这几年很多厂家营销 AI PC、AI 手机的概念，对于很多消费者来说，很可能 AI 的功能还没体验到，价格先涨上去了。

确实，如果只是调用云端 AI，那确实没有发生什么质变。但如果能够本地运行 AI 的话，那将是个人电脑（PC）体系架构的一次根本性范式转移。

本地 AI 绝不是简单地增加一个功能，而是对过去三十年 PC 设计的底层逻辑发起了挑战。

让我们必须先回到过去，看看传统的 PC 架构，为何已经无法适应 AI 时代的需求？

传统 PC 架构的缺陷

我们今天所熟知的 PC 架构，其实一直沿用着在上世纪 90 年代末的基础。当时，为了应对 3D 图形处理需求，电脑行业做出了一个关键决策：

将图形处理单元（GPU）独立出来，并为其配备专用的高速显存（VRAM）。CPU 则继续使用自己的系统内存（RAM）。

这种 CPU + 独立 GPU，系统内存 + 显存的架构，在当时是解决总线带宽瓶颈的有效方案。它让图形处理能力得到了飞速发展，支撑了整个游戏和专业图形行业。但这种设计也埋下了隐患。

AMD 的副总裁兼首席技术官 Joe Macri 这样形容：

当 CPU 和 GPU 需要协同工作时，数据必须经历一个漫长而低效的旅程——从系统内存中取出，通过 PCI-E 总线缓慢地传输到显存，GPU 处理完后，再把结果传回系统内存。

这个过程不仅增加了延迟，还消耗了大量额外的电力。对于传统的游戏或图形渲染任务，这种代价尚可接受。但对于大语言模型这类新兴的 AI 工作负载，这种架构的缺陷就暴露无遗了。

AI 模型，有两个核心需求：巨大的内存容量和海量的并行计算。

一个模型动辄数十 GB 甚至上百 GB，运行时必须完整加载到内存中。在传统架构下，如果模型需要 CPU 和 GPU 协同处理，数据就要在两个独立的内存池之间来回折腾，这成了巨大的性能瓶颈。

换句话说，PC 行业过去三十年的成功基石，如今恰恰成了通往本地 AI 未来的最大绊脚石。

AI PC 新范式：NPU、统一内存与 SoC 集成

所谓的「AI PC」，并不是一个简单的产品定义。它建立在三大技术支柱之上，共同构建了下一代个人计算的平台。

第一：NPU（神经网络处理单元）

当下的 AI 计算，很大程度上是矩阵乘法运算。CPU 虽然通用，但做这种并行计算效率极低。GPU 通过其成千上万的流处理器，恰好擅长并行计算，因此在数据中心成为了 AI 的主力。

但在笔记本电脑这种对功耗和散热极其敏感的设备上，让一块动辄上百瓦的 GPU 持续高负载运行，显然不现实。

NPU 应运而生。它是一种专为 AI 计算（特别是张量运算）设计的芯片，结构上就为这类任务做了深度优化。它的核心优势不是绝对性能，而是能效比。

微软的技术院士 Steven Bathiche 指出，高通骁龙 X 芯片中的 NPU，其算力（TOPS，每秒万亿次操作）远超同代 CPU，但功耗却低得多。

目前，高通、AMD、英特尔等巨头已经掀起了一场 NPU 的「TOPS 军备竞赛」。从最初的 10 TOPS，到现在的 40-50 TOPS，再到未来规划的数百甚至上千 TOPS，算力的增长速度令人惊叹。

但这不仅仅是数字游戏。AMD 的 Ryzen AI 产品管理总监 Rakesh Anigundi 认为，NPU 的低功耗特性至关重要，因为未来的 AI 应用，比如个人助理，会是「始终在线」的，需要长时间运行。如果依赖 GPU，笔记本的电池会迅速耗尽。

因此，NPU 的角色不是要取代 GPU，而是在 CPU 和 GPU 之外，提供一个处理持续性、低强度 AI 任务的高能效选择。

CPU 负责系统调度和数据准备，NPU 处理始终在线的 AI 功能，GPU 则在需要时介入，处理高强度的 AI 推理或生成任务。这是一个更平衡、更高效的异构计算体系。

第二根支柱：统一内存架构（UMA）

统一内存的理念很简单：打破系统内存和显存之间的物理壁垒，让 CPU、GPU、NPU 共享同一个高速内存池。所有处理单元都可以直接访问全部内存数据，无需再通过低效的 PCI-E 总线进行数据拷贝。

这个概念并不新鲜，但真正将其发扬光大并推向主流的是苹果。

自 M 系列芯片问世以来，苹果就凭借其统一内存架构，在视频剪辑、3D 渲染等需要大量数据交换的任务中展现出惊人的能效优势。

对于 AI 任务而言，这种架构更是如鱼得水。一个巨大的 LLM 可以一次性加载到统一内存中，CPU、GPU、NPU 可以根据任务需要，无缝地对模型数据进行操作，极大地提升了效率和响应速度。

现在，Wintel 阵营也终于醒悟。AMD 最新推出的 Ryzen AI 300 系列，就明确采用了统一内存设计，将 CPU、GPU 和 NPU 整合在同一块芯片上，共享高达 128GB 的系统内存。英特尔和英伟达这对昔日的对手也出人意料地宣布合作，未来的芯片架构同样会走向统一内存。

这是 PC 架构二十五年来最根本的一次变革。它意味着，数据流动的瓶颈被彻底打开。当然，这种变革也带来了代价：高度集成化使得 PC 的可升级性和可维修性大幅降低。CPU、GPU、内存被焊死在主板上，一个部件损坏可能意味着整个主板报废。这是为了极致效率而牺牲模块化的必然权衡。

第三根支柱：SoC 集成

将 NPU 和统一内存架构的优势发挥到极致的，是 SoC 的设计思路。即将 CPU、GPU、NPU 以及其他控制单元，全部集成到一块硅片上。

这种做法的好处是显而易见的。

首先，芯片内部的互连速度远高于芯片之间的连接速度，数据交换的延迟更低、带宽更高。其次，将所有计算单元置于一个统一的功耗和散热管理体系下，可以进行更精细的动态调度。

AMD 的高级院士设计工程师 Mahesh Subramony 表示，通过这种方式，系统可以智能地在不同单元之间分配功耗预算，以在轻薄本的形态下实现“迷你工作站”级别的性能。

从分裂的组件到高度集成的 SoC，这标志着 PC 设计理念的成熟。PC 不再是各个独立部件的简单组装，而是一个经过精密设计的整体。

软件生态的追赶：微软的野心

硬件的变革只是故事的一半。没有软件生态的支持，再强大的硬件也只是一堆昂贵的芯片。

微软推出了 Copilot+ PC 计划和 Windows AI Foundry Local 平台，试图为这套新硬件打造操作系统级支持的战略部署。AI Foundry Local 本质上是一个运行时堆栈，它为开发者提供了一个包含数千个开源模型的目录，以及一系列 API。

其核心价值在于，它试图解决 AI 应用开发的两个关键问题：

1. 硬件抽象：通过 Windows ML 运行时，开发者无需关心底层是 CPU、GPU 还是 NPU。系统会自动将 AI 任务调度到最合适的硬件单元上执行。这大大降低了开发门槛。
2. 高级功能赋能：提供了本地知识检索、检索增强生成（RAG）、模型微调（LoRA）等高级功能的 API。这意味着开发者可以轻松构建能够引用用户本地数据、更具个性化的 AI 工具，而这正是本地 AI 相比云端 AI 的核心优势所在。

微软的目标，是让 Windows 成为本地 AI 应用的首选开发和运行平台，从而在这场平台革命中占据主导地位。

本地 AI 的真正价值是什么？

那么，这一切有必要吗？云端有更强大的模型，我为什么要在自己的笔记本上折腾？

这个问题需要从几个层面来理解。

首先，本地 AI 与云端 AI 并非取代关系，而是互补关系。云端处理最复杂、最庞大的模型，提供SOTA 级别的能力。而本地 AI 则专注于处理需要低延迟、高隐私和深度个性化的任务。

其次，“足够好”的模型正在快速涌现。我们不需要在笔记本上运行 GPT-4.5。像 Qwen3 8B 等小型语言模型（SLM）的能力已经超出了很多人的预期，它们完全可以在当今的 AI PC 硬件上流畅运行。随着模型效率的不断提升，本地模型的能力边界会持续拓宽。

再者，并非所有计算都适合上云。将海量个人数据持续不断地上传到云端进行处理，不仅有隐私风险，其网络和计算成本长期来看也是一笔巨大的开销。随着本地 AI 硬件的普及，将部分计算负载转移回本地，会是一种更经济、更高效的选择。

AI PC 的意义远不止于运行一个聊天机器人。它的真正潜力在于，通过无处不在的 AI 能力，重塑整个操作系统的交互体验。

搜索不再是关键词匹配，而是语义理解；文件管理不再是手动分类，而是智能组织；内容创作不再是从零开始，而是与 AI 协同完成。这是对个人计算效率的一次系统性提升。

小结

AI PC 不是一次简单的产品升级，而是 PC 行业在 AI 时代的一次架构升级。

这场升级的核心，是对效率的极致追求。在功耗和体积的严格限制下，通过架构层面的革命，压榨出每一瓦特的性能，以满足 AI 时代的算力需求。

对于普通用户而言，短期内可能只会感受到一些零散的 AI 功能。但从更长远的时间维度看，我们正在见证个人电脑这一概念的重新定义。

未来的 PC，将不再仅仅是一个执行指令的工具，而是一个真正理解用户、预测需求、并与用户协同共生的智能伙伴。