电子行业深度报告：端侧AI：模型创新快速迭代，看好苹果引领AI硬件起飞

电子行业深度报告 证券研究报告行业深度报告电子 端侧AI：模型创新快速迭代，看好苹果引领AI硬件起飞 增持（维持） 投资要点 端侧AI革新人机交互，模型快速升级，巨头引领行业发展：AI自主化能力沿着“以指令为中心“到“以意图为中心”持续提升。LLM从各个层面改造终端，其中Agent对开放式问题必不可少，背后是大模型带来的理解复杂输入、进行规划推理合理使用工具的能力。据头 豹，端侧AI市场规模20232028年预计CAGR高达58，2028年超过19万亿元。从具体小模型性能表现上看，参数量对模型性能影响巨大，但受限于硬件，小模型的技术创新更加积极以提升有限参数量下的性能表现，其中量化剪枝蒸馏是最主要的模型压缩方式，各家小模型因数据集压缩精度量化混合方式等差异预计带来小模型的百花齐放。Agent架构中，基础模型本身要引入新的输入类型，成为VLA模型，同时还增加了个性化和内存操作要求，均需要额外的优化。 硬件变革核心在内存，苹果发力内存创新应对内存瓶颈：相比于云端模型，硬件是端侧模型的重要制约，需要升级以补齐短板。对比各家硬件，我们认为苹果在内存电池散热上提升空间巨大。我们认为内存及其操作带来的能耗是当前最短板，预计成为硬件核心变革方向，如 半精度的7B模型仅参数加载占用DRAM就超过14GB，同时DRAM耗能比SRAM和计算高出两个数量级。同时iOS和安卓内存利用效率差异巨大，我们认为安卓需要在OS层提供统一的AI基础模型，而iOS在模型压缩之外则需要提高硬件内存以克服硬件瓶颈。除了简单的增加内存容量外，苹果在内存结构、耗能、传输速度等方面创新密集，如与三星合作开发独立封装形式，以及推进全新的WMCM封装方式进一步提高芯片组合的灵活性和集成度。 多模态UI交互界面革命带来Agent的历史机遇：根据交互的模式，任务执行方法可分为基于API和基于用户界面（UI）的方法。API交互泛用性较弱。UI界面方式在Transformer架构下较好克服了任务和UI元素之间的隐含关系，大幅提升了GUIAgent的可行性，有望成为主 流。当前苹果和谷歌均发力UI交互模型，苹果的FerretUI和谷歌的ScreenAI模型都采用读屏AI视觉语言模型，采用统一编码方式理解屏幕信息。从谷歌UI模型看，模型参数提升对性能影响较大，同时5B模型对性能提升尚未饱和，有必要继续提升模型性能。 风险提示：底层创新不及预期，技术发展不及预期，竞争加剧风险 2025年02月23日 证券分析师陈海进 执业证书：S0600525020001 chenhjdwzqcomcn 证券分析师陈妙杨 执业证书：S0600525020002 chenmydwzqcomcn 行业走势 电子沪深300 54 47 40 33 26 19 12 5 2 9 20242232024623202410222025220 相关研究 《信通院规范行业标准，AI眼镜落 地拐点年》 20250220 《为什么人形机器人的终局是消费电子？》 20250220 表1：重点公司估值（2025221） 代码 公司 （亿元） （元） 2023A 2024E 2025E 2023A 2024E 2025E 投资评级 002475 立讯精密 325557 4498 151 189 236 2972 2380 1906 买入 300433 蓝思科技 144304 2896 061 083 110 4776 3489 2633 买入 002938 鹏鼎控股 99049 4272 142 153 177 3013 2792 2414 买入 002600 领益智造 74847 1068 029 028 040 3649 3814 2670 买入 002384 东山精密 56398 3306 115 101 158 2871 3273 2092 买入 总市值 收盘价 EPSPE 数据来源：Wind，东吴证券研究所 注：以上公司预测值来源于东吴证券研究所 121 东吴证券研究所 内容目录 1AI技术在端侧逐渐深化，引领全新人机协作方式4 11AI自主化能力逐渐提高，与系统融合程度提升4 12基于用户场景的端云混合架构4 13LLM从各个层面改造终端5 14消费级终端带动端侧AI高速发展6 2端侧模型逐步迭代，巨头引领行业发展8 21基础的小模型迭代加速，技术创新大于参数量提升8 22端侧模型需要进一步提升参数量以提高性能9 23量化剪枝蒸馏技术压缩模型以降低硬件要求9 24Agent架构差异带来数据困境，Transformer是转折点10 3硬件升级满足高性能需求，适配核心在内存13 31内存是端侧硬件AI推理能力的短板13 32安卓和iOS内存利用效率差异大14 33苹果硬件积极应变，创新方案集中内存方向14 4多模态UI交互界面革命带来Agent的历史机遇16 41Transformer架构带来UI交互的机遇16 42苹果和谷歌均发力UI交互模型17 5风险提示20 221 东吴证券研究所 图表目录 图1：AI智能化分级4 图2：AIOS架构4 图3：终端AI能力主线增强但当前依然不足4 图4：端侧和云端AI处理的分工示意4 图5：苹果的AI生态架构5 图6：增强型LLM架构6 图7：提示链工作流6 图8：AIAgent架构图6 图9：存量消费终端设备结构（，2023年）7 图10：中国端侧AI行业市场规模，20182028E（亿元）7 图11：小型模型比较8 图12：各小型模型MMLU基准测试得分8 图13：GeminiNano与Pro性能比较9 图14：小型化技术剪枝原理示意图10 图15：小型化技术蒸馏原理示意图10 图16：量化与精度恢复对模型性能的影响（以未量化的模型表现为1）10 图17：多模态大模型架构10 图18：AgentTransformer架构10 图19：AI终端关键技术特征11 图20：端侧Agent的组成部分11 图21：AIAgent底层能力和高级能力之间的映射关系11 图22：提升Agent效率的技术及其简要说明12 图23：常见移动设备中的内存层级结构13 图24：计算和存储操作的能耗13 图25：主流手机SoC对比13 图26：安卓和iOS运行App时内存占用对比14 图27：安卓和iOS运行游戏时内存占用对比14 图28：PoP封装的形式15 图29：苹果芯片封装形式改变15 图30：Agent任务执行过程（以GUI界面为例）16 图31：智能体和API之间的调用方式示例（Extension方式）16 图32：UI界面复杂，元素识别困难17 图33：FerretUIAnyres架构17 图34：FerretUIanyres准确率表现优异18 图35：谷歌ScreenAI模型架构18 图36：ScreenAI模型的屏幕理解问答导航摘要四类任务示例19 图37：谷歌不同参数ScreenAI模型参数量及其分配细节19 图38：不同参数的ScreenUI模型的表现19 321 东吴证券研究所 1AI技术在端侧逐渐深化，引领全新人机协作方式 11AI自主化能力逐渐提高，与系统融合程度提升 从指令到意图驱动，AI自动化能力持续提升。根据自动化程度，可将个人智能助理（intelligentpersonalassistantsIPAs）分为5个级别。AI自主化能力沿着“以指令为中心“到”以意图为中心“持续提升，用户只需要表达出需求，实现需求的过程将交由系统完成。从L1L3级的智能体都在用户指令的被动驱动下工作，而L4级以上智能体能够理解用户的历史数据，感知当前状况，并在适当的时候主动提供个性化服务。 大模型和智能体驱动下一代终端操作系统。当前的操作系统依然是建立在静态规则和预定义的逻辑流程上，未来真正理解用、为用户量身定制的原生智能OS将进一步 拓展终端OS的内涵。从AI技术在终端产品的落地上，一般经历：单点特定的AI增强实现应用层集成AIOS智能化改造实现系统层融合AI（原子化控件化的AI能力） 以AI为中心的全新OS并且系统级AIAgent出现。 图1：AI智能化分级图2：AIOS架构 数据来源：华为AI终端白皮书，东吴证券研究所数据来源：华为AI终端白皮书，东吴证券研究所 12基于用户场景的端云混合架构 当前端侧模型性能和云端大模型依然有较大差距，因此基于用户场景的端云协同AI将构筑全局化智能。根据具体的场景（用户意图、网络情况、敏感隐私）以及所需的性能选择端侧或者云端执行，端侧适合无网、隐私要求高、响应要求高的场景。 图3：终端AI能力主线增强但当前依然不足图4：端侧和云端AI处理的分工示意 数据来源：高通，东吴证券研究所数据来源：Oppo，东吴证券研究所 421 东吴证券研究所 苹果通过小型本地模型私有云模型第三方大模型三层架构实现系统级AI。苹果在设备端部署一个参数量为30亿的语言模型和一个图像模型。同时具备一个编排层 （Orchestration）协调多个模型，根据用户请求调用对应能力的模型。无论是端侧还是私有云模型都基于Apple芯片底座以提供计算和安全支持，应用层都以Siri、WritingTools等形式以实现用户体验的一致性。同时在外部第三方大模型上合作ChatGPT以响应更加开放和复杂的需求。 图5：苹果的AI生态架构 数据来源：苹果，东吴证券研究所 13LLM从各个层面改造终端 大模型在各个层面改造终端交互体验，预计分为三种形式。最开始增强型LLM架构，可以增加单点的功能体验，比如在翻译图片处理语音转换中使用AI；阶段二主要以工作流形式，比如生成营销文案并翻译等；最后阶段是针对开放问题的Agent形态。这三种形态出现形式有先后，但是最终预计并存以针对不同特性的场景。 最基础的构建块（增强型LLM）工作流自主的Agent，复杂性持续提升。同时虽然非Agent在自动化水平上提升有限，但是由于调用的是LLM，在智能化水平、可处理任务等方面也有巨大的提升。 521 图6：增强型LLM架构图7：提示链工作流 数据来源：《Buildingeffectiveagents》，东吴证券研究所 数据来源《Buildingeffectiveagents》，东吴证券研究所注：工作流包括提示链路由并行化工作程序评估器等，此次仅以提示链举例 东吴证券研究所 对于开放式问题Agent必不可少，要具备理解复杂的输入、进行推理和规划、可靠地使用工具的能力。Agent可用于开放式问题，这些问题难以预测所需的步骤，无法硬编码固定路径。Agent需要独立规划和操作，并可能返回用户那里获取更多信息或判 断。在执行工作中，Agent在每一步从环境中获取“真实情况”，以评估进展，在遇到响应节点或者障碍的时候暂停以获取人类反馈。人类只需要提出需求监管成果，AI将进行任务的分解、选择工具、监控进度。 图8：AIAgent架构图 数据来源：谷歌《Agent》，东吴证券研究所 14消费级终端带动端侧AI高速发展 AI可以改造多种终端，端侧AI市场规模20232028年预计CAGR高达58，2028年超过19万亿。2023年全球存量消费终端设备达228亿台，其中智能手机占 298、智能家居设备（不含TV）占263，PC和PAD占176。2023年以前端侧AI技术已经在智能安防和车载设备两个重要领域应用，快速发展但规模不大。从2023年开始，随着亿级出货量的PC和手机开始AI化，两者庞大的市场将在未来支撑端侧AI行业迅速发展，2023年中国端侧AI市场规模不到2000亿，预计2028年超过19万亿，20232028年CAGR为58。 621 图9：存量消费终端设备结构（，2023年） 880440 图10：中国端侧AI行业市场规模，20182028E（亿元） 25000 1310 1760 2980 2630 20000 15000 10000 5000 41274 19071 15395 12664 866