一场由智能体引发的电脑抢购潮正在悄然兴起。随着一款名为“龙虾”的智能体走红，用户开始为这些随时待命的AI助手单独配备电脑，推动端侧AI进入新的发展阶段。
这场变革的起点可以追溯到苹果的战略转向。新款Mac mini和Mac Studio不再局限于传统办公场景，而是强调全天候运行智能体的能力。其中，Mac Studio通过大内存配置，满足本地运行大模型的需求，而Mac mini则以更亲民的价格，成为普通用户接触端侧AI的入口。这种转变不仅体现在产品定位上，更反映在苹果对硬件架构的深度优化上。通过统一内存设计，苹果实现了CPU、GPU和NPU的高效协同，减少了数据搬运带来的性能损耗。MLX框架和MLX-LM工具链的推出，进一步降低了开发者在苹果设备上部署模型的门槛。
小米则选择了另一条路径。其推出的AI Cube原型机集成了三颗自研芯片，分别针对个人智能终端、端侧AI加速和智能驾驶场景。这种设计体现了小米对协同计算的理解——通过硬件层面的深度整合，实现不同计算单元的优势互补。在软件层面，小米通过Miloco 2.0系统，尝试将家庭设备控制与AI能力结合。虽然当前版本主要依赖云端模型，但AI Cube的本地计算能力为未来更复杂的场景提供了可能。不过，小米官方部署文档中推荐的Mac mini，暴露出其端侧AI生态尚未完全成熟的现状。
传统PC厂商也在积极布局。联想、华硕、惠普等企业基于英伟达的GB10平台，推出了一系列端侧AI设备。这些产品虽然采用相同的芯片和开发工具，但厂商通过差异化服务寻求突破。惠普提供的部署工具简化了模型安装和远程管理流程，联想则通过Qira智能助手，试图在用户日常使用中建立入口优势。在中国市场，联想与芯片企业的定制合作，使其能够围绕自身软件需求定义产品特性，这种深度整合模式为传统PC厂商提供了新的竞争维度。
内存配置成为端侧AI设备竞争的焦点。从2024年AI PC标配的16GB内存，到如今AI Cube的80GB统一内存，再到DGX Spark的128GB配置，内存容量的增长反映了模型对硬件需求的持续提升。以700亿参数模型为例，仅权重存储就需要约35GB内存，这还未考虑量化元数据、缓存和系统开销。带宽指标同样关键，DGX Spark的128GB内存搭配273GB/s带宽，确保了大规模模型运行时的数据传输效率。这些技术参数的演进，正在重新定义个人电脑的性能标准。
系统厂商在模型分发中的角色日益重要。华为通过HarmonyOS 6的本地AI模型管理功能，允许用户在系统设置中直接下载模型，并供各类应用调用。这种设计将模型管理从应用层面提升至系统层面，增强了用户对本地AI的控制力。不过，当前模型管理仍以单台设备为边界，跨设备共享能力的缺失，限制了其在多终端场景中的应用潜力。苹果则通过与Google合作开发第三代基础模型，展示了开放生态与系统控制的平衡之道——既引入外部模型丰富生态，又保持对模型接入和应用调用的最终决策权。
端侧AI的普及面临多重挑战。对于开发者和技术团队而言，高性能设备的价值已经显现，但普通用户对额外购买和维护一台专用设备的意愿仍待培养。模型下载更新、应用权限管理、持续运行维护等环节的碎片化，增加了用户的使用成本。不同厂商在芯片设计、系统集成和服务提供上的路线选择，反映了它们对端侧AI市场的不同判断。自研芯片虽然能够带来更大的定制空间，但需要足够的销量来分摊研发成本；采用通用平台则可以快速推出产品，但难以在硬件层面建立差异化优势。
在这场变革中，用户需求正在重塑产业格局。专业用户追求极致性能，普通用户期待无缝体验，这种分层需求推动厂商开发不同配置的产品线。苹果通过M系列芯片的梯度配置，覆盖了从普通消费者到专业创作者的不同群体；小米则试图利用其庞大的AIoT设备基础，将端侧AI与家庭场景深度结合。传统PC厂商则通过服务差异化，在同质化硬件中寻找突破口。这些探索共同描绘出端侧AI发展的多元路径，而最终的市场格局，将取决于哪家厂商能够更精准地把握用户需求的变化趋势。
