端侧大模型竞速升级：vivo 为何把 Agent 手机胜负手押在个人化智能

当手机市场从增量红利转入存量博弈，厂商们急需一个能重新撬动换机欲望的新支点。Agent 手机正是被寄予厚望的那根杠杆——但与以往任何一轮硬件升级不同，这次站在牌桌旁的除了终端品牌，还有一批大模型公司。技术路线尚未收敛，产业火药味却已提前弥漫。

在 Agent 手机集中亮相的前夜，vivo 选择先亮出系统层的底牌。其开发者大会释放的信号很明确：竞争维度正在从「谁的模型参数更大、AI 功能更多」，转向「谁更懂具体的那个人」。vivo 首次把手机定义为 Agent 终端，强调设备不再只是被动响应指令，而是通过学习用户习惯主动提供服务。用其 OS 与 AI 研究院负责人周围的话说，AI 手机竞赛进入下半场，比拼的核心是个人化智能。

一套系统架构：大模型、Harness 与安全底座

支撑这一判断的，是 vivo 抛出的「大模型 + Harness + 智能体安全架构」组合。三者分工清晰：大模型承担理解、记忆与执行；Harness 把感知、记忆、规划、执行串成流水线，并深入系统内核，将手机数千项原子能力转化为 AI 可调用的「手脚」；安全架构则负责权限控制、任务过程透明与用户可控。

与之配套的，是个人 AI 助理蓝心小 V。其 Pro 模式可自主拆解任务、跨应用整合信息、跨端操作；小 V Cowork 允许用户通过手机查看并处理 PC 端智能体任务；蓝心智能开放平台同步升级，支持 Agent、Skill、MCP 及原子技能快速接入。这套组合拳的指向很清晰——让 AI 从「一个功能」变成「手机本身的一部分」。

从回避到拥抱：端侧模型的认知反转

值得玩味的是 vivo 对端侧模型态度的急转弯。上一届开发者大会上，其判断是手机上跑 3B、7B 模型对内存压力过大，不必过度追求端侧参数量。仅仅一年后，vivo 不仅坚持端侧投入，还透露正在预研蓝心 30B MoE 端侧大模型，探索万亿级模型在手机上的落地可能。

周围给出的修正理由并不复杂：旗舰机型内存标配已达 12-16G，拿出 2-4G 加载 MoE 模型成为现实；更关键的是，大模型不必一次性全量加载，可按需激活部分专家。他特别澄清了外界对「30B」的误读——得益于稀疏架构，模型被切成数十甚至上百块，调用时并非全部载入。若以发展的眼光看，三年后的 3B 模型在很多方面能追上今天的 70B。

这种「动态稀疏」思路与业界对端侧推理的探索方向一致。关于混合专家架构的技术原理，可参考 Wikipedia 上关于 Mixture of experts 的词条；而端侧模型部署所面临的功耗与内存约束，在 Google 发布的 Gemini Nano 相关文档 中也有来自另一家平台的工程视角。

自研路线：慢变量里的差异化赌注

在部分厂商转向通用模型路线时，vivo 仍坚持自研。这条路更费资金、更耗时间，在快节奏的手机市场看似性价比不高，但 vivo 视其为差异化与建立优势的关键。周围的逻辑是：手机厂商更了解用户的使用场景和需求，能做到指令集级别的 GPU 优化；而做模型训练的厂商若直接切入端侧，可能面临功耗或内存瓶颈，唯有终端厂商与芯片厂商协同，才有机会把端侧体验真正做好。

这一判断也解释了 vivo 为何反复强调时间窗口。按照规划，端侧模型目前仍处工程验证阶段，随着芯片、模型与系统进一步协同，到 2028 年底有望成为现实。周围给出的能耗预期是：工作电流低于 500 毫安左右较为理想，专家模型常驻内存的待机电流不高，真正耗电的是搬运过程；若全程由自研算力芯片完成，3B 模型从早期 800 多毫安降到 500-600 毫安，2028 年底前后 600 毫安上下可用。

海外与国内：端侧智能的两条演进路径

把视角拉到全球，端侧 AI 的竞赛并非孤例。Apple 在 Apple Intelligence 中采用端云协同策略，Google 则通过 Gemini Nano 在 Pixel 设备上落地本地推理，二者都在强调隐私与低延迟。与这些海外方案相比，国内厂商的路径呈现出两个差异：一是更强调与本土应用生态的深度耦合，二是更倾向于把系统级 Agent 能力作为卖点。

在国内阵营中，荣耀、OPPO、小米等品牌均已推出各自的端侧模型与智能体方案，华为则依托鸿蒙与盘古大模型构建软硬一体能力。vivo 的特别之处在于对自研端侧 MoE 的坚持，以及对「个人化记忆存储」的强调——它试图把用户长期行为数据沉淀为设备侧的私有资产，而非简单调用云端通用能力。这种思路与云端大模型厂商形成微妙互补：后者擅长通用推理与知识广度，前者则握有场景数据与硬件调度权限。

落地之前，仍有一串待解问题

技术可行不等于产品可落地。Agent 手机真正进入用户生活后，还要回答一系列现实问题：如何处理第三方应用权限壁垒？如何定义 Agent 的行为边界？主动服务该如何克制？GUI、MCP 等不同技术路线最终如何共存？

vivo 方面透露，目前优先与头部应用合作共建，因为用户 90% 的需求集中在头部场景；中长尾应用暂未大面积覆盖，是出于体验闭环的克制考虑。在执行安全上，系统自有应用的权限与敏感数据会优先加固，与合作伙伴共同摸索「何时需要用户二次确认」的行业标准——这一标准目前尚无定论。

从 AI 功能到 Agent，再到个人化智能，vivo 正在押注一个更长期的命题：当大模型能力越来越强，竞赛关键将从技术实力转向能否真正服务好每一个人。这条路能否走通，下周开始陆续发布的 Agent 手机，将给出第一轮真实答案。

常见问题

vivo 提出的「个人化智能」到底指什么？

它指手机不再只是被动执行指令的工具，而是通过端侧模型持续学习用户习惯、感知使用场景，在用户发起操作前就主动完成部分任务，并在后台为每位用户建立私有化的记忆存储，从而提供更贴合个体的服务。

为什么 vivo 从去年不看好端侧大模型，转为预研 30B MoE？

核心变量有两个：旗舰机内存标配提升到 12-16G，使 2-4G 加载 MoE 模型成为现实；同时 MoE 稀疏架构允许按需激活部分专家，无需全量载入，大幅降低内存与算力压力，因此 vivo 修正了此前对端侧参数量的判断。

30B 端侧模型会不会让手机又卡又费电？

30B 并非全部同时加载，而是切成数十甚至上百个专家模块按需调用，实际激活参数量约 1-3B。vivo 预期理想工作电流在 500 毫安左右，并计划到 2028 年底在 600 毫安上下实现可用体验，目前仍处于工程验证阶段。

端侧模型和云端模型是什么关系，会互相取代吗？

两者更可能是互补关系。端侧负责隐私敏感、低延迟、高频的个人化任务；云端负责通用知识、复杂推理与大规模计算。vivo 的路线是把个人化记忆与感知留在端侧，把通用能力交给云端，通过 Harness 调度协同。

Agent 手机处理第三方应用权限时，如何保证安全？

目前行业尚无统一标准。vivo 的做法是优先加固系统自有应用的权限与敏感数据，并与头部合作伙伴共同定义任务执行中何时需要用户二次确认，在保障用户可控与过程透明的前提下优化效率，中长尾应用则暂时保持克制。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。