Handfläche, Schreibtisch und Rad: Die Endgeräte-KI eröffnet den „Kampf um die Zugangspunkte“

Während die Branche noch über die Parametergröße und die Trainingsrechenleistung von großen Cloud-Modellen streitet, hat ein weitaus entscheidenderer Wettbewerb bereits stillschweigend auf den Endgeräten begonnen, die den Nutzern am nächsten stehen.

Von den Automobilherstellern, die intensiv intelligente Fahrassistenzlösungen mit eingebetteten großen Edge-Modellen vorstellen, über die Handyhersteller, die Modelle mit Hunderten von Milliarden Parametern in ihre Flaggschiffchips einbauen, bis hin zu AI-PCs und intelligenten Wearables, die das Konzept der „nativen lokalen Intelligenz“ propagieren – alle Signale deuten auf dasselbe Ergebnis hin: Der Hauptwettbewerb im Bereich der KI verlagert sich von dem „Wettbewerb um Cloud-Rechenleistung“ hin zum „Kampf um die Edge-Zugangspunkte“.

Die Entwicklungsgeschichte des Internets ist im Wesentlichen eine Geschichte des Wandels von Zugangspunkten. Wer den ersten Zugang der Nutzer zur digitalen Welt beherrscht, kontrolliert die Vorherrschaft über Datenverkehr, Daten und Geschäftsmöglichkeiten. Im PC-Zeitalter waren es Browser und Suchmaschinen, im Zeitalter des mobilen Internets waren es Super-Apps und App-Stores.

Mit dem Eintritt in das KI-Zeitalter beschränkt sich Intelligenz nicht mehr auf Bildschirme und Klicks, sondern durchdringt alle physischen Szenarien wie Fahren, Wahrnehmung und Interaktion. Die Definition von Zugangspunkten wird grundlegend umgeschrieben. Der entscheidende Faktor für den Ausgang dieses Wettbewerbs liegt nicht in fernen Rechenzentren, sondern in jedem Endgerät, das den Nutzern direkt zur Verfügung steht.

Der Zyklus der Zugangspunkte: Die Edge-Seite wird zum unverzichtbaren Wettbewerbsort im KI-Zeitalter

Jeder Wandel des technischen Paradigmas geht mit einer Neugestaltung der Zugangspunkte einher.

In den 90er Jahren, als das Internet gerade in die breite Öffentlichkeit eintrat, waren Webportale das absolute Zentrum des Datenverkehrs. Die Nutzer erreichten das gesamte Netz über die Startseiten von Yahoo und Sina. Nach dem Aufstieg der Suchmaschinen wurden Google und Baidu zu den zentralen Zugangspunkten für die Informationsverbreitung, über die Nutzer Dienste über Schlüsselwörter abriefen. Mit der Welle des mobilen Internets ersetzten Super-Apps die Websites, WeChat und Alipay wurden zu den Hauptkanälen für den Zugang der Nutzer zum digitalen Leben, und die Macht der Datenverkehrsverteilung verlagerte sich von den Browsern in das Anwendungsökosystem.

Hinter dem Wandel jeder Generation von Zugangspunkten folgt derselbe grundlegende Logik: Wer den Nutzern näher ist, schneller reagiert und ein nahtloseres Erlebnis bietet, wird die erste Wahl der Nutzer.

Zu Beginn des KI-Zeitalters ging die Branche allgemein davon aus, dass große Cloud-Modelle zu einer neuen Generation von Zugangspunkten werden. Nutzer senden Anweisungen in natürlicher Sprache an große Cloud-Modelle, die dann die Absicht verstehen, Aufgaben zerlegen und Dienste koordinieren. Mit der Vertiefung der praktischen Umsetzung der Szenarien treten die natürlichen Mängel des Cloud-Modells jedoch immer deutlicher zutage. Immer mehr Menschen erkennen, dass reine Cloud-KI die Echtzeitintelligenz in der physischen Welt nicht unterstützen kann.

Das erste unumgängliche Problem ist die Latenz. Die Cloud-Inferenz hängt von der Netzwerkübertragung ab: Von dem Hochladen der Daten bis zur Rückgabe des Ergebnisses gibt es selbst in 5G-Netzen eine Latenz von mehreren zehn bis hundert Millisekunden, die bei Netzwerkschwankungen noch höher ausfällt. Bei Szenarien mit extremen Anforderungen an die Latenz wie autonomem Fahren, industrieller Qualitätskontrolle und Echtzeit-AR kann eine Verzögerung von mehreren hundert Millisekunden bereits zu Sicherheitsunfällen führen. Wenn ein autonomes Fahrzeug mit hoher Geschwindigkeit fährt, erfordern die Hinderniserkennung und die Pfadplanung eine Reaktion im Millisekundenbereich. Sollte eine Netzwerkstörung die Verzögerung der Cloud-Anweisungen verursachen, wären die Folgen unabsehbar.

Der zweite zentrale Schmerzpunkt ist der Schutz der Privatsphäre und die Datensicherheit. Im Cloud-Modell müssen Sprach-, Bild-, Standort- und Verhaltensdaten der Nutzer ständig auf Server zur Verarbeitung hochgeladen werden. Die Kameras im intelligenten Fahrzeug erfassen die Straßenumgebung und Bilder von Fahrgästen, der intelligente Assistent im Handy liest das Adressbuch, den Terminkalender und das Album des Nutzers – diese Daten enthalten hochsensible personenbezogene Informationen. Häufige Datenübertragungen erhöhen nicht nur das Risiko von Lecks, sondern stellen Unternehmen auch vor strengere globale Vorschriften zur Dateneinhaltung. Die Vorschriften zur Verwaltung der Fahrzeugsicherheit verlangen, dass wichtige Daten das Land nicht verlassen und sensible Daten vor Ort verarbeitet werden – reine Cloud-Architekturen widersprechen diesem Trend von Natur aus.

Die dritte praktische Einschränkung sind die Kosten. Die Rechenkosten für die Inferenz großer Modelle sind hoch. Wenn die Anzahl der Endgeräte mehrere Hundert Millionen erreicht und jede Interaktion Cloud-Rechenleistung in Anspruch nimmt, entstehen untragbare Bandbreiten- und Rechenausgaben. Für Automobilhersteller würde die Abhängigkeit von der Cloud-Verarbeitung für die intelligente Fahrwahrnehmung von einer Million Fahrzeugen allein durch Verkehrs- und Serverkosten einen großen Teil der Gewinne verschlingen.

Das Aufkommen der Edge-KI ist die systematische Lösung für all diese Schmerzpunkte.

Die sogenannte Edge-KI bedeutet, dass leichtgewichtige große Modelle direkt lokal auf den Endgeräten bereitgestellt werden, alle Inferenzberechnungen im Inneren des Geräts ablaufen und die Originaldaten nicht in die Cloud hochgeladen werden müssen.

Sie bietet drei unverzichtbare Kernwerte, die die Cloud nicht ersetzen kann:

Erstens: Extrem niedrige Latenz. Die Daten müssen nicht zwischen Gerät und Cloud hin und her übertragen werden, der Inferenzprozess läuft lokal ab. Die Reaktionsgeschwindigkeit kann auf den Millisekundenbereich reduziert werden, was die strengen Anforderungen von Szenarien wie autonomem Fahren und Echtzeitinteraktion vollständig erfüllt.

Zweitens: Native Privatsphäre. Alle ursprünglichen Wahrnehmungsdaten und personenbezogenen Verhaltensdaten werden lokal verarbeitet, nur bei Bedarf werden desensibilisierte inkrementelle Informationen hochgeladen. Dadurch wird das Risiko von Datenlecks von Grund auf verringert und es entspricht besser dem Compliance-Prinzip der Dateminimierung.

Drittens: Funktionsfähigkeit ohne Netzwerk. In Tiefgaragen, Tunneln und abgelegenen Straßenabschnitten ohne Netzwerksignal funktionieren die intelligenten Funktionen weiterhin normal und fallen nicht aus, wenn die Netzwerkverbindung unterbrochen wird.

Diese drei Eigenschaften bestimmen, dass die Edge-KI keineswegs nur eine Ergänzungslösung für die Cloud ist, sondern der notwendige Weg, auf dem KI in die physische Welt gelangt und in reale Szenarien integriert wird. Aus diesem Grund ist sie zum zentralen Schlachtfeld des neuen Wettbewerbs um Zugangspunkte geworden – wenn Intelligenz überall und jederzeit verfügbar ist, werden die Endgeräte, die den Nutzern am nächsten stehen, natürlich zu dem ersten Zugangspunkt, der die Absichten der Nutzer aufnimmt und intelligente Dienste verteilt.

Landung auf drei Wettbewerbsbahnen: Der Wettbewerb erstreckt sich von der Handfläche bis zu den Rädern

Der Wettbewerb um die Edge-KI hat gleichzeitig in drei Bereichen begonnen: intelligente Fahrzeuge, Unterhaltungselektronik und allgemeine IoT-Geräte. Unter ihnen ist das intelligente Fahrzeug aufgrund seiner komplexesten Szenarien, des höchsten Werts und der stärksten Nachfrage nach Edge-Funktionalitäten zum wichtigsten „Testfeld“ geworden.

Das Fahrzeug entwickelt sich von einem Transportmittel zu einem mobilen intelligenten Raum. Das große Edge-Modell ist dabei die zentrale technische Grundlage, die diesen Wandel unterstützt.

Im Bereich des intelligenten Fahrassistenzsystems ist der Wert der Edge-KI in der Branche bereits ein Konsens. Frühere Fahrassistenzsysteme stützten sich auf regelbasierte Algorithmen und Cloud-Unterstützung und stießen in komplexen städtischen Szenarien, bei unregelmäßigen Hindernissen und extremen Wetterverhältnissen oft an ihre Grenzen. Das auf der Edge-Seite bereitgestellte multimodale große Modell kann die gesamte geschlossene Kette aus Umfeldwahrnehmung, Zielerkennung, Verhaltensvorhersage und Pfadplanung lokal abschließen und wirklich realisieren, dass „Daten das Fahrzeug nicht verlassen und Entscheidungen keine Verzögerung erfordern“.

Der aktuelle technische Haupttrend in der Branche ist die Architektur des „schnellen und langsamen Denkens“. Ein leichtgewichtiges End-to-End-Modell übernimmt grundlegende Steuerungsaufgaben wie Notbremsungen im Millisekundenbereich und Fahrspurhaltung, um die Fahrsicherheit zu gewährleisten. Ein größeres großes Edge-Modell ist für die semantische Verarbeitung und Entscheidungsinferenz in seltenen Szenarien wie komplexen Kreuzungen, ungeschützten Linksabbiegemanövern und Baustellen zuständig. Gleichzeitig beginnen Fahrzeug-Weltmodelle in der Praxis eingesetzt zu werden: Das Fahrzeug kann lokal die Verkehrsverhältnisse in den nächsten Sekunden vorhersagen, im Voraus Entscheidungen treffen und die Echtzeitabhängigkeit von der Cloud-Rechenleistung vollständig beseitigen.

Im Juni 2026 veröffentlichte Li Auto das Maher Mind-Edge. Im Rahmen des sprachintelligenten Systems arbeitet Maher Mind-Edge mit dem Cloud-Modell Maher Mind-Pro zusammen: Maher Mind-Pro übernimmt die allgemeine Inferenz und die Koordination komplexer Aufgaben, während Maher Mind-Edge als Edge-Modell hauptsächlich für lokale Aufgaben wie die Echtzeit-Interaktion zwischen Mensch und Fahrzeug und die autonome Fahrzeugsteuerung zuständig ist.

Das 7B-Edge-Modell von Mushroom Car Alliance hält die Inferenzverzögerung auf etwa hundert Millisekunden durch optimierte Architekturen wie die MoE-sparse-Aktivierung, deckt Fachwissen wie Straßentopologie, Verkehrsregeln und Fahrzeugverhalten ab und vermeidet gleichzeitig redundante Berechnungen. Wenn ein plötzlicher Verkehrsunfall auf der Straße eintritt, kann das System innerhalb weniger Sekunden die über die Sichtweite hinausgehende Wahrnehmung, die Berechnung des betroffenen Bereichs und die Planung der optimalen Umgehungsroute abschließen.

Noch vielversprechender für den Wert des Zugangspunkts als das intelligente Fahren ist die gesamte Fahrzeugintelligenz, die durch die Integration von Fahrassistenz und Fahrerkabine entsteht. Wenn die zentrale Rechenplattform die verteilten ECUs ersetzt, kann ein einzelner Hochleistungs-SoC gleichzeitig die Entscheidungen für das intelligente Fahren und die Interaktion in der Fahrerkabine übernehmen. Das große Edge-Modell wird zum intelligenten Zentrum des gesamten Fahrzeugs: Es nimmt die Verkehrsverhältnisse von außen wahr, plant Routen, versteht von innen die Stimme, Gesten und sogar die Stimmung der Fahrgäste und koordiniert alle Dienste im Fahrzeug.

Das bedeutet, dass der Wert des Fahrzeugs als Zugangspunkt nicht mehr auf Navigation und Unterhaltung beschränkt ist, sondern zu einem mobilen Zugangspunkt für Reisen, Alltag und Arbeit der Nutzer wird. Voraussetzung dafür ist jedoch, dass die intelligenten Funktionen lokal ausgeführt werden – niemand möchte in einem Tunnel keine Sprachassistentin mehr nutzen können, weil das Netzwerk unterbrochen ist, und niemand möchte, dass seine Gespräche im Fahrzeug und seine Reisedaten ständig hochgeladen werden.

Datensicherheit und Compliance sind zudem ein zentraler Vorteil der Edge-Lösung. Fahrvideos, Ton- und Videodaten von Fahrgästen sowie Fahrzeugtrajektorien gehören zu sensiblen Daten. Die lokale Verarbeitung auf der Edge-Seite verringert die Weitergabe von Daten von Grund auf und senkt das Risiko von Datenlecks und Compliance-Verstößen erheblich. Das ist der grundlegende Grund, warum immer mehr Automobilhersteller das Konzept „Daten verlassen das Fahrzeug nicht“ als zentrales Verkaufsargument nutzen.

Wenn das Fahrzeug als hochwertiger Wettbewerbsbereich für die Edge-KI gilt, dann sind Handys und AI-PCs der größte Massenmarkt für die breite Öffentlichkeit.

Smartphones sind zweifellos bereits die Zugangspunkte des mobilen Internets, und die großen Edge-Modelle verwandeln diese Zugangspunkte von der „Anwendungsverteilung“ hin zur „Verteilung von Nutzerabsichten“. Bisher mussten Nutzer verschiedene Apps öffnen, um unterschiedliche Aufgaben zu erledigen. In Zukunft reicht es aus, Anweisungen über das lokale große Modell zu geben, das dann direkt die Systemfunktionen und Anwendungsdienste koordiniert.

Die Miniaturisierung von Edge-Modellen wird allmählich zu einem Konsens in der Branche. Apples Apple Intelligence verwendet ebenfalls ein Design mit 3 Milliarden Parametern und kann Aufgaben wie Textzusammenfassung, Informationsextraktion und app-übergreifende Operationen auf dem Gerät ausführen. Zhou Wei, Vizepräsident von vivo und Direktor des globalen KI-Forschungsinstituts von vivo, hat eine neue Entwicklungsrichtung vorgeschlagen: Statt der Verfolgung der „allgemeinen künstlichen Intelligenz“ soll ein leichtgewichtiges 3B-Edge-multimodales Inferenzmodell eingeführt werden. Dieses Modell belegt nur 2 GB Arbeitsspeicher des Handys, hat einen Stromverbrauch von etwa 750 mAh und seine Inferenzleistung kann mit Modellen mit 7B oder sogar 10B Parametern mithalten.

Der Aufstieg der AI-PCs erweitert den Wettbewerb um die Edge-Zugangspunkte auf die Produktivitätsszenarien. PC-Chips mit integriertem dediziertem NPU können große Modelle lokal ausführen und Funktionen wie Offline-Dokumentenzusammenfassung, Tabellenanalyse, Codegenerierung und Sitzungsprotokolle realisieren. Für gewerbliche Nutzer bedeutet die lokale Verarbeitung, dass vertrauliche Geschäftsdaten nicht in die Cloud hochgeladen werden müssen, was die Sicherheit erheblich verbessert. Wenn KI-Funktionen zum Standard bei PCs werden, kontrollieren die Betriebssystem- und Chiphersteller die Rechte an den intelligenten Zugangspunkten in den Produktivitätsszenarien.

Neben Handys und Fahrzeugen bilden eine Vielzahl von IoT-Endgeräten wie intelligente Uhren, Smart-Home-Geräte, Überwachungskameras und industrielle Edge-Geräte den langen Schwanz des Wettbewerbs um die Edge-KI.

Diese Geräte zeichnen sich gemeinsam durch begrenzte Rechenleistung, instabile Netzwerkumgebungen und sehr hohe Anforderungen an Datenschutz und Stromverbrauch aus. Leichtgewichtige kleine Edge-Modelle können grundlegende intelligente Funktionen wie Ges