移远通信大模型深度解析：重构人机交互的AI革命与未来展望
2025年初，DeepSeek的崛起深刻重塑了全球AI产业格局。其技术路径不仅引发了广泛探讨，更关键的是，它强力催化了“边缘+AI”的规模化需求，使得大模型在终端设备的部署与运营成本显著降低。从搜索引擎到机器人，从智能汽车到移动设备，各类应用都在积极寻求与这一新晋技术力量的融合路径。
在此背景下，一个核心议题凸显：端侧AI的演进方向是什么？移远通信产品总监王韬在近期直播中指出，DeepSeek正驱动端侧AI从“被动响应”迈向“主动智能”。当然，伴随机遇而来的，是关于算力分配、算法优化与商业化路径的全新思考与挑战。
DeepSeek带来端侧AI发展新范式
端侧AI并非全新概念。早期实践多依赖DSP等专用芯片处理基础的语音识别或图像增强任务。随着芯片算力持续提升，行业开始尝试将更复杂的算法集成至终端设备。真正的范式转变始于2021年前后，将AI大模型能力植入设备端的思路兴起，标志着端侧AI进入了追求“认知智能”的新阶段。
市场数据清晰印证了这一趋势的潜力。头豹研究院报告显示，2023年中国端侧AI市场规模已达1939亿元，预计到2028年将增长至19071亿元，年均复合增长率高达58%。
中国端侧 AI 市场规模，图源：头豹研究院
从千亿级迈向万亿级市场，未来的增长动力将不再局限于硬件本身，而更依赖于端侧应用与边缘计算、AI大模型的深度融合。这种融合正从技术架构、场景创新与产业生态三个维度，重新定义端侧AI的边界。
相较于云端AI，端侧AI的优势明确：具备更优的实时性、更低的推理成本，并从根本上保障了用户数据隐私。更重要的是，它使大模型的推理能力摆脱了网络依赖，即便在离线或无网环境下，服务也能持续运行。
然而，将庞大的云端AI模型成功部署至资源受限的终端，始终是一项复杂工程。如何平衡端侧的推理效率与模型的强大性能？又该如何实现硬件、软件及商业模式的协同演进？这些都是亟待解决的实际问题。
在DeepSeek出现之前，行业普遍面临一个困境：受限于算力、存储和功耗，端侧设备很难独立承载参数超过100亿的大模型，往往需要云端协同才能完成复杂任务。这不可避免地带来了响应延迟，并引入了隐私风险。同时，当时的模型功能相对单一，难以支撑多模态交互或复杂的主动决策。
DeepSeek的突破性，恰恰在于为破解这些难题提供了新的方法论。其创新的MoE（混合专家）架构是关键。以DeepSeek-V3为例，每层包含256个路由专家和1个共享专家，但每个Token实际仅激活8个专家。这种设计显著降低了训练和推理成本。此外，通过高效的蒸馏技术，能够将大模型的推理能力“迁移”到更小、更高效的版本上，弥补了小模型在自我博弈学习上的不足。更具启发性的是，其实验性版本DeepSeek-R1-Zero证明，仅通过强化学习也能获得强大的推理能力。
这一系列技术路径，使得端侧设备独立处理复杂任务成为可能，真正将应用决策权从云端下放至边缘。移远通信产品经理王柯指出，DeepSeek阐释了一种“少即是多”的部署哲学，极大地加速了模型的小型化进程。如今，一个3B或4B参数级别的模型，其性能表现可能已等效于过去的7B模型。
从硬件视角看，这带来了直接收益。产品经理罗铮补充道，DeepSeek能以更小的模型体量实现更强的能力，这意味着可以采用算力更低的芯片、容量更小的存储和更低的硬件成本，来构建高性能的端侧AI方案。
目前，端侧AI大模型的主要落地场景已覆盖AI PC、AI手机、可穿戴设备、智能家居、智能汽车及新零售等领域。而机器人，特别是人形机器人，则被普遍视为下一个蓝海市场。端侧AI部署正通过技术架构革新与场景适配，推动机器人产业向更高阶的自主化与智能化演进。
一方面，本地化部署能大幅降低数据传输延迟，实现毫秒级的环境感知、决策与执行闭环，满足工业场景中精准抓取、快速避障等高实时性要求。另一方面，端侧大模型能更好地支持视觉、语音、触觉等多模态数据的实时融合处理，让服务型机器人实现更自然、更拟人化的交互。
正如移远通信产品经理沈锋所言，DeepSeek这类模型带来的最直接影响，是实现同等性能的成本显著降低。这促使更多原本处于观望的领域，开始愿意投入并尝试端侧AI。
移远通信为端侧AI落地提供一站式解决方案
面对市场的热情与挑战，产业需要的不仅是理念，更是能够快速将概念转化为产品的工具箱。正如移远通信几位专家所透露，他们正致力于提供一套涵盖智能硬件、算力、算法和服务的完整解决方案，帮助客户跨越从想法到商业落地的鸿沟。
高效支持主流 AI 大模型
AI大模型是智能体的“大脑”。目前，移远的解决方案已能实现AI模型的端侧部署，并支持包括通义千问、DeepSeek在内的主流模型。
以当下备受关注的DeepSeek为例，其R1版本专注于强化学习技术路线，并通过蒸馏技术产生了从1.5B到70B不等的多个小参数版本。这些小模型体量精巧但性能出色，成为端侧部署的理想选择。目前，移远通信的高算力AI智能模组SG885G已经能够稳定运行经过针对性微调的DeepSeek-R1蒸馏小模型。
实测数据颇具说服力：基于SG885G模组的方案，生成Tokens的速度超过每秒40个。作为参考，人类正常语速约为每分钟300-400字，折合500-600个Tokens。这意味着，一个能支持每秒准确输出10个Tokens的AI模型，就已具备商业落地的基本条件。移远当前的方案性能远超此基准线，并且未来仍有优化空间。
这套方案的应用场景非常广泛，涵盖智能机器人、智能座舱、机器视觉、个性化虚拟助理、平板电脑、老人监护、智能家居乃至AI玩具和可穿戴设备。
王柯提到，当许多厂商还在探索如何支持DeepSeek模型时，移远通信已率先取得实质性突破。这背后，体现了技术团队卓越的工程化能力，能够快速完成从方案设计、模型微调、端侧部署到资源调度的全链条工作。
在端侧AI至关重要的语音交互环节，移远的大模型解决方案实现了全语音链路的无缝衔接与高效运行，覆盖了从语音唤醒、人声检测到语音识别和语音播报的主流功能，助力用户快速构建基于语音的无感交互体验。
满足端侧 AI 广泛需求的模组产品矩阵
边缘计算智能模组是承载AI智能体的硬件基石。为满足不同场景下对算力、成本和功耗的差异化需求，移远通信提供了丰富的模组产品矩阵。
SG885G-WF是目前在端侧AI领域的主推型号，它集成高通QCS8550芯片，综合算力高达48 TOPS，并提供了包括显示、摄像头、音频、高速接口在内的丰富资源。此外，其产品线还包括：
■ 基于高通QCS8250的SG865W系列，算力为15 TOPS；
■ 基于高通QCM6490的SG560D系列，算力为12 TOPS；
■ 基于展锐UIS7885的SG530C系列，算力为8 TOPS；
■ 基于瑞芯微RK3568的SG368Z系列，算力为1 TOPS。
罗铮介绍，移远的智能模组产品能够覆盖从1 TOPS到48 TOPS的算力谱系。并且，公司已在规划算力高达80-100 TOPS甚至更高的产品，以应对客户未来不断增长的需求。
除了模组，配套的开发板也是加速方案落地的重要一环。例如在MWC 2025上推出的QuecPi Alpha智能生态开发板，基于高通跃龙QCS6490处理器打造，AI算力达12 TOPS，能够满足众多AIoT应用中对物体识别、图像分析等功能的多样化需求。这些硬件方案都能灵活支持安卓、Linux和Ubuntu等主流操作系统，方便客户在高端机器人和端侧AI产品上进行开发。移远提供的软硬件组合及技术支持，能让客户在不同算力平台间的切换与产品迭代过程变得更加顺畅。
QuecPi Alpha智能生态开发板
智能模组 + AI 大模型，重构端侧 AI 应用
技术与产品的价值，最终需通过场景验证。移远通信“智能模组+AI大模型”的组合拳，正在多个领域重构端侧AI的应用体验。
第一个典型案例是AI机器人。基于SG885G-WF智能模组和全语音链路架构，服务机器人能够对用户的指令、提问或求助做出迅速响应，准确理解意图，并以清晰自然的语音进行反馈，实现真正的无感交互。特别值得一提的是，得益于SG885G-WF的高算力，这套“大模型+AI机器人”解决方案在离线状态下也能提供完整的AI性能，这大大拓展了其应用范围。
这使得服务机器人在医疗康养、智能客服、接待导览、零售导购等领域展现出巨大价值。在落地过程中，移远的技术团队提供全面的工程化支持，帮助客户产品快速上市并形成差异化优势。例如在医疗康养领域，德壹机器人基于移远的方案推出了“全能王AI具身机器人”，它支持8自由度3D视觉导航，融合了尖端AI技术与中医理疗智慧，重新定义了智能理疗服务的边界。
沈锋认为，DeepSeek等AI大模型的涌现，为机器人行业注入了新的活力，重塑了机器人的“大脑”。当前大多数机器人仍以基础功能为主，交互能力存在明显短板，而AI大模型的加入将有效改善这一状况。未来五年，落地到终端的AI机器人数量将快速增长，这是一个极具潜力的赛道。
第二个案例是AI智能无人零售解决方案。在MWC 2025上，移远通信推出了围绕“动态视觉+边缘计算”构建的新方案。该方案基于高性能5G AI算力模组SG560D，支持先进的全链路商品识别算法，识别准确率高达99%，并具备创新的商品上新平台等软硬件服务。除了SG560D搭载的QCM6490平台，该方案还能兼容更多算力平台，以满足不同零售机厂商的差异化竞争需求。
目前，这套AI智能无人零售解决方案已与兴元科技“喵星人”智能售货机等多家客户产品完成系统集成，并进入了实地场景测试阶段。
结语
作为端侧AI生态的关键构建者之一，移远通信正通过“智能模组”与“AI大模型”的双轮驱动，深度参与并重塑产业格局。其一站式解决方案深度融合了DeepSeek等前沿模型，并凭借SG885G-WF等高性能模组，成功突破了端侧部署的算力与工程瓶颈。
在机器人、智能零售、汽车电子等场景中，这种组合正在构建起“本地决策-实时交互-隐私保护”的闭环能力。展望未来，随着更高算力模组的持续迭代以及场景化算法的不断优化，AI大模型的能力必将被拓展至更多、更广阔的端侧应用场景之中。