当前智能体PC已发展到何种阶段？针对这一问题，英特尔无疑是最具发言权的厂商之一。

近日，英特尔在北京举办了一场有关智能体PC的应用分享会。在此活动中，英特尔并未急于介绍芯片的算力与性能参数，而是探讨了另一个核心议题——成本控制。

使用过AI服务的用户都清楚，每一次AI交互的背后，都涉及成千上万Token的消耗。根据任务类型与复杂程度的不同，使用成本也会产生显著差异。如不加节制地深入使用，数千万美元的预算也可能瞬间消耗殆尽。

面对高昂的部署和使用费用，智能体PC的广泛普及必然受到阻碍——这显然并非AI企业与PC厂商所乐见的。那么，应如何解决这一困境？答案是：端云协同。

端云协同：有效降低AI应用成本

在此次分享会上，英特尔提供了一组数据，清晰展示了纯云端与纯端侧部署模式下，用户或企业部署AI系统所需承担的高昂成本——不过，两者的成本高峰出现在不同阶段。

纯本地部署初期，需投入数万甚至数十万元购置算力卡等硬件设备；而纯云端方案则会随着使用时长与任务复杂度持续增长，且上限几乎不可控。作为对比，采用第三代酷睿Ultra处理器打造的端云协同智能体，结合了两方面优势：初始硬件投入低，且云端使用费用可控。

英特尔将这条成本优化曲线称为“微笑曲线”——投入更少，产出更高效，用户自然满意。

对多数办公人士而言，端云协同模式确实是成本最低的解决方案。在英特尔展示的文档处理场景中，Token消耗降幅高达69%，响应延迟降低了43%，而最终输出结果几乎完全一致。

英特尔究竟是如何实现的？这需要追溯到其提出的七类本地AI关键技术：LLM、ASR、OCR、TTS、CV/VLM、Image Gen和Omni。用通俗语言解释，即：思考、聆听、书写、表达、视觉、绘图与全能处理。

简而言之，英特尔让PC自主完成听、说、看、写、想与画等基础操作。例如语音转文字任务，无需每次都将数小时的录音上传至云端，而是在本地先进行预处理，再根据任务需求，将处理后的转录内容发送至云端做进一步分析。若任务相对简单，甚至可直接在端侧完成全流程处理。

再比如一项简单的OCR发票识别，若将其交由云端处理，算力消耗相当可观；而在端侧使用本地模型进行识别，通常仅速度稍慢，只有在识别困难的情况下，才需提交至云端处理。

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，具体节约幅度取决于任务复杂程度。

那么，究竟由谁来决定任务的每个环节在本地还是云端执行？英特尔给出的解决方案是SuperClaw模型路由。它会首先拆解任务，然后智能判断各环节是否调用本地或云端能力，上传信息前先在本地完成脱敏处理，若结果未达标则重新执行，并根据反馈持续优化路由策略。

可以说，这才是混合AI真正的核心所在。过去讨论端云协同，常被简单理解为“大模型联网，小模型离线”；但面对智能体，它需要处理的是完整的工作流。

例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、大模型推理与表格操作。让AI正确理解和调配各功能模块，并确定每一步应在何处执行，比单纯将一个大模型塞入PC要重要得多。

除SuperClaw模型路由外，英特尔还引入了MoE专家卸载技术。

尽管MoE专家卸载技术在分享会上占用的篇幅不多，但这却是英特尔的核心竞争力之一。该技术专为MoE模型设计，其核心原理在于利用MoE模型尽管参数规模庞大，但每次推理并非调用全部“专家”模块的特性。

英特尔联合江波龙、群联电子等AI SSD厂商，将部分数据与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空间存放数据。

根据现场公布的数据，运行35B模型时，可节省约10GB内存占用。这意味着什么？此前若想在本地运行35B级别模型，即便采用统一内存，至少也需要64GB内存起步。但按照英特尔展示的方案，32GB主流配置也有能力承载35B模型，同时为Windows系统及其他应用留出运行空间，避免AI运行时电脑无法处理其他任务。

不难发现，英特尔正通过多种方式降低智能体PC的入门门槛与使用成本，甚至在处理器产品线上也进行了大幅优化。例如第三代酷睿Ultra系列，既包含358H这样的高性价比次旗舰型号，也有325等主攻性价比市场的型号。两者性能差异显著，但在AI能力上，差距已缩小至30%以内。

这也不难理解——毕竟一项技术若仅能用于旗舰机型，最多只能算作展示；只有进入5000元、6000元价格区间，才能真正迈向普及。

英特尔致力于为智能体应用“构建轮子”

此次分享会不仅展示了英特尔的AI技术成果，还集中呈现了其生态伙伴的开发成果。这一切回溯至今年4月，英特尔首次提出“智能体PC”逻辑架构。

短短三个月后，英特尔再次将Flowy、QClaw、remio、TRAE、DuMate、YOYO Claw、Marvis等一批生态伙伴汇聚一堂，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，已不仅限于“在电脑上运行一个大模型”。

据英特尔中国区技术部总经理高宇介绍，个人计算正从“工具增强”阶段迈向“智能助手”阶段。智能体PC需具备思考、调度、执行、交互与记忆五大模块，AI不应只是被动等待用户提问与回答，而应主动拆解任务，并调用不同能力完成整个流程。

听起来有些抽象？看看现场演示便一目了然。例如remio的知识工作场景，用户可一次性导入多份访谈文档与录音，AI在本地完成语音转写，然后跨文档搜索信息、聚合结论，最终将结果导出。

对于经常参加展会、进行线下走访的从业者而言，这一场景十分熟悉。以发布会为例，一场群访结束后，起步一小时的录音需要先转录，再阅读文字稿，对照资料查找信息，最后手动整理至提纲中。

而如今，只需将录音及各类资料文档一并交给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，确保与官方资料保持一致。这相当于压缩了后期处理的时间成本，让用户能更专注于内容输出。

类似的演示还有很多，几乎覆盖了多数人的日常工作与生活场景。这也让人意识到，英特尔确实希望讲好“AI PC”的故事。它一直在发掘真实使用场景，以此反向推动AI PC的功能升级，回应当前用户最关心的问题：它究竟能帮我做什么？

不过，看完现场20多个Demo后，仍有一个明显感受：智能体PC当前真正的难点，或许已不再是创造另一个AI功能，而是如何让这些功能在不同品牌、不同配置的电脑上稳定运行。

说实话，AI行业向来不缺Demo。参加过许多场AI PC发布会的人都会产生疑问：离开了特定配置与环境，用户能获得的体验是否一致？纯云端的智能体应用可以直接回应这个问题，但端云协同的应用却无法做到——因为它的大量推理是在本地进行的。

因此，英特尔此次花费了不少篇幅介绍Skills。近期使用过OpenClaw等Agent软件的用户对此应不陌生。简单来说，英特尔希望构建一个Skills生态，让各智能体应用融入其中，共享一套基础能力，确保至少具备相同的基本功能。

目前，英特尔已在Marvis、TRAE、YOYO Claw等桌面智能体软件中上线端侧AI Skills及专区，同时与魔搭社区共建AI PC专区，期望将ASR、TTS、OCR、本地文生图等能力打造成开发者与软件厂商可直接调用的模块。

只能说，不愧是PC行业的奠基者，这套策略堪称“祖师级操作”。PC行业过去几十年能形成庞大软件生态，关键就在于开发者无需从显卡驱动、处理器指令集开始从头构建，而是有大量现成工具可用。

AI智能体同样如此。如果每家公司都自行开发一套OCR、语音识别、模型路由系统，最终只会导致大量重复工作。因此，英特尔将基础能力转化为Skills，让不同Agent直接调用，智能体PC才可能真正从Demo迈向软件生态。

有人可能会问：“那各智能体应用之间还有什么区别？”当然有区别——基础能力相同并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争焦点，也是真正体现智能体与模型能力的地方。

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，英特尔仅用时三个月，速度确实喜人，英特尔自己也用“百日冲刺”来形容。而且，它们终于证实了一件事：AI确实能替你完成工作。

#英特尔 #AI #PC #AIPC #芯片