上周，苹果和联合发布声明，放弃在全球层面的所有法律诉讼，签署至少六年的专利许可协议和多年的芯片组供应协议。声明发出后1小时，高通股票暴涨23%收盘。高通股票上一次如此大涨，还是在1999年。

就在和解的两天后，高通人工智能开放日在深圳举办。大会从智能手机、汽车、物联网、研发和投资多个领域展示了高通十年基础科技研发成果，以及推动AI在不同行业落地和普及的最新进展。

从投资、研发到落地，除了芯片技术，高通还展示了一整套完整的+AI战略。

本次开放日以“这是AI触手可及的时代”作为主题，可见在高通看来，AI远不是高高在上的技术，它应该落实在实际的产品体验，帮助我们解决身边的现实问题。

“想象力工程”首推王者荣耀AI战队

此次大会最大的亮点之一莫过于王者荣耀AI战队“SUPEX”，这是高通与vivo、腾讯王者荣耀、腾讯AI Lab四方合作开展“想象力工程”项目，旨在共同推动和探索终端侧人工智能应用的全新体验。

将移动游戏的AI推理能力首次大规模从云端迁移至终端侧，并通过《王者荣耀》等MOBA类游戏场景的实验环境来不断提升和优化AI战队的实力，为移动电竞带来更好的竞技体验。

生态系统投资战略

高通创投成立于2000年，曾投资小米、商汤等56所家中国公司。此次大会上，高通创投创投董事总经理沈劲详细介绍了未来高通创投的投资重点：5G赋能的智能互连。

将设立1亿美金AI投资基金，以投资加速AI技术创新的全球企业；

设立1.5亿美元中国战略投资基金，支持中国初创企业发展。

与高通展开广泛的合作有着这异曲同工之妙，当整个5G生态系统更加成熟，那么技术创造的价值才能得到更大的发挥。

在人工智能方面，高通创投将主要侧重于3个方面：

高效的硬件，包括超低功耗和有限发热的前提下有效运算、类眼芯片、类脑芯片和光子芯片产业链；

先进的算法，如：自适应编译器、生产算法的算法，从最先进的网络中研究的算法、为有限空间和有效性设计的算法；

垂直平台和典型应用，从手机平台到物联网、农业、汽车等平台，同时开发者社区和产业应用的对接方面也会有相应的投资。

结合XR（、AR、MR）与机器人，高通创投将5G+AI的目光转向业。

柔性制造的模式其实广泛存在，比如定制，这种以消费者为导向的，以需定产的方式对立的是传统大规模量产的生产模式。在柔性制造中，考验的是生产线和供应链的反应速度。XR实现引导执行、动态工厂重构、5G提供高可靠低时延的无线网络连接、实时的供应链可视化、AI提供预测性维修、安防等，“5G+AI+XR“三者的融合将更好的赋能柔性制造。

智能制造是指具有信息自感知、自决策、自执行等功能的先进制造过程、系统与模式的总称。高通创投所看好的智能制造项目包括、AGV（自动导引运输车）、工业机器人、AR头显设备、手持终端、安防摄像头和边缘计算分析等。

在机器人领域，沈劲表示将投资应用场景更加明确的机器人企业。概念驱动的机器人不被看好，如情感陪伴等没有解决实际痛点的项目。会倾向于问题驱动的解决方案、远程现场的应用场景以及安全技术、科学、算法等关键技术和服务的机器人项目。

如上图所示，交互技术和感知技术仍然是物联网投资领域的重点。在此次大会上也公布一系列高通在物联网领域所取得的进展。

5G+AI让智能从云到端

除了成就之外，Cloud AI 100 以及在CES发布的三款AI芯片665、730、730G也再次亮相。

目前，高通支持完整的从云到端的AI解决方案。以高通于去年年底推出骁龙855移动平台为例，它集成第四代多核高通AI Engine，其中包括全新设计的、专门面向AI处理而设计的硬件核心——Hexagon张量加速器（HTA），骁龙855也是全球首款商用的5G移动平台，与骁龙X50 5G调制解调器搭配可以支持数千兆比特5G连接。

高通还宣布了面向高端和中端市场的全新骁龙7系和6系全新平台。骁龙730和730G移动平台集成了多项过去仅在骁龙8系支持的技术，它提升了拍摄、游戏、语音和安全的终端侧直观交互的处理速度，AI算力是前代平台骁龙710的2倍。除智能手机外，面向移动计算、XR、物联网、音箱和汽车，Qualcomm也都已经推出集成其人工智能引擎AI Engine的产品平台。

高通也正在将领先优势拓展至云端，宣布推出全新打造的Qualcomm Cloud AI 100加速器。这款用于数据中心的AI推理处理器，旨在让分布式智能可以从云端遍布至终端之间的全部节点。此外，高通还将为开发者提供完整的工具和框架支持。

该产品将于2019年下半年开始出样。

AI技术优化AI模型

在研发硬件的同时，高通也在推动AI软件算法的研究，包括G-CNN、神经网络压缩、训练工具等等，推动人工智能以实现高能效。通过自动化技术，利用AI技术来优化AI模型、缩短产品上市时间并减少工程成本。

通过硬件感知压缩，自动移除不重要单元同时保持准确度，压缩量达到3倍，同时准确度仅损失不到1%。通过量化自动降低权重和激活精度，实现内存和计算4倍能效提升，可以和FP32实现近乎相同的准确率。面向自动化硬件编译的强化学习，可以应对数十亿对潜在组合。

高通把量子场论等物理学的基础数学框架融入到深度学习领域，提出了3D物体识别的新思路。他们正在研究一种新型卷积神经网络。

泛化G-CNN：泛化输入，比如旋转的物体，适用于、机器人、汽车等；泛化几何，比如面向鱼眼镜头的曲面图像对象、3D游戏……