7 月 18 日，WAIC 2026 期间，安谋科技在上海世博展览馆举行 AI 前瞻发布会。
与展馆中大量围绕超节点、万卡集群和云端大模型的讨论不同，这场发布会把重点放在了另一端：当 AI 进入嵌入式设备、摄像头、机器人、工业网关和边缘计算节点，有限功耗、有限内存和复杂负载将如何改变芯片与系统设计。
发布会涉及四条技术线：面向嵌入式设备的“星辰”CPU 与 Arm Helium 指令集，面向边端推理的“周易”X3-Pro NPU 架构，面向机器视觉的“玲珑”VPU，以及安谋科技牵头发起的开源 AIOS 联盟。
把这些内容放在一起看，安谋科技这次在 WAIC 上试图回答的是一个更具体的工程问题：在功耗、温度、内存带宽和软件生态都受到约束的情况下，如何让计算、视频和系统软件形成一套可以部署的本地 AI 基础设施。
端侧 AI 的矛盾，不只是模型太大
过去几年，端侧 AI 通常被理解为把云端模型缩小后放进终端。但这种理解忽略了两类计算环境之间的差异。
云端服务器通常可以通过增加 GPU 数量、显存容量和网络带宽扩展计算资源，而嵌入式设备首先受到电池、散热、芯片面积和成本限制。摄像头、门锁、可穿戴设备和工业控制器也很难为了运行一个模型，持续占用全部 CPU 资源。
与此同时，端侧任务又对实时性提出了更严格的要求。云端应用可以等待模型完成数秒推理，但语音唤醒、人脸检测、机器人避障和工业控制往往需要立即响应。大量视频、音频和传感器数据如果全部上传云端，也会带来网络依赖、带宽成本和数据管理问题。
这意味着，端侧 AI 面对的不是单纯的算力不足，而是性能、功耗、响应时间、带宽和可靠性之间的多重约束。
安谋科技 CPU 产品总监朱晓鸣在现场将端侧计算划分为三类需求：始终在线的低功耗感知、由 CPU 承担的逻辑控制，以及相对复杂的 AI 计算。在这种架构中，CPU 仍然负责系统控制、实时任务和通用逻辑，向量计算单元和 NPU 则分别承接适合并行处理和矩阵计算的负载。其目标是让嵌入式设备在有限的功耗和算力下尽可能多的释放 AI 计算潜力。
CPU 的变化：给传统嵌入式计算增加向量能力
在端侧 AI 系统中，CPU 并不会因为 NPU 出现而消失。
模型运行前后的数据预处理、算子调度、设备控制、实时操作系统任务以及大量非矩阵计算，仍然需要 CPU 完成。对于规模较小的音频检测、传感器分析和简单视觉任务，直接在 CPU 上运行还可以减少不同处理器之间的数据搬运和调度开销。
安谋科技此次重点介绍了 Arm Helium 技术。Helium 是面向 Arm Cortex-M 系列处理器的向量扩展，采用 128 位固定长度向量设计，并增加了一系列面向数字信号处理和机器学习的指令。其作用不是替代 NPU，而是提高 CPU 处理并行数据的效率。
按照现场公布的测试结果，在蓝牙音频编解码场景中，以 Cortex-M4 为基准，采用相应架构的 Cortex-M52、M55 和 M85 分别获得约 30%、50%和 65%的性能提升；在部分机器学习测试中，M55 和 M85 相较较早一代处理器平均提升约 3 倍，个别项目超过 8 倍。上述数字来自安谋科技现场演示，具体表现仍会受到模型、编译器、存储系统和芯片实现方式影响。
安谋科技自研的“星辰”CPU 从第二代产品 STAR-MC2 开始支持 Helium。此次现场展示的“星辰 300”是一套原型验证平台，将 STAR CPU 与 Arm Ethos NPU 集成在 FPGA 平台中，用于运行人脸检测等端侧模型。
演示中，摄像头画面先由笔记本采集，再传输至验证平台，由 CPU 与 Ethos-U55 完成推理并在屏幕上显示检测结果。
这个平台目前更接近芯片设计与软件适配阶段的验证工具，其意义在于验证 CPU、NPU、内存和软件工具链能否协同工作，而不是一款直接面向消费者的终端产品。
从工程角度看，CPU 指令扩展适合解决规模较小、控制逻辑较多或者需要低延迟启动的任务；当模型进入实时视觉、较复杂的语音处理和语言模型场景后，专用 NPU 仍然是主要的计算补充。Arm Ethos 系列目前覆盖约 64 GOPS 至 4 TOPS 的算力范围，主要面向对面积和功耗敏感的端侧设备。
真正决定这套组合能否落地的，也不只是 CPU 和 NPU 的理论性能。数据能否在不同计算单元之间高效流动、编译器能否把算子合理拆分、模型中不受支持的算子如何回退，以及内存容量是否足够，都会直接影响最终效率。
NPU 不再只看峰值算力
如果说 CPU 部分解决的是轻量化 AI 如何进入传统嵌入式设备，那么“周易”X3-Pro 讨论的则是更复杂的边端推理。
安谋科技将边端 AI 场景分为个人终端、视觉与空间智能、工业与能源边缘、边缘节点与本地 AI 盒子四类。这些场景对芯片的要求并不相同：手机和可穿戴设备关注续航与隐私；摄像头、机器人和汽车强调低延迟、多模态感知与可靠性；工业设备更重视任务确定性和长生命周期；边缘服务器则需要多路并发和长时间运行。
因此，一套固定规格的 NPU 很难同时在所有场景中获得较高效率。
安谋科技正在研发的“周易”X3-Pro 没有简单沿用单一芯片覆盖所有市场的思路，而是提出统一软件架构、统一指令集和硬件接口，再根据不同负载配置差异化硬件。规划中的产品包括面向低功耗场景的 Lite 系列、中等算力产品以及面向复杂推理任务的子系统方案。
这套架构的核心逻辑可以概括为：上层软件尽量统一，底层硬件允许分化。
统一软件层可以减少模型适配、算子开发和部署工具的重复投入；硬件层则可以根据场景调整计算单元、Cluster 数量、内存层次、数据精度和专用加速模块。安谋科技还提出在统一架构中兼容存算一体以及非冯·诺依曼计算方案，但目前披露的主要还是架构方向，尚没有公开具体产品的算力、功耗、制程和量产时间。
从技术路线看，X3-Pro 反映出边端 NPU 设计评价标准正在发生变化。
过去厂商习惯用 TOPS 表示峰值算力，但对于 Agent 类负载，单一指标越来越难反映真实表现。持续感知、多轮交互、上下文记忆和工具调用会产生频繁的数据访问与任务切换。部分阶段是矩阵计算密集型，部分阶段则可能受内存带宽、CPU 调度或者数据预处理限制。
因此，边端 NPU 需要同时考虑算力利用率、内存容量、算子覆盖、编程灵活性和任务并发。X3-Pro 提出支持更多数据精度、混合精度计算、可配置内存层次和更灵活的 Cluster 组合，本质上是在提高架构对不同负载的适配能力。
不过，统一架构与场景化硬件之间本身也存在张力。硬件越专用，单位功耗下的效率通常越高，但软件迁移和模型兼容可能越困难；硬件越通用，模型适配更加灵活，却可能增加面积和功耗。X3-Pro 最终能否解决这一矛盾，还需要等待具体芯片及软件工具链公布后验证。
当视频不再只给人看
发布会的第三条技术线来自“玲珑”VPU。
传统视频编码主要围绕人眼视觉质量进行优化。例如，在码率有限的情况下，编码器会尽量保留人眼更容易察觉的纹理和轮廓，并允许在不明显影响观看体验的区域损失部分信息。
但在机器人、自动驾驶、视频监控和工业视觉中，视频的主要使用者正在变成模型。人眼无法察觉的压缩损失，可能破坏目标边缘、运动轨迹或者细小特征，进而影响目标检测、动作识别和模型训练结果。
这使视频压缩的优化目标从“画面看起来是否清晰”，扩展到“压缩后是否仍然有利于机器完成任务”。
安谋科技今年初发布的“峨眉”VPU 和计划于 2027 年初推出的“武当”VPU，均引入内容感知编码。其基本方式是在编码前对视频进行浅层图像处理和语义分析，再将分析结果提供给编码器，用于调整码率分配和编码决策。
按照安谋科技现场披露的信息，“武当”计划支持 8K 30fps 编码，芯片面积相较前代方案缩减约 40%，同时增加 YUV 4:2:2 编码和原始数据压缩能力。在部分不规则运动场景中，公司称其编码质量相较上一代还有约 5%至 10%的提升。由于产品尚未正式发布，这些指标仍属于设计目标或内部测试结果。
更值得关注的是其正在研发的任务感知编码方案。
这一方案将视频前处理网络、虚拟编码器和下游 AI 任务放在一起联合训练，使编码器不再只优化传统画质指标，而是同时考虑目标追踪、动作识别等任务的准确率。部署时，训练得到的前置网络可以与 VPU 结合，根据具体任务决定哪些信息需要保留、哪些信息可以进一步压缩。
安谋科技称，目前在目标追踪和动作识别测试中，该方案获得了超过 10%的编码质量提升。这里的“质量”并不完全等同于人眼观看质量，而是包含码率和下游任务精度之间的平衡。
这一方向的技术价值在于，它把视频编解码器从数据传输工具变成 AI 计算链路的一部分。但其落地也存在新的问题：针对某个模型联合优化的编码策略，能否适用于其他模型；模型升级后是否需要重新训练；不同摄像头、VPU 和 AI 框架之间如何保持兼容；压缩后的视频是否还能满足存档、回放和人工查看要求。
因此，机器视觉编码不会简单取代传统视频编码，更可能作为特定 AI 场景中的新增模式存在。
AIOS 要解决的，是异构硬件之上的系统问题
拥有 CPU、NPU 和 VPU，并不意味着一台设备已经能够运行完整的 AI 智能体。
持续感知型 AI 设备通常需要同时处理摄像头、麦克风、传感器、语言模型、语音识别、语音合成、记忆系统和运动控制。不同任务可能分别运行在 CPU、GPU、NPU 和其他加速单元上，还可能在本地与云端之间迁移。
传统操作系统能够管理进程、存储、设备和网络，但对于模型路由、上下文记忆、AI 任务编排、工具调用权限和多模态数据流，并没有统一的原生抽象。
在这一背景下，安谋科技牵头发起开源 AIOS 联盟，希望联合芯片厂商、设备厂商、模型企业和研究机构，共同探索面向新型 AI 设备的软件基础设施。现场提出的 AIOS 架构主要包括模型引擎、Agent 任务编排、记忆引擎以及 DataFlow 数据流引擎。
其中，模型引擎负责模型推理、端云路由以及语音、视觉等多个模型之间的协同；Agent 任务编排负责把一个较复杂的目标拆分为工具调用和可执行任务；记忆引擎管理长短期上下文；数据流引擎则负责在视频、音频、文本以及不同计算单元之间传递数据。
安谋科技特别提到 Zero Copy 等数据处理方式。对于持续采集视频和音频的设备来说，减少数据在 CPU 内存、加速器内存和应用程序之间的重复复制，可能比单纯提高某个算子的峰值性能更重要。一次额外的数据搬运不仅会增加延迟，也会消耗内存带宽和电量。
在 AIOS 联盟的规划中，相关软件、模型、技术文档和原型产品将逐步开放。安谋科技还计划开放端侧模型 Benchmark 套件，用于测试模型在本地设备上执行 Agent 任务和长时间任务的能力。极术社区已经推出 JishuShell，并计划继续开放知识库等组件。
不过，AIOS 目前仍然是一个定义尚未完全统一的概念。它究竟是 Linux 之上的中间件、模型运行时、Agent 框架，还是覆盖硬件、模型与交互的完整操作系统，不同厂商的理解并不相同。
联盟后续真正需要解决的，也不只是开放代码。硬件抽象接口如何统一、模型如何跨设备迁移、记忆数据采用什么格式、Agent 权限如何控制、实时任务与生成式任务如何共存，以及不同成员如何参与技术决策，都会影响其能否形成可持续的生态。
边端 AI 开始进入系统工程阶段
从 CPU、NPU、VPU 到 AIOS，安谋科技此次发布会释放出的共同信号是，边端 AI 已经不再是单颗加速芯片的问题。
CPU 负责控制、实时任务和通用计算；NPU 处理主要的模型负载；VPU 决定视频数据如何被压缩和提供给模型；操作系统则需要负责模型调度、任务编排、记忆、安全以及端云协同。任何一层出现瓶颈，都可能使其他部分的理论性能无法发挥。
这也解释了为什么边端 AI 不能简单复制云端路线。云端可以通过规模化集群分摊基础设施成本，而终端设备必须在固定功耗、固定内存和固定成本内完成相对确定的任务。对边端系统而言，能否稳定运行、是否支持主流模型、数据搬运是否高效，往往比实验室中的峰值算力更接近真实产品需求。
目前，安谋科技展示的部分内容仍处于原型或研发阶段。“星辰 300”是验证平台，“周易”X3-Pro 尚未公布完整产品规格，“武当”VPU 计划于明年初发布，AIOS 联盟也处于早期建设阶段。
因此，这场发布会更像是对技术路线的集中说明，而不是一组已经完成商业验证的产品结论。接下来值得观察的，是这些架构能否转化为量产芯片、稳定的软件工具链和实际设备，以及 CPU、NPU、VPU 与 AIOS 之间能否真正形成统一的开发与部署体系。
边端 AI 的竞争，也将从“模型能不能在设备上跑起来”，进一步转向“整套系统能否在有限资源下长期、稳定并且可控地运行”。
