IT之家 9 月 24 日消息，夏威夷时间 9 月 22 日 9 点（北京时间 9 月 23 日 3 点）召开的 2026 骁龙峰会主题演讲结束后，高通公司高级副总裁兼手机业务总经理克里斯 · 帕特里克（Chris Patrick）在内的诸多高通高管接受了IT之家等媒体采访。
在本次媒体群访中，出席的高通高管有以下几位：
高通技术公司高级副总裁兼手机业务总经理 Chris Patrick
高通技术公司产品管理副总裁 Judd Heape
高通技术公司产品管理副总裁 Vinesh Sukumar
高通技术公司产品管理总监 Amandeep Dhaliwa
高通技术公司 CPU 产品管理高级总监 Manju Varma
高通技术公司高级副总裁兼旗舰移动平台总经理 Dino Bekis
问：第一个问题，第六代骁龙 8 至尊版和超级至尊版的 GPU，在硬件上有什么具体区别？能详细讲讲吗？另外，频率是否一致？第二个问题，这一代 8 Elite 有两款，还会有非 Elite 的第六代骁龙 8 吗？还是以后都会走双 Elite 路线？是否依旧会有非 Elite 的 8 系列？
答：
今年，我们首次对骁龙 8 至尊版产品组合进行了进一步细分，推出两个不同的 SKU，也就是两款骁龙 8 至尊版平台。
其中，定位更高的第六代骁龙 8 超级至尊版，重点引入了一系列新兴能力。例如，它支持 VVC 编解码技术，稍后还会进一步谈到。它还支持 LPDDR6。
此外，第六代骁龙 8 超级至尊版还支持更多 AI 能力。并且采用了一种全新的、针对散热进行优化的 Offset PoP 封装，这也是第六代骁龙 8 超级至尊版所独有的。
我们的初衷，是先打造一款出色的平台，作为第五代骁龙 8 至尊版真正的继任者，也就是第六代骁龙 8 至尊版。
在此基础上，我们打造了第六代骁龙 8 超级至尊版，通过加入更多全新的前沿能力，以全新方式引领行业发展。
从影像角度，我简单介绍一下第六代骁龙 8 至尊版和第六代骁龙 8 超级至尊版之间的区别。只有超级至尊版支持用于专业视频拍摄的 APV 专业视频编解码器；同时，8K 60fps 视频拍摄和 4K 240fps 超级慢动作视频拍摄也只有超级至尊版支持。
正如 Chris 提到的，也只有超级至尊版支持 VVC 解码。除此之外，两款平台在影像方面的能力基本相同。
刚才还有一个关于频率的问题。实际上，这两款平台的共同点多于差异。比如，两者采用相同的 CPU 架构、实现方式和频率；两者也采用相同的 GPU 架构和实现方式，仅在部分规格上有所差异。
接下来的问题是，第六代骁龙 8 系未来是否还会推出非至尊版的产品，我们始终会从整个行业发展和需求出发，评估需要重点投入哪些产品层级，以及哪些产品层级能够带来最大的影响，希望大家可以持续关注。
问：我有两个问题。第一个问题是，第六代骁龙 8 超级至尊版的 CPU 主频首次达到 5GHz。不过，目前许多 AI 工作负载对时延的敏感度正在降低，对吞吐量则更为敏感。您认为 CPU 时延目前仍是主要瓶颈吗？哪些具体用例能够真正受益于 5GHz 的 CPU 主频？第二个问题是，安蒙今天上午提到了 HBC 没有展开介绍。我们是否可以将其理解为一种近存计算架构，类似于英伟达 GPU 所采用的 HBM 理念？
答：
好的，我先回答第一个关于 CPU 的问题。我们的 Qualcomm Oryon CPU 是首个最高主频达到 5GHz 的移动 CPU。
不过，在设计 CPU 时，我们关注的不只是时钟频率，还包括 CPU 在实际工作负载下的 IPC 表现。我们的缓存层级设计也着重提升实际工作负载下的响应速度。
因此，在设计 CPU 时，我们也充分考虑了智能体 AI 工作负载的需求。时钟频率是提升响应速度的关键因素之一，因为智能体 AI 工作负载需要快速完成任务规划，同时还要确保任务能够在 CPU、NPU 和 GPU 之间高效切换与协同。
我们的 CPU 正是基于这些需求进行设计，以更好地应对如今的智能体 AI 工作负载。
第二个问题是关于 HBC。我们介绍了这个产品概念，但目前还没有具体的产品发布。正如你所说，如果能扩大处理器可用的带宽，我们就有机会在边缘侧 AI 上实现一些非常重要的突破。
因为，许多 AI 工作负载都受限于带宽和数据传输。因此，目前分享的概念是：如果能够让内存与处理器进行协同设计，就可能为 AI 带来一些非常特别的能力。但现阶段仍只是一个概念，更多细节将于后续公布。
再补充一点。我们与生态合作伙伴以及全球多个地区的前沿 AI 实验室保持着良好合作，他们一直在向我们提出新的挑战，例如如何进一步降低端到端时延，以及如何更好地支持多模态上下文生成。
面对这些越来越复杂的需求，关键在于如何跳出既有思路，在边缘侧解决这些挑战。目前 HBC 还只是一个概念方向。我们只是提前分享了一些思考。而正如 Cristiano 提到的，预计到 MWC，大家还会看到更多消息。
问：我想问一个关于旗舰级 SoC 竞争态势的问题。今年整个旗舰级 SoC 的进步都非常大，尤其是你们最关键的竞争对手。目前双方产品的差异化主要体现在哪里？对于消费者体验更关键的因素，高通在哪些方面更占优势？
答：
对于友商的产品我们不便进行评论。我们对自己在高通所做的工作感到自豪。我认为，高通在研发深度以及内部自主设计的技术数量方面，在行业中具有独特性。
我们拥有定制的 CPU，针对消费者需要的应用和使用场景打造；我们的 GPU 技术也是自主设计的，完全定制。AI 技术同样基于数十年的研发和积淀。
例如，今天我们介绍了 Adreno Neural Fusion 架构和系统，这里面的各个组件经过协同设计，最终实现了出色的游戏画质、保真度、分辨率和帧率，同时借助 AI 能力与图形管线的融合，在低功耗下实现这些效果。这种能力只有在各项技术协同设计的前提下才能实现，而这正是高通的核心优势。
问：我这边会有一个问题是关于小米与高通关系。我们都知道，小米自己也有在研发自己的芯片，那同时它的旗舰产品也有在用高通的芯片。那我们会想知道，小米玄戒 O3 的进步，会不会影响到它与高通之间的关系？现在小米与高通的关系是类似于是竞争呢，还是说双方之间会分享一些芯片开发中的经验？
答：
高通与小米之间保持着紧密的合作关系，我们的合作覆盖多个产品领域，包括平板、手机和汽车等，并且还在持续深化。客户拥有自研 SoC 的情况并不罕见。
回顾高通的发展历史，很多与我们合作的公司同时也拥有自己的自研 SoC。这更多是出于技术战略和技术能力展示的考虑，同时也希望针对一部分特定应用进行更深度的定制。
总体而言，我们非常高兴能够与小米保持深度合作，也很高兴今天能够与小米同台；对于未来的合作，我们同样期待。
问：今天这一代的超级至尊版，它堆叠了很多技术，但我们也了解，它其实推高了整个晶圆的成本。那我想知道的就是说在这个整个手机市场大盘比较趋缓的时候，你怎么去游说你的这些利润变薄的手机厂商去采购这个高溢价的 AI 芯片，这是第一个问题。
答：
如果看任何一家 OEM 厂商的产品组合，通常都会有标准版、Pro 和 Ultra ；在整个产品线中，不同机型对应不同价位，也具备不同的性能配置。
以影像为例。定位最高的机型通常会配备极其精密的变焦和高分辨率镜头，以及协同工作的多传感器阵列。
而在入门级或标准机型上，厂商可能会更侧重于打造差异化的用户体验。毕竟，手机产品本身就涵盖非常丰富的层级。
例如，有的客户希望终端针对 4K 30 帧进行优化，按相应方式控制成本；另一些客户则愿意增加投入，支持 4K 60 帧，获得完整的最高规格能力。
我们提供多个层级，就是为了支持 OEM 定制产品能力和成本结构，匹配自身需求，从而为终端用户带来真正有价值的体验。
问：今天上午的演讲可以看到，无论是 CPU、GPU 还是 NPU，都有了更大的内存。系统级内存是不是也同时增大了？有了更强的 CPU、GPU 和 NPU 的 AI 性能之后，如何从系统层面把它们更好地协同起来，让整个 SoC 的性能更好？这包括硬件之间的调度，以及软件层面的工作。
答：
正如之前提到的，手机 AI 经历了从感知、生成式到智能体 AI 工作负载的演进。而智能体 AI 工作负载本身，也在发生从基于指令的模型到基于推理的模型的转变。
当转向基于推理的模型后，模型本身的规模本身非常大，比较典型的就是混合专家（MoE）模型。
MoE 模型的计算开销较高，需要把激活值保存在本地。如果把它们放在 SDRAM 中，再从 SDRAM 搬运到本地计算资源，会导致功耗提升。
正因如此，我们显著增加了与 Hexagon NPU 紧密耦合的 SRAM 本地内存容量，以支持更高的激活值存储，并暂存这些数学运算过程中的中间数据。
关于第二个问题，按我的理解，在设计这类系统时，我们始终会从端到端的软件赋能去考量，寻找提升服务质量、提升效率，并支持更大规模的模型的机会。
基于这个思路，我们对内存模块做了分区设计；软件层面也会做适配，以此实现最优的每瓦性能（或者说每焦耳输出的词元数），在 HDP 上尤其如此。
我就 GPU 这部分再补充一点。大家应该还记得，此前我们引入了 Adreno 独立高速显存（HPM），今年，我们又在 GPU 中加入了 Matrix Cores。
对于神经网络渲染、超级分辨率、帧生成这类先进工作负载，渲染管线必须与 GPU 紧密结合，因此内存就成为其中的关键一环。
以 Adreno Neural Fusion 为例，它是一个多卷积模型，卷积运算的输出会存储在 HPM 中，完全无需访问 DDR，从而在游戏过程中进一步提升能效。
所以，回到 Vinesh 刚才谈到的内容：从内存的角度看，一方面是平台层面的整体考量，另一方面是面向具体用例的优化,HPM 就是这类针对用例优化的好例子。
问：今天骁龙发布的全新平台在底层架构上实现了诸多创新，为终端厂商和软件生态提供了强大的底层能力。请问高通在生态方面会增加哪些投入？在软件栈方面是否会提供更多工具？针对中国市场，在模型和应用开发者支持方面又会有哪些投入？
答：
举个例子，借助 Matrix Cores，开发者可以通过 llama.cpp 这类标准框架来调用它们，运行常规的 AI 工作负载；此外还有通过 Vulkan 提供的扩展，开发者也可以借此进行调用。
另外，在性能分析工具方面，我们也在持续增强 Snapdragon Profiler 的相关能力。因此从工具的角度看，开发者可以使用 Snapdragon Profiler，查看开启与未开启 Adreno Neural Fusion 时不同的渲染帧，并在此基础上开展大量的工作与开发。
我也从 AI 的角度补充几点。在 AI 领域，我们与中国合作伙伴的关系逐年深化。起初，我们与大多数独立软件供应商（ISV）建立了深度合作；在此基础上，我们也开始与阿里等这些前沿的 AI 实验室紧密协作。
我们与他们保持合作，能够较早接触到 Qwen 3、Qwen 3.5 和 Qwen 3.8 等模型，并努力推动这些模型在高通芯片上实现完整的 Day 0 支持，尤其是在阿里生态相关模型方面。
同样，随着向智能体工作流演进，我们也需要支持 MoE 模型。Chris 今天在交流中提到了那个推理演示。
我们与一家中国生态合作伙伴建立了非常紧密的合作，对方得以展示自身的能力，我们也很快完成了集成。
这样的合作也在随着时间不断扩展。而且，合作对象已不只是传统的 ISV。我们此前聚焦于检测、分类和分割，这些固然很重要，但我们也开始与一批伙伴展开合作，他们高度专注于智能体方向，以及用生成式 AI 生成合成数据。
最后同样重要的一点是，我们也在扩展工具和性能分析子系统，让许多生态合作伙伴能够独立开展工作，自行查找瓶颈所在，尤其是在带宽优化和算力优化方面。
这方面的能力同样通过高通 AI 软件栈得到了增强，所有人都完全可以使用，通过高通开发者网站下载即可。
我再补充一点。在考虑开发者、考虑如何让这个平台的能力真正被调动起来时，我们主要从两个方面来看。
一方面，我们希望确保平台确实是为终端用户和那些将为平台增值的人而设计的。举个例子，刚才有一个问题问到，我们如何协调 CPU、GPU 和 NPU 之间的工作。答案其实是, 我们之所以有多个 AI 引擎，一定程度上正是因为存在多个不同的开发者生态。
比如，以游戏为核心的开发者，希望 AI 能力内嵌在 GPU 之中；一些基于 CPU 的开发者，希望 AI 与 CPU 深度绑定；还有一些开发者，希望使用大规模、高性能的中央 NPU 能力。因此，面向这些不同的开发者，我们尽可能让各类软件生态都能便捷地使用我们的平台。
另一方面，无论在中国还是在全球，我们都开展了非常活跃的合作伙伴项目，与关键技术厂商合作，把他们的技术引入我们的平台，并提供给 OEM 厂商使用。影像技术尤其如此，在这一领域，我们与整个生态建立了非常深入的合作。
我认为在任何技术生态系统中，影像领域的 ISV（独立软件开发商）合作关系可能是最丰富的，尤其是在中国。
我们已经加大了相关支持力度，不仅帮助 OEM 厂商，也帮助当地的 ISV，而且成效已经显现。如果大家今天晚些时候或者本周去演示区看看，就会看到大量来自中国的 ISV 和合作伙伴带来的影像和视频方面的技术演示。
问：大家好，我有两个问题，过去的计算产业的价值是围绕着设备和芯片分布的，但是现在 Agent 成为计算主体了，计算也开始围绕着 Agent 动态的调整分布式的计算资源。那我的问题是，您觉得未来的异构计算还是应该以 SoC 为边界吗，还是说这种 agentic 的方式会催生出一种新的算法和计算架构或者去改变我们现在理解的一种计算形式？
答：
本质上来说，你是对的 —— 智能体可能确实属于更上层的架构，不管是从行业标准层面看，还是从 OEM 厂商层面看。但在我看来，SoC 之所以仍然是整个解决方案的核心，有一个非常突出的原因：我们必须解决一系列非常基础的问题。
比如，计算到底在哪里运行？如何路由选中模型？传感器中枢如何协同所有这些不同的传感器输入？内存和情景信息如何管理？功耗如何优化？如何实现安全的跨设备通信？以及最终如何决策 —— 哪些数据留在端侧处理，哪些需要上传到云端？所以我认为，在智能体时代，SoC 的价值和重要性，它的架构, 我们做出的这些选择反而变得更加关键了。
问：第二个问题就是，我们今天已经可以在端侧上跑很大的后端模型了，然后也有了 Agent，也有了持续性理解用户的能力。那为什么现在我们理想中的 AI phone 还没有出现？你觉得当前的一些技术瓶颈在哪里？然后到了 2026 年，你觉得像 AI phone 这样的形态产品应该真正向消费者传递的一些核心的变化和体验应该是什么？谢谢。
答：
我认为，当我们讨论 AI 手机时，核心问题始终是：你到底想解决什么样的问题？你是想解决某个特定的时延挑战？还是想确保有一组合适的模型能够部署在边缘侧，从而真正带来你所期望的体验？
我认为，过去几个月 —— 或者说过去一年 —— 小模型领域取得了巨大进步。我们已经从 30 亿参数的稠密模型，发展到能够支持 300 亿参数级的 MoE 模型。
在此之前，并没有成熟的技术能够支持这类 MoE 模型在终端侧运行，而现在我们已经具备了这样的能力。
智能体体验还需要一类能够快速判断、即时响应并采取行动的模型。这类能力在过去是不具备的。
所以我认为，纵观模型能力的演进、系统概念能力的演进、算法的演进，现在我们已经拥有了大量的基础构建模块。我相信我们的大多数生态合作伙伴将会利用这些基础能力，催生出大量创新应用 —— 而这在过去是无法实现的。
此前行业虽然大力推动，但最终落地效果并不理想。我期待随着高通在生态系统中赋能这些重大创新，未来我们将看到更多智能体形态涌现。
问：大家都知道这两年这个 ARM 的 CSS 平台，它设计的越来越完善，小米已经做了两代这个玄戒了，就是后续，有些人认为 OPPO、vivo 他们也不排除有做这个自己的 SoC 的可能。就是在这种情况下，就是作为高通这种旗舰平台，如何就是保持我们的这个竞争力和市场地位，以及和这个各个合作方的合作关系？这一代我们设计的双旗舰是否有这方面的考虑？谢谢。
答：
我们不能对友商进行评价，但我认为我们核心的价值和价值主张之一在于我们的自研定制 CPU。大家在过去几代产品中已经看到了搭载我们定制 CPU 的产品，我们为市场带来了顶级的性能和能效表现，以满足客户的需求。
随着工作负载的不断演进，凭借我们的自研能力和内部积累的深厚技术专长，我们有能力持续满足这些不断演进的工作负载需求。
我补充一下。因为我们是内部自主研发 CPU，我们的开发目标并非仅仅针对基准跑分或通用工作负载，而是针对我们了解到的对客户至关重要的特定负载做优化，比如游戏场景, 游戏体验一部分取决于我们 GPU 处理器的性能，但同样也取决于 CPU 以及整个 CPU 子系统的性能。
所以在同等功耗区间下，骁龙平台的游戏能效、游戏帧率长期处于行业领先，这正是因为我们自研 CPU，并且围绕终端用户的实际目标做优化，而不是针对通用负载。
关于和小米的合作，我们双方的合作十分牢固，覆盖多个产品品类。客户拥有自研 SoC 这件事，在我们的发展历程中并不罕见，但我们并不把这看作非此即彼的对立关系，我们认为这会成为他们平台的一部分，起到互补作用。我们相信我们和小米的合作会持续未来多年。
问：这次骁龙 8 Elite Extreme Gen 6 的 CPU 部分，它的缓存配置有一些变化。然后相比前代的 2 个 12MB 的二级缓存，改变成了共享 16MB 的二级缓存。我的理解是它总的二级缓存容量是变少了，但是做了一个共享的设计。这样的设计应该都有一些好处或妥协性在里面，我想知道你们是怎么去想这个问题，为什么要这么去设计它的二级缓存？第二个问题是关于 GPU 里的 Matrix Cores，你们也讲到它支持超分、图形技术等。我想知道它是否对 GPU AI 也有帮助。比如说开发者想用 GPU 来运行大模型的话，是不是可以利用 Cores 来加速预填充推理这样的一些用途。
答：
首先, 我从 CPU 开始讲。我们的 FlexCache 设计是缓存架构的一次迭代升级。我们不会单单依靠缓存大小来评判 CPU 子系统。
各家的缓存微架构设计都各不相同,FlexCache 实现的效果，是让异构核心能够以低时延的方式访问这个共享缓存池。
设想一下, 对于智能体 AI 工作负载，不同异构核心之间会发生大量数据交换。再想想游戏场景，我们过去看到超级内核和性能内核之间会发生大量数据交换。
所以任何需要异构核心之间做大量数据交换的高负载任务，都可以从 FlexCache 架构中获益，这就是我们迭代升级、推出 Flex Cache 这套缓存架构的原因。
我来回答关于 Matrix Cores 的问题。GPU 本身是通用计算引擎。即便现在没有 Matrix Cores，你依旧可以在 GPU 上运行 AI 任务。问题就在于你的性能与功耗关键指标是什么，根据不同的指标，或许 GPU 就已经表现足够好。
但如果你需要提高效率，那就要使用 NPU。Matrix Cores 本质上可以赋能并加速生成式 AI，以及 GPU 侧的 AI 能力。调用这些核心的方式非常通用。你甚至可以通过 Cooperative Matrix 扩展接口完成调用，可以通过 OpenCL 或者 Vulkan 调用，搭配 LiteRT、Llama.cpp，甚至我们自己的 QNN 这类标准框架。
GPU 具备很高的灵活性, 在移动端之外的行业，也有大量 GPU 被投入使用, 但你如果想要以高能效运行大模型，那 NPU 会是更好的选择。
总而言之, 现在站在开发者角度，我们可以提供三大强大算力引擎：CPU、GPU、NPU。你可以根据用例、能效需求以及关键指标自由选择。
我再做一点补充。在大语言模型领域，很常见的做法就是把模型拆分为提示词处理以及 Token 生成，也就是大模型领域所说的异构执行，人们还会把 Token 生成拆分为前馈网络（FFN）加速以及注意力机制加速。
借助 GPU 内的 Matrix Cores，我们现在能够拆分模型。根据实际用例，模型的一部分可以运行在高通的 Hexagon NPU 上，另一部分则在 GPU 的 Matrix Cores 上运行。
这就赋予了开发者、生态合作伙伴以及 OEM 厂商进行大量多线程处理的能力，而这在过去是无法实现的。我认为这项投入很有价值，能够有力推动下一代技术的演进。
问：我们今天看到努比亚联合豆包手机助手推出豆包手机、还有千问这类大模型厂商推出的产品，都选用骁龙芯片。想请问高通：1）高通怎么看待模型厂商制造的硬件产品？2）对芯片平台而言，有哪些能力是值得重点关注？3）下一代产品研发，高通研发资源是否会向这类端侧智能体能力上倾斜？4）骁龙 8 系、6 系等产品线，会不会专门推出适配 AI 模型厂商所推动的硬件产品的芯片版本？
答：
高通一直是横向的行业技术赋能者。能够为消费者提供多种多样的选择、不同的设备、不同的设计理念，这将带来巨大的价值。我们非常欢迎希望进入手机市场、带来自身独特视角的新玩家。
丰富的选择与多元的愿景最终都会惠及消费者，而大家也可以挑选真正契合自身需求的产品。我们也非常愿意与各类厂商进行合作，令人欣喜的是，绝大多数厂商都选择了骁龙平台，将其视作性能最强、灵活性最高，最能够满足智能体未来各项需求的平台。
至于将这项能力扩展到各层级产品线，这是我们一直在持续推进的方向，也是高通一贯的策略。
我们一直致力于研发新兴能力，先将其引入最顶级的骁龙旗舰平台，再从至尊版不断扩展扩展覆盖各个层级。因此，我们一直致力于让这项技术惠及尽可能广泛的消费群体。敬请期待日后的产品更新。
问：请教两个细节问题。第一，两款骁龙芯片，最主要的差异是否就是 GPU 上 Matrix Cores 的区别？除此之外是否还有其他硬件差异？比如二者在芯片封装上是否存在差异？第二，据我们手头资料显示，这款 3-slice GPU 上，每个切片都配有一个 Matrix Cores。但大会 PPT 演示里重点突出的是两个 Matrix Cores，想确认硬件上到底是 2 个还是 3 个？
答：
二者均采用 2nm 工艺，CPU 集群、GPU 基础架构、NPU 基础架构相同，但存在一些差异。正如刚才所说，两款芯片采用两种不同封装：超级至尊版采用 Offset PoP 封装，至尊版则沿用我们的传统封装。
GPU 上，超级至尊版支持 Matrix Core 扩展，至尊版不支持。此外，两款芯片 GPU 搭载的 HPM 独立高速显存容量不同。在影像方面，超级至尊版支持 8K@60fps 视频拍摄，至尊版支持 8K@30fps 视频拍摄。
在 DDR 内存上，超级至尊版支持 LPDDR6，至尊版支持 LPDDR5。在视频编解码方面，超级至尊版支持 APV 编解码器和 VVC 解码器格式。
在 Hexagon NPU 方面，超级至尊版集成更多的标量、向量线程；至尊版的线程数大约少 30%。
在 GPU 方面，只有超级至尊版配备 Matrix Cores，而且搭载容量更大的独立高速显存。Matrix Cores 与 GPU 引擎深度耦合。每个 GPU 切片都配置了着色器处理器，且每个着色器处理器都集成了 Matrix Core，所有切片上的矩阵核心数量一致。