2026年的CES依旧在关注AI，只不过，对比前两年AI在展示和叙事阶段，今年的AI正式进入到真实世界，大家更关注的是落地应用，找到精准的场景。黄仁勋的演讲更是将物理AI的概念推向高潮。

　　随着技术的跃级加上大众关注度的改变，关于AI原生终端的话题讨论开始多了起来。CES 2026期间，在钛媒体「Talk to the World Forums对话世界」系列论坛上， 微光科技CEO戴照恩、黑芝麻智能首席市场营销官杨宇欣与钛媒体集团联合创始人、联席CEO刘湘明就AI原生终端的变革和发展进行了深入探讨。在一个小时的交流中，三人针对当前AI对消费电子的变革达成了共识，相信未来所有电子设备都会具备AI能力，从而从底层去改变各个产业终端的发展。

　　需要指出的一点是，任何新技术的爆发多数都源于找到了契合的突破口。场景，作为嫁接技术与产业的核心枢纽，正成为推动AI原生终端落地的关键。杨宇欣表示，自己对AI原生终端的定义是“没有AI就失去存在意义”的设备。目前来看，具身智能领域很可能诞生这类终端。

　　戴照恩认为，早期阶段，付费意愿强的场景会更有优势。不管是AI相关的零部件企业、整机厂商还是算法公司，都需要消费者的支持。“与其追求‘everything AI’，不如聚焦单一赛道打穿，做出适配该场景的硬件+软件无感交互产品，切实解决用户的痛点，这样成功的机会更大。 ”

　　值得一提的是，早在两年前的CES上，就有许多所谓的AI原生终端出现，但最终沦为泡沫。其实，对于过去的智能硬件和未来的AI原生终端，二者之间的定义存在一些模糊的边界，尤其是对于普通用户来说，很难分得清。

　　对此，杨宇欣给出了自己的判断，称传统智能硬件以连接、通讯为主，用户不在设备身边也能控制、查询；而AI原生终端具备自主计算能力，能自己解决问题，而不是依赖人来操作。

　　“AI本质上是更自主的强化学习，是原来大数据处理、强化学习的升级版本，现阶段还不能从根本上改变大部分消费电子产品。”戴照恩进一步说道，AI眼镜、具身智能这类产品，没有AI就没有购买的必要。对厂商来说，最大的挑战就是要走在消费者前面，提前想到AI与产品的最佳结合方式，这也是我们身处行业前沿的使命。

　　而谈到AI，就不能规避端侧和云端二者之间的界限，究竟哪些数据该上云，哪些该在端侧进行处理分析，不同品牌以及行业之间也存在着一些差异。戴照恩用AI眼镜举例，指出其最大的限制就是物理空间和重量，这直接影响续航和性能，目前主流方案是“云边端”数据流。

　　“未来的解决方向是让手机运行本地小模型，处理日常简单问题。回归到一点，就是不管技术路径如何，消费者核心要的是更快、更便捷、更低成本的新技术，违背这个需求的创新，都要考虑商业上的可行性。”

　　至于在AI眼镜等原生终端打造杀手级应用，戴照恩直言目前没有，但很快就会到来，前提是开发者摒弃手机APP的底层逻辑，用AI原生思路做眼镜应用——不再追求“超级APP”，而是聚焦单一问题。

　　杨宇欣对戴照恩的“减法”思路表示了认同，称不用纠结操作系统，先把交互做到极致简单，让用户有一个每天都依赖的功能，且使用起来不突兀、容易上手，这样产品就会爆发。等显示技术再上一个台阶，在不增加太多成本、不改变交互习惯的前提下提升显示效果，智能眼镜又会再进阶。

　　以下是《端侧智能的边界之争——谁会成为下一个AI原生终端？》对话内容，略经编辑：

　　刘湘明：各位观众大家好，欢迎回到钛媒体在CES的MediaStage直播！今天我们的话题和CES主题高度契合，聚焦端侧智能的边界之争，探讨谁会成为下一个AI原生终端，接下来有请两位嘉宾先做个自我介绍。

　　杨宇欣：大家好，我是黑芝麻智能的杨宇欣。我们核心业务是端侧AI推理芯片，最早从汽车行业切入，先做自动驾驶芯片，再拓展到舱驾融合芯片。刚刚完成了一笔收购，把端侧AI芯片的应用领域延伸到车载机器人以及其他消费电子领域。我们希望在AI时代，成为各类AI终端的算力底座，相信未来所有电子设备都会具备AI算力，进而改变千行百业的格局、解决行业痛点。

　　戴照恩：各位大家好，我是微光科技的戴照恩。我们是一家专注于AI眼镜的公司，随着AI技术的融入，也会在更多穿戴领域持续投入。今年我们计划发布五款以上的眼镜产品，这次特意带着最新产品来美国参加CES，向全球观众展示。目前来看，产品获得了不少关注，这让我们开发者非常振奋和开心，也期待国内用户能给予更多支持。

　　刘湘明：每年CES都有不少亮点，二位在现场转了转，看到了什么有趣的东西？各自带来的展品中，有哪些值得重点推荐给大家？

　　杨宇欣：黑芝麻参加CES很多年了，这次主要展示AI算力芯片及解决方案。我们带来了最新一代AI自动驾驶算力芯片，算力超过560T，现在已经能完整运行VLA等算法。目前智能驾驶正向更高计算等级演进，今年国内和全球即将落地的L3级自动驾驶、Robotaxi市场，这款芯片都能覆盖。另外，还有新收购公司的小算力芯片，已经应用在车载智能设备中，比如理想最新发布的眼镜，就用到了我们的AI算法。

　　至于现场见闻，我参加CES十几年，感觉每三到五年就会有一波新浪潮，前几年CES甚至被戏称为“车展”，车依然是重要板块，但很多汽车行业的技术正渗透到其他领域。今年最吸睛的无疑是机器人，我们去年11月也发布了机器人产品线。因为具身智能的机器人产业链和汽车产业链重叠度很高，我们不仅能复用汽车行业成熟的供应链、AI软硬件技术，还能把汽车行业的安全技术引入机器人领域——毕竟机器人能力越强，潜在破坏力可能越大，目前相关安全标准缺失，车规标准能让机器人更安全可靠地运行。此外，戴总提到的眼镜也是值得探索的方向，手机功能越来越集中，未来可能会分化到更多穿戴设备上，除了手环、手表，眼镜及新形态设备都有潜力。

　　戴照恩：现场好玩的产品不少，但最值得推荐的还是我们微光的眼镜。我们首创了全球第一款模块化AI眼镜，在模块化设计上做了多种创新，既有单色屏幕版本，也有彩色屏幕版本。核心目标就是解决大家日常佩戴与AI功能结合的问题。除了我们自己的产品，其他一些优秀品牌的交互体验也让我印象深刻，尤其是国外品牌，他们的交互理念和国内传统工程师思维有不小差异。虽然只是短短几十秒的试用，但他们在体验设计上的巧思，非常值得我们学习。

　　刘湘明：硬件是AI落地的重要载体，但找到合适的场景是关键挑战。二位认为，哪些场景最有可能率先孕育出成熟的AI原生终端？

　　戴照恩：我觉得早期阶段，付费意愿强的场景会更有优势。不管是AI相关的零部件企业、整机厂商还是算法公司，都需要消费者的支持。从我们的客户基础来看，教育、医疗、旅游这些场景的付费意愿都比较高，占比也大。反观其他群体，数码极客购买AI激进产品的意愿强，但数量有限；普通消费者基数大，可对这类产品的购买力相对滞后。所以我的观点是，与其追求“everything AI”，不如聚焦单一赛道打穿，做出适配该场景的硬件+软件无感交互产品，切实解决用户的痛点，这样成功的机会更大。

　　杨宇欣：我对AI原生终端的定义是“没有AI就失去存在意义”的设备。目前来看，具身智能领域很可能诞生这类终端。传统机器人多以控制、编程或遥控为主，能解决的问题有限；而具身智能是先实现智能，再根据场景重新定义终端形态，这是反向研发的思路。而且具身智能不一定是人形，可能是轮式、轮足式等，会根据智能水平和场景需求来设计硬件形态，进而解决行业问题，这是我比较看好的方向。

　　刘湘明：AI迭代速度很快，很多早期探索者已经被淘汰。想请教二位，AI原生终端和之前的智能硬件，在技术、生态、商业边界上的核心区别是什么？如何跨越这种边界？

　　杨宇欣：我完整经历了2014-2015年那波智能硬件热潮，当时的智能硬件很简单，本质就是“电子设备联网”。联网后核心是实现数据的保存、追溯和整理，还能实现远程控制，当时卖WiFi模块、蓝牙模块的企业都很火。但那波热潮后，很多厂商被淘汰，存活下来的才逐渐转型。两者最核心的区别在于连接和计算能力：传统智能硬件以连接、通讯为主，用户不在设备身边也能控制、查询；而AI原生终端具备自主计算能力，能自己解决问题，而不是依赖人来操作。

　　戴照恩：我不太纠结“原生”的定义，对大部分消费者来说，他们只是想要更好用的产品。AI本质上是更自主的强化学习，是原来大数据处理、强化学习的升级版本，现阶段还不能从根本上改变大部分消费电子产品。但有些产品确实“缺了AI就没灵魂”——这些产品在AI出现前不存在，AI出现后才诞生，其用户体验必须围绕人与AI的流畅、丝滑交互设计，违背这个理念的产品，再套AI概念也会失败。

　　刘湘明：戴总深耕AI眼镜领域，能否具体说说AI能给眼镜带来哪些新想象？这款产品为何能被视为下一代移动终端的重要形态？

　　戴照恩：这个问题问得很好。2024年之前，眼镜与AI的结合其实很薄弱：五六年前的眼镜主要用于观影，2023年左右，以光波导技术为主的眼镜陆续出现，我们也是其中之一。我们把眼镜重量做到了25克（当然“极致轻”是相对概念），让它终于能像普通眼镜一样日常佩戴。眼镜处于人脸的“C位”，是抓取数据的前沿设备——它能看到你看到的、听到你听到的，再通过AI分析思考，给你呈现修正后的建议，这种独特的位置让它有资格享受AI赋能。

　　反观智能家居，AI更多是优化用户体验，比如让洗衣机、扫地机更好用，但这些产品本身的核心功能已经很成熟了。而AI眼镜、具身智能这类产品，没有AI就没有购买的必要。对我们厂商来说，最大的挑战就是要走在消费者前面，提前想到AI与产品的最佳结合方式，这也是我们身处行业前沿的使命。

　　刘湘明：杨总，黑芝麻从车载领域拓展到具身智能、消费电子，比如刚才提到的AI眼镜合作，怎么看待这种战略重心的迁徙？背后有哪些考量？

　　杨宇欣：首先要明确，黑芝麻现在的战略重心仍然是汽车行业。因为汽车行业的真正AI化才刚刚开始，从全栈技术链的成熟度、普通用户的接受度，到即将出台的政策法规，都意味着汽车AI化会进入加速期。我一直认为，AI改变一个行业的重要标志，就是该行业的政策法规开始为之调整。我们拓展到具身智能，核心原因是它与汽车产业链重叠度极高：汽车行业的生产、物流、终端零售等场景，都是具身智能和机器人的重要应用场景；我们的合作伙伴、产业链、供应链也和机器人行业高度重合。

　　同时，云端训推芯片和技术架构已经成熟，AI模型的进步让端侧推理的算力需求激增，而汽车是端侧推理中算力要求最高、模型最复杂的场景（未来可能被具身智能超越），我们已经形成了完整的商业化和技术闭环。对于算力需求较低、模型较简单的场景，我们没有直接沿用现有技术，而是通过并购的方式——这在芯片行业很常见——获得新团队、行业经验、产品和技术。毕竟未来每个电子设备都需要或多或少的AI算力，我们原有芯片的算力覆盖几十T到几百T，收购的小算力芯片覆盖0.几T到10T，这样能形成“算力金字塔”布局，覆盖更多场景，毕竟算力越小，设备出货量可能越大。另外，AI也能让家电发生质变，比如我作为理工男，很多家电都不会用，现在已有家电厂在探索“一键启动”的洗衣机、烤箱，通过AI识别衣物、食材，自动调节参数，这种能让生活更便利的方向，也是我们看好的。

　　刘湘明：云端和端侧的算力、数据分配是个很关键的话题，尤其是眼镜这类受物理限制的设备，在这方面面临的挑战更突出。二位认为，哪些算力、数据该放在云端，哪些该放在端侧？

　　戴照恩：眼镜最大的限制就是物理空间和重量，这直接影响续航和性能。目前主流方案是“云边端”数据流：眼镜接收信息后传到手机分析，再送到云端，最后反向反馈。但消费者反馈这种模式稍显滞后。我们认为，未来的解决方向是让手机运行本地小模型，处理日常简单问题——比如怎么做牛排、怎么洗衣服，这些问题本身不复杂，现在却要依赖云端大模型，既消耗大量算力，对会的人来说也没必要。这就形成了一个消费者悖论：为了这些简单问题，要多花多少钱为AI买单？所以不管技术路径如何，消费者核心要的是更快、更便捷、更低成本的新技术，违背这个需求的创新，都要考虑商业上的可行性。

　　杨宇欣：AI发展中，算力、能源已经成为重要瓶颈，尤其是端侧，芯片的能效比是关键，我们也在通过架构创新提升能效比。回到云边端分配的问题：首先，大模型运行需要极高算力，如果对实时性要求不高，数据（尤其是公有数据）更适合放在云端。云端可以采用训推一体的模式，动态分配算力——比如白天多做推理，晚上进行模型训练，毕竟模型还在持续演进。而像汽车这样的场景，一方面涉及大量私人隐私数据，另一方面对实时性要求极高，就必须放在端侧。

　　端侧目前短期到中期内不需要具备训练能力，算力需求也相对可控，能适配电池供电。边缘侧则介于两者之间，会根据成本、功耗等因素部署。另外，用户成本也是重要考量：云端能通过大量用户分摊成本，降低单次调用的token成本；端侧则要平衡硬件整体成本，不能让用户负担过重。

　　刘湘明：戴总，眼镜受重量、续航等限制，未来AI原生眼镜的创新路径，是侧重硬件模块化，还是软件、算法迭代？如何在这些限制下，确保响应速度、体验、续航的平衡，打造杀手级体验？

　　戴照恩：这其实是两个问题，硬件和软件创新都重要，但方向不同。硬件方面，除了大家关注的更轻、更美，核心难题是解决光学眼镜与AI眼镜的重叠星空体育智能科技问题——消费者对眼镜的“感觉”很重要，光说重量多少克没用，必须实际佩戴体验才知道。这甚至涉及商业模式的创新：传统数码产品线上就能买，看宣传片、参数表就够了，但眼镜“吃感觉”，线上很难判断。另外，目前AI眼镜偏“理工男风”，未来在时尚设计上会有很大突破。软件方面，现在眼镜多运行安卓系统，但整体还处于初级阶段，大概只相当于手机行业十年前的水平，需要时间迭代。更关键的是交互问题：很多软件只是把手机APP搬到眼镜上，追求功能多，但手机能实现的效果比眼镜好得多，这种做法没有吸引力。必须从AI原生的角度，重构APP的编程架构、运行架构、菜单逻辑，做彻底的颠覆，才能贴合眼镜的使用习惯。

　　至于杀手级体验，目前全球所有AI眼镜都还没有，不然早就卖爆了。但我认为这很快会到来，前提是开发者摒弃手机APP的底层逻辑，用AI原生思路做眼镜应用——不再追求“超级APP”，而是聚焦单一问题，甚至到最后没有明确的APP，用户告诉眼镜需求，剩下的交给AI就行。短期内，眼镜很难承担太多AI计算，主要还是靠手机和云端支撑。

　　杨宇欣：我忍不住要补充一点，我从2016-2017年就接触国内最早一波AR/VR眼镜客户。眼镜有个固定认知：AI原生硬件容易超出用户预期，因为用户没有预设；但在现有设备形态上做AI改造，就要达到用户的显性预期。智能眼镜首先要解决“好不好看、舒不舒服”的问题——别人能看到外观，自己能感受到佩戴舒适度。Meta和雷朋合作的眼镜能卖出百万级，不仅仅是因为Meta的智能功能，更多是雷朋的品牌基础上增加了智能属性。。

　　大模型的出现，首先解决了交互问题，所以我特别同意戴总的“减法”思路：不用纠结操作系统，先把交互做到极致简单，让用户有一个每天都依赖的功能，且使用起来不突兀、容易上手，这样产品就会爆发。等显示技术再上一个台阶，在不增加太多成本、不改变交互习惯的前提下提升显示效果，智能眼镜又会再进阶。

　　刘湘明：杨总的观点很有启发，那在当前算力有限、限制较多的情况下，AI眼镜的杀手级体验到底是什么？

　　戴照恩：其实杨总已经说到核心了，现在AI眼镜之所以没爆发，就是因为AI没真正解决多少实际问题——各家都叫AI，但本质能做的事很有限，哪怕依赖云边端，也没解决生活中的核心痛点。这也是我们微光接下来要重点突破的。眼镜作为随身穿戴的“C位设备”，最该处理的是个人数据：你每天见了谁、看了什么、吃了什么，你的习惯是什么、有什么待办事项，它能无感提醒，不需要的时候就安安静静做一副普通眼镜，这是我们认为的中后期终极形态，而美学是必要前提。目前来看，杀手级应用的出现，需要开发者用AI原生思路做眼镜应用，不再追求功能堆砌，而是精准解决单一需求，甚至无需显性APP，让AI直接响应需求。

　　刘湘明：AI原生终端需要全新的供应链和生态，未来硬件厂商、芯片厂商、算法公司的分工协作会是什么样的？戴总作为终端厂商，先聊聊你的看法。

　　戴照恩：我觉得会是“两头凑”的模式。终端厂商最接近消费者，清楚用户需求，也知道产品卖得好或不好的原因；而底层的算力、AI模型厂商，掌握核心技术。我们会主动和底层厂商沟通消费者的直接需求，但有些底层技术问题，我们暂时也无法改变。反过来，底层厂商的重大技术突破，对我们来说就是产品的重要卖点，所以我们也要积极拥抱新技术。但终端厂商很难单独改变底层厂商的技术路线，毕竟每家都有自己的发展规划；底层厂商也需要关注终端产品的痛点，只有终端卖得好，芯片厂、算力厂、模型厂才能一起受益。

　　杨宇欣：AI出现后，产业链分工格局确实被重构了，尤其是芯片行业。传统芯片厂商提供相关的用户手册、文档，下游合作伙伴就可以使用该芯片；但AI芯片不一样，我们要承担更多基础工作，因为要应对共性需求。所以AI芯片公司和传统芯片公司最大的区别，就是我们有大量软件工具和模型研发人员——这是传统芯片公司没有的。很多传统芯片公司做不了AI芯片，就是因为软件储备不足。

　　我们现在提供的是开放平台的AI技术底座，包括四部分：一是AI芯片，直接关联算力；二是基础软件，比如操作系统，这是所有计算芯片公司都有的；三是工具链，终端厂商、算法厂商、应用厂商都需要通过工具链，充分利用底座算力，所以工具链至关重要；四是模型团队，我们不直接做模型，而是研究模型，以此赋能芯片架构创新，引导整个体系更好地适配越来越通用的模型。现在大模型让模型产业链进入新阶段，原来做模型的厂商很多，现在会越来越少，因为模型会逐渐标准化、收敛化——模型和算法是两层，模型就像过去的操作系统，算法就像APP，未来算法会基于基础模型发展。而且做基础模型的门槛极高，之前和豆包的人聊过，现在全世界做基础模型，每年没有500亿的投入根本做不成。我们做这些基础工作，就像搭建一个舞台，舞台的大小取决于我们的技术能力，而舞台上的戏怎么唱，就靠下游产业链的合作伙伴发挥创新。

　　刘湘明：在AI硬件创新中，硬件和软件哪个更重要？能不能结合各自公司的人员架构，给大家说说实际情况？

　　戴照恩：我觉得不用太纠结，两者都重要，但从消费者体验来看，软件创新更关键。硬件解决的是“买不买”的问题——大家看到一款眼镜外观漂亮、重量轻，可能就买了；但软件解决的是“退不退”的问题，交互体验不好，用户还是会退货。我们公司现在软件人员比硬件多，就是因为软件直接决定了用户的长期使用意愿。

　　杨宇欣：首先要明确，硬件创新的难度远大于软件。我们作为芯片公司，硬件和软件人员比例大概是1:3到1:4，软件人员也更多。我同意戴总的观点，软件更重要——现在想创造一种新的硬件形态，再搭建完整的供应链，难度极大；而软件迭代速度快，能更快优化用户体验。

　　刘湘明：这次CES上中国厂商很多，在AI与硬件结合的领域，中国企业的核心竞争力是什么？未来出海该如何发力？

　　杨宇欣：中国企业有两大核心竞争力：一是继承性优势，就是全世界最成熟、最完善的供应链，这在AI硬件时代是绝对优势；二是新晋优势，就是AI研发能力——开玩笑说，美国的AI竞争，其实是硅谷的华人和中国的华人在竞争。中国从事AI研发的工程师数量多，而且有丰富的市场和场景，这都是AI硬件时代的重要支撑。

　　戴照恩：杨总说的底层逻辑很全面，我补充几个出海中会遇到的实际问题。中国有顶尖的AI模型和强大的制造力，但产品出海和算法出海不一样：算法只要解决输入输出问题，满足用户对答案的预期就行；但产品涉及价格、外形、交互、设计等多个维度，还和当地文化、社会习惯、用户情况紧密相关。比如文字阅读方向，我们是从左到右，而有些国家是从右到左，哪怕AI再强，不适配当地习惯也卖不出去。

　　所以出海前一定要充分了解当地文化，尊重不同地区的习俗，再针对性推出产品。而且出海的运营、宣传、仓储物流成本都比国内高，虽然毛利和品牌溢价可能更高，但对团队的综合实力要求也更高。今年是我们出海的元年，我们也在积极补强这方面的能力，不盲目扩张。

　　刘湘明：出海会遇到技术壁垒、政策法规、使用习惯等各种问题，二位在这方面有什么经验可以分享？如何突破这些壁垒？

　　杨宇欣：中国企业之前在标准化设备（比如手机）的全球化上做得很好，因为不需要太多本地化；但互联网产品的地域文化属性极强，中国这么多年只有字节通过收购TikTok实现了真正的全球化。AI产品兼具“软”的属性，和数据、文化相关，所以最好的方法就是融入当地团队。以前是中国团队“打天下”，现在面对不同场景、不同地域，必须有熟悉当地情况的本地团队，这会催生更多“国际公司”，而不是单纯的“国际化公司”——国际化公司是中国团队往全球卖产品，国际公司是拥有不同文化属性的本地团队。这对企业的管理能力是巨大挑战，如何管理跨文化、跨种族的团队，是很多中国企业未来需要解决的问题。

　　戴照恩：我的观点和杨总差不多，再深化两点。第一是管理信任问题：海外分公司的管理，核心是双方的信任——你信任本地团队，更关键的是本地团队如何信任你。让不同文化、甚至文化自信很强的国家的团队，相信中国管理者能做出更聪明、更敏捷的决策，这是很大的挑战，需要管理者既有出色的管理技能，又有强大的个人魅力，才能凝聚团队。第二是产品本地化和团队协作：比较敏捷的做法是在目标国家设立本地化团队，明确分工——前端、售后等贴近用户的工作放在本地，中台核心工作留在中国。

　　但这会面临文化差异带来的协作问题，过去15年，很多留学生回国后，在中外团队间起到了重要的桥梁作用，但这还不够。真正有效的方式是找到当地人担任桥梁角色，才能更好地解决文化融合问题。现在CES上能看到两种中国厂商：一种是全中国团队参展，另一种是展台上外国人占比过半，国际化程度更高，这背后其实是管理和本地化能力的差异。

　　刘湘明：二位分享的都是很实在的经验！AI不仅改变产品，也对管理带来了巨大挑战，比如现在流行的“一人公司”，用小团队就能完成大量工作，可能不需要像传统跨国公司那样雇佣大量当地人；而且AI能处理海量参数，改变了传统管理中“流程固化”的逻辑，组织形态、流程复杂度都会发生变化，这对国际化来说，可能是机遇也可能是新挑战，后续我们可以再深入交流。