如今的智能体PC究竟发展到了什么阶段？对于这一问题，英特尔或许是最有发言权的。
近日，在一场聚焦智能体PC应用的技术分享会上，英特尔并未急于介绍芯片的算力与性能参数，而是先谈起了另一个话题——使用成本。
凡是使用过AI的用户都有切身感受：每一次交互响应背后，都伴随着成千上万Token的消耗。根据任务复杂度的不同，使用成本差异悬殊——若真正高强度运用，数千万美元的预算也可能迅速耗尽。在如此高昂的使用成本面前，智能体PC的广泛普及势必受阻。这显然不是AI厂商和PC制造商希望看到的局面。
那么，该如何破解这一难题？答案只有一个：端云协同。
端云协同，让AI成本真正降下来
在分享会上，英特尔公布了一组数据：无论是纯云端还是纯端侧部署，用户或企业使用AI的成本都处于高位，只是两者成本飙升的时间节点有所不同。
纯本地部署模式下，初期就需要投入数万甚至数十万元购置算力卡等硬件；而纯云端模式则会随着使用时间和任务复杂度的增加持续产生费用，且增长几乎无上限。
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，同时兼顾了两类模式的优势：较低的硬件投入与可控的云端成本。英特尔将这一成本曲线形象地称为“微笑曲线”——这样命名倒也贴切，毕竟用户花钱更少、效率更高，自然感到满意。
对于绝大多数办公人群而言，端云协同模式确实是最优选择。在英特尔展示的文档处理场景中，Token消耗足足降低了69%，响应延迟减少了43%，而输出的结果几乎毫无差别。
英特尔究竟是如何实现的？这就不得不提到他们提出的七类本地AI关键能力：LLM、ASR、OCR、TTS、CV/VLM、Image Gen和Omni——用中文概括就是：思考、听觉、读写、语音、视觉、绘图与全能。
简单而言，就是让PC自主完成这些基础工作。以语音转文字为例，无需将数小时的录音全部上传服务器，而是先在本地进行预处理，再根据任务需求将处理后的录音转文字稿发送至云端做进一步处理。若是相对简单的任务，甚至可以直接在端侧完成全部流程。
再比如OCR识别发票——交给云端处理会消耗大量算力，但在端侧借助本地模型进行识别，大多数情况下只是速度稍慢，遇到识别困难的再提交云端处理即可。
通过任务拆解与分布式运算，英特尔PC能够将智能体应用的运行成本压缩至原来的二分之一甚至更低，具体幅度取决于任务的复杂程度。
那么，由谁来决定任务的哪些部分在本地执行、哪些在云端执行？英特尔给出的方案是SuperClaw模型路由。它会先对任务进行拆解，再判断不同环节应调用本地还是云端能力。需要上传的信息会先在本地完成脱敏处理，若结果不达标还会重新执行，并根据反馈持续优化路由策略。
这或许才是混合AI真正重要的内核。过去我们谈论端云协同，常常简单地理解为“大模型联网、小模型离线”。但对于智能体而言，它面对的是一个完整的工作流。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正确理解并协调各个功能与模型，以及决定每一步在哪里运行，其重要性远超单纯将更大的模型塞入PC。
除了SuperClaw模型路由，还有MoE专家卸载技术。尽管它在分享会上所占篇幅不大，但这才是英特尔的核心技术之一。这是一套专为MoE模型设计的内存调度机制，其关键在于：MoE模型虽然参数量庞大，但每次推理并不需要调用所有“专家”模块。
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至存储侧，从而降低模型对系统内存的占用——相当于从大容量硬盘中临时调用部分存储空间来承载数据。
根据现场公布的数据，35B模型运行时可以节省约10GB内存占用。这意味着什么？过去想在本地运行一个35B级别的模型，即使采用统一内存架构，也至少需要64GB内存。但按照英特尔展示的方案，32GB的主流配置也有机会承载35B模型，同时还能为Windows及其他应用留出运行空间，不至于AI一启动电脑就无法处理其他任务。
不难发现，英特尔一直在尝试通过各种方式降低智能体PC的准入门槛和使用成本，甚至在处理器产品线上也做了大幅优化。例如，第三代酷睿Ultra既有358H这样的高性价比次旗舰型号，也有325这类主打性价比市场的型号。两者在性能上差异明显，但在AI能力上的差距已缩小到30%以内。
逻辑也很直白：一项技术如果只有旗舰机型能用，顶多算作展示；只有真正进入5000元、6000元价位段，才能谈得上普及。
英特尔要为智能体应用“搭建基础设施”
本次分享会除了展示英特尔在AI技术上的进展，也集中呈现了其AI生态伙伴的成果。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，英特尔便将Flowy、QClaw、remio、TRAE、DuMate、YOYO Claw、Marvis等一批生态伙伴邀请到现场，一口气展示了20多项智能体PC应用。从现场表现来看，英特尔对“智能体PC”的理解，显然已经不止于“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”迈入“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不再被动等待用户提问，而是主动拆解任务，再调用不同能力完成整个流程。
听起来有些抽象？看看现场演示就直观多了。以remio的知识工作场景为例：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，然后跨文档搜寻信息、聚合结论，最终将结果导出。
对于经常跑展会、做线下调研的人来说，这个场景确实非常贴近实际需求。一场群访下来，至少一小时的录音需要先转录，再通读文字稿，对照资料查找信息，最后手动整理进提纲。而现在，只需将录音和各种资料文档一起交给remio，它便会自动整理并核实，同时结合资料检查录音转录的文稿，确保与最新信息保持一致。后期处理的时间成本被大幅压缩，用户可以将更多精力投入到内容思考本身。
类似的演示还有很多，覆盖了大量日常办公与生活场景。这也让人意识到，英特尔确实想讲好“AI PC”这个故事——他们持续挖掘真实使用场景，并以此倒推AI PC的功能升级，从而回应用户最大的疑问：它到底能帮我做什么？
不过，看完现场20多个Demo后，仍能感受到一个明显的问题：智能体PC当下真正的难点，或许已不再是开发一个新的AI功能，而是如何让这些功能稳定地运行在不同品牌、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：离开了特定的配置和环境，用户获得的体验还能保持一致吗？纯云端的智能体应用可以直接回答这个问题，但端云协同的方案却不行——因为相当一部分推理是在本地执行的。
因此，这次英特尔花了较多篇幅介绍Skills。用过OpenClaw等Agent软件的朋友对此一定不陌生。简单来说，英特尔希望打造一个Skills生态，将各个智能体应用纳入其中，让大家共享一套Skills，确保智能体应用至少具备相同的基础能力。
目前，英特尔已在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，致力于将ASR、TTS、OCR、本地文生图等能力，打造成开发者和软件厂商可直接调用的模块。
只能说，不愧是PC行业的“先行者”，这套做法也算是“经典策略”了。PC行业过去几十年能形成庞大的软件生态，一个重要原因就是开发者无需从显卡驱动、处理器指令集开始从头造轮子，而是有大量现成工具可供使用。
AI智能体同样如此。如果每家公司都各自开发一套OCR、语音识别、模型路由，最终只会导致大量重复劳动。英特尔将基础能力封装为Skill，让不同Agent直接调用，智能体PC才有可能真正从Demo走向软件生态。
有人可能会问：那不同的智能体应用之间还有什么区别？区别当然存在。基础能力相同并不代表进阶能力一致——模型调度、任务推理等环节才是应用之间的竞技场，也是真正体现智能体与模型能力的地方。
说实话，从今年4月首次提出智能体PC架构，到如今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”来形容这一进程。而且，他们终于证明了一件事：AI真的可以替你干活。
