一半成本干更多活！英特尔这波玩大了：让AI PC普及

如今的智能体PC到底发展到什么程度了？对于这个问题，英特尔可能是最有资格回答的。

最近，在一场智能体PC应用分享会上，英特尔没有上来就介绍芯片的算力、性能，而是聊了另一件事——成本。

用AI的朋友都有体会：每一次回答背后，都是成千上万Token的消耗。根据任务复杂度，使用成本差异巨大——真要往狠了用，几千万美刀的预算说没就没。在高昂的使用成本面前，智能体PC的普及必然会受阻。这显然不是AI公司和PC公司想看到的。

那么，如何解决这个问题？答案只有一个：端云协同。

端云协同，把AI成本打下来

分享会中，英特尔给出了一组数据：在纯云端或纯端侧的情况下，用户或企业部署和使用AI的成本都相当高，只是两者所处的高位时间点不同。

纯本地部署，初期就需要数万甚至数十万购置算力卡等硬件；而纯云端则是随着使用时间、任务复杂度不断增加，而且增长几乎没有上限。

相比之下，采用第三代酷睿Ultra处理器打造的端云协同智能体，同时具备了两种模式的优势：低硬件成本和低云端成本。英特尔将这条成本曲线称为“微笑曲线”——这么叫倒也没错，毕竟钱花得少、活也干少了，用户自然是开心的。

对于多数办公人士来说，端云协同模式确实是最优解。在英特尔展示的文档处理场景中，Token消耗下降了高达69%，反应延迟降低了43%，而给出的结果几乎完全一致。

英特尔是怎么做到的？这就得说说他们提出的七类本地AI关键能力：LLM、ASR、OCR、TTS、CV/VLM、Image Gen和Omni——翻译成中文就是：想、听、写、说、看、绘和全能。

简单来说，就是让PC自己完成这些基础工作。比如语音转文字，没必要把几个小时的录音都上传服务器，而是先在本地预处理，再根据任务需求将处理后的录音转译文稿发送到云端做进一步处理。如果是不复杂的任务，甚至可以直接在端侧完成全部处理。

再比如OCR识别发片——放到云端消耗的算力很可观，但在端侧用本地模型识别，很多时候只是速度稍慢一些，遇到识别困难的再提交到云端处理。

通过任务拆解和分布式运算，英特尔PC能将智能体应用的运行成本压缩到原来的二分之一甚至更低，具体取决于任务的复杂程度。

那么，谁来决定任务的哪些部分在本地跑，哪些在云端跑？英特尔给出的方案叫SuperClaw模型路由。它会先拆解任务，再判断不同环节应该调用本地还是云端能力。需要上传的信息先在本地脱敏，如果结果不达标还会重新执行，再根据反馈持续调整路由策略。

这也许才是混合AI真正重要的部分。过去我们讨论端云协同，常常简单理解成“大模型联网，小模型离线”。但对于智能体来说，它面对的是完整的工作流。比如整理一次采访资料，可能同时涉及OCR、语音识别、本地文件搜索、大模型推理和表格操作——如何让AI正确理解和调配各个功能与模型，以及决定每一步在哪里运行，比单纯塞一个更大的模型进PC要重要得多。

除了SuperClaw模型路由，还有MoE专家卸载技术。虽然它在分享会上所占篇幅不大，但这才是英特尔核心技术之一。这是一个针对MoE模型专门设计的内存调度机制，其核心在于：MoE模型虽然参数规模很大，但每次推理并不会把所有“专家”全部调用一遍。

英特尔联合江波龙、群联电子等AI SSD厂商，将部分数据和专家模块调度到存储侧，从而降低模型对系统内存的占用——相当于从大容量的硬盘中临时调用部分存储来承载数据。

按照现场公布的数据，35B模型运行时可以节省约10GB内存占用。这意味着什么？过去想在本地跑一个35B级别模型，即使是采用统一内存也要至少64GB内存起步。但按照英特尔展示的方案，32GB主流配置也有机会承载35B模型，同时还能给Windows和其他应用留下运行空间，不至于AI一跑起来电脑就干不了别的。

不难发现，英特尔一直在尝试用各种方式去降低智能体PC的入门门槛和使用成本，甚至在处理器产品线上也做了很大力度的优化。比如第三代酷睿Ultra既有358H这样的高性价比次旗舰型号，也有325这样主打性价比市场的型号。两者在性能上区别较大，但在AI能力上差距缩小到了30%以内。

道理也很直接：一项技术只有旗舰机能用，最多叫展示；只有真正进入5000元、6000元价位段，才能谈普及。

英特尔想给智能体应用们“造轮子”

此次分享会除了展示英特尔的AI技术进展，也集中展示了其AI伙伴们的成果。这一切要追溯到今年4月，英特尔首次提出“智能体PC”的逻辑架构。

短短三个月后，英特尔又把Flowy、QClaw、remio、TRAE、DuMate、YOYO Claw、Marvis等一批生态伙伴拉到现场，一口气展示了20多项智能体PC应用。从现场来看，英特尔对“智能体PC”的理解，已经明显不只是“在电脑上跑一个大模型”。

按照英特尔中国区技术部总经理高宇的说法，个人计算正在从“工具增强”进入“智能伙伴”阶段。智能体PC需要具备思考、调度、执行、交互和记忆五个模块——AI不再等着用户问一句、答一句，而是主动拆解任务，再调用不同能力完成整个流程。

听起来有点抽象？看现场演示就直观多了。比如remio的知识工作场景：用户可以一次性导入多份访谈文档和录音，AI在本地完成语音转写，然后跨文档寻找信息、聚合结论，最后再把结果导出。

对于经常跑展会、做线下走访的人来说，这个场景确实很接地气。一场群访下来，起步一小时的录音需要先转录，再看文字稿，对照资料找信息，最后手动整理进提纲。现在，只需要把录音和各种资料文档一起丢给remio，它就会自动整理并核实，同时结合资料检查录音转录的文稿，确保与最新资料保持一致。后期处理的时间成本被直接压缩，用户能把更多精力放在思考内容本身。

类似的演示还有不少，覆盖了许多人的日常工作和生活场景。这也让人意识到，英特尔是真的想讲好“AI PC”的故事——他们一直在挖掘真实的使用场景，然后倒推出AI PC的功能升级，以此回答用户最大的疑问：它到底能帮我干什么？

不过，看完现场20多个Demo后，还是能感受到一个明显的问题：智能体PC现在真正难的，可能已经不是再做一个AI功能了，而是如何让这些功能稳定地跑在不同品牌、不同配置的电脑上。

说实话，AI行业从来不缺Demo。但一个绕不开的问题是：离开了这个配置和环境，用户获得的体验还一样吗？纯云端的智能体应用可以直接回答这个问题，但端云协同的却不行——因为相当部分推理是在本地跑的。

所以这次英特尔花了不少篇幅讲Skills。用过OpenClaw等Agent软件的朋友对此肯定不陌生。简单来说，英特尔希望打造一个Skills生态，把各个智能体应用都拉进去，让大家共享一套Skills，使智能体应用至少具备相同的基础能力。

目前，英特尔已经在Marvis、TRAE、YOYO Claw等桌面智能体软件中上线了端侧AI Skills及专区，同时与魔搭社区共建AI PC专区，希望把ASR、TTS、OCR、本地文生图等能力，做成开发者和软件厂商可以直接调用的模块。

只能说不愧是PC行业的“祖师爷”，这套操作也算是“祖宗之法”了。PC行业过去几十年能形成庞大的软件生态，很重要的原因就是开发者不用从显卡驱动、处理器指令集开始造轮子，而是有大量现成的工具可以使用。

AI智能体同样如此。如果每家公司都自己做一套OCR、语音识别、模型路由，最后只会是大量重复开发。英特尔把基础能力变成Skill，让不同Agent直接调用，智能体PC才可能真正从Demo走向软件生态。

有人可能要问：那不同的智能体应用还有什么区别？区别当然是有的。基础能力相同不代表进阶能力相同——模型调度、任务推理等步骤才是应用之间的竞技场，也是真正体现智能体和模型能力的地方。

说实话，从今年4月首次提出智能体PC架构，到现在20多项场景落地，英特尔只用了三个月，速度确实不慢。英特尔自己也用“百日冲刺”来形容。而且，他们终于证明了一件事：AI真的可以替你干活。