在 2026 年 CES（国际消费电子展） 现场，科技行业对 AI 的讨论已从单一技术概念转向场景化落地的深度探索。联想集团副总裁、中国区战略及业务拓展副总裁阿不力克木·阿不力米提 （以下简称 「阿木」） 在与钛媒体集团联合创始人、联席 CEO 刘湘明的对话中，系统拆解了 AI 技术演进的核心逻辑、终端融合的必然趋势，以及个人 AI 与企业级 AI 的落地路径。这场对话不仅勾勒出联想在 AI 时代的战略布局，更揭示了全球 AI 产业从公共服务向个人专属、从消费级应用向企业级渗透的关键变革。
正如阿木所言——AI 带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机，这种重构正在终端形态、商业生态和企业运营三个维度同步发生。
AI 算力与模型驱动终端生态重构
回顾科技产业发展历程，每一次技术革命的深化都离不开底层算力与上层应用的协同进化。AI 产业的发展同样遵循这一逻辑，呈现出算力与模型双螺旋上升的演进态势，并由此催生终端形态的根本性变革。IDC 最新发布的 《2026 年全球 AI 算力市场报告》 显示，全球 AI 算力市场规模预计在 2026 年达到 1152 亿美元，同比增长 42.8%，远超传统通用计算市场的增长速度，印证了阿木关于 「AI 算力进入比摩尔定律更快迭代周期」 的判断。
与此同时，模型小型化技术的快速发展正在打破 「参数规模决定性能」 的固有认知，「许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的模型，如今 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。」 阿木指出。这种小型化趋势为 AI 的终端下沉提供了关键支撑，因为真正落地到个人和企业时，模型必须具备快速、可靠、稳定、无时延的特性，并在可接受成本下持续提供服务。
从技术演进的底层逻辑来看，AI 与终端的融合是解决公共 AI 两大核心痛点的必然选择。一方面，公共 AI 产品的个人化或企业专属化属性不足，其通用算法无法处理个人隐私数据或企业专属数据，也无法根据特定需求演进；另一方面，公共 AI 缺乏持续感知环境变化的能力，无法捕捉物理世界瞬息万变的信息并做出实时响应。而终端作为连接数字世界与物理世界的桥梁，既能承载个人与企业的专属数据，又能通过各类传感器采集环境信息，为 AI 的个性化与场景化落地提供关键支撑。
算力与模型的协同进化催生两大核心趋势：智能体崛起与终端创新。基于这一逻辑，未来终端生态将呈现三大类形态：一是存量终端升级，通过增强智能计算能力和丰富感知方式，将传统电脑、手机、平板等升级为 AI 终端；二是感知为主、轻交互的新型终端，以 AI 眼镜为代表，实现 24 小时不间断环境感知；三是边缘计算终端，专注于私密化计算，可快速运行数百亿参数的模型，为个人和中小企业提供安全可控的 AI 算力支持。这三类终端共同构成了 AI 落地的核心载体，也成为联想等终端厂商的战略布局重点。
个人 AI 崛起：从公共服务到专属价值的范式重构
个人 AI 的崛起标志着 AI 服务从 「平台中心」 向 「用户中心」 的范式转移。
在对话中，阿木表示，个人 AI 与公共 AI 存在本质差异：以用户立场为核心，具备全场景感知、可信计算、专属服务连接与持续演进四大特征。
一是感知能力同步，个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收经大脑过滤后的输入信息，这种全场景感知能力是公共 AI 无法实现的，因为用户难以将 24 小时的视听数据托付给公共平台；二是可信计算，个人 AI 仅将用户数据用于服务本人，基于 「拥有感」 建立的信任关系，解决了公共 AI 的隐私泄露风险；三是专属服务连接，个人 AI 直接调用各类生活与工作服务，以满足用户真实需求为导向，摆脱了公共 AI 的商业化植入模式；四是持续演进能力，个人 AI 通过持续积累用户记忆，不断调整交互方向，最终成为 「越来越像用户」 的专属陪伴，而公共 AI 则始终服务于全人类的平均水平，无法实现真正的个性化演进。
从场景角度出发，公共 AI 的个性化类似短视频推荐，服务于平台流量变现；而个人 AI 如同 「专属私家车」，通过终端载体实现数据隐私可控、服务精准匹配，解决公共 AI 的信任与体验痛点。
在阿木看来，个人 AI 落地面临四大技术挑战：异构算力平台构建、多模型与智能体调度、长期记忆管理、核心体验创新。联想提出的 「队友」 式个人 AI，通过情景感知、主动服务、直接执行三大能力，重构交互逻辑——如游戏场景主动优化性能、营销场景完成内容全流程发布。
多设备互联是 「队友」 式体验的核心支撑。联想通过三大手段突破跨系统壁垒：构建操作系统之上的智能体体系、打造个人可信云空间、实现终端近场互联。
企业级 AI落地仍面临三大挑战
企业级 AI 落地需完成基础设施、流程、人才三大协同准备。其一，升级数字化底座为完整 AI 基础设施，包含大模型平台、智能体运行平台等；其二，重构业务流程，将传统线性流程转为并行动态模式；其三，培养 AI 人才，中层管理人员是关键。
而在阿木看来，人才培养是三个之中最为重要的一个，「我们在 2026 年的调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训，」 阿木进一步指出，「其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层。」
联想自身智能化转型路径为行业提供参考：遵循 「主价值链优先」 原则，率先在供应链领域应用 AI，实现成本降低与周转效率提升，再向营销、售后等环节推广。对比之下，优先切入员工辅助场景的企业，AI 价值转化有限。同时，企业需规避三大陷阱：误入辅助价值链、预算先行而非 POC 验证、基础设施投资不足。
AI 时代的核心竞争力在于 「整合与落地」。2026 年是 AI 从概念走向落地的关键节点，行业竞争焦点已从技术参数转向场景价值。企业需明确生态定位，通过基础设施、流程、人才协同推进转型；用户将迎来更个性化、更安全的服务体验。未来，把握趋势、深耕落地的企业，将成为智能时代的最终赢家。
精彩内容时间轴
00:01:21 AI 算力进入比摩尔定律更快迭代周期
00:07:24 AI 算法与终端结合过程中的两个挑战
00:12:00 AI+终端的三个类型
00:14:31 个人 AI 与聊天助手的区别
00:23:22 个人 AI 落地过程中的四大挑战
00:29:59 多设备互联面对三大技术挑战
00:34:41 未来 AI 生态存在的企业类型
00:44:45 从 「助手」 到 「队友」，个人 AI 的能力升级
00:48:54 联想生态的 「变与不变」
00:55:34 企业部署 AI 需要的三个准备工作
01:03:07 联想落地 AI 的经验与需要规避的三大陷阱
以下为对话实录，经整理：
刘湘明：从你的角度，分析一下未来 AI 的发展趋势如何？
阿木：正如 20 多年前讨论互联网趋势一样，AI 同样充满一切可能。除了去年以来大家讨论的投资价值与 AI 发展速度是否会改变之外，AI 本身带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机。
若将其解构，可分为两个方面。首先，谈谈人工智能作为技术本身的发展走向。
最底层是近期讨论较多的算力层面。从最初的 CPU 通用计算，发展到以人工智能神经网络为主要算法架构的并行计算，即 GPU 计算。AI 算力已进入比摩尔定律更快的迭代周期，目前完全没有放慢节奏，且在全球范围内形成了多个不同主体快速推进的局面，包括美国公司和中国芯片厂商都在快速进步。我认为 AI 算力的技术升级还将持续一段时间。
第二层是在算力之上运行各种大模型的算法，包括训练与推理两个方向，即构建大模型和应用大模型。目前，构建大模型方面正从文本为主向语音、视频拓展，2026 年将进入原生多模态创新成熟期。同时，为推动物理 AI 快速进入生产生活，与物理 AI 相关的世界模型也在快速探索中。此外，模型小型化技术发展非常迅速，真正落地到个人和企业时，模型需快速、可靠、稳定、无时延，并在可接受成本下持续提供服务。因此，模型小型化技术可能比超大规模模型创新更值得关注。许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的，现在 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。这一节奏同样非常快。
在应用大模型方面，后训练技术从强化学习到各类后训练方法正从少数大模型公司下沉至更多非 AI 公司，使其能够自主操作和执行，越来越工程化、越来越可落地。这些应用技术的创新也将快速进展。算力和模型这两个层面的技术变化叠加起来，形成了双螺旋结构，以比摩尔定律更快的节奏进化。
在此之上催生了两个新的 AI 趋势。一是向智能体方向发展，这是数字世界中的创新。从最初的问答工具到丰富的内容生成，再到可进行任务编排和自主执行的数字智能体，变化非常迅速，既包括个人使用，也包括企业应用。
另一个趋势是终端创新。终端不仅包括电脑、手机、平板，还包括大量正在催生的原生终端设备。今天媒体进行的很多直播都涉及这些内容，如 AI 眼镜、穿戴设备、陪伴型设备，以及为使算力更接近使用场景而出现的超强算力盒子等本地化运算设备。这些都是 AI 真正催生的新形态。更大规模的包括各类机器人，无论是人形机器人、运动仿生机器人，还是自动驾驶车辆，都属于机器人范畴。总体来看，终端正在发生演变。终端演变与智能体演变相融合，将在众多场景中催生出新的产品形态。
今天我详细参观了展区，明显感觉到很多地方在介绍 AI 时几乎不再单独介绍算法，而是将模型与某种形态的终端产品结合、嵌入、内置，用以改变传统终端体验或创造新的终端。今年的这一感受非常强烈。
刘湘明：AI 对硬件影响很大，联想作为终端公司，在 AI 时代，有哪些新的可能性？
阿木：自 2022 年 11 月 ChatGPT 首次带来生成式体验产品、GPT 大模型展现涌现能力以来，至今绝大多数不依赖终端的 AI 均为公共服务产品。这类公共服务由具备超强生成能力的模型为所有人提供标准化服务，当时并未催生出专门用于体验 ChatGPT、豆包、元宝或 Gemini 等产品的新型终端。
然而从去年起，AI 算法开始与终端紧密结合，这源于两大新趋势带来的挑战：
第一大挑战是公共 AI 产品的个人化或企业专属化属性不足。其算法为通用算法，所接触的数据既非隐私数据，也非企业专属数据；且无法根据个人或企业需求演进，迭代节奏完全取决于服务商所使用的互联网数据及其优化方向 （如变得更 「温柔」 或更 「刻板」），与个人和企业无关。因此，要让大模型算法真正接触、处理并使用个人私密数据或企业内部数据，就必须下沉到个人和企业层面，而其下沉路径显然需要与终端结合、嵌入终端内部才能实现。
第二大挑战在于持续感知环境变化的能力。AI 不能仅依赖键盘输入或语音提供的语言信息，还需感知环境信息——温度、冷热变化、移动速度、路过人群、前方画面、海报、演讲者的表情神态变化，乃至企业工厂生产作业环境中突发的事故等。这些物理世界瞬息万变的信息必须与终端结合，因为只有终端才能将感知能力带入该环境并采集所需的信息素材，供 AI 理解、感知并最终响应。
综上，无论是接触个人/企业知识数据，还是理解其所处环境并做出针对性、独一无二的快速理解、规划、编排与执行，都需要将公共 AI 向个人 AI 乃至企业 AI 下沉。这一趋势自去年已开始显现：大量企业采用开源模型进行私有化部署，终端也越来越多地将 AI 算法嵌入内置。例如许多显示器在驱动主板中内嵌芯片，可实时进行画面处理、色彩补偿、运动补偿等运算，直接在终端内完成。因此，要实现 AI 的无所不在及个性化，必须与终端结合，这是背后的根本逻辑。
基于这一逻辑，终端结合将呈现三大类形态：
第一类是存量终端升级。包括电脑、手机、平板、电视、汽车等存在已久的产品形态，其算力感知交互能力已非常成熟。只需将通用计算能力增强为智能计算能力，将感知从简单的触控或运动感知扩展为更丰富的感知，或使电脑除键盘鼠标外还能实现感知与跟踪，即可升级为 AI 终端，让 AI 落地并创造新价值。
第二类是感知为主、轻交互的新型终端。目前最受关注的是 AI 眼镜——虽无强大算力，但在环境感知和快速交互方面远优于手机电脑等笨重设备，且可实现 24 小时不间断感知 （除非摘下）。这类终端替用户观察所见一切，与 AI 结合更侧重于感知与交互。
第三类是边缘计算终端。这类终端恰恰不具备感知交互功能，而是出现不带显示、不带互动但算力极强的产品，可快速运行数百亿参数的模型。形态可能是个人家庭放置的设备，也可能是律师、会计师等处理绝密数据的办公室设备，亦或是为二三十人中小企业服务的边缘服务器。这类纯粹保障私密化计算的终端形态将逐渐涌现。
综合算力强交互类、感知类、纯粹私密计算类终端共同构成了未来的终端生态，联想布局终端正是围绕这一逻辑推进。
刘湘明：你觉得个人 AI 与之前的聊天助手之间有何区别？
阿木：首先需明确，「个人 AI」 指的是 「Personalized AI」（个性化 AI），而非 「Personal AI」。当前全球领先的 AI 助手如 ChatGPT、Gemini、Grok、Meta AI、Perplexity，以及国内的豆包、元宝、DeepSeek、通义千问等，本质上都是公共产品。它们的个性化类似短视频推荐——虽内容因人而异，但仍是以商业平台为中心推送的个性化服务，最终目的服务于平台流量变现。
而个人 AI 的第一个核心特征，是以个人的立场和利益为中心。在电脑手机时代，「个人」 意味着所有权——「这是我的手机、我的电脑」。但 AI 不同，AI 不仅是工具，更是有思想的主体。其本质差异如同 「租用小猫获得短暂情绪价值」 与 「饲养一只属于自己的小猫」，或 「乘坐公共交通」 与 「拥有可按自己意志装饰改装的私家车」。平台再怎么个性化，始终以商业目的为归宿；个人 AI 则以满足个人需求为最终目标，由用户为实际获得的服务付费。若服务不满意，用户可选择不付费，这与公共平台通过补贴、广告等机制影响推荐结果有本质区别。
个人 AI 与公共 AI 的差异可归结为四个核心点：
第一，感知能力同步。个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收用户输入的、经大脑过滤后的信息。很难想象用户敢将 24 小时的视听数据托付给公共 AI，这种心理层面的信任障碍是公共 AI 无法逾越的。
第二，可信计算。个人 AI 仅将用户个人数据用于服务用户本人，这种可信不仅是隐私保护，更是基于 「拥有感」 产生的信任。正如人们更信任自己的助理而非临时访客，因为担心隐私泄露。只有确立 「这是我的」 的拥有关系，信任才能建立。
第三，专属服务连接。个人 AI 负责连接并调用外部各类生活服务、学习、娱乐、出行、教育等资源，始终以满足用户真实需求为导向。这与公共 AI 以商业价值为导向、通过高流量植入商业化内容的模式截然不同。用户对有价值的服务愿意付费，公共服务之所以免费，是因为平台需先吸引流量再进行商业转化，而非真正以用户为中心。
第四，持续演进能力。公共 AI 不会真正 「越来越像你」，用户每天需重新编写数万字提示词，AI 才会短暂理解，次日又需重复。而个人 AI 能持续接触用户记忆，根据行为习惯调整后续交互方向，甚至在未来算法本身也能进行后续训练，最终成为越来越像用户的 AI 陪伴。公共 AI 服务于全人类平均水平，与用户个体无关；而个人 AI 服务于 「独特的我」，而非平均水平。
从历史维度看，电脑最初也是公共商用产品，IBM 曾认为全球几百台计算机已足够。但最终因人人都有不同需求，演变为个人电脑 （Personal Computer）。同理，AI 也正处于从公共为主向个人转移的阶段。这种转移并非意味着公共 AI 消失——公共产品因规模效应成本低，始终存在——而是个人 AI 将逐渐崛起并加速普及。因其依托终端下沉，带给用户拥有感和驾驭感，而非虚无缥缈的软件。
刘湘明：在实现个人 AI 的过程中，有何挑战？
阿木：技术挑战主要体现在以下几个方面 （不分先后顺序）：
第一大挑战是算力承载能力。当前大模型依然是 AI 最关键的能力，因为感知环境、理解意图 （包括根据环境猜测意图）、编排任务步骤、调度其他智能体进行测试验证以寻找最优解，以及多模态处理等场景均需要大模型支持。因此，终端算力必须快速提升。这要求算力架构从以 CPU 为核心的通用计算，转变为 CPU+GPU+NPU 的异构算力平台，使不同规模的模型都能在终端有效运行；而超大规模、复杂意图的处理则需在个人云空间中完成。因此需要尽快升级高算力设备，如联想的 AI PC、AI 手机、AI 平板，使 AI 算力成为内置标配，从而将 AI 能力真正下沉。
第二大挑战是模型调度与智能体网络调度。这一挑战比模型算法和单个智能体应用更复杂。每次请求可能需要调度七八个模型在终端或云端协同工作，以最低成本、最快速度完成响应。此外，为满足某项服务需求，还需调度数百甚至上千个小型智能体，如何选择合适的智能体成为关键问题。这需要建立智能体网络调度机制。简言之，模型与智能体技术本身是挑战所在，但这不是基础科学问题，而是工程化问题——需投放市场，根据用户需求持续优化，而非仅进行理论创新。
第三大挑战是个人知识与记忆管理。当前短期记忆处理已相对成熟，但长期记忆的管理 （如何遗忘、何时抽象、何时长期保留） 更为复杂。例如，当某个意图出现时，是否应调取三个月前的对话记录或邮件往来作为参考，这涉及记忆的治理技术，非常复杂。记忆技术必须在 2026 年实现明显进阶，否则个人 AI 的个性化程度将不足。缺乏记忆的 AI 如同行尸走肉，正因拥有记忆，人才成为有血有肉的个体。此外，个人沉淀的大量数字化文档资料 （如照片、视频） 也需要进行有效处理，以便快速抽取和调取。这方面技术反而更有信心，因为许多大模型公司正在努力处理人类整体知识。
第四大挑战是体验创新。任何产品要成功引爆市场，必须找到刚性需求——非其不可、其他皆可容忍的 「Must Have」 体验。本届 CES 上，每家企业都在试图挖掘这一体验点。虽然终端形态众多，但当被问及主要用途时，部分企业无法明确回答，仅罗列多项功能。这种 「Nice to Have」 的功能无法真正驱动个人 AI 普及。因此，找准体验点并将硬件、软件、服务与大模型整合交付，围绕该体验进行聚焦而非贪多求全，极为关键。
综上所述，这些挑战均需持续研发投入方能解决。联想的布局主要包括两方面：一是研发个人超级智能体，解决感知、理解、规划、调度及个人知识记忆处理、自然交互等问题；二是进行终端研发，提升算力、改变终端形态、丰富感知方式，并实现终端之间的能力接力与协同，确保在部分终端关闭时其他设备 （如眼镜） 仍能保持服务。当终端无法承载时，还需通过个人可信云空间保障体验不中断。这些正是联想当前投资的核心方向，每个技术挑战都值得持续深入钻研。
刘湘明：手机、平板、电脑之间的串联体验确实是一个大挑战，你们是如何解决的？
阿木：当前终端操作系统呈现多元化格局：电脑端以苹果 macOS 和微软 Windows 为主导；手机端核心为谷歌 Android（海外与中国版本存在差异，但底层架构一致）；平板则存在浏览器操作系统等轻量方案；此外，各类 IoT 设备如机器人、AI 眼镜、可穿戴设备、智能戒指等均采用不同操作系统。
实现多设备互联需解决三大技术挑战：
第一，跨操作系统服务。并非将操作系统 AI 化，而是使其下沉为智能体调用的工具。类比计算机启动时的 BIOS，在 Windows 启动后 BIOS 便下沉完成底层初始化；当智能体体系建立后，操作系统同样需要下沉。唯有如此，才能在多端之间保持一致互联体验。当前各生态体系规模庞大、演进缓慢，彼此基本隔离，仅偶有合作。
第二，端云混合架构。需构建个人可信云空间 （非公共云），即每个用户专属的端到端封闭可信计算通道，数据在计算后销毁。联想去年与火山引擎合作，在中国率先落地了首个个人可信云空间，确保任何数据 （包括火山引擎、联想及其他第三方） 均无法触碰和使用，且不保存。该云环境与终端结合，可在终端不连续时实现知识迁移，将感知数据跨终端传递并延续记忆，保障体验不中断。
第三，终端近场互联。当两个终端距离仅三五米时，需通过设备直连技术实现算力共享与内容、感知信息的互通。例如，AI 眼镜的感知能力可由手机完成，眼镜负责画面采集，手机利用多模态模型理解场景 （如识别直播状态、观众增长等）。这种直连方式可解决实时性问题，消除时延，优化能耗，并由最佳终端完成计算任务，同时实现传感信息的共享。
综上，联想通过 「操作系统之上的智能体体系」、「端云架构配合」 以及 「多端近场互联」 三大手段，致力于实现终端间浑然一体、不中断的连续体验。
刘湘明：还有一个小问题。你刚也提到计算系统、操作系统下沉，意味着原先熟悉的计算环境发生了翻天覆地的变化。这其中也会有很大的机会，联想准备如何抓住这样的机会？
阿木：以个人 AI 为例，未来生态中主要存在三类企业：
第一类是整合者。首先需要回顾核心概念：个人 AI 的主权属于个人。因此，整合者需将硬件、大模型、智能体、服务连接规则与方法、安全保护机制以及各类传感技术整合起来，交付给个人用户。用户可以从手机、电脑等具备算力的终端开始使用，单纯的眼镜因算力不足无法独立承载。在个人 AI 的语境下，因其必须永远是 「你的 AI」 而非商业化机构提供的版本，整合商的角色至关重要。
第二类是服务提供者。个人 AI 若仅停留在生成层面则无意义，必须能够直接调用旅行、生活、娱乐、办公等各类服务。需要明确概念：不应称为 「开发者」 或 「APP」，因为其本质是 「service」。个人 AI 应直接完成服务交付，而非通过商业平台中转。例如，不应是 「搜索后推荐」，而应直接抓取最符合用户需求的餐厅并给出结果，否则中间平台会截留商业价值，影响个人 AI 的代表性。因此，未来每个商户、航空公司、景区、产品提供商都应成为直接服务提供者，个人 AI 可根据其服务描述直接调用，将最匹配的服务推送给用户。application 是流量经济的语言，在个人 AI 时代已不适用——因为个人 AI 的核心是服务本身，而非流量。
第三类是能力保障层。包括大模型提供商、感知器件供应商、GPU 算力提供商、安全技术环境提供商等。他们不直接接触客户，但为整个体系提供基础能力支撑。
明确这一分层架构后，可以回答联想的定位：联想扮演的是整合者角色。负责将设备、各类能力 （算力、传感、感知等） 整合为成本可控的终端设备，嵌入个人超级智能体以及服务连接的标准与规则，最终完成交付。
整合者角色并非联想独有。众多终端+应用类公司以及公共 AI 提供商都在进入该领域。目前几乎没有不涉足硬件的大模型公司，因其发现要触达个人用户必须完成整合交付。但公共 AI 厂商面临一大挑战：其原有商业模式依赖流量变现和广告，用户会质疑其是否能始终代表用户利益。初期尝鲜尚可，但深度使用时用户会担忧 AI 究竟代表用户、商户还是平台利益，可信度成为关键障碍。
服务层呈现两类格局：一类是三年前开始创业的原生智能体公司，其天生就提供直接服务，但为提升销售可行性也在推出终端产品；另一类是传统 APP 开发者，目前出现巨大分裂——部分固守原有流量模式，因智能体冲击而损失严重；另一部分尝试改造，但改造后封闭性较强，不允许被外部 AI 调用，仍在转型过程中。
联想在服务层主要扮演连接角色，制定调用标准协议和分成结算机制。结算逻辑是用户为服务付费后，服务提供者向联想支付费用，而非联想代付。计费依据是实际服务交付而非调用次数。在能力层，联想主要采取合作模式，与英伟达、英特尔、AMD、微软、高通等算力提供商，以及国内外大模型厂商建立深度合作关系。
刘湘明：那你觉得 FIFA 是哪一类呢？
阿木：FIFA 属于中间的服务层，直接提供服务——即足球赛事服务。未来还有一类可探索的模式：背后的俱乐部乃至球员本身也可能成为直接的服务层。
足球的真正粉丝 （而非普通看客） 通常会对某个俱乐部、国家队或特定球星保持长期忠诚，甚至可能对国家无感，唯独钟情于个别球员。因此，服务提供者未必仅限于 FIFA 这类大型机构，每个球员都有可能成为直接服务节点。
届时，球员可直接与个人 AI 建立联系，但前提是需要对自身进行准确地描述与呈现。目前这一环节尚属空白。联想开发的 football AI 之所以能深度挖掘、分析并评析每支球队和每名球员，背后是与球队及 FIFA 合作完成了大量的数据整理工作，从而使 football AI 具备极强的纵深理解能力，能够精准把握每位球员在每场比赛中的状态。
刘湘明：听说联想的个人 AI 目标今年是从 「助手」 升级为 「队友」，这个 「队友」 能具体帮我做什么现在 「助手」 做不到的事？
阿木：「队友」 是一个拟人化比喻，指 AI 作为协作伙伴与人共同完成某项事务——可能是一个专题、项目、工作任务或生活需求。
当前能力主要体现在以下三个层面：
第一，情景感知。AI 能够感知用户当前经历和未来意图，理解 「context」（情境） 而非仅处理用户输入。例如，当用户晚上 8 点 48 分打开拯救者电脑，AI 能判断其准备进入游戏状态；当发现用户在游戏过程中暂停并陷入思考，AI 可识别其正在反思战术策略或与其他队友讨论。目前情景感知主要在电脑、手机、平板等数字设备中实现，未来随着陪伴式设备和机器人普及，将扩展至物理世界的情境感知。
第二，主动服务。在感知情境后，AI 能够主动推荐、主动服务，无需用户召唤即可介入，直接生成结果。这种主动性体现为 「我知道你正在经历什么，因此我来主动改变你的状态、提供服务」。
第三，直接执行。AI 不再仅提供执行建议，而是直接完成任务闭环。诸如 Atlas、Comet（Perplexity 旗下产品） 以及豆包手机助手等，已实现基于用户意图直接完成任务。虽然用户操作看似简单，但其背后运用了复杂的技术组合。目前在工作、学习等场景中，「队友」 已能直接生成最终结果 （如营销人员直接生成并发布小红书内容），而非甩给用户自行处理。这种担当意味着 AI 需花费数分钟甚至更长时间进行深度研究、反复推理、计算试错，最终交付成果。
总结而言，「队友」 的核心特质在于：知晓你的状态并为你所急、无需召唤主动服务、担当责任而非仅提供建议。
刘湘明：在生态方面，未来联想和生态伙伴的合作方式会不会有一些变化？
阿木：联想与生态合作存在 「一个不变」 与 「一个变化」：
不变的是，联想一贯从用户角度出发思考产品，并据此规划产业链角色与协同方式。联想内部通过战略研讨、战略论证和产品规划，始终遵循这一逻辑。这里的 「用户角度」 并非简单等同于 「用户需求」——客户或许只能想到 「跑得快需要好鞋」，却想不到 「其实可以骑自行车」。因此，站在客户立场定义好产品后坚持开放合作，这是不变的。
变化的是，合作形态从成熟商务模式转向共创迭代。传统成熟市场的合作通常是对接、签合同、分钱，但 AI 领域的场景创新与产品创新尚不稳定清晰，需要不断试错，甚至硬件方向也可能在半年一年后调整放弃。因此，必须与服务提供商、能力提供者开展大量共创，这与传统的成熟开放合作模式有本质不同。
服务共创层面，联想与中国本土平台 「什么值得买」、腾讯视频等合作智能体服务连接。当用户意图明确指向其内容为最佳选择时，个人 AI 会调用这些服务，但是否调用、何时调用完全由个人 AI 根据用户意图决定，而非由联想进行排序干预。
算力共创层面，联想与高通、Intel、AMD、英伟达等算力提供商开展深度合作，针对智能体运算需求进行大量算力适配，目标是降低算力依赖、降低成本、降低能耗，尤其要在手机和平板上实现不影响续航的终端 AI 运算。各方需共同测试后上线，再根据用户反馈和实际使用情况，持续优化芯片内部算法及算子库，不断迭代。这一合作模式已持续三四年。
总体而言，这是一种开放与共创的做法。
刘湘明：之前你说服务商需要进行搜索引擎优化，在智能时代，是不是就要对智能助手进行优化？
阿木：需要首先明确的是，这里讨论的不是 「助手」，也不是以商业平台为核心、以流量变现为目的的公共 AI。前面所讨论的个人 AI，是指代表个人立场、以个人利益为中心的 AI。理清这一概念至关重要，因为部分观众可能未观看前面的内容。在这一背景下，我们再来看刚才的问题。
关于个人 AI 的优化，严格来说其主要优化来源在于个人自身。商业机构如联想需要持续引进和升级的有两个方面：
主要优化来自用户侧：基于个人知识、个人记忆以及个人所处的感知环境进行优化。这部分联想无法干预，因为这些数据和环境情景均属于用户个人。交付给用户后，联想无法接触这些数据，否则将违背个人 AI 的本质。因此，使用越多，AI 越像用户本人，越了解其喜好和期待。用户只需简单操作 （如连续点击 「不要了」），AI 便能学习并调整，这是基于个人使用和数据记忆的优化。
需要持续优化的两个方面：
一是算力。个人无法自行打开芯片进行修改，因此需要联想持续与芯片厂商合作优化。
二是模型升级。当前模型迭代并未放缓，原生多模态、世界模型、小型化等技术快速发展，开源模型进步迅速，且出现了许多在特定专业领域表现优异的专用模型。例如，银行从业者可能需要金融领域的专业模型，其生活与工作可能高度聚焦于该领域。因此，引入最适合个人 AI 的模型，以及能够承载对应智能体运算的算力，需要联想持续与大模型厂商、云厂商和算力提供商合作。
新增优化点：从去年开始，可信安全成为新的优化重点。传统安全 （应用安全、设备安全、内容安全） 已讨论成熟，当前更关注智能体安全、智能体网络安全、大模型推理计算过程的安全，以及授权后调用 APP 过程中未被 「下毒」 的安全。例如，被恶意干扰后可能出现执行结果偏差 （如将红色变为黑色）。这些新的 AI 安全体系是个人 AI 可信的前提条件，需要持续迭代优化，而这是个人无法做到的。
刘湘明：除了个人 AI 之外，联想有一半的业务来自企业级。在企业级 AI 方面，联想有何战略，包括个人 AI 和企业级 AI 在企业的部署，需要做好哪些准备工作？
阿木：首先需要说明的是，尽管名为 「CES」（消费者电子展），但当前展区内容已远超出消费级范畴。现场展出了大量企业级 （Enterprise） 产品，涵盖汽车、挖掘机 （如卡特彼勒）、农业解决方案等各类工业领域。展会内涵已远超 「Consumer Electronics」 的命名范畴，「C」 字母实际上已名不副实。如今，探讨企业级应用已成为 CES 的核心主题。
在企业展区中，绝大多数展示内容都围绕 AI 在企业环境中的应用展开，范围从城市治理到中小企业、SOHO 办公乃至门店管理。AI 在企业中的渗透恰逢其时：三年前 AI 成本高昂，企业难以接触；前两年 AI 仅能用于内容生成，无法投入实际生产，且存在幻觉等问题。但 2025 年以来，随着开源模型将成本降至极低水平，模型推理能力也显著增强，AI 已能在企业内部执行某些流程并达到可接受的水平 （人类本身也会犯错，只要 AI 表现略优于人工且无需培训即可使用）。
因此，自 2025 年起，企业开始在流程中真正应用基于大模型的智能体 （Agent AI），但当前应用仍主要集中在生成环节，如生成海报、文档、会议纪要、工厂操作手册，或基于故障知识库诊断问题。这些本质上都是 「生成」 行为——根据提问从海量知识库中匹配最相关答案。虽然已开始认真使用，但应用深度有限。
AI 要在企业内部真正创造价值、转化为生产力，必须重构业务流程。生产力决定生产关系，而在企业内部，生产关系体现为流程——规范员工权限分配与执行顺序的体系。
因此，AI 在企业内部深度落地需完成三项准备：
第一，升级数字化底座。将原有数字化平台升级为 AI 平台，构建包含大模型平台、智能体开发运行平台、知识管理平台、GPU 推理算力管理平台以及可信计算平台的完整 AI 基础设施。调研显示，61% 的企业尚未建立 AI 底座，仅 39% 开始建设。因此，无论发布会展示多么炫目，企业首先需完成基础设施升级，智能体 AI 才能落地。
第二，重构企业内部流程。当前 CES 展示的许多企业 AI 方案无法在真实企业中落地，因其无法嵌入现有流程。传统流程是线性步骤 （1-2-3-4-5），引入 AI 后可能变为 1-5（跳过中间环节），甚至将步骤并列执行。例如，产品研发传统流程为 「研发→测试→报告→上市」，引入测试智能体后，研发第一天即可同步启动测试，实时预警散热、老化、电磁干扰等问题，实现研发与测试并行。若流程不变，仅增加测试智能体，除增加成本外价值有限，员工与流程均未改变。只有重构流程，让研发人员直接使用测试智能体 （而非测试人员使用），才能实现根本变革。企业需由业务负责人牵头，逐一梳理在具备自主编排执行能力的智能体支持下，流程应如何重塑。
第三，人才培养。企业普遍缺乏能熟练使用 AI 的人才。仅少数因使用个人 AI 而有经验的员工能在企业环境中应用，绝大多数员工未做好准备。这如同 2000 年时 PPT 技能成为入职门槛，AI 协作能力将成为新的基础要求——员工需学会与智能体共处，将其视为队友，容忍其错误并耐心调教，使其在流程执行中变得可靠贴心。但基层员工通常缺乏管理技能 （中层管理人员因长期带团队而具备调教能力），容易产生抱怨与恐惧情绪 （如担心被替代），进而导致 「AI 不准」 的负面评价。实际上，新员工也需三个月试用期培训，智能体同样需要培养过程。
2026 年调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训。
其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层员工改变，因为中层管理人员若不变革，其仍按原有流程管理，一句 「研发完再测试」 便将优化努力全盘否定。只有当中层管理人员提升 AI 素养后，才能带领团队实现真正的转变。
刘湘明：最后一个问题，联想自身也用了很久 AI 了，在这些过程中，踩过哪些坑？有哪些经验可以与大家分享的？
阿木：联想的 AI 战略可追溯至 2017 年，当时全球仍在讨论数字化转型，企业普遍投入大数据平台并热衷于建设可视化大屏。联想在当时已率先推动智能化转型，探索如何运用 AI 算法挖掘数据价值，实现预测、预警、推理规律乃至为产品规划提供决策建议。历经八年多迭代，擎天平台已从 1.0 的敏捷化、2.0 的判别式 AI，发展到 3.0 引入生成式 AI，并于 2024 年在 4.0 版本中融入智能体 AI。长期以来，联想持续在不同业务领域验证 AI 价值，以业务数据 （收入提升、成本降低、周转加速、客户满意度与忠诚度改善、粉丝增长） 证明技术有效性，因为企业真正关心的是技术背后的商业价值。
实践路径遵循主价值链优先原则。联想率先在供应链领域应用 AI——因其数据量最为庞大且复杂，涉及数千个组件、数十家工厂及面向 180 多个国家和地区的 48 小时交付，海量数据无法靠人力处理。随后在营销、销售、售后服务等环节推广，最后才应用于员工层面。值得注意的是，许多企业优先选择员工场景切入，但这属于辅助价值链，创造的价值极其有限。供应链成本节约直接转化为利润，而员工工作时间节省一小时仅相当于增加一小时刷短视频时间，并未带来实际成本节约。因此，应在主价值链应用 AI，若技术不成熟宁可等待，切勿将精力浪费在邮件生成、纪要自动生成等辅助功能上。智能体之间若可直接对话，纪要本身已无必要。
企业应用 AI 需规避三大陷阱：
陷阱一：误入辅助价值链。每个企业都有核心价值链，若 AI 应用未作用于主价值链，价值微乎其微。真正的目标应是让智能体直接完成任务，而非生成仅供人阅读的建议。
陷阱二：预算先行而非 POC 验证。企业内部立项通常要求先明确价值再批预算，但当前无人确切知晓 AI 在特定企业的价值空间，仅确信其价值必然存在。正确做法是先进行 3-6 个月的 POC 测试，在此期间完善知识库、培训员工、优化流程。待验证真实价值后再立项投资并规模化复制，而非沿用传统 IT 项目的预算审批模式。
陷阱三：基础设施投资不足。企业宁可采购一体机供百人使用，也不愿升级数据中心，因其认为固定资产投入无法回收。然而，AI 底座升级是一项战略性投资，周期为 3—5 年，绝非 IT 部门预算可决定的课题。正如 2000 年 ERP 系统的 「上 ERP 找死，不上 ERP 等死」 困境，与等死相比，寻死尚可向死而生。此类投资必须由 CEO、董事长或总裁自上而下战略批复，不能按单个智能体项目零星投入。这是从数字平台到 AI 底座的突变式升级，而非渐进改良。部分前瞻企业已直接将收入的千分之几甚至百分之几 （如金融公司） 专项投入基础设施建设，再寻找应用场景，因其属于固定资产投入，不会全额冲减当年利润。
刘湘明：谢谢你今天的分享。
（本文首发于钛媒体 APP）
在 2026 年 CES（国际消费电子展） 现场，科技行业对 AI 的讨论已从单一技术概念转向场景化落地的深度探索。联想集团副总裁、中国区战略及业务拓展副总裁阿不力克木·阿不力米提 （以下简称 「阿木」） 在与钛媒体集团联合创始人、联席 CEO 刘湘明的对话中，系统拆解了 AI 技术演进的核心逻辑、终端融合的必然趋势，以及个人 AI 与企业级 AI 的落地路径。这场对话不仅勾勒出联想在 AI 时代的战略布局，更揭示了全球 AI 产业从公共服务向个人专属、从消费级应用向企业级渗透的关键变革。
正如阿木所言——AI 带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机，这种重构正在终端形态、商业生态和企业运营三个维度同步发生。
AI 算力与模型驱动终端生态重构
回顾科技产业发展历程，每一次技术革命的深化都离不开底层算力与上层应用的协同进化。AI 产业的发展同样遵循这一逻辑，呈现出算力与模型双螺旋上升的演进态势，并由此催生终端形态的根本性变革。IDC 最新发布的 《2026 年全球 AI 算力市场报告》 显示，全球 AI 算力市场规模预计在 2026 年达到 1152 亿美元，同比增长 42.8%，远超传统通用计算市场的增长速度，印证了阿木关于 「AI 算力进入比摩尔定律更快迭代周期」 的判断。
与此同时，模型小型化技术的快速发展正在打破 「参数规模决定性能」 的固有认知，「许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的模型，如今 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。」 阿木指出。这种小型化趋势为 AI 的终端下沉提供了关键支撑，因为真正落地到个人和企业时，模型必须具备快速、可靠、稳定、无时延的特性，并在可接受成本下持续提供服务。
从技术演进的底层逻辑来看，AI 与终端的融合是解决公共 AI 两大核心痛点的必然选择。一方面，公共 AI 产品的个人化或企业专属化属性不足，其通用算法无法处理个人隐私数据或企业专属数据，也无法根据特定需求演进；另一方面，公共 AI 缺乏持续感知环境变化的能力，无法捕捉物理世界瞬息万变的信息并做出实时响应。而终端作为连接数字世界与物理世界的桥梁，既能承载个人与企业的专属数据，又能通过各类传感器采集环境信息，为 AI 的个性化与场景化落地提供关键支撑。
算力与模型的协同进化催生两大核心趋势：智能体崛起与终端创新。基于这一逻辑，未来终端生态将呈现三大类形态：一是存量终端升级，通过增强智能计算能力和丰富感知方式，将传统电脑、手机、平板等升级为 AI 终端；二是感知为主、轻交互的新型终端，以 AI 眼镜为代表，实现 24 小时不间断环境感知；三是边缘计算终端，专注于私密化计算，可快速运行数百亿参数的模型，为个人和中小企业提供安全可控的 AI 算力支持。这三类终端共同构成了 AI 落地的核心载体，也成为联想等终端厂商的战略布局重点。
个人 AI 崛起：从公共服务到专属价值的范式重构
个人 AI 的崛起标志着 AI 服务从 「平台中心」 向 「用户中心」 的范式转移。
在对话中，阿木表示，个人 AI 与公共 AI 存在本质差异：以用户立场为核心，具备全场景感知、可信计算、专属服务连接与持续演进四大特征。
一是感知能力同步，个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收经大脑过滤后的输入信息，这种全场景感知能力是公共 AI 无法实现的，因为用户难以将 24 小时的视听数据托付给公共平台；二是可信计算，个人 AI 仅将用户数据用于服务本人，基于 「拥有感」 建立的信任关系，解决了公共 AI 的隐私泄露风险；三是专属服务连接，个人 AI 直接调用各类生活与工作服务，以满足用户真实需求为导向，摆脱了公共 AI 的商业化植入模式；四是持续演进能力，个人 AI 通过持续积累用户记忆，不断调整交互方向，最终成为 「越来越像用户」 的专属陪伴，而公共 AI 则始终服务于全人类的平均水平，无法实现真正的个性化演进。
从场景角度出发，公共 AI 的个性化类似短视频推荐，服务于平台流量变现；而个人 AI 如同 「专属私家车」，通过终端载体实现数据隐私可控、服务精准匹配，解决公共 AI 的信任与体验痛点。
在阿木看来，个人 AI 落地面临四大技术挑战：异构算力平台构建、多模型与智能体调度、长期记忆管理、核心体验创新。联想提出的 「队友」 式个人 AI，通过情景感知、主动服务、直接执行三大能力，重构交互逻辑——如游戏场景主动优化性能、营销场景完成内容全流程发布。
多设备互联是 「队友」 式体验的核心支撑。联想通过三大手段突破跨系统壁垒：构建操作系统之上的智能体体系、打造个人可信云空间、实现终端近场互联。
企业级 AI落地仍面临三大挑战
企业级 AI 落地需完成基础设施、流程、人才三大协同准备。其一，升级数字化底座为完整 AI 基础设施，包含大模型平台、智能体运行平台等；其二，重构业务流程，将传统线性流程转为并行动态模式；其三，培养 AI 人才，中层管理人员是关键。
而在阿木看来，人才培养是三个之中最为重要的一个，「我们在 2026 年的调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训，」 阿木进一步指出，「其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层。」
联想自身智能化转型路径为行业提供参考：遵循 「主价值链优先」 原则，率先在供应链领域应用 AI，实现成本降低与周转效率提升，再向营销、售后等环节推广。对比之下，优先切入员工辅助场景的企业，AI 价值转化有限。同时，企业需规避三大陷阱：误入辅助价值链、预算先行而非 POC 验证、基础设施投资不足。
AI 时代的核心竞争力在于 「整合与落地」。2026 年是 AI 从概念走向落地的关键节点，行业竞争焦点已从技术参数转向场景价值。企业需明确生态定位，通过基础设施、流程、人才协同推进转型；用户将迎来更个性化、更安全的服务体验。未来，把握趋势、深耕落地的企业，将成为智能时代的最终赢家。
精彩内容时间轴
00:01:21 AI 算力进入比摩尔定律更快迭代周期
00:07:24 AI 算法与终端结合过程中的两个挑战
00:12:00 AI+终端的三个类型
00:14:31 个人 AI 与聊天助手的区别
00:23:22 个人 AI 落地过程中的四大挑战
00:29:59 多设备互联面对三大技术挑战
00:34:41 未来 AI 生态存在的企业类型
00:44:45 从 「助手」 到 「队友」，个人 AI 的能力升级
00:48:54 联想生态的 「变与不变」
00:55:34 企业部署 AI 需要的三个准备工作
01:03:07 联想落地 AI 的经验与需要规避的三大陷阱
以下为对话实录，经整理：
刘湘明：从你的角度，分析一下未来 AI 的发展趋势如何？
阿木：正如 20 多年前讨论互联网趋势一样，AI 同样充满一切可能。除了去年以来大家讨论的投资价值与 AI 发展速度是否会改变之外，AI 本身带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机。
若将其解构，可分为两个方面。首先，谈谈人工智能作为技术本身的发展走向。
最底层是近期讨论较多的算力层面。从最初的 CPU 通用计算，发展到以人工智能神经网络为主要算法架构的并行计算，即 GPU 计算。AI 算力已进入比摩尔定律更快的迭代周期，目前完全没有放慢节奏，且在全球范围内形成了多个不同主体快速推进的局面，包括美国公司和中国芯片厂商都在快速进步。我认为 AI 算力的技术升级还将持续一段时间。
第二层是在算力之上运行各种大模型的算法，包括训练与推理两个方向，即构建大模型和应用大模型。目前，构建大模型方面正从文本为主向语音、视频拓展，2026 年将进入原生多模态创新成熟期。同时，为推动物理 AI 快速进入生产生活，与物理 AI 相关的世界模型也在快速探索中。此外，模型小型化技术发展非常迅速，真正落地到个人和企业时，模型需快速、可靠、稳定、无时延，并在可接受成本下持续提供服务。因此，模型小型化技术可能比超大规模模型创新更值得关注。许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的，现在 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。这一节奏同样非常快。
在应用大模型方面，后训练技术从强化学习到各类后训练方法正从少数大模型公司下沉至更多非 AI 公司，使其能够自主操作和执行，越来越工程化、越来越可落地。这些应用技术的创新也将快速进展。算力和模型这两个层面的技术变化叠加起来，形成了双螺旋结构，以比摩尔定律更快的节奏进化。
在此之上催生了两个新的 AI 趋势。一是向智能体方向发展，这是数字世界中的创新。从最初的问答工具到丰富的内容生成，再到可进行任务编排和自主执行的数字智能体，变化非常迅速，既包括个人使用，也包括企业应用。
另一个趋势是终端创新。终端不仅包括电脑、手机、平板，还包括大量正在催生的原生终端设备。今天媒体进行的很多直播都涉及这些内容，如 AI 眼镜、穿戴设备、陪伴型设备，以及为使算力更接近使用场景而出现的超强算力盒子等本地化运算设备。这些都是 AI 真正催生的新形态。更大规模的包括各类机器人，无论是人形机器人、运动仿生机器人，还是自动驾驶车辆，都属于机器人范畴。总体来看，终端正在发生演变。终端演变与智能体演变相融合，将在众多场景中催生出新的产品形态。
今天我详细参观了展区，明显感觉到很多地方在介绍 AI 时几乎不再单独介绍算法，而是将模型与某种形态的终端产品结合、嵌入、内置，用以改变传统终端体验或创造新的终端。今年的这一感受非常强烈。
刘湘明：AI 对硬件影响很大，联想作为终端公司，在 AI 时代，有哪些新的可能性？
阿木：自 2022 年 11 月 ChatGPT 首次带来生成式体验产品、GPT 大模型展现涌现能力以来，至今绝大多数不依赖终端的 AI 均为公共服务产品。这类公共服务由具备超强生成能力的模型为所有人提供标准化服务，当时并未催生出专门用于体验 ChatGPT、豆包、元宝或 Gemini 等产品的新型终端。
然而从去年起，AI 算法开始与终端紧密结合，这源于两大新趋势带来的挑战：
第一大挑战是公共 AI 产品的个人化或企业专属化属性不足。其算法为通用算法，所接触的数据既非隐私数据，也非企业专属数据；且无法根据个人或企业需求演进，迭代节奏完全取决于服务商所使用的互联网数据及其优化方向 （如变得更 「温柔」 或更 「刻板」），与个人和企业无关。因此，要让大模型算法真正接触、处理并使用个人私密数据或企业内部数据，就必须下沉到个人和企业层面，而其下沉路径显然需要与终端结合、嵌入终端内部才能实现。
第二大挑战在于持续感知环境变化的能力。AI 不能仅依赖键盘输入或语音提供的语言信息，还需感知环境信息——温度、冷热变化、移动速度、路过人群、前方画面、海报、演讲者的表情神态变化，乃至企业工厂生产作业环境中突发的事故等。这些物理世界瞬息万变的信息必须与终端结合，因为只有终端才能将感知能力带入该环境并采集所需的信息素材，供 AI 理解、感知并最终响应。
综上，无论是接触个人/企业知识数据，还是理解其所处环境并做出针对性、独一无二的快速理解、规划、编排与执行，都需要将公共 AI 向个人 AI 乃至企业 AI 下沉。这一趋势自去年已开始显现：大量企业采用开源模型进行私有化部署，终端也越来越多地将 AI 算法嵌入内置。例如许多显示器在驱动主板中内嵌芯片，可实时进行画面处理、色彩补偿、运动补偿等运算，直接在终端内完成。因此，要实现 AI 的无所不在及个性化，必须与终端结合，这是背后的根本逻辑。
基于这一逻辑，终端结合将呈现三大类形态：
第一类是存量终端升级。包括电脑、手机、平板、电视、汽车等存在已久的产品形态，其算力感知交互能力已非常成熟。只需将通用计算能力增强为智能计算能力，将感知从简单的触控或运动感知扩展为更丰富的感知，或使电脑除键盘鼠标外还能实现感知与跟踪，即可升级为 AI 终端，让 AI 落地并创造新价值。
第二类是感知为主、轻交互的新型终端。目前最受关注的是 AI 眼镜——虽无强大算力，但在环境感知和快速交互方面远优于手机电脑等笨重设备，且可实现 24 小时不间断感知 （除非摘下）。这类终端替用户观察所见一切，与 AI 结合更侧重于感知与交互。
第三类是边缘计算终端。这类终端恰恰不具备感知交互功能，而是出现不带显示、不带互动但算力极强的产品，可快速运行数百亿参数的模型。形态可能是个人家庭放置的设备，也可能是律师、会计师等处理绝密数据的办公室设备，亦或是为二三十人中小企业服务的边缘服务器。这类纯粹保障私密化计算的终端形态将逐渐涌现。
综合算力强交互类、感知类、纯粹私密计算类终端共同构成了未来的终端生态，联想布局终端正是围绕这一逻辑推进。
刘湘明：你觉得个人 AI 与之前的聊天助手之间有何区别？
阿木：首先需明确，「个人 AI」 指的是 「Personalized AI」（个性化 AI），而非 「Personal AI」。当前全球领先的 AI 助手如 ChatGPT、Gemini、Grok、Meta AI、Perplexity，以及国内的豆包、元宝、DeepSeek、通义千问等，本质上都是公共产品。它们的个性化类似短视频推荐——虽内容因人而异，但仍是以商业平台为中心推送的个性化服务，最终目的服务于平台流量变现。
而个人 AI 的第一个核心特征，是以个人的立场和利益为中心。在电脑手机时代，「个人」 意味着所有权——「这是我的手机、我的电脑」。但 AI 不同，AI 不仅是工具，更是有思想的主体。其本质差异如同 「租用小猫获得短暂情绪价值」 与 「饲养一只属于自己的小猫」，或 「乘坐公共交通」 与 「拥有可按自己意志装饰改装的私家车」。平台再怎么个性化，始终以商业目的为归宿；个人 AI 则以满足个人需求为最终目标，由用户为实际获得的服务付费。若服务不满意，用户可选择不付费，这与公共平台通过补贴、广告等机制影响推荐结果有本质区别。
个人 AI 与公共 AI 的差异可归结为四个核心点：
第一，感知能力同步。个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收用户输入的、经大脑过滤后的信息。很难想象用户敢将 24 小时的视听数据托付给公共 AI，这种心理层面的信任障碍是公共 AI 无法逾越的。
第二，可信计算。个人 AI 仅将用户个人数据用于服务用户本人，这种可信不仅是隐私保护，更是基于 「拥有感」 产生的信任。正如人们更信任自己的助理而非临时访客，因为担心隐私泄露。只有确立 「这是我的」 的拥有关系，信任才能建立。
第三，专属服务连接。个人 AI 负责连接并调用外部各类生活服务、学习、娱乐、出行、教育等资源，始终以满足用户真实需求为导向。这与公共 AI 以商业价值为导向、通过高流量植入商业化内容的模式截然不同。用户对有价值的服务愿意付费，公共服务之所以免费，是因为平台需先吸引流量再进行商业转化，而非真正以用户为中心。
第四，持续演进能力。公共 AI 不会真正 「越来越像你」，用户每天需重新编写数万字提示词，AI 才会短暂理解，次日又需重复。而个人 AI 能持续接触用户记忆，根据行为习惯调整后续交互方向，甚至在未来算法本身也能进行后续训练，最终成为越来越像用户的 AI 陪伴。公共 AI 服务于全人类平均水平，与用户个体无关；而个人 AI 服务于 「独特的我」，而非平均水平。
从历史维度看，电脑最初也是公共商用产品，IBM 曾认为全球几百台计算机已足够。但最终因人人都有不同需求，演变为个人电脑 （Personal Computer）。同理，AI 也正处于从公共为主向个人转移的阶段。这种转移并非意味着公共 AI 消失——公共产品因规模效应成本低，始终存在——而是个人 AI 将逐渐崛起并加速普及。因其依托终端下沉，带给用户拥有感和驾驭感，而非虚无缥缈的软件。
刘湘明：在实现个人 AI 的过程中，有何挑战？
阿木：技术挑战主要体现在以下几个方面 （不分先后顺序）：
第一大挑战是算力承载能力。当前大模型依然是 AI 最关键的能力，因为感知环境、理解意图 （包括根据环境猜测意图）、编排任务步骤、调度其他智能体进行测试验证以寻找最优解，以及多模态处理等场景均需要大模型支持。因此，终端算力必须快速提升。这要求算力架构从以 CPU 为核心的通用计算，转变为 CPU+GPU+NPU 的异构算力平台，使不同规模的模型都能在终端有效运行；而超大规模、复杂意图的处理则需在个人云空间中完成。因此需要尽快升级高算力设备，如联想的 AI PC、AI 手机、AI 平板，使 AI 算力成为内置标配，从而将 AI 能力真正下沉。
第二大挑战是模型调度与智能体网络调度。这一挑战比模型算法和单个智能体应用更复杂。每次请求可能需要调度七八个模型在终端或云端协同工作，以最低成本、最快速度完成响应。此外，为满足某项服务需求，还需调度数百甚至上千个小型智能体，如何选择合适的智能体成为关键问题。这需要建立智能体网络调度机制。简言之，模型与智能体技术本身是挑战所在，但这不是基础科学问题，而是工程化问题——需投放市场，根据用户需求持续优化，而非仅进行理论创新。
第三大挑战是个人知识与记忆管理。当前短期记忆处理已相对成熟，但长期记忆的管理 （如何遗忘、何时抽象、何时长期保留） 更为复杂。例如，当某个意图出现时，是否应调取三个月前的对话记录或邮件往来作为参考，这涉及记忆的治理技术，非常复杂。记忆技术必须在 2026 年实现明显进阶，否则个人 AI 的个性化程度将不足。缺乏记忆的 AI 如同行尸走肉，正因拥有记忆，人才成为有血有肉的个体。此外，个人沉淀的大量数字化文档资料 （如照片、视频） 也需要进行有效处理，以便快速抽取和调取。这方面技术反而更有信心，因为许多大模型公司正在努力处理人类整体知识。
第四大挑战是体验创新。任何产品要成功引爆市场，必须找到刚性需求——非其不可、其他皆可容忍的 「Must Have」 体验。本届 CES 上，每家企业都在试图挖掘这一体验点。虽然终端形态众多，但当被问及主要用途时，部分企业无法明确回答，仅罗列多项功能。这种 「Nice to Have」 的功能无法真正驱动个人 AI 普及。因此，找准体验点并将硬件、软件、服务与大模型整合交付，围绕该体验进行聚焦而非贪多求全，极为关键。
综上所述，这些挑战均需持续研发投入方能解决。联想的布局主要包括两方面：一是研发个人超级智能体，解决感知、理解、规划、调度及个人知识记忆处理、自然交互等问题；二是进行终端研发，提升算力、改变终端形态、丰富感知方式，并实现终端之间的能力接力与协同，确保在部分终端关闭时其他设备 （如眼镜） 仍能保持服务。当终端无法承载时，还需通过个人可信云空间保障体验不中断。这些正是联想当前投资的核心方向，每个技术挑战都值得持续深入钻研。
刘湘明：手机、平板、电脑之间的串联体验确实是一个大挑战，你们是如何解决的？
阿木：当前终端操作系统呈现多元化格局：电脑端以苹果 macOS 和微软 Windows 为主导；手机端核心为谷歌 Android（海外与中国版本存在差异，但底层架构一致）；平板则存在浏览器操作系统等轻量方案；此外，各类 IoT 设备如机器人、AI 眼镜、可穿戴设备、智能戒指等均采用不同操作系统。
实现多设备互联需解决三大技术挑战：
第一，跨操作系统服务。并非将操作系统 AI 化，而是使其下沉为智能体调用的工具。类比计算机启动时的 BIOS，在 Windows 启动后 BIOS 便下沉完成底层初始化；当智能体体系建立后，操作系统同样需要下沉。唯有如此，才能在多端之间保持一致互联体验。当前各生态体系规模庞大、演进缓慢，彼此基本隔离，仅偶有合作。
第二，端云混合架构。需构建个人可信云空间 （非公共云），即每个用户专属的端到端封闭可信计算通道，数据在计算后销毁。联想去年与火山引擎合作，在中国率先落地了首个个人可信云空间，确保任何数据 （包括火山引擎、联想及其他第三方） 均无法触碰和使用，且不保存。该云环境与终端结合，可在终端不连续时实现知识迁移，将感知数据跨终端传递并延续记忆，保障体验不中断。
第三，终端近场互联。当两个终端距离仅三五米时，需通过设备直连技术实现算力共享与内容、感知信息的互通。例如，AI 眼镜的感知能力可由手机完成，眼镜负责画面采集，手机利用多模态模型理解场景 （如识别直播状态、观众增长等）。这种直连方式可解决实时性问题，消除时延，优化能耗，并由最佳终端完成计算任务，同时实现传感信息的共享。
综上，联想通过 「操作系统之上的智能体体系」、「端云架构配合」 以及 「多端近场互联」 三大手段，致力于实现终端间浑然一体、不中断的连续体验。
刘湘明：还有一个小问题。你刚也提到计算系统、操作系统下沉，意味着原先熟悉的计算环境发生了翻天覆地的变化。这其中也会有很大的机会，联想准备如何抓住这样的机会？
阿木：以个人 AI 为例，未来生态中主要存在三类企业：
第一类是整合者。首先需要回顾核心概念：个人 AI 的主权属于个人。因此，整合者需将硬件、大模型、智能体、服务连接规则与方法、安全保护机制以及各类传感技术整合起来，交付给个人用户。用户可以从手机、电脑等具备算力的终端开始使用，单纯的眼镜因算力不足无法独立承载。在个人 AI 的语境下，因其必须永远是 「你的 AI」 而非商业化机构提供的版本，整合商的角色至关重要。
第二类是服务提供者。个人 AI 若仅停留在生成层面则无意义，必须能够直接调用旅行、生活、娱乐、办公等各类服务。需要明确概念：不应称为 「开发者」 或 「APP」，因为其本质是 「service」。个人 AI 应直接完成服务交付，而非通过商业平台中转。例如，不应是 「搜索后推荐」，而应直接抓取最符合用户需求的餐厅并给出结果，否则中间平台会截留商业价值，影响个人 AI 的代表性。因此，未来每个商户、航空公司、景区、产品提供商都应成为直接服务提供者，个人 AI 可根据其服务描述直接调用，将最匹配的服务推送给用户。application 是流量经济的语言，在个人 AI 时代已不适用——因为个人 AI 的核心是服务本身，而非流量。
第三类是能力保障层。包括大模型提供商、感知器件供应商、GPU 算力提供商、安全技术环境提供商等。他们不直接接触客户，但为整个体系提供基础能力支撑。
明确这一分层架构后，可以回答联想的定位：联想扮演的是整合者角色。负责将设备、各类能力 （算力、传感、感知等） 整合为成本可控的终端设备，嵌入个人超级智能体以及服务连接的标准与规则，最终完成交付。
整合者角色并非联想独有。众多终端+应用类公司以及公共 AI 提供商都在进入该领域。目前几乎没有不涉足硬件的大模型公司，因其发现要触达个人用户必须完成整合交付。但公共 AI 厂商面临一大挑战：其原有商业模式依赖流量变现和广告，用户会质疑其是否能始终代表用户利益。初期尝鲜尚可，但深度使用时用户会担忧 AI 究竟代表用户、商户还是平台利益，可信度成为关键障碍。
服务层呈现两类格局：一类是三年前开始创业的原生智能体公司，其天生就提供直接服务，但为提升销售可行性也在推出终端产品；另一类是传统 APP 开发者，目前出现巨大分裂——部分固守原有流量模式，因智能体冲击而损失严重；另一部分尝试改造，但改造后封闭性较强，不允许被外部 AI 调用，仍在转型过程中。
联想在服务层主要扮演连接角色，制定调用标准协议和分成结算机制。结算逻辑是用户为服务付费后，服务提供者向联想支付费用，而非联想代付。计费依据是实际服务交付而非调用次数。在能力层，联想主要采取合作模式，与英伟达、英特尔、AMD、微软、高通等算力提供商，以及国内外大模型厂商建立深度合作关系。
刘湘明：那你觉得 FIFA 是哪一类呢？
阿木：FIFA 属于中间的服务层，直接提供服务——即足球赛事服务。未来还有一类可探索的模式：背后的俱乐部乃至球员本身也可能成为直接的服务层。
足球的真正粉丝 （而非普通看客） 通常会对某个俱乐部、国家队或特定球星保持长期忠诚，甚至可能对国家无感，唯独钟情于个别球员。因此，服务提供者未必仅限于 FIFA 这类大型机构，每个球员都有可能成为直接服务节点。
届时，球员可直接与个人 AI 建立联系，但前提是需要对自身进行准确地描述与呈现。目前这一环节尚属空白。联想开发的 football AI 之所以能深度挖掘、分析并评析每支球队和每名球员，背后是与球队及 FIFA 合作完成了大量的数据整理工作，从而使 football AI 具备极强的纵深理解能力，能够精准把握每位球员在每场比赛中的状态。
刘湘明：听说联想的个人 AI 目标今年是从 「助手」 升级为 「队友」，这个 「队友」 能具体帮我做什么现在 「助手」 做不到的事？
阿木：「队友」 是一个拟人化比喻，指 AI 作为协作伙伴与人共同完成某项事务——可能是一个专题、项目、工作任务或生活需求。
当前能力主要体现在以下三个层面：
第一，情景感知。AI 能够感知用户当前经历和未来意图，理解 「context」（情境） 而非仅处理用户输入。例如，当用户晚上 8 点 48 分打开拯救者电脑，AI 能判断其准备进入游戏状态；当发现用户在游戏过程中暂停并陷入思考，AI 可识别其正在反思战术策略或与其他队友讨论。目前情景感知主要在电脑、手机、平板等数字设备中实现，未来随着陪伴式设备和机器人普及，将扩展至物理世界的情境感知。
第二，主动服务。在感知情境后，AI 能够主动推荐、主动服务，无需用户召唤即可介入，直接生成结果。这种主动性体现为 「我知道你正在经历什么，因此我来主动改变你的状态、提供服务」。
第三，直接执行。AI 不再仅提供执行建议，而是直接完成任务闭环。诸如 Atlas、Comet（Perplexity 旗下产品） 以及豆包手机助手等，已实现基于用户意图直接完成任务。虽然用户操作看似简单，但其背后运用了复杂的技术组合。目前在工作、学习等场景中，「队友」 已能直接生成最终结果 （如营销人员直接生成并发布小红书内容），而非甩给用户自行处理。这种担当意味着 AI 需花费数分钟甚至更长时间进行深度研究、反复推理、计算试错，最终交付成果。
总结而言，「队友」 的核心特质在于：知晓你的状态并为你所急、无需召唤主动服务、担当责任而非仅提供建议。
刘湘明：在生态方面，未来联想和生态伙伴的合作方式会不会有一些变化？
阿木：联想与生态合作存在 「一个不变」 与 「一个变化」：
不变的是，联想一贯从用户角度出发思考产品，并据此规划产业链角色与协同方式。联想内部通过战略研讨、战略论证和产品规划，始终遵循这一逻辑。这里的 「用户角度」 并非简单等同于 「用户需求」——客户或许只能想到 「跑得快需要好鞋」，却想不到 「其实可以骑自行车」。因此，站在客户立场定义好产品后坚持开放合作，这是不变的。
变化的是，合作形态从成熟商务模式转向共创迭代。传统成熟市场的合作通常是对接、签合同、分钱，但 AI 领域的场景创新与产品创新尚不稳定清晰，需要不断试错，甚至硬件方向也可能在半年一年后调整放弃。因此，必须与服务提供商、能力提供者开展大量共创，这与传统的成熟开放合作模式有本质不同。
服务共创层面，联想与中国本土平台 「什么值得买」、腾讯视频等合作智能体服务连接。当用户意图明确指向其内容为最佳选择时，个人 AI 会调用这些服务，但是否调用、何时调用完全由个人 AI 根据用户意图决定，而非由联想进行排序干预。
算力共创层面，联想与高通、Intel、AMD、英伟达等算力提供商开展深度合作，针对智能体运算需求进行大量算力适配，目标是降低算力依赖、降低成本、降低能耗，尤其要在手机和平板上实现不影响续航的终端 AI 运算。各方需共同测试后上线，再根据用户反馈和实际使用情况，持续优化芯片内部算法及算子库，不断迭代。这一合作模式已持续三四年。
总体而言，这是一种开放与共创的做法。
刘湘明：之前你说服务商需要进行搜索引擎优化，在智能时代，是不是就要对智能助手进行优化？
阿木：需要首先明确的是，这里讨论的不是 「助手」，也不是以商业平台为核心、以流量变现为目的的公共 AI。前面所讨论的个人 AI，是指代表个人立场、以个人利益为中心的 AI。理清这一概念至关重要，因为部分观众可能未观看前面的内容。在这一背景下，我们再来看刚才的问题。
关于个人 AI 的优化，严格来说其主要优化来源在于个人自身。商业机构如联想需要持续引进和升级的有两个方面：
主要优化来自用户侧：基于个人知识、个人记忆以及个人所处的感知环境进行优化。这部分联想无法干预，因为这些数据和环境情景均属于用户个人。交付给用户后，联想无法接触这些数据，否则将违背个人 AI 的本质。因此，使用越多，AI 越像用户本人，越了解其喜好和期待。用户只需简单操作 （如连续点击 「不要了」），AI 便能学习并调整，这是基于个人使用和数据记忆的优化。
需要持续优化的两个方面：
一是算力。个人无法自行打开芯片进行修改，因此需要联想持续与芯片厂商合作优化。
二是模型升级。当前模型迭代并未放缓，原生多模态、世界模型、小型化等技术快速发展，开源模型进步迅速，且出现了许多在特定专业领域表现优异的专用模型。例如，银行从业者可能需要金融领域的专业模型，其生活与工作可能高度聚焦于该领域。因此，引入最适合个人 AI 的模型，以及能够承载对应智能体运算的算力，需要联想持续与大模型厂商、云厂商和算力提供商合作。
新增优化点：从去年开始，可信安全成为新的优化重点。传统安全 （应用安全、设备安全、内容安全） 已讨论成熟，当前更关注智能体安全、智能体网络安全、大模型推理计算过程的安全，以及授权后调用 APP 过程中未被 「下毒」 的安全。例如，被恶意干扰后可能出现执行结果偏差 （如将红色变为黑色）。这些新的 AI 安全体系是个人 AI 可信的前提条件，需要持续迭代优化，而这是个人无法做到的。
刘湘明：除了个人 AI 之外，联想有一半的业务来自企业级。在企业级 AI 方面，联想有何战略，包括个人 AI 和企业级 AI 在企业的部署，需要做好哪些准备工作？
阿木：首先需要说明的是，尽管名为 「CES」（消费者电子展），但当前展区内容已远超出消费级范畴。现场展出了大量企业级 （Enterprise） 产品，涵盖汽车、挖掘机 （如卡特彼勒）、农业解决方案等各类工业领域。展会内涵已远超 「Consumer Electronics」 的命名范畴，「C」 字母实际上已名不副实。如今，探讨企业级应用已成为 CES 的核心主题。
在企业展区中，绝大多数展示内容都围绕 AI 在企业环境中的应用展开，范围从城市治理到中小企业、SOHO 办公乃至门店管理。AI 在企业中的渗透恰逢其时：三年前 AI 成本高昂，企业难以接触；前两年 AI 仅能用于内容生成，无法投入实际生产，且存在幻觉等问题。但 2025 年以来，随着开源模型将成本降至极低水平，模型推理能力也显著增强，AI 已能在企业内部执行某些流程并达到可接受的水平 （人类本身也会犯错，只要 AI 表现略优于人工且无需培训即可使用）。
因此，自 2025 年起，企业开始在流程中真正应用基于大模型的智能体 （Agent AI），但当前应用仍主要集中在生成环节，如生成海报、文档、会议纪要、工厂操作手册，或基于故障知识库诊断问题。这些本质上都是 「生成」 行为——根据提问从海量知识库中匹配最相关答案。虽然已开始认真使用，但应用深度有限。
AI 要在企业内部真正创造价值、转化为生产力，必须重构业务流程。生产力决定生产关系，而在企业内部，生产关系体现为流程——规范员工权限分配与执行顺序的体系。
因此，AI 在企业内部深度落地需完成三项准备：
第一，升级数字化底座。将原有数字化平台升级为 AI 平台，构建包含大模型平台、智能体开发运行平台、知识管理平台、GPU 推理算力管理平台以及可信计算平台的完整 AI 基础设施。调研显示，61% 的企业尚未建立 AI 底座，仅 39% 开始建设。因此，无论发布会展示多么炫目，企业首先需完成基础设施升级，智能体 AI 才能落地。
第二，重构企业内部流程。当前 CES 展示的许多企业 AI 方案无法在真实企业中落地，因其无法嵌入现有流程。传统流程是线性步骤 （1-2-3-4-5），引入 AI 后可能变为 1-5（跳过中间环节），甚至将步骤并列执行。例如，产品研发传统流程为 「研发→测试→报告→上市」，引入测试智能体后，研发第一天即可同步启动测试，实时预警散热、老化、电磁干扰等问题，实现研发与测试并行。若流程不变，仅增加测试智能体，除增加成本外价值有限，员工与流程均未改变。只有重构流程，让研发人员直接使用测试智能体 （而非测试人员使用），才能实现根本变革。企业需由业务负责人牵头，逐一梳理在具备自主编排执行能力的智能体支持下，流程应如何重塑。
第三，人才培养。企业普遍缺乏能熟练使用 AI 的人才。仅少数因使用个人 AI 而有经验的员工能在企业环境中应用，绝大多数员工未做好准备。这如同 2000 年时 PPT 技能成为入职门槛，AI 协作能力将成为新的基础要求——员工需学会与智能体共处，将其视为队友，容忍其错误并耐心调教，使其在流程执行中变得可靠贴心。但基层员工通常缺乏管理技能 （中层管理人员因长期带团队而具备调教能力），容易产生抱怨与恐惧情绪 （如担心被替代），进而导致 「AI 不准」 的负面评价。实际上，新员工也需三个月试用期培训，智能体同样需要培养过程。
2026 年调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训。
其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层员工改变，因为中层管理人员若不变革，其仍按原有流程管理，一句 「研发完再测试」 便将优化努力全盘否定。只有当中层管理人员提升 AI 素养后，才能带领团队实现真正的转变。
刘湘明：最后一个问题，联想自身也用了很久 AI 了，在这些过程中，踩过哪些坑？有哪些经验可以与大家分享的？
阿木：联想的 AI 战略可追溯至 2017 年，当时全球仍在讨论数字化转型，企业普遍投入大数据平台并热衷于建设可视化大屏。联想在当时已率先推动智能化转型，探索如何运用 AI 算法挖掘数据价值，实现预测、预警、推理规律乃至为产品规划提供决策建议。历经八年多迭代，擎天平台已从 1.0 的敏捷化、2.0 的判别式 AI，发展到 3.0 引入生成式 AI，并于 2024 年在 4.0 版本中融入智能体 AI。长期以来，联想持续在不同业务领域验证 AI 价值，以业务数据 （收入提升、成本降低、周转加速、客户满意度与忠诚度改善、粉丝增长） 证明技术有效性，因为企业真正关心的是技术背后的商业价值。
实践路径遵循主价值链优先原则。联想率先在供应链领域应用 AI——因其数据量最为庞大且复杂，涉及数千个组件、数十家工厂及面向 180 多个国家和地区的 48 小时交付，海量数据无法靠人力处理。随后在营销、销售、售后服务等环节推广，最后才应用于员工层面。值得注意的是，许多企业优先选择员工场景切入，但这属于辅助价值链，创造的价值极其有限。供应链成本节约直接转化为利润，而员工工作时间节省一小时仅相当于增加一小时刷短视频时间，并未带来实际成本节约。因此，应在主价值链应用 AI，若技术不成熟宁可等待，切勿将精力浪费在邮件生成、纪要自动生成等辅助功能上。智能体之间若可直接对话，纪要本身已无必要。
企业应用 AI 需规避三大陷阱：
陷阱一：误入辅助价值链。每个企业都有核心价值链，若 AI 应用未作用于主价值链，价值微乎其微。真正的目标应是让智能体直接完成任务，而非生成仅供人阅读的建议。
陷阱二：预算先行而非 POC 验证。企业内部立项通常要求先明确价值再批预算，但当前无人确切知晓 AI 在特定企业的价值空间，仅确信其价值必然存在。正确做法是先进行 3-6 个月的 POC 测试，在此期间完善知识库、培训员工、优化流程。待验证真实价值后再立项投资并规模化复制，而非沿用传统 IT 项目的预算审批模式。
陷阱三：基础设施投资不足。企业宁可采购一体机供百人使用，也不愿升级数据中心，因其认为固定资产投入无法回收。然而，AI 底座升级是一项战略性投资，周期为 3—5 年，绝非 IT 部门预算可决定的课题。正如 2000 年 ERP 系统的 「上 ERP 找死，不上 ERP 等死」 困境，与等死相比，寻死尚可向死而生。此类投资必须由 CEO、董事长或总裁自上而下战略批复，不能按单个智能体项目零星投入。这是从数字平台到 AI 底座的突变式升级，而非渐进改良。部分前瞻企业已直接将收入的千分之几甚至百分之几 （如金融公司） 专项投入基础设施建设，再寻找应用场景，因其属于固定资产投入，不会全额冲减当年利润。
刘湘明：谢谢你今天的分享。
（本文首发于钛媒体 APP）
Related articles
在 2026 年 CES（国际消费电子展） 现场，科技行业对 AI 的讨论已从单一技术概念转向场景化落地的深度探索。联想集团副总裁、中国区战略及业务拓展副总裁阿不力克木·阿不力米提 （以下简称 「阿木」） 在与钛媒体集团联合创始人、联席 CEO 刘湘明的对话中，系统拆解了 AI 技术演进的核心逻辑、终端融合的必然趋势，以及个人 AI 与企业级 AI 的落地路径。这场对话不仅勾勒出联想在 AI 时代的战略布局，更揭示了全球 AI 产业从公共服务向个人专属、从消费级应用向企业级渗透的关键变革。
正如阿木所言——AI 带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机，这种重构正在终端形态、商业生态和企业运营三个维度同步发生。
AI 算力与模型驱动终端生态重构
回顾科技产业发展历程，每一次技术革命的深化都离不开底层算力与上层应用的协同进化。AI 产业的发展同样遵循这一逻辑，呈现出算力与模型双螺旋上升的演进态势，并由此催生终端形态的根本性变革。IDC 最新发布的 《2026 年全球 AI 算力市场报告》 显示，全球 AI 算力市场规模预计在 2026 年达到 1152 亿美元，同比增长 42.8%，远超传统通用计算市场的增长速度，印证了阿木关于 「AI 算力进入比摩尔定律更快迭代周期」 的判断。
与此同时，模型小型化技术的快速发展正在打破 「参数规模决定性能」 的固有认知，「许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的模型，如今 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。」 阿木指出。这种小型化趋势为 AI 的终端下沉提供了关键支撑，因为真正落地到个人和企业时，模型必须具备快速、可靠、稳定、无时延的特性，并在可接受成本下持续提供服务。
从技术演进的底层逻辑来看，AI 与终端的融合是解决公共 AI 两大核心痛点的必然选择。一方面，公共 AI 产品的个人化或企业专属化属性不足，其通用算法无法处理个人隐私数据或企业专属数据，也无法根据特定需求演进；另一方面，公共 AI 缺乏持续感知环境变化的能力，无法捕捉物理世界瞬息万变的信息并做出实时响应。而终端作为连接数字世界与物理世界的桥梁，既能承载个人与企业的专属数据，又能通过各类传感器采集环境信息，为 AI 的个性化与场景化落地提供关键支撑。
算力与模型的协同进化催生两大核心趋势：智能体崛起与终端创新。基于这一逻辑，未来终端生态将呈现三大类形态：一是存量终端升级，通过增强智能计算能力和丰富感知方式，将传统电脑、手机、平板等升级为 AI 终端；二是感知为主、轻交互的新型终端，以 AI 眼镜为代表，实现 24 小时不间断环境感知；三是边缘计算终端，专注于私密化计算，可快速运行数百亿参数的模型，为个人和中小企业提供安全可控的 AI 算力支持。这三类终端共同构成了 AI 落地的核心载体，也成为联想等终端厂商的战略布局重点。
个人 AI 崛起：从公共服务到专属价值的范式重构
个人 AI 的崛起标志着 AI 服务从 「平台中心」 向 「用户中心」 的范式转移。
在对话中，阿木表示，个人 AI 与公共 AI 存在本质差异：以用户立场为核心，具备全场景感知、可信计算、专属服务连接与持续演进四大特征。
一是感知能力同步，个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收经大脑过滤后的输入信息，这种全场景感知能力是公共 AI 无法实现的，因为用户难以将 24 小时的视听数据托付给公共平台；二是可信计算，个人 AI 仅将用户数据用于服务本人，基于 「拥有感」 建立的信任关系，解决了公共 AI 的隐私泄露风险；三是专属服务连接，个人 AI 直接调用各类生活与工作服务，以满足用户真实需求为导向，摆脱了公共 AI 的商业化植入模式；四是持续演进能力，个人 AI 通过持续积累用户记忆，不断调整交互方向，最终成为 「越来越像用户」 的专属陪伴，而公共 AI 则始终服务于全人类的平均水平，无法实现真正的个性化演进。
从场景角度出发，公共 AI 的个性化类似短视频推荐，服务于平台流量变现；而个人 AI 如同 「专属私家车」，通过终端载体实现数据隐私可控、服务精准匹配，解决公共 AI 的信任与体验痛点。
在阿木看来，个人 AI 落地面临四大技术挑战：异构算力平台构建、多模型与智能体调度、长期记忆管理、核心体验创新。联想提出的 「队友」 式个人 AI，通过情景感知、主动服务、直接执行三大能力，重构交互逻辑——如游戏场景主动优化性能、营销场景完成内容全流程发布。
多设备互联是 「队友」 式体验的核心支撑。联想通过三大手段突破跨系统壁垒：构建操作系统之上的智能体体系、打造个人可信云空间、实现终端近场互联。
企业级 AI落地仍面临三大挑战
企业级 AI 落地需完成基础设施、流程、人才三大协同准备。其一，升级数字化底座为完整 AI 基础设施，包含大模型平台、智能体运行平台等；其二，重构业务流程，将传统线性流程转为并行动态模式；其三，培养 AI 人才，中层管理人员是关键。
而在阿木看来，人才培养是三个之中最为重要的一个，「我们在 2026 年的调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训，」 阿木进一步指出，「其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层。」
联想自身智能化转型路径为行业提供参考：遵循 「主价值链优先」 原则，率先在供应链领域应用 AI，实现成本降低与周转效率提升，再向营销、售后等环节推广。对比之下，优先切入员工辅助场景的企业，AI 价值转化有限。同时，企业需规避三大陷阱：误入辅助价值链、预算先行而非 POC 验证、基础设施投资不足。
AI 时代的核心竞争力在于 「整合与落地」。2026 年是 AI 从概念走向落地的关键节点，行业竞争焦点已从技术参数转向场景价值。企业需明确生态定位，通过基础设施、流程、人才协同推进转型；用户将迎来更个性化、更安全的服务体验。未来，把握趋势、深耕落地的企业，将成为智能时代的最终赢家。
精彩内容时间轴
00:01:21 AI 算力进入比摩尔定律更快迭代周期
00:07:24 AI 算法与终端结合过程中的两个挑战
00:12:00 AI+终端的三个类型
00:14:31 个人 AI 与聊天助手的区别
00:23:22 个人 AI 落地过程中的四大挑战
00:29:59 多设备互联面对三大技术挑战
00:34:41 未来 AI 生态存在的企业类型
00:44:45 从 「助手」 到 「队友」，个人 AI 的能力升级
00:48:54 联想生态的 「变与不变」
00:55:34 企业部署 AI 需要的三个准备工作
01:03:07 联想落地 AI 的经验与需要规避的三大陷阱
以下为对话实录，经整理：
刘湘明：从你的角度，分析一下未来 AI 的发展趋势如何？
阿木：正如 20 多年前讨论互联网趋势一样，AI 同样充满一切可能。除了去年以来大家讨论的投资价值与 AI 发展速度是否会改变之外，AI 本身带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机。
若将其解构，可分为两个方面。首先，谈谈人工智能作为技术本身的发展走向。
最底层是近期讨论较多的算力层面。从最初的 CPU 通用计算，发展到以人工智能神经网络为主要算法架构的并行计算，即 GPU 计算。AI 算力已进入比摩尔定律更快的迭代周期，目前完全没有放慢节奏，且在全球范围内形成了多个不同主体快速推进的局面，包括美国公司和中国芯片厂商都在快速进步。我认为 AI 算力的技术升级还将持续一段时间。
第二层是在算力之上运行各种大模型的算法，包括训练与推理两个方向，即构建大模型和应用大模型。目前，构建大模型方面正从文本为主向语音、视频拓展，2026 年将进入原生多模态创新成熟期。同时，为推动物理 AI 快速进入生产生活，与物理 AI 相关的世界模型也在快速探索中。此外，模型小型化技术发展非常迅速，真正落地到个人和企业时，模型需快速、可靠、稳定、无时延，并在可接受成本下持续提供服务。因此，模型小型化技术可能比超大规模模型创新更值得关注。许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的，现在 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。这一节奏同样非常快。
在应用大模型方面，后训练技术从强化学习到各类后训练方法正从少数大模型公司下沉至更多非 AI 公司，使其能够自主操作和执行，越来越工程化、越来越可落地。这些应用技术的创新也将快速进展。算力和模型这两个层面的技术变化叠加起来，形成了双螺旋结构，以比摩尔定律更快的节奏进化。
在此之上催生了两个新的 AI 趋势。一是向智能体方向发展，这是数字世界中的创新。从最初的问答工具到丰富的内容生成，再到可进行任务编排和自主执行的数字智能体，变化非常迅速，既包括个人使用，也包括企业应用。
另一个趋势是终端创新。终端不仅包括电脑、手机、平板，还包括大量正在催生的原生终端设备。今天媒体进行的很多直播都涉及这些内容，如 AI 眼镜、穿戴设备、陪伴型设备，以及为使算力更接近使用场景而出现的超强算力盒子等本地化运算设备。这些都是 AI 真正催生的新形态。更大规模的包括各类机器人，无论是人形机器人、运动仿生机器人，还是自动驾驶车辆，都属于机器人范畴。总体来看，终端正在发生演变。终端演变与智能体演变相融合，将在众多场景中催生出新的产品形态。
今天我详细参观了展区，明显感觉到很多地方在介绍 AI 时几乎不再单独介绍算法，而是将模型与某种形态的终端产品结合、嵌入、内置，用以改变传统终端体验或创造新的终端。今年的这一感受非常强烈。
刘湘明：AI 对硬件影响很大，联想作为终端公司，在 AI 时代，有哪些新的可能性？
阿木：自 2022 年 11 月 ChatGPT 首次带来生成式体验产品、GPT 大模型展现涌现能力以来，至今绝大多数不依赖终端的 AI 均为公共服务产品。这类公共服务由具备超强生成能力的模型为所有人提供标准化服务，当时并未催生出专门用于体验 ChatGPT、豆包、元宝或 Gemini 等产品的新型终端。
然而从去年起，AI 算法开始与终端紧密结合，这源于两大新趋势带来的挑战：
第一大挑战是公共 AI 产品的个人化或企业专属化属性不足。其算法为通用算法，所接触的数据既非隐私数据，也非企业专属数据；且无法根据个人或企业需求演进，迭代节奏完全取决于服务商所使用的互联网数据及其优化方向 （如变得更 「温柔」 或更 「刻板」），与个人和企业无关。因此，要让大模型算法真正接触、处理并使用个人私密数据或企业内部数据，就必须下沉到个人和企业层面，而其下沉路径显然需要与终端结合、嵌入终端内部才能实现。
第二大挑战在于持续感知环境变化的能力。AI 不能仅依赖键盘输入或语音提供的语言信息，还需感知环境信息——温度、冷热变化、移动速度、路过人群、前方画面、海报、演讲者的表情神态变化，乃至企业工厂生产作业环境中突发的事故等。这些物理世界瞬息万变的信息必须与终端结合，因为只有终端才能将感知能力带入该环境并采集所需的信息素材，供 AI 理解、感知并最终响应。
综上，无论是接触个人/企业知识数据，还是理解其所处环境并做出针对性、独一无二的快速理解、规划、编排与执行，都需要将公共 AI 向个人 AI 乃至企业 AI 下沉。这一趋势自去年已开始显现：大量企业采用开源模型进行私有化部署，终端也越来越多地将 AI 算法嵌入内置。例如许多显示器在驱动主板中内嵌芯片，可实时进行画面处理、色彩补偿、运动补偿等运算，直接在终端内完成。因此，要实现 AI 的无所不在及个性化，必须与终端结合，这是背后的根本逻辑。
基于这一逻辑，终端结合将呈现三大类形态：
第一类是存量终端升级。包括电脑、手机、平板、电视、汽车等存在已久的产品形态，其算力感知交互能力已非常成熟。只需将通用计算能力增强为智能计算能力，将感知从简单的触控或运动感知扩展为更丰富的感知，或使电脑除键盘鼠标外还能实现感知与跟踪，即可升级为 AI 终端，让 AI 落地并创造新价值。
第二类是感知为主、轻交互的新型终端。目前最受关注的是 AI 眼镜——虽无强大算力，但在环境感知和快速交互方面远优于手机电脑等笨重设备，且可实现 24 小时不间断感知 （除非摘下）。这类终端替用户观察所见一切，与 AI 结合更侧重于感知与交互。
第三类是边缘计算终端。这类终端恰恰不具备感知交互功能，而是出现不带显示、不带互动但算力极强的产品，可快速运行数百亿参数的模型。形态可能是个人家庭放置的设备，也可能是律师、会计师等处理绝密数据的办公室设备，亦或是为二三十人中小企业服务的边缘服务器。这类纯粹保障私密化计算的终端形态将逐渐涌现。
综合算力强交互类、感知类、纯粹私密计算类终端共同构成了未来的终端生态，联想布局终端正是围绕这一逻辑推进。
刘湘明：你觉得个人 AI 与之前的聊天助手之间有何区别？
阿木：首先需明确，「个人 AI」 指的是 「Personalized AI」（个性化 AI），而非 「Personal AI」。当前全球领先的 AI 助手如 ChatGPT、Gemini、Grok、Meta AI、Perplexity，以及国内的豆包、元宝、DeepSeek、通义千问等，本质上都是公共产品。它们的个性化类似短视频推荐——虽内容因人而异，但仍是以商业平台为中心推送的个性化服务，最终目的服务于平台流量变现。
而个人 AI 的第一个核心特征，是以个人的立场和利益为中心。在电脑手机时代，「个人」 意味着所有权——「这是我的手机、我的电脑」。但 AI 不同，AI 不仅是工具，更是有思想的主体。其本质差异如同 「租用小猫获得短暂情绪价值」 与 「饲养一只属于自己的小猫」，或 「乘坐公共交通」 与 「拥有可按自己意志装饰改装的私家车」。平台再怎么个性化，始终以商业目的为归宿；个人 AI 则以满足个人需求为最终目标，由用户为实际获得的服务付费。若服务不满意，用户可选择不付费，这与公共平台通过补贴、广告等机制影响推荐结果有本质区别。
个人 AI 与公共 AI 的差异可归结为四个核心点：
第一，感知能力同步。个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收用户输入的、经大脑过滤后的信息。很难想象用户敢将 24 小时的视听数据托付给公共 AI，这种心理层面的信任障碍是公共 AI 无法逾越的。
第二，可信计算。个人 AI 仅将用户个人数据用于服务用户本人，这种可信不仅是隐私保护，更是基于 「拥有感」 产生的信任。正如人们更信任自己的助理而非临时访客，因为担心隐私泄露。只有确立 「这是我的」 的拥有关系，信任才能建立。
第三，专属服务连接。个人 AI 负责连接并调用外部各类生活服务、学习、娱乐、出行、教育等资源，始终以满足用户真实需求为导向。这与公共 AI 以商业价值为导向、通过高流量植入商业化内容的模式截然不同。用户对有价值的服务愿意付费，公共服务之所以免费，是因为平台需先吸引流量再进行商业转化，而非真正以用户为中心。
第四，持续演进能力。公共 AI 不会真正 「越来越像你」，用户每天需重新编写数万字提示词，AI 才会短暂理解，次日又需重复。而个人 AI 能持续接触用户记忆，根据行为习惯调整后续交互方向，甚至在未来算法本身也能进行后续训练，最终成为越来越像用户的 AI 陪伴。公共 AI 服务于全人类平均水平，与用户个体无关；而个人 AI 服务于 「独特的我」，而非平均水平。
从历史维度看，电脑最初也是公共商用产品，IBM 曾认为全球几百台计算机已足够。但最终因人人都有不同需求，演变为个人电脑 （Personal Computer）。同理，AI 也正处于从公共为主向个人转移的阶段。这种转移并非意味着公共 AI 消失——公共产品因规模效应成本低，始终存在——而是个人 AI 将逐渐崛起并加速普及。因其依托终端下沉，带给用户拥有感和驾驭感，而非虚无缥缈的软件。
刘湘明：在实现个人 AI 的过程中，有何挑战？
阿木：技术挑战主要体现在以下几个方面 （不分先后顺序）：
第一大挑战是算力承载能力。当前大模型依然是 AI 最关键的能力，因为感知环境、理解意图 （包括根据环境猜测意图）、编排任务步骤、调度其他智能体进行测试验证以寻找最优解，以及多模态处理等场景均需要大模型支持。因此，终端算力必须快速提升。这要求算力架构从以 CPU 为核心的通用计算，转变为 CPU+GPU+NPU 的异构算力平台，使不同规模的模型都能在终端有效运行；而超大规模、复杂意图的处理则需在个人云空间中完成。因此需要尽快升级高算力设备，如联想的 AI PC、AI 手机、AI 平板，使 AI 算力成为内置标配，从而将 AI 能力真正下沉。
第二大挑战是模型调度与智能体网络调度。这一挑战比模型算法和单个智能体应用更复杂。每次请求可能需要调度七八个模型在终端或云端协同工作，以最低成本、最快速度完成响应。此外，为满足某项服务需求，还需调度数百甚至上千个小型智能体，如何选择合适的智能体成为关键问题。这需要建立智能体网络调度机制。简言之，模型与智能体技术本身是挑战所在，但这不是基础科学问题，而是工程化问题——需投放市场，根据用户需求持续优化，而非仅进行理论创新。
第三大挑战是个人知识与记忆管理。当前短期记忆处理已相对成熟，但长期记忆的管理 （如何遗忘、何时抽象、何时长期保留） 更为复杂。例如，当某个意图出现时，是否应调取三个月前的对话记录或邮件往来作为参考，这涉及记忆的治理技术，非常复杂。记忆技术必须在 2026 年实现明显进阶，否则个人 AI 的个性化程度将不足。缺乏记忆的 AI 如同行尸走肉，正因拥有记忆，人才成为有血有肉的个体。此外，个人沉淀的大量数字化文档资料 （如照片、视频） 也需要进行有效处理，以便快速抽取和调取。这方面技术反而更有信心，因为许多大模型公司正在努力处理人类整体知识。
第四大挑战是体验创新。任何产品要成功引爆市场，必须找到刚性需求——非其不可、其他皆可容忍的 「Must Have」 体验。本届 CES 上，每家企业都在试图挖掘这一体验点。虽然终端形态众多，但当被问及主要用途时，部分企业无法明确回答，仅罗列多项功能。这种 「Nice to Have」 的功能无法真正驱动个人 AI 普及。因此，找准体验点并将硬件、软件、服务与大模型整合交付，围绕该体验进行聚焦而非贪多求全，极为关键。
综上所述，这些挑战均需持续研发投入方能解决。联想的布局主要包括两方面：一是研发个人超级智能体，解决感知、理解、规划、调度及个人知识记忆处理、自然交互等问题；二是进行终端研发，提升算力、改变终端形态、丰富感知方式，并实现终端之间的能力接力与协同，确保在部分终端关闭时其他设备 （如眼镜） 仍能保持服务。当终端无法承载时，还需通过个人可信云空间保障体验不中断。这些正是联想当前投资的核心方向，每个技术挑战都值得持续深入钻研。
刘湘明：手机、平板、电脑之间的串联体验确实是一个大挑战，你们是如何解决的？
阿木：当前终端操作系统呈现多元化格局：电脑端以苹果 macOS 和微软 Windows 为主导；手机端核心为谷歌 Android（海外与中国版本存在差异，但底层架构一致）；平板则存在浏览器操作系统等轻量方案；此外，各类 IoT 设备如机器人、AI 眼镜、可穿戴设备、智能戒指等均采用不同操作系统。
实现多设备互联需解决三大技术挑战：
第一，跨操作系统服务。并非将操作系统 AI 化，而是使其下沉为智能体调用的工具。类比计算机启动时的 BIOS，在 Windows 启动后 BIOS 便下沉完成底层初始化；当智能体体系建立后，操作系统同样需要下沉。唯有如此，才能在多端之间保持一致互联体验。当前各生态体系规模庞大、演进缓慢，彼此基本隔离，仅偶有合作。
第二，端云混合架构。需构建个人可信云空间 （非公共云），即每个用户专属的端到端封闭可信计算通道，数据在计算后销毁。联想去年与火山引擎合作，在中国率先落地了首个个人可信云空间，确保任何数据 （包括火山引擎、联想及其他第三方） 均无法触碰和使用，且不保存。该云环境与终端结合，可在终端不连续时实现知识迁移，将感知数据跨终端传递并延续记忆，保障体验不中断。
第三，终端近场互联。当两个终端距离仅三五米时，需通过设备直连技术实现算力共享与内容、感知信息的互通。例如，AI 眼镜的感知能力可由手机完成，眼镜负责画面采集，手机利用多模态模型理解场景 （如识别直播状态、观众增长等）。这种直连方式可解决实时性问题，消除时延，优化能耗，并由最佳终端完成计算任务，同时实现传感信息的共享。
综上，联想通过 「操作系统之上的智能体体系」、「端云架构配合」 以及 「多端近场互联」 三大手段，致力于实现终端间浑然一体、不中断的连续体验。
刘湘明：还有一个小问题。你刚也提到计算系统、操作系统下沉，意味着原先熟悉的计算环境发生了翻天覆地的变化。这其中也会有很大的机会，联想准备如何抓住这样的机会？
阿木：以个人 AI 为例，未来生态中主要存在三类企业：
第一类是整合者。首先需要回顾核心概念：个人 AI 的主权属于个人。因此，整合者需将硬件、大模型、智能体、服务连接规则与方法、安全保护机制以及各类传感技术整合起来，交付给个人用户。用户可以从手机、电脑等具备算力的终端开始使用，单纯的眼镜因算力不足无法独立承载。在个人 AI 的语境下，因其必须永远是 「你的 AI」 而非商业化机构提供的版本，整合商的角色至关重要。
第二类是服务提供者。个人 AI 若仅停留在生成层面则无意义，必须能够直接调用旅行、生活、娱乐、办公等各类服务。需要明确概念：不应称为 「开发者」 或 「APP」，因为其本质是 「service」。个人 AI 应直接完成服务交付，而非通过商业平台中转。例如，不应是 「搜索后推荐」，而应直接抓取最符合用户需求的餐厅并给出结果，否则中间平台会截留商业价值，影响个人 AI 的代表性。因此，未来每个商户、航空公司、景区、产品提供商都应成为直接服务提供者，个人 AI 可根据其服务描述直接调用，将最匹配的服务推送给用户。application 是流量经济的语言，在个人 AI 时代已不适用——因为个人 AI 的核心是服务本身，而非流量。
第三类是能力保障层。包括大模型提供商、感知器件供应商、GPU 算力提供商、安全技术环境提供商等。他们不直接接触客户，但为整个体系提供基础能力支撑。
明确这一分层架构后，可以回答联想的定位：联想扮演的是整合者角色。负责将设备、各类能力 （算力、传感、感知等） 整合为成本可控的终端设备，嵌入个人超级智能体以及服务连接的标准与规则，最终完成交付。
整合者角色并非联想独有。众多终端+应用类公司以及公共 AI 提供商都在进入该领域。目前几乎没有不涉足硬件的大模型公司，因其发现要触达个人用户必须完成整合交付。但公共 AI 厂商面临一大挑战：其原有商业模式依赖流量变现和广告，用户会质疑其是否能始终代表用户利益。初期尝鲜尚可，但深度使用时用户会担忧 AI 究竟代表用户、商户还是平台利益，可信度成为关键障碍。
服务层呈现两类格局：一类是三年前开始创业的原生智能体公司，其天生就提供直接服务，但为提升销售可行性也在推出终端产品；另一类是传统 APP 开发者，目前出现巨大分裂——部分固守原有流量模式，因智能体冲击而损失严重；另一部分尝试改造，但改造后封闭性较强，不允许被外部 AI 调用，仍在转型过程中。
联想在服务层主要扮演连接角色，制定调用标准协议和分成结算机制。结算逻辑是用户为服务付费后，服务提供者向联想支付费用，而非联想代付。计费依据是实际服务交付而非调用次数。在能力层，联想主要采取合作模式，与英伟达、英特尔、AMD、微软、高通等算力提供商，以及国内外大模型厂商建立深度合作关系。
刘湘明：那你觉得 FIFA 是哪一类呢？
阿木：FIFA 属于中间的服务层，直接提供服务——即足球赛事服务。未来还有一类可探索的模式：背后的俱乐部乃至球员本身也可能成为直接的服务层。
足球的真正粉丝 （而非普通看客） 通常会对某个俱乐部、国家队或特定球星保持长期忠诚，甚至可能对国家无感，唯独钟情于个别球员。因此，服务提供者未必仅限于 FIFA 这类大型机构，每个球员都有可能成为直接服务节点。
届时，球员可直接与个人 AI 建立联系，但前提是需要对自身进行准确地描述与呈现。目前这一环节尚属空白。联想开发的 football AI 之所以能深度挖掘、分析并评析每支球队和每名球员，背后是与球队及 FIFA 合作完成了大量的数据整理工作，从而使 football AI 具备极强的纵深理解能力，能够精准把握每位球员在每场比赛中的状态。
刘湘明：听说联想的个人 AI 目标今年是从 「助手」 升级为 「队友」，这个 「队友」 能具体帮我做什么现在 「助手」 做不到的事？
阿木：「队友」 是一个拟人化比喻，指 AI 作为协作伙伴与人共同完成某项事务——可能是一个专题、项目、工作任务或生活需求。
当前能力主要体现在以下三个层面：
第一，情景感知。AI 能够感知用户当前经历和未来意图，理解 「context」（情境） 而非仅处理用户输入。例如，当用户晚上 8 点 48 分打开拯救者电脑，AI 能判断其准备进入游戏状态；当发现用户在游戏过程中暂停并陷入思考，AI 可识别其正在反思战术策略或与其他队友讨论。目前情景感知主要在电脑、手机、平板等数字设备中实现，未来随着陪伴式设备和机器人普及，将扩展至物理世界的情境感知。
第二，主动服务。在感知情境后，AI 能够主动推荐、主动服务，无需用户召唤即可介入，直接生成结果。这种主动性体现为 「我知道你正在经历什么，因此我来主动改变你的状态、提供服务」。
第三，直接执行。AI 不再仅提供执行建议，而是直接完成任务闭环。诸如 Atlas、Comet（Perplexity 旗下产品） 以及豆包手机助手等，已实现基于用户意图直接完成任务。虽然用户操作看似简单，但其背后运用了复杂的技术组合。目前在工作、学习等场景中，「队友」 已能直接生成最终结果 （如营销人员直接生成并发布小红书内容），而非甩给用户自行处理。这种担当意味着 AI 需花费数分钟甚至更长时间进行深度研究、反复推理、计算试错，最终交付成果。
总结而言，「队友」 的核心特质在于：知晓你的状态并为你所急、无需召唤主动服务、担当责任而非仅提供建议。
刘湘明：在生态方面，未来联想和生态伙伴的合作方式会不会有一些变化？
阿木：联想与生态合作存在 「一个不变」 与 「一个变化」：
不变的是，联想一贯从用户角度出发思考产品，并据此规划产业链角色与协同方式。联想内部通过战略研讨、战略论证和产品规划，始终遵循这一逻辑。这里的 「用户角度」 并非简单等同于 「用户需求」——客户或许只能想到 「跑得快需要好鞋」，却想不到 「其实可以骑自行车」。因此，站在客户立场定义好产品后坚持开放合作，这是不变的。
变化的是，合作形态从成熟商务模式转向共创迭代。传统成熟市场的合作通常是对接、签合同、分钱，但 AI 领域的场景创新与产品创新尚不稳定清晰，需要不断试错，甚至硬件方向也可能在半年一年后调整放弃。因此，必须与服务提供商、能力提供者开展大量共创，这与传统的成熟开放合作模式有本质不同。
服务共创层面，联想与中国本土平台 「什么值得买」、腾讯视频等合作智能体服务连接。当用户意图明确指向其内容为最佳选择时，个人 AI 会调用这些服务，但是否调用、何时调用完全由个人 AI 根据用户意图决定，而非由联想进行排序干预。
算力共创层面，联想与高通、Intel、AMD、英伟达等算力提供商开展深度合作，针对智能体运算需求进行大量算力适配，目标是降低算力依赖、降低成本、降低能耗，尤其要在手机和平板上实现不影响续航的终端 AI 运算。各方需共同测试后上线，再根据用户反馈和实际使用情况，持续优化芯片内部算法及算子库，不断迭代。这一合作模式已持续三四年。
总体而言，这是一种开放与共创的做法。
刘湘明：之前你说服务商需要进行搜索引擎优化，在智能时代，是不是就要对智能助手进行优化？
阿木：需要首先明确的是，这里讨论的不是 「助手」，也不是以商业平台为核心、以流量变现为目的的公共 AI。前面所讨论的个人 AI，是指代表个人立场、以个人利益为中心的 AI。理清这一概念至关重要，因为部分观众可能未观看前面的内容。在这一背景下，我们再来看刚才的问题。
关于个人 AI 的优化，严格来说其主要优化来源在于个人自身。商业机构如联想需要持续引进和升级的有两个方面：
主要优化来自用户侧：基于个人知识、个人记忆以及个人所处的感知环境进行优化。这部分联想无法干预，因为这些数据和环境情景均属于用户个人。交付给用户后，联想无法接触这些数据，否则将违背个人 AI 的本质。因此，使用越多，AI 越像用户本人，越了解其喜好和期待。用户只需简单操作 （如连续点击 「不要了」），AI 便能学习并调整，这是基于个人使用和数据记忆的优化。
需要持续优化的两个方面：
一是算力。个人无法自行打开芯片进行修改，因此需要联想持续与芯片厂商合作优化。
二是模型升级。当前模型迭代并未放缓，原生多模态、世界模型、小型化等技术快速发展，开源模型进步迅速，且出现了许多在特定专业领域表现优异的专用模型。例如，银行从业者可能需要金融领域的专业模型，其生活与工作可能高度聚焦于该领域。因此，引入最适合个人 AI 的模型，以及能够承载对应智能体运算的算力，需要联想持续与大模型厂商、云厂商和算力提供商合作。
新增优化点：从去年开始，可信安全成为新的优化重点。传统安全 （应用安全、设备安全、内容安全） 已讨论成熟，当前更关注智能体安全、智能体网络安全、大模型推理计算过程的安全，以及授权后调用 APP 过程中未被 「下毒」 的安全。例如，被恶意干扰后可能出现执行结果偏差 （如将红色变为黑色）。这些新的 AI 安全体系是个人 AI 可信的前提条件，需要持续迭代优化，而这是个人无法做到的。
刘湘明：除了个人 AI 之外，联想有一半的业务来自企业级。在企业级 AI 方面，联想有何战略，包括个人 AI 和企业级 AI 在企业的部署，需要做好哪些准备工作？
阿木：首先需要说明的是，尽管名为 「CES」（消费者电子展），但当前展区内容已远超出消费级范畴。现场展出了大量企业级 （Enterprise） 产品，涵盖汽车、挖掘机 （如卡特彼勒）、农业解决方案等各类工业领域。展会内涵已远超 「Consumer Electronics」 的命名范畴，「C」 字母实际上已名不副实。如今，探讨企业级应用已成为 CES 的核心主题。
在企业展区中，绝大多数展示内容都围绕 AI 在企业环境中的应用展开，范围从城市治理到中小企业、SOHO 办公乃至门店管理。AI 在企业中的渗透恰逢其时：三年前 AI 成本高昂，企业难以接触；前两年 AI 仅能用于内容生成，无法投入实际生产，且存在幻觉等问题。但 2025 年以来，随着开源模型将成本降至极低水平，模型推理能力也显著增强，AI 已能在企业内部执行某些流程并达到可接受的水平 （人类本身也会犯错，只要 AI 表现略优于人工且无需培训即可使用）。
因此，自 2025 年起，企业开始在流程中真正应用基于大模型的智能体 （Agent AI），但当前应用仍主要集中在生成环节，如生成海报、文档、会议纪要、工厂操作手册，或基于故障知识库诊断问题。这些本质上都是 「生成」 行为——根据提问从海量知识库中匹配最相关答案。虽然已开始认真使用，但应用深度有限。
AI 要在企业内部真正创造价值、转化为生产力，必须重构业务流程。生产力决定生产关系，而在企业内部，生产关系体现为流程——规范员工权限分配与执行顺序的体系。
因此，AI 在企业内部深度落地需完成三项准备：
第一，升级数字化底座。将原有数字化平台升级为 AI 平台，构建包含大模型平台、智能体开发运行平台、知识管理平台、GPU 推理算力管理平台以及可信计算平台的完整 AI 基础设施。调研显示，61% 的企业尚未建立 AI 底座，仅 39% 开始建设。因此，无论发布会展示多么炫目，企业首先需完成基础设施升级，智能体 AI 才能落地。
第二，重构企业内部流程。当前 CES 展示的许多企业 AI 方案无法在真实企业中落地，因其无法嵌入现有流程。传统流程是线性步骤 （1-2-3-4-5），引入 AI 后可能变为 1-5（跳过中间环节），甚至将步骤并列执行。例如，产品研发传统流程为 「研发→测试→报告→上市」，引入测试智能体后，研发第一天即可同步启动测试，实时预警散热、老化、电磁干扰等问题，实现研发与测试并行。若流程不变，仅增加测试智能体，除增加成本外价值有限，员工与流程均未改变。只有重构流程，让研发人员直接使用测试智能体 （而非测试人员使用），才能实现根本变革。企业需由业务负责人牵头，逐一梳理在具备自主编排执行能力的智能体支持下，流程应如何重塑。
第三，人才培养。企业普遍缺乏能熟练使用 AI 的人才。仅少数因使用个人 AI 而有经验的员工能在企业环境中应用，绝大多数员工未做好准备。这如同 2000 年时 PPT 技能成为入职门槛，AI 协作能力将成为新的基础要求——员工需学会与智能体共处，将其视为队友，容忍其错误并耐心调教，使其在流程执行中变得可靠贴心。但基层员工通常缺乏管理技能 （中层管理人员因长期带团队而具备调教能力），容易产生抱怨与恐惧情绪 （如担心被替代），进而导致 「AI 不准」 的负面评价。实际上，新员工也需三个月试用期培训，智能体同样需要培养过程。
2026 年调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训。
其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层员工改变，因为中层管理人员若不变革，其仍按原有流程管理，一句 「研发完再测试」 便将优化努力全盘否定。只有当中层管理人员提升 AI 素养后，才能带领团队实现真正的转变。
刘湘明：最后一个问题，联想自身也用了很久 AI 了，在这些过程中，踩过哪些坑？有哪些经验可以与大家分享的？
阿木：联想的 AI 战略可追溯至 2017 年，当时全球仍在讨论数字化转型，企业普遍投入大数据平台并热衷于建设可视化大屏。联想在当时已率先推动智能化转型，探索如何运用 AI 算法挖掘数据价值，实现预测、预警、推理规律乃至为产品规划提供决策建议。历经八年多迭代，擎天平台已从 1.0 的敏捷化、2.0 的判别式 AI，发展到 3.0 引入生成式 AI，并于 2024 年在 4.0 版本中融入智能体 AI。长期以来，联想持续在不同业务领域验证 AI 价值，以业务数据 （收入提升、成本降低、周转加速、客户满意度与忠诚度改善、粉丝增长） 证明技术有效性，因为企业真正关心的是技术背后的商业价值。
实践路径遵循主价值链优先原则。联想率先在供应链领域应用 AI——因其数据量最为庞大且复杂，涉及数千个组件、数十家工厂及面向 180 多个国家和地区的 48 小时交付，海量数据无法靠人力处理。随后在营销、销售、售后服务等环节推广，最后才应用于员工层面。值得注意的是，许多企业优先选择员工场景切入，但这属于辅助价值链，创造的价值极其有限。供应链成本节约直接转化为利润，而员工工作时间节省一小时仅相当于增加一小时刷短视频时间，并未带来实际成本节约。因此，应在主价值链应用 AI，若技术不成熟宁可等待，切勿将精力浪费在邮件生成、纪要自动生成等辅助功能上。智能体之间若可直接对话，纪要本身已无必要。
企业应用 AI 需规避三大陷阱：
陷阱一：误入辅助价值链。每个企业都有核心价值链，若 AI 应用未作用于主价值链，价值微乎其微。真正的目标应是让智能体直接完成任务，而非生成仅供人阅读的建议。
陷阱二：预算先行而非 POC 验证。企业内部立项通常要求先明确价值再批预算，但当前无人确切知晓 AI 在特定企业的价值空间，仅确信其价值必然存在。正确做法是先进行 3-6 个月的 POC 测试，在此期间完善知识库、培训员工、优化流程。待验证真实价值后再立项投资并规模化复制，而非沿用传统 IT 项目的预算审批模式。
陷阱三：基础设施投资不足。企业宁可采购一体机供百人使用，也不愿升级数据中心，因其认为固定资产投入无法回收。然而，AI 底座升级是一项战略性投资，周期为 3—5 年，绝非 IT 部门预算可决定的课题。正如 2000 年 ERP 系统的 「上 ERP 找死，不上 ERP 等死」 困境，与等死相比，寻死尚可向死而生。此类投资必须由 CEO、董事长或总裁自上而下战略批复，不能按单个智能体项目零星投入。这是从数字平台到 AI 底座的突变式升级，而非渐进改良。部分前瞻企业已直接将收入的千分之几甚至百分之几 （如金融公司） 专项投入基础设施建设，再寻找应用场景，因其属于固定资产投入，不会全额冲减当年利润。
刘湘明：谢谢你今天的分享。
（本文首发于钛媒体 APP）
在 2026 年 CES（国际消费电子展） 现场，科技行业对 AI 的讨论已从单一技术概念转向场景化落地的深度探索。联想集团副总裁、中国区战略及业务拓展副总裁阿不力克木·阿不力米提 （以下简称 「阿木」） 在与钛媒体集团联合创始人、联席 CEO 刘湘明的对话中，系统拆解了 AI 技术演进的核心逻辑、终端融合的必然趋势，以及个人 AI 与企业级 AI 的落地路径。这场对话不仅勾勒出联想在 AI 时代的战略布局，更揭示了全球 AI 产业从公共服务向个人专属、从消费级应用向企业级渗透的关键变革。
正如阿木所言——AI 带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机，这种重构正在终端形态、商业生态和企业运营三个维度同步发生。
AI 算力与模型驱动终端生态重构
回顾科技产业发展历程，每一次技术革命的深化都离不开底层算力与上层应用的协同进化。AI 产业的发展同样遵循这一逻辑，呈现出算力与模型双螺旋上升的演进态势，并由此催生终端形态的根本性变革。IDC 最新发布的 《2026 年全球 AI 算力市场报告》 显示，全球 AI 算力市场规模预计在 2026 年达到 1152 亿美元，同比增长 42.8%，远超传统通用计算市场的增长速度，印证了阿木关于 「AI 算力进入比摩尔定律更快迭代周期」 的判断。
与此同时，模型小型化技术的快速发展正在打破 「参数规模决定性能」 的固有认知，「许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的模型，如今 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。」 阿木指出。这种小型化趋势为 AI 的终端下沉提供了关键支撑，因为真正落地到个人和企业时，模型必须具备快速、可靠、稳定、无时延的特性，并在可接受成本下持续提供服务。
从技术演进的底层逻辑来看，AI 与终端的融合是解决公共 AI 两大核心痛点的必然选择。一方面，公共 AI 产品的个人化或企业专属化属性不足，其通用算法无法处理个人隐私数据或企业专属数据，也无法根据特定需求演进；另一方面，公共 AI 缺乏持续感知环境变化的能力，无法捕捉物理世界瞬息万变的信息并做出实时响应。而终端作为连接数字世界与物理世界的桥梁，既能承载个人与企业的专属数据，又能通过各类传感器采集环境信息，为 AI 的个性化与场景化落地提供关键支撑。
算力与模型的协同进化催生两大核心趋势：智能体崛起与终端创新。基于这一逻辑，未来终端生态将呈现三大类形态：一是存量终端升级，通过增强智能计算能力和丰富感知方式，将传统电脑、手机、平板等升级为 AI 终端；二是感知为主、轻交互的新型终端，以 AI 眼镜为代表，实现 24 小时不间断环境感知；三是边缘计算终端，专注于私密化计算，可快速运行数百亿参数的模型，为个人和中小企业提供安全可控的 AI 算力支持。这三类终端共同构成了 AI 落地的核心载体，也成为联想等终端厂商的战略布局重点。
个人 AI 崛起：从公共服务到专属价值的范式重构
个人 AI 的崛起标志着 AI 服务从 「平台中心」 向 「用户中心」 的范式转移。
在对话中，阿木表示，个人 AI 与公共 AI 存在本质差异：以用户立场为核心，具备全场景感知、可信计算、专属服务连接与持续演进四大特征。
一是感知能力同步，个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收经大脑过滤后的输入信息，这种全场景感知能力是公共 AI 无法实现的，因为用户难以将 24 小时的视听数据托付给公共平台；二是可信计算，个人 AI 仅将用户数据用于服务本人，基于 「拥有感」 建立的信任关系，解决了公共 AI 的隐私泄露风险；三是专属服务连接，个人 AI 直接调用各类生活与工作服务，以满足用户真实需求为导向，摆脱了公共 AI 的商业化植入模式；四是持续演进能力，个人 AI 通过持续积累用户记忆，不断调整交互方向，最终成为 「越来越像用户」 的专属陪伴，而公共 AI 则始终服务于全人类的平均水平，无法实现真正的个性化演进。
从场景角度出发，公共 AI 的个性化类似短视频推荐，服务于平台流量变现；而个人 AI 如同 「专属私家车」，通过终端载体实现数据隐私可控、服务精准匹配，解决公共 AI 的信任与体验痛点。
在阿木看来，个人 AI 落地面临四大技术挑战：异构算力平台构建、多模型与智能体调度、长期记忆管理、核心体验创新。联想提出的 「队友」 式个人 AI，通过情景感知、主动服务、直接执行三大能力，重构交互逻辑——如游戏场景主动优化性能、营销场景完成内容全流程发布。
多设备互联是 「队友」 式体验的核心支撑。联想通过三大手段突破跨系统壁垒：构建操作系统之上的智能体体系、打造个人可信云空间、实现终端近场互联。
企业级 AI落地仍面临三大挑战
企业级 AI 落地需完成基础设施、流程、人才三大协同准备。其一，升级数字化底座为完整 AI 基础设施，包含大模型平台、智能体运行平台等；其二，重构业务流程，将传统线性流程转为并行动态模式；其三，培养 AI 人才，中层管理人员是关键。
而在阿木看来，人才培养是三个之中最为重要的一个，「我们在 2026 年的调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训，」 阿木进一步指出，「其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层。」
联想自身智能化转型路径为行业提供参考：遵循 「主价值链优先」 原则，率先在供应链领域应用 AI，实现成本降低与周转效率提升，再向营销、售后等环节推广。对比之下，优先切入员工辅助场景的企业，AI 价值转化有限。同时，企业需规避三大陷阱：误入辅助价值链、预算先行而非 POC 验证、基础设施投资不足。
AI 时代的核心竞争力在于 「整合与落地」。2026 年是 AI 从概念走向落地的关键节点，行业竞争焦点已从技术参数转向场景价值。企业需明确生态定位，通过基础设施、流程、人才协同推进转型；用户将迎来更个性化、更安全的服务体验。未来，把握趋势、深耕落地的企业，将成为智能时代的最终赢家。
精彩内容时间轴
00:01:21 AI 算力进入比摩尔定律更快迭代周期
00:07:24 AI 算法与终端结合过程中的两个挑战
00:12:00 AI+终端的三个类型
00:14:31 个人 AI 与聊天助手的区别
00:23:22 个人 AI 落地过程中的四大挑战
00:29:59 多设备互联面对三大技术挑战
00:34:41 未来 AI 生态存在的企业类型
00:44:45 从 「助手」 到 「队友」，个人 AI 的能力升级
00:48:54 联想生态的 「变与不变」
00:55:34 企业部署 AI 需要的三个准备工作
01:03:07 联想落地 AI 的经验与需要规避的三大陷阱
以下为对话实录，经整理：
刘湘明：从你的角度，分析一下未来 AI 的发展趋势如何？
阿木：正如 20 多年前讨论互联网趋势一样，AI 同样充满一切可能。除了去年以来大家讨论的投资价值与 AI 发展速度是否会改变之外，AI 本身带来的并非仅是一项技术，而是为所有事物提供了重新思考和定义的契机。
若将其解构，可分为两个方面。首先，谈谈人工智能作为技术本身的发展走向。
最底层是近期讨论较多的算力层面。从最初的 CPU 通用计算，发展到以人工智能神经网络为主要算法架构的并行计算，即 GPU 计算。AI 算力已进入比摩尔定律更快的迭代周期，目前完全没有放慢节奏，且在全球范围内形成了多个不同主体快速推进的局面，包括美国公司和中国芯片厂商都在快速进步。我认为 AI 算力的技术升级还将持续一段时间。
第二层是在算力之上运行各种大模型的算法，包括训练与推理两个方向，即构建大模型和应用大模型。目前，构建大模型方面正从文本为主向语音、视频拓展，2026 年将进入原生多模态创新成熟期。同时，为推动物理 AI 快速进入生产生活，与物理 AI 相关的世界模型也在快速探索中。此外，模型小型化技术发展非常迅速，真正落地到个人和企业时，模型需快速、可靠、稳定、无时延，并在可接受成本下持续提供服务。因此，模型小型化技术可能比超大规模模型创新更值得关注。许多原来需 70B+参数实现的模型，现在 30B 即可实现；原来 30B+的，现在 14B 甚至 7B 和 3B 模型也能媲美过去几十 B 模型的能力。这一节奏同样非常快。
在应用大模型方面，后训练技术从强化学习到各类后训练方法正从少数大模型公司下沉至更多非 AI 公司，使其能够自主操作和执行，越来越工程化、越来越可落地。这些应用技术的创新也将快速进展。算力和模型这两个层面的技术变化叠加起来，形成了双螺旋结构，以比摩尔定律更快的节奏进化。
在此之上催生了两个新的 AI 趋势。一是向智能体方向发展，这是数字世界中的创新。从最初的问答工具到丰富的内容生成，再到可进行任务编排和自主执行的数字智能体，变化非常迅速，既包括个人使用，也包括企业应用。
另一个趋势是终端创新。终端不仅包括电脑、手机、平板，还包括大量正在催生的原生终端设备。今天媒体进行的很多直播都涉及这些内容，如 AI 眼镜、穿戴设备、陪伴型设备，以及为使算力更接近使用场景而出现的超强算力盒子等本地化运算设备。这些都是 AI 真正催生的新形态。更大规模的包括各类机器人，无论是人形机器人、运动仿生机器人，还是自动驾驶车辆，都属于机器人范畴。总体来看，终端正在发生演变。终端演变与智能体演变相融合，将在众多场景中催生出新的产品形态。
今天我详细参观了展区，明显感觉到很多地方在介绍 AI 时几乎不再单独介绍算法，而是将模型与某种形态的终端产品结合、嵌入、内置，用以改变传统终端体验或创造新的终端。今年的这一感受非常强烈。
刘湘明：AI 对硬件影响很大，联想作为终端公司，在 AI 时代，有哪些新的可能性？
阿木：自 2022 年 11 月 ChatGPT 首次带来生成式体验产品、GPT 大模型展现涌现能力以来，至今绝大多数不依赖终端的 AI 均为公共服务产品。这类公共服务由具备超强生成能力的模型为所有人提供标准化服务，当时并未催生出专门用于体验 ChatGPT、豆包、元宝或 Gemini 等产品的新型终端。
然而从去年起，AI 算法开始与终端紧密结合，这源于两大新趋势带来的挑战：
第一大挑战是公共 AI 产品的个人化或企业专属化属性不足。其算法为通用算法，所接触的数据既非隐私数据，也非企业专属数据；且无法根据个人或企业需求演进，迭代节奏完全取决于服务商所使用的互联网数据及其优化方向 （如变得更 「温柔」 或更 「刻板」），与个人和企业无关。因此，要让大模型算法真正接触、处理并使用个人私密数据或企业内部数据，就必须下沉到个人和企业层面，而其下沉路径显然需要与终端结合、嵌入终端内部才能实现。
第二大挑战在于持续感知环境变化的能力。AI 不能仅依赖键盘输入或语音提供的语言信息，还需感知环境信息——温度、冷热变化、移动速度、路过人群、前方画面、海报、演讲者的表情神态变化，乃至企业工厂生产作业环境中突发的事故等。这些物理世界瞬息万变的信息必须与终端结合，因为只有终端才能将感知能力带入该环境并采集所需的信息素材，供 AI 理解、感知并最终响应。
综上，无论是接触个人/企业知识数据，还是理解其所处环境并做出针对性、独一无二的快速理解、规划、编排与执行，都需要将公共 AI 向个人 AI 乃至企业 AI 下沉。这一趋势自去年已开始显现：大量企业采用开源模型进行私有化部署，终端也越来越多地将 AI 算法嵌入内置。例如许多显示器在驱动主板中内嵌芯片，可实时进行画面处理、色彩补偿、运动补偿等运算，直接在终端内完成。因此，要实现 AI 的无所不在及个性化，必须与终端结合，这是背后的根本逻辑。
基于这一逻辑，终端结合将呈现三大类形态：
第一类是存量终端升级。包括电脑、手机、平板、电视、汽车等存在已久的产品形态，其算力感知交互能力已非常成熟。只需将通用计算能力增强为智能计算能力，将感知从简单的触控或运动感知扩展为更丰富的感知，或使电脑除键盘鼠标外还能实现感知与跟踪，即可升级为 AI 终端，让 AI 落地并创造新价值。
第二类是感知为主、轻交互的新型终端。目前最受关注的是 AI 眼镜——虽无强大算力，但在环境感知和快速交互方面远优于手机电脑等笨重设备，且可实现 24 小时不间断感知 （除非摘下）。这类终端替用户观察所见一切，与 AI 结合更侧重于感知与交互。
第三类是边缘计算终端。这类终端恰恰不具备感知交互功能，而是出现不带显示、不带互动但算力极强的产品，可快速运行数百亿参数的模型。形态可能是个人家庭放置的设备，也可能是律师、会计师等处理绝密数据的办公室设备，亦或是为二三十人中小企业服务的边缘服务器。这类纯粹保障私密化计算的终端形态将逐渐涌现。
综合算力强交互类、感知类、纯粹私密计算类终端共同构成了未来的终端生态，联想布局终端正是围绕这一逻辑推进。
刘湘明：你觉得个人 AI 与之前的聊天助手之间有何区别？
阿木：首先需明确，「个人 AI」 指的是 「Personalized AI」（个性化 AI），而非 「Personal AI」。当前全球领先的 AI 助手如 ChatGPT、Gemini、Grok、Meta AI、Perplexity，以及国内的豆包、元宝、DeepSeek、通义千问等，本质上都是公共产品。它们的个性化类似短视频推荐——虽内容因人而异，但仍是以商业平台为中心推送的个性化服务，最终目的服务于平台流量变现。
而个人 AI 的第一个核心特征，是以个人的立场和利益为中心。在电脑手机时代，「个人」 意味着所有权——「这是我的手机、我的电脑」。但 AI 不同，AI 不仅是工具，更是有思想的主体。其本质差异如同 「租用小猫获得短暂情绪价值」 与 「饲养一只属于自己的小猫」，或 「乘坐公共交通」 与 「拥有可按自己意志装饰改装的私家车」。平台再怎么个性化，始终以商业目的为归宿；个人 AI 则以满足个人需求为最终目标，由用户为实际获得的服务付费。若服务不满意，用户可选择不付费，这与公共平台通过补贴、广告等机制影响推荐结果有本质区别。
个人 AI 与公共 AI 的差异可归结为四个核心点：
第一，感知能力同步。个人 AI 能够感知用户所看所听的一切日常信息，而非仅接收用户输入的、经大脑过滤后的信息。很难想象用户敢将 24 小时的视听数据托付给公共 AI，这种心理层面的信任障碍是公共 AI 无法逾越的。
第二，可信计算。个人 AI 仅将用户个人数据用于服务用户本人，这种可信不仅是隐私保护，更是基于 「拥有感」 产生的信任。正如人们更信任自己的助理而非临时访客，因为担心隐私泄露。只有确立 「这是我的」 的拥有关系，信任才能建立。
第三，专属服务连接。个人 AI 负责连接并调用外部各类生活服务、学习、娱乐、出行、教育等资源，始终以满足用户真实需求为导向。这与公共 AI 以商业价值为导向、通过高流量植入商业化内容的模式截然不同。用户对有价值的服务愿意付费，公共服务之所以免费，是因为平台需先吸引流量再进行商业转化，而非真正以用户为中心。
第四，持续演进能力。公共 AI 不会真正 「越来越像你」，用户每天需重新编写数万字提示词，AI 才会短暂理解，次日又需重复。而个人 AI 能持续接触用户记忆，根据行为习惯调整后续交互方向，甚至在未来算法本身也能进行后续训练，最终成为越来越像用户的 AI 陪伴。公共 AI 服务于全人类平均水平，与用户个体无关；而个人 AI 服务于 「独特的我」，而非平均水平。
从历史维度看，电脑最初也是公共商用产品，IBM 曾认为全球几百台计算机已足够。但最终因人人都有不同需求，演变为个人电脑 （Personal Computer）。同理，AI 也正处于从公共为主向个人转移的阶段。这种转移并非意味着公共 AI 消失——公共产品因规模效应成本低，始终存在——而是个人 AI 将逐渐崛起并加速普及。因其依托终端下沉，带给用户拥有感和驾驭感，而非虚无缥缈的软件。
刘湘明：在实现个人 AI 的过程中，有何挑战？
阿木：技术挑战主要体现在以下几个方面 （不分先后顺序）：
第一大挑战是算力承载能力。当前大模型依然是 AI 最关键的能力，因为感知环境、理解意图 （包括根据环境猜测意图）、编排任务步骤、调度其他智能体进行测试验证以寻找最优解，以及多模态处理等场景均需要大模型支持。因此，终端算力必须快速提升。这要求算力架构从以 CPU 为核心的通用计算，转变为 CPU+GPU+NPU 的异构算力平台，使不同规模的模型都能在终端有效运行；而超大规模、复杂意图的处理则需在个人云空间中完成。因此需要尽快升级高算力设备，如联想的 AI PC、AI 手机、AI 平板，使 AI 算力成为内置标配，从而将 AI 能力真正下沉。
第二大挑战是模型调度与智能体网络调度。这一挑战比模型算法和单个智能体应用更复杂。每次请求可能需要调度七八个模型在终端或云端协同工作，以最低成本、最快速度完成响应。此外，为满足某项服务需求，还需调度数百甚至上千个小型智能体，如何选择合适的智能体成为关键问题。这需要建立智能体网络调度机制。简言之，模型与智能体技术本身是挑战所在，但这不是基础科学问题，而是工程化问题——需投放市场，根据用户需求持续优化，而非仅进行理论创新。
第三大挑战是个人知识与记忆管理。当前短期记忆处理已相对成熟，但长期记忆的管理 （如何遗忘、何时抽象、何时长期保留） 更为复杂。例如，当某个意图出现时，是否应调取三个月前的对话记录或邮件往来作为参考，这涉及记忆的治理技术，非常复杂。记忆技术必须在 2026 年实现明显进阶，否则个人 AI 的个性化程度将不足。缺乏记忆的 AI 如同行尸走肉，正因拥有记忆，人才成为有血有肉的个体。此外，个人沉淀的大量数字化文档资料 （如照片、视频） 也需要进行有效处理，以便快速抽取和调取。这方面技术反而更有信心，因为许多大模型公司正在努力处理人类整体知识。
第四大挑战是体验创新。任何产品要成功引爆市场，必须找到刚性需求——非其不可、其他皆可容忍的 「Must Have」 体验。本届 CES 上，每家企业都在试图挖掘这一体验点。虽然终端形态众多，但当被问及主要用途时，部分企业无法明确回答，仅罗列多项功能。这种 「Nice to Have」 的功能无法真正驱动个人 AI 普及。因此，找准体验点并将硬件、软件、服务与大模型整合交付，围绕该体验进行聚焦而非贪多求全，极为关键。
综上所述，这些挑战均需持续研发投入方能解决。联想的布局主要包括两方面：一是研发个人超级智能体，解决感知、理解、规划、调度及个人知识记忆处理、自然交互等问题；二是进行终端研发，提升算力、改变终端形态、丰富感知方式，并实现终端之间的能力接力与协同，确保在部分终端关闭时其他设备 （如眼镜） 仍能保持服务。当终端无法承载时，还需通过个人可信云空间保障体验不中断。这些正是联想当前投资的核心方向，每个技术挑战都值得持续深入钻研。
刘湘明：手机、平板、电脑之间的串联体验确实是一个大挑战，你们是如何解决的？
阿木：当前终端操作系统呈现多元化格局：电脑端以苹果 macOS 和微软 Windows 为主导；手机端核心为谷歌 Android（海外与中国版本存在差异，但底层架构一致）；平板则存在浏览器操作系统等轻量方案；此外，各类 IoT 设备如机器人、AI 眼镜、可穿戴设备、智能戒指等均采用不同操作系统。
实现多设备互联需解决三大技术挑战：
第一，跨操作系统服务。并非将操作系统 AI 化，而是使其下沉为智能体调用的工具。类比计算机启动时的 BIOS，在 Windows 启动后 BIOS 便下沉完成底层初始化；当智能体体系建立后，操作系统同样需要下沉。唯有如此，才能在多端之间保持一致互联体验。当前各生态体系规模庞大、演进缓慢，彼此基本隔离，仅偶有合作。
第二，端云混合架构。需构建个人可信云空间 （非公共云），即每个用户专属的端到端封闭可信计算通道，数据在计算后销毁。联想去年与火山引擎合作，在中国率先落地了首个个人可信云空间，确保任何数据 （包括火山引擎、联想及其他第三方） 均无法触碰和使用，且不保存。该云环境与终端结合，可在终端不连续时实现知识迁移，将感知数据跨终端传递并延续记忆，保障体验不中断。
第三，终端近场互联。当两个终端距离仅三五米时，需通过设备直连技术实现算力共享与内容、感知信息的互通。例如，AI 眼镜的感知能力可由手机完成，眼镜负责画面采集，手机利用多模态模型理解场景 （如识别直播状态、观众增长等）。这种直连方式可解决实时性问题，消除时延，优化能耗，并由最佳终端完成计算任务，同时实现传感信息的共享。
综上，联想通过 「操作系统之上的智能体体系」、「端云架构配合」 以及 「多端近场互联」 三大手段，致力于实现终端间浑然一体、不中断的连续体验。
刘湘明：还有一个小问题。你刚也提到计算系统、操作系统下沉，意味着原先熟悉的计算环境发生了翻天覆地的变化。这其中也会有很大的机会，联想准备如何抓住这样的机会？
阿木：以个人 AI 为例，未来生态中主要存在三类企业：
第一类是整合者。首先需要回顾核心概念：个人 AI 的主权属于个人。因此，整合者需将硬件、大模型、智能体、服务连接规则与方法、安全保护机制以及各类传感技术整合起来，交付给个人用户。用户可以从手机、电脑等具备算力的终端开始使用，单纯的眼镜因算力不足无法独立承载。在个人 AI 的语境下，因其必须永远是 「你的 AI」 而非商业化机构提供的版本，整合商的角色至关重要。
第二类是服务提供者。个人 AI 若仅停留在生成层面则无意义，必须能够直接调用旅行、生活、娱乐、办公等各类服务。需要明确概念：不应称为 「开发者」 或 「APP」，因为其本质是 「service」。个人 AI 应直接完成服务交付，而非通过商业平台中转。例如，不应是 「搜索后推荐」，而应直接抓取最符合用户需求的餐厅并给出结果，否则中间平台会截留商业价值，影响个人 AI 的代表性。因此，未来每个商户、航空公司、景区、产品提供商都应成为直接服务提供者，个人 AI 可根据其服务描述直接调用，将最匹配的服务推送给用户。application 是流量经济的语言，在个人 AI 时代已不适用——因为个人 AI 的核心是服务本身，而非流量。
第三类是能力保障层。包括大模型提供商、感知器件供应商、GPU 算力提供商、安全技术环境提供商等。他们不直接接触客户，但为整个体系提供基础能力支撑。
明确这一分层架构后，可以回答联想的定位：联想扮演的是整合者角色。负责将设备、各类能力 （算力、传感、感知等） 整合为成本可控的终端设备，嵌入个人超级智能体以及服务连接的标准与规则，最终完成交付。
整合者角色并非联想独有。众多终端+应用类公司以及公共 AI 提供商都在进入该领域。目前几乎没有不涉足硬件的大模型公司，因其发现要触达个人用户必须完成整合交付。但公共 AI 厂商面临一大挑战：其原有商业模式依赖流量变现和广告，用户会质疑其是否能始终代表用户利益。初期尝鲜尚可，但深度使用时用户会担忧 AI 究竟代表用户、商户还是平台利益，可信度成为关键障碍。
服务层呈现两类格局：一类是三年前开始创业的原生智能体公司，其天生就提供直接服务，但为提升销售可行性也在推出终端产品；另一类是传统 APP 开发者，目前出现巨大分裂——部分固守原有流量模式，因智能体冲击而损失严重；另一部分尝试改造，但改造后封闭性较强，不允许被外部 AI 调用，仍在转型过程中。
联想在服务层主要扮演连接角色，制定调用标准协议和分成结算机制。结算逻辑是用户为服务付费后，服务提供者向联想支付费用，而非联想代付。计费依据是实际服务交付而非调用次数。在能力层，联想主要采取合作模式，与英伟达、英特尔、AMD、微软、高通等算力提供商，以及国内外大模型厂商建立深度合作关系。
刘湘明：那你觉得 FIFA 是哪一类呢？
阿木：FIFA 属于中间的服务层，直接提供服务——即足球赛事服务。未来还有一类可探索的模式：背后的俱乐部乃至球员本身也可能成为直接的服务层。
足球的真正粉丝 （而非普通看客） 通常会对某个俱乐部、国家队或特定球星保持长期忠诚，甚至可能对国家无感，唯独钟情于个别球员。因此，服务提供者未必仅限于 FIFA 这类大型机构，每个球员都有可能成为直接服务节点。
届时，球员可直接与个人 AI 建立联系，但前提是需要对自身进行准确地描述与呈现。目前这一环节尚属空白。联想开发的 football AI 之所以能深度挖掘、分析并评析每支球队和每名球员，背后是与球队及 FIFA 合作完成了大量的数据整理工作，从而使 football AI 具备极强的纵深理解能力，能够精准把握每位球员在每场比赛中的状态。
刘湘明：听说联想的个人 AI 目标今年是从 「助手」 升级为 「队友」，这个 「队友」 能具体帮我做什么现在 「助手」 做不到的事？
阿木：「队友」 是一个拟人化比喻，指 AI 作为协作伙伴与人共同完成某项事务——可能是一个专题、项目、工作任务或生活需求。
当前能力主要体现在以下三个层面：
第一，情景感知。AI 能够感知用户当前经历和未来意图，理解 「context」（情境） 而非仅处理用户输入。例如，当用户晚上 8 点 48 分打开拯救者电脑，AI 能判断其准备进入游戏状态；当发现用户在游戏过程中暂停并陷入思考，AI 可识别其正在反思战术策略或与其他队友讨论。目前情景感知主要在电脑、手机、平板等数字设备中实现，未来随着陪伴式设备和机器人普及，将扩展至物理世界的情境感知。
第二，主动服务。在感知情境后，AI 能够主动推荐、主动服务，无需用户召唤即可介入，直接生成结果。这种主动性体现为 「我知道你正在经历什么，因此我来主动改变你的状态、提供服务」。
第三，直接执行。AI 不再仅提供执行建议，而是直接完成任务闭环。诸如 Atlas、Comet（Perplexity 旗下产品） 以及豆包手机助手等，已实现基于用户意图直接完成任务。虽然用户操作看似简单，但其背后运用了复杂的技术组合。目前在工作、学习等场景中，「队友」 已能直接生成最终结果 （如营销人员直接生成并发布小红书内容），而非甩给用户自行处理。这种担当意味着 AI 需花费数分钟甚至更长时间进行深度研究、反复推理、计算试错，最终交付成果。
总结而言，「队友」 的核心特质在于：知晓你的状态并为你所急、无需召唤主动服务、担当责任而非仅提供建议。
刘湘明：在生态方面，未来联想和生态伙伴的合作方式会不会有一些变化？
阿木：联想与生态合作存在 「一个不变」 与 「一个变化」：
不变的是，联想一贯从用户角度出发思考产品，并据此规划产业链角色与协同方式。联想内部通过战略研讨、战略论证和产品规划，始终遵循这一逻辑。这里的 「用户角度」 并非简单等同于 「用户需求」——客户或许只能想到 「跑得快需要好鞋」，却想不到 「其实可以骑自行车」。因此，站在客户立场定义好产品后坚持开放合作，这是不变的。
变化的是，合作形态从成熟商务模式转向共创迭代。传统成熟市场的合作通常是对接、签合同、分钱，但 AI 领域的场景创新与产品创新尚不稳定清晰，需要不断试错，甚至硬件方向也可能在半年一年后调整放弃。因此，必须与服务提供商、能力提供者开展大量共创，这与传统的成熟开放合作模式有本质不同。
服务共创层面，联想与中国本土平台 「什么值得买」、腾讯视频等合作智能体服务连接。当用户意图明确指向其内容为最佳选择时，个人 AI 会调用这些服务，但是否调用、何时调用完全由个人 AI 根据用户意图决定，而非由联想进行排序干预。
算力共创层面，联想与高通、Intel、AMD、英伟达等算力提供商开展深度合作，针对智能体运算需求进行大量算力适配，目标是降低算力依赖、降低成本、降低能耗，尤其要在手机和平板上实现不影响续航的终端 AI 运算。各方需共同测试后上线，再根据用户反馈和实际使用情况，持续优化芯片内部算法及算子库，不断迭代。这一合作模式已持续三四年。
总体而言，这是一种开放与共创的做法。
刘湘明：之前你说服务商需要进行搜索引擎优化，在智能时代，是不是就要对智能助手进行优化？
阿木：需要首先明确的是，这里讨论的不是 「助手」，也不是以商业平台为核心、以流量变现为目的的公共 AI。前面所讨论的个人 AI，是指代表个人立场、以个人利益为中心的 AI。理清这一概念至关重要，因为部分观众可能未观看前面的内容。在这一背景下，我们再来看刚才的问题。
关于个人 AI 的优化，严格来说其主要优化来源在于个人自身。商业机构如联想需要持续引进和升级的有两个方面：
主要优化来自用户侧：基于个人知识、个人记忆以及个人所处的感知环境进行优化。这部分联想无法干预，因为这些数据和环境情景均属于用户个人。交付给用户后，联想无法接触这些数据，否则将违背个人 AI 的本质。因此，使用越多，AI 越像用户本人，越了解其喜好和期待。用户只需简单操作 （如连续点击 「不要了」），AI 便能学习并调整，这是基于个人使用和数据记忆的优化。
需要持续优化的两个方面：
一是算力。个人无法自行打开芯片进行修改，因此需要联想持续与芯片厂商合作优化。
二是模型升级。当前模型迭代并未放缓，原生多模态、世界模型、小型化等技术快速发展，开源模型进步迅速，且出现了许多在特定专业领域表现优异的专用模型。例如，银行从业者可能需要金融领域的专业模型，其生活与工作可能高度聚焦于该领域。因此，引入最适合个人 AI 的模型，以及能够承载对应智能体运算的算力，需要联想持续与大模型厂商、云厂商和算力提供商合作。
新增优化点：从去年开始，可信安全成为新的优化重点。传统安全 （应用安全、设备安全、内容安全） 已讨论成熟，当前更关注智能体安全、智能体网络安全、大模型推理计算过程的安全，以及授权后调用 APP 过程中未被 「下毒」 的安全。例如，被恶意干扰后可能出现执行结果偏差 （如将红色变为黑色）。这些新的 AI 安全体系是个人 AI 可信的前提条件，需要持续迭代优化，而这是个人无法做到的。
刘湘明：除了个人 AI 之外，联想有一半的业务来自企业级。在企业级 AI 方面，联想有何战略，包括个人 AI 和企业级 AI 在企业的部署，需要做好哪些准备工作？
阿木：首先需要说明的是，尽管名为 「CES」（消费者电子展），但当前展区内容已远超出消费级范畴。现场展出了大量企业级 （Enterprise） 产品，涵盖汽车、挖掘机 （如卡特彼勒）、农业解决方案等各类工业领域。展会内涵已远超 「Consumer Electronics」 的命名范畴，「C」 字母实际上已名不副实。如今，探讨企业级应用已成为 CES 的核心主题。
在企业展区中，绝大多数展示内容都围绕 AI 在企业环境中的应用展开，范围从城市治理到中小企业、SOHO 办公乃至门店管理。AI 在企业中的渗透恰逢其时：三年前 AI 成本高昂，企业难以接触；前两年 AI 仅能用于内容生成，无法投入实际生产，且存在幻觉等问题。但 2025 年以来，随着开源模型将成本降至极低水平，模型推理能力也显著增强，AI 已能在企业内部执行某些流程并达到可接受的水平 （人类本身也会犯错，只要 AI 表现略优于人工且无需培训即可使用）。
因此，自 2025 年起，企业开始在流程中真正应用基于大模型的智能体 （Agent AI），但当前应用仍主要集中在生成环节，如生成海报、文档、会议纪要、工厂操作手册，或基于故障知识库诊断问题。这些本质上都是 「生成」 行为——根据提问从海量知识库中匹配最相关答案。虽然已开始认真使用，但应用深度有限。
AI 要在企业内部真正创造价值、转化为生产力，必须重构业务流程。生产力决定生产关系，而在企业内部，生产关系体现为流程——规范员工权限分配与执行顺序的体系。
因此，AI 在企业内部深度落地需完成三项准备：
第一，升级数字化底座。将原有数字化平台升级为 AI 平台，构建包含大模型平台、智能体开发运行平台、知识管理平台、GPU 推理算力管理平台以及可信计算平台的完整 AI 基础设施。调研显示，61% 的企业尚未建立 AI 底座，仅 39% 开始建设。因此，无论发布会展示多么炫目，企业首先需完成基础设施升级，智能体 AI 才能落地。
第二，重构企业内部流程。当前 CES 展示的许多企业 AI 方案无法在真实企业中落地，因其无法嵌入现有流程。传统流程是线性步骤 （1-2-3-4-5），引入 AI 后可能变为 1-5（跳过中间环节），甚至将步骤并列执行。例如，产品研发传统流程为 「研发→测试→报告→上市」，引入测试智能体后，研发第一天即可同步启动测试，实时预警散热、老化、电磁干扰等问题，实现研发与测试并行。若流程不变，仅增加测试智能体，除增加成本外价值有限，员工与流程均未改变。只有重构流程，让研发人员直接使用测试智能体 （而非测试人员使用），才能实现根本变革。企业需由业务负责人牵头，逐一梳理在具备自主编排执行能力的智能体支持下，流程应如何重塑。
第三，人才培养。企业普遍缺乏能熟练使用 AI 的人才。仅少数因使用个人 AI 而有经验的员工能在企业环境中应用，绝大多数员工未做好准备。这如同 2000 年时 PPT 技能成为入职门槛，AI 协作能力将成为新的基础要求——员工需学会与智能体共处，将其视为队友，容忍其错误并耐心调教，使其在流程执行中变得可靠贴心。但基层员工通常缺乏管理技能 （中层管理人员因长期带团队而具备调教能力），容易产生抱怨与恐惧情绪 （如担心被替代），进而导致 「AI 不准」 的负面评价。实际上，新员工也需三个月试用期培训，智能体同样需要培养过程。
2026 年调研显示，企业在 AI 落地中面临的最大痛点并非前两项，而是人才。没有合适的人才，一切都无法落实。因此人才培养成为重中之重，且无捷径可走，必须反复培训。
其中有一个关键策略：从中层管理人员开始培养。不应直接要求基层员工改变，因为中层管理人员若不变革，其仍按原有流程管理，一句 「研发完再测试」 便将优化努力全盘否定。只有当中层管理人员提升 AI 素养后，才能带领团队实现真正的转变。
刘湘明：最后一个问题，联想自身也用了很久 AI 了，在这些过程中，踩过哪些坑？有哪些经验可以与大家分享的？
阿木：联想的 AI 战略可追溯至 2017 年，当时全球仍在讨论数字化转型，企业普遍投入大数据平台并热衷于建设可视化大屏。联想在当时已率先推动智能化转型，探索如何运用 AI 算法挖掘数据价值，实现预测、预警、推理规律乃至为产品规划提供决策建议。历经八年多迭代，擎天平台已从 1.0 的敏捷化、2.0 的判别式 AI，发展到 3.0 引入生成式 AI，并于 2024 年在 4.0 版本中融入智能体 AI。长期以来，联想持续在不同业务领域验证 AI 价值，以业务数据 （收入提升、成本降低、周转加速、客户满意度与忠诚度改善、粉丝增长） 证明技术有效性，因为企业真正关心的是技术背后的商业价值。
实践路径遵循主价值链优先原则。联想率先在供应链领域应用 AI——因其数据量最为庞大且复杂，涉及数千个组件、数十家工厂及面向 180 多个国家和地区的 48 小时交付，海量数据无法靠人力处理。随后在营销、销售、售后服务等环节推广，最后才应用于员工层面。值得注意的是，许多企业优先选择员工场景切入，但这属于辅助价值链，创造的价值极其有限。供应链成本节约直接转化为利润，而员工工作时间节省一小时仅相当于增加一小时刷短视频时间，并未带来实际成本节约。因此，应在主价值链应用 AI，若技术不成熟宁可等待，切勿将精力浪费在邮件生成、纪要自动生成等辅助功能上。智能体之间若可直接对话，纪要本身已无必要。
企业应用 AI 需规避三大陷阱：
陷阱一：误入辅助价值链。每个企业都有核心价值链，若 AI 应用未作用于主价值链，价值微乎其微。真正的目标应是让智能体直接完成任务，而非生成仅供人阅读的建议。
陷阱二：预算先行而非 POC 验证。企业内部立项通常要求先明确价值再批预算，但当前无人确切知晓 AI 在特定企业的价值空间，仅确信其价值必然存在。正确做法是先进行 3-6 个月的 POC 测试，在此期间完善知识库、培训员工、优化流程。待验证真实价值后再立项投资并规模化复制，而非沿用传统 IT 项目的预算审批模式。
陷阱三：基础设施投资不足。企业宁可采购一体机供百人使用，也不愿升级数据中心，因其认为固定资产投入无法回收。然而，AI 底座升级是一项战略性投资，周期为 3—5 年，绝非 IT 部门预算可决定的课题。正如 2000 年 ERP 系统的 「上 ERP 找死，不上 ERP 等死」 困境，与等死相比，寻死尚可向死而生。此类投资必须由 CEO、董事长或总裁自上而下战略批复，不能按单个智能体项目零星投入。这是从数字平台到 AI 底座的突变式升级，而非渐进改良。部分前瞻企业已直接将收入的千分之几甚至百分之几 （如金融公司） 专项投入基础设施建设，再寻找应用场景，因其属于固定资产投入，不会全额冲减当年利润。
刘湘明：谢谢你今天的分享。
（本文首发于钛媒体 APP）
