Im vergangenen Jahr haben Smartphone-Hersteller ihre KI-Initiativen beschleunigt. Honors YOYO hat sich in weitere Agenten von Drittanbietern integriert und verbindet so KI-Funktionen zwischen der System- und Anwendungsebene, während Huaweis Xiaoyi zwischen Apps navigieren kann, um Aufgaben mit einem einzigen Befehl zu erledigen.

Trotz dieser gewaltigen Fortschritte offenbart ein genauerer Blick eine grundlegende Realität: Diese KI-Funktionen sind immer noch auf eine Internetverbindung angewiesen. Im Wesentlichen befindet sich die Smartphone-KI immer noch in der Phase der Zusammenarbeit zwischen Edge-Cloud und muss noch den nächsten großen Sprung nach vorne machen.

Kürzlich hat ein Leak zu X von Semi-retired-ing das enthüllt Samsung bereitet ein großes Sprachmodell (LLM) vor, das lokal auf der kommenden Galaxy S26-Serie ausgeführt werden kann, um die meisten seiner KI-Funktionen zu unterstützen. Dieses On-Device-Modell soll sogar über erweiterte Berechtigungen verfügen, die es ihm ermöglichen, bei Bedarf Speicher zu löschen, um sicherzustellen, dass es jederzeit auf Benutzeranfragen reagieren kann.

Tatsächlich stellte Samsung bereits im Jahr 2023 ein On-Device-LLM namens „Gauss“ vor, das Gerüchten zufolge sogar auf der Galaxy S25-Serie vorinstalliert sein soll. Aus unbekannten Gründen hat Samsung jedoch stark für Googles Gemini geworben und Gauss seitdem kaum noch erwähnt. Erst jetzt ist Samsungs On-Device-Modell wieder im Gespräch. Da sich die meisten Hersteller weiterhin auf Cloud-basierte Lösungen konzentrieren, warum versucht Samsung, das Modell direkt in das Telefon zu integrieren? Ist dies eine Strategie, um der Konkurrenz einen Schritt voraus zu sein, oder ist die mobile Plattform endlich in der Lage, LLMs lokal bereitzustellen? Was auch immer die Antwort sein mag, eine neue Phase der Smartphone-KI steht vor der Tür.

Smartphone-Hersteller werden das Edge-Cloud-Hybridmodell nicht aufgeben

Wenn Samsung ein LLM wirklich lokal einsetzt, bedeutet das dann, dass Smartphone-KI die Edge-Cloud-Hybridstrategie zugunsten eines rein geräteinternen Ansatzes aufgeben wird? Tatsächlich ist es unwahrscheinlich, dass dies kurzfristig geschieht. Das Edge-Cloud-Hybridmodell ist derzeit eine nahezu perfekte Lösung. Die Cloud übernimmt die Modellskalierung, komplexe Argumentation und schnelle Iteration und nutzt die überlegenen Rechenressourcen der Server für Updates, Governance und Sicherheit. Währenddessen verarbeitet das Gerät (der Edge) den ersten Benutzerbefehl, wie z. B. Weckwörter, Spracherkennung und grundlegende Absichtsanalyse, bevor es komplexe Anfragen an die Cloud weiterleitet.

Diese Arbeitsteilung funktioniert gut für Benutzer, die gelegentlich KI verwenden. Allerdings Diese Logik basiert auf der Annahme, dass die Häufigkeit der KI-Nutzung nicht zu hoch ist. Da die Richtung der Smartphone-KI klarer wird, verlagern Hersteller ihren Fokus von der „Beantwortung Ihrer Fragen“ hin zur „Erledigung von Aufgaben für Sie“. KI entwickelt sich von einem Chatbot zu einem System, das Bildschirminhalte verstehen, Aufgabenziele aufschlüsseln und Ausführungspfade planen kann und so eine vollständige KI-Agentenkette bildet. Sobald KI in dieses hochfrequente, kontinuierliche Interaktionsszenario auf Systemebene eintritt, werden die Mängel des Edge-Cloud-Modells deutlich offensichtlich. Beispielsweise kann die Latenz der Cloud-Antworten bei schwachen Netzwerkbedingungen zu spürbaren Unterbrechungen führen. Bei einer Befehlsfolge könnte ein Netzwerkausfall den gesamten Prozess stoppen. Für Benutzer ist eine solche Ineffizienz inakzeptabel.

On-Device-LLMs: Was sind die Hürden?

Warum war es angesichts der Nachteile des Hybridmodells so schwierig, On-Device-LLMs auf Smartphones zu implementieren? Es ist nicht so, dass die Hersteller nicht bereit wären, es zu versuchen, aber die Grenzen liegen auf der Hand. Erstens sind es die Hardware-Einschränkungen. Speicher, Rechenleistung und Stromverbrauch sind die drei Kernbedingungen für KI auf dem Gerät. Selbst bei einem mittelgroßen Modell stellt die ständige Ausführung im Hintergrund eine kontinuierliche Belastung der Systemressourcen dar. Allein der Speicherbedarf hat Apple Berichten zufolge dazu gezwungen, den Arbeitsspeicher seiner iPhones zu erhöhen. An zweiter Stelle stehen Stabilitäts- und Wartungskosten. Cloud-Modelle können mit sofortigen Fehlerbehebungen schnell iteriert werden, während Modelle auf dem Gerät nur durch Systemaktualisierungen optimiert werden können. Für eine KI auf Systemebene bedeutet dies höhere Risiken und höhere Testkosten.

Allerdings verändert sich die Landschaft im Jahr 2025 Bedeutende Verbesserungen der Chipfähigkeiten machen rein geräteinterne LLMs nahezu zur Realität. Nehmen Sie zum Beispiel den Snapdragon 8 Gen 5. Qualcomm hat bekannt gegeben, dass seine Hexagon-NPU bei lokalen generativen Aufgaben Ausgabegeschwindigkeiten von rund 200 Token/s erreichen kann. Diese Metrik ist von Bedeutung, da sie bedeutet, dass geräteinterne Modelle nun eine kontinuierliche und natürliche Sprachgenerierung durchführen können, eine Voraussetzung dafür, dass KI komplexe interaktive Befehle ausführen kann. In ähnlicher Weise verfügt MediaTeks Dimensity 9500 über ein aggressiveres energieeffizientes Design in seiner NPU 990. Offiziellen Angaben zufolge verbessert es die Erzeugungseffizienz auf einem On-Device-Modell mit 3 Milliarden Parametern und reduziert gleichzeitig den Gesamtstromverbrauch deutlich. Dies deutet darauf hin, dass On-Device-Modelle nicht mehr nur eine „Einmal-Ausführung“-Funktion sind, sondern für den Dauerbetrieb brauchbar werden.

KI auf dem Gerät wird keine Revolution sein, sondern eine Trennlinie für Flaggschiffe

Betrachtet man die Auswahl der Mainstream-Hersteller, bleibt das Edge-Cloud-Hybridmodell die umsichtigste Lösung. Xiaoyi von Huawei zum Beispiel ist immer noch einer der umfassendsten KI-Assistenten auf Systemebene in China, doch seine Kernarchitektur bleibt ein klassischer Hybrid: Das Gerät übernimmt die Wahrnehmung und das grundlegende Verständnis, während die Cloud komplexe Überlegungen übernimmt. Das liegt nicht daran, dass Hersteller keine KI auf dem Gerät nutzen können, sondern an einem praktischen Kompromiss. Wenn KI tief in das System und die Dienste integriert wird, sind Stabilität, Effizienz und Ressourcenkontrolle immer wichtiger als ein aggressiver Einsatz.

Letztendlich werden große Sprachmodelle auf dem Gerät die Gesamtausrichtung der Smartphone-KI kurzfristig nicht vollständig verändern. Ob Samsung, Huawei oder andere große inländische Player, die aktuelle Wahl ist die Edge-Cloud-Hybridlösung. Schließlich sind Smartphones nicht für große Modelle konzipiert, was ein Gleichgewicht zwischen Leistung, Stromverbrauch, Stabilität und Sicherheit erzwingt. Aus dieser Perspektive sind On-Device-LLMs vielleicht nicht die „Bombe“ bei Telefon-Launch-Events, aber sie werden in aller Stille die technische Messlatte für Flaggschiff-Geräte höher legen. Dies wird zu einer spürbaren Erfahrungslücke zwischen KI-Telefonen mit On-Device-Funktionen und solchen, die rein cloudbasiert sind, führen. Diese Trennlinie könnte sehr bald gezogen werden.