当前位置: 首页 > news >正文

高通全新可穿戴芯片组或终结智能手机主导地位

目前,智能手机是我们个人设备生态系统的主要枢纽。但随着AI技术集成到眼镜、戒指、耳机和便携式设备中,我们可能会看到手机从中心舞台退下,这些可穿戴设备取而代之。这需要比目前可用的更多设备端AI和互联性。

高通押注其在2026年世界移动通信大会上发布的最新芯片组,为个人AI的新时代提供动力。骁龙芯片已经为一些最常见的移动设备提供动力,其全新骁龙Wear Elite芯片组被纳入三星、谷歌、摩托罗拉等公司的下一代可穿戴设备中。

该芯片集成了高通的Hexagon NPU,支持边缘端十亿参数模型,使设备上的高性能AI处理成为现实。它还通过微功耗Wi-Fi技术得到增强,实现超低功耗Wi-Fi连接,在显著降低功耗水平的情况下实现持续AI同步和数据交换。

与其W5+ Gen 2可穿戴平台相比,骁龙Wear Elite在功耗效率和速度方面有显著提升。高通声称,其单核CPU性能提高五倍,启动应用、多任务处理和流畅渲染视觉效果的速度快七倍。

高通移动、计算和XR业务执行副总裁Alex Katouzian在新闻稿中表示:"这些设备涵盖广泛的外形因素,不再仅仅是智能手机的延伸,而是跨移动、计算、XR、可穿戴设备等分布式AI网络的积极参与者。"

这款全新芯片将有助于延长下一代可穿戴设备的电池寿命,让人们能够更长时间使用AI吊坠、眼镜、手表等设备。高通表示,新芯片将日常使用时间延长30%。此外,快速充电功能也得到改进,据高通称,约10分钟即可将设备充电至50%,让用户能够在紧急情况下快速充电。

骁龙Wear Elite使可穿戴设备——智能手表、耳机、吊坠和智能眼镜——能够更好地感知环境并提供相应建议。

这种功能对那些使用环境上下文提供提示和整理信息的可穿戴AI吊坠和智能眼镜来说将是一大福音。它还支持更自然的语言交流,使用户与设备的互动更具对话性。

该芯片为智能体AI任务奠定了基础。三星上周发布的最新手机系列已经展示了首批智能体功能,由于骁龙为三星智能手表提供动力,可以合理推测这些智能体功能可能会在今年晚些时候进入Galaxy Watch 9。也许我们很快就能通过对智能手表说话来在Grubhub上订餐。

三星电子MX业务技术战略团队执行副总裁InKang Song在高通新闻稿中表示:"通过集成全新骁龙Wear Elite平台,下一代Galaxy Watch将成为更加全面的健康伴侣。"

虽然高通强调该芯片的优势不仅适用于智能手表,但很容易想象骁龙Wear Elite平台如何提升下一代Pixel手表、Galaxy手表、智能戒指和其他健康追踪设备。高通团队在简报会上解释说,该芯片为健康追踪和生活记录开辟了新机遇。

上述生活记录功能还将为下一代AI吊坠或眼镜提供动力。该芯片简化并加速信息回忆,比如"我把钥匙放在哪里了?"或"我上周在巴黎去了哪家咖啡厅?"

当这些主要科技品牌的首批设备在今年晚些时候到达时,我们将一窥这个新时代。它们可能为三星和谷歌的下一代智能手表、智能眼镜(传言三星将在今年推出一副)、智能戒指或胸针提供动力。

Q&A

Q1:骁龙Wear Elite芯片组有什么特殊功能?

A:骁龙Wear Elite集成了高通的Hexagon NPU,支持边缘端十亿参数模型,实现设备上的高性能AI处理。它还配备微功耗Wi-Fi技术,在显著降低功耗的同时实现持续AI同步和数据交换,单核CPU性能提高五倍,应用启动速度快七倍。

Q2:这款芯片如何改善可穿戴设备的使用体验?

A:该芯片将日常使用时间延长30%,约10分钟即可充电至50%。它让可穿戴设备更好地感知环境并提供相应建议,支持更自然的语言交流,使用户与设备的互动更具对话性,并简化信息回忆功能。

Q3:哪些设备会采用骁龙Wear Elite芯片组?

A:三星、谷歌、摩托罗拉等公司的下一代可穿戴设备将采用这款芯片组,包括智能手表、智能眼镜、智能戒指、AI吊坠等设备。预计三星Galaxy Watch 9和谷歌Pixel手表的下一代产品都会使用这一平台。

http://www.jsqmd.com/news/433098/

相关文章:

  • YOLO11 改进 - C2PSA _ C2PSA融合EDFFN高效判别频域前馈网络(CVPR 2025):频域筛选机制增强细节感知,优化复杂场景目标检测
  • 大数据处理中的并行计算:原理与性能调优
  • 【预测模型】多种智能算法优化深度极限学习机(GWO-DELM/MVO-DELM/WDO-DELM)Matlab实现
  • 5种光伏MPPT算法(电导法、变步长扰动法、粒子群PSO、恒压法CVT、定步长扰动法)Matlab仿真
  • YOLO11 改进 - C2PSA _ C2PSA融合DML动态混合层(Dynamic Mixing Layer)轻量级设计优化局部细节捕获与通道适应性,提升超分辨率重建质量
  • 贾子(Kucius)思想纲领 |The Program of Kucius Thought
  • 服务器频繁崩溃背后的意外真相:一个膝盖惹的祸
  • 【优化求解】基于改进离散狼群算法的火力分配附Matlab代码
  • 35岁程序员转行大模型?一篇说清实操方法,非常详细建议收藏
  • 边缘计算场景:在受限资源设备上部署DeepSeek的可行性
  • 孩子近视逐年加深,该如何科学护眼防近视?
  • OpenClaw 深度拆解:从本地 AI 助理,看透企业级 Agent 的 17 层终极架构
  • ubuntu25.10查看主板与内存信息
  • 孩子没近视≠视力无忧:别让低度远视悄悄影响成长
  • 大数据领域如何做好数据清洗工作
  • 【优化求解】基于RSM-IGWO的柔性电路喷墨打印工艺优化 - 多算法对比分析附Matlab代码
  • 【无人机】IEEE基于PSO粒子群优化无人机UAV网络(受干扰限制下)仿真IEEE文献
  • 开学季警惕!孩子这些“小动作”,可能是近视的早期信号
  • YOLO11 改进 - C2PSA _ C2PSA融合CPIASA跨范式交互与对齐自注意力机制(ACM MM2025)_ 交互对齐机制破解特征融合难题,提升小目标与遮挡目标判别力
  • YOLO11 改进 - C2PSA 动态混合层(Dynamic Mixing Layer, DML)轻量级设计优化局部细节捕获与通道适应性,提升超分辨率重建质量
  • YOLO11 改进 - C2PSA C2PSA融合MSLA多尺度线性注意力(Arxiv2025 ):并行多分支架构融合上下文语义,提升特征判别力
  • 【滤波跟踪】基于扩展卡尔曼滤波EKF的 IMU + 磁力计姿态估计附Matlab代码
  • 多智能体系统将成AI新趋势?OpenClaw助你构建高效协作AI团队!
  • 数据中台在大数据领域的可视化展示方案
  • 开源数据编排框架比较:Airflow vs Luigi vs Oozie
  • YOLO11 改进 - C2PSA C2PSA融合CPIASA跨范式交互与对齐自注意力机制(ACM MM2025) 交互对齐机制破解特征融合难题,提升小目标与遮挡目标判别力
  • DeepSeek V4即将来袭!这款AI大模型有多强?国产算力加持,或将引爆AI新战场!
  • YOLO11 改进 - C2PSA C2PSA融合Mona多认知视觉适配器(CVPR 2025):打破全参数微调的性能枷锁:即插即用的提点神器,引领视觉微调新突破
  • LeetCode 215 数组中的第 K 个最大元素:python3 题解
  • P3033 [USACO11NOV] Cow Steeplechase G 题解