旗舰芯抢跑端侧大模型，多头数量成了新内卷战场
2026年开年的MWC大会，全场最热的话题不是折叠屏新形态，也不是卫星通信覆盖，是端侧大模型的多头比拼。
高通晒出骁龙8 Gen4，支持128头40亿参数端侧大模型，号称全行业第一。联发科更狠，直接甩出256头的方案，发布会幻灯片上加粗的两百五十六，晃得人眼睛疼。
然后呢？第三方机构实测出来，苹果A18 Pro只用了32头优化版多头注意力，跑同量级模型，生成速度比高通快了42%，中文问答的准确率还高了2.1个百分点。
整个行业瞬间安静了。合着卷了半天多头数量，原来都是纸老虎？
说实话，我看完测试数据第一反应就是，这波内卷又骗了不少外行。资本圈喜欢看更大的数字，从业者就顺着胃口堆，堆到最后，所有人都忘了多头注意力发明出来到底是解决什么问题的。
现在随便拉一个大模型发布会，十个有九个会把多头数量印在PPT最醒目的位置，仿佛头越多模型越聪明。从来没人告诉你，多出来的那些头，有多少是根本没激活的水分，有多少是平白无故吃掉算力的僵尸。
去年我跟某头部大模型厂的算法总监聊天，他私下吐槽，现在公司PR要求必须把多头数量往高了报，不然融资会上投资人觉得你技术落后。他说自己团队做过测试，128头砍到64头，人类评分掉不到1个点，推理成本直接砍半。
那为什么不砍？
利益而已。
营销堆头还是真实优化，本土厂商走出来的另一条路
其实多头注意力的本质，说穿了就是特种作战的分路搜索。每个头就是一支搜索小队，分别负责文本语义、图像特征、用户意图这些不同维度的信息提取，战线铺得开本来是好事，但你硬要把一百支小队都派去搜同一片小树林，不仅浪费兵力，还挤得谁都动不了，反而抓不到目标。
这个道理，国内务实的厂商早就摸透了。
地平线做车载大模型，大家都盯着参数和多头数量卷，他们偏不，直接做动态多头激活，推理的时候，没用的头直接断电关闭，只有对应维度的任务才激活对应的头。这套方案下来，把车规大模型的多头算力消耗降了62%，相当于原来一块1000块钱的车规芯片，现在能做到原来2600块芯片的推理速度，省下的钱够给每台汽车多装一个毫米波雷达。
字节跳动更绝，做抖音的多模态推荐模型，原来用64头全时激活，后来剪到28头动态调度，把没用的空头直接裁掉。现在推荐系统的单请求响应速度快了27%，用户日均使用时长反而涨了1.1个百分点——没人感觉得到模型少了几十个头，大家只觉得刷视频更顺了。
不过话说回来，行业里堆头骗钱的还是占多数。我见过不少创业公司，拿融资的时候张口就是1024头超大模型，算下来训练成本比128头高出了112%，但MMLU测试得分只提升了3.2个百分点——相当于你多花一个算法工程师半年的工资，只换来了不到半个点的用户体验提升。这笔账怎么算怎么亏。
这里头的商业模式博弈其实很清楚：云端大模型卖授权，按token收费，厂商巴不得你多堆头多耗算力，耗得越多他赚得越多。端侧大模型拼落地，省不下来算力根本装不到用户手机和汽车里，所以才逼得厂商必须去优化，去砍空头。
中国本土厂商在这一轮走得最快，核心原因就是我们的落地需求比海外更迫切。不管是抖音的推荐，还是车载的交互，都要在低算力硬件上出效果，容不得你拿一堆空头撑场面。不像海外很多大模型厂，还在靠堆参数堆多头讲故事骗估值。
从业者的饭碗，已经被多头逻辑重构了
很多人觉得多头注意力就是个算法知识点，跟普通从业者没关系，错了。整个产业链的吃饭逻辑，已经因为对多头的认知不同变天了。
前两年校招算法岗，面试官第一题大概率是让你默写多头注意力的计算公式，背不出来直接刷掉。现在呢？我问过好几个厂的HR，现在面试第一题换成了：给你一个现成的30B模型，你怎么改多头把推理成本降30%？答不出来，对不起，我们不招只会背公式的工具人。
上游芯片厂的路数也变了。原来拼算力就是拼TOPS，拼多少亿晶体管，现在呢？华为昇腾910B、地平线征程6都加了专门针对稀疏多头计算的专用指令集，跑动态多头的速度比通用计算快了整整一倍，这就是现在芯片厂抢订单的核心杀招。谁能帮客户省多头的算力，谁就能卖更多芯片。
对创业者来说更是如此。你现在找投资，要是张口就说我们有几百头上千头的超大模型，投资人大概率直接掏出手机叫前台送客。现在投资人问的第一句话永远是：你能不能把推理成本降到每千token一分钱以下？能不能跑到千元机上？能不能扛住千万级并发不扩容？
这些问题的核心，绕来绕去都绕不开多头注意力。不是说头多不好，是没用的头太多，直接把整个行业的利润都吃光了。现在很多大模型公司赚不到钱，说来说去，一半是需求没找准，一半就是多头堆太多，算力成本扛不住，卖多少钱都亏。
说穿了，这就是行业进化的必然：早期抢概念靠堆数字，后期拼落地靠挤水分。
明年，最先拿下百万台车载端侧大模型订单的厂商，一定不是多头堆得最多的那家。不信，咱们走着瞧。
