华为麒麟 9050 把 30B MoE 塞进手机：端侧 AI 跨过一道分水岭

华为麒麟官方公众号今天发布技术详解，第一次把麒麟 9050 系列芯片里的新一代达芬奇架构 NPU 讲清楚：性能提升 140%，功耗降低 66%，并且是业界第一个把 30B MoE 大模型放进端侧运行的方案。官方对体验的描述很朴素——不用联网，不用等云端。

一分钟速览

• 麒麟 9050 系列是首款采用「逻辑折叠」技术的 τ 芯片，新一代达芬奇 NPU 同步亮相；
• NPU 性能提升 140%、功耗降低 66%，支持 Transformer 引擎、超低功耗感知引擎和 CANN 异构计算架构；
• 业界首个 30B MoE 大模型入端，靠多级存算协同优化与低比特量化压住内存和算力开销；
• 能力落到四个感知场景：AI 屏幕朗读、Xmage 智拍 2.0、AI 眼动翻页、熄屏地图 2.0；
• 华为在 10 月的麒麟媒体沟通会上称，9050 系列将开启未来十年，目标是 2031 年 P 核频率突破 5GHz。

把 30B 放进手机，难的不是“塞得下”

一个大模型要在手机上跑起来，首先要过内存这一关。30B 参数即使按 4 bit 量化，权重也有十几 GB，再加上 KV 缓存和运行时开销，很容易把手机的可用内存吃穿。华为给出的解法是两句话：多级存算协同优化，以及低比特量化。前者是把权重按访问频率分层放在片上缓存、内存和闪存之间，让真正频繁参与计算的部分留在离计算单元最近的地方；后者是把精度压到足够低，同时用训练侧的手段把精度损失补回来。

MoE 架构在这里是关键。它让每次推理只激活一部分专家，而不是把全部参数都算一遍，等于用“稀疏激活”换“更大参数量”。这对端侧尤其友好：模型总容量可以做得很大，但单次推理的算力和功耗只跟激活部分相关。真正的难点在于调度——专家怎么分布、路由怎么做、缓存命中率怎么保证，这些工程细节决定了用户拿到的是“能用”还是“好用”。

140% 和 66% 是怎么来的

性能提升 140%、功耗降低 66%，这两个数字放在一起，说明这一代 NPU 不是简单堆算力，而是改了计算的组织方式。Transformer 引擎负责把注意力机制里最耗时的矩阵运算做成硬件流水线；超低功耗感知引擎负责让屏幕、影像、人眼、位置这些常开能力在不唤醒主处理器的情况下完成；CANN 异构计算架构则把 CPU、GPU、NPU 的任务编排统一起来，避免数据在多个单元之间反复搬运。

对手机这种散热和电池都受限的设备来说，能效比往往比峰值算力更重要。一个模型如果在实验室里跑得飞快，但十分钟就把手机烫到降频，用户体验仍然是失败的。华为把功耗降幅单独拿出来讲，说明这一代产品的目标不是跑分，而是让端侧大模型可以长时间、低负担地待在后台。

四个场景，比参数更能说明问题

官方列出的落地功能包括：感知屏幕的 AI 屏幕朗读，可以理解当前页面内容并用语音讲出来；感知影像的 Xmage 智拍 2.0，把拍摄意图理解放进取景和成片流程；感知人眼的 AI 眼动翻页，用视线控制阅读；感知位置的熄屏地图 2.0，在锁屏状态下提供轻量导航信息。

这些功能的共同点是“低延迟、常在线、不打扰”。它们不需要用户打开某个 App，也不需要把数据传到云端再等结果。端侧模型的价值恰恰在这里：隐私留在本地，响应时间压到毫秒级，网络不好时也不影响使用。相比之下，把请求发到云端再返回，哪怕只多几百毫秒，也会让交互显得迟钝。

端侧 AI 的竞争，换了一条赛道

过去两年，端侧 AI 的叙事主要是“把模型缩小”：7B、3B、1B，参数越少越容易落地。麒麟 9050 走的是另一条路——用 MoE 和存算协同，把更大的模型搬上手机。这两种路线并不矛盾，但指向不同的产品形态：小模型适合做单点功能，大模型才能承担理解上下文、连续对话、跨应用操作的 Agent 角色。

当然，30B 入端不意味着手机能替代云端。复杂推理、长文档处理、多模态生成仍然要交给数据中心。但在“日常理解”这一层，端侧模型正在变得足够好。当模型不用联网、不用排队、不用担心隐私，很多原本只在云端成立的功能，会开始往设备上迁移。麒麟 9050 的意义，或许不在于它今天能跑什么，而在于它把端侧 AI 的天花板又往上抬了一截。