【背景】

6G"万物智联，数字孪生"的愿景对终端处理时延、功耗、数据隐私保护等提出了更高要求。随着物联网实时数据爆炸式增长（预计2030年网络吞吐量达5000EB/月）、新型场景不断涌现（XR、自动驾驶、脑机接口）、芯片算力成本持续下降（7nm单位算力成本仅为16nm的19.4%），端侧计算正迎来前所未有的发展机遇。

本白皮书由中移智库、中国移动研究院联合清华大学、北京邮电大学、北京知存科技共同发布，系统梳理了6G物联网端侧计算的四大典型场景、三大技术挑战和三大新兴技术方向。

【四大典型应用场景】

1. 大流量场景——视频物联网
全球视频监控数据约占物联网总数据量的83.1%。30fps/1280x1024分辨率的单一视频每天产生约128G数据，L2辅助驾驶每30秒生成超6GB数据。端侧计算可第一时间处理视频数据，仅上传分析结果，大幅减少传输带宽压力。

2. 实时计算场景——自动驾驶与工业控制
L2辅助驾驶端到端时延要求100ms，L4自动驾驶要求20-100ms，工业运动控制要求25-100微秒，VR需保证动作到头显显示小于20ms。端侧计算可有效降低端到端时延，满足极致实时需求。L5自动驾驶需1000TOPS算力。

3. 隐私保护场景——人脸识别与可穿戴设备
82.3%的网民亲身感受到个人信息泄露的影响。端侧计算可在本地完成数据预处理、去标识化和匿名化处理，仅将脱敏数据与云端交互，从根本上提升隐私保护能力。

4. 离线自治场景——智能家居
预计2025年中国智能家居设备出货量接近5.4亿台。端侧部署服务、云端保存映射，既保证断网时设备稳定运行，也支持远程操控。全屋智能场景算力需求超过10TOPS。

【三大核心技术挑战】

挑战一：算力受限——冯·诺依曼架构瓶颈
摩尔定律开始放缓（2018年预测与实际能力差15倍），登纳德缩放定律已失效。传统冯·诺依曼架构中存储器与处理器通过总线传输数据，在22nm工艺下一比特浮点运算的数据传输功耗是计算功耗的约200倍——"存储墙"与"功耗墙"已成为主要瓶颈。

挑战二：功耗敏感——电池无摩尔定律
终端功能不断增加，但电池容量仅能低幅线性提升。AlphaGo功耗约15万瓦，而柯洁大脑仅约20瓦；蜜蜂大脑仅100万神经元、0.1mW功耗，一个纽扣电池可驱动数月。异构芯片（FPGA能效比是CPU的10倍以上）是当前重要解决方案。

挑战三：信息孤岛——隐私与数据孤立的矛盾
端侧数据隐私保护与AI模型训练需要大量多样化数据之间存在矛盾。同时，复杂智能任务（如XR涉及十几种感知技术）需要多设备协同，单一终端难以满足。

【三大新兴技术方向】

方向一：存算一体——破解后摩尔时代算力危机
存算一体分为近存计算（PNM）、存内处理（PIM）和存内计算（CIM）三个层次。CIM真正实现"存算零距离"，存储介质涵盖SRAM、Flash、RRAM（忆阻器）、PCM（相变存储器）、MRAM（自旋磁存储器）等。但产业化尚需5-10年，面临器件成熟度低、EDA工具缺失、软件工具链不兼容等挑战。我国在该领域与各国"旗鼓相当、齐头并进"，有望实现计算芯片自主可控。

方向二：类脑智能——20瓦的人脑 vs 15万瓦的AlphaGo
类脑智能从三个层次推进：结构层次模仿脑（人脑1000亿神经元、仅25瓦功耗）、器件层次逼近脑（忆阻器天然适合构建神经形态器件）、智能层次超越脑（脉冲神经网络SNN通过积分-泄露-发放机制大幅降低静态功耗）。IBM TrueNorth和Intel Loihi芯片是代表性成果。但SNN学习算法开发仍是挑战，未来将是类脑计算与传统数字计算并存的格局。

方向三：端边云协同——面向6G物联网的泛在算力
纵向端边云协同经历三个阶段：数据协同（上传原始数据）→ 模型协同（联邦学习、模型压缩、迁移学习）→ 算力协同（结合"东数西算"和算力网络，实现跨域资源联合优化）。

横向端端协同从四个层次演进：
? 1.0 数据共享（D2D直通传输）
? 2.0 任务卸载（蓝牙Mesh、碰一碰即连）
? 3.0 超级终端（多设备聚合虚拟超级终端）
? 4.0 群体智能（无人机编队等去中心化自组织协作）

【总结展望】

端侧计算具有低时延、高隐私、个性化等天然优势，但整体仍处初级阶段。白皮书提出三点建议：一是产学研协同促进存算一体工程化和产业化；二是跨学科联动推动低功耗类脑智能算法成熟；三是推动面向6G物联网的端边云协同立体计算架构。中国移动希望联合产业合作伙伴共同推动相关技术研发和标准体系建设，助力我国在先进计算领域实现弯道超车。

报告来源：中移智库《面向6G物联网的端侧计算白皮书》（2023年8月）