AI终端创新背后：云边端算力如何分工

消费电子创新大会（CEIC）每年都在深圳办，今年展会上多了一个新变量——具身智能机器人。

跟以往相比，这些机器人在理解指令、感知环境、执行动作之间的衔接更紧了。能力也不再只是完成单个动作，而是能处理那种要分好几步、中途还可能生变的任务。

支撑这些能力的，是贯穿任务全程的计算。机器人接到指令后，机载软件按既定分工，把指令和现场信息交给边缘或云端服务器去做规划；云端收到请求，超节点里的多颗计算芯片协同跑规划模型，给出操作方案；机器人再按返回的方案执行动作。

终端上处理任务，服务器上跑模型计算，机房里管供电和散热，这些环节配合起来，才撑起了CEIC上各种各样的AI终端新能力。

算力已经是AI产业绕不开的核心议题。不过把终端能力背后的算力部署和计算过程拆开看就会发现，从过去孤立的性能指标，到用户实际感受到的体验，中间还隔着体系化的系统设计和部署选择。终端和后台怎么分工、计算资源怎么组织、各环节怎么配合，都决定了一项AI功能最终能做到什么程度、以什么成本持续提供。

计算能力怎么变成产品能力，围绕这个问题，AI终端创新背后还有另一场竞争在打。

计算调度最先动起来，云边端协同重新回到焦点

AI终端接到任务，第一步是任务解析和计算调度。系统先结合用户指令和现场感知信息把任务拆开，再按响应速度、计算量、网络条件，把不同环节分给终端本地、边缘设备或云端服务器。

拿收拾桌面这个指令来说，具身智能机器人的摄像头和传感器会不停获取桌面信息，系统理解任务的具体含义，判断不同物品该放到哪，同时排好抓取和移动的先后顺序。

这些计算对响应速度和资源的要求并不一样。识别用户意图、规划一连串操作步骤，可能要跑规模较大的模型，计算量更高；机械臂伸出去之后，对位置、力度和碰撞风险的调整，得依据最新感知信息及时完成，经不起太长的网络等待。

所以具身智能机器人更常见的分工是：动作控制、安全避障这类对响应要求高的计算留在本地；任务理解和复杂规划需要较强的模型能力，可以交给边缘设备或云端。结果返回后，再由本地控制系统转成关节和机械臂的具体动作。

这种分工通常在产品设计和模型部署阶段就定好了。到了机器人实际运行的时候，调度程序再按既定规则、网络状态和任务要求，把相应请求发到不同位置。

全球计算联盟（GCC）秘书处CTO苗福友告诉36氪，云边端智能协同这套分工，云计算发展初期就有人讨论过，当时主要是想缩短通信距离来改善响应。如今AI终端要处理的任务更复杂，资源利用率、能耗和成本，也成了企业重新安排计算分工的重要原因。

在这样的背景下，GCC在CEIC大会期间发布的《全球算力十大趋势2027》，把“云边端全域协同智能”列为十大趋势之一。

苗福友拿家庭机器人举例，进一步说明云边端协同会怎样改变算力配置方式。

他说，机器人规划复杂任务时，可能短时间内需要较高的计算能力，进入重复性操作后需求又降下来；没任务的时候，高性能芯片甚至可能长时间闲着。如果每台机器人都按峰值需求配本地硬件，企业和消费者就得为使用频率并不高的资源买单。把部分复杂计算放到云端，让多台设备共享计算资源，单台终端的硬件负担就能减轻。

到了工厂场景，计算则可能被放到离机器人更近的地方。多台设备集中作业时，车间附近的边缘服务器既能供多台机器人共享，又能减少请求传到远端数据中心的时延，更适合承接一部分对响应速度有要求、本地设备又难以独立完成的任务。

模型能力最终能不能落到产品体验上，很大程度上要看云、边、端三层的算力怎么调。任务放在哪一层跑、交给哪些资源去接，直接牵动终端响应快不快、续航扛不扛得住，以及服务成本高不高。

不过苗福友也坦言，这样的部署对终端企业的模型设计和工程开发提出了更高要求。目前GCC具身智能产业发展委员会正在研究云边端协同架构，探索模型推理任务如何在本地、边缘和云端之间分配，为企业选择适合自身产品的计算方案提供参考。

超节点让后台响应更快

计算任务分到边缘或云端，解决了第一步“在哪里计算”。对终端来说，指令和现场信息发出去之后，还得等服务器跑完模型、生成操作方案，再把结果传回来。从接收请求到返回结果，这个过程就是后台响应。

AI终端承担的任务越来越复杂，后台要处理的就不只是一次简单运算了，模型规模、上下文长度、同时发起的请求数量都在涨。怎么在有限时间内接住大量推理需求，成了后台计算系统要面对的问题。 DeepSeek最近公开的V4.1 Flash推理系统提供了一个参照。其单个生产集群目前每天服务约155万亿个Token；系统内部，处理输入的预填充阶段用的是普通8卡服务器，逐步生成输出的解码阶段则采用64至128卡超节点。DeepSeek方面给出的解释是，把专家并行做到大规模，能减轻解码阶段每一步的内存访问负担，从而提升系统处理Token的效率。解码阶段每一步都要访问内存，专家规模铺开之后，这份压力就被摊薄了，Token的处理速度也随之上去。

从眼下的实践看，超节点是把多颗计算芯片组织起来跑模型更管用的架构。苗福友对36氪表示，当下和今后的算力消耗里，有相当大一块、甚至可能是最大的一块，会来自大模型推理。传统计算可以把任务拆成若干独立部分，各自算完再汇总；大模型推理不是这样，不同的计算节点要反复读数据、交换中间结果，一起把同一件事往前推。

所以超节点干的并不是让单颗芯片算得更快。它靠的是更高带宽、更低时延的互联，加上更省事的内存访问方式，把芯片之间传数据、等数据的时间压下去。

GCC与鹏城实验室此前联合发布的《超节点定义与实践白皮书》对此有过解释：这类架构能缩短数据移动的路径，减少大规模并行计算里的通信与同步开销。落到收拾桌面这个具体任务上，从请求进入模型到操作方案生成，超节点都在起作用——让跑模型的多颗芯片配合得更顺，后台推理就能更快出结果，或者在同一段时间里接下更多机器人的请求。

换句话说，AI终端亮出来的本事，不只看设备上的芯片和模型，还要看后台算得够不够快。

打通虚拟运算的真实载体

超节点、服务器、网络设备，这些都不是飘在“云”里的抽象资源。它们最后都要装进真实的机柜和机房，一直通电，还得把跑起来产生的热量排出去。计算系统的下一层，就是机房怎么把这些设备装下、让它们稳定运行。

苗福友在接受36kr采访时说，机房的生命周期可能有二三十年，GPU却几乎年年出新版本，一两年就可能换一代大的。建设方就得琢磨：现在砸下重资产建的机房，过几年还配得上新的计算设备吗？

芯片迭代快，冷却液的流速、温差却受现实条件卡着，输电线这类管道和配套设施也得提前留出空间。要规划兆瓦级算力系统、吉瓦级数据中心，供电、冷却和建筑条件得早点纳入系统设计。

另一边，多家供应商的设备怎么适配，也直接关系到交付快不快。苗福友表示，云厂商常常从不同供应商那里采购芯片，如果每种芯片都要单独做板卡、节点和机柜，管理方式还各不一样，部署和运维的复杂度就上去了。

正因如此，围绕机房设计和管理要求形成共识，变得越来越要紧。苗福友告诉36kr，GCC眼下就在为这类产业协调提供一套适用的标准。据他介绍，GCC旗下的Open AI Infra社区设了机房基础设施、整机柜和板卡等项目群，让使用方、建设方、芯片与整机供应商坐到一起讨论这些问题。

这当中，AIDC基础设施规范及配套认证把机房该具备的条件变成了可以对照、可以核验的要求，覆盖建筑架构、机房环境、供配电、风冷与液冷、交付和运维等。云厂商找机房时，能据此判断设施达不达标；建设方则有了规划和交付的参照，推动基础设施尽快投用。

在与CEIC同期举行的2026全球计算大会（CGC）现场，GCC集中推出10项产业共识成果、9项团体标准及技术规范，并启动两项重点项目。大会还举行了首批GCC-OAII AIDC认证证书颁发仪式，涉及7家单位旗下14个智算数据中心，累计认证项目的IT功率规模约1.45GW。

把一项AI终端任务背后的算力链条拆开来看，用户感受到的每一次顺畅响应，背后都是一整条长链：任务先经过云边端之间的调度，再进入后台模型的并行计算，这中间还靠机房持续供电、散热、提供部署条件。哪一环效率不够，终端那边就可能表现为等得更久、能耗压力更大，或者服务成本更高。

CEIC上能看到AI终端形态在快速扩张，而这些终端背后，计算资源的调度、组织和承载方式也在跟着重构。AI终端的创新竞争，不只是设备和模型之间的较量，还在于能不能用更快的响应、更稳的运行、更可控的成本，把算力真正变成产品体验。