智能体PC加速落地，英特尔做了什么？-通信界-中国通信门户

自今年4月21日英特尔提出“智能体PC”概念以来，短短不到三个月，整个产业便按下了加速键。

从早期的开源探索项目 OpenClaw（龙虾）、Hermes Agent（爱马仕），到如今国内商业化桌面智能体方案的爆发式涌现，行业正在经历一场深刻的范式转变：AI不再仅仅是一个“无所不知”的聊天机器人（Chatbot），也不再是一个单纯的效率助手，而是一个能够“自主执行、为结果负责、随时待命”的真正意义上的“智能体”。

在英特尔看来，智能体PC绝非简单地在电脑上预装一款应用，而是一套围绕用户真实痛点构建的完整系统架构。它不仅要回答“如何运行端侧AI”，更要系统性地解决成本墙、体验瓶颈、隐私安全、Skills生态以及场景化落地等一系列商业化难题。

日前，在“英特尔智能体PC媒体交流会”上，英特尔中国区技术部总经理高宇联合多位行业头部企业代表及产品专家，围绕AI时代下桌面智能体的落地实践展开了深度探讨。

破解成本墙与信息孤岛：混合AI部署的“微笑曲线”

高宇系统回顾了英特尔智能体PC战略的核心“一、三、二”顶层设计：

“一个架构”：提炼并确立了智能体PC的逻辑架构，从思考、调度、执行、记忆、交互五大维度定义了其核心模块。

“三个聚焦”：明确了战略执行的技术重点——通过混合AI部署解决Token成本与隐私保护痛点；通过模型路由实现端云切换的丝滑体验；通过繁荣的Skills（技能）生态打造场景化的工作流。

“两个邀约”：广泛携手国内桌面智能体软件开发商及全球PC OEM厂商，共同打磨真正符合市场需求的解决方案。

历时近三个月的全速上演演进，这一战略已在场景落地、成本控制和收益增长等方面取得了突破性的进展。

在推动智能体PC普及的过程中，总体拥有成本（TCO）与模型调用方式之间的平衡是行业必须面对的课题。高宇通过一条“微笑曲线”来直观分析：

横坐标代表模型在端侧和云端之间的部署方式，纵坐标代表系统总体拥有成本

在曲线右端，是高度依赖云端API的方案。这类模式对本地硬件要求较低，初期门槛看似不高，但随着任务复杂度和调用频次提升，Token成本会迅速累积，最终形成一堵难以跨越的“成本高墙”。高宇在会后的采访中也指出，当前大量云端AI服务仍处在用户补贴阶段，Token成本要么由服务商承担，要么最终转嫁给用户。对于重度个人用户和企业用户而言，长期依赖云端API不仅成本压力大，在服务质量稳定性和敏感信息保护方面也难以覆盖所有场景。

在曲线左端，则是另一种极端：用户试图在本地部署百亿级甚至更大规模的模型，以实现所谓“Token自由”和数据闭环。但这同样会带来高昂的硬件成本。动辄上万元的本地算力投入，会把大量主流用户挡在门外；即便部署更大规模模型，也并不意味着智能体体验一定理想。

英特尔认为，真正可持续的路径位于微笑曲线中间——通过混合AI部署方式，在成本、性能、安全和体验之间取得最佳平衡。

具体而言，复杂任务和高质量推理仍可由云端大模型承担，保证任务完成质量；同时，端侧需要部署足够友好的大语言模型和多模态模型，把更多简单任务、高频任务、可确定性任务留在本地执行；再通过模型路由机制，自动判断任务应由端侧还是云端完成，降低用户的选择和试错成本；最后，通过硬件配置优化，将智能体PC控制在主流用户可负担的价格区间。

这一组合的目标，是在成本友好、准确率高、可靠性强、体验顺滑之间实现平衡。只有做到这一点，智能体PC才有可能真正走向普及。

七种关键AI能力，构成智能体PC的能力底座

在混合AI架构下，端侧必须具备足够强的基础能力。高宇提出，智能体PC至少需要具备七种关键AI能力，以满足当前和未来桌面智能体的运行需求。

第一类是端侧大语言模型能力，它承担辅助“思考”和本地任务处理角色。第二类是ASR语音识别能力，用于更自然的人机交互。第三类是OCR能力，用于识别复杂文档、表格、公式和多版式内容。第四类是TTS语音合成能力，尤其适合个人化、私密化和定制化语音场景。第五类是CV与VLM视觉理解能力，让AI真正拥有“看懂屏幕”的能力，能够理解当前任务状态，并为未来直接操作电脑GUI界面打下基础。第六类是本地生图能力，可帮助用户快速完成创意设计草稿。第七类是Omni全模态能力，用于进一步增强AI对外部世界的感知和交互能力。

在高宇看来，七种能力共同构成了智能体PC的能力基座。它不仅让PC具备“大脑”和“五官”，也让其逐步拥有执行任务的“动手能力”。

第三代酷睿Ultra处理器的双星矩阵

围绕上述七种关键AI能力，英特尔重点介绍了第三代英特尔酷睿Ultra处理器家族中的两款产品。

其中，酷睿Ultra 358H处理器被英特尔定义为智能体PC平台的“全能之选”。搭载该处理器的笔记本在性能、续航和产品形态上具备综合优势，平台算力最高可达180 TOPS。在32GB内存这一主流配置下，其可支持35B级复杂模型运行，并支持最高128K上下文窗口，满足桌面智能体对长上下文能力的需求。在Demo展示中，合作伙伴还通过量化技术，在32GB配置下实现了256K上下文窗口处理。

在多模态任务上，酷睿Ultra 358H同样展现出较强能力。例如，ASR模型可在61秒内处理1小时音频；OCR模型可在7.9秒内处理53页包含复杂图表、公式和图文内容的PDF；VLM模型理解一张1024×1024图片仅需0.4秒，为游戏辅助、GUI操作和视觉状态感知等应用打下基础。此外，该平台在TTS、CV、Omni等能力上也有相应表现。

另一款酷睿Ultra 325处理器则面向更加主流的市场。英特尔将其定位为智能体PC的“平衡之选”：在价格更亲民的同时，依然保留较强AI能力。据介绍，在35B MoE模型性能上，酷睿Ultra 325可达到酷睿Ultra 358H平台的70%以上，并具备接近的ASR、OCR、TTS、CV、VLM和Omni模型性能。

这也意味着，智能体PC并不只有高端笔记本一种形态。当前，搭载酷睿Ultra 325处理器的PC产品已经覆盖轻薄本、商务本和Mini PC等多种类型，形成了更加丰富的产品矩阵。

在笔记本形态上，智能体PC更适合“人类+智能体”协作场景：用户在前台处理工作，智能体在后台执行任务，提升知识工作者的生产效率。而在Mini PC形态上，其小体积、低成本、高能效比和7×24小时稳定运行能力，则更适合企业数字员工、多设备协同、多智能体部署和无人值守远程管理等场景。

高宇还提到，Mini PC形态尤其适合超级个体用户。按照IDC预测，2026年中国OPC将拉动160万台新增智能体PC需求。对于这类用户而言，他们需要的是支持端侧AI、成本可控、数据主权明确、易于维护并能够长期稳定运行的设备。搭载酷睿Ultra 325处理器的Mini PC，正好契合这些需求。

AI SSD与MoE卸载，缓解智能体PC内存压力

在智能体PC落地过程中，除了处理器性能，内存也是一个关键挑战。大模型参数量庞大，推理过程中产生的KV Cache也会占用大量内存资源。如何在主流配置下支撑更复杂的智能体任务，是智能体PC商业化必须解决的问题。

对此，英特尔携手AI SSD合作伙伴，通过MoE专家卸载方式缓解内存压力。

以35B-A3B模型为例，该模型采用MoE混合专家稀疏化架构，包含256个专家，但每一步推理仅激活8个专家，激活率约为1/32。从整体看，被激活专家的分布具有一定随机性；但在同一上下文环境下，部分专家会被频繁访问，而大量专家很少甚至从未被访问，由此形成“热专家”和“冷专家”的分层。

英特尔的方案是，将大部分冷专家卸载到AI SSD的高速SLC分区，同时保持约30%至40%的热专家常驻内存。这样做带来三方面收益：第一，可节省10GB以上内存空间，为更长上下文和其他智能体任务预留资源；第二，当需要访问SSD中的冷专家时，SLC高速分区可降低交换到内存页的时延；第三，通过预判机制提前加载冷专家，进一步改善访问体验。

据介绍，英特尔已与江波龙、群联电子两家头部AI SSD合作伙伴，在第三代酷睿Ultra处理器平台上实现MoE卸载技术的产品化落地。其中，群联方案还整合了FlowyAI，进一步降低用户使用门槛。

测试结果显示，在桌面智能体常见的32K超长上下文场景下，该方案可实现超过30%的内存节省，首Token性能损失小于10%，解码阶段TPS几乎无损。英特尔认为，未来智能体PC与AI SSD结合，将成为兼顾成本和性能的重要方案之一。

AI SSD不是为了炫技，而是让24GB/32GB主流PC跑得动35B MoE。从模型演进角度看，35B MoE仍然不是端侧部署的终点。高宇在采访中提到，35B MoE运行时通常会占用22GB到27GB内存，这也是为什么32GB内存PC需要通过MoE卸载、KV Cache量化等方式进行优化。真正值得期待的下一阶段“甜点”，可能是总参数量在10B到20B之间、但性能接近35B MoE的新一代模型。尤其在MoE架构下，如果单次激活参数维持在数十亿级，端侧芯片仍有较强承载能力；而如果模型仍是Dense稠密架构，则端侧压力会明显增加。

模型路由，让端云协同真正“无感化”

当端侧部署了多种模型之后，新的问题也随之出现：用户如何知道某个任务应该调用本地模型还是云端模型？哪些任务适合端侧处理，哪些任务必须交给云端？如果每次都由用户手动切换，使用门槛和试错成本都会大幅上升；而当任务从端侧切换到云端时，敏感信息又如何保护？

模型路由因此成为智能体PC的关键技术之一。

英特尔提出，理想的模型路由机制应具备五个特质：首先是任务拆解能力，能够将复杂任务拆分为更细粒度的子任务；其次是智能调度能力，通过规则和AI判断每个子任务更适合在端侧还是云端执行；第三是结构校验能力，即不盲目信任端侧结果，而是对执行质量进行评估，不达标时转向云端重试；第四是隐私保护能力，所有发送至云端API的数据都必须经过敏感信息脱敏；第五是自进化能力，通过闭环反馈机制不断积累经验，避免重复错误，使路由越来越贴合用户习惯。

在英特尔刚刚开源的SuperClaw智能体参考架构设计中，这套路由机制已经得到体现。其基本流程是：系统首先对用户提示词进行任务拆分，再通过两级决策器判断每个子任务的执行路径。若任务与端侧能力匹配，则调用本地AI服务；若无法匹配，则在脱敏后提交至云端API。对于端侧执行结果，系统还会进行质量校验；若结果不达标，则再次脱敏并提交云端重试。最终，系统会对各部分结果进行拼装，同时将判断错误的信息回流至决策器，必要时也反馈至任务分解器，以优化后续任务切分和调度方式。

从现场演示结果看，本地推理成本几乎为零。与此同时，对于部分简单任务，本地4B模型输出质量与云端模型较为接近。最终，在五个子任务中，有四个由本地模型完成。相比纯云端方案，智能路由方案在该任务中节省了43%的推理时间，并降低了69%的推理成本。

Skills生态：智能体PC真正落地的应用入口

混合AI与智能路由筑牢了底座，而决定智能体PC能否真正走向千行百业的核心路径，则在于Skills（技能）生态的构建。

高宇表示，Skills可以被理解为大模型工作的一本“说明书”。对于智能体PC而言，Skills以及基于Skills构建的完整工作流，实际上就是智能体PC上的新型应用软件。

这意味着，未来大多数用户并不一定会直接面对复杂的提示词工程，也不需要理解背后的模型调用逻辑。他们更可能通过一个个封装好的技能和工作流，完成文档处理、会议纪要、数据分析、内容生成、编程辅助、企业流程自动化等具体任务。换句话说，智能体PC真正走向大众市场，不能只依赖底层模型能力，还需要形成可调用、可复用、可分发的Skills生态。

围绕这一方向，英特尔已经开始系统推进Skills生态建设。

一方面，英特尔与魔搭共建AI PC专区，为开发者提供Skills开发指南、技术干货、优秀案例等内容，让开发者能够一站式获取相关资源。另一方面，英特尔也持续举办开发者Skills作品大赛，调动开发者参与生态建设的积极性。

与此同时，英特尔还与多家桌面智能体ISV共同举办线下活动，面向开发者和高校学生进行实操培训，帮助更多人快速理解并掌握Skills开发方法。按照高宇的说法，这类活动希望让开发者在两到三个小时内完成入门，真正降低智能体应用开发门槛。

在应用分发层面，英特尔也在与TRAE、DuMate、YOYO Claw、Marvis等桌面智能体软件合作，接入英特尔Skills专区，方便用户下载和使用针对英特尔平台优化的优秀Skills作品。

在用户体验层面，高宇在采访中提到，Skills生态还需要进一步演进。下一步需要将Skills进一步封装为成熟的Sub-Agent，不能总让用户做“问答题”，而要让用户做“选择题”。

从合作伙伴展示来看，智能体PC的落地正在从单一“聊天入口”走向更具体的场景化工作流：

QClaw通过“专家广场”、模型推荐和端云协同机制，降低普通用户调用Agent和端侧模型的门槛；Flowy则试图把Skills进一步封装为可独立运行的Sub-Agent和Agent Store，让PC像手机安装App一样使用“数字员工”；remio聚焦个人知识工作者，把网页、文档、会议音频等信息沉淀为本地数字记忆，并借助英特尔平台实现OCR、ASR和语义索引加速；TRAE Work、百度DuMate则分别从AI办公、企业流程和业务系统打通切入，强调本地生图、OCR、合同审查、邮件处理等端云协同能力；荣耀YOYO Claw和腾讯Marvis从OEM和C端助手角度出发，围绕易用性、Token耐用度、本地模式、文件理解和跨端操作进行优化。

这些案例背后呈现出清晰的共性：一是充分释放端侧模型能力，把高频、轻量、敏感任务留在本地；二是通过智能路由在端云之间做动态分工，降低Token成本并提升响应效率；三是通过Skills、专家、Sub-Agent等形式，把复杂AI能力封装成普通用户可直接调用的工作流。由此来看，智能体PC的真正价值，并不只是让PC“能跑AI”，而是让AI在办公、内容创作、游戏、教育、个人知识管理等场景中，真正变成可用、可感知、可持续的生产力。

写在最后

智能体PC时代的大门已经打开。对于英特尔而言，下一阶段的关键并不只是证明PC可以运行AI，而是要通过混合AI、模型路由、AI SSD、Skills生态和OEM产品协同，推动智能体PC从技术演示走向真实应用。