英特尔畅谈「养虾」生意，让智能体PC成为智能体的下⼀站

今年 3 月，OpenClaw 的百度搜索指数在短短一个月内从峰值 24.8 万暴跌至 5380。这个由纯云端大模型驱动的智能体产品，用一次过山车式的热度验证了 Agentic AI 的能力，也暴露了这条路线的致命缺陷。

问题出在哪？当用户发现智能体需要「确认后再执行」才能避免误删文件，当 API 调用成本让日常任务变成奢侈消费，当敏感数据必须上传云端才能完成推理理想中的「数字分身」瞬间退化成需要小心伺候的工具。

这不是个案。从 Anthropic 的 Claude Computer Use 到 Google 的 Project Astra，硅谷巨头们都在用重金堆砌的云端算力讲述智能体故事。但商业化落地时，他们都绕不开同一个悖论。智能体越强大，用户对隐私和成本的焦虑就越深；智能体越受限，用户又质疑为什么不直接用传统软件。

英特尔中国区技术部总经理高宇在 4 月的分享会上给出了一个更直白的判断，「单一云架构的局限，是数据集中处理带来的隐私合规压力、高频调用的成本黑洞，以及实时交互依赖网络的体验短板。单一端侧架构的局限，是能力上限、扩展速度和重负载承载力不足。」他说道。

这个判断的商业价值在于，它把智能体从「AI 能力竞赛」拉回到「用户实际需求」的坐标系。用户要的不是最强的模型，而是能 24 小时续跑、数据不出本地、成本可控的「数字员工」。

同时，他也给出一个破局方案：智能体PC（Agentic PC） 。他认为，AI正从“工具增强”迈向“智能伙伴”新阶段，而每台智能体PC，都将成为AI时代的新入口。

一、从「养虾」到养生态：智能体商业化的关键在哪

高宇在分享会上用了一个形象的比喻：智能体 PC 时代是「人人可用的养虾时代」。这个比喻的深意在于，智能体不再是云端圈养的「宠物」，而是用户可以自主培养、持续进化的「数字分身」。

但小众的「养虾」能否成为主流，取决于三个商业化条件是否成熟。

第一是硬件门槛能否足够低。

英特尔给出的方案是三档配置：旗舰级的酷睿 Ultra X 系列，采用180 TOPS 算力，32GB+ 内存，可跑 35B 模型）；主流级的酷睿 Ultra 8/16 核，主要是100 TOPS，16GB+ 内存，可跑 9B 模型；入门级的酷睿处理器，拥有40 TOPS，12GB 内存，可跑 4B 模型。

这个产品分级的商业逻辑很清晰，不是每个人都需要最强算力，但每个人都应该买得起能跑本地智能体的设备。一个学生用 12GB 内存的轻薄本跑 ASR 转写课程，一个自媒体博主用 16GB 的 Mini PC 生成音频，都能获得基本可用的体验。而重度用户，比如视频创作者、数据分析师，可以选择 32GB 甚至更高配置，用本地 35B 模型处理复杂任务。

更激进的是 Phison 与英特尔合作的 AI SSD 方案。该方案通过 PTL（持久化事务日志）技术，让 16GB 内存的设备也能流畅运行 35B 模型。这意味着硬件门槛可以继续下探，让更多存量设备加入智能体生态。

第二是 SKILL 生态能否足够繁荣。

英特尔的策略是三层金字塔：塔尖是英特尔自研的核心 SKILL（智能搜索、视频粗剪、游戏辅助、安全护栏），塔身是基于最佳实践开发的能力模块（小红书文案配图、OCR 识别、语音转写、数字主播 TTS），塔底是通过魔搭社区 AI PC 专区、SKILL 大赛、校园计划激励的社区开发者贡献。

这个生态的关键在于降低 SKILL 开发门槛，同时让开发者有商业回报预期。英特尔已经在和樱桃 AI 助手、搭子 DoMeJu、FlowyAIPC、JXiN、Molili、QClaw、QoderWork、QwenPaw、StepFun、腾讯应用宝、TRAE、WorkBuddy 等十几家商业化方案合作，验证混合部署的可行性。接下来，如果能建立类似 App Store 的分发和分成机制，让开发者通过 SKILL 获得收入，生态飞轮才能真正转起来。

第三是用户心智能否从「工具」转向「助理」。

这是最难的一步。传统 PC 时代，用户习惯的是「我打开软件→我执行操作→我保存结果」的流程。而智能体 PC 要求用户相信「我下达指令→智能体自主执行→异步完成并通知我」。

英特尔展示的几个场景试图建立这种信任。自媒体播主用智能体自动抓取行业热点，生成文案，转成音频，整个流程在后台异步完成，用户只需要审核最终成果；财务人员用智能体批量识别发票、抽取关键字段、进行合规校验，敏感数据不出内网，处理速度比人工快 10 倍；学生用智能体转写课程视频、生成结构化笔记，学习效率从「人工摘抄」升级为「智能识别」。

从这些场景可以看出，智能体不是替代人的决策，而是替代人的重复劳动，同时把决策权和数据主权留给用户。

二、重新理解混合 AI：不是妥协，是重新定义游戏规则

英特尔提出的混合 AI 部署方案，本质上是在重新定义智能体的商业模式。传统的PC是人在用，你得一步步下指令，它只是个记文件、存位置的死板工具。但在智能体PC的语境下，逻辑被彻底颠覆了。新的交互方式，将不再是鼠标点图标，而是基于自然对话的意图理解。此外，人只负责定目标，AI智能体负责自主拆解、异步执行，甚至24小时不间断续跑。

为了支撑这种高强度的智能运转，英特尔提出了“本地辅脑+云端主脑”的混合AI架构。敏感任务、高频低延迟任务交给本地辅脑处理；而高复杂度的逻辑推理则按需调用云端主脑。这种“智能路由”机制，不仅把昂贵的Token成本打了下来，更把最核心的私密数据“锁”在了本地。

传统认知里，混合部署是「云端做复杂推理、端侧做简单执行」的分工协作。但英特尔的逻辑更激进：让端侧成为智能体的主战场，云端只在必要时介入。

这套方案的核心架构包含四层：

思考层由本地 AI 模型驱动，负责理解问题和推理。在搭载第三代英特尔酷睿 Ultra X7 358H 处理器的设备上，35B 参数的 Qwen3.6 模型可以跑到 50 TPS 的解码速度，足以支撑实时对话和复杂任务分解。

调度层是智能体核心逻辑，根据任务类型、数据敏感度和算力需求，动态选择本地推理还是调用云端。比如 OCR 识别发票、语音转写会议记录这类涉及隐私的任务，完全在本地完成；而需要超大上下文或最新知识的任务，才路由到云端。

执行层通过 Python、CLI、MCP、Function Calling 等方式调用各类工具，形成可复用的 SKILL 生态。这些 SKILL 既可以是英特尔开发的核心能力（如智能搜索 Helicon Search、视频粗剪、游戏辅助），也可以是社区贡献的垂直场景方案。

记忆层则解决了智能体最难的问题：如何在保护隐私的前提下，积累对用户的理解。通过本地向量数据库和结构化存储，智能体可以记住「这个用户偏好什么风格的文案」、「上次项目的关键决策逻辑是什么」，而这些数据永远不离开设备。

这套架构的商业价值，在于它重新分配了三个关键资源：算力、数据主权和成本结构。

算力下沉让智能体摆脱了对网络和云服务的强依赖。一个自媒体博主可以在本地用 TTS 模型将文案转成播报级音频，一个财务人员可以在内网用 OCR 模型批量识别发票，整个流程不需要等待 API 响应，也不会因为网络波动中断。

数据主权回归用户则直接击中了企业和个人的核心焦虑。视频创作者的原始素材、财务人员的报销单据、教师的课件草稿，这些在云端智能体时代必须上传的敏感数据，现在可以留在本地设备上完成处理。英特尔展示的案例里，视频智能剪辑 SKILL 利用本地模型完成视频切片和关键片段识别，原版素材根本不需要离开硬盘。

成本结构的重构可能是最容易被低估的价值。云端智能体按 Token 计费的模式，让高频使用成为奢侈品。一个学生用 ASR 模型转写课程视频、一个播客主用 TTS 模型生成音频，如果每次都调用云端 API，月度成本可能超过订阅费本身。而本地推理的边际成本几乎为零，这让智能体从「按次付费的服务」变成「一次购买、无限使用的工具」。

三、Agentic AI 可持续商业化还差什么？

如果只把混合 AI 看作英特尔的 PC 业务自救，就低估了这个方案的产业价值。它真正的意义在于，为 Agentic AI 找到了一条可持续商业化的路径。

云端智能体的商业模式，本质上是把算力成本转嫁给用户，同时用数据换取服务。这个模式在 ToB 场景或许可行，但在 ToC 场景很难规模化，用户既不愿意承担高昂的 Token 费用，也不愿意把所有数据交给云端。

混合 AI 则提供了另一种可能：用户一次性购买硬件，获得本地推理能力，只在必要时付费使用云端服务。这个模式下，硬件厂商、软件开发者、云服务商都能找到各自的盈利点，而用户获得了更低的使用成本和更高的数据掌控感。

更重要的是，混合 AI 把智能体从「黑箱服务」变成了「可组合的能力」。用户可以选择信任哪些 SKILL，可以审查智能体的执行日志，可以在本地和云端之间自主权衡。这种透明性和可控性，是智能体从尝鲜工具走向生产力基础设施的前提。

英特尔的「家庭 AI 大脑」计划，则把这个逻辑推向了更远的未来。一个 AI Box 设备，7×24 小时在线，成为家庭的智能中枢：它控制智能家居设备、管理家庭成员日程、监控网络安全、提供个性化服务，同时确保所有隐私数据不出内网。这个场景下，智能体不再是「辅助工具」，而是「家庭成员」。它了解你的习惯、记得你的偏好、主动关怀你的需求。