一 | 作者声明：该图片由AI生成 文丨李海伦 编辑丨徐青阳 2026年7月，在世界人工智能大会（WAIC）上，智能体手机重新成为最受关注的AI终端之一。 荣耀首次大规模展示Robot Phone真机。隐藏在机身顶部的云台摄像头可以弹出、旋转和追踪用户，让手机拥有了某种接近机器人的感知与动作能力。7月18日，荣耀还正式开启了这款产品的全渠道预约。
一键部署OpenClaw 2026年，企业IT架构的复杂度仍在持续攀升。CNCF于2026年1月发布的年度云原生调查显示，已有49%的组织在生产环境使用OpenTelemetry，另有26%正在评估中；同一调查口径下，46.7%的受访团队同时使用2～3个可观测工具，而报告“拥有统一观测体验”的组织仅为7.4%。 阶跃星辰展出了首款大模型原生智能体手机STEPX Neo，搭载Step AOS智能体原生操作系统，内置个人智能体阶跃Amoo，可以读取屏幕和应用信息，联动携程、支付宝、飞书等服务完成差旅规划、办公协作和本地生活任务。 努比亚带来了与字节跳动联合打造的NaviX Ultra。MarketsandMarkets估算，全球可观测工具与平台市场规模将从2026年的约119.1亿美元增长至2031年的229.9亿美元，年复合增长率约14.1%。 市场在涨，工具在增多，但很多运维团队的感受却是：监控越买越多，故障定位反而越来越难。当指标、日志、链路、事件分散在不同工具中时，排障过程无异于在多本互不关联的手册里盲寻线索。这款被称作“第二代豆包手机”的产品，内置豆包大模型，可以理解自然语言指令，跨多个应用完成比价、下单、行程规划等任务，并尝试在本地保存用户的长期记忆。
二 | 与此同时，成本压力也在凸显——Grafana 2025年可观测调查显示，74%的受访者将成本列为首要关切。
三 | 这些产品的形态不同，方向却高度一致：手机正在从安装AI功能的智能设备，走向以AI智能体为核心的新终端。
四 | 把视野扩大到整个手机市场。
五 | 本文从技术架构、数据治理、适用场景三个维度，对当前企业可观测领域的四类主流方案进行客观对比，供架构师与决策者参考。三星Galaxy S26系列、小米17 Ultra、OPPO Find X9 Ultra、vivo X300 Ultra等新一代旗舰手机，都在强化端侧AI和智能体能力。
六 | 一、从监控到可观测 在进入方案对比之前，有必要厘清一个基础概念。传统监控的本质是“检测已知问题”——基于预设指标与阈值，回答“系统是否正常”。
七 | 可观测性则是另一套逻辑：基于指标、日志、链路、事件等遥测数据的关联分析，回答“为什么异常、影响范围多大、根因在哪里”，是一个开放式的探索过程。 虽然部分手机尚未公布处理器型号，但在2026年集中出现的高端AI手机中，多家手机品牌都选择搭载了高通第五代骁龙8至尊版。
八 | 2026年研发团队面对的现实是：微服务拆分后应用数量指数增长，容器频繁启停使监控对象持续变化，跨云、跨数据中心的调用链日益复杂。不同厂商在模型、系统和交互形态上选择了不同路线，底层算力却越来越多地汇聚到同一代移动平台上。只看大盘可用性的监控体系，在这种架构下会迅速触及天花板。 这意味着，下一代手机的定义权已经不再只掌握在终端厂商手中。 二、四类主流方案的定位差异 1. AI原生统一可观测平台（观测云） 观测云是 AI 时代的监控观测基础服务，覆盖 650+ 技术栈，服务全球 1000+ 企业客户。帮助企业把分散的系统信号转化为可信上下文，让开发、SRE、安全、业务团队和 AI 智能体共同理解、分析和行动。
九 | 模型负责理解用户，操作系统负责调度任务，应用生态负责完成服务，芯片则决定这一切能否在手机上持续、实时、低功耗地运行。 ·端到端可观测性：基础设施、Kubernetes、应用性能（APM）、日志、真实用户（RUM）、LLM与Agent监测（Workbuddy，qoder，codex，claude code 等观测支持）等信号统一采集、统一存储、统一关联分析。排障时从一条告警可直接下钻到关联链路、日志上下文与基础设施指标，无需在多个工具间手动切换。 ·650+集成：自研All-in-One采集器DataKit兼容OpenTelemetry、Prometheus、Telegraf等生态，提供650余个技术栈与云服务集成模板，覆盖主机、容器、数据库、中间件、网络与主流云平台，开箱即用。 ·全球区域覆盖：站点覆盖国内核心区域及全球主要区域，企业在任何地点都能获取安全、合规的可观测云服务；提供SaaS、私有化的交付形态，支持数据不出域。 ·自研数据库GuanceDB 3.1：数据湖仓一体化＋完全存算分离架构；Metric Engine（高基数时序，兼容PromQL）与Event Engine（日志、链路、RUM、AI Agent事件，自研倒排索引、Schemaless写入）双引擎分流，DQL统一查询；内置流式聚合对高频查询透明加速。日志存储成本降低70%、查询性能提升2～4倍，同时作为AI智能体统一的数据事实层。 ·Guance AI套件：真正企业级的AI原生可观测智能体，包含两大形态—— Obsy AI Copilot（页面内嵌入式AI副驾驶）：自动带入当前页面上下文（对象、查询、筛选、时间范围），支持自然语言问答、异常根因诊断、DQL/PromQL生成、自然语言建板与Pipeline创建，结论附带结构化证据链。智能体手机由此成为一场横跨整条产业链的竞争。 Guance AI智能体团队（Agent Teams）：从告警或具体问题出发，7×24持续调查指标、日志、链路、事件等PB级数据并输出RCA摘要；可接入飞书、钉钉、企业微信协作；以只读与最小权限为起点、危险操作人工审批、高危调用运行时直接拒绝，执行结果回到生产信号验证。 适用场景：多云/混合架构、需要统一替换多套存量监控工具、对数据主权与合规有明确要求，以及希望引入安全合规的企业级AI智能体参与值班排障的企业。 2. 开源可观测组合（Prometheus + Grafana + Loki/Tempo） 开源方案是很多技术团队的起点。
十 | Prometheus是云原生指标监控的事实标准，Grafana提供可视化能力，配合Loki（日志）与Tempo（链路）可组成完整的LGTM栈，整个组合对OpenTelemetry的支持是原生级的。Grafana Labs在2026年Gartner可观测平台魔力象限中继续位列领导者象限，Grafana Cloud免费层提供1万指标序列与50GB日志/链路额度，入门门槛低。 但开源组合的局限同样明显：需要团队自行维护整套技术栈，长期存储、高可用、权限体系都需要额外建设；指标、日志、链路之间的关联下钻体验依赖自行配置；告警治理与事件闭环能力需要另行拼装。 自乔布斯推出iPhone开创智能手机时代，整个手机行业历经十多年发展，终于演化出新物种——智能体手机。值得注意的是，Grafana官方已将Grafana OnCall开源版于2026年3月归档，告警响应能力转向Cloud IRM云服务，自托管路线的功能边界正在收紧。
十一 | 适用场景：技术团队成熟、有平台工程能力、预算有限且以单一技术栈为主的团队。 3. 国际商业可观测平台（Datadog / Dynatrace / New Relic / Splunk Observability） 国际商业平台的产品成熟度与生态深度有公认优势：Datadog集成数量超过1000个；Dynatrace的Davis AI基于实时拓扑做因果分析，在混合云级联故障场景下根因定位能力突出；Datadog的Bits AI SRE已于2025年12月商用，可在告警触发后自动展开调查，按调查次数计费（约500美元/20次/月）。这也引发了行业的更多思考：iPhone开创“智能手机时代”，谁来定义智能体手机？ 播放 下一个 打开循环播放 00:00 / 00:00 倍速 3.0X 2.0X 1.5X 1.25X 1.0X 0.75X 0.5X 多音轨 AirPlay 0 静音播放中，点击 恢复音量 画中画 网页全屏 全屏 你可以 刷新 试试 视频信息 1.33.6 播放信息 上传日志 调试信息 [X] 视频ID VID - 播放流水 Flowid - 播放内核 Kernel - 显示器信息 Res - 帧数 - 缓冲健康度 - 网络活动 net - 视频分辨率 - 编码 Codec - mystery mystery - 按住画面移动小窗 01 当手机开始“主动思考” 7月17日下午，在荣耀分论坛上，高通公司全球副总裁、中国区研发负责人徐晧发表主题演讲，系统解释了智能体终端对芯片架构提出的新要求。 需要正视的现实问题有三个：一是数据主权与合规，SaaS模式下遥测数据出境对金融、政务等行业是硬性障碍；二是计费复杂度，Datadog Infrastructure Pro约15美元/主机/月、Dynatrace全栈监控约58美元/8GiB主机/月、New Relic Full Platform席位约349美元/用户/月，不同计费维度在高动态环境下可能产生预期外账单；三是厂商存续与整合风险。 适用场景：预算充足、以海外业务为主、无数据出境限制的跨国企业或互联网公司。 徐晧的核心判断是，智能体带来的不只是交互方式升级，更是对终端设计理念的一次重构：设备需要从等待指令的“被动响应”，转向能够理解环境和用户需求的“主动服务”。 比如，用户让手机规划一次出差。
十二 | 智能体需要理解自然语言指令，读取日历和个人偏好，查询机票与酒店，再调用多个应用完成后续操作。语音识别、意图理解和个人数据检索可以在端侧完成，复杂的信息搜索和推理则可能交给云端模型。 即使是“哪些消息需要优先回复”这样一个细小的功能，背后也需要端侧模型理解联系人关系、历史沟通习惯和当前日程，并将这些信息组织成个人知识图谱。 4. 云厂商原生监控（AWS CloudWatch / Azure Monitor / 阿里云可观测等） 云厂商原生监控与自家云服务无缝集成、开箱即用，在单一云环境下看住云资源的效率很高。
十三 | 高通总裁兼CEO安蒙将这一变化概括为，人机交互将从“以应用为中心”走向“以智能体为中心”。阿里云已将云监控、ARMS与SLS日志服务整合为统一可观测平台CMS2.0，并进入2026年Gartner可观测平台魔力象限挑战者象限，据公开报道为亚太地区唯一入选厂商。2026年6月，他与微软CEO萨提亚·纳德拉谈到，未来AI智能体将逐渐成为主要交互入口，用户的任务和使用体验也会跟随智能体，在手机、PC、汽车和其他终端之间流动。
十四 | 应用仍然存在，但大量操作将被隐藏在智能体背后。 自iPhone面世以来，智能手机的大量硬件优化都围绕一个目标展开：如何更快地响应用户操作。更高的触控采样率、更短的应用冷启动时间、更流畅的动画帧率，衡量的主要是用户发出指令之后，手机能够多快作出反应。 而到了智能体时代，手机需要长期处于“准备工作”的状态。
十五 | 比如传感器需要持续在线，同时不能明显增加功耗；大模型需要在端侧实时运行；端侧与云端之间的任务切换需要足够迅速；系统还要长期理解用户的习惯、偏好和当前场景。 局限也同样突出：多云或混合云架构下无法提供跨平台统一视图；监控深度通常停留在云服务层面，深入到应用链路与业务交易观测的能力有限；日志等高频数据的按量计费需要精细测算。 适用场景：单一公有云重度用户、以云资源监控为主的轻量级场景。
十六 |
因此，交互逻辑发生变化后，芯片设计的底层逻辑也必须随之改变。 三、核心能力对比 
四、选型建议 2026年评估可观测平台，建议从以下维度出发： ·全栈覆盖是否存在盲区：硬件、系统、中间件、数据库、容器、云、应用、链路是否都被覆盖； ·数据是否真正融合：四类信号能否一键互相关联，还是需要在多个界面间人工拼接； ·开放性是否足够：是否以OpenTelemetry为一等公民，仪器化资产能否长期迁移； ·AI观测是否可验证：AI结论是否附带证据链，每一步可审计，是否能安全合规的进入企业真实生产环境。
让手机“跑得更快”，已经不足以支撑智能体持续感知、多模态推理和跨应用执行任务。芯片需要改变计算资源的组织方式：低功耗模块负责持续感知，NPU承担端侧模型推理，CPU、GPU和不同加速单元协同工作，复杂任务则在端侧与云端之间动态分配。 ·部署形态是否匹配合规要求：数据驻留、等保、信创适配是否满足； ·三年TCO是否算得清：按数据增长预测重算计费，而非只看首年报价。
这就意味着，芯片架构必须从根本上重新设计，仅仅“跑得更快”已不能满足市场要求，必须换一种“跑法”。
02 智能体手机的底层能力
再看7月的WAIC上，荣耀Robot Phone、努比亚NaviX Ultra、阶跃星辰STEPX Neo等智能体手机的切入方式，分别选择了不同的路线。 行业实践参考：据观测云官网公开案例、零售门店集中管控（美宜佳）、汽车制造（长安汽车、极氪汽车）、运动零售（安踏集团）、工业制造（圣戈班）、餐饮连锁（皮爷咖啡、杨国福麻辣烫）等场景中作为观测底座落地。 五、企业选型FAQ Q1：已有Prometheus+Grafana，有必要上一体化平台吗？ 不一定需要推倒重来。如果团队平台工程能力充足、监控规模可控，继续投入开源栈是合理的。但当出现告警风暴、跨工具排障效率低、合规要求升级等问题时，可以考虑引入一体化平台作为数据融合与告警治理层——例如观测云的DataKit采集器兼容Prometheus生态与650余个技术栈模板，可先汇聚、再逐步收敛，保护既有投资。
十七 | 比如荣耀通过进一步改造硬件形态，让摄像头能够转动、追踪和反馈；努比亚希望让智能体理解指令、调用多个应用完成任务；阶跃星辰从模型和操作系统入手，试图构建智能体原生的手机交互方式。 Q2：OpenTelemetry在选型中有多重要？ 接近硬性要求。CNCF调查显示49%的组织已在生产使用OTel，仪器化一次、后端可替换，是避免厂商锁定的关键保障。
十八 | 这几款产品分别从应用执行、系统重构和具身交互切入，也共同提出了一个问题：当AI从手机里的单项功能变成持续运行的智能体，原有的手机算力架构还能否支撑？智能体手机需要必备哪几项底层能力？以高通为代表的芯片厂商开始从底层给出一套系统性解法。 首先，是始终在线的“低功耗感知”。 比如，手机判断用户已经进入会议室，需要综合日程、位置和环境声音；识别用户正在运动，需要持续读取加速度计和心率数据；Robot Phone追踪人物动作，则要同时处理视觉、声音和云台姿态信息。选型时建议验证：用OTel Collector直传数据后，平台功能是否打折扣。 Q3：云厂商自带的监控够用吗，还需要第三方平台吗？ 单一云、轻量级场景下基本够用。 这就要求专门设计一个传感器中枢，它是一个始终运行的低功耗AI处理模块，持续收集加速度计、陀螺仪、麦克风、光线传感器等感知数据，却不唤醒主CPU或GPU，因此功耗极低。但对多云/混合架构（这已是大多数中大型企业的现状），云厂商监控无法提供跨平台统一视图，应用链路与业务层观测深度也有限。 这些体验看起来由模型完成，第一道计算实际上发生在芯片的低功耗感知模块中。第三方一体化平台的价值在于跨云统一数据模型与全栈关联分析。缺少这一层，手机即使拥有很高的AI峰值算力，也很难让智能体长时间在线。 Q4：国际商业平台和国内一体化平台怎么选？ 看三个约束：数据合规边界、存量技术栈、服务响应模式。两者并非互斥——常见组合是国内核心系统采用支持私有化交付的平台（如观测云），海外业务沿用国际SaaS。需要客观说明的是，国内平台在国际SaaS生态集成数量上与Datadog等厂商存在差距，选型时应按业务版图决定权重。
十九 | 高通的方案是传感器中枢（Sensing Hub）。
| Q5：平台的AI能力如何评估？ 先分清两类形态：一是嵌入页面、随叫随到的AI副驾驶（如观测云Obsy AI Copilot），价值在于降低查询与分析门槛；二是可7×24持续执行任务的智能体团队（如Guance AI智能体团队Agent Teams），价值在于承接持续调查与跨系统操作。
| 评估时重点看三点：AI能否自动带入当前页面上下文而非要求人工搬运数据；结论是否附带可复核的观测证据链；执行类动作是否有最小权限、审批与隔离等安全边界。按照徐晧的介绍，它可以长期收集和处理声音、动作、位置等信息，为智能体主动服务提供感知入口，同时减少对CPU、GPU等高功耗模块的频繁调用。
| Q6：如何估算可观测平台的真实成本？ 把数据量增长（日志GB/日、指标基数、链路span数）、团队规模（席位）、留存周期、AI功能附加费四个变量分别建模，用峰值而非均值测算三年TCO。
| 同样功能在按主机、按GB、按序列、按席位四种计费模型下，总成本可能相差数倍。 本文所提及的各类可观测平台相关信息（包括但不限于产品功能、适配场景、市场反馈、行业适配性等），均基于公开市场披露资料、权威行业调研报告及网络公开可查的信息整理而成，仅为企业提供选型参考维度，不构成对任何品牌、产品的官方背书、性能承诺或购买建议。
第二层，是面向大模型的异构计算。
完成感知之后，手机还要理解用户当前在做什么、可能需要什么，以及下一步应该采取怎样的行动。
例如，手机接收到一句“把刚才会议中提到的项目整理出来，发给相关同事”，背后可能同时涉及语音处理、人物识别、文本理解、上下文检索、文件生成和应用调用。文中引用数据以原始出处及各厂商官方最新信息为准。不同步骤对算力、内存、时延和功耗的要求并不相同，很难依靠一颗单独的NPU从头跑到尾。所有信息仅供企业选型时辅助参考，企业应结合自身实际情况独立判断。
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！。 因此，智能体时代对芯片提出的新要求，是让CPU、GPU、NPU、ISP和各类加速单元形成更紧密的异构计算体系。
| 为此，高通采用了端侧异构计算架构：能端侧跑的就交给端侧的CPU、GPU、NPU协同处理，端侧跑不动的才上云，大幅减轻计算压力和功耗，还不影响体验。 按照徐晧的介绍，高通Hexagon NPU的解法是，其内部配置了面向张量、矢量、向量矩阵加速单元，并与CPU、GPU协同工作，根据任务类型分配计算资源。 正是因为异构计算架构，使智能体手机拥有了“端侧超级大脑”，能实时感知用户情绪，并与用户实时互动。 第三层，是端侧与云端之间的动态分工。 再强的手机芯片，也很难把所有智能体任务全部留在本地完成。 高通CEO安蒙在COMPUTEX 2026上提到，对话式AI单次任务可能涉及约1万Token，复杂推理任务可能达到约10万Token，智能体任务的规模还可能进一步上升至100万Token量级。这里的100万Token代表完整智能体任务可能产生的计算需求，并不意味着手机要在本地一次处理100万Token。 对此，高通构建了一套覆盖端侧、边缘侧和云端的分布式智能体AI架构。在这套架构中，规划器（Orchestrator）负责拆解任务，并根据各环节对算力、时延、功耗和隐私的不同要求，动态调度计算资源。CPU负责智能体的任务编排和规划，NPU与GPU承担本地模型推理，传感器中枢提供持续的情境信息，蜂窝网络和Wi-Fi则连接终端与云端算力。 智能体需要理解目标、拆解步骤、查询信息、调用工具、检查结果，有时还要在失败后重新规划。
| 任务链越长，计算量和Token消耗就越高。 如果全部放在端侧运行，会受到手机内存、功耗和散热的限制；全部放到云端，又会带来网络延迟、推理成本和隐私风险。
| 更可行的路径，是让端侧与云端根据任务实时分工。 以WAIC上展示的跨应用任务为例，当用户要求手机规划一次出差，端侧可以先识别用户身份、读取日历和出行偏好，云端模型负责搜索和比较大量航班、酒店信息，最终再由端侧系统向用户确认支付和发送行程。 这套流程依赖的已经不只是一颗NPU，还包括蜂窝通信、Wi-Fi、内存、操作系统调度和云端模型服务。任何一个环节出现延迟，智能体的任务链都可能中断。 因此，具备实时通信连接能力的芯片设计商将具备竞争优势，可以说快速稳定的通信连接就是智能体手机的“神经系统”，没有它就不能保证端侧和云端的丝滑切换。 为保证实时连接的高速和顺畅，芯片设计厂商还必须具备提供跨端统一计算解决方案的能力，要为用户的不同设备类型和边缘场景提供一致性的体验，只有全栈产品线才能确保端与云之间不是二选一，而是按需流动，对芯片设计行业来说，是一个全新的挑战。 简单来说，具备一系列的芯片产品设计，并有不同的算法和软件来支持各种终端形态，并使这些产品形态进化得到智能体的支持，这类芯片设计厂商在未来才会占有竞争优势。 此外，拥有长期记忆及其安全边界也是一个核心能力。 WAIC上几款智能体手机都在强调“记得住”。 手机需要逐渐了解用户常用的应用、经常联系的人、出行偏好和工作习惯，才能减少重复询问，并在合适的时间提供服务。这些信息可以进一步形成个人知识图谱。手机知道哪些消息需要优先回复，汽车知道用户习惯怎样调节座椅和空调，家庭机器人也可以根据历史习惯判断用户回家后可能需要什么。 智能体越了解用户，权限边界就越需要清晰。端侧AI算力的重要价值之一，正是让更多敏感数据能够在本地完成处理，降低原始个人信息频繁进入云端的必要性。 总而言之，WAIC上的智能体手机形态各异，不过落到底层核心面，面对的是同一组考题。 03 行业新时代拉开帷幕 在过去几年，手机厂商比拼的是谁能加入更多AI功能，例如AI应用于修图、翻译和搜索等等，有更加个性化的体验。 到了2026年，竞争开始进入下一阶段。AI逐渐深入操作系统，从执行一条指令，走向理解一个完整目标；从调用单一功能，走向调度多个应用、模型和服务，连续完成一项任务。 今年WAIC上集中出现的智能体手机，正是这种变化的缩影。手机厂商、大模型公司和操作系统厂商选择了不同入口，有的重点解决跨应用执行，有的尝试重构操作系统，有的探索感知能力与新硬件形态。但无论采用哪条路线，最终都要回到底层系统的核心能力。 徐晧提到，高通的平台正在覆盖从低功耗智能耳机，到手机、汽车，再到千瓦级数据中心机架等不同形态，希望用统一的芯片、算法和软件解决方案支撑智能体在多个终端中运行。
| 手机只是这轮变化最先成熟的入口之一。智能体还将进入PC、汽车、耳机、机器人以及更多物联网设备，围绕用户形成一个跨终端协同的计算网络。届时，同一个智能体可以在手机上了解日程，在汽车中延续出行任务，回到家后再将服务交给家庭设备。 高通公司CEO安蒙在COMPUTEX描绘了一幅更大的产业图景：全球约有60亿部手机、20亿台个人AI终端、20亿台PC和5亿辆智能网联汽车。随着这些设备陆续获得智能体能力，一个规模超过百亿台的智能体终端生态正在形成。 他判断，智能体驱动的设备升级周期，“有望成为行业有史以来规模最大的周期之一”。 从这个角度看，今年WAIC上的智能体手机仍然只是起点。它们展示了下一代手机可能拥有的形态，也提前揭示了未来终端产业的竞争方式。一个属于智能体手机的行业新时代，正徐徐拉开帷幕。 *魔铁的世界对本文亦有贡献。
Current article:http://www.lichuorenrenyitankanmeimu.cfd/60h/20260826/900347.docx
Published on:00:19:29
新闻热点
新闻爆料
图片精选
点击排行
