小米 2026 年 8 月 24 日舉行的玄戒晶片技術交流會，重點並不是推出單一產品，而是勾勒一套面向 AI 的運算架構：旗艦手機與平板使用的玄戒 O3、專門處理邊緣 AI 的 O100，以及面向智慧駕駛的 D100。小米也展示了 AI Cube 原型機，透過多枚玄戒晶片在本地執行大型語言模型。 156

這場發布會最值得注意的地方，在於小米將焦點從單純堆高理論算力，轉向模型權重與中間資料的搬移效率。這正是本地 AI 常見的「記憶體牆」問題。不過，硬體瓶頸獲得改善，並不代表「應用牆」也已經消失：如何讓 AI 真正理解意圖、取得適當權限，並跨越不同應用程式完成任務，仍是另一場戰役。

三款玄戒晶片的定位

晶片	主要用途	公布的主要規格	製程與上市時間
玄戒 O3	旗艦智慧手機與平板 SoC	3nm、240 億電晶體；宣稱具備 200 TOPS 張量運算能力，AnTuTu 約 522 萬分	據報與台積電生產安排有關，已進入量產，預計於 2026 年 9 月搭載小米 18 Fold 248
玄戒 O100	邊緣 AI 加速器，用於本地大型模型推論	6nm、記憶體頻寬 1.22 TB/s	採近記憶體架構，將運算與記憶體垂直堆疊；預計 2027 年商用 2569
玄戒 D100	汽車與智慧駕駛 AI 處理器	面向自動駕駛工作負載的 3nm 高算力晶片	據報納入小米的台積電製造安排，預計 2027 年商用 245

上述數字主要來自小米或科技媒體報導。尤其 O3 的 522 萬分 AnTuTu 成績，在有獨立測試之前，仍應視為廠商公布的基準測試結果。

玄戒 O3：為本地 AI 重建的手機平台

從產品定位來看，O3 仍是一款傳統意義上的行動平台，負責驅動高階智慧手機與平板，而不是獨立運作的 AI 加速卡。小米公布的規格包括 3nm 製程、240 億電晶體、10 核心 CPU、16 核心 G2-Ultra NX GPU，以及約 522 萬分的 AnTuTu 成績。 41012

對裝置端 AI 而言，O3 重新打造的 NPU 更具意義。小米宣稱其張量運算能力最高達 200 TOPS，並針對自家的 MiMo 裝置端模型進行最佳化。 1818

O3 如何降低延遲與資料搬移成本

O3 的 AI 效率策略同時涵蓋資料傳輸與壓縮。相關報導指出，O3 採用重建的統一融合匯流排與實體佈線，讓記憶體存取延遲在靜態測試中降至 82 奈秒，背景負載下則為 177 奈秒；前代 O1 的對應數字分別是 121 奈秒與 384 奈秒。 17

晶片據報也加入硬體 Huffman 無損壓縮，配合小米採用五值量化的 MiMo 模型。小米表示，這套做法可讓記憶體頻寬使用量降低 30%，並搭配 28MB 的 NPU 近記憶體。 17

這裡的關鍵在於：AI 處理器即使擁有充足的算術能力，如果無法及時取得模型資料，實際使用體驗仍可能受限。降低延遲、把儲存空間拉近運算單元，再加上針對模型設計的壓縮，能減少資料搬移造成的摩擦，也說明 TOPS 並不是衡量本地 AI 效能的唯一指標。

玄戒 O100：專門為大型模型打造的加速器

O100 並不是完整的手機處理器，而是一款採 6nm 製程、專門用於邊緣大型模型推論的神經處理與 AI 加速晶片，目標是在消費裝置上本地執行包括 MiMo 在內的模型。 289

它最醒目的規格是 1.22 TB/s 記憶體頻寬。這項數字之所以重要，是因為本地大型模型推論往往不是單純受限於理論運算量，而是受限於加速器取得模型參數與中間結果的速度。 15

近記憶體運算正面處理「記憶體牆」

小米給出的答案是近記憶體運算。O100 透過 3D wafer-on-wafer 與混合鍵合等方式，將運算與記憶體垂直堆疊，縮短 NPU 與記憶體之間的實體傳輸距離。 59

這和單純增加 TOPS 是兩種不同思路。更多 TOPS 可以提高峰值算術吞吐量，卻不會自動消除大型模型反覆搬移資料所產生的頻寬與延遲成本。O100 的設計則是直接圍繞「資料如何更快抵達運算單元」這個問題展開。

小米將 O100 定位於手機、個人電腦、汽車與機器人等邊緣 AI 場景。公司展示的 AI Cube 本地大型語言模型原型機，也整合多款玄戒晶片，示範多晶片協作進行邊緣推論。 1515

O100 已完成研發，但不是預定搭載於小米 18 Fold 的晶片；報導指出其商業化時間落在 2027 年。 26

玄戒 D100：把 AI 算力延伸至汽車

D100 是小米面向智慧駕駛與自動駕駛工作負載的 3nm 高算力 AI 處理器。它與手機平台 O3、以及主攻一般邊緣推論的 O100 定位不同，主要任務是為車輛提供 AI 運算能力，並將小米自研晶片策略延伸到更廣泛的裝置生態。 245

部分報導稱，D100 採 20 核心處理器，支援最高 160GB 統一記憶體，並可在本地處理最多 2,000 億參數的模型。這些仍屬報導中的規格資訊，並非經獨立驗證的效能結果。 11

與 O100 一樣，D100 已完成開發，但預計要到 2027 年才會商業化部署。 256

這些晶片已具備 AI 就緒條件，卻不等於 AI 手機

若只看硬體門檻，O3 的確遠高於市場常引用的 30 TOPS AI 手機標準；其宣稱的 200 TOPS 超過該數字六倍。 18

但 TOPS 代表的是潛在運算能力，不是使用者實際能完成什麼。小米這次的晶片布局，已涵蓋本地 AI 的幾項重要基礎：

• 運算能力： O3 的 NPU 宣稱達 200 TOPS。
• 頻寬： O100 的規格為 1.22 TB/s。
• 延遲： O3 公布的記憶體存取延遲，明顯低於 O1。 17
• 模型效率： 硬體壓縮與量化可減少需要通過記憶體搬移的資料量。 17
• 本地執行： 晶片旨在支援裝置端推論，不必完全依賴遠端伺服器。 15

因此，O3、O100 與 D100 更像是 AI 裝置的重要基礎設施，而不是「AI 手機」的完整定義。根據交流會相關報導，小米沒有把這個分類簡化為單一晶片規格，並提到產品宣稱必須符合適用要求。現有資料不足以支持更精確的合規規則，因此較穩妥的結論是：「AI 手機」仍是硬體能力、軟體整合、使用體驗與監管定位的綜合概念，而不是已經定案的單一基準標籤。 14

從「記憶體牆」走向「應用牆」

「記憶體牆」是技術層面的問題：大型模型需要高效率、高速度地搬移大量資料。O3 對延遲與壓縮的改善，以及 O100 的近記憶體架構，都是直接針對這項瓶頸。

「應用牆」則是更廣泛的產品與軟體問題。真正有用的 AI 手機，需要一個值得信任、整合於系統層級的代理，能理解上下文、保留適當記憶、遵守權限，並跨越多個服務完成連續任務。使用者可能要求它搜尋資料、更新日曆、準備文件或安排路線；價值不只是聊天視窗能否快速生成答案，而是能否替使用者把整個流程做完。

這也呼應小米高層所談的「人機互動重大轉變」：AI 必須改變人們使用裝置的方式，而不只是額外加上一個聊天機器人，或讓本地文字生成速度更快。O3 與 O100 讓更進階的裝置端 AI 代理在技術上變得更可行，但晶片本身不會自動帶來跨 App 自主操作能力。

因此，小米 8 月的交流會展示了手機、邊緣終端與智慧車輛所需的可信 AI 硬體基礎。接下來真正的考驗，不是晶片能否處理更大的模型，而是小米能否把這些能力轉化為可靠、尊重權限、並能將使用者意圖落實為實際行動的系統。

小米 2026 年 8 月 24 日舉行的玄戒晶片技術交流會，重點並不是推出單一產品，而是勾勒一套面向 AI 的運算架構：旗艦手機與平板使用的玄戒 O3、專門處理邊緣 AI 的 O100，以及面向智慧駕駛的 D100。小米也展示了 AI Cube 原型機，透過多枚玄戒晶片在本地執行大型語言模型。 156

這場發布會最值得注意的地方，在於小米將焦點從單純堆高理論算力，轉向模型權重與中間資料的搬移效率。這正是本地 AI 常見的「記憶體牆」問題。不過，硬體瓶頸獲得改善，並不代表「應用牆」也已經消失：如何讓 AI 真正理解意圖、取得適當權限，並跨越不同應用程式完成任務，仍是另一場戰役。

三款玄戒晶片的定位

晶片	主要用途	公布的主要規格	製程與上市時間
玄戒 O3	旗艦智慧手機與平板 SoC	3nm、240 億電晶體；宣稱具備 200 TOPS 張量運算能力，AnTuTu 約 522 萬分	據報與台積電生產安排有關，已進入量產，預計於 2026 年 9 月搭載小米 18 Fold 248
玄戒 O100	邊緣 AI 加速器，用於本地大型模型推論	6nm、記憶體頻寬 1.22 TB/s	採近記憶體架構，將運算與記憶體垂直堆疊；預計 2027 年商用 2569
玄戒 D100	汽車與智慧駕駛 AI 處理器	面向自動駕駛工作負載的 3nm 高算力晶片	據報納入小米的台積電製造安排，預計 2027 年商用 245

上述數字主要來自小米或科技媒體報導。尤其 O3 的 522 萬分 AnTuTu 成績，在有獨立測試之前，仍應視為廠商公布的基準測試結果。

玄戒 O3：為本地 AI 重建的手機平台

從產品定位來看，O3 仍是一款傳統意義上的行動平台，負責驅動高階智慧手機與平板，而不是獨立運作的 AI 加速卡。小米公布的規格包括 3nm 製程、240 億電晶體、10 核心 CPU、16 核心 G2-Ultra NX GPU，以及約 522 萬分的 AnTuTu 成績。 41012

對裝置端 AI 而言，O3 重新打造的 NPU 更具意義。小米宣稱其張量運算能力最高達 200 TOPS，並針對自家的 MiMo 裝置端模型進行最佳化。 1818

O3 如何降低延遲與資料搬移成本

O3 的 AI 效率策略同時涵蓋資料傳輸與壓縮。相關報導指出，O3 採用重建的統一融合匯流排與實體佈線，讓記憶體存取延遲在靜態測試中降至 82 奈秒，背景負載下則為 177 奈秒；前代 O1 的對應數字分別是 121 奈秒與 384 奈秒。 17

晶片據報也加入硬體 Huffman 無損壓縮，配合小米採用五值量化的 MiMo 模型。小米表示，這套做法可讓記憶體頻寬使用量降低 30%，並搭配 28MB 的 NPU 近記憶體。 17

這裡的關鍵在於：AI 處理器即使擁有充足的算術能力，如果無法及時取得模型資料，實際使用體驗仍可能受限。降低延遲、把儲存空間拉近運算單元，再加上針對模型設計的壓縮，能減少資料搬移造成的摩擦，也說明 TOPS 並不是衡量本地 AI 效能的唯一指標。

玄戒 O100：專門為大型模型打造的加速器

O100 並不是完整的手機處理器，而是一款採 6nm 製程、專門用於邊緣大型模型推論的神經處理與 AI 加速晶片，目標是在消費裝置上本地執行包括 MiMo 在內的模型。 289

它最醒目的規格是 1.22 TB/s 記憶體頻寬。這項數字之所以重要，是因為本地大型模型推論往往不是單純受限於理論運算量，而是受限於加速器取得模型參數與中間結果的速度。 15

近記憶體運算正面處理「記憶體牆」

小米給出的答案是近記憶體運算。O100 透過 3D wafer-on-wafer 與混合鍵合等方式，將運算與記憶體垂直堆疊，縮短 NPU 與記憶體之間的實體傳輸距離。 59

這和單純增加 TOPS 是兩種不同思路。更多 TOPS 可以提高峰值算術吞吐量，卻不會自動消除大型模型反覆搬移資料所產生的頻寬與延遲成本。O100 的設計則是直接圍繞「資料如何更快抵達運算單元」這個問題展開。

小米將 O100 定位於手機、個人電腦、汽車與機器人等邊緣 AI 場景。公司展示的 AI Cube 本地大型語言模型原型機，也整合多款玄戒晶片，示範多晶片協作進行邊緣推論。 1515

O100 已完成研發，但不是預定搭載於小米 18 Fold 的晶片；報導指出其商業化時間落在 2027 年。 26

玄戒 D100：把 AI 算力延伸至汽車

D100 是小米面向智慧駕駛與自動駕駛工作負載的 3nm 高算力 AI 處理器。它與手機平台 O3、以及主攻一般邊緣推論的 O100 定位不同，主要任務是為車輛提供 AI 運算能力，並將小米自研晶片策略延伸到更廣泛的裝置生態。 245

部分報導稱，D100 採 20 核心處理器，支援最高 160GB 統一記憶體，並可在本地處理最多 2,000 億參數的模型。這些仍屬報導中的規格資訊，並非經獨立驗證的效能結果。 11

與 O100 一樣，D100 已完成開發，但預計要到 2027 年才會商業化部署。 256

這些晶片已具備 AI 就緒條件，卻不等於 AI 手機

若只看硬體門檻，O3 的確遠高於市場常引用的 30 TOPS AI 手機標準；其宣稱的 200 TOPS 超過該數字六倍。 18

但 TOPS 代表的是潛在運算能力，不是使用者實際能完成什麼。小米這次的晶片布局，已涵蓋本地 AI 的幾項重要基礎：

• 運算能力： O3 的 NPU 宣稱達 200 TOPS。
• 頻寬： O100 的規格為 1.22 TB/s。
• 延遲： O3 公布的記憶體存取延遲，明顯低於 O1。 17
• 模型效率： 硬體壓縮與量化可減少需要通過記憶體搬移的資料量。 17
• 本地執行： 晶片旨在支援裝置端推論，不必完全依賴遠端伺服器。 15

因此，O3、O100 與 D100 更像是 AI 裝置的重要基礎設施，而不是「AI 手機」的完整定義。根據交流會相關報導，小米沒有把這個分類簡化為單一晶片規格，並提到產品宣稱必須符合適用要求。現有資料不足以支持更精確的合規規則，因此較穩妥的結論是：「AI 手機」仍是硬體能力、軟體整合、使用體驗與監管定位的綜合概念，而不是已經定案的單一基準標籤。 14

從「記憶體牆」走向「應用牆」

「記憶體牆」是技術層面的問題：大型模型需要高效率、高速度地搬移大量資料。O3 對延遲與壓縮的改善，以及 O100 的近記憶體架構，都是直接針對這項瓶頸。

「應用牆」則是更廣泛的產品與軟體問題。真正有用的 AI 手機，需要一個值得信任、整合於系統層級的代理，能理解上下文、保留適當記憶、遵守權限，並跨越多個服務完成連續任務。使用者可能要求它搜尋資料、更新日曆、準備文件或安排路線；價值不只是聊天視窗能否快速生成答案，而是能否替使用者把整個流程做完。

這也呼應小米高層所談的「人機互動重大轉變」：AI 必須改變人們使用裝置的方式，而不只是額外加上一個聊天機器人，或讓本地文字生成速度更快。O3 與 O100 讓更進階的裝置端 AI 代理在技術上變得更可行，但晶片本身不會自動帶來跨 App 自主操作能力。

因此，小米 8 月的交流會展示了手機、邊緣終端與智慧車輛所需的可信 AI 硬體基礎。接下來真正的考驗，不是晶片能否處理更大的模型，而是小米能否把這些能力轉化為可靠、尊重權限、並能將使用者意圖落實為實際行動的系統。