AI PC 作为新的中央枢纽：未来公司内部哪些计算将在本地进行——以及云为何不可替代。

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

Available in 27 languages 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年7月7日 / 更新日期：2026年7月7日 – 作者： Konrad Wolfenstein

AI PC 作为新的中央枢纽：未来公司内部哪些计算将在本地进行——以及云为何不可替代。

AI PC 作为新的中央枢纽：未来企业内部哪些计算将在本地进行——以及云端计算为何不可替代——图片来源：Xpert.Digital

云端单一文化的终结：未来企业哪些人工智能任务需要本地计算？

云计算成本爆炸：为什么微软和英伟达现在就要把人工智能带到你的办公桌上

未来是混合型的：昂贵的云端人工智能何时才能真正为企业带来收益？

多年来，科技界一直奉行着一条不成文的规则：任何想要使用人工智能的人都必须依赖云计算。但这种单一模式如今正面临严峻挑战。API 调用成本的飙升、日常工作中日益严重的延迟问题，以及 GDPR 的严格要求，正迫使企业重新思考其战略。正是在这种背景下，新一代硬件应运而生，它有望彻底改变市场：人工智能 PC。凭借强大的本地计算能力和专门优化的模型，微软、英伟达等公司正将人工智能直接带到桌面——完全无需互联网连接，也无需担心数据泄露。但这是否意味着数据中心的终结？当然不是。未来的架构将是混合架构。了解哪些任务未来必须在终端上运行，哪些工作负载仍然离不开云计算，以及企业如何才能成功跨越这一战略边界，避免陷入成本和合规陷阱。.

云计算单一文化的终结：为什么人工智能现在被提上议程

多年来，企业界一直奉行着一种不成文的共识：人工智能是数据中心的专属领域。想要使用人工智能的企业只需将数据上传到云端，等待响应，然后按令牌数、API 调用次数或 GPU 使用时间付费。这种方式便捷快速，无需专用硬件。但它成本高昂，引发数据隐私担忧，并造成了战略依赖。.

如今，这种模式正面临来自两方面的双重压力。一方面，云端人工智能的成本正在爆炸式增长：据 Gartner 预测，大型企业的平均人工智能支出已从 2024 年的 120 万美元飙升至 2026 年的约 700 万美元。另一方面，本地设备的硬件性能已大幅提升，使得在工作站上直接进行真正的人工智能处理成为可能。微软和英伟达敏锐地捕捉到了这一机遇，并在 2026 年春夏两季推出了一项协同平台战略：将人工智能 PC 作为企业环境中功能齐全的处理单元。.

全球边缘人工智能市场（即在终端设备而非云端运行的人工智能）正在快速发展。尽管各市场研究公司给出的数据略有不同，但都指向同一个方向：Fortune Business Insights 估计，到 2026 年，边缘人工智能市场规模将达到 475.9 亿美元，并预计到 2034 年将达到 3858.9 亿美元。Grand View Research 预测，市场规模将从 2026 年的 300 亿美元增长到 2033 年的 1187 亿美元，复合年增长率 (CAGR) 为 21.7%。虽然这些数据涵盖范围广泛，涉及远超个人电脑行业的工业应用，但它们预示着一种结构性转变：计算能力正在向网络边缘转移，直接提供给需要它的人。.

从市场承诺到架构决策：人工智能个人电脑的技术基础

人工智能电脑究竟是什么？答案远没有微软最初描述的那样简单明了。微软在2024年夏季推出Copilot+电脑系列时，定义了一个新的设备类别：集成NPU（神经处理单元）的计算能力至少达到40 TOPS（每秒万亿次运算），至少配备16GB内存和256GB固态硬盘。其核心要求是，某些人工智能功能——例如语音处理、图像生成和文本摘要——必须在设备本地运行，无需依赖云端。.

然而，仅仅两年后，微软就不得不放宽这些严格的规定。自 2026 年 6 月 14 日起，即使没有 Copilot+ 标签，只要配备 Nvidia GeForce RTX 30 系列或更新的显卡，且显存至少达到 6GB，电脑也可以运行本地 AI 工作负载。原因很简单：现代显卡在许多 AI 任务上比笔记本电脑芯片中的专用 NPU 更强大。RTX 显卡通常比超极本中较小的神经网络处理器运行本地语言模型的速度更快、性能更好。.

新战略的核心是英伟达RTX Spark——一款基于ARM架构的超级芯片，由英伟达和微软在2026年台北国际电脑展（Computex 2026）上联合发布。该芯片集成了20核Grace处理器、Blackwell GPU以及高达128GB的LPDDR5X内存（CPU和GPU共享）。据报道，其AI计算能力高达1 petaflop，能够本地运行参数高达1200亿、上下文窗口超过100万个词元的语言模型。这种性能水平在三年前还只能在超大规模数据中心才能实现。.

该软件基础是 OpenShell，这是一个由英伟达和微软联合开发的适用于 ARM 架构 Windows 11 的开源运行时环境。它在隔离环境中运行 AI 代理，并防止应用程序在未经监管的情况下访问个人数据。用户可以定义精细的权限，而 Windows 则负责强制执行已定义的安全策略。这绝非易事：它精准地解决了云端 AI 系统中难以解决的控制难题。.

首批搭载 RTX Spark 显卡的设备——包括 Surface Laptop Ultra 以及来自华硕、戴尔、惠普、联想和微星的工作站——预计将于 2026 年秋季上市。然而，其定价显然属于高端市场：入门级配置预计起价约为 2,700 欧元，而配置齐全的系统价格可能远超 5,000 欧元。Surface Laptop 8 商用版目前售价为 3,299 欧元，用于本地 AI 开发的 RTX Spark 开发盒起价为 4,999 欧元。.

本地化模式的运行：微软的 Phi Silica 及其后续产品

在推进硬件战略的同时，微软也在扩展其本地执行模型栈。Windows 生态系统中最知名的本地模型是 Phi Silica——一个紧凑的、针对 NPU 优化的语言模型，可直接在 Copilot+ PC 上运行。作为 Windows 应用 SDK 的一部分，它提供了对本地语言模型 API 的访问，可用于执行聊天处理、数学求解、代码生成和文本推理等任务——所有这些都无需云连接。.

Phi Silica 自 2026 年起已支持 Nvidia GPU，用户可通过 Windows 更新在至少配备 6 GB 显存的系统上下载。微软利用此模型实现诸多功能，其中包括在设备上直接生成电子邮件摘要。这看似一项小功能，但其经济意义却十分重大：每次本地计算的摘要不仅节省了一次云端 API 调用，而且无需网络连接即可运行，也不会与外部服务共享电子邮件内容。.

Phi Silica 与微软于 2026 年 6 月推出的全新 MAI 模型系列相辅相成。MAI Thinking-1 专为 128K 上下文窗口的推理任务而设计，而 MAI Code-1 则面向编程任务，旨在取代 GitHub Copilot 中的 OpenAI 模型。微软声称，借助这些专有模型，其内部运营成本降低了高达 90%，同时与 OpenAI 的合作也在同步进行。这体现了混合策略的基本原则：标准任务在内部高效运行，而峰值性能则继续来自云端。.

对于开发者而言，微软提供了 Windows AI Foundry——一个统一的平台，支持 AI 开发者的整个生命周期，从模型选择和微调到在 CPU、GPU、NPU 和云端部署。这就是微软的战略框架：微软不希望强迫开发者在本地部署和云端部署之间做出选择，而是希望在单一的开发环境中无缝地提供这两种方案，并将运行时决策权交给系统。.

未来该设备将运行什么：日常商业生活中的特定应用程序

对企业而言，关键问题不在于技术上可行，而在于日常运营中应该本地化实施哪些方案。延迟、数据保护和成本这三个标准界定了这一界限。.

在需要快速响应且无网络延迟的情况下，本地执行具有显著优势。这适用于实时语音识别和听写功能、视频会议中的自动降噪、摄像头特效和背景移除，以及对话的实时字幕。微软将这些功能作为本地特性集成到 Windows 11 的 Copilot+ PC 中。这些任务通常耗时短、重复性高，且对延迟要求不高——非常适合本地执行。.

文档分析和内部知识管理是人工智能技术的一个特别重要的应用场景。本地人工智能系统能够分析、汇总和搜索合同、发票和内部文档中的特定条款，而无需将敏感的商业信息泄露到公司网络之外。检索增强生成（RAG）技术使本地运行的人工智能模型能够访问公司手册、流程文档和电子邮件存档，并回答自然语言查询。据 Gartner 称，此类内部知识助手平均可将中小企业的信息检索时间缩短 30% 至 40%。.

本地执行在支持文本创作和沟通方面也越来越受欢迎。Windows 11 新增了一款本地运行的写作助手，该助手也可在 Copilot+ PC 上离线使用。Phi Silica 可以直接在应用程序中使用，提供文本建议、改写和纠错功能。对于沟通量大且拥有敏感客户数据的公司（例如法律咨询、金融或医疗行业），这意味着无需与外部供应商共享数据即可获得人工智能支持。.

在软件开发中，本地代码助手无需共享专有源代码即可实现人工智能驱动的编程。这对于那些自主开发软件并需要通过技术诀窍来保护自身竞争优势的公司而言尤为重要。微软于 2026 年 6 月推出的智能终端将人工智能支持直接集成到命令行中，提供命令建议、错误解释和工作流程支持。.

对于拥有稳定工作量的中小企业而言，显而易见的经济逻辑是：为 10 至 20 位用户部署本地 AI 系统，硬件和安装的一次性费用为 4,000 至 12,000 欧元，每年的后续维护费用为 500 至 1,500 欧元。相比之下，为 15 位用户订阅云端 AI 服务，每年的费用通常为 3,000 至 6,000 欧元。根据 Andreessen Horowitz 的一项分析，对于每日 AI 用户超过 20 人的公司而言，本地 AI 系统可在 12 至 18 个月内收回成本。超过这个门槛后，从长远来看，硬件投资比持续的云端订阅更具成本效益。.

数据保护作为一项战略优势：GDPR、欧盟人工智能法案以及对敏感数据的控制

在所有领域中，本地人工智能处理的优势在数据保护方面体现得最为明显。德国信息技术协会 (Bitkom) 的一项研究显示，53% 的德国企业认为法律障碍和不确定性是人工智能部署的主要阻碍，而 48% 的企业则认为严格的数据保护要求是主要障碍。该研究还发现，70% 的德国企业已经因为数据保护方面的法律不确定性而暂停了创新计划。本地人工智能系统从结构上解决了这个问题：如果数据始终保留在公司网络内，那么数据传输到第三国的风险（GDPR 第 44-49 条）、数据被用于供应商培训的风险，以及在许多情况下，无需根据 GDPR 第 28 条签订数据处理协议，都将不复存在。.

德国数据保护协会 (DSK) 在其 2024 年 5 月发布的关于人工智能和数据保护的指导文件中明确指出，封闭的本地系统“从数据保护的角度来看更可取”。GDPR 的基本义务，例如法律依据、目的限制和数据保护影响评估，仍然适用，但风险评估结果显示，本地系统在结构上更有利。对于受保密义务约束的专业人士，例如律师、医生和税务顾问，完全本地处理往往是唯一合法合规的选择，因为基于云的人工智能存在根据德国刑法典 (StGB) 第 203 条规定向服务提供商披露刑事相关信息的风险。.

自2024年8月起逐步生效的欧盟人工智能法案强化了这一趋势。根据该法案第13条，高风险应用必须确保人工智能决策的透明度和可追溯性——相比黑盒云API，本地运行的系统在结构上更容易满足这一要求。然而，使用本地代理的用户必须意识到，监管负担并未转移，而是转移到了他们自己的组织内部。哪些数据被使用、如何确保决策的可追溯性以及如何管理更新，所有这些都必须整合到公司内部流程中。.

最大的数据隐私风险恰恰出现在微软集成其最引人注目的人工智能功能——Windows Recall——的地方。该功能会持续截取屏幕活动屏幕截图并进行语义索引，使用户能够搜索其完整的计算机历史记录。数据隐私专家警告称，这会带来严重的风险：人工智能会捕获密码和机密文档等敏感数据，企业将面临违反GDPR的风险。值得注意的是，Windows Recall是少数几个仍然只能在Copilot+ PC上的专用NPU上运行的功能之一，而无法在GPU系统上运行。这种技术上的独占性与其说是品质的体现，不如说是为了限制对一项特别敏感功能的控制。.

🎯🎯🎯 数据驱动的 B2B 行业中心，作为一种准内部解决方案

准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务——图片：Xpert.Digital

Xpert.Digital 是一个以数据驱动的 B2B 行业中心，由 Konrad Wolfenstein 领导。该公司为工业合作伙伴提供外部的、准内部解决方案，弥补其在市场营销、内容和销售方面的运营缺口，而无需客户投入额外资源。.

更多信息请点击这里：

准内部解决方案：Xpert.Digital 如何弥合 B2B 营销和销售中的运营差距——智能内容驱动型业务

本地人工智能与超大规模数据中心：何时自建硬件才能带来收益？

云技术仍然不可或缺：本地人工智能的局限性

尽管本地处理对于许多日常任务来说极具吸引力，但这种方法的局限性显而易见。可以预见，训练大型语言模型仍将是云计算的专属领域。中型企业的 IT 部门无法胜任这项工作，即使是大型企业也无法以合理的成本利用传统系统提供必要的资源。即使是拥有 1 petaflop AI 性能和 128 GB 内存的 RTX Spark 系统，与现代超大规模集群相比也如同火柴棍一般。训练一个具有竞争力的尖端模型需要数千个高性能 GPU、数月的计算时间和数十亿美元的投资——这仍然是 OpenAI、Anthropic、Google 和 Microsoft 等公司的专属领域。.

同样的情况也适用于针对专有数据对大型模型进行微调。尽管像 LoRa 这样的参数高效方法已经显著简化了这一过程，微软甚至为 Phi Silica 提供了 LoRa 适配方案，但对大型模型进行全面微调仍然需要耗费大量资源。希望使用自身特定业务数据训练 700 亿参数模型的公司仍然需要借助云资源。.

对于计算需求高但使用频率不规律的AI请求，云仍然更具成本效益。据FinOps基金会称，推理工作负载消耗了80%到90%的AI日常运营成本，但云运营中GPU的利用率通常只有15%到30%。很少访问大型模型的用户只需为在云端使用的资源付费——而本地工作站即使在闲置状态下也会消耗电力并占用资金。只有当使用量超过一定水平时，投资昂贵的本地硬件才划算。.

依赖最新模型且预期能从短期模型改进中获益的应用仍然更适合云端部署。本地模型需要主动更新，这会带来额外的管理开销。云服务提供商则无需用户干预即可持续更新模型。对于那些需要最强大的模型来完成复杂任务（例如法律推理、医疗诊断或创意写作）的用户而言，他们将继续依赖基于云的前沿模型——因为根据目前的基准测试，量化后的本地模型在典型商业应用中的性能约为 GPT-40 的 90% 到 95%，但对于高度复杂的任务，云端仍然具有显著优势。.

归根结底，协作式、企业级的 AI 工作负载更适合云端。当 500 名员工需要同时访问中央 AI 模型、使用共享知识库并实时同步结果时，云端自然成为理想平台。微软正是出于此目的，将 Windows 365 和 Microsoft 365 Copilot 套件定位为基于云的协作基础架构，它能够补充而非取代本地处理。.

混合架构作为企业的战略蓝图

最智能的企业架构既非纯粹的本地部署，也非纯粹的云端部署，而是混合架构——并且基于明确的标准。其原则很简单：快速、敏感的日常任务迁移到设备端；所有规模庞大、成本高昂且计算密集型的任务则保留在数据中心。在这两种极端情况之间存在一个灰色地带，需要根据延迟、数据敏感性和成本等因素做出相应的决策。.

对于一家中型公司而言，这种架构可能如下所示：在本地PC上，实时语音识别每天在客户互动期间运行，同时还进行电子邮件和会议纪要的摘要生成、基于RAG（红绿灯）的内部知识助手（支持公司文档）以及文本纠错和格式辅助。在云端，公司专属模型的训练和微调每季度运行两次，此外还偶尔进行大型数据集的分析、需要最佳前沿模型的复杂法律或战略推理，并通过Microsoft 365 Copilot同时向所有员工提供人工智能服务。.

这种混合方法融合了两种方案的优势：既具备本地部署方案的数据控制、离线功能和高容量成本效益，又具备云端的可扩展性、模型实时精度和协作能力。如今，98% 的财务运营团队都在积极管理人工智能支出，而两年前这一比例仅为 31%。这表明，企业已经意识到混合人工智能成本模型的复杂性是一项真正的挑战。.

企业可以参考以下实用决策树：是否需要定期处理敏感数据，以至于将其传输到第三国会造成问题？如果是，则本地处理是首选。是否许多员工每天都在使用人工智能功能？如果是，则本地硬件在中期内具有成本效益。是否只是偶尔需要峰值性能和最新一代模型？如果是，则云仍然是更高效的选择。是否需要定期使用新的公司数据训练模型？如果是，则云基础设施必不可少。.

战略风险：企业在转型过程中不容忽视的因素

向本地人工智能的转型蕴含着一些风险，这些风险在规划阶段往往被低估。其中最严重的风险是技术碎片化：随着每一代硬件的更新换代，微软都会改变本地人工智能功能的目标平台。最初，NPU 被定位为首选基础平台，但现在 GPU 再次成为焦点，模型可以在 CPU 内核、集成 GPU、独立显卡和 NPU 上并行运行。对于将人工智能功能集成到 Windows 应用程序中的开发者而言，这意味着更多的工作、更多的测试和更大的不确定性。如今在 NPU 优化硬件上投入巨资的公司，两年后可能会发现市场已经朝着另一个方向发展。.

第二个战略风险是生产力错觉。尽管全球人工智能蓬勃发展，但在一项针对约6000名企业高管的国际调查中，近90%的受访企业表示，过去三年中，他们并未观察到人工智能对生产力或就业产生任何显著影响。员工平均每周仅使用人工智能工具约1.5小时。人工智能工具通常被用作辅助工具，并未从根本上改变工作流程，而必要的质量保证往往会抵消节省的时间。如果员工不知道如何将人工智能融入到实际工作流程中，那么最好的硬件也毫无用处。.

Gartner预测，到2027年底，超过40%的AI项目将被放弃，主要原因是经济可行性不明朗。考虑到企业目前在AI基础设施方面投入的巨额资金，这一预测令人警醒。任何企业如果在未事先验证实际使用水平和具体应用场景的情况下，就贸然为全体员工购置昂贵的AI电脑，都将面临代价高昂的投资失误。.

不断变化的边界：未来办公室的日常运作会是什么样子

综合考虑所有技术、经济和监管方面的发展，未来三到五年内，日常办公生活的清晰图景将逐渐显现。人工智能将变得不那么显眼——并非因为它的普及程度会降低，而是因为它将更深入地融入日常工具中。“我现在应该使用人工智能吗？”这个问题将不再出现，因为人工智能支持会在需要时自动出现：例如在撰写电子邮件、打开文档或发起视频会议时。.

Windows 11 正朝着这个方向发展，其功能包括用于直接语音交互的“Hey Copilot”、可对任何文本和图像执行上下文感知 AI 操作的“Click to Do”，以及改进的语义搜索（可按内容而非文件名查找文档）。微软将 Copilot 定位为一个核心的“超级应用”，计划在 2026 年夏季之前整合聊天、协作和编码功能。现在，通过微软自家的 Windows ML 平台，可以在超过 5 亿台 PC 上本地运行 AI 任务——这一数字凸显了此次变革的影响范围之广。.

然而，真正的转变并非技术层面，而是思维层面。企业将不再把人工智能视为外部服务，不再像租用数据中心那样需要预订，而是将其视为自身基础设施的组成部分——既享有控制权带来的所有优势，也承担所有权带来的所有责任。任何在本地运行人工智能模型的人都必须负责维护、更新、保护和确保合规性。云服务的便利是有代价的，不仅体现在成本上，还体现在依赖性和数据共享方面。本地人工智能也需要付出代价，不仅体现在硬件投资上，还体现在运营成本上。.

对这一发展趋势最准确的描述来自架构本身：人工智能个人电脑并非取代云端，而只是转移了边界。所有快速、敏感或常规的任务都转移到设备上处理。所有规模庞大、成本高昂且计算量极其巨大的任务则保留在数据中心。那些有意识地、战略性地界定这一边界（而不是听天由命或依赖默认设置）的公司，将从下一代人工智能工作场所中获得最大的收益。.