解读

面试官想确认两点：

1. 你是否真的读过 AOSP 14 源码/官方文档，知道“通知摘要”和“输入建议”在 Framework 层的新通路；
2. 你能否把“本地 AI”落到 Android 的工程实现上——即数据怎么采、模型怎么放、推理怎么跑、隐私怎么守、功耗怎么控。
   回答时切忌只背“TensorFlow Lite”这类关键词，而要给出“系统服务 → 机器学习服务 → HAL → 加速器”这一整条调用链，并点出国内项目必过的合规点（个人信息保护、工信部备案、端侧推理备案）。

知识点

1. Android 14 新增的 SystemService：NotificationIntelligenceService（NIS）与 InputSuggestionService（ISS），二者通过 AIDL 对 SystemUI 和输入法暴露接口。
2. ML 推理框架：AOSP 内置 TFLite 2.13 + NNAPI 1.4，支持 INT8 动态量化、权重缓存、低内存分区（dma-buf fd 零拷贝）。
3. 本地模型分发：
   • 预置：/system_ext/etc/ai/ 目录，以 apex 模块 com.android.ai.models 随系统 OTA，不可卸载，厂商可替换。
   • 动态：Google 的“app 安装时下发”方案在国内不可达，国内主流改用 MSA 统一推送 SDK 或厂商自有的“内容中心”增量下载，模型 ≤ 3 MB，Wi-Fi 闲时下发，用户可“系统设置-隐私-本地模型”一键清除。
4. 隐私沙盒：
   • 通知摘要只采“本地通知池”字段（title、text、category、senderPkg），不上云；
   • 输入建议只采“当前编辑框 hint、包名、字段标记（password=true 跳过）”，不采实际输入内容；
   • 二者均通过 PermissionChecker.checkOp(LOCAL_AI) 校验，OP 值在 SettingsProvider 中默认拒绝，需显式弹窗“智能摘要”开关。
5. 推理加速：
   • HAL：android.hardware.neuralnetworks@1.4，支持厂商自定义“通知摘要”算子（fused_attention）与“输入联想”算子（ngram_mask）。
   • 电源：Power HAL 新增 LOCAL_AI_HINT，系统根据 BatteryStats 的 CpuFreq 与 Thermal 状态动态降频，≤ 5% 电池/小时。
6. 缓存策略：
   • 通知摘要结果缓存到 NotificationChannel 级别，TTL 15 min；
   • 输入建议缓存到 InputMethodSession，LRU 50 条，内存占用 < 8 MB。
7. 合规：
   • 工信部《App 收集使用个人信息最小必要规定》要求端侧模型更新日志保存 6 个月，不可含明文个人信息；
   • 如模型输出结果需跨进程传给第三方输入法，须走“隐私计算 API”——即结果先写进 ashmem 匿名共享内存，由系统签名输入法只读，避免 Intent 传递被截获。

答案

Android 14 在 Framework 层新增 NotificationIntelligenceService 与 InputSuggestionService，二者通过 TFLite 2.13 + NNAPI 1.4 在本地运行轻量模型，实现“通知摘要”和“输入联想”功能，全程数据不离端。
具体流程：

1. 模型部署：系统分区预置 ≤ 3 MB 的量化 Transformer，支持动态下发更新；国内项目通过厂商推送通道增量下发，用户可在“设置-隐私-本地模型”查看并清除。
2. 数据采集：
   • 通知摘要仅采集 title、text、category 与包名，不写磁盘；
   • 输入建议仅采集 hint 与文本框属性，实际输入内容在 Inference 前做 SHA-256 掩码。
3. 推理调用：
   • SystemUI 收到新通知 → 绑定 NIS → 封装 NotificationRecord → TFLite Interpreter → NNAPI → 厂商 HAL → NPU/GPU；
   • 输入法 IME → InputMethodService 触发 ISS → 同链路推理 → 返回联想列表。
4. 结果缓存与展示：
   • 摘要文本通过 Notification.Builder.setContentSummary() 写入系统模板，SystemUI 折叠时优先展示；
   • 联想词通过 InputConnection.commitSuggestion() 一次性写入 EditorInfo，不做持久化。
5. 隐私与功耗：
   • 调用前检查 LOCAL_AI Op，默认拒绝；
   • 推理线程放到 system_server 的低优先级 cgroup，功耗 ≤ 5% 电池/小时；
   • 模型输出写 ashmem，仅系统签名输入法可读，满足国内最小必要原则。
6. 国内落地注意：
   • 更新日志本地化存储 6 个月，不含明文个人信息；
   • 如与第三方输入法合作，需通过中国信通院“端侧算法备案”并公示模型用途。

拓展思考

1. 如果让你把“本地 AI 通知摘要”搬到车载 Android（AAOS），你会如何改造？提示：车载通知源包含 CAN 信号、导航 ETA、语音助手，模型输入维度变高，需引入多模态融合；同时车规级 MCU 的 NPU 算力只有 2 TOPS，要考虑模型剪枝与知识蒸馏。
2. 国内厂商想做“离线输入法语音联想”，既要跑 Whisper-tiny 又要保证 100 ms 内出词，请设计一条“语音 → 编码 → 解码 → 联想词”端到端链路，并说明如何与 Android 14 的 InputSuggestionService 对接而不违反隐私沙盒。