英伟达和微软本月在Computex展会上高调宣称,一类全新的"智能体AI PC"将彻底重塑个人电脑的使用方式。
英伟达CEO黄仁勋在展会上将这一概念描述为PC行业40年来最重大的变革,并将其类比为AI手机。他表示,用户可以与电脑对话、让它读取文件,或协助完成研究工作。此次展会上,英伟达还推出了首款面向AI应用的PC芯片N1X,该芯片集成了CPU和GPU,将用于驱动智能体AI PC。微软CEO萨蒂亚·纳德拉则在近期的Build开发者大会上,展示了基于RTX Spark设计的Surface Laptop Ultra AI PC,将其定位为能跨文件与设备运行、支持代码生成与执行的全新执行层。
然而,多位行业分析师对此提出了质疑,认为这类产品在很大程度上不过是AI PC的重新包装,未必能驱动企业级设备的大规模升级换代。
neXt Curve首席分析师伦纳德·李表示:"'智能体AI PC'是个奇怪的说法,不应该被过度强调。根据使用场景的不同,过去两代PC其实已经具备运行智能体的能力。"他还指出,苹果已经证明,运行智能体工作负载并不依赖Windows系统,Mac Mini便是托管个人AI智能体的热门设备之一。
分析师普遍认为,所谓智能体AI PC,其核心差异仍在于硬件规格,而这类产品本质上只是早期AI PC的演进延续。AI PC(尤其是CoPilot+ PC)最初搭载神经处理单元(NPU),是为支持Windows Recall功能而设计的。李表示,虽然有观点认为智能体AI PC需要更强的GPU算力,但高通和微软的立场是,这类设备其实已经存在一段时间了。
在Computex展会的演示环节中,英伟达展示了RTX Spark PC如何将建筑设计工作流拆分至本地与云端协同处理,并通过MCP服务器管理数据交换。此外,Adobe也针对RTX Spark PC对Photoshop和Premiere进行了重新优化,使软件能够与PC上的AI智能体通信,运行速度提升一倍。
不过,Tirias Research首席分析师吉姆·麦格雷戈指出,尽管搭载智能体的AI PC在能力上有所提升,但相关应用生态仍然匮乏。他认为,尤其是小尺寸PC和工作站,未来更可能成为家庭AI设备的主力形态。
对于企业用户而言,现阶段升级至RTX Spark PC存在一定风险。英伟达N1X芯片基于Arm处理器架构,可能与为英特尔和AMD x86架构设计的企业应用产生兼容性问题。J. Gold Associates首席分析师杰克·戈尔德表示:"尽管Arm处理器已经问世多年,但由于企业对应用、驱动程序及内部系统的兼容性要求极高,需要进行大量测试,Arm在企业端的渗透率依然偏低——尽管微软在Windows 11 for Arm上的适配工作做得相当不错。"戈尔德同时表示,随着微软将AI原生能力深度整合进Windows,这类PC最终仍会进入企业市场。
对于正在积极推进智能体AI战略的企业,伦纳德·李建议,眼下或许是淘汰老旧Windows 10设备的好时机:"考虑到智能体AI当前的热度,希望在组织内部推行智能体AI战略的企业,需要尽早完成设备换代。"
Q&A
Q1:英伟达N1X芯片有什么特别之处?
A:N1X是英伟达首款面向AI应用的PC芯片,集成了CPU和GPU,基于Arm处理器架构,专为驱动智能体AI PC而设计。不过,由于采用Arm架构,它可能与企业现有的x86应用存在兼容性问题,这也是分析师认为企业短期内不宜贸然升级的主要原因之一。
Q2:智能体AI PC和普通AI PC有什么区别?
A:从硬件层面看,两者的差异并没有想象中那么大。分析师指出,智能体AI PC本质上是早期AI PC的演进,过去两代PC已具备运行智能体的能力。核心区别主要体现在GPU算力规格上,但高通和微软认为,具备智能体能力的AI PC其实早已存在。
Q3:企业现在适合升级智能体AI PC吗?
A:现阶段升级存在一定风险,主要问题在于Arm架构的兼容性挑战,以及相关应用生态尚不成熟。但分析师建议,有意推进智能体AI战略的企业,可借此机会将仍在使用Windows 10的老旧设备替换为具备AI能力的新一代PC,为后续部署做好准备。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。