熱門資訊> 正文
2026-11-15 18:56
:羅超
一個鐵皮箱子,如何改變全球貿易?
1956年,美國有個卡車運輸商叫馬爾科姆·麥克萊恩,他做了一件當時不少人覺得有些奇怪的事:把一艘油輪改造成貨船,然后將58個集裝箱直接裝上船,從新澤西運往得克薩斯。
看起來沒什麼技術含量對吧,無非就是把貨物裝進一個鐵箱子里,但它后來卻改變了全球物流行業。
在此之前,貨物需要一件件裝船、卸船,再轉移到卡車或者火車上,整個過程既費時又費力。而集裝箱的出現,讓貨物可以作為一個整體,在船舶、鐵路和公路之間快速轉運。
事實上,很多技術變革都有相似的邏輯:當一項能力越來越複雜,真正重要的事情,未必是繼續把它做得更龐大,而是想辦法讓它變得更容易部署、更方便使用。
今天的AI計算,也正在經歷類似的變化。
比如聯想開天最近推出的首款純國產AI主機,就將國產CPU、NPU和160 TOPS本地AI算力集成進了一個只有1.6L的機身里。
它不只是把計算硬件做小了,也讓本地大模型和AI智能體有機會進入普通辦公桌面。
AI算力也需要一場「小型化革命」
提到AI計算,很多人腦海里浮現的,大概還是數據中心里一排排服務器機櫃。畢竟大模型對算力、內存和散熱都有不低的要求,想在本地運行一個有一定規模的模型,過去確實不是一件輕松的事。
但問題也隨之而來:是不是所有AI計算,都必須集中在大型設備和雲端環境里?
答案顯然不是。
雲端算力有自己的優勢,但企業日常辦公中,有不少任務其實沒有那麼複雜。比如文件檢索、資料整理、數據分析、定時信息監測,這些工作可能每天都要做,涉及的數據也未必適合頻繁上傳到外部平臺。
如果能在本地完成其中一部分,企業自然會多一種選擇。這也是桌面級AI設備開始受到關注的原因。
那麼如何在有限空間里塞進足夠的AI算力,同時讓模型運行起來?
聯想開天AI主機就是一個例子。
它採用1.6L迷你機身,整機重量約1.5kg。1.6L是什麼概念?這麼説吧,你放在桌上的紙巾盒,可能都比它大。但就是這樣一臺四四方方的小主機,里面集成了國產CPU、NPU,以及160 TOPS INT8本地AI算力,換算下來,每秒可完成約160萬億次INT8運算,體積與算力之間形成了強烈的反差。
當然,機身小隻是第一眼能看到的變化,里面的硬件架構纔是重點。
聯想開天AI主機搭載國產兆芯KX-7000八核處理器,以及后摩智能力擎LQ50 NPU,採用CPU+NPU異構計算架構。CPU主要負責系統運行和通用計算,NPU則專門承擔大模型推理等AI任務。
這樣分工的意義在於,AI推理和日常電腦任務對硬件的需求並不完全相同,讓CPU承擔所有工作,未必能充分發揮硬件效率,引入專門的NPU,則可以把AI計算交給更適合的單元處理。
光説參數大家可能覺得有些抽象,我們不妨換個更直觀的角度來看:聯想開天AI主機支持35B量級大模型本地推理,已經適配Qwen3.5系列、Qwen3.6-35B-A3B等模型。
以Qwen3.6-35B-A3B為例,在24GB NPU配置下,通過W4A8量化方式進行本地推理,內部測試文本生成速度約為28.99 tokens/s,同時支持最高20萬Token輸入規模。
這里的量化,可以簡單理解為對模型進行一定程度的壓縮,降低運行時對內存和計算資源的要求,讓原本需要更多資源支持的模型能在相對有限的硬件環境中運行。
搞定了硬件參數之后,接下來還有一個容易被忽略的問題:小機身如何應對長時間運行?
如果AI主機只是偶爾跑一跑模型,散熱壓力或許沒那麼明顯。但如果它要承擔定時監測、持續推理等任務,設備能不能穩定工作,就顯得重要得多。
聯想開天AI主機採用CPU與NPU雙獨立散熱風道,搭配高風壓渦輪風扇和智能温控機制。根據內部測試數據,在25℃環境下,整機待機殼温約33℃,滿載約41℃;待機噪聲約19.4dB,NPU滿載推理時約29.5dB。
顯然,聯想開天在設計這款產品時,考慮到了持續運行場景,而不是隻追求短時間跑出一個漂亮的性能數字。
安全與成本雙重考量,
混合式AI成大趨勢
事實上,當下混合式AI正在成為趨勢,企業用AI不一定要搞大工程。
Gartner在2026年發佈的AI基礎設施與IT運維趨勢報告中,將混合式AI列為未來的重要方向,所謂混合式AI,簡單來説,就是不再把AI算力全部放在雲端,而是根據不同任務的需求,將計算資源分配到公有云、企業本地數據中心以及邊緣設備等不同環境中。
比如,大規模模型推理可以交給雲端,涉及內部數據或對響應速度有要求的任務,則可以放在本地完成。這對一些企業來説,可能會徹底改變以往的工作方式。
過去我們使用大模型,大多是打開一個應用,輸入問題,等待模型給出答案。一次對話可能消耗一些Token,但任務通常比較短,使用頻率也相對有限。
智能體出現之后,情況就不太一樣了。
比如讓智能體整理一批業務文件,它需要讀取文件、理解內容、分類歸檔;如果要分析多張Excel表格,它還得完成數據關聯、指標計算和結果匯總。這些任務有一個共同點:執行鏈條更長,而且可能需要反覆運行。
這就帶來了一個新問題,企業使用AI的成本開始持續累積:如果所有任務都依賴雲端API,Token費用自然會隨着使用頻率上升。
不過,成本還不是全部,對於不少企業來説,數據怎麼流轉可能更加敏感,合同、財務報表、客户資料以及業務數據,都有各自的管理要求。
這也解釋了為什麼本地AI算力開始變得重要。
但這里有必要説清楚,本地部署並不意味着企業要把所有AI任務都搬回自己的設備。畢竟雲端模型在複雜推理和大規模計算方面仍然有優勢,企業也沒必要爲了本地化而本地化。
正確的做法,是根據任務特點進行分配:高頻、重複、涉及內部數據的任務,可以優先考慮本地處理,需要更強模型能力的複雜任務,則按需調用雲端。
另一方面,Gartner也提到了智能體帶來的Token經濟問題。按照其預測,採用不封頂、按Token用量計費模式的企業,到2027年,AI智能體在IT運維中的相關成本可能比最初預期高出50%以上。
這對一些只是想讓員工用AI處理文件、分析報表的企業來説,負擔確實不輕。
總之,不管是從安全角度還是從經濟角度考慮,聯想開天AI主機的AI算力小型化,都是一件很有價值的事情。
聯想開天AI主機的價值,也可以放在這個背景下理解。
它支持本地大模型推理,能夠為企業提供一套離業務更近的計算環境。對於一些重複執行、數據相對敏感的任務,可以在本地完成,減少部分雲端Token調用,也能降低不必要的數據傳輸。
這對企業來説,改變的可能是部署AI的門檻,甚至是使用AI的心態。以前要經過預算申請、基礎設施建設、系統部署,才能正式開始嘗試AI,現在只需要一臺聯想開天AI主機,就能做到開箱即用。
説到底,小型化帶來的不只是設備體積的變化,更是人與AI協作方式的變化:
AI不一定需要昂貴、複雜的部署過程,也可以成為員工桌面上一臺觸手可及、開箱即用的提效設備。對企業而言,嘗試AI可以從一個具體崗位、一項日常工作開始,而不必等到一整套龐大的AI工程準備就緒。
我覺得這恰恰是本地AI設備最有價值的地方,換句話説,未來企業的AI算力,很可能是雲端與本地各司其職,誰也不必完全取代誰,關鍵是把任務放到更合適的地方。
AI從聊天框走進工作流程,
個人和企業會發生什麼變化?
不過,對一些企業而言,讓員工接受AI這種新的工作方式,其實並沒有想象中那麼容易。
尤其是一些規模較大的組織,內部往往已經形成了相對固定的管理流程、工作習慣和SOP。即便AI已經足夠強大,也很難要求所有人立刻改變原來的工作習慣,更不可能一上來就把整套流程交給AI。
所以,我覺得企業引入AI,可能不是先想着讓AI改變工作流程,而是讓它先幫員工把現有工作做得更快一點。比如,每一次合同審查,每一次數據分析,都能通過AI多提供一個「保底」方案。AI不需要替代員工,也不需要重新設計整套工作流程,只要能在原有工作基礎上提供一些幫助,就已經有了使用它的理由。
這也是聯想開天AI主機這個小盒子所能帶來的另一個好處:通過日常工作,加速培養員工使用AI的習慣。
當然,算力和部署方式最終還是要落到具體應用上,這里就要看聯想開天AI主機原廠預裝的天禧AI Pro了。
舉個例子,天禧AI Pro不僅支持文檔理解、內容生成和數據分析,還可以通過Skill擴展不同能力,讓AI按照用户的要求,完成從讀取信息、分析處理到結果輸出的一系列操作。
對普通用户來説,Skill Hub技能擴展降低了AI能力的使用門檻。員工可以根據辦公、教育、數據分析、文檔處理等需求安裝不同技能,讓AI逐漸融入日常工作。
這里其實還有一個不那麼顯眼的變化:當AI算力以一臺主機的形態部署在員工桌面上,企業使用AI的方式也會有所不同。
過去,很多企業使用AI主要依賴雲端服務,通常需要採購訂閲服務,或者按照Token用量付費。尤其是按Token計費的模式,每一次調用、每一輪對話,都可能帶來新的使用成本。對於企業IT部門來説,需要關注調用額度、賬號管理和持續增加的服務費用;對於普通員工來説,也容易形成一種使用上的顧慮:這件事有必要讓AI做嗎?要不要再讓它多試幾次?
如果企業已經採購並部署了本地AI主機,情況就不太一樣了。前期設備採購完成后,本地算力就成為企業可以持續調用的一項IT資源。對於適合本地處理的任務,員工可以隨時調用AI進行搜索、整理、分析,或者反覆調整生成結果,不必每次都考慮新增Token消耗。
這看起來只是成本計算方式的變化,實際上也會影響員工使用AI的習慣。以前可能需要考慮一下值不值得調用AI的工作,現在可以先讓AI試一試。員工願意嘗試的事情多了,企業也更容易在日常工作中發現新的AI應用場景。
第一類,是日常提效,讓重複性工作做得更快。
日常辦公中,很多時間都花在了搜索、查找和整理信息上。一個項目做下來,Word、Excel、PDF、PPT散落在不同文件夾里,文件名還不一定規範,真要找一份舊資料,光是翻文件夾就要花不少時間。
天禧AI Pro可以通過文件歸檔Skill,讀取並理解不同文件的內容,輔助完成分類和歸檔目錄整理;同時支持對本地Word、Excel、PDF、PPT等文件進行檢索,幫助用户根據文件名或正文內容快速找到目標資料。
類似的還有會議錄音整理。過去一場會議結束后,員工往往還要花時間反覆聽錄音、整理文字、提取重點。現在,AI可以輔助完成本地錄音轉寫和內容整理,把這些重複性工作交給AI處理。
第二類,是專業輔助,讓一項工作更容易從零開始。
對於一些需要專業知識和經驗的工作,AI也可以先承擔前期的基礎工作。比如在合同審查中,AI可以輔助識別條款缺失、約定差異以及前后內容不一致等問題,整理潛在風險和修改建議,再交由專業人員審覈。
在內容生產中,AI也可以根據用户的要求,協助搭建文章框架、生成稿件初稿,或者整理周報草稿。員工可以在AI提供的第一版基礎上補充信息、完善觀點和核實細節。
這類工作的共同點是,AI可以先幫助員工完成前期準備,讓原本需要從空白文檔開始的工作,有一個可以繼續修改和完善的起點。
第三類,是流程執行,讓AI連續完成一組工作任務。
如果説前面兩類主要是幫助員工完成某個具體環節,那麼隨着任務規劃、Skill調用和定時執行能力的加入,AI還可以進一步參與完整的工作流程。
比如,用户可以通過Skill Hub擴展所需技能,再結合定時任務,讓AI每天檢查指定網站的產品信息是否更新,或者每周自動整理工作內容、生成周報草稿。這些任務都有明確的執行要求,AI可以按照預設規則持續完成。
天禧AI Pro可以把這套流程進一步串聯起來:會前根據日程創建會議,會中完成本地錄音和轉寫,會后自動生成會議紀要、提煉討論重點,並整理待辦事項、明確對應責任人。原本分散在會前、會中和會后的多個環節,現在可以由AI連續處理,最終形成一份能夠支持后續工作的會議成果。
這時,AI已經開始承擔一項工作的連續執行任務。員工只需要明確目標、確認關鍵要求,並對需要人工判斷的環節進行審覈,就能獲得一份完整的工作成果。
從日常操作提效,到專業任務輔助,再到完整流程執行,天禧AI Pro正在將AI能力融入越來越具體的崗位任務。
當本地AI算力進入員工桌面,使用AI的門檻進一步降低,員工也有更多機會在日常工作中嘗試、探索和積累新的應用場景。隨着這些場景不斷豐富,AI也就有機會真正成為企業日常工作的一部分。
總之,當AI算力不再只集中在雲端,而是進入個人桌面和企業業務現場,智能體就有機會更貼近具體工作,加速企業辦公AI化的進程。
寫在最后
回到開頭的集裝箱故事。
當年,麥克萊恩通過發明標準化的集裝箱,讓原本複雜的運輸流程變得更加簡單,也讓全球貿易擁有了新的效率基礎。
很多時候,一項技術想要真正走進日常場景,除了性能上的突破,還需要在形態和使用方式上找到新的答案,AI算力也需要一場「小型化革命」。
並不是每一個AI任務都需要龐大的計算集群來支撐,當算力逐漸擺脫對大型設備和專業機房的依賴,變得更輕量、更容易部署,AI的應用場景也就有了更多可能。
讓強大的AI算力變得觸手可及,或許纔是這場「小型化革命」最值得期待的地方。