一个铁皮箱子，如何改变全球贸易？

1956年，美国有个卡车运输商叫马尔科姆·麦克莱恩，他做了一件当时不少人觉得有些奇怪的事：把一艘油轮改造成货船，然后将58个集装箱直接装上船，从新泽西运往得克萨斯。

看起来没什么技术含量对吧，无非就是把货物装进一个铁箱子里，但它后来却改变了全球物流行业。

在此之前，货物需要一件件装船、卸船，再转移到卡车或者火车上，整个过程既费时又费力。而集装箱的出现，让货物可以作为一个整体，在船舶、铁路和公路之间快速转运。

集装箱之父：马尔科姆·麦克莱恩 图源：搜狐网

事实上，很多技术变革都有相似的逻辑：当一项能力越来越复杂，真正重要的事情，未必是继续把它做得更庞大，而是想办法让它变得更容易部署、更方便使用。

今天的AI计算，也正在经历类似的变化。

比如联想开天最近推出的首款纯国产AI主机，就将国产CPU、NPU和160 TOPS本地AI算力集成进了一个只有1.6L的机身里。

它不只是把计算硬件做小了，也让本地大模型和AI智能体有机会进入普通办公桌面。

AI算力也需要一场“小型化革命”

提到AI计算，很多人脑海里浮现的，大概还是数据中心里一排排服务器机柜。毕竟大模型对算力、内存和散热都有不低的要求，想在本地运行一个有一定规模的模型，过去确实不是一件轻松的事。

但问题也随之而来：是不是所有AI计算，都必须集中在大型设备和云端环境里？

答案显然不是。

云端算力有自己的优势，但企业日常办公中，有不少任务其实没有那么复杂。比如文件检索、资料整理、数据分析、定时信息监测，这些工作可能每天都要做，涉及的数据也未必适合频繁上传到外部平台。

如果能在本地完成其中一部分，企业自然会多一种选择。这也是桌面级AI设备开始受到关注的原因。

那么如何在有限空间里塞进足够的AI算力，同时让模型运行起来？

联想开天AI主机就是一个例子。

它采用1.6L迷你机身，整机重量约1.5kg。1.6L是什么概念？这么说吧，你放在桌上的纸巾盒，可能都比它大。但就是这样一台四四方方的小主机，里面集成了国产CPU、NPU，以及160 TOPS INT8本地AI算力，换算下来，每秒可完成约160万亿次INT8运算，体积与算力之间形成了强烈的反差。

图源：联想开天AI主机

当然，机身小只是第一眼能看到的变化，里面的硬件架构才是重点。

联想开天AI主机搭载国产兆芯KX-7000八核处理器，以及后摩智能力擎LQ50 NPU，采用CPU+NPU异构计算架构。CPU主要负责系统运行和通用计算，NPU则专门承担大模型推理等AI任务。

这样分工的意义在于，AI推理和日常电脑任务对硬件的需求并不完全相同，让CPU承担所有工作，未必能充分发挥硬件效率，引入专门的NPU，则可以把AI计算交给更适合的单元处理。

光说参数大家可能觉得有些抽象，我们不妨换个更直观的角度来看：联想开天AI主机支持35B量级大模型本地推理，已经适配Qwen3.5系列、Qwen3.6-35B-A3B等模型。

以Qwen3.6-35B-A3B为例，在24GB NPU配置下，通过W4A8量化方式进行本地推理，内部测试文本生成速度约为28.99 tokens/s，同时支持最高20万Token输入规模。

这里的量化，可以简单理解为对模型进行一定程度的压缩，降低运行时对内存和计算资源的要求，让原本需要更多资源支持的模型能在相对有限的硬件环境中运行。

搞定了硬件参数之后，接下来还有一个容易被忽略的问题：小机身如何应对长时间运行？

如果AI主机只是偶尔跑一跑模型，散热压力或许没那么明显。但如果它要承担定时监测、持续推理等任务，设备能不能稳定工作，就显得重要得多。

联想开天AI主机采用CPU与NPU双独立散热风道，搭配高风压涡轮风扇和智能温控机制。根据内部测试数据，在25℃环境下，整机待机壳温约33℃，满载约41℃；待机噪声约19.4dB，NPU满载推理时约29.5dB。

显然，联想开天在设计这款产品时，考虑到了持续运行场景，而不是只追求短时间跑出一个漂亮的性能数字。

安全与成本双重考量，混合式AI成大趋势

事实上，当下混合式AI正在成为趋势，企业用AI不一定要搞大工程。

Gartner在2026年发布的AI基础设施与IT运维趋势报告中，将混合式AI列为未来的重要方向，所谓混合式AI，简单来说，就是不再把AI算力全部放在云端，而是根据不同任务的需求，将计算资源分配到公有云、企业本地数据中心以及边缘设备等不同环境中。

比如，大规模模型推理可以交给云端，涉及内部数据或对响应速度有要求的任务，则可以放在本地完成。这对一些企业来说，可能会彻底改变以往的工作方式。

混合式AI拓扑图 图源：AI生成

过去我们使用大模型，大多是打开一个应用，输入问题，等待模型给出答案。一次对话可能消耗一些Token，但任务通常比较短，使用频率也相对有限。

智能体出现之后，情况就不太一样了。

比如让智能体整理一批业务文件，它需要读取文件、理解内容、分类归档；如果要分析多张Excel表格，它还得完成数据关联、指标计算和结果汇总。这些任务有一个共同点：执行链条更长，而且可能需要反复运行。

这就带来了一个新问题，企业使用AI的成本开始持续累积：如果所有任务都依赖云端API，Token费用自然会随着使用频率上升。

不过，成本还不是全部，对于不少企业来说，数据怎么流转可能更加敏感，合同、财务报表、客户资料以及业务数据，都有各自的管理要求。

这也解释了为什么本地AI算力开始变得重要。

但这里有必要说清楚，本地部署并不意味着企业要把所有AI任务都搬回自己的设备。毕竟云端模型在复杂推理和大规模计算方面仍然有优势，企业也没必要为了本地化而本地化。

正确的做法，是根据任务特点进行分配：高频、重复、涉及内部数据的任务，可以优先考虑本地处理，需要更强模型能力的复杂任务，则按需调用云端。

另一方面，Gartner也提到了智能体带来的Token经济问题。按照其预测，采用不封顶、按Token用量计费模式的企业，到2027年，AI智能体在IT运维中的相关成本可能比最初预期高出50%以上。

这对一些只是想让员工用AI处理文件、分析报表的企业来说，负担确实不轻。

总之，不管是从安全角度还是从经济角度考虑，联想开天AI主机的AI算力小型化，都是一件很有价值的事情。

联想开天AI主机的价值，也可以放在这个背景下理解。

它支持本地大模型推理，能够为企业提供一套离业务更近的计算环境。对于一些重复执行、数据相对敏感的任务，可以在本地完成，减少部分云端Token调用，也能降低不必要的数据传输。

这对企业来说，改变的可能是部署AI的门槛，甚至是使用AI的心态。以前要经过预算申请、基础设施建设、系统部署，才能正式开始尝试AI，现在只需要一台联想开天AI主机，就能做到开箱即用。

说到底，小型化带来的不只是设备体积的变化，更是人与AI协作方式的变化：

AI不一定需要昂贵、复杂的部署过程，也可以成为员工桌面上一台触手可及、开箱即用的提效设备。对企业而言，尝试AI可以从一个具体岗位、一项日常工作开始，而不必等到一整套庞大的AI工程准备就绪。

我觉得这恰恰是本地AI设备最有价值的地方，换句话说，未来企业的AI算力，很可能是云端与本地各司其职，谁也不必完全取代谁，关键是把任务放到更合适的地方。

AI从聊天框走进工作流程，个人和企业会发生什么变化？

不过，对一些企业而言，让员工接受AI这种新的工作方式，其实并没有想象中那么容易。

尤其是一些规模较大的组织，内部往往已经形成了相对固定的管理流程、工作习惯和SOP。即便AI已经足够强大，也很难要求所有人立刻改变原来的工作习惯，更不可能一上来就把整套流程交给AI。

所以，我觉得企业引入AI，可能不是先想着让AI改变工作流程，而是让它先帮员工把现有工作做得更快一点。比如，每一次合同审查，每一次数据分析，都能通过AI多提供一个“保底”方案。AI不需要替代员工，也不需要重新设计整套工作流程，只要能在原有工作基础上提供一些帮助，就已经有了使用它的理由。

这也是联想开天AI主机这个小盒子所能带来的另一个好处：通过日常工作，加速培养员工使用AI的习惯。

当然，算力和部署方式最终还是要落到具体应用上，这里就要看联想开天AI主机原厂预装的天禧AI Pro了。

举个例子，天禧AI Pro不仅支持文档理解、内容生成和数据分析，还可以通过Skill扩展不同能力，让AI按照用户的要求，完成从读取信息、分析处理到结果输出的一系列操作。

图源：联想天禧AI Pro

对普通用户来说，Skill Hub技能扩展降低了AI能力的使用门槛。员工可以根据办公、教育、数据分析、文档处理等需求安装不同技能，让AI逐渐融入日常工作。

这里其实还有一个不那么显眼的变化：当AI算力以一台主机的形态部署在员工桌面上，企业使用AI的方式也会有所不同。

过去，很多企业使用AI主要依赖云端服务，通常需要采购订阅服务，或者按照Token用量付费。尤其是按Token计费的模式，每一次调用、每一轮对话，都可能带来新的使用成本。对于企业IT部门来说，需要关注调用额度、账号管理和持续增加的服务费用；对于普通员工来说，也容易形成一种使用上的顾虑：这件事有必要让AI做吗？要不要再让它多试几次？

如果企业已经采购并部署了本地AI主机，情况就不太一样了。前期设备采购完成后，本地算力就成为企业可以持续调用的一项IT资源。对于适合本地处理的任务，员工可以随时调用AI进行搜索、整理、分析，或者反复调整生成结果，不必每次都考虑新增Token消耗。

这看起来只是成本计算方式的变化，实际上也会影响员工使用AI的习惯。以前可能需要考虑一下值不值得调用AI的工作，现在可以先让AI试一试。员工愿意尝试的事情多了，企业也更容易在日常工作中发现新的AI应用场景。

天禧AI Pro能够提供的帮助，从我们编辑部的实际体验来看大致可以分为三个层次。

第一类，是日常提效，让重复性工作做得更快。

日常办公中，很多时间都花在了搜索、查找和整理信息上。一个项目做下来，Word、Excel、PDF、PPT散落在不同文件夹里，文件名还不一定规范，真要找一份旧资料，光是翻文件夹就要花不少时间。

天禧AI Pro可以通过文件归档Skill，读取并理解不同文件的内容，辅助完成分类和归档目录整理；同时支持对本地Word、Excel、PDF、PPT等文件进行检索，帮助用户根据文件名或正文内容快速找到目标资料。

类似的还有会议录音整理。过去一场会议结束后，员工往往还要花时间反复听录音、整理文字、提取重点。现在，AI可以辅助完成本地录音转写和内容整理，把这些重复性工作交给AI处理。

第二类，是专业辅助，让一项工作更容易从零开始。

对于一些需要专业知识和经验的工作，AI也可以先承担前期的基础工作。比如在合同审查中，AI可以辅助识别条款缺失、约定差异以及前后内容不一致等问题，整理潜在风险和修改建议，再交由专业人员审核。

在内容生产中，AI也可以根据用户的要求，协助搭建文章框架、生成稿件初稿，或者整理周报草稿。员工可以在AI提供的第一版基础上补充信息、完善观点和核实细节。

这类工作的共同点是，AI可以先帮助员工完成前期准备，让原本需要从空白文档开始的工作，有一个可以继续修改和完善的起点。

第三类，是流程执行，让AI连续完成一组工作任务。

如果说前面两类主要是帮助员工完成某个具体环节，那么随着任务规划、Skill调用和定时执行能力的加入，AI还可以进一步参与完整的工作流程。

比如，用户可以通过Skill Hub扩展所需技能，再结合定时任务，让AI每天检查指定网站的产品信息是否更新，或者每周自动整理工作内容、生成周报草稿。这些任务都有明确的执行要求，AI可以按照预设规则持续完成。

以我们编辑部为例，每周的选题会结束后，往往还需要有人整理会议录音、归纳讨论结果，再把选题方向和后续任务分配给相关编辑。

天禧AI Pro可以把这套流程进一步串联起来：会前根据日程创建会议，会中完成本地录音和转写，会后自动生成会议纪要、提炼讨论重点，并整理待办事项、明确对应责任人。原本分散在会前、会中和会后的多个环节，现在可以由AI连续处理，最终形成一份能够支持后续工作的会议成果。

这时，AI已经开始承担一项工作的连续执行任务。员工只需要明确目标、确认关键要求，并对需要人工判断的环节进行审核，就能获得一份完整的工作成果。

从日常操作提效，到专业任务辅助，再到完整流程执行，天禧AI Pro正在将AI能力融入越来越具体的岗位任务。

当本地AI算力进入员工桌面，使用AI的门槛进一步降低，员工也有更多机会在日常工作中尝试、探索和积累新的应用场景。随着这些场景不断丰富，AI也就有机会真正成为企业日常工作的一部分。

总之，当AI算力不再只集中在云端，而是进入个人桌面和企业业务现场，智能体就有机会更贴近具体工作，加速企业办公AI化的进程。

写在最后

回到开头的集装箱故事。

当年，麦克莱恩通过发明标准化的集装箱，让原本复杂的运输流程变得更加简单，也让全球贸易拥有了新的效率基础。

很多时候，一项技术想要真正走进日常场景，除了性能上的突破，还需要在形态和使用方式上找到新的答案，AI算力也需要一场“小型化革命”。

并不是每一个AI任务都需要庞大的计算集群来支撑，当算力逐渐摆脱对大型设备和专业机房的依赖，变得更轻量、更容易部署，AI的应用场景也就有了更多可能。

让强大的AI算力变得触手可及，或许才是这场“小型化革命”最值得期待的地方。