手机端跑大模型这件事，过去两年的关键词是「能不能跑」。7B 量化模型在旗舰机上跑出每秒十几个 Token，已经算是能拿出手的成绩。11 月 11 日，华为麒麟官方给了另一个量级的答案：麒麟 9050 系列的新一代达芬奇架构 NPU，支持 30B 大模型在端侧运行，官方称这是业界首个 30B MoE 大模型入端。
先看三个硬指标
官方给出的数据是：新一代达芬奇架构 NPU 性能提升 140%，功耗降低 66%。这两个数字放在一起看才有意义——如果只是性能涨 1.4 倍而功耗不变，端侧依然撑不住连续推理；功耗同时砍掉三分之二，才有可能让大模型常驻在后台，而不是点一次用一次。
架构侧，官方提到三点：支持 Transformer 引擎、超低功耗感知引擎，以及 CANN 异构计算架构。Transformer 引擎意味着注意力机制里的矩阵运算有专门的硬件通路；低功耗感知引擎对着的是「随时待命」的场景，比如眼动、语音唤醒、画面理解；CANN 是华为的异构计算编程框架，作用是让模型能在 NPU、GPU、CPU 之间自动分配算子。
30B MoE 入端意味着什么
MoE 是混合专家模型（Mixture of Experts）的缩写。它的结构是：模型里有很多个「专家」子网络，每次推理只激活其中一小部分，其余的待命。好处是总参数量可以做得很大，而单次计算量只跟被激活的参数有关。
这正好对上端侧的约束。手机不缺峰值算力，缺的是内存容量和内存带宽——权重必须装进内存才能算。一个 30B 的稠密模型，即便用 4 比特量化，权重也要十几 GB，普通手机装不下；而 30B 的 MoE 如果每次只激活两三 B 的参数，实际计算量接近一个小模型，剩下的挑战变成「怎么把没激活的权重放在闪存里、需要时快速换入」。
官方提到的应对手段是两个词：多级存算协同优化、低比特量化。前者是把权重按使用频率分层放在内存、闪存甚至更远的存储里，算到哪个专家就调哪一段；后者是把权重压到 4 比特甚至更低，用精度换容量与带宽。这两项都不是新概念，难的是在手机的热与功耗预算里跑稳。
功能层面的落点
技术参数最终要落到能感知的功能上。官方列了四项：感知屏幕的 AI 屏幕朗读、感知影像的 Xmage 智拍 2.0、感知人眼的 AI 眼动翻页、感知位置的熄屏地图 2.0。
这四项的共同点是「本地闭环」：屏幕朗读要把界面结构读成话，涉及视觉理解与文本生成；智拍要在按下快门前判断构图与主体；眼动翻页要持续追踪视线，属于低功耗常开任务；熄屏地图要在极低功耗下维持定位与渲染。它们对时延和隐私的要求都很高——把画面传到云端再回来，体验和合规都过不去。
这也是端侧大模型真正的价值所在：不是把云端的聊天搬下来，而是让「理解当前场景」这件事在本地完成。一旦模型能常驻，功能设计就可以假设「设备一直看着、一直听着」，而不是「用户主动唤起」。
这颗芯片的背景
麒麟 9050 系列是华为首款采用「逻辑折叠」技术的 τ 芯片。在 2026 年 10 月的麒麟媒体沟通会上，华为半导体业务无线终端芯片产品管理部部长徐松余称，这颗芯片将开启未来 10 年新征程；会上展示的目标是 2031 年实现 P 核频率突破 5GHz。
「逻辑折叠」这个说法，指向的是芯片设计层面的单元排布与互连优化——在不换制程的前提下，通过重构逻辑单元的位置与连接来缩短关键路径、降低功耗。这条路线的意义在于，它把性能提升的来源从「制程红利」部分转向「架构与设计红利」。
行业坐标
把 30B MoE 入端放进行业里看，它标志着端侧 AI 的竞争维度变了。过去比的是「NPU 多少 TOPS」，现在要比三件事：内存容量能给到多少、内存带宽够不够喂满专家网络、以及在持续推理下机身温度能不能压住。
对应用开发者来说，这会带来一个新的分层：能在本地跑 30B 级模型，意味着不少过去必须联网的任务——长文摘要、屏幕理解、离线翻译、个人知识库检索——可以彻底本地化。但同时也要求开发者重新学一套工程约束：模型要按专家切分加载，冷启动时间要用预加载掩盖，功耗要按场景分级。
对产业来说，更值得关注的是生态。端侧模型能不能起来，不取决于一颗 NPU 的峰值，而取决于有多少应用愿意为「本地推理」重写一遍。华为的优势是软硬一体与既有终端规模，短板是跨平台的适配成本——同一个模型在别家的 NPU 上未必跑得动。
华为没有公布这颗 NPU 的具体算力数字，也没有说明 30B MoE 在端侧的实际生成速度与内存占用。这两个数字决定它是「能演示」还是「能日常用」。答案要等真机上手，但方向已经明确：手机上的大模型，正在从「小模型凑合」走向「旗舰模型下放」。