在2026年CES（國際消費電子展）現(xiàn)場，科技行業(yè)對AI的討論已從單一技術(shù)概念轉(zhuǎn)向場景化落地的深度探索。聯(lián)想集團副總裁、中國區(qū)戰(zhàn)略及業(yè)務拓展副總裁阿不力克木·阿不力米提（以下簡稱“阿木”）在與鈦媒體集團聯(lián)合創(chuàng)始人、聯(lián)席CEO劉湘明的對話中，系統(tǒng)拆解了AI技術(shù)演進的核心邏輯、終端融合的必然趨勢，以及個人AI與企業(yè)級AI的落地路徑。這場對話不僅勾勒出聯(lián)想在AI時代的戰(zhàn)略布局，更揭示了全球AI產(chǎn)業(yè)從公共服務向個人專屬、從消費級應用向企業(yè)級滲透的關鍵變革。

正如阿木所言——AI帶來的并非僅是一項技術(shù)，而是為所有事物提供了重新思考和定義的契機，這種重構(gòu)正在終端形態(tài)、商業(yè)生態(tài)和企業(yè)運營三個維度同步發(fā)生。

AI算力與模型驅(qū)動終端生態(tài)重構(gòu)

回顧科技產(chǎn)業(yè)發(fā)展歷程，每一次技術(shù)革命的深化都離不開底層算力與上層應用的協(xié)同進化。AI產(chǎn)業(yè)的發(fā)展同樣遵循這一邏輯，呈現(xiàn)出算力與模型雙螺旋上升的演進態(tài)勢，并由此催生終端形態(tài)的根本性變革。IDC最新發(fā)布的《2026年全球AI算力市場報告》顯示，全球AI算力市場規(guī)模預計在2026年達到1152億美元，同比增長42.8%，遠超傳統(tǒng)通用計算市場的增長速度，印證了阿木關于“AI算力進入比摩爾定律更快迭代周期”的判斷。

與此同時，模型小型化技術(shù)的快速發(fā)展正在打破“參數(shù)規(guī)模決定性能”的固有認知，“許多原來需70B+參數(shù)實現(xiàn)的模型，現(xiàn)在30B即可實現(xiàn)；原來30B+的模型，如今14B甚至7B和3B模型也能媲美過去幾十B模型的能力。”阿木指出。這種小型化趨勢為AI的終端下沉提供了關鍵支撐，因為真正落地到個人和企業(yè)時，模型必須具備快速、可靠、穩(wěn)定、無時延的特性，并在可接受成本下持續(xù)提供服務。

從技術(shù)演進的底層邏輯來看，AI與終端的融合是解決公共AI兩大核心痛點的必然選擇。一方面，公共AI產(chǎn)品的個人化或企業(yè)專屬化屬性不足，其通用算法無法處理個人隱私數(shù)據(jù)或企業(yè)專屬數(shù)據(jù)，也無法根據(jù)特定需求演進；另一方面，公共AI缺乏持續(xù)感知環(huán)境變化的能力，無法捕捉物理世界瞬息萬變的信息并做出實時響應。而終端作為連接數(shù)字世界與物理世界的橋梁，既能承載個人與企業(yè)的專屬數(shù)據(jù)，又能通過各類傳感器采集環(huán)境信息，為AI的個性化與場景化落地提供關鍵支撐。

算力與模型的協(xié)同進化催生兩大核心趨勢：智能體崛起與終端創(chuàng)新。基于這一邏輯，未來終端生態(tài)將呈現(xiàn)三大類形態(tài)：一是存量終端升級，通過增強智能計算能力和豐富感知方式，將傳統(tǒng)電腦、手機、平板等升級為AI終端；二是感知為主、輕交互的新型終端，以AI眼鏡為代表，實現(xiàn)24小時不間斷環(huán)境感知；三是邊緣計算終端，專注于私密化計算，可快速運行數(shù)百億參數(shù)的模型，為個人和中小企業(yè)提供安全可控的AI算力支持。這三類終端共同構(gòu)成了AI落地的核心載體，也成為聯(lián)想等終端廠商的戰(zhàn)略布局重點。

個人AI崛起：從公共服務到專屬價值的范式重構(gòu)

個人AI的崛起標志著AI服務從“平臺中心”向“用戶中心”的范式轉(zhuǎn)移。

在對話中，阿木表示，個人AI與公共AI存在本質(zhì)差異：以用戶立場為核心，具備全場景感知、可信計算、專屬服務連接與持續(xù)演進四大特征。

一是感知能力同步，個人AI能夠感知用戶所看所聽的一切日常信息，而非僅接收經(jīng)大腦過濾后的輸入信息，這種全場景感知能力是公共AI無法實現(xiàn)的，因為用戶難以將24小時的視聽數(shù)據(jù)托付給公共平臺；二是可信計算，個人AI僅將用戶數(shù)據(jù)用于服務本人，基于“擁有感”建立的信任關系，解決了公共AI的隱私泄露風險；三是專屬服務連接，個人AI直接調(diào)用各類生活與工作服務，以滿足用戶真實需求為導向，擺脫了公共AI的商業(yè)化植入模式；四是持續(xù)演進能力，個人AI通過持續(xù)積累用戶記憶，不斷調(diào)整交互方向，最終成為“越來越像用戶”的專屬陪伴，而公共AI則始終服務于全人類的平均水平，無法實現(xiàn)真正的個性化演進。

從場景角度出發(fā)，公共AI的個性化類似短視頻推薦，服務于平臺流量變現(xiàn)；而個人AI如同“專屬私家車”，通過終端載體實現(xiàn)數(shù)據(jù)隱私可控、服務精準匹配，解決公共AI的信任與體驗痛點。

在阿木看來，個人AI落地面臨四大技術(shù)挑戰(zhàn)：異構(gòu)算力平臺構(gòu)建、多模型與智能體調(diào)度、長期記憶管理、核心體驗創(chuàng)新。聯(lián)想提出的“隊友”式個人AI，通過情景感知、主動服務、直接執(zhí)行三大能力，重構(gòu)交互邏輯——如游戲場景主動優(yōu)化性能、營銷場景完成內(nèi)容全流程發(fā)布。

多設備互聯(lián)是“隊友”式體驗的核心支撐。聯(lián)想通過三大手段突破跨系統(tǒng)壁壘：構(gòu)建操作系統(tǒng)之上的智能體體系、打造個人可信云空間、實現(xiàn)終端近場互聯(lián)。

企業(yè)級AI落地仍面臨三大挑戰(zhàn)

企業(yè)級AI落地需完成基礎設施、流程、人才三大協(xié)同準備。其一，升級數(shù)字化底座為完整AI基礎設施，包含大模型平臺、智能體運行平臺等；其二，重構(gòu)業(yè)務流程，將傳統(tǒng)線性流程轉(zhuǎn)為并行動態(tài)模式；其三，培養(yǎng)AI人才，中層管理人員是關鍵。

而在阿木看來，人才培養(yǎng)是三個之中最為重要的一個，“我們在2026年的調(diào)研顯示，企業(yè)在AI落地中面臨的最大痛點并非前兩項，而是人才。沒有合適的人才，一切都無法落實。因此人才培養(yǎng)成為重中之重，且無捷徑可走，必須反復培訓，”阿木進一步指出，“其中有一個關鍵策略：從中層管理人員開始培養(yǎng)。不應直接要求基層?！?/p>

聯(lián)想自身智能化轉(zhuǎn)型路徑為行業(yè)提供參考：遵循“主價值鏈優(yōu)先”原則，率先在供應鏈領域應用AI，實現(xiàn)成本降低與周轉(zhuǎn)效率提升，再向營銷、售后等環(huán)節(jié)推廣。對比之下，優(yōu)先切入員工輔助場景的企業(yè)，AI價值轉(zhuǎn)化有限。同時，企業(yè)需規(guī)避三大陷阱：誤入輔助價值鏈、預算先行而非POC驗證、基礎設施投資不足。

AI時代的核心競爭力在于“整合與落地”。2026年是AI從概念走向落地的關鍵節(jié)點，行業(yè)競爭焦點已從技術(shù)參數(shù)轉(zhuǎn)向場景價值。企業(yè)需明確生態(tài)定位，通過基礎設施、流程、人才協(xié)同推進轉(zhuǎn)型；用戶將迎來更個性化、更安全的服務體驗。未來，把握趨勢、深耕落地的企業(yè)，將成為智能時代的最終贏家。

精彩內(nèi)容時間軸

00:01:21 AI算力進入比摩爾定律更快迭代周期

00:07:24 AI算法與終端結(jié)合過程中的兩個挑戰(zhàn)

00:12:00 AI+終端的三個類型

00:14:31 個人AI與聊天助手的區(qū)別

00:23:22 個人AI落地過程中的四大挑戰(zhàn)

00:29:59 多設備互聯(lián)面對三大技術(shù)挑戰(zhàn)

00:34:41 未來AI生態(tài)存在的企業(yè)類型

00:44:45 從“助手”到“隊友”，個人AI的能力升級

00:48:54 聯(lián)想生態(tài)的“變與不變”

00:55:34 企業(yè)部署AI需要的三個準備工作

01:03:07 聯(lián)想落地AI的經(jīng)驗與需要規(guī)避的三大陷阱

以下為對話實錄，經(jīng)整理：

劉湘明：從你的角度，分析一下未來AI的發(fā)展趨勢如何？

阿木：正如20多年前討論互聯(lián)網(wǎng)趨勢一樣，AI同樣充滿一切可能。除了去年以來大家討論的投資價值與AI發(fā)展速度是否會改變之外，AI本身帶來的并非僅是一項技術(shù)，而是為所有事物提供了重新思考和定義的契機。

若將其解構(gòu)，可分為兩個方面。首先，談談人工智能作為技術(shù)本身的發(fā)展走向。

最底層是近期討論較多的算力層面。從最初的CPU通用計算，發(fā)展到以人工智能神經(jīng)網(wǎng)絡為主要算法架構(gòu)的并行計算，即GPU計算。AI算力已進入比摩爾定律更快的迭代周期，目前完全沒有放慢節(jié)奏，且在全球范圍內(nèi)形成了多個不同主體快速推進的局面，包括美國公司和中國芯片廠商都在快速進步。我認為AI算力的技術(shù)升級還將持續(xù)一段時間。

第二層是在算力之上運行各種大模型的算法，包括訓練與推理兩個方向，即構(gòu)建大模型和應用大模型。目前，構(gòu)建大模型方面正從文本為主向語音、視頻拓展，2026年將進入原生多模態(tài)創(chuàng)新成熟期。同時，為推動物理AI快速進入生產(chǎn)生活，與物理AI相關的世界模型也在快速探索中。此外，模型小型化技術(shù)發(fā)展非常迅速，真正落地到個人和企業(yè)時，模型需快速、可靠、穩(wěn)定、無時延，并在可接受成本下持續(xù)提供服務。因此，模型小型化技術(shù)可能比超大規(guī)模模型創(chuàng)新更值得關注。許多原來需70B+參數(shù)實現(xiàn)的模型，現(xiàn)在30B即可實現(xiàn)；原來30B+的，現(xiàn)在14B甚至7B和3B模型也能媲美過去幾十B模型的能力。這一節(jié)奏同樣非?？?。

在應用大模型方面，后訓練技術(shù)從強化學習到各類后訓練方法正從少數(shù)大模型公司下沉至更多非AI公司，使其能夠自主操作和執(zhí)行，越來越工程化、越來越可落地。這些應用技術(shù)的創(chuàng)新也將快速進展。算力和模型這兩個層面的技術(shù)變化疊加起來，形成了雙螺旋結(jié)構(gòu)，以比摩爾定律更快的節(jié)奏進化。

在此之上催生了兩個新的AI趨勢。一是向智能體方向發(fā)展，這是數(shù)字世界中的創(chuàng)新。從最初的問答工具到豐富的內(nèi)容生成，再到可進行任務編排和自主執(zhí)行的數(shù)字智能體，變化非常迅速，既包括個人使用，也包括企業(yè)應用。

另一個趨勢是終端創(chuàng)新。終端不僅包括電腦、手機、平板，還包括大量正在催生的原生終端設備。今天媒體進行的很多直播都涉及這些內(nèi)容，如AI眼鏡、穿戴設備、陪伴型設備，以及為使算力更接近使用場景而出現(xiàn)的超強算力盒子等本地化運算設備。這些都是AI真正催生的新形態(tài)。更大規(guī)模的包括各類機器人，無論是人形機器人、運動仿生機器人，還是自動駕駛車輛，都屬于機器人范疇?？傮w來看，終端正在發(fā)生演變。終端演變與智能體演變相融合，將在眾多場景中催生出新的產(chǎn)品形態(tài)。

今天我詳細參觀了展區(qū)，明顯感覺到很多地方在介紹AI時幾乎不再單獨介紹算法，而是將模型與某種形態(tài)的終端產(chǎn)品結(jié)合、嵌入、內(nèi)置，用以改變傳統(tǒng)終端體驗或創(chuàng)造新的終端。今年的這一感受非常強烈。

劉湘明：AI對硬件影響很大，聯(lián)想作為終端公司，在AI時代，有哪些新的可能性？

阿木：自2022年11月ChatGPT首次帶來生成式體驗產(chǎn)品、GPT大模型展現(xiàn)涌現(xiàn)能力以來，至今絕大多數(shù)不依賴終端的AI均為公共服務產(chǎn)品。這類公共服務由具備超強生成能力的模型為所有人提供標準化服務，當時并未催生出專門用于體驗ChatGPT、豆包、元寶或Gemini等產(chǎn)品的新型終端。

然而從去年起，AI算法開始與終端緊密結(jié)合，這源于兩大新趨勢帶來的挑戰(zhàn)：

第一大挑戰(zhàn)是公共AI產(chǎn)品的個人化或企業(yè)專屬化屬性不足。其算法為通用算法，所接觸的數(shù)據(jù)既非隱私數(shù)據(jù)，也非企業(yè)專屬數(shù)據(jù)；且無法根據(jù)個人或企業(yè)需求演進，迭代節(jié)奏完全取決于服務商所使用的互聯(lián)網(wǎng)數(shù)據(jù)及其優(yōu)化方向（如變得更“溫柔”或更“刻板”），與個人和企業(yè)無關。因此，要讓大模型算法真正接觸、處理并使用個人私密數(shù)據(jù)或企業(yè)內(nèi)部數(shù)據(jù)，就必須下沉到個人和企業(yè)層面，而其下沉路徑顯然需要與終端結(jié)合、嵌入終端內(nèi)部才能實現(xiàn)。

第二大挑戰(zhàn)在于持續(xù)感知環(huán)境變化的能力。AI不能僅依賴鍵盤輸入或語音提供的語言信息，還需感知環(huán)境信息——溫度、冷熱變化、移動速度、路過人群、前方畫面、海報、演講者的表情神態(tài)變化，乃至企業(yè)工廠生產(chǎn)作業(yè)環(huán)境中突發(fā)的事故等。這些物理世界瞬息萬變的信息必須與終端結(jié)合，因為只有終端才能將感知能力帶入該環(huán)境并采集所需的信息素材，供AI理解、感知并最終響應。

綜上，無論是接觸個人/企業(yè)知識數(shù)據(jù)，還是理解其所處環(huán)境并做出針對性、獨一無二的快速理解、規(guī)劃、編排與執(zhí)行，都需要將公共AI向個人AI乃至企業(yè)AI下沉。這一趨勢自去年已開始顯現(xiàn)：大量企業(yè)采用開源模型進行私有化部署，終端也越來越多地將AI算法嵌入內(nèi)置。例如許多顯示器在驅(qū)動主板中內(nèi)嵌芯片，可實時進行畫面處理、色彩補償、運動補償?shù)冗\算，直接在終端內(nèi)完成。因此，要實現(xiàn)AI的無所不在及個性化，必須與終端結(jié)合，這是背后的根本邏輯。

基于這一邏輯，終端結(jié)合將呈現(xiàn)三大類形態(tài)：

第一類是存量終端升級。包括電腦、手機、平板、電視、汽車等存在已久的產(chǎn)品形態(tài)，其算力感知交互能力已非常成熟。只需將通用計算能力增強為智能計算能力，將感知從簡單的觸控或運動感知擴展為更豐富的感知，或使電腦除鍵盤鼠標外還能實現(xiàn)感知與跟蹤，即可升級為AI終端，讓AI落地并創(chuàng)造新價值。

第二類是感知為主、輕交互的新型終端。目前最受關注的是AI眼鏡——雖無強大算力，但在環(huán)境感知和快速交互方面遠優(yōu)于手機電腦等笨重設備，且可實現(xiàn)24小時不間斷感知（除非摘下）。這類終端替用戶觀察所見一切，與AI結(jié)合更側(cè)重于感知與交互。

第三類是邊緣計算終端。這類終端恰恰不具備感知交互功能，而是出現(xiàn)不帶顯示、不帶互動但算力極強的產(chǎn)品，可快速運行數(shù)百億參數(shù)的模型。形態(tài)可能是個人家庭放置的設備，也可能是律師、會計師等處理絕密數(shù)據(jù)的辦公室設備，亦或是為二三十人中小企業(yè)服務的邊緣服務器。這類純粹保障私密化計算的終端形態(tài)將逐漸涌現(xiàn)。

綜合算力強交互類、感知類、純粹私密計算類終端共同構(gòu)成了未來的終端生態(tài)，聯(lián)想布局終端正是圍繞這一邏輯推進。

劉湘明：你覺得個人AI與之前的聊天助手之間有何區(qū)別？

阿木：首先需明確，“個人AI”指的是“Personalized AI”（個性化AI），而非“Personal AI”。當前全球領先的AI助手如ChatGPT、Gemini、Grok、Meta AI、Perplexity，以及國內(nèi)的豆包、元寶、DeepSeek、通義千問等，本質(zhì)上都是公共產(chǎn)品。它們的個性化類似短視頻推薦——雖內(nèi)容因人而異，但仍是以商業(yè)平臺為中心推送的個性化服務，最終目的服務于平臺流量變現(xiàn)。

而個人AI的第一個核心特征，是以個人的立場和利益為中心。在電腦手機時代，“個人”意味著所有權(quán)——“這是我的手機、我的電腦”。但AI不同，AI不僅是工具，更是有思想的主體。其本質(zhì)差異如同“租用小貓獲得短暫情緒價值”與“飼養(yǎng)一只屬于自己的小貓”，或“乘坐公共交通”與“擁有可按自己意志裝飾改裝的私家車”。平臺再怎么個性化，始終以商業(yè)目的為歸宿；個人AI則以滿足個人需求為最終目標，由用戶為實際獲得的服務付費。若服務不滿意，用戶可選擇不付費，這與公共平臺通過補貼、廣告等機制影響推薦結(jié)果有本質(zhì)區(qū)別。

個人AI與公共AI的差異可歸結(jié)為四個核心點：

第一，感知能力同步。個人AI能夠感知用戶所看所聽的一切日常信息，而非僅接收用戶輸入的、經(jīng)大腦過濾后的信息。很難想象用戶敢將24小時的視聽數(shù)據(jù)托付給公共AI，這種心理層面的信任障礙是公共AI無法逾越的。

第二，可信計算。個人AI僅將用戶個人數(shù)據(jù)用于服務用戶本人，這種可信不僅是隱私保護，更是基于“擁有感”產(chǎn)生的信任。正如人們更信任自己的助理而非臨時訪客，因為擔心隱私泄露。只有確立“這是我的”的擁有關系，信任才能建立。

第三，專屬服務連接。個人AI負責連接并調(diào)用外部各類生活服務、學習、娛樂、出行、教育等資源，始終以滿足用戶真實需求為導向。這與公共AI以商業(yè)價值為導向、通過高流量植入商業(yè)化內(nèi)容的模式截然不同。用戶對有價值的服務愿意付費，公共服務之所以免費，是因為平臺需先吸引流量再進行商業(yè)轉(zhuǎn)化，而非真正以用戶為中心。

第四，持續(xù)演進能力。公共AI不會真正“越來越像你”，用戶每天需重新編寫數(shù)萬字提示詞，AI才會短暫理解，次日又需重復。而個人AI能持續(xù)接觸用戶記憶，根據(jù)行為習慣調(diào)整后續(xù)交互方向，甚至在未來算法本身也能進行后續(xù)訓練，最終成為越來越像用戶的AI陪伴。公共AI服務于全人類平均水平，與用戶個體無關；而個人AI服務于“獨特的我”，而非平均水平。

從歷史維度看，電腦最初也是公共商用產(chǎn)品，IBM曾認為全球幾百臺計算機已足夠。但最終因人人都有不同需求，演變?yōu)閭€人電腦（Personal Computer）。同理，AI也正處于從公共為主向個人轉(zhuǎn)移的階段。這種轉(zhuǎn)移并非意味著公共AI消失——公共產(chǎn)品因規(guī)模效應成本低，始終存在——而是個人AI將逐漸崛起并加速普及。因其依托終端下沉，帶給用戶擁有感和駕馭感，而非虛無縹緲的軟件。

劉湘明：在實現(xiàn)個人AI的過程中，有何挑戰(zhàn)？

阿木：技術(shù)挑戰(zhàn)主要體現(xiàn)在以下幾個方面（不分先后順序）：

第一大挑戰(zhàn)是算力承載能力。當前大模型依然是AI最關鍵的能力，因為感知環(huán)境、理解意圖（包括根據(jù)環(huán)境猜測意圖）、編排任務步驟、調(diào)度其他智能體進行測試驗證以尋找最優(yōu)解，以及多模態(tài)處理等場景均需要大模型支持。因此，終端算力必須快速提升。這要求算力架構(gòu)從以CPU為核心的通用計算，轉(zhuǎn)變?yōu)镃PU+GPU+NPU的異構(gòu)算力平臺，使不同規(guī)模的模型都能在終端有效運行；而超大規(guī)模、復雜意圖的處理則需在個人云空間中完成。因此需要盡快升級高算力設備，如聯(lián)想的AI PC、AI手機、AI平板，使AI算力成為內(nèi)置標配，從而將AI能力真正下沉。

第二大挑戰(zhàn)是模型調(diào)度與智能體網(wǎng)絡調(diào)度。這一挑戰(zhàn)比模型算法和單個智能體應用更復雜。每次請求可能需要調(diào)度七八個模型在終端或云端協(xié)同工作，以最低成本、最快速度完成響應。此外，為滿足某項服務需求，還需調(diào)度數(shù)百甚至上千個小型智能體，如何選擇合適的智能體成為關鍵問題。這需要建立智能體網(wǎng)絡調(diào)度機制。簡言之，模型與智能體技術(shù)本身是挑戰(zhàn)所在，但這不是基礎科學問題，而是工程化問題——需投放市場，根據(jù)用戶需求持續(xù)優(yōu)化，而非僅進行理論創(chuàng)新。

第三大挑戰(zhàn)是個人知識與記憶管理。當前短期記憶處理已相對成熟，但長期記憶的管理（如何遺忘、何時抽象、何時長期保留）更為復雜。例如，當某個意圖出現(xiàn)時，是否應調(diào)取三個月前的對話記錄或郵件往來作為參考，這涉及記憶的治理技術(shù)，非常復雜。記憶技術(shù)必須在2026年實現(xiàn)明顯進階，否則個人AI的個性化程度將不足。缺乏記憶的AI如同行尸走肉，正因擁有記憶，人才成為有血有肉的個體。此外，個人沉淀的大量數(shù)字化文檔資料（如照片、視頻）也需要進行有效處理，以便快速抽取和調(diào)取。這方面技術(shù)反而更有信心，因為許多大模型公司正在努力處理人類整體知識。

第四大挑戰(zhàn)是體驗創(chuàng)新。任何產(chǎn)品要成功引爆市場，必須找到剛性需求——非其不可、其他皆可容忍的“Must Have”體驗。本屆CES上，每家企業(yè)都在試圖挖掘這一體驗點。雖然終端形態(tài)眾多，但當被問及主要用途時，部分企業(yè)無法明確回答，僅羅列多項功能。這種“Nice to Have”的功能無法真正驅(qū)動個人AI普及。因此，找準體驗點并將硬件、軟件、服務與大模型整合交付，圍繞該體驗進行聚焦而非貪多求全，極為關鍵。

綜上所述，這些挑戰(zhàn)均需持續(xù)研發(fā)投入方能解決。聯(lián)想的布局主要包括兩方面：一是研發(fā)個人超級智能體，解決感知、理解、規(guī)劃、調(diào)度及個人知識記憶處理、自然交互等問題；二是進行終端研發(fā)，提升算力、改變終端形態(tài)、豐富感知方式，并實現(xiàn)終端之間的能力接力與協(xié)同，確保在部分終端關閉時其他設備（如眼鏡）仍能保持服務。當終端無法承載時，還需通過個人可信云空間保障體驗不中斷。這些正是聯(lián)想當前投資的核心方向，每個技術(shù)挑戰(zhàn)都值得持續(xù)深入鉆研。

劉湘明：手機、平板、電腦之間的串聯(lián)體驗確實是一個大挑戰(zhàn)，你們是如何解決的？

阿木：當前終端操作系統(tǒng)呈現(xiàn)多元化格局：電腦端以蘋果macOS和微軟Windows為主導；手機端核心為谷歌Android（海外與中國版本存在差異，但底層架構(gòu)一致）；平板則存在瀏覽器操作系統(tǒng)等輕量方案；此外，各類IoT設備如機器人、AI眼鏡、可穿戴設備、智能戒指等均采用不同操作系統(tǒng)。

實現(xiàn)多設備互聯(lián)需解決三大技術(shù)挑戰(zhàn)：

第一，跨操作系統(tǒng)服務。并非將操作系統(tǒng)AI化，而是使其下沉為智能體調(diào)用的工具。類比計算機啟動時的BIOS，在Windows啟動后BIOS便下沉完成底層初始化；當智能體體系建立后，操作系統(tǒng)同樣需要下沉。唯有如此，才能在多端之間保持一致互聯(lián)體驗。當前各生態(tài)體系規(guī)模龐大、演進緩慢，彼此基本隔離，僅偶有合作。

第二，端云混合架構(gòu)。需構(gòu)建個人可信云空間（非公共云），即每個用戶專屬的端到端封閉可信計算通道，數(shù)據(jù)在計算后銷毀。聯(lián)想去年與火山引擎合作，在中國率先落地了首個個人可信云空間，確保任何數(shù)據(jù)（包括火山引擎、聯(lián)想及其他第三方）均無法觸碰和使用，且不保存。該云環(huán)境與終端結(jié)合，可在終端不連續(xù)時實現(xiàn)知識遷移，將感知數(shù)據(jù)跨終端傳遞并延續(xù)記憶，保障體驗不中斷。

第三，終端近場互聯(lián)。當兩個終端距離僅三五米時，需通過設備直連技術(shù)實現(xiàn)算力共享與內(nèi)容、感知信息的互通。例如，AI眼鏡的感知能力可由手機完成，眼鏡負責畫面采集，手機利用多模態(tài)模型理解場景（如識別直播狀態(tài)、觀眾增長等）。這種直連方式可解決實時性問題，消除時延，優(yōu)化能耗，并由最佳終端完成計算任務，同時實現(xiàn)傳感信息的共享。

綜上，聯(lián)想通過“操作系統(tǒng)之上的智能體體系”、“端云架構(gòu)配合”以及“多端近場互聯(lián)”三大手段，致力于實現(xiàn)終端間渾然一體、不中斷的連續(xù)體驗。

劉湘明：還有一個小問題。你剛也提到計算系統(tǒng)、操作系統(tǒng)下沉，意味著原先熟悉的計算環(huán)境發(fā)生了翻天覆地的變化。這其中也會有很大的機會，聯(lián)想準備如何抓住這樣的機會？

阿木：以個人AI為例，未來生態(tài)中主要存在三類企業(yè)：

第一類是整合者。首先需要回顧核心概念：個人AI的主權(quán)屬于個人。因此，整合者需將硬件、大模型、智能體、服務連接規(guī)則與方法、安全保護機制以及各類傳感技術(shù)整合起來，交付給個人用戶。用戶可以從手機、電腦等具備算力的終端開始使用，單純的眼鏡因算力不足無法獨立承載。在個人AI的語境下，因其必須永遠是“你的AI”而非商業(yè)化機構(gòu)提供的版本，整合商的角色至關重要。

第二類是服務提供者。個人AI若僅停留在生成層面則無意義，必須能夠直接調(diào)用旅行、生活、娛樂、辦公等各類服務。需要明確概念：不應稱為“開發(fā)者”或“APP”，因為其本質(zhì)是“service”。個人AI應直接完成服務交付，而非通過商業(yè)平臺中轉(zhuǎn)。例如，不應是“搜索后推薦”，而應直接抓取最符合用戶需求的餐廳并給出結(jié)果，否則中間平臺會截留商業(yè)價值，影響個人AI的代表性。因此，未來每個商戶、航空公司、景區(qū)、產(chǎn)品提供商都應成為直接服務提供者，個人AI可根據(jù)其服務描述直接調(diào)用，將最匹配的服務推送給用戶。application是流量經(jīng)濟的語言，在個人AI時代已不適用——因為個人AI的核心是服務本身，而非流量。

第三類是能力保障層。包括大模型提供商、感知器件供應商、GPU算力提供商、安全技術(shù)環(huán)境提供商等。他們不直接接觸客戶，但為整個體系提供基礎能力支撐。

明確這一分層架構(gòu)后，可以回答聯(lián)想的定位：聯(lián)想扮演的是整合者角色。負責將設備、各類能力（算力、傳感、感知等）整合為成本可控的終端設備，嵌入個人超級智能體以及服務連接的標準與規(guī)則，最終完成交付。

整合者角色并非聯(lián)想獨有。眾多終端+應用類公司以及公共AI提供商都在進入該領域。目前幾乎沒有不涉足硬件的大模型公司，因其發(fā)現(xiàn)要觸達個人用戶必須完成整合交付。但公共AI廠商面臨一大挑戰(zhàn)：其原有商業(yè)模式依賴流量變現(xiàn)和廣告，用戶會質(zhì)疑其是否能始終代表用戶利益。初期嘗鮮尚可，但深度使用時用戶會擔憂AI究竟代表用戶、商戶還是平臺利益，可信度成為關鍵障礙。

服務層呈現(xiàn)兩類格局：一類是三年前開始創(chuàng)業(yè)的原生智能體公司，其天生就提供直接服務，但為提升銷售可行性也在推出終端產(chǎn)品；另一類是傳統(tǒng)APP開發(fā)者，目前出現(xiàn)巨大分裂——部分固守原有流量模式，因智能體沖擊而損失嚴重；另一部分嘗試改造，但改造后封閉性較強，不允許被外部AI調(diào)用，仍在轉(zhuǎn)型過程中。

聯(lián)想在服務層主要扮演連接角色，制定調(diào)用標準協(xié)議和分成結(jié)算機制。結(jié)算邏輯是用戶為服務付費后，服務提供者向聯(lián)想支付費用，而非聯(lián)想代付。計費依據(jù)是實際服務交付而非調(diào)用次數(shù)。在能力層，聯(lián)想主要采取合作模式，與英偉達、英特爾、AMD、微軟、高通等算力提供商，以及國內(nèi)外大模型廠商建立深度合作關系。

劉湘明：那你覺得FIFA是哪一類呢？

阿木：FIFA屬于中間的服務層，直接提供服務——即足球賽事服務。未來還有一類可探索的模式：背后的俱樂部乃至球員本身也可能成為直接的服務層。

足球的真正粉絲（而非普通看客）通常會對某個俱樂部、國家隊或特定球星保持長期忠誠，甚至可能對國家無感，唯獨鐘情于個別球員。因此，服務提供者未必僅限于FIFA這類大型機構(gòu)，每個球員都有可能成為直接服務節(jié)點。

屆時，球員可直接與個人AI建立聯(lián)系，但前提是需要對自身進行準確地描述與呈現(xiàn)。目前這一環(huán)節(jié)尚屬空白。聯(lián)想開發(fā)的football AI之所以能深度挖掘、分析并評析每支球隊和每名球員，背后是與球隊及FIFA合作完成了大量的數(shù)據(jù)整理工作，從而使football AI具備極強的縱深理解能力，能夠精準把握每位球員在每場比賽中的狀態(tài)。

劉湘明：聽說聯(lián)想的個人AI目標今年是從“助手”升級為“隊友”，這個“隊友”能具體幫我做什么現(xiàn)在“助手”做不到的事？

阿木：“隊友”是一個擬人化比喻，指AI作為協(xié)作伙伴與人共同完成某項事務——可能是一個專題、項目、工作任務或生活需求。

當前能力主要體現(xiàn)在以下三個層面：

第一，情景感知。AI能夠感知用戶當前經(jīng)歷和未來意圖，理解“context”（情境）而非僅處理用戶輸入。例如，當用戶晚上8點48分打開拯救者電腦，AI能判斷其準備進入游戲狀態(tài)；當發(fā)現(xiàn)用戶在游戲過程中暫停并陷入思考，AI可識別其正在反思戰(zhàn)術(shù)策略或與其他隊友討論。目前情景感知主要在電腦、手機、平板等數(shù)字設備中實現(xiàn)，未來隨著陪伴式設備和機器人普及，將擴展至物理世界的情境感知。

第二，主動服務。在感知情境后，AI能夠主動推薦、主動服務，無需用戶召喚即可介入，直接生成結(jié)果。這種主動性體現(xiàn)為“我知道你正在經(jīng)歷什么，因此我來主動改變你的狀態(tài)、提供服務”。

第三，直接執(zhí)行。AI不再僅提供執(zhí)行建議，而是直接完成任務閉環(huán)。諸如Atlas、Comet（Perplexity旗下產(chǎn)品）以及豆包手機助手等，已實現(xiàn)基于用戶意圖直接完成任務。雖然用戶操作看似簡單，但其背后運用了復雜的技術(shù)組合。目前在工作、學習等場景中，“隊友”已能直接生成最終結(jié)果（如營銷人員直接生成并發(fā)布小紅書內(nèi)容），而非甩給用戶自行處理。這種擔當意味著AI需花費數(shù)分鐘甚至更長時間進行深度研究、反復推理、計算試錯，最終交付成果。

總結(jié)而言，“隊友”的核心特質(zhì)在于：知曉你的狀態(tài)并為你所急、無需召喚主動服務、擔當責任而非僅提供建議。

劉湘明：在生態(tài)方面，未來聯(lián)想和生態(tài)伙伴的合作方式會不會有一些變化？

阿木：聯(lián)想與生態(tài)合作存在“一個不變”與“一個變化”：

不變的是，聯(lián)想一貫從用戶角度出發(fā)思考產(chǎn)品，并據(jù)此規(guī)劃產(chǎn)業(yè)鏈角色與協(xié)同方式。聯(lián)想內(nèi)部通過戰(zhàn)略研討、戰(zhàn)略論證和產(chǎn)品規(guī)劃，始終遵循這一邏輯。這里的“用戶角度”并非簡單等同于“用戶需求”——客戶或許只能想到“跑得快需要好鞋”，卻想不到“其實可以騎自行車”。因此，站在客戶立場定義好產(chǎn)品后堅持開放合作，這是不變的。

變化的是，合作形態(tài)從成熟商務模式轉(zhuǎn)向共創(chuàng)迭代。傳統(tǒng)成熟市場的合作通常是對接、簽合同、分錢，但AI領域的場景創(chuàng)新與產(chǎn)品創(chuàng)新尚不穩(wěn)定清晰，需要不斷試錯，甚至硬件方向也可能在半年一年后調(diào)整放棄。因此，必須與服務提供商、能力提供者開展大量共創(chuàng)，這與傳統(tǒng)的成熟開放合作模式有本質(zhì)不同。

服務共創(chuàng)層面，聯(lián)想與中國本土平臺“什么值得買”、騰訊視頻等合作智能體服務連接。當用戶意圖明確指向其內(nèi)容為最佳選擇時，個人AI會調(diào)用這些服務，但是否調(diào)用、何時調(diào)用完全由個人AI根據(jù)用戶意圖決定，而非由聯(lián)想進行排序干預。

算力共創(chuàng)層面，聯(lián)想與高通、Intel、AMD、英偉達等算力提供商開展深度合作，針對智能體運算需求進行大量算力適配，目標是降低算力依賴、降低成本、降低能耗，尤其要在手機和平板上實現(xiàn)不影響續(xù)航的終端AI運算。各方需共同測試后上線，再根據(jù)用戶反饋和實際使用情況，持續(xù)優(yōu)化芯片內(nèi)部算法及算子庫，不斷迭代。這一合作模式已持續(xù)三四年。

總體而言，這是一種開放與共創(chuàng)的做法。

劉湘明：之前你說服務商需要進行搜索引擎優(yōu)化，在智能時代，是不是就要對智能助手進行優(yōu)化？

阿木：需要首先明確的是，這里討論的不是“助手”，也不是以商業(yè)平臺為核心、以流量變現(xiàn)為目的的公共AI。前面所討論的個人AI，是指代表個人立場、以個人利益為中心的AI。理清這一概念至關重要，因為部分觀眾可能未觀看前面的內(nèi)容。在這一背景下，我們再來看剛才的問題。

關于個人AI的優(yōu)化，嚴格來說其主要優(yōu)化來源在于個人自身。商業(yè)機構(gòu)如聯(lián)想需要持續(xù)引進和升級的有兩個方面：

主要優(yōu)化來自用戶側(cè)：基于個人知識、個人記憶以及個人所處的感知環(huán)境進行優(yōu)化。這部分聯(lián)想無法干預，因為這些數(shù)據(jù)和環(huán)境情景均屬于用戶個人。交付給用戶后，聯(lián)想無法接觸這些數(shù)據(jù)，否則將違背個人AI的本質(zhì)。因此，使用越多，AI越像用戶本人，越了解其喜好和期待。用戶只需簡單操作（如連續(xù)點擊“不要了”），AI便能學習并調(diào)整，這是基于個人使用和數(shù)據(jù)記憶的優(yōu)化。

需要持續(xù)優(yōu)化的兩個方面：

一是算力。個人無法自行打開芯片進行修改，因此需要聯(lián)想持續(xù)與芯片廠商合作優(yōu)化。

二是模型升級。當前模型迭代并未放緩，原生多模態(tài)、世界模型、小型化等技術(shù)快速發(fā)展，開源模型進步迅速，且出現(xiàn)了許多在特定專業(yè)領域表現(xiàn)優(yōu)異的專用模型。例如，銀行從業(yè)者可能需要金融領域的專業(yè)模型，其生活與工作可能高度聚焦于該領域。因此，引入最適合個人AI的模型，以及能夠承載對應智能體運算的算力，需要聯(lián)想持續(xù)與大模型廠商、云廠商和算力提供商合作。

新增優(yōu)化點：從去年開始，可信安全成為新的優(yōu)化重點。傳統(tǒng)安全（應用安全、設備安全、內(nèi)容安全）已討論成熟，當前更關注智能體安全、智能體網(wǎng)絡安全、大模型推理計算過程的安全，以及授權(quán)后調(diào)用APP過程中未被“下毒”的安全。例如，被惡意干擾后可能出現(xiàn)執(zhí)行結(jié)果偏差（如將紅色變?yōu)楹谏?。這些新的AI安全體系是個人AI可信的前提條件，需要持續(xù)迭代優(yōu)化，而這是個人無法做到的。

劉湘明：除了個人AI之外，聯(lián)想有一半的業(yè)務來自企業(yè)級。在企業(yè)級AI方面，聯(lián)想有何戰(zhàn)略，包括個人AI和企業(yè)級AI在企業(yè)的部署，需要做好哪些準備工作？

阿木：首先需要說明的是，盡管名為“CES”（消費者電子展），但當前展區(qū)內(nèi)容已遠超出消費級范疇?，F(xiàn)場展出了大量企業(yè)級（Enterprise）產(chǎn)品，涵蓋汽車、挖掘機（如卡特彼勒）、農(nóng)業(yè)解決方案等各類工業(yè)領域。展會內(nèi)涵已遠超“Consumer Electronics”的命名范疇，“C”字母實際上已名不副實。如今，探討企業(yè)級應用已成為CES的核心主題。

在企業(yè)展區(qū)中，絕大多數(shù)展示內(nèi)容都圍繞AI在企業(yè)環(huán)境中的應用展開，范圍從城市治理到中小企業(yè)、SOHO辦公乃至門店管理。AI在企業(yè)中的滲透恰逢其時：三年前AI成本高昂，企業(yè)難以接觸；前兩年AI僅能用于內(nèi)容生成，無法投入實際生產(chǎn)，且存在幻覺等問題。但2025年以來，隨著開源模型將成本降至極低水平，模型推理能力也顯著增強，AI已能在企業(yè)內(nèi)部執(zhí)行某些流程并達到可接受的水平（人類本身也會犯錯，只要AI表現(xiàn)略優(yōu)于人工且無需培訓即可使用）。

因此，自2025年起，企業(yè)開始在流程中真正應用基于大模型的智能體（Agent AI），但當前應用仍主要集中在生成環(huán)節(jié)，如生成海報、文檔、會議紀要、工廠操作手冊，或基于故障知識庫診斷問題。這些本質(zhì)上都是“生成”行為——根據(jù)提問從海量知識庫中匹配最相關答案。雖然已開始認真使用，但應用深度有限。

AI要在企業(yè)內(nèi)部真正創(chuàng)造價值、轉(zhuǎn)化為生產(chǎn)力，必須重構(gòu)業(yè)務流程。生產(chǎn)力決定生產(chǎn)關系，而在企業(yè)內(nèi)部，生產(chǎn)關系體現(xiàn)為流程——規(guī)范員工權(quán)限分配與執(zhí)行順序的體系。

因此，AI在企業(yè)內(nèi)部深度落地需完成三項準備：

第一，升級數(shù)字化底座。將原有數(shù)字化平臺升級為AI平臺，構(gòu)建包含大模型平臺、智能體開發(fā)運行平臺、知識管理平臺、GPU推理算力管理平臺以及可信計算平臺的完整AI基礎設施。調(diào)研顯示，61%的企業(yè)尚未建立AI底座，僅39%開始建設。因此，無論發(fā)布會展示多么炫目，企業(yè)首先需完成基礎設施升級，智能體AI才能落地。

第二，重構(gòu)企業(yè)內(nèi)部流程。當前CES展示的許多企業(yè)AI方案無法在真實企業(yè)中落地，因其無法嵌入現(xiàn)有流程。傳統(tǒng)流程是線性步驟（1-2-3-4-5），引入AI后可能變?yōu)?-5（跳過中間環(huán)節(jié)），甚至將步驟并列執(zhí)行。例如，產(chǎn)品研發(fā)傳統(tǒng)流程為“研發(fā)→測試→報告→上市”，引入測試智能體后，研發(fā)第一天即可同步啟動測試，實時預警散熱、老化、電磁干擾等問題，實現(xiàn)研發(fā)與測試并行。若流程不變，僅增加測試智能體，除增加成本外價值有限，員工與流程均未改變。只有重構(gòu)流程，讓研發(fā)人員直接使用測試智能體（而非測試人員使用），才能實現(xiàn)根本變革。企業(yè)需由業(yè)務負責人牽頭，逐一梳理在具備自主編排執(zhí)行能力的智能體支持下，流程應如何重塑。

第三，人才培養(yǎng)。企業(yè)普遍缺乏能熟練使用AI的人才。僅少數(shù)因使用個人AI而有經(jīng)驗的員工能在企業(yè)環(huán)境中應用，絕大多數(shù)員工未做好準備。這如同2000年時PPT技能成為入職門檻，AI協(xié)作能力將成為新的基礎要求——員工需學會與智能體共處，將其視為隊友，容忍其錯誤并耐心調(diào)教，使其在流程執(zhí)行中變得可靠貼心。但基層員工通常缺乏管理技能（中層管理人員因長期帶團隊而具備調(diào)教能力），容易產(chǎn)生抱怨與恐懼情緒（如擔心被替代），進而導致“AI不準”的負面評價。實際上，新員工也需三個月試用期培訓，智能體同樣需要培養(yǎng)過程。

2026年調(diào)研顯示，企業(yè)在AI落地中面臨的最大痛點并非前兩項，而是人才。沒有合適的人才，一切都無法落實。因此人才培養(yǎng)成為重中之重，且無捷徑可走，必須反復培訓。

其中有一個關鍵策略：從中層管理人員開始培養(yǎng)。不應直接要求基層員工改變，因為中層管理人員若不變革，其仍按原有流程管理，一句“研發(fā)完再測試”便將優(yōu)化努力全盤否定。只有當中層管理人員提升AI素養(yǎng)后，才能帶領團隊實現(xiàn)真正的轉(zhuǎn)變。

劉湘明：最后一個問題，聯(lián)想自身也用了很久AI了，在這些過程中，踩過哪些坑？有哪些經(jīng)驗可以與大家分享的？

阿木：聯(lián)想的AI戰(zhàn)略可追溯至2017年，當時全球仍在討論數(shù)字化轉(zhuǎn)型，企業(yè)普遍投入大數(shù)據(jù)平臺并熱衷于建設可視化大屏。聯(lián)想在當時已率先推動智能化轉(zhuǎn)型，探索如何運用AI算法挖掘數(shù)據(jù)價值，實現(xiàn)預測、預警、推理規(guī)律乃至為產(chǎn)品規(guī)劃提供決策建議。歷經(jīng)八年多迭代，擎天平臺已從1.0的敏捷化、2.0的判別式AI，發(fā)展到3.0引入生成式AI，并于2024年在4.0版本中融入智能體AI。長期以來，聯(lián)想持續(xù)在不同業(yè)務領域驗證AI價值，以業(yè)務數(shù)據(jù)（收入提升、成本降低、周轉(zhuǎn)加速、客戶滿意度與忠誠度改善、粉絲增長）證明技術(shù)有效性，因為企業(yè)真正關心的是技術(shù)背后的商業(yè)價值。

實踐路徑遵循主價值鏈優(yōu)先原則。聯(lián)想率先在供應鏈領域應用AI——因其數(shù)據(jù)量最為龐大且復雜，涉及數(shù)千個組件、數(shù)十家工廠及面向180多個國家和地區(qū)的48小時交付，海量數(shù)據(jù)無法靠人力處理。隨后在營銷、銷售、售后服務等環(huán)節(jié)推廣，最后才應用于員工層面。值得注意的是，許多企業(yè)優(yōu)先選擇員工場景切入，但這屬于輔助價值鏈，創(chuàng)造的價值極其有限。供應鏈成本節(jié)約直接轉(zhuǎn)化為利潤，而員工工作時間節(jié)省一小時僅相當于增加一小時刷短視頻時間，并未帶來實際成本節(jié)約。因此，應在主價值鏈應用AI，若技術(shù)不成熟寧可等待，切勿將精力浪費在郵件生成、紀要自動生成等輔助功能上。智能體之間若可直接對話，紀要本身已無必要。

企業(yè)應用AI需規(guī)避三大陷阱：

陷阱一：誤入輔助價值鏈。每個企業(yè)都有核心價值鏈，若AI應用未作用于主價值鏈，價值微乎其微。真正的目標應是讓智能體直接完成任務，而非生成僅供人閱讀的建議。

陷阱二：預算先行而非POC驗證。企業(yè)內(nèi)部立項通常要求先明確價值再批預算，但當前無人確切知曉AI在特定企業(yè)的價值空間，僅確信其價值必然存在。正確做法是先進行3-6個月的POC測試，在此期間完善知識庫、培訓員工、優(yōu)化流程。待驗證真實價值后再立項投資并規(guī)?；瘡椭疲茄赜脗鹘y(tǒng)IT項目的預算審批模式。

陷阱三：基礎設施投資不足。企業(yè)寧可采購一體機供百人使用，也不愿升級數(shù)據(jù)中心，因其認為固定資產(chǎn)投入無法回收。然而，AI底座升級是一項戰(zhàn)略性投資，周期為3—5年，絕非IT部門預算可決定的課題。正如2000年ERP系統(tǒng)的“上ERP找死，不上ERP等死”困境，與等死相比，尋死尚可向死而生。此類投資必須由CEO、董事長或總裁自上而下戰(zhàn)略批復，不能按單個智能體項目零星投入。這是從數(shù)字平臺到AI底座的突變式升級，而非漸進改良。部分前瞻企業(yè)已直接將收入的千分之幾甚至百分之幾（如金融公司）專項投入基礎設施建設，再尋找應用場景，因其屬于固定資產(chǎn)投入，不會全額沖減當年利潤。

劉湘明：謝謝你今天的分享。

（本文首發(fā)于鈦媒體APP）