AI coding对虹软业务的价值相对有限：虹软提供的产品是以软件SDK算法的形式提供的。公司内部也做了很多AI编程的探索后发现，目前AI coding比较适用于应用层软件（如APP、网页、Excel/Word软件），但虹软为客户提供高性能应用，有时候可能需要将5-10行代码扩展为500行以适配不同的芯片特色，将处理时间从200毫秒降至20毫秒，目前AI coding无法满足此类需求。公司目前移动智能终端业务运营利润超过50%，其中主要成本为人力（编程和研发人力），公司也希望借助AI coding的能力改善人力成本问题。
一、端侧AI大模型的行业趋势与需求
端侧大模型的定义与优势：端侧大模型指在本地设备（手机、智能手表、AI眼镜等）上本地化运行的轻量化优化AI模型，可消除内存墙、实现本地高速存储计算，带来极致低延时、离线服务能力、数据安全保障；终端厂商为寻求差异化（避免仅拼价格和硬件），积极推动端侧AI发展。
端侧大模型的限制与发展前景：端侧的算力、内存、功耗限制模型规模部署，软硬件架构不统一，增加开发适配成本，工具链缺乏；但2025年已有大量终端设备批量出货，2025年被称为端侧AI元年，未来市场前景巨大。
端侧视觉大模型的特点与挑战：专注于终端设备上的图像/视频生成、理解、分析等感知能力，对终端算力要求最高、难度复杂度最大，市场潜力也最大；核心挑战包括识别精度、算力消耗，以及内存需求高（DDR4因产能转移到DDR5，价格涨了三四倍左右）。
二、公司端侧AI大模型的业务布局
目标应用场景：移动智能终端：覆盖一年十四五亿的带有摄像头的移动智能终端基数，包括运动摄像机、AI眼镜、具身机器人等新兴设备。智能汽车AI业务：涵盖智能座舱、道路识别、汽车周围环境识别，是未来端侧AI大模型的主要应用场景之一。产业链合作需求：芯片厂商（如高通、联发科）为避免云端AI企业抢占市场，也在投入资源研究端侧算法与应用，与虹软、终端厂商形成三方共同推动端侧AI大模型发展的格局。
三、公司端侧AI大模型的技术架构与优化
ArcMuse整体计算架构：整合开源大模型、增强算法中台、控制限制引导元素（实现快速收敛）、细分模型和关联计算引擎（满足计算摄影、识别类等应用需求）；针对不同智能终端进行深度剪裁和定制，通过剪枝、瘦层、蒸馏、并行运算、量化运算等优化手段，降低复杂度、内存带宽和功耗。
关键技术突破方向：
算力提升与功耗平衡：依赖先进制程（如5纳米→3纳米→2纳米）突破算力与功耗的矛盾。
模型轻量化优化：需精妙平衡优化程度，既要适配端侧承载能力，又不能过度优化导致问题无法解决。
图像输入画质提升：通过超分辨率、超细推理等预处理（类似“戴眼镜矫正视力”），结合传感器技术（如贝尔、Quad Bayer、OCL等）改善输入画质。
四、端侧AI大模型的应用案例与市场预期
优化手机的摄像模组成本：旗舰机主摄（一英寸像素）模组约100美金，长焦+潜望镜约100美金，整个摄像模组成本占手机成本的主要部分；通过端侧AI大模型，可减配长焦摄像头（如从10X/5X降至2X/3X），实现远距拍摄的清晰效果（如20倍、100倍、200倍变焦），帮助客户提升生产力并降低成本。
图像增强应用：通过端侧AI大模型实现色彩增强、纹理恢复（如使虚焦图像变实、还原毛发纹理），提升图像质量。
市场增长预期：端侧大模型和软件相关市场年复合成长率约70%以上，是巨大的市场机会#