很多人把鸿蒙 AI 和 HMS AI 当成一回事，其实差别挺大

作者：Echo_Wish

一、引子：很多开发者都会有一个误会

前阵子有个朋友问我一个问题：

“鸿蒙 AI 和 HMS AI 到底啥关系？是不是一个东西？”

这个问题其实挺典型的。

很多刚接触鸿蒙生态的开发者，经常会把这几个概念混在一起：

• 鸿蒙 AI
• HMS AI 服务
• 端侧 AI
• 云侧 AI

听起来都像一回事。

但实际上，它们在 架构层级 上是完全不同的东西。

如果用一句接地气的话来解释：

鸿蒙 AI 更像是操作系统里的“AI能力基础设施”
HMS AI 更像是“云端AI服务平台”

一个偏 系统能力，一个偏 服务能力。

今天咱就好好聊聊这件事。

二、原理讲解：鸿蒙 AI 与 HMS AI 的真实关系

如果从技术架构上看，鸿蒙 AI 和 HMS AI 的关系大概是这样的：

应用层
   │
   │  调用
   ▼
鸿蒙 AI Framework
   │
   │  调度
   ▼
端侧 AI 引擎
   │
   │  云端增强
   ▼
HMS AI Cloud Service

简单翻译一下这张图：

鸿蒙 AI
负责 设备本地的 AI 能力

比如：

• 图像识别
• 语音识别
• NLP
• 推荐
• 端侧模型推理

而 HMS AI 服务

主要提供：

• 云端模型
• 训练能力
• 高精度识别
• 大规模计算

所以很多 AI 功能其实是：

端侧 + 云侧协同。

举个例子。

手机拍照识别文字：

端侧快速检测
        +
云端高精度识别

这就是典型的 端云协同 AI 架构。

三、实战代码：在鸿蒙中调用 AI 能力

我们先看一个最简单的例子：

在鸿蒙应用中做图像分类。

鸿蒙提供了端侧 AI 推理接口。

示例代码：

import ohos.ai.engine.pluginservice.PluginServiceSkeleton;

public class ImageClassifier {

    public String classifyImage(byte[] imageData) {

        // 加载本地模型
        Model model = ModelManager.loadModel("image_classify.om");

        // 构建输入
        Tensor input = Tensor.fromImage(imageData);

        // 推理
        Tensor output = model.run(input);

        // 获取结果
        String label = output.getTopLabel();

        return label;
    }
}

这段代码背后其实发生了几件事情：

1️⃣ 调用鸿蒙 AI Framework
2️⃣ 使用设备 NPU / GPU 推理
3️⃣ 本地返回识别结果

整个过程 不需要联网。

这就是 端侧 AI 的优势：

• 快
• 隐私安全
• 离线可用

四、实战代码：调用 HMS 云侧 AI 服务

如果你需要更复杂的 AI 能力，比如：

• OCR 高精度识别
• 语音识别
• 翻译
• 人脸识别

那就可以调用 HMS AI 云服务。

比如 OCR 识别。

MLRemoteTextRecognizer recognizer = MLAnalyzerFactory
    .getInstance()
    .getRemoteTextRecognizer();

MLFrame frame = MLFrame.fromBitmap(bitmap);

Task<MLText> task = recognizer.asyncAnalyseFrame(frame);

task.addOnSuccessListener(result -> {

    String text = result.getStringValue();

    System.out.println("识别结果：" + text);

});

这里其实就是调用：

HMS Cloud OCR API

整个流程是：

设备采集图片
      │
上传 HMS AI Cloud
      │
云端模型识别
      │
返回识别结果

相比端侧 AI，它的特点是：

• 精度更高
• 模型更大
• 功能更复杂

但代价是：

需要网络。

五、场景应用：端云协同 AI 才是未来

很多人做 AI 应用时，总会纠结一个问题：

“AI到底该跑在设备上还是云上？”

其实真正成熟的架构通常是：

端云协同。

举个真实场景：

智能相册

用户打开相册时：

端侧 AI
快速分类照片

比如：

• 人物
• 食物
• 风景

但如果用户搜索：

“2022年海边日落”

这时候可能会触发：

HMS 云侧 AI
做语义理解

所以最终架构是：

端侧AI → 实时体验
云侧AI → 深度分析

这种模式在鸿蒙设备里其实非常典型。

比如：

• 智慧助手
• 智能相册
• AI输入法
• 语音助手

背后几乎都是 端云协同 AI。

六、Echo_Wish 式思考：AI 的未来不在云，也不在端

写到这里，其实我有一个挺深的感受。

很多人谈 AI，总喜欢争论一个问题：

AI 应该在云上
还是在设备上

但真实的技术趋势其实很清晰：

未来 AI 一定是分层的。

简单说就是：

端侧 AI
负责实时

边缘 AI
负责协同

云侧 AI
负责复杂计算

鸿蒙的设计思路其实很符合这个趋势。

它把 AI 能力分成三层：

系统层 AI
平台层 AI
云服务 AI

开发者只需要调用 API。

系统会自动决定：

本地推理
还是
云端推理

这其实是一个非常聪明的架构。

因为未来设备会越来越多：

• 手机
• 平板
• 车机
• 手表
• IoT设备

如果所有 AI 都放在云端：

延迟和成本都会爆炸。

但如果全部放在端侧：

算力又不够。

所以鸿蒙的思路其实很简单：

让 AI 像网络一样，成为系统基础能力。

开发者不需要关心：

AI 在哪里运行

只需要关心：

AI 能做什么

写在最后

很多人第一次接触鸿蒙 AI 时，总觉得：

概念有点多。

但如果你记住一句话，其实就够了：

鸿蒙 AI = 设备能力
HMS AI = 云端能力

一个是 系统级 AI 基础设施
一个是 AI 服务平台

两者结合起来，才是完整的 鸿蒙 AI 生态。

未来真正厉害的 AI 应用，不是单纯的大模型。

而是：

端 + 云 + 场景 的协同能力。

而鸿蒙正在做的，其实就是这件事。