过去一年，大模型技术几乎以季度为单位向前跃进，从文生图到多模态，再到 AI Agent，功能越卷越细，参数越堆越大。然而，技术上扬的速度越快，终端硬件的滞后感就越发强烈。尤其是在 PC 领域——一个曾被视作技术基础设施的产品线，如今却面临重塑定义的压力。

AI PC 如今成了行业热词，也成了一道新难题。对用户来说，它听起来像是下一代生产力工具的代名词；但对厂商来说，它则意味着系统架构的再设计、算力瓶颈的重构，以及一场几乎从芯片层开始的转身。

在 IFA 展会期间，联想集团执行副总裁、智能设备业务集团总裁 Luca Rossi 接受了爱范儿等媒体的专访。比起「AI 能做什么」，他更关心的是，「PC 该成为什么」。

AIPC 是一剂「及时但不唯一」的药方

「去年我们预测 PC 市场将在 2024 年恢复增长，现在看来，这一判断基本应验。」采访刚开始，Luca Rossi 便选择以数据回应曾经的预期。

过去几个季度，PC 市场整体回到正增长轨道，同比涨幅在 4% 到 7% 之间波动，联想自身则稳定高出市场 4 到 5 个百分点。这个势头在最新季度表现得尤为明显：联想的出货增幅超过了 10%。

「这波增长当然得益于 AIPC 的投入，但它不是唯一的驱动因素。」Luca 坦承。在他看来，Windows 10 向 Windows 11 的升级周期，同样释放了大量替换需求——微软将在 2025 年 10 月彻底停止对 Windows 10 的支持，目前企业侧的升级刚刚过半。也就是说，接下来的两个到三个季度，这一替换潮还将持续推高需求。

在联想自身的新一代设备中，约 30% 已具备 AIPC 特征，这一比例仍在持续提升。Luca 认为，目前 AIPC 的硬件层已趋于成熟，接下来的看点将在软件和应用生态：「真正的爆发会在明年。」

「理解」 AI 也许没那么重要

对于 C 端市场，Luca 有着非常清醒的判断：今天绝大多数消费者，未必真的了解 AIPC 能带来什么价值，但并不妨碍他们购买。

他说，真正因为 AI 功能而明确购买 AIPC 的人，依然是少数中的专业用户；而更多消费者的决策动因，往往是更浅层的因素——轻薄设计、长续航、未来可拓展性。

「我们的 AIPC 产品，不带 AI 也很有吸引力。续航 12 小时、本身就很轻薄好看。」他说，正是因为基础体验足够优秀，AI 的价值才能在使用中逐步浮现，而不是靠一场说明会讲明白。

他将 AIPC 的价值链划分为三个阶段：一是基础体验（硬件）已具备，二是早期 AI 场景正在落地，三是生态应用的井喷仍在前方。

「目前全球 AIPC 占比在 20-25%，我们已达到 30%。一年半内能到 50%，三年内 70-80%。四五年后，几乎所有 PC 都会是 AIPC。」

混合 AI：不是概念，而是未来计算的基本面

AIPC 的核心争议不在硬件，而在价值认知。一个旷日持久的质疑是：本地 AI 是否真的有意义？

面对这个问题，Luca 没有回避：「我们坚信，未来是一个混合 AI 的世界。」

Luca 将未来的 AI 计算分为三个层次：云端、边缘与设备端，每一层都有其存在的价值与必要性。

「目前全球约有 80 到 100 家 ISV 正在将他们的核心应用，迁移到 CPU 的 NPU 上运行。」他指出，这种迁移并非为炫技，而是为了解决具体问题——降低延迟、保障隐私、减少云端算力成本。

这也是联想选择 All-in 的根本原因：AI 应用并不必然等于云端推理，尤其在生成式模型与用户上下文深度绑定的场景下，本地运行反而可能是更优解。Luca 进一步举例：

「我们在中国的 ‘小天’，最近已升级为超级智能体。接下来你会在笔记本、手机、平板、甚至手表（虽然手表会稍晚一点）中看到它的身影。」

超级智能体（Super Agent）不仅是联想对 AI 交互范式的探索，更是其混合 AI 架构落地的一环。Luca 强调，设备之间的上下文共享将成为未来体验的基础能力，而这一点，云端无法单独完成。

形态革新：AI 是动因，但不该是噱头

聊到 AIPC，自然无法绕开设备形态是否将随之变化的问题。对此，Luca 给出的回答意外地乐观：「不是障碍，是机会。」

他强调，今天我们所使用的笔记本，其外观和交互方式，在过去二十年中几乎没有发生根本变化。但正是 AI，尤其是自然语言处理、大模型和多模态推理的发展，提供了打破固有形态的可能性。

「没有键盘、纯语音交互的设备不是幻想。但这不会在下个季度发生，也不会是明年。」他说，这是一个需要时间和可靠性的转型。自然语言交互的瓶颈从来都不是可行性，而是稳定性。AI 的提升，让这种过渡首次变得现实可期。

在这点上，联想并非纸上谈兵。过去几年，它在几乎每一场技术发布会上都展示了形态实验：可折叠屏、模块化 PC、移动游戏设备 Legion Go……即便没有每款产品都能商业化，但在 Luca 看来，这些试验不是副产品，而是主路径。

「失败的实验也会为成功的实验铺路。我们曾在 2017 年展示第一款折叠屏 PC，后来，这项技术落地在 Moto Razr 上，成为我们最畅销的产品之一。」

AI 不只是重写体验，也可能催生新硬件物种

谈及 AI 是否会催生全新的硬件形态，Luca Rossi 给出了肯定回答。他认为，在未来五年内，笔记本、平板、手机等设备都可能因 AI 的应用方式而出现新的变化，而联想将持续测试各种可能性。

在众多设想中，眼镜被他单独提及。他指出：「我个人认为，眼镜是未来有前景的平台之一，在未来 2 到 5 年的时间范围内会有不同程度的成功。」

他之所以看好这个方向，并非因为技术突破已至，而是用户习惯的存在。「要让几百万人习惯一种全新的设备形态，本身就是巨大的挑战。而眼镜是人们已经熟悉的。」

他也坦率指出，当前仍有三大技术难题需要攻克：计算能力、电池续航与镜片设计。这些问题并非不可解，但仍需时间。

对于目前市面上已有的产品，Luca 点名提到了 Meta 与 Ray-Ban 联合推出的智能眼镜，并评价道：「它们已经证明是成功的。不是大获成功，但至少比我所知的其他例子都更成功。」

这也是他支持持续探索的原因。「更多的竞争和创新是积极的，它能打开市场。」至于联想是否将加入这个市场，他只留下一句意味深长的回答：「我们会在时机合适时参与竞争。」

最好的 AI 应用，还没被发明出来，但路径已清晰

采访的尾声，我们再次回到那个问题：AIPC 的 killer app 究竟在哪？

Luca 没有直接给出答案，他只说：「最好的应用，还没有被发明出来。」

他相信，在商用市场，效率提升将成为 AI 的确定性价值；而在消费端，超级智能体将有机会成为那个定义新交互、创造新价值的关键点。

正如 App Store 用了数年才建立起应用生态，AIPC 也才刚刚起步。NPU 作为一项硬件能力，两年前全球还没有一个开发者了解它；今天，已经有上百家 ISV 投入进来。

「我们从不认为 AIPC 能替代云端的 ChatGPT。但我们相信，它能在不同的用户上下文中，成为体验更轻盈、更私密、更即时的智能入口。」

这是 Luca Rossi 对 PC 行业的再定义，不是作为曾经生产力工具的延续，而是作为 AI 时代的前哨站。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

几个月前，爱范儿在一台 M3 Ultra 的 Mac Studio 成功部署了 671B 的 DeepSeek 的本地大模型（4-bit 量化版）。而如果把 4 台顶配 M3 Ultra 的 Mac Studio，通过开源工具串联成一个「桌面级 AI 集群」，能否把本地推理的天花板再抬高一个维度？

这也是来自英国创业公司 Exo Labs 正尝试解决的问题。

 「不要以为牛津大学 GPU 多得用不完」

你可能会以为像牛津这样的顶级大学肯定 GPU 多得用不完，但其实完全不是这样。

Exo Labs 创始人 Alex 和 Seth 毕业于牛津大学。即使在这样的顶尖高校做研究，想要使用 GPU 集群也需要提前数月排队，一次只能申请一张卡，流程漫长而低效。

他们意识到，当前 AI 基础设施的高度集中化，使得个人研究者和小型团队被边缘化。

去年 7 月，他们启动了第一次实验，用两台 MacBook Pro 成功串联跑通了 LLaMA 模型。虽然性能有限，每秒只能输出 3 个 token，但已经足以验证 Apple Silicon 架构用于 AI 分布式推理的可行性。

转折点来自 M3 Ultra Mac Studio 的发布。512GB 统一内存、819GB/s 的内存带宽、80 核 GPU，再加上 Thunderbolt 5 的 80Gbps 双向传输能力——让本地 AI 集群从理想变成了现实。

同时跑两个 670 亿参数大模型是什么体验？

4 台顶配 M3 Ultra 的 Mac Studio 通过 Thunderbolt 5 串联后，账面数据相当惊人：

• 128 核 CPU（32×4）
• 240 个 GPU 核心（80×4）
• 2TB 统一内存（512GB×4）
• 总内存带宽超过 3TB/s

这样的组合几乎是一台家用级别的小型超算。但硬件只是基础，真正发挥效能的关键是 Exo Labs 开发的分布式模型调度平台 Exo V2。Exo V2 会根据内存与带宽状态将模型自动拆分，部署在最合适的节点上。

在现场，Exo V2 展示了以下核心能力：

• 大模型加载：8-bit 量化后的 DeepSeek 完整载入需要 700GB 以上内存，单台 Mac Studio 无力承担。Exo 会将模型拆分部署到 2 台 Mac Studio 上完成加载。激活后，它的「打字速度」基本上超过了人的阅读速度。

• 并行推理：在运行 DeepSeek V3 的基础上，又加载了同样 670 亿参数的 DeepSeek R1。系统立即将 R1 分配到剩余的两台设备上，实现两个大模型并行推理，支持多用户同时提问。

• 文档私有问答：拖入公司财报 PDF，模型在本地完成知识嵌入与问答，不依赖任何云端资源，数据完全私有可控。

• 轻量微调：若企业有数千份内部资料，可通过 QLoRA + LoRA 技术进行本地微调。单台微调需耗时数日，而通过 Exo 的集群调度能力，训练任务可线性加速，大幅缩短时间成本。

巨大的成本差异

爱范儿在现场后台观察拓扑图发现：即使 4 台机器同时处于高负载状态，整套系统功耗始终控制在 400W 以内，运行几乎无风扇噪音。

要在传统服务器方案中实现同等性能，至少需要部署 20 张 A100 显卡，服务器加网络设备成本超 200 万人民币，功耗达数千瓦，还需独立机房与制冷系统。

苹果芯片在 AI 浪潮中意外找到了新定位

M3 Ultra Mac Studio 的起售 32999 元，配备 96GB 统一内存，而 512GB 的顶配版本价格确实不菲。但从技术角度来看，统一内存架构带来的优势是革命性的。

在设计 M 芯片之初，苹果更多是为节能、高效的个人创作而生。但统一内存、高带宽 GPU、Thunderbolt 多路径聚合等特性，却在 AI 浪潮中意外找到了新定位。

传统 GPU 即使是最高端的工作站卡，显存通常也只有 96GB。而苹果的统一内存让 CPU 和 GPU 共享同一块高带宽内存，避免了数据在不同存储层级之间的频繁搬运，这对大模型推理来说意义重大。

当然，EXO 这套方案也有明显的定位差异。它不是为了与 H100 正面对抗，不是为了训练下一代 GPT，而是为了解决实际的应用问题：运行自己的模型，保护自己的数据，进行必要的微调优化。

如果说 H100 是金字塔顶的王者，而 Mac Studio 正在成为中小团队手中的瑞士军刀。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博