从AI设备到个人AI：智能体驱动下，一场新的革命正在发生

想象一下这样的画面：早晨醒来，腕上的智能手表已经记录了一夜的睡眠和身体状态；手机结合当天的日程和实时路况，重新安排出行与工作计划；走在路上，眼镜通过第一视角识别周围环境，提供导航、翻译等服务；到了办公室，尚未完成的任务已经自动在 PC 上接续。

在些场景里，用户不再需要在几台设备之间反复输入信息，也不用逐个打开应用。真正贯穿手机、手表、眼镜和 PC 的，是同一个智能体：它理解用户的习惯，保留上下文，并能够根据意图自主调用不同设备和工具完成任务。

这不仅意味着操作方式的简化，更可能重新定义人与终端的关系：AI 将不再只是回答问题的工具，而是逐渐融入工作、出行、沟通等日常场景,持续提供服务。在当下，这样的体验虽仍未真正普及，但围绕智能体如何跨设备协同、持续服务用户，产业已经开始探索新的技术路径与产品形态。

7 月 27 日，“财新圆桌——AI 系列：智能体时代终端产业的下一站”在北京举行。活动现场，由高通委托、IDC 独立开展研究的《从 AI 设备到个人 AI：智能体驱动的终端进化与产业重构》白皮书正式发布。在白皮书的基础上，与会嘉宾围绕 AI 终端的发展趋势展开讨论，话题从市场变化、芯片架构延伸到产品体验和生态协作，共同探讨智能体将如何重塑下一代个人终端。

白皮书将这种新的终端形态概括为“个人 AI（Personal AI）”。与今天运行在单一应用中的 AI 助手不同，个人 AI 更强调以用户为中心，由智能体作为核心运行载体，通过端侧智能算力、多模态交互以及边缘、云端协同，在手机、PC、智能眼镜、可穿戴设备等多个终端之间持续提供跨设备、跨场景的服务能力。

这场讨论也发生在 AI 加速进入个人设备的关键节点。今年 5 月，工业和信息化部等部门启动实施《人工智能终端智能化分级》系列国家标准；7 月 15 日，国家网信办公布“Apple 智能、小米澎湃 AI”等 7 款手机端侧生成式人工智能服务备案信息；随后举行的 2026 世界人工智能大会上，智能体手机、AI 眼镜和机器人等产品集中亮相。标准、监管和产品几乎同步推进， AI 终端正从概念验证走向规模化落地。

在开场致辞中，财新智库高级经济学家、研究主管王喆表示，AI 正从模型能力和算力基础设施建设，转向应用场景加速落地的新阶段；国务院发展研究中心研究员张文魁则从宏观视角指出，智能体的发展需要进一步打通基础研究、应用研发与商业化之间的链路，推动智能终端与智能体深度融合。

而随着智能体逐渐成为连接不同终端的核心，一个更深层的问题也随之浮现：今天围绕单一终端建立的计算架构、软件生态和产业分工，是否仍适用于个人 AI 时代？

AI 终端正在普及，个人 AI 仍未成形

围绕这一问题，作为白皮书的主要解读人，IDC 中国副总裁王吉平结合最新市场数据和研究结果，对终端产业的发展阶段进行了分析。他首先提出了一个判断：AI 终端正在快速普及，但这是否意味着“个人 AI”时代已经到来？

图｜IDC 中国副总裁王吉平发表主题演讲

白皮书给出了一组看似有些矛盾的市场数据。一方面，AI 正以前所未有的速度进入个人设备。IDC 预计，2026 年全球企业 AI 支出将达到 9,400 亿美元，并有望在 2029 年增至 2.1 万亿美元；同期，AI 手机在全球智能手机出货量中的渗透率预计达到 66.4%，AI PC 和 AI 平板的渗透率也将分别达到 49.9% 和 74.3%。

但另一方面，AI 的普及并没有立即带动终端市场重新增长。白皮书预计，2026 年全球智能手机、PC 和平板出货量将分别同比下降 13.9%、11.7% 和 8.6%。供应链成本上升推高了设备平均售价，消费者的换机周期却在持续拉长。

（来源：IDC）

王吉平将这一阶段称为终端产业变革的“临界点”。在他看来，过去依靠处理器、屏幕和影像参数推动换机的模式越来越难以奏效，而 AI 又成为终端市场为数不多的增长机会。问题在于，对于多数消费者来说，问答、摘要、翻译、修图等 AI 功能虽然提升了体验，却仍不足以成为购买新设备或持续付费的决定性理由。

这也构成了当前 AI 终端面临的“原生之困”：硬件已经能够运行大模型，AI 服务却仍以一个个孤立功能的形式存在；模型能够生成内容，却未必理解用户所处的具体情境，更难稳定完成跨应用、多步骤的复杂任务。

白皮书引用的一项 IDC 中国消费者调研显示，在 500 余名拥有手机、平板或 PC 智能体使用经验的受访者中，65% 曾遇到系统无法准确理解指令的问题，59% 遇到过上下文丢失，54% 认为任务结果不符合预期。归纳起来，当前 AI 终端主要存在三项短板：系统对用户了解不足，生成结果缺乏情境适配，复杂任务也难以形成完整闭环。换言之，现阶段的 AI 设备虽然已经具备一定的智能体能力，但距离产业所设想的“个人 AI”仍有明显差距。

（来源：白皮书）

因此，白皮书进一步将“个人 AI”与传统 AI 设备作出区分。王吉平将这种变化概括为从“面向设备的 AI”转向“面向用户的 AI”。前者以单一硬件为边界，关注设备具备多少算力、能够运行哪些模型；后者则以用户为中心、以智能体为载体，将端侧算力、多模态交互以及边缘和云端资源组织起来，形成一个能够跨终端、持续提供服务的系统。

按照白皮书的定义，真正的个人 AI 应具备五项核心能力：能够结合个人情境提供服务；通过低功耗感知和多模态交互持续理解用户；让任务与上下文在不同设备之间连续流转；在长期使用中积累个人记忆并不断优化；同时确保数据和操作安全可信。过去，用户需要理解不同设备和应用如何协同；未来，用户只需表达目标，任务拆解、工具调用和跨设备调度将更多由智能体完成。

基于这一判断，白皮书还将终端智能化划分为功能嵌入、助手协同、任务代理和自主编排四个阶段。IDC 认为，目前行业整体仍处于“助手协同”阶段，大多数产品仍以响应用户指令为主；能够主动执行多步骤任务的“任务代理”，预计将在 2026—2027 年逐步进入规模化应用；而真正具备持续理解用户需求、自主规划和跨终端编排能力的“自主编排”阶段，则有望在 2028 年以后逐步展开。

从生成式 AI 到智能体，计算架构也需要重构

从生成式 AI 到智能体，表面上的变化，是 AI 从回答问题走向完成任务；更深层的变化，则是终端的计算方式正在发生改变。

在主题演讲中，高通公司产品技术专家朱元堃将这种变化概括为“智能体 AI 时代”。在他看来，聊天仍将是 AI 的一种交互方式，但未来的智能体还需要具备持续感知环境、自主规划决策和调用工具完成任务的能力。

图｜高通公司产品技术专家朱元堃发表主题演讲

朱元堃将背后的运行机制概括为四个基础环节：感知、记忆、推理和工具执行。感知负责持续获取环境和用户状态，记忆沉淀长期积累的个人信息，推理结合这些信息完成分析和规划，最终调用不同工具执行具体任务。与传统生成式 AI 更多围绕一次次对话展开不同，个人智能体需要长期保留上下文，根据新的情境不断调整行为，它更像一个持续运行的系统。

这也意味着计算需求发生了变化。IDC 白皮书预计，未来单个个人智能体每天消耗的 Token 数量，可能达到传统生成式 AI 应用的 100 至 1,000 倍。如果所有计算都依赖云端，不仅推理成本会持续增加，也会受到网络时延、能耗以及隐私保护等因素的制约。因此，AI 计算必须从云端集中走向端边云协同的分布式架构：高频、低时延且涉及个人隐私的数据在端侧完成处理，复杂任务再按需调用边缘节点或云端模型。

朱元堃也在演讲中提出，端侧和云端并不是简单的功能划分，而是根据任务特点形成自然协同。端侧负责持续感知、保存个人记忆和本地规划，云端则发挥模型规模和算力优势处理复杂任务，两者通过统一的架构实现无缝流转。如果完全依赖云端，AI 或许能够成为强大的生产力工具，却很难成为真正理解个人的智能体。

图｜智能体 AI 需要个性化与跨终端协同（来源：朱元堃主题演讲）

为了支撑这种运行方式，终端自身的计算架构也需要重新设计。朱元堃介绍，未来面向智能体 AI 的设备需要具备分布式推理能力。在一颗 SoC 内部，传感器中枢负责以低功耗持续感知环境，CPU 承担系统调度，NPU 负责 AI 推理，连接模块实现端、边、云之间的任务流转。过去分别服务于不同应用的硬件模块，需要围绕同一个智能体任务持续协同运行，而不是只在用户发出指令时短暂工作。

在此基础上，IDC 白皮书进一步总结出支撑个人 AI 的四项关键能力：全时感知与自然交互、端侧算力与个人记忆、连续计算与跨端协同，以及安全可信与隐私保护。其中，全时感知让智能体能够持续理解用户及环境变化；端侧算力和个人记忆支撑长期个性化服务；连续计算与跨端协同让手机、PC、手表、眼镜等设备围绕同一个任务协同工作；而安全可信与隐私保护，则成为个人 AI 长期运行的重要基础。

以健康服务为例，智能手表可以实时采集心率、步数等数据，手机完成运动分析，而长期健康趋势预测则调用云端模型完成。对于用户而言，这是一项持续提供的健康服务；而在底层，则是端、边、云根据不同任务动态分配算力、协同完成计算的过程。这种由多个终端共同支撑、持续服务用户的模式，也正是白皮书所描绘的个人 AI 形态。

在随后举行的圆桌讨论中，与会嘉宾们将话题进一步延伸到产业落地。IDC 中国副总裁王吉平认为，AI 终端正从“全云端”走向“端、边、云”协同，不同层级承担不同任务，在体验、成本和能耗之间寻找平衡；朱元堃则表示，未来手机、PC、眼镜等设备将共同组成以用户为中心的个人 AI 系统。

来自终端厂商的观点则更多聚焦产品形态。乐奇 Rokid 硬件研发总工程师周森认为，智能眼镜的价值在于伴随式交互和多模态感知，但重量、功耗和续航仍是行业需要突破的现实约束；数字生命卡兹克主理人卡兹克则认为，真正理解用户的智能体离不开真实世界的上下文，手机仍将是个人 AI 的核心载体，而更多终端则会成为连接现实世界的入口。

IDC 中国副总裁王吉平、高通产品技术专家朱元堃、乐奇 Rokid 硬件研发总工程师周森、卡兹克参与圆桌讨论

几位嘉宾最终形成的共识是，未来终端竞争的重点，不再只是单台设备能够运行多大的模型，而是整个生态能否让智能体在不同设备之间持续协同，并围绕同一个用户稳定完成任务。

高通要做的，是个人 AI 的底层平台

不过，从产业愿景走向产品落地，仅有智能体的概念还远远不够。真正的问题在于，谁来提供支撑个人 AI 持续运行的底层平台。

高通给出了自己的答案：从移动芯片供应商，进一步拓展为个人 AI 的底层计算架构。随着智能体开始跨越手机、PC、眼镜、汽车座舱等多种终端运行，计算平台需要同时承担异构算力、跨端连接和软件生态支持等职责，而这也与高通近年来的发展方向逐渐重合。

从毫瓦级的耳机、手表和眼镜，到手机、PC、汽车、机器人、边缘设备和数据中心，高通将覆盖不同功耗和算力层级的产品体系称为“计算连续体（Compute Continuum）”。它试图解决的问题，是让同一个智能体能够跨越不同设备运行，在不同节点之间调度模型、迁移任务，并保持相对一致的开发和运行环境。

这一能力首先建立在异构计算之上。以第五代骁龙 8 至尊版移动平台为例，第三代 Qualcomm Oryon CPU、Hexagon NPU、Adreno GPU 和传感器中枢分别承担任务规划、高能效推理、并行计算和低功耗感知。相比单纯追求某一项参数提升，这套设计更关注智能体能否在手机有限的功耗和散热条件下持续运行。

（来源：高通）

类似的思路也延伸到了其他终端。智能眼镜平台强调第一视角感知、空间计算和功耗控制；可穿戴平台侧重低功耗传感器融合和本地轻量推理；骁龙 X 系列 PC 平台则为复杂模型和生产力任务提供更大的算力空间。不同设备不必拥有完全一致的能力，但能够共享同一套异构计算 IP 组合和 AI 软件基础。

不过，硬件只能回答智能体“能不能运行”，软件工具链决定的是模型和应用能否真正进入产品。当被问及高通在个人 AI 产业链中的差异化价值时，朱元堃将重点放在了硬件之外的软件平台和开发生态。

高通正通过统一 AI 软件栈连接不同终端平台：GENIE 用于优化端侧大模型推理，智能体开发 SDK 封装任务编排、上下文管理和跨端调度等通用能力，AI 规划器负责组织用户偏好、本地情境和终端应用能力；朱元堃在群访中重点提到的 Qualcomm AI Hub，则为开发者提供经过平台优化的模型，减少量化、裁剪、测试和部署等重复工作。

从这个角度看，高通希望承担的角色已经不只是芯片供应商，而是为个人 AI 提供一套覆盖算力、感知、连接和软件工具的底层平台。终端厂商可以基于这一平台打造不同形态的产品，模型和应用开发者也能够以相对统一的方式，将服务部署到手机、PC、眼镜、汽车等不同终端。

这也是高通提出“以用户为中心的生态（Ecosystem of You）”的背景。在传统终端生态中，服务往往绑定于品牌、操作系统和硬件；而在高通的设想中，智能体始终围绕用户运行，不同设备分别承担感知、计算、交互和执行等职责，算力则根据任务需求在更合适的位置发生。

在圆桌讨论的后半程，话题几次回到数据孤岛与生态协作。这也是白皮书提出的现实挑战：硬件需要解决持续感知和模型运行带来的功耗、散热与内存压力；软件需要提升模型部署效率、异构调度能力和任务执行确定性；生态则仍面临应用接口封闭、跨品牌协同不足以及数据标准尚未统一等问题。

这些挑战并非一家企业能够独立解决。高通可以推动底层计算平台、软件工具链和开发生态的发展，却无法决定操作系统、终端厂商和应用平台是否开放协同。个人 AI 能否真正落地，最终仍取决于芯片、终端、模型和应用等产业各方能否围绕用户建立一套开放、可持续的协作体系。

而当讨论临近尾声，主持人抛出了一个更为关键的问题：个人 AI 究竟什么时候才会真正到来？

与会嘉宾给出的答案默契地一致：真正的标志，不会只是某一款新设备的发布或是某一次模型升级，而是芯片、终端、模型、应用和数据等不同层面的能力形成协同。芯片提供持续运行智能体的算力基础，终端承担感知与交互，模型负责理解与规划，应用完成任务执行，数据则在用户授权下安全流转。

对用户而言，这意味着不同设备开始共同服务于同一个智能体。手机、PC、眼镜和手表不再各自运行孤立的 AI 功能，而成为统一智能体的感知、计算和执行节点。用户只需表达目标，复杂任务便能够在多设备之间自然衔接、持续完成。

这或许也是整场讨论最终想回答的问题：智能体时代真正改变的，不只是某一台设备，而是人与所有设备之间的关系。

扫码下载阅读白皮书原文。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成