藏本文] 【下载本文】

数码最新文章

iOS的墓碑机制这么厉害，为什么Windows、Li

如何看待华为发布会被指造假？

如何看待华为 Pura 70 系列超高速风驰闪拍功

碎纸机是干嘛用的，撕个纸还要用机器，真是

小米真的是为国为民吗？

华为发布 MatePad 11.5 S 平板电脑，该产品

加:2024-01-18 14:33:19 更:2024-01-18 14:59:25

娱乐生活: 电影票房娱乐圈娱乐弱智火研中华城市印度仙家六爻佛门风水古钱币交流专用钓鱼双色球航空母舰网球乒乓球中国女排足球 nba 中超跑步象棋体操戒色上海男科 80后
足球: 曼城利物浦队托特纳姆热刺皇家马德里尤文图斯罗马拉齐奥米兰里昂巴黎圣日尔曼曼联

网站联系: qq:121756557 email:121756557@qq.com 知识库