过去几个月，“龙虾”类智能体产品经历了一轮从狂热到理性的过程。英特尔中国区技术部总经理高宇认为，这正是讨论“智能体 PC”的时机：智能体时代的大门已经打开，但要让它从工程师和极客的“玩具”，变成大多数人都能使用的工具，行业需要在硬件、软件、产品和生态上共同补齐短板。
英特尔给出的方向是端云混合 AI，即让云端大模型负责更复杂、更长上下文、更高智能的任务，让本地 AI 模型承担一部分固定流程、隐私敏感和低延时任务，再通过智能路由机制在端侧和云端之间自动分配任务。在其看来，这将是智能体 PC 普及的关键。
智能体 PC：不是更快的 PC，而是“数字分身”
英特尔这次提出了“智能体 PC”的概念，并解释称这并不是简单在 AI PC 上跑几个本地模型，而是面向智能体使用方式重新设计的 PC 形态。
传统 PC 是人类使用的工具。用户需要学习操作系统、应用软件、文件目录和各种功能按钮，本质上是人去“服务”电脑。智能体 PC 则反过来。它更像是人的数字分身，能够理解用户目标、学习用户习惯、记住任务和偏好，并主动帮助用户完成工作。用户不再需要一步步操作软件，而是说出目标，由智能体负责规划和执行。
二者的核心差别在于：传统 PC 是人操作机器，智能体 PC 是 AI 替人完成任务。
传统 PC 依赖键盘、鼠标和应用图标，用户需要自己打开软件、切换窗口、查找文件、整理信息，并全程在线操作；智能体 PC 则通过自然语言理解用户目标，自动拆解任务、调用工具、执行流程，并在必要时反问、确认和提醒。
传统 PC 不记得用户是谁，也不了解用户习惯；智能体 PC 则需要具备长期记忆，能记住用户偏好、任务上下文、说话风格、工作节奏，以及尚未完成的事项。
在应用形态上，传统 PC 呈现的是一个个独立软件，用户在 Word、Excel、浏览器、会议工具之间来回切换；智能体 PC 则把应用隐藏在任务背后，用户看到的是任务流和工作流。
因此，传统 PC 更像一个被动工具，而智能体 PC 更像一个能持续执行、异步工作、自动整理信息并输出结论的数字助手。
英特尔认为，智能体 PC 需要具备四项核心能力：一是本地任务闭环，能够自主完成复杂流程，不再依赖用户一步步操作；二是长期记忆和自主进化，能记住用户偏好、习惯和未完成事项，越用越懂用户；三是端云混合推理，让本地模型处理固定流程、低延时和隐私敏感任务，把复杂推理和长上下文任务交给云端大模型；四是本地安全护栏，确保高隐私数据和高危操作始终可控。
更形象地来说，如果把智能体 PC 看成一个虚拟人，它的软件架构可以拆成五个模块：
思考模块像大脑，由 AI 模型驱动，负责理解和推理。
调度模块像身体，由智能体核心逻辑驱动，负责任务调度、上下文维护和状态监控。
执行模块像四肢，通过 Python、命令行脚本、MCP 服务、Function Calling、本地 API 或 SDK 等方式完成任务。
通信和交互模块像五官，接入微信、飞书、本地 WebUI 等入口，并逐渐走向多模态交互，不再只依赖键盘和鼠标。
记忆模块则像人脑记忆体，负责存储用户偏好、历史任务和关键上下文。
在常见执行流中，用户通过微信、飞书或本地 WebUI 提交需求，消息网关将需求拆解并封装成系统提示词，交给云端 AI 模型推理。模型完成任务分解后，再通过不同执行器调用工具执行。执行结果会再次交给大模型分析，判断任务完成度，并规划下一步动作。这个过程会循环往复，直到任务完成。
必要时，系统还会调用 Skill。Skill 可以理解为大模型的“指南”和“说明书”，帮助模型在特定任务中更稳定、更符合预期。如果任务中产生了关键信息，也会通过记忆模块持久化保存。这基本是目前 OpenClaw 等智能体系统的共同运行逻辑。
为什么必须端云混合？
答案很简单：云端太贵，本地还不够聪明
云端 AI 能力更强，支持更长上下文，也更适合复杂推理任务。但它的问题也明显：成本高、存在隐私顾虑，而且在 Token 经济火热之后，云端 AI 能力和响应速度并不总是稳定。
端侧 AI 可以降低 Token 消耗，也能减少隐私数据外发，适合处理固定流程、本地文件、语音转文字、OCR 等任务。但端侧模型智能水平仍然和云端大模型有差距。即便把 120B 模型通过量化方式强行跑在端侧设备上，在任务完成度和质量上，仍然难以完全追上云端更大规模模型，而且硬件成本也高，特别是在内存价格高企的背景下并不适合普及。
因此，英特尔认为正确方向不是端侧替代云端，也不是所有任务都上云，而是端云协同。
更具体地说，智能体 PC 需要一个本地“辅脑”。它可以是运行在 AI PC 本地的中小尺寸模型，用来分担云端“主脑”的一部分推理工作。相对固定、不容易出错、隐私敏感或低延时要求高的任务，可以交给本地辅脑完成；复杂推理和长上下文任务，再交给云端主脑。
本地辅脑不只是跑一个小语言模型，还可以承担大量专项 AI 任务。例如，当智能体需要执行语音转文字任务时，可以调用本地 ASR 模型，而不必再把音频传到云端。这样既降低费用，也减少延时。
同时，系统还需要任务路由机制，由智能决策器判断任务类型，决定调用云端主脑还是本地辅脑。
英特尔希望，通过这套机制，未来至少 30%以上的任务可以放在本地运行，从而同时提升可靠性并节省 Token 费用。
英特尔给出三档智能体 PC 硬件路线
要让智能体 PC 从极客玩具变成大众工具，硬件价格和形态必须足够现实。英特尔给出的方案，是用不同 CPU 平台覆盖入门、主流和旗舰三档市场。
第一档是第三代英特尔酷睿处理器 Wildcat Lake 平台，面向入门市场，提供 40 TOPS 算力，可满足部分本地 AI 需求。英特尔将其定位为智能体 PC 的入门 CPU 选择。
第二档是第三代英特尔酷睿 Ultra 处理器 Panther Lake 家族，分为 8 核和 16 核版本。其中 8 核产品可提供最高 100 TOPS 算力，已经可以在本地运行 Qwen3.5、Qwen3.6 家族中的部分模型，承担本地辅脑能力。
第三档是旗舰酷睿 Ultra X 系列，采用 12 Xe CPU 设计，AI 算力可达 180 TOPS。英特尔认为，这一平台可以在端侧胜任 35B MoE 模型，并提供更好的 Token 速度和用户体验。
在内存配置上，英特尔认为 32GB 是相对合理的主流选择，经济条件允许则可以选择 64GB。得益于统一内存架构和灵活可调显存技术，32GB 系统中最高可将 92%以上内存分配给显存，约 27GB 可作为显存使用，足以全量载入 35B 模型，并实现 128K 以上上下文窗口。入门配置则可以使用 16GB，甚至 12GB 内存，用于运行中小尺寸模型，以降低成本和功耗。
MoE 模型的特点是拥有多个专家，但不同专家被激活的概率并不相同，经常会出现“热专家”和“冷专家”。英特尔强调了 AI SSD 技术的思路，即把不常使用的冷专家卸载到 SSD 中，需要时再从 SSD 动态加载。这对 SSD 性能提出了很高要求，包括顺序读写、随机读写以及软件优化。这类技术的意义在于，让更大模型有机会在成本更可控的端侧设备上运行，而不是全部依赖昂贵内存。
据悉，当前英特尔与合作伙伴群联已经实现 AI SSD 针对第三代英特尔酷睿 Ultra 系列处理器的卸载和加速。
在产品形态上，英特尔认为 Mini PC 是智能体 PC 的一个好形态，但绝不是唯一形态。轻薄笔记本会是智能体 PC 最重要的大众化载体，因为它离普通用户最近，也最容易普及。除此之外，一体机、AI NAS、AI Box、边缘网关，甚至其他系统集成设备，都可能成为智能体 PC 的不同形态。