聯想阿木：個人AI與企業AI融合重構AI生態

在2026年CES（國際消費電子展）現場，科技行業對AI的討論已從單一技術概念轉向場景化落地的深度探索。聯想集團副總裁、中國區戰略及業務拓展副總裁阿不力克木·阿不力米提（以下簡稱“阿木”）在與鈦媒體集團聯合創始人、聯席CEO劉湘明的對話中，系統拆解了AI技術演進的核心邏輯、終端融合的必然趨勢，以及個人AI與企業級AI的落地路徑。這場對話不僅勾勒出聯想在AI時代的戰略布局，更揭示了全球AI產業從公共服務向個人專屬、從消費級應用向企業級滲透的關鍵變革。

正如阿木所言——AI帶來的并非僅是一項技術，而是為所有事物提供了重新思考和定義的契機，這種重構正在終端形態、商業生態和企業運營三個維度同步發生。

AI算力與模型驅動終端生態重構

回顧科技產業發展歷程，每一次技術革命的深化都離不開底層算力與上層應用的協同進化。AI產業的發展同樣遵循這一邏輯，呈現出算力與模型雙螺旋上升的演進態勢，并由此催生終端形態的根本性變革。IDC最新發布的《2026年全球AI算力市場報告》顯示，全球AI算力市場規模預計在2026年達到1152億美元，同比增長42.8%，遠超傳統通用計算市場的增長速度，印證了阿木關于“AI算力進入比摩爾定律更快迭代周期”的判斷。

與此同時，模型小型化技術的快速發展正在打破“參數規模決定性能”的固有認知，“許多原來需70B+參數實現的模型，現在30B即可實現；原來30B+的模型，如今14B甚至7B和3B模型也能媲美過去幾十B模型的能力?！卑⒛局赋?。這種小型化趨勢為AI的終端下沉提供了關鍵支撐，因為真正落地到個人和企業時，模型必須具備快速、可靠、穩定、無時延的特性，并在可接受成本下持續提供服務。

從技術演進的底層邏輯來看，AI與終端的融合是解決公共AI兩大核心痛點的必然選擇。一方面，公共AI產品的個人化或企業專屬化屬性不足，其通用算法無法處理個人隱私數據或企業專屬數據，也無法根據特定需求演進；另一方面，公共AI缺乏持續感知環境變化的能力，無法捕捉物理世界瞬息萬變的信息并做出實時響應。而終端作為連接數字世界與物理世界的橋梁，既能承載個人與企業的專屬數據，又能通過各類傳感器采集環境信息，為AI的個性化與場景化落地提供關鍵支撐。

算力與模型的協同進化催生兩大核心趨勢：智能體崛起與終端創新?；谶@一邏輯，未來終端生態將呈現三大類形態：一是存量終端升級，通過增強智能計算能力和豐富感知方式，將傳統電腦、手機、平板等升級為AI終端；二是感知為主、輕交互的新型終端，以AI眼鏡為代表，實現24小時不間斷環境感知；三是邊緣計算終端，專注于私密化計算，可快速運行數百億參數的模型，為個人和中小企業提供安全可控的AI算力支持。這三類終端共同構成了AI落地的核心載體，也成為聯想等終端廠商的戰略布局重點。

個人AI崛起：從公共服務到專屬價值的范式重構

個人AI的崛起標志著AI服務從“平臺中心”向“用戶中心”的范式轉移。

在對話中，阿木表示，個人AI與公共AI存在本質差異：以用戶立場為核心，具備全場景感知、可信計算、專屬服務連接與持續演進四大特征。

一是感知能力同步，個人AI能夠感知用戶所看所聽的一切日常信息，而非僅接收經大腦過濾后的輸入信息，這種全場景感知能力是公共AI無法實現的，因為用戶難以將24小時的視聽數據托付給公共平臺；二是可信計算，個人AI僅將用戶數據用于服務本人，基于“擁有感”建立的信任關系，解決了公共AI的隱私泄露風險；三是專屬服務連接，個人AI直接調用各類生活與工作服務，以滿足用戶真實需求為導向，擺脫了公共AI的商業化植入模式；四是持續演進能力，個人AI通過持續積累用戶記憶，不斷調整交互方向，最終成為“越來越像用戶”的專屬陪伴，而公共AI則始終服務于全人類的平均水平，無法實現真正的個性化演進。

從場景角度出發，公共AI的個性化類似短視頻推薦，服務于平臺流量變現；而個人AI如同“專屬私家車”，通過終端載體實現數據隱私可控、服務精準匹配，解決公共AI的信任與體驗痛點。

在阿木看來，個人AI落地面臨四大技術挑戰：異構算力平臺構建、多模型與智能體調度、長期記憶管理、核心體驗創新。聯想提出的“隊友”式個人AI，通過情景感知、主動服務、直接執行三大能力，重構交互邏輯——如游戲場景主動優化性能、營銷場景完成內容全流程發布。

多設備互聯是“隊友”式體驗的核心支撐。聯想通過三大手段突破跨系統壁壘：構建操作系統之上的智能體體系、打造個人可信云空間、實現終端近場互聯。

企業級AI落地仍面臨三大挑戰

企業級AI落地需完成基礎設施、流程、人才三大協同準備。其一，升級數字化底座為完整AI基礎設施，包含大模型平臺、智能體運行平臺等；其二，重構業務流程，將傳統線性流程轉為并行動態模式；其三，培養AI人才，中層管理人員是關鍵。

而在阿木看來，人才培養是三個之中最為重要的一個，“我們在2026年的調研顯示，企業在AI落地中面臨的最大痛點并非前兩項，而是人才。沒有合適的人才，一切都無法落實。因此人才培養成為重中之重，且無捷徑可走，必須反復培訓，”阿木進一步指出，“其中有一個關鍵策略：從中層管理人員開始培養。不應直接要求基層。”

聯想自身智能化轉型路徑為行業提供參考：遵循“主價值鏈優先”原則，率先在供應鏈領域應用AI，實現成本降低與周轉效率提升，再向營銷、售后等環節推廣。對比之下，優先切入員工輔助場景的企業，AI價值轉化有限。同時，企業需規避三大陷阱：誤入輔助價值鏈、預算先行而非POC驗證、基礎設施投資不足。

AI時代的核心競爭力在于“整合與落地”。2026年是AI從概念走向落地的關鍵節點，行業競爭焦點已從技術參數轉向場景價值。企業需明確生態定位，通過基礎設施、流程、人才協同推進轉型；用戶將迎來更個性化、更安全的服務體驗。未來，把握趨勢、深耕落地的企業，將成為智能時代的最終贏家。

精彩內容時間軸

00:01:21 AI算力進入比摩爾定律更快迭代周期

00:07:24 AI算法與終端結合過程中的兩個挑戰

00:12:00 AI+終端的三個類型

00:14:31 個人AI與聊天助手的區別

00:23:22 個人AI落地過程中的四大挑戰

00:29:59 多設備互聯面對三大技術挑戰

00:34:41 未來AI生態存在的企業類型

00:44:45 從“助手”到“隊友”，個人AI的能力升級

00:48:54 聯想生態的“變與不變”

00:55:34 企業部署AI需要的三個準備工作

01:03:07 聯想落地AI的經驗與需要規避的三大陷阱

以下為對話實錄，經整理：

劉湘明：從你的角度，分析一下未來AI的發展趨勢如何？

阿木：正如20多年前討論互聯網趨勢一樣，AI同樣充滿一切可能。除了去年以來大家討論的投資價值與AI發展速度是否會改變之外，AI本身帶來的并非僅是一項技術，而是為所有事物提供了重新思考和定義的契機。

若將其解構，可分為兩個方面。首先，談談人工智能作為技術本身的發展走向。

最底層是近期討論較多的算力層面。從最初的CPU通用計算，發展到以人工智能神經網絡為主要算法架構的并行計算，即GPU計算。AI算力已進入比摩爾定律更快的迭代周期，目前完全沒有放慢節奏，且在全球范圍內形成了多個不同主體快速推進的局面，包括美國公司和中國芯片廠商都在快速進步。我認為AI算力的技術升級還將持續一段時間。

第二層是在算力之上運行各種大模型的算法，包括訓練與推理兩個方向，即構建大模型和應用大模型。目前，構建大模型方面正從文本為主向語音、視頻拓展，2026年將進入原生多模態創新成熟期。同時，為推動物理AI快速進入生產生活，與物理AI相關的世界模型也在快速探索中。此外，模型小型化技術發展非常迅速，真正落地到個人和企業時，模型需快速、可靠、穩定、無時延，并在可接受成本下持續提供服務。因此，模型小型化技術可能比超大規模模型創新更值得關注。許多原來需70B+參數實現的模型，現在30B即可實現；原來30B+的，現在14B甚至7B和3B模型也能媲美過去幾十B模型的能力。這一節奏同樣非?？?。

在應用大模型方面，后訓練技術從強化學習到各類后訓練方法正從少數大模型公司下沉至更多非AI公司，使其能夠自主操作和執行，越來越工程化、越來越可落地。這些應用技術的創新也將快速進展。算力和模型這兩個層面的技術變化疊加起來，形成了雙螺旋結構，以比摩爾定律更快的節奏進化。

在此之上催生了兩個新的AI趨勢。一是向智能體方向發展，這是數字世界中的創新。從最初的問答工具到豐富的內容生成，再到可進行任務編排和自主執行的數字智能體，變化非常迅速，既包括個人使用，也包括企業應用。

另一個趨勢是終端創新。終端不僅包括電腦、手機、平板，還包括大量正在催生的原生終端設備。今天媒體進行的很多直播都涉及這些內容，如AI眼鏡、穿戴設備、陪伴型設備，以及為使算力更接近使用場景而出現的超強算力盒子等本地化運算設備。這些都是AI真正催生的新形態。更大規模的包括各類機器人，無論是人形機器人、運動仿生機器人，還是自動駕駛車輛，都屬于機器人范疇。總體來看，終端正在發生演變。終端演變與智能體演變相融合，將在眾多場景中催生出新的產品形態。

今天我詳細參觀了展區，明顯感覺到很多地方在介紹AI時幾乎不再單獨介紹算法，而是將模型與某種形態的終端產品結合、嵌入、內置，用以改變傳統終端體驗或創造新的終端。今年的這一感受非常強烈。

劉湘明：AI對硬件影響很大，聯想作為終端公司，在AI時代，有哪些新的可能性？

阿木：自2022年11月ChatGPT首次帶來生成式體驗產品、GPT大模型展現涌現能力以來，至今絕大多數不依賴終端的AI均為公共服務產品。這類公共服務由具備超強生成能力的模型為所有人提供標準化服務，當時并未催生出專門用于體驗ChatGPT、豆包、元寶或Gemini等產品的新型終端。

然而從去年起，AI算法開始與終端緊密結合，這源于兩大新趨勢帶來的挑戰：

第一大挑戰是公共AI產品的個人化或企業專屬化屬性不足。其算法為通用算法，所接觸的數據既非隱私數據，也非企業專屬數據；且無法根據個人或企業需求演進，迭代節奏完全取決于服務商所使用的互聯網數據及其優化方向（如變得更“溫柔”或更“刻板”），與個人和企業無關。因此，要讓大模型算法真正接觸、處理并使用個人私密數據或企業內部數據，就必須下沉到個人和企業層面，而其下沉路徑顯然需要與終端結合、嵌入終端內部才能實現。

第二大挑戰在于持續感知環境變化的能力。AI不能僅依賴鍵盤輸入或語音提供的語言信息，還需感知環境信息——溫度、冷熱變化、移動速度、路過人群、前方畫面、海報、演講者的表情神態變化，乃至企業工廠生產作業環境中突發的事故等。這些物理世界瞬息萬變的信息必須與終端結合，因為只有終端才能將感知能力帶入該環境并采集所需的信息素材，供AI理解、感知并最終響應。

綜上，無論是接觸個人/企業知識數據，還是理解其所處環境并做出針對性、獨一無二的快速理解、規劃、編排與執行，都需要將公共AI向個人AI乃至企業AI下沉。這一趨勢自去年已開始顯現：大量企業采用開源模型進行私有化部署，終端也越來越多地將AI算法嵌入內置。例如許多顯示器在驅動主板中內嵌芯片，可實時進行畫面處理、色彩補償、運動補償等運算，直接在終端內完成。因此，要實現AI的無所不在及個性化，必須與終端結合，這是背后的根本邏輯。

基于這一邏輯，終端結合將呈現三大類形態：

第一類是存量終端升級。包括電腦、手機、平板、電視、汽車等存在已久的產品形態，其算力感知交互能力已非常成熟。只需將通用計算能力增強為智能計算能力，將感知從簡單的觸控或運動感知擴展為更豐富的感知，或使電腦除鍵盤鼠標外還能實現感知與跟蹤，即可升級為AI終端，讓AI落地并創造新價值。

第二類是感知為主、輕交互的新型終端。目前最受關注的是AI眼鏡——雖無強大算力，但在環境感知和快速交互方面遠優于手機電腦等笨重設備，且可實現24小時不間斷感知（除非摘下）。這類終端替用戶觀察所見一切，與AI結合更側重于感知與交互。

第三類是邊緣計算終端。這類終端恰恰不具備感知交互功能，而是出現不帶顯示、不帶互動但算力極強的產品，可快速運行數百億參數的模型。形態可能是個人家庭放置的設備，也可能是律師、會計師等處理絕密數據的辦公室設備，亦或是為二三十人中小企業服務的邊緣服務器。這類純粹保障私密化計算的終端形態將逐漸涌現。

綜合算力強交互類、感知類、純粹私密計算類終端共同構成了未來的終端生態，聯想布局終端正是圍繞這一邏輯推進。

劉湘明：你覺得個人AI與之前的聊天助手之間有何區別？

阿木：首先需明確，“個人AI”指的是“Personalized AI”（個性化AI），而非“Personal AI”。當前全球領先的AI助手如ChatGPT、Gemini、Grok、Meta AI、Perplexity，以及國內的豆包、元寶、DeepSeek、通義千問等，本質上都是公共產品。它們的個性化類似短視頻推薦——雖內容因人而異，但仍是以商業平臺為中心推送的個性化服務，最終目的服務于平臺流量變現。

而個人AI的第一個核心特征，是以個人的立場和利益為中心。在電腦手機時代，“個人”意味著所有權——“這是我的手機、我的電腦”。但AI不同，AI不僅是工具，更是有思想的主體。其本質差異如同“租用小貓獲得短暫情緒價值”與“飼養一只屬于自己的小貓”，或“乘坐公共交通”與“擁有可按自己意志裝飾改裝的私家車”。平臺再怎么個性化，始終以商業目的為歸宿；個人AI則以滿足個人需求為最終目標，由用戶為實際獲得的服務付費。若服務不滿意，用戶可選擇不付費，這與公共平臺通過補貼、廣告等機制影響推薦結果有本質區別。

個人AI與公共AI的差異可歸結為四個核心點：

第一，感知能力同步。個人AI能夠感知用戶所看所聽的一切日常信息，而非僅接收用戶輸入的、經大腦過濾后的信息。很難想象用戶敢將24小時的視聽數據托付給公共AI，這種心理層面的信任障礙是公共AI無法逾越的。

第二，可信計算。個人AI僅將用戶個人數據用于服務用戶本人，這種可信不僅是隱私保護，更是基于“擁有感”產生的信任。正如人們更信任自己的助理而非臨時訪客，因為擔心隱私泄露。只有確立“這是我的”的擁有關系，信任才能建立。

第三，專屬服務連接。個人AI負責連接并調用外部各類生活服務、學習、娛樂、出行、教育等資源，始終以滿足用戶真實需求為導向。這與公共AI以商業價值為導向、通過高流量植入商業化內容的模式截然不同。用戶對有價值的服務愿意付費，公共服務之所以免費，是因為平臺需先吸引流量再進行商業轉化，而非真正以用戶為中心。

第四，持續演進能力。公共AI不會真正“越來越像你”，用戶每天需重新編寫數萬字提示詞，AI才會短暫理解，次日又需重復。而個人AI能持續接觸用戶記憶，根據行為習慣調整后續交互方向，甚至在未來算法本身也能進行后續訓練，最終成為越來越像用戶的AI陪伴。公共AI服務于全人類平均水平，與用戶個體無關；而個人AI服務于“獨特的我”，而非平均水平。

從歷史維度看，電腦最初也是公共商用產品，IBM曾認為全球幾百臺計算機已足夠。但最終因人人都有不同需求，演變為個人電腦（Personal Computer）。同理，AI也正處于從公共為主向個人轉移的階段。這種轉移并非意味著公共AI消失——公共產品因規模效應成本低，始終存在——而是個人AI將逐漸崛起并加速普及。因其依托終端下沉，帶給用戶擁有感和駕馭感，而非虛無縹緲的軟件。

劉湘明：在實現個人AI的過程中，有何挑戰？

阿木：技術挑戰主要體現在以下幾個方面（不分先后順序）：

第一大挑戰是算力承載能力。當前大模型依然是AI最關鍵的能力，因為感知環境、理解意圖（包括根據環境猜測意圖）、編排任務步驟、調度其他智能體進行測試驗證以尋找最優解，以及多模態處理等場景均需要大模型支持。因此，終端算力必須快速提升。這要求算力架構從以CPU為核心的通用計算，轉變為CPU+GPU+NPU的異構算力平臺，使不同規模的模型都能在終端有效運行；而超大規模、復雜意圖的處理則需在個人云空間中完成。因此需要盡快升級高算力設備，如聯想的AI PC、AI手機、AI平板，使AI算力成為內置標配，從而將AI能力真正下沉。

第二大挑戰是模型調度與智能體網絡調度。這一挑戰比模型算法和單個智能體應用更復雜。每次請求可能需要調度七八個模型在終端或云端協同工作，以最低成本、最快速度完成響應。此外，為滿足某項服務需求，還需調度數百甚至上千個小型智能體，如何選擇合適的智能體成為關鍵問題。這需要建立智能體網絡調度機制。簡言之，模型與智能體技術本身是挑戰所在，但這不是基礎科學問題，而是工程化問題——需投放市場，根據用戶需求持續優化，而非僅進行理論創新。

第三大挑戰是個人知識與記憶管理。當前短期記憶處理已相對成熟，但長期記憶的管理（如何遺忘、何時抽象、何時長期保留）更為復雜。例如，當某個意圖出現時，是否應調取三個月前的對話記錄或郵件往來作為參考，這涉及記憶的治理技術，非常復雜。記憶技術必須在2026年實現明顯進階，否則個人AI的個性化程度將不足。缺乏記憶的AI如同行尸走肉，正因擁有記憶，人才成為有血有肉的個體。此外，個人沉淀的大量數字化文檔資料（如照片、視頻）也需要進行有效處理，以便快速抽取和調取。這方面技術反而更有信心，因為許多大模型公司正在努力處理人類整體知識。

第四大挑戰是體驗創新。任何產品要成功引爆市場，必須找到剛性需求——非其不可、其他皆可容忍的“Must Have”體驗。本屆CES上，每家企業都在試圖挖掘這一體驗點。雖然終端形態眾多，但當被問及主要用途時，部分企業無法明確回答，僅羅列多項功能。這種“Nice to Have”的功能無法真正驅動個人AI普及。因此，找準體驗點并將硬件、軟件、服務與大模型整合交付，圍繞該體驗進行聚焦而非貪多求全，極為關鍵。

綜上所述，這些挑戰均需持續研發投入方能解決。聯想的布局主要包括兩方面：一是研發個人超級智能體，解決感知、理解、規劃、調度及個人知識記憶處理、自然交互等問題；二是進行終端研發，提升算力、改變終端形態、豐富感知方式，并實現終端之間的能力接力與協同，確保在部分終端關閉時其他設備（如眼鏡）仍能保持服務。當終端無法承載時，還需通過個人可信云空間保障體驗不中斷。這些正是聯想當前投資的核心方向，每個技術挑戰都值得持續深入鉆研。

劉湘明：手機、平板、電腦之間的串聯體驗確實是一個大挑戰，你們是如何解決的？

阿木：當前終端操作系統呈現多元化格局：電腦端以蘋果macOS和微軟Windows為主導；手機端核心為谷歌Android（海外與中國版本存在差異，但底層架構一致）；平板則存在瀏覽器操作系統等輕量方案；此外，各類IoT設備如機器人、AI眼鏡、可穿戴設備、智能戒指等均采用不同操作系統。

實現多設備互聯需解決三大技術挑戰：

第一，跨操作系統服務。并非將操作系統AI化，而是使其下沉為智能體調用的工具。類比計算機啟動時的BIOS，在Windows啟動后BIOS便下沉完成底層初始化；當智能體體系建立后，操作系統同樣需要下沉。唯有如此，才能在多端之間保持一致互聯體驗。當前各生態體系規模龐大、演進緩慢，彼此基本隔離，僅偶有合作。

第二，端云混合架構。需構建個人可信云空間（非公共云），即每個用戶專屬的端到端封閉可信計算通道，數據在計算后銷毀。聯想去年與火山引擎合作，在中國率先落地了首個個人可信云空間，確保任何數據（包括火山引擎、聯想及其他第三方）均無法觸碰和使用，且不保存。該云環境與終端結合，可在終端不連續時實現知識遷移，將感知數據跨終端傳遞并延續記憶，保障體驗不中斷。

第三，終端近場互聯。當兩個終端距離僅三五米時，需通過設備直連技術實現算力共享與內容、感知信息的互通。例如，AI眼鏡的感知能力可由手機完成，眼鏡負責畫面采集，手機利用多模態模型理解場景（如識別直播狀態、觀眾增長等）。這種直連方式可解決實時性問題，消除時延，優化能耗，并由最佳終端完成計算任務，同時實現傳感信息的共享。

綜上，聯想通過“操作系統之上的智能體體系”、“端云架構配合”以及“多端近場互聯”三大手段，致力于實現終端間渾然一體、不中斷的連續體驗。

劉湘明：還有一個小問題。你剛也提到計算系統、操作系統下沉，意味著原先熟悉的計算環境發生了翻天覆地的變化。這其中也會有很大的機會，聯想準備如何抓住這樣的機會？

阿木：以個人AI為例，未來生態中主要存在三類企業：

第一類是整合者。首先需要回顧核心概念：個人AI的主權屬于個人。因此，整合者需將硬件、大模型、智能體、服務連接規則與方法、安全保護機制以及各類傳感技術整合起來，交付給個人用戶。用戶可以從手機、電腦等具備算力的終端開始使用，單純的眼鏡因算力不足無法獨立承載。在個人AI的語境下，因其必須永遠是“你的AI”而非商業化機構提供的版本，整合商的角色至關重要。

第二類是服務提供者。個人AI若僅停留在生成層面則無意義，必須能夠直接調用旅行、生活、娛樂、辦公等各類服務。需要明確概念：不應稱為“開發者”或“APP”，因為其本質是“service”。個人AI應直接完成服務交付，而非通過商業平臺中轉。例如，不應是“搜索后推薦”，而應直接抓取最符合用戶需求的餐廳并給出結果，否則中間平臺會截留商業價值，影響個人AI的代表性。因此，未來每個商戶、航空公司、景區、產品提供商都應成為直接服務提供者，個人AI可根據其服務描述直接調用，將最匹配的服務推送給用戶。application是流量經濟的語言，在個人AI時代已不適用——因為個人AI的核心是服務本身，而非流量。

第三類是能力保障層。包括大模型提供商、感知器件供應商、GPU算力提供商、安全技術環境提供商等。他們不直接接觸客戶，但為整個體系提供基礎能力支撐。

明確這一分層架構后，可以回答聯想的定位：聯想扮演的是整合者角色。負責將設備、各類能力（算力、傳感、感知等）整合為成本可控的終端設備，嵌入個人超級智能體以及服務連接的標準與規則，最終完成交付。

整合者角色并非聯想獨有。眾多終端+應用類公司以及公共AI提供商都在進入該領域。目前幾乎沒有不涉足硬件的大模型公司，因其發現要觸達個人用戶必須完成整合交付。但公共AI廠商面臨一大挑戰：其原有商業模式依賴流量變現和廣告，用戶會質疑其是否能始終代表用戶利益。初期嘗鮮尚可，但深度使用時用戶會擔憂AI究竟代表用戶、商戶還是平臺利益，可信度成為關鍵障礙。

服務層呈現兩類格局：一類是三年前開始創業的原生智能體公司，其天生就提供直接服務，但為提升銷售可行性也在推出終端產品；另一類是傳統APP開發者，目前出現巨大分裂——部分固守原有流量模式，因智能體沖擊而損失嚴重；另一部分嘗試改造，但改造后封閉性較強，不允許被外部AI調用，仍在轉型過程中。

聯想在服務層主要扮演連接角色，制定調用標準協議和分成結算機制。結算邏輯是用戶為服務付費后，服務提供者向聯想支付費用，而非聯想代付。計費依據是實際服務交付而非調用次數。在能力層，聯想主要采取合作模式，與英偉達、英特爾、AMD、微軟、高通等算力提供商，以及國內外大模型廠商建立深度合作關系。

劉湘明：那你覺得FIFA是哪一類呢？

阿木：FIFA屬于中間的服務層，直接提供服務——即足球賽事服務。未來還有一類可探索的模式：背后的俱樂部乃至球員本身也可能成為直接的服務層。

足球的真正粉絲（而非普通看客）通常會對某個俱樂部、國家隊或特定球星保持長期忠誠，甚至可能對國家無感，唯獨鐘情于個別球員。因此，服務提供者未必僅限于FIFA這類大型機構，每個球員都有可能成為直接服務節點。

屆時，球員可直接與個人AI建立聯系，但前提是需要對自身進行準確地描述與呈現。目前這一環節尚屬空白。聯想開發的football AI之所以能深度挖掘、分析并評析每支球隊和每名球員，背后是與球隊及FIFA合作完成了大量的數據整理工作，從而使football AI具備極強的縱深理解能力，能夠精準把握每位球員在每場比賽中的狀態。

劉湘明：聽說聯想的個人AI目標今年是從“助手”升級為“隊友”，這個“隊友”能具體幫我做什么現在“助手”做不到的事？

阿木：“隊友”是一個擬人化比喻，指AI作為協作伙伴與人共同完成某項事務——可能是一個專題、項目、工作任務或生活需求。

當前能力主要體現在以下三個層面：

第一，情景感知。AI能夠感知用戶當前經歷和未來意圖，理解“context”（情境）而非僅處理用戶輸入。例如，當用戶晚上8點48分打開拯救者電腦，AI能判斷其準備進入游戲狀態；當發現用戶在游戲過程中暫停并陷入思考，AI可識別其正在反思戰術策略或與其他隊友討論。目前情景感知主要在電腦、手機、平板等數字設備中實現，未來隨著陪伴式設備和機器人普及，將擴展至物理世界的情境感知。

第二，主動服務。在感知情境后，AI能夠主動推薦、主動服務，無需用戶召喚即可介入，直接生成結果。這種主動性體現為“我知道你正在經歷什么，因此我來主動改變你的狀態、提供服務”。

第三，直接執行。AI不再僅提供執行建議，而是直接完成任務閉環。諸如Atlas、Comet（Perplexity旗下產品）以及豆包手機助手等，已實現基于用戶意圖直接完成任務。雖然用戶操作看似簡單，但其背后運用了復雜的技術組合。目前在工作、學習等場景中，“隊友”已能直接生成最終結果（如營銷人員直接生成并發布小紅書內容），而非甩給用戶自行處理。這種擔當意味著AI需花費數分鐘甚至更長時間進行深度研究、反復推理、計算試錯，最終交付成果。

總結而言，“隊友”的核心特質在于：知曉你的狀態并為你所急、無需召喚主動服務、擔當責任而非僅提供建議。

劉湘明：在生態方面，未來聯想和生態伙伴的合作方式會不會有一些變化？

阿木：聯想與生態合作存在“一個不變”與“一個變化”：

不變的是，聯想一貫從用戶角度出發思考產品，并據此規劃產業鏈角色與協同方式。聯想內部通過戰略研討、戰略論證和產品規劃，始終遵循這一邏輯。這里的“用戶角度”并非簡單等同于“用戶需求”——客戶或許只能想到“跑得快需要好鞋”，卻想不到“其實可以騎自行車”。因此，站在客戶立場定義好產品后堅持開放合作，這是不變的。

變化的是，合作形態從成熟商務模式轉向共創迭代。傳統成熟市場的合作通常是對接、簽合同、分錢，但AI領域的場景創新與產品創新尚不穩定清晰，需要不斷試錯，甚至硬件方向也可能在半年一年后調整放棄。因此，必須與服務提供商、能力提供者開展大量共創，這與傳統的成熟開放合作模式有本質不同。

服務共創層面，聯想與中國本土平臺“什么值得買”、騰訊視頻等合作智能體服務連接。當用戶意圖明確指向其內容為最佳選擇時，個人AI會調用這些服務，但是否調用、何時調用完全由個人AI根據用戶意圖決定，而非由聯想進行排序干預。

算力共創層面，聯想與高通、Intel、AMD、英偉達等算力提供商開展深度合作，針對智能體運算需求進行大量算力適配，目標是降低算力依賴、降低成本、降低能耗，尤其要在手機和平板上實現不影響續航的終端AI運算。各方需共同測試后上線，再根據用戶反饋和實際使用情況，持續優化芯片內部算法及算子庫，不斷迭代。這一合作模式已持續三四年。

總體而言，這是一種開放與共創的做法。

劉湘明：之前你說服務商需要進行搜索引擎優化，在智能時代，是不是就要對智能助手進行優化？

阿木：需要首先明確的是，這里討論的不是“助手”，也不是以商業平臺為核心、以流量變現為目的的公共AI。前面所討論的個人AI，是指代表個人立場、以個人利益為中心的AI。理清這一概念至關重要，因為部分觀眾可能未觀看前面的內容。在這一背景下，我們再來看剛才的問題。

關于個人AI的優化，嚴格來說其主要優化來源在于個人自身。商業機構如聯想需要持續引進和升級的有兩個方面：

主要優化來自用戶側：基于個人知識、個人記憶以及個人所處的感知環境進行優化。這部分聯想無法干預，因為這些數據和環境情景均屬于用戶個人。交付給用戶后，聯想無法接觸這些數據，否則將違背個人AI的本質。因此，使用越多，AI越像用戶本人，越了解其喜好和期待。用戶只需簡單操作（如連續點擊“不要了”），AI便能學習并調整，這是基于個人使用和數據記憶的優化。

需要持續優化的兩個方面：

一是算力。個人無法自行打開芯片進行修改，因此需要聯想持續與芯片廠商合作優化。

二是模型升級。當前模型迭代并未放緩，原生多模態、世界模型、小型化等技術快速發展，開源模型進步迅速，且出現了許多在特定專業領域表現優異的專用模型。例如，銀行從業者可能需要金融領域的專業模型，其生活與工作可能高度聚焦于該領域。因此，引入最適合個人AI的模型，以及能夠承載對應智能體運算的算力，需要聯想持續與大模型廠商、云廠商和算力提供商合作。

新增優化點：從去年開始，可信安全成為新的優化重點。傳統安全（應用安全、設備安全、內容安全）已討論成熟，當前更關注智能體安全、智能體網絡安全、大模型推理計算過程的安全，以及授權后調用APP過程中未被“下毒”的安全。例如，被惡意干擾后可能出現執行結果偏差（如將紅色變為黑色）。這些新的AI安全體系是個人AI可信的前提條件，需要持續迭代優化，而這是個人無法做到的。

劉湘明：除了個人AI之外，聯想有一半的業務來自企業級。在企業級AI方面，聯想有何戰略，包括個人AI和企業級AI在企業的部署，需要做好哪些準備工作？

阿木：首先需要說明的是，盡管名為“CES”（消費者電子展），但當前展區內容已遠超出消費級范疇。現場展出了大量企業級（Enterprise）產品，涵蓋汽車、挖掘機（如卡特彼勒）、農業解決方案等各類工業領域。展會內涵已遠超“Consumer Electronics”的命名范疇，“C”字母實際上已名不副實。如今，探討企業級應用已成為CES的核心主題。

在企業展區中，絕大多數展示內容都圍繞AI在企業環境中的應用展開，范圍從城市治理到中小企業、SOHO辦公乃至門店管理。AI在企業中的滲透恰逢其時：三年前AI成本高昂，企業難以接觸；前兩年AI僅能用于內容生成，無法投入實際生產，且存在幻覺等問題。但2025年以來，隨著開源模型將成本降至極低水平，模型推理能力也顯著增強，AI已能在企業內部執行某些流程并達到可接受的水平（人類本身也會犯錯，只要AI表現略優于人工且無需培訓即可使用）。

因此，自2025年起，企業開始在流程中真正應用基于大模型的智能體（Agent AI），但當前應用仍主要集中在生成環節，如生成海報、文檔、會議紀要、工廠操作手冊，或基于故障知識庫診斷問題。這些本質上都是“生成”行為——根據提問從海量知識庫中匹配最相關答案。雖然已開始認真使用，但應用深度有限。

AI要在企業內部真正創造價值、轉化為生產力，必須重構業務流程。生產力決定生產關系，而在企業內部，生產關系體現為流程——規范員工權限分配與執行順序的體系。

因此，AI在企業內部深度落地需完成三項準備：

第一，升級數字化底座。將原有數字化平臺升級為AI平臺，構建包含大模型平臺、智能體開發運行平臺、知識管理平臺、GPU推理算力管理平臺以及可信計算平臺的完整AI基礎設施。調研顯示，61%的企業尚未建立AI底座，僅39%開始建設。因此，無論發布會展示多么炫目，企業首先需完成基礎設施升級，智能體AI才能落地。

第二，重構企業內部流程。當前CES展示的許多企業AI方案無法在真實企業中落地，因其無法嵌入現有流程。傳統流程是線性步驟（1-2-3-4-5），引入AI后可能變為1-5（跳過中間環節），甚至將步驟并列執行。例如，產品研發傳統流程為“研發→測試→報告→上市”，引入測試智能體后，研發第一天即可同步啟動測試，實時預警散熱、老化、電磁干擾等問題，實現研發與測試并行。若流程不變，僅增加測試智能體，除增加成本外價值有限，員工與流程均未改變。只有重構流程，讓研發人員直接使用測試智能體（而非測試人員使用），才能實現根本變革。企業需由業務負責人牽頭，逐一梳理在具備自主編排執行能力的智能體支持下，流程應如何重塑。

第三，人才培養。企業普遍缺乏能熟練使用AI的人才。僅少數因使用個人AI而有經驗的員工能在企業環境中應用，絕大多數員工未做好準備。這如同2000年時PPT技能成為入職門檻，AI協作能力將成為新的基礎要求——員工需學會與智能體共處，將其視為隊友，容忍其錯誤并耐心調教，使其在流程執行中變得可靠貼心。但基層員工通常缺乏管理技能（中層管理人員因長期帶團隊而具備調教能力），容易產生抱怨與恐懼情緒（如擔心被替代），進而導致“AI不準”的負面評價。實際上，新員工也需三個月試用期培訓，智能體同樣需要培養過程。

2026年調研顯示，企業在AI落地中面臨的最大痛點并非前兩項，而是人才。沒有合適的人才，一切都無法落實。因此人才培養成為重中之重，且無捷徑可走，必須反復培訓。

其中有一個關鍵策略：從中層管理人員開始培養。不應直接要求基層員工改變，因為中層管理人員若不變革，其仍按原有流程管理，一句“研發完再測試”便將優化努力全盤否定。只有當中層管理人員提升AI素養后，才能帶領團隊實現真正的轉變。

劉湘明：最后一個問題，聯想自身也用了很久AI了，在這些過程中，踩過哪些坑？有哪些經驗可以與大家分享的？

阿木：聯想的AI戰略可追溯至2017年，當時全球仍在討論數字化轉型，企業普遍投入大數據平臺并熱衷于建設可視化大屏。聯想在當時已率先推動智能化轉型，探索如何運用AI算法挖掘數據價值，實現預測、預警、推理規律乃至為產品規劃提供決策建議。歷經八年多迭代，擎天平臺已從1.0的敏捷化、2.0的判別式AI，發展到3.0引入生成式AI，并于2024年在4.0版本中融入智能體AI。長期以來，聯想持續在不同業務領域驗證AI價值，以業務數據（收入提升、成本降低、周轉加速、客戶滿意度與忠誠度改善、粉絲增長）證明技術有效性，因為企業真正關心的是技術背后的商業價值。

實踐路徑遵循主價值鏈優先原則。聯想率先在供應鏈領域應用AI——因其數據量最為龐大且復雜，涉及數千個組件、數十家工廠及面向180多個國家和地區的48小時交付，海量數據無法靠人力處理。隨后在營銷、銷售、售后服務等環節推廣，最后才應用于員工層面。值得注意的是，許多企業優先選擇員工場景切入，但這屬于輔助價值鏈，創造的價值極其有限。供應鏈成本節約直接轉化為利潤，而員工工作時間節省一小時僅相當于增加一小時刷短視頻時間，并未帶來實際成本節約。因此，應在主價值鏈應用AI，若技術不成熟寧可等待，切勿將精力浪費在郵件生成、紀要自動生成等輔助功能上。智能體之間若可直接對話，紀要本身已無必要。

企業應用AI需規避三大陷阱：

陷阱一：誤入輔助價值鏈。每個企業都有核心價值鏈，若AI應用未作用于主價值鏈，價值微乎其微。真正的目標應是讓智能體直接完成任務，而非生成僅供人閱讀的建議。

陷阱二：預算先行而非POC驗證。企業內部立項通常要求先明確價值再批預算，但當前無人確切知曉AI在特定企業的價值空間，僅確信其價值必然存在。正確做法是先進行3-6個月的POC測試，在此期間完善知識庫、培訓員工、優化流程。待驗證真實價值后再立項投資并規模化復制，而非沿用傳統IT項目的預算審批模式。

陷阱三：基礎設施投資不足。企業寧可采購一體機供百人使用，也不愿升級數據中心，因其認為固定資產投入無法回收。然而，AI底座升級是一項戰略性投資，周期為3—5年，絕非IT部門預算可決定的課題。正如2000年ERP系統的“上ERP找死，不上ERP等死”困境，與等死相比，尋死尚可向死而生。此類投資必須由CEO、董事長或總裁自上而下戰略批復，不能按單個智能體項目零星投入。這是從數字平臺到AI底座的突變式升級，而非漸進改良。部分前瞻企業已直接將收入的千分之幾甚至百分之幾（如金融公司）專項投入基礎設施建設，再尋找應用場景，因其屬于固定資產投入，不會全額沖減當年利潤。

劉湘明：謝謝你今天的分享。

（本文首發于鈦媒體APP）