<mark id="oztn4"></mark>
0
從ChatGPT引爆“頭腦競爭”，到工具調用補齊“四肢能力”，再到智能體補全“身體”，AI正在完成一次從能力到形態的躍遷。
但真正的分水嶺，不在模型參數規模，而在計算范式的遷移——當AI開始接管任務執行、理解長期記憶、主動調用資源，傳統PC的角色也被迫改寫。
2026年，一個新的命題浮出水面：PC是否正在從“人使用的工具”，轉變為“替人行動的智能體載體”？
英特爾給出的答案，是“智能體PC”，以及支撐這一形態的底層路徑——Hybrid AI（混合AI）。
這不僅是一次產品升級，更是一場從架構到生態的系統性重構。
在這場分享的一開始，英特爾中國區技術部總經理高宇沒有談芯片，也沒有談性能，而是拋出了一個更基礎的問題：為什么我們需要重新定義PC？
“過去幾年，大模型解決的是‘會不會回答問題’，”高宇在現場回顧道，“但今天大家已經不滿足于答案，而是希望AI直接把事情做完。”
當AI開始具備調用工具、拆解步驟、持續運行的能力，一種新的形態開始出現：它不只是對話對象，而是可以替你操作電腦的“執行者”。
這意味著，PC的核心邏輯正在發生改變。
在傳統模式下，人始終處在流程的中心。你需要打開瀏覽器查資料，再切換到文檔整理內容，必要時調用多個軟件拼接結果。每一步都依賴人工操作，PC的角色更像是一個響應輸入的工具集合。
但在智能體PC中，“用戶不需要再一步步操作軟件，而是直接表達目標，”高宇解釋道，“剩下的流程由Agent完成。”
從查找信息、整理內容，到調用本地或云端能力生成結果，整個過程可以在后臺自動推進。用戶看到的，不再是多個應用的切換，而是一個任務從開始到結束的連續過程。
這種變化帶來的，不只是效率提升，更是使用方式的根本轉移。
高宇在現場給出過一個很直觀的對比：過去我們使用PC，是在“學習工具”；而未來更多時候，是在“描述需求”。前者要求人適應機器的邏輯，后者則要求機器理解人的意圖。
當任務成為核心，另一個被重新定義的，是“記憶”。
傳統PC的記憶，停留在文件與路徑層面——你需要記住內容存在哪里、如何打開。而在智能體PC中，系統開始記錄更高維的信息：你的使用習慣、偏好選擇、上下文關聯，甚至是尚未完成的任務狀態。
高宇解釋說，Agent最重要的能力之一，是它能記住你是誰，而不是只記住你剛剛說了什么。
這讓PC第一次具備了一種“連續性”。它不再是每次啟動都從零開始的工具，而是一個可以逐漸理解用戶、不斷調整行為的系統。
進一步看，這種能力正在改變PC的“工作方式”。
傳統交互是同步的——你操作一步，系統反饋一步。而在智能體PC中，越來越多的任務可以被異步執行：你提出需求，系統在后臺持續運行，在合適的時間交付結果。
“未來PC很可能是一直在工作的，”高宇在分享中提到，“即使你不在，它也在幫你處理事情。”
當執行能力、長期記憶與持續運行結合在一起，PC就不再只是被使用的設備，而是某種意義上的“代理”。
支撐這種轉變的，是一整套新的系統結構。在英特爾的描述中，智能體PC包含了多個關鍵組件：負責理解與推理的大模型，負責任務調度的Agent Runtime，負責執行的工具鏈，以及貫穿始終的記憶與多模態交互能力。
這不再是傳統軟件架構的延伸，而更像是一個可以獨立運轉的“數字個體”。
也正因如此，智能體PC帶來的改變，并不只是更智能的交互，而是人機關系的一次重寫。
當用戶把越來越多的任務交給系統完成，當機器逐漸理解個體差異并主動優化路徑，一個新的臨界點正在逼近：PC正在從工具，演化為一種能夠替人行動的“數字分身”。
這樣的智能體，靠什么跑起來？如果還用過去的計算方式，很明顯，Agent是跑不通的。
在過去的大模型時代，行業默認的路徑是“盡可能上云”。模型越大、能力越強，計算越集中，終端設備更多承擔的是接入與展示的角色。這種模式在“問答式AI”階段是成立的——請求發出，云端返回答案，一次交互即結束。
但當AI進入智能體階段，這種模式開始出現系統性壓力。
“Agent不是問一個問題就結束，它是一個持續運行的過程。”高宇在現場解釋，“一次任務可能涉及多輪推理、多次工具調用，如果全部走云端，成本和延遲都會迅速放大。”
換句話說，問題不再是“能不能算”，而是“算得起、等不等得及”。
一方面，是Token消耗帶來的成本失控；另一方面，是頻繁網絡往返造成的體驗波動。而當任務涉及個人數據時，所有計算都必須經過云端，也意味著隱私邊界被不斷外移。
高宇提到，很多用戶其實有顧慮，不是不愿意用AI，而是不確定數據會發生什么。
但另一條路徑同樣存在問題。如果把所有能力都壓到本地，雖然可以緩解延遲與隱私問題，但模型能力、上下文長度以及復雜推理能力，又會成為新的瓶頸。
純云不行，純端也不行，高宇認為，“正確解決之道就是端-云混合。”
在英特爾的定義中，混合AI并不是簡單的“端云各做一部分”，而是一種動態決策體系——系統會根據任務需求、數據屬性與資源狀態，實時決定計算應該發生在哪里。
計算的位置不再是預設的，而是流動的。
在具體實現上，高宇用一個更容易理解的比喻來描述這種結構：“可以把它看成主腦和輔腦。”
云端模型負責復雜推理與全局理解，相當于“主腦”；本地模型則負責高頻響應、數據處理與即時執行，更像是“貼身反應系統”。兩者之間通過任務調度不斷協同，而不是簡單的前后分工。
這種分工的意義，在于把不同計算資源的優勢最大化，而不是相互替代。
從更宏觀的角度看，混合AI改變的，并不僅是性能或成本，而是計算的組織方式。
過去，開發者需要預先決定系統部署在哪；而現在，這種決策被交給運行時系統，根據具體任務動態調整。計算資源不再是固定配置，而成為可以調度的“流動資產”。
這讓智能體具備了一種新的能力：在不同算力層之間遷移、組合，并始終保持任務連續性。
高宇在分享中總結道，他們其實是在做一件事情，就是讓AI在不同計算環境之間無縫工作。
也正是在這一點上，混合AI成為智能體PC成立的前提條件。
沒有它，智能體要么受制于云端的成本與延遲，要么困于本地的能力上限；有了它，端與云才第一次形成真正意義上的協同關系。
分享會上，英特爾反復強調了一個關鍵詞——生態完整性。
相比硬件能力本身，英特爾更關注的是：當智能體真正運行起來之后，是否有一整套體系去承接它。
在現場展示中，一個反復被提及的概念是Skill。
與傳統軟件不同，Skill更接近被標準化封裝的能力單元，可以被智能體按需調用，而不是由用戶主動打開。開發者不再必須構建完整應用，而是可以圍繞具體能力進行拆分與提供，由系統在任務執行過程中進行組合與調度。
這種變化看似細微，本質卻是在重寫軟件的存在方式——應用的邊界被打散，取而代之的是圍繞任務動態拼接的執行鏈路。
但從英特爾的表達來看，僅有能力拆解，還不足以支撐一個完整生態。
在分享中被反復強調的另一個關鍵詞，是可控性。
當AI開始直接參與數據處理與任務執行，系統的能力邊界被顯著放大，隨之而來的，是對安全與信任的更高要求。而用戶對于數據隱私與使用邊界存在現實顧慮，成為智能體落地過程中必須解決的問題。
因此，在能力體系之外，英特爾同步強調了安全機制的前置，包括本地數據處理、權限控制，以及基于語義理解的安全模型等路徑，其核心目的，是在能力提升的同時，確保系統行為始終處于可控范圍內。
這使得安全不再是附加選項，而成為平臺的一部分。
與此同時，英特爾并沒有將智能體PC限定在單一設備形態上。
從展示內容來看，其覆蓋范圍已經從傳統筆記本延伸至Mini PC、AI Box等多種終端形態。這些設備的共同點，并不僅是算力提升，而在于都具備本地AI運行能力，并能夠與云端形成協同。
在這種結構下，生態的核心問題逐漸清晰：是否能夠形成持續運轉的正向循環。
開發者提供能力模塊，智能體在任務中調用并優化路徑，用戶在使用過程中產生反饋，再反過來推動能力迭代與分發效率提升。一旦這一循環建立，生態就不再依賴單點推動，而具備自我增長的可能。
英特爾當前的一系列布局——包括本地AI能力下沉、Skill體系構建以及安全機制強化——本質上都在為這一循環提供基礎條件。
也正是在這一層面上，智能體PC的競爭開始轉向誰能夠更早建立起一套可持續運轉的生態體系。
當技術路徑逐漸收斂，真正的差異，往往來自這些更慢、更重、也更難復制的部分。
雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
