移动端里的AI，用户到底要什么？---权衡性能和体验之战

引言：AI 正深刻影响客户端产品的体验与逻辑。本文来自一线客户端开发者的真实思考，从离用户最近的视角出发，聊聊 AI 究竟是让产品变得更加好用，还是在落地过程中带来了新的问题。

一个真实的冲突场景

这种场景你们熟不熟悉：

AI同学："我们的新模型精度提升了10个点，识别更准了！"

3D同学："等等，你这模型多大啊？"

AI同学："也就60MB，还行吧。"

3D同学："那推理时间呢？

AI同学："大概增加了30-40ms……"

客户端同学心里咯噔一下："完了，这玩意儿肯定得出事。"

产品经理："太好了！竞品最近上了很多AI功能，我们也得跟上！"

具体数字每次不太一样，但这个对话的"味儿"，基本就是这样。

功能上线or demo演示第二天，用户反馈：

• 手机烫得要命

• 电池一小时掉30%

• 卡顿严重，没法用

领导问："怎么回事？不是说AI很智能吗？"我们说："AI是很智能，但用户的手机不够智能。"

所以今天我想和大家聊聊，怎么避免这种"好心办坏事"。

这就是梁宁说的"系统思维"缺失，每个人都是对的：

• AI团队追求精度，这没错

• 3D团队追求画面，这也没错

• 产品追求竞争力，更没错

但系统错了。

梁宁说，"很多时候，你觉得是做加法，但对用户来说是做减法。"AI功能加上去了，但用户体验减下来了。

梁宁的理论我是这么理解的

爽点：即时满足痛点：恐惧、焦虑痒点：满足虚拟自我放到移动端AR里：用户的爽点：

• 手势一挥，虚拟物体就出现（延迟<50ms）

• AR识别又快又准

• 效果炫酷，朋友圈能装逼

用户的痛点：

• 手机发烫（恐惧：会不会炸？）

• 电池狂掉（焦虑：等会儿没电了）

• 卡顿延迟（愤怒：什么破玩意儿！）

• 应用被杀后台（崩溃：我刚才做的全没了）

用户的痒点：

• 比别人用更高级的功能

• 展示自己的设备够好

AI在这里的定位是什么？

很多人以为AI是爽点。但实际上，AI做不好，就是最大的痛点。为什么？因为用户不关心你用了多牛逼的模型，他只关心：

1. 快不快？（延迟）

2. 准不准？（准确率）

3. 烫不烫？（功耗）

4. 掉不掉电？（续航）

5. 卡不卡？（帧率）

AI如果让这5个变差，用户不会夸你智能，只会骂你智障。

设备碎片化有多恐怖？

最大的感受就是：不要用你自己的iPhone15Pro来代表用户

真实情况是：

• 约10-15%用户：iPhone 15/16/17 Pro，小米15Pro，华为meta 70/80pro（土豪）

• 约50-60%用户：iPhone 12/13/14，中端安卓（大多数）

• 约30%用户：iPhoneX，老安卓（学生党、爸妈辈）

同一个AI模型：

• 旗舰机：推理20ms，丝滑

• 中端机：推理60ms，凑合

• 老设备：推理150ms，根本跑不动

性能差距：接近10倍！

场景碎片化

移动端的独特挑战：

1、多任务干扰

• 后台应用争夺资源

• 系统推送、来电、切换应用随时发生

• iOS/Android的激进内存管理，容易被杀后台

2、环境不可控

• 室内外光线差异极大（影响AR识别）

• 移动网络不稳定（影响云端AI）

• 用户使用时长不确定（5分钟 vs 30分钟）

3、发热和电量焦虑

• AR全开运行，手机30分钟必然发热

• 发热后CPU/GPU降频20-40%

• 用户对"耗电"和"发烫"的应用极度敏感

从我的观察和行业数据来看，使用特点：

• 移动端AR不像VR，用户很少长时间沉浸

• 大部分使用场景是"短平快"（几分钟到十几分钟）

• 经常被打断（来电、通知、切换应用）

用户容忍度：

• 启动慢：如果3秒内没响应，大量用户会放弃

• 卡顿：即使偶尔卡一下，用户也会很敏感

• 发热/耗电：这是移动端用户最敏感的两个点

根据应用商店评论和用户反馈，负面评价主要集中在：卡顿、发热、耗电。

梁宁说的"确定性"在哪里？

梁宁强调，好产品要给用户确定性。什么叫确定性？就是用户知道会发生什么，并且确实发生了。

反例：只为高端设备优化

• 高端用户：哇，好流畅！（20%的人爽）

• 普通用户：卡成PPT……（80%的人骂）

• 用户体验：不确定、分裂、崩溃

正例：分层体验

• 高端用户：用高级功能

• 中端用户：用标准功能

• 低端用户：用基础功能

• 所有人都能用，只是精细度不同

• 用户体验：确定、可预期、没有绝对的失望

1. AI的三个常见误区

误区1："模型越大越好"这是技术人的执念。AI同学会说："我们的模型精度提升了5个点！"但用户不会说："哇，精度从89%提升到94%，我好感动！"用户只会说："为什么我的手机这么烫？"梁宁视角：你在追求技术指标，用户在追求情绪稳定。

误区2："端侧AI就是先进"很多团队为了宣传，强调"本地AI、保护隐私"。但真相是：

• 端侧AI：功耗高、发热大、速度看设备

• 云端AI：功耗低、速度稳定、但需要网络

没有绝对的优劣，只有场景适配。实时交互（如手势识别）：必须端侧非实时分析（如场景理解）：可以云端，梁宁视角：不要为了"先进"而先进，要为了"用户体验"而先进。

误区3："AI失败了就提示用户"最常见的做法：

AI识别失败

→ 弹窗："识别失败，请重试"

→ 用户：？？？

这是最烂的体验，更好的做法：

AI识别失败

→ 自动降级到传统方案

→ 用户无感知

→ 核心功能继续可用

梁宁视角：别让用户承担你的技术缺陷。技术的不确定性，不应该转嫁给用户。

2. AI在移动端的正确打开方式

梁宁说，"产品要克制"。我对AI的理解也是：克制。

原则1：轻量化优先

案例：手势识别模型优化

原始模型：60MB，精度94%

→ 量化后：15MB，精度92%（损失2%）

→ 剪枝后：8MB，精度89%（损失5%）

→ 蒸馏后：3MB，精度85%（损失9%）

决策：

• 3MB版本给所有设备（100%可用）

• 8MB版本给中高端设备（70%可用）

• 15MB版本给旗舰设备（20%可用）

牺牲9%精度，换来100%覆盖率。梁宁视角：让80%的人满意，比让20%的人惊艳更重要。

原则2：优雅降级

永远不要让用户看到"功能不可用"。

分层设计：

L1（保底）：所有设备都能跑

L2（标准）：中高端设备体验更好

L3（高级）：旗舰设备极致体验

动态监控：

运行中监控：

• 帧率<50fps → 降一级

• 温度>45度 → 降一级

• 电量<15% → 降到L1

用户感受：

• 不会突然"卡死"

• 不会看到"加载失败"

• 体验平滑降级，几乎无感知

梁宁视角：确定性= 用户知道最坏会怎样，并且最坏也还能接受。

原则3：端云协同

不是所有AI都要端侧跑。

实时场景（端侧）：

• 手势识别

• AR追踪

• 实时渲染

非实时场景（云端）：

• 场景语义理解

• 复杂物体识别

• 大规模计算

网络不好时：

• 云端功能降级

• 端侧保底继续跑

• 用户核心体验不受影响

梁宁视角：系统要有冗余，有备份，不能把所有鸡蛋放一个篮子。

3. AI不是炫技，是解决问题

梁宁说，"用户要的不是你的产品，是他问题的解决方案。"用户的问题是：

• 想用手势操作虚拟物体（问题）

• 不是：想体验最先进的AI模型（手段）

所以：

• 如果ARKit原生手势能解决80%场景→ 用它

• 如果简单的传统算法能解决→ 用它

• 只有必须用AI才能解决的，才上AI

AI是工具，不是目的。

假设场景：我们要做一个AR应用的手势交互。

第一反应：用ARKit手部追踪，系统级能力。

但需要考虑这些问题

设备兼容性：

• ARKit手部追踪需要A12+（这是官方要求）

• 老设备怎么办？放弃，还是提供替代方案？

性能开销：

• 手部追踪会增加系统负载（这是必然的）

• 如果AR场景本身就很重，还跑得动吗？

• 用户会不会觉得卡？

功能适配：

• ARKit提供标准手势

• 如果我们需要特殊交互呢？

系统能力很好，但有边界。

我们需要：

• 覆盖不同设备

• 控制性能开销

• 满足定制需求

重新设计：分层适配

梁宁说，"要理解不同用户的不同需求。"我们设计了三层：

L1：传统交互（100%用户）

• 屏幕点击+ 注视高亮

• 不酷，但稳定

• 这是保底

L2：ARKit手势（60-70%用户）

• iPhoneXS+自动启用

• 点击、抓取、滑动

• 这是主流体验

L3：自定义AI（10-20%用户）

• iPhone14 Pro+

• 复杂手势、品牌定制

• 这是高端差异化

动态降级：核心逻辑

用户使用过程中，设备状态会变化：

• 刚开始：电量足，设备凉→跑L2/L3

• 20分钟后：发热，电量降→ 自动降级

每秒检测：

• 帧率<50fps → 降一级

• 温度>45度 → 降一级

• 电量<15% → 强制L1

用户感受：

• 不会突然功能消失

• 平滑切换

• 给个温馨提示："手势已暂停（性能保护）"

结果

这种分层设计的结果：

✅ 100%用户可用（这是底线）

✅ 大部分用户能体验到手势交互（60-70%）

✅ 卡顿投诉显著下降

✅ 帧率更稳定，体验更流畅

梁宁视角：这叫"分层满足"

高端用户有高端体验，普通用户有稳定体验，所有人都没有被抛弃。

洞察1：AI是提效工具，不是门槛

正例（基于行业观察），一些做得好的AR应用会这样设计：

• 高端设备：精细建模+实时光影

• 中端设备：简化建模+基础光影

• 低端设备：2D贴图+手动调整（无AI也能用）

这种分层设计的效果：

• 所有用户都能用

• 应用评分和口碑明显提升

• 负面评价大幅下降

梁宁视角：AI应该降低门槛，而不是提高门槛。

洞察2：免费≠无成本

ARKit虽然"免费"（不用下载模型），但：

• 运行时消耗GPU

• 占用电量

• 发热降频

系统能力也有成本，不要以为调个API就完事了。

洞察3：80%能用 > 20%完美

梁宁说，"不要让完美成为好的敌人。"移动端开发最大的教训：

• 别追求在旗舰机上的极致体验

• 要追求在大部分设备上的可用体验

精度从94%降到85%，换来设备覆盖率从20%提升到100%，值不值？值。因为用户要的不是你的精度数字，是"能不能用"。

洞察4：保底方案决定产品下限

梁宁说，"产品要有底线思维。"AI会失败，这是确定的。所以：

• 每个AI功能都要有PlanB

• 每个智能交互都要有传统备选

• 每个高级体验都要有基础保底

60%用户好体验+ 40%用户能用，远比80%用户都不够好更明智。

站在AI视角

理解：客户端不是服务器。提供：

• 轻量版模型（<10MB，所有设备能跑）

• 标准版模型（15-20MB，主流体验）

• 完整版模型（可以放云端）

最重要的是轻量版！因为它决定了产品的下限。

站在3D引擎视角

理解：GPU是共享资源。提供：

• 3档渲染方案（高/中/低）

• GPU占用率监控API

• 动态降精度能力

我们一起守护用户的帧率。

站在产品视角

理解：不是所有功能都要加。思考：

• 这个功能解决什么用户痛点？

• 在中低端设备上体验如何？

• 如果功能失败，用户怎么办？

• 我们愿意为了这个功能牺牲什么？

梁宁说："产品要克制。"

感悟1：技术是为人服务的

刚入行时，我追求技术极致。现在我明白，技术的价值在于让更多人受益。80%的人能用，比20%的人惊艳更重要。

感悟2：不要只做功能，要做体验

十年前，产品说加功能，我就加。现在我会问：

• 这解决什么问题？

• 中低端设备怎么办？

• 失败了用户怎么办？

感悟3：客户端是用户的守门员

梁宁说，"产品经理要有同理心。"我想说，客户端开发也要有同理心。我们最懂用户的真实设备和使用场景。所以我们有责任说：

• "这个方案在他们的设备上真的能用吗？"

• "这会不会让大部分用户体验变差？"

• "我们有保底方案吗？"

我们不只是写代码，是为用户体验把关。

回到标题这个问题，答案是：用得好

• AI让功能更智能

• 降低交互门槛

• 用户体验更流畅

用得不好：AI让设备卡顿发热、提高使用门槛和用户体验变差。这不是AI的错，是我们用AI的方式。

关键在于：

• 同理心 理解用户的设备、场景、情绪

• 克制 不是所有地方都要用AI

• 分层 让所有人都能用，只是精细度不同

• 保底 永远有Plan B，永远不让用户卡死平均使用时长

梁宁说："好的产品，是克制的产品。"我说："好的AI集成，是克制的AI集成。