工业和信息化部、市场监督管理总局于9月4日联合印发《电子信息制造业2025—2026年稳增长行动方案》。该方案设定了明确的发展目标，规模以上计算机、通信和其他电子设备制造业增加值平均增速预期达到7%左右。加上锂电池、光伏及元器件制造等相关领域后，电子信息制造业年均营收增速将达到5%以上。到2026年，预期实现营收规模和出口比例在41个工业大类中保持首位，5个省份的电子信息制造业营收过万亿元，服务器产业规模超过4000亿元。

  人工智能终端融合发展现状与挑战

  当前人工智能终端尚未出现颠覆性应用，主要受制于技术标准碎片化问题。大模型、智能体、智能芯片技术路线分散，导致软硬件兼容适配成本居高不下。这种碎片化使得整机、模型、应用程序需要面向多种类芯片和操作系统开展开发适配，造成资源重复投入严重的局面。

  应用场景创新不足成为另一个制约因素。现有应用多为功能叠加而非范式革新，当前AI终端发展仍集中在对现有功能的改进。部分产品过度追求技术展示，如多模态交互设计复杂但实际利用率偏低，用户在使用中常遇到答非所问、操作繁琐等问题。终端企业与应用开发者在数据归属、商业模式上竞争激烈，形成了信息孤岛现象。

  智能体与终端产品的融合呈现局部突破、整体分散的特点。在消费级终端方面，智能体已在手机、穿戴设备中实现初步应用，如手机搭载终端智能体可通过自然语言指令完成行程规划、用药提醒等任务。但多数应用仍限于单点功能，缺乏跨设备协同能力。在企业级应用场景方面，智能体开始深度介入业务流程，覆盖财务、供应链等领域的专业智能体通过多智能体协同引擎实现企业系统的自然语言交互与自主决策。

  芯片与大模型适配测试的技术考量

  开展人工智能芯片与大模型适应性测试主要基于技术适配的必要性。不同架构的AI芯片对大模型的支持存在显著差异，ASIC芯片在特定模型推理上能效比突出但灵活性不足。GPU虽通用性强，但训练大模型时功耗高达千瓦级。通过测试可针对芯片特性优化模型架构，例如在NPU上采用低秩分解技术，可将矩阵运算量减少40%。

  端侧AI对能耗敏感性要求较高。测试可推动模型量化与芯片架构创新，使能效比提升3至5倍。国产芯片与开源框架存在适配鸿沟，通过测试可完善工具链，实现一次开发、多芯片部署的目标。

  产业生态构建的必要性同样关键。测试是推动国产芯片规模化应用的关键环节，通过与大模型的适配验证其商用价值。测试为分级评估提供数据支撑，以芯片、模型适配性为核心，可提升模型响应速度，从而引导产业向高性能方向发展。测试还可以促进基础设施升级，通过测试优化可以提升边缘节点的模型压缩率，同时减少推理精度损失率，进而降低边缘推理成本。