好久没聊手机了，今天聊聊手机。
最近这段时间，手机厂商纷纷发布了自家最新的旗舰系列。其中，有一些技术，蛮值得关注的。
大家都知道，手机行业是出了名的"内卷"，厂商之间的竞争非常激烈。但从本质来说，让人眼前一亮的创新，其实是越来越少的。所以，很多网友调侃，现在的手机发布会，就像相机发布会，除了聊拍照，还是聊拍照。
说实话，手机技术经过多年的发展，已经非常成熟。想要有颠覆式的创新，确实会越来越难。
但大家如果细致观察的话，会发现，手机已经进入了一个微创新时代。颠覆式创新也许不多，但厂商在性能提升和功能拓展方面，仍然是在不断向前探索的。
前几天，OPPO发布了自家的Find X7系列手机。我关注到它所提及的两个技术，非常有代表性，那就是------潮汐架构 和安第斯大模型。
我个人觉得，潮汐架构和安第斯大模型，隐约预示了智能手机未来发展的两个重要趋势。
什么趋势呢？且听我逐一解读。
█ 潮汐架构
首先说说潮汐架构。
智能手机发展到今天，其实本质上就是一个用户侧（端侧）算力及交互平台。它集算力与通信能力于一体，搭配了摄像头、触摸屏、传感器、音频等"插件"，让用户可以实现多种多样的互联网应用场景，包括社交、视频、游戏等。
手机的算力，不仅直接影响到OS和App的运行速度，也关系到视频、影像以及游戏等核心能力的体验，是整个手机性能的基础。手机算力又由什么决定呢？当然是手机SoC主芯片。
这些年，手机的升级演进，一直都是围绕SoC主芯片进行的。每当有新的芯片平台发布，各大手机厂商都会及时跟进，推出一批新的旗舰型号。
5G SoC芯片（MediaTek）
以前，手机厂商对于芯片，基本上就是拿来就用。就像发动机一样，直接往车里塞，能跑就行。现在，随着市场竞争的不断加剧，为了更好地发挥芯片的能力，也为了让用户有明显的体验差异化提升，手机厂商们开始投入更多资源，对芯片进行适配、调优。
OPPO作为手机一线大厂，在芯片联合研发方面很早就采取了行动，也积累了丰富的经验。这次，他们一如既往地与MediaTek进行深度合作，成立联合芯片技术实验室，针对天玑9300移动平台进行定制化设计。
而潮汐架构，就是深度联合设计的最新成果之一。
想要解释什么是潮汐架构，我们还是要从手机的核心原理说起。
手机，其实就是一台微型计算机。它的SoC主芯片里面，包括CPU和GPU等计算芯片。CPU和GPU的里面，又包括了运算单元和控制单元等。
手机和普通PC一样，也是遵照著名的冯·诺依曼架构进行工作。这种架构，属于存算分离。运算单元负责计算，存储器负责存储。计算时，需要先将数据从存储器调用到运算单元，完成计算后，再送回存储器。
冯·诺依曼架构
随着摩尔定律的发展，手机芯片的CPU和GPU都有了长足的进步，性能非常强劲。但是，存储器的性能，却始终没有办法跟上CPU和GPU的步伐。这是冯·诺依曼架构最主要的瓶颈。
性能越强的存储技术，价格成本就越高。于是，就出现多级存储架构。除了传统ROM/RAM之外，又有了缓存。缓存，还分为L1/L2/L3三级。说白了，缓存就是运算单元和传统存储之间的一个过渡。它的性能很强，读写速率快，但是成本高，所以容量不大。
多级存储架构
一直以来，传统手机厂商的技术区，是在Flash存储和主存储器（DDR或UFS层级）。而一级缓存到系统缓存这几个层级，是芯片公司的技术区，存在难以逾越的技术壁垒。
OPPO提出的潮汐架构，打破了这个壁垒，往前又迈了一大步，直接参与到SoC的SLC（系统级缓存）设计之中。CPU核之间的共用数据缓存，以及CPU与异构核（例如GPU）之间的缓存，都可以被OPPO定制化设计。
OPPO可以根据应用侧的需求，合理规划CPU、GPU等运算单元对SLC缓存的使用量和利用方式，从而最大程度地发挥硬件资源的性能，实现极致的软硬件协同。
举个例子，如果我们把CPU、GPU看作是"算力大脑"，那么，SLC就是给大脑输送数据的"高速公路"。
传统方案里，芯片厂商无法确定各个运算单元的数据量比例。于是，只能采用固定分配方案。当手机使用不同的应用时，就会出现"部分公路拥塞、部分公路空闲"的情况。
有了潮汐架构，OPPO可以根据应用场景的不同，灵活调整SLC缓存的配比，实现车道的合理优化，进而让CPU和GPU发挥最强性能。
比如，在运行大型手游时，图像渲染的工作会更多。这时，可以给GPU分配更多的系统缓存，从而降低对DDR和UFS的读写频率。应用运行速度能够得到明显提升，计算链路整体能效也有明显改善。
经过测算，潮汐架构SLC技术可以为Find X7带来4%的通用能效提升，以及2.38~7.79%的专享应用场景能效提升。整体的平均能效提升，约为8%。这是非常了不起的成就。
Find X7发售后，我第一时间下单了一台。
经过多日的实际使用，我明显能够感受到系统在应用启动、加载和切换时，响应速度更快、更流畅。
天玑9300是全大核架构（4超大核+4大核），性能本来就很强。潮汐架构的加持，让手机的性能如虎添翼，有比其它旗舰更出色的体验。
长期以来，安卓机在启动性能一致性上都不如苹果手机。这次，Find X7彻底打破了这一魔咒。它始终可以保持极高的流畅度，即使后台有多个App运行，也能够极速启动新App，启动速度稳如直线。这就是得益于芯片强劲的性能，以及潮汐架构的深度优化加持。
潮汐架构也帮助提升了Find X7的续航。根据实测数据，基于潮汐架构以及一系列新技术，Find X7的续航比Find X6标准版提升了20%。
最近几年，手机厂商在芯片联合调校上的投入，变得越来越大。参与的深度，也越来越深。
厂商们都意识到，在芯片平台既有性能的基础上，进行深入挖潜，是实现差异化竞争的有力手段。在OPPO的引领下，相信会有更多的厂商走上"联合调校"这条路。相关的技术创新，也会越来越多地出现在我们面前。
█ 安第斯大模型
潮汐架构是算力底层技术。接下来，我们看看算力最有潜力的应用------大模型。
刚刚过去的2023年，被公认为是大模型年。以ChatGPT为代表的AIGC大模型，火遍全球，成为最引人注目的科技热点。
手机终端作为普通用户最常用的数码设备，在拥抱大模型上也不甘落后。2023年下半年开始，陆续有手机型号开始引入大模型，并推出一些AIGC应用。
OPPO Find X7系列所采用的安第斯大模型（AndesGPT），是他们自研的最新技术成果，是行业首个端侧部署70 亿参数大模型。
这个大模型具备对话增强、个性专属、端云协同三大尖刀能力，从基础能力到应用落地，都相比竞争对手有更多的看点。
从参数规模上来看，安第斯大模型一共有3个版本：
Tiny版本，拥有至多70亿参数，可以直接部署在Find X7这样的终端上，特点是轻量高效，支持离线运行，且隐私数据隔离。
Turbo版本，700亿参数，可以部署在安第斯智能云，支持快速响应，体验更加均衡，也能够适配多个场景。
Titan版本，参数最多，可以达到1800亿，同样可以部署在云端。庞大的参数规模，使其完全可以胜任深度推理工作以及高度复杂任务，效果最优。
手机本地部署模型不能支持更大的参数，因为参数越多，对内存的占用就越大。
本地模型70亿参数，搭配云端更大的模型，通过加密通信，可以实现端云协同，灵活支撑多样化的AI应用。
OPPO在人工智能领域起步较早。2018年，他们就成立了人工智能团队。2020年，他们将语音、建议、指令、识屏等能力进行整合，推出了对话式人工智能助手------小布助手。次年，就实现了上亿月活。
大模型崛起后，OPPO基于自己多年的技术沉淀和数据积累，很快跟进，并推出了安第斯大模型。2023年9月，安第斯大模型小试牛刀，在SuperCLUE能力排行榜知识与百科评比中，获得98.33的高分，仅次于GPT4，位列国内模型第一。
大模型的参数规模是基础，关键还是要看应用落地。
在Find X7发布会上，OPPO提到了智能摘要、AIGC消除、闪速抠图等应用。我试用了一下，效果确实不错，响应速度很快，处理的质量也很高，确实达到了真正的智能水平。
前面我说过，手机是一个交互工具。在数字时代，人与数字世界之间最主要的沟通渠道，就是手机。很多的应用，都是通过手机实现的。所以，AI与手机的结合，充满了无限的想象空间。
大模型在手机落地，其实会分为多个阶段。
首先，最浅的阶段，是像ChatGPT一样，通过与App之间的SDK接口，进行调用。这种能力调用比较生硬，玩法也很有限。
再深一点，是手机本地部署外部大模型。融合度虽然有提升，但毕竟是非自研大模型，简单的植入，无法和厂商自有的独立硬件体系相结合，也很难发挥处理器的推理性能。
更深一点，就是像OPPO这样，搞自研大模型。自研大模型彻底突破了底层API和功能限制，与硬件体系结合更加紧密，开发自由度也更高，研发进度也不受外部限制。
这种方式，在落地玩法上，也更具灵活性。它属于系统级的融合，在系统生态底层进行大模型能力扩展，可以实现原生AI能力。
换言之，OPPO的安第斯自研大模型，是可以对操作系统、所有原生App，以及所有硬件进行AI赋能的。在拍照、音视频录制、知识整理、交互增强等方面，大模型都可以提供辅助，成为真正的智能管家。用户的工作效率和生活品质可以大幅提升，相互之间的沟通乐趣也无限增加。
█ 最后的话
很多人都说，未来的手机之争，就是智能算力之争。谁家的终端AI算力强、算法好，谁就掌握了主动权。
我非常认同这一点。潮汐架构和安第斯大模型所代表的趋势，分别是：
1、手机厂商在芯片联合调校上，将会投入更多资源。相比自研芯片，联合调校更有可行性，能够发挥手机厂商和芯片厂商各自的优势。
2、手机在应用侧，将会持续加大与AI的融合。手机的端侧AI能力，很可能会重塑现在所有的App应用，让手机变成真正的"智能手机"。
面向2024，希望手机技术的微创新，能从量变走向质变，带来更多的惊喜。
