— 【科技实话】AI本地应用，双向奔赴但道阻且长 —

随着OpenAI旗下ChatGPT的爆火，AI相关的应用在这两年来呈井喷式发展，AI人工智能好似前一夜还是《终结者》系列电影中虚构的“天网系统”，而今天它就闯入到了我们的现实世界之中。

不同于概念大于应用的“元宇宙”，AI的发展与应用是我们有目共睹的，AI对话更加智能与准确，国内外公司的LLM频繁推陈出新，Nvidia作为AI计算领域的硬件领导者股价飙升，频繁刷新历史新高，再加上Stable Diffusion、Sora等等，AI目前被普遍认为是将能够改变人们此前生活生产的技术与应用，而并非只停留在概念层面。

去年年底，英特尔与AMD相继发布了加入AI计算单元的酷睿Ultra处理器与8000系锐龙处理器，并且抛出了AI PC的概念，为仅搭载核显的笔记本电脑带来了更高效的AI算力，两家也都非常强调与宣传了本地AI计算、AI应用本地化将会是未来主要发展方向之一。

目前，英特尔的酷睿Ultra处理器、AMD 8000系锐龙移动端处理器均已在终端产品上实际搭载与发售，那么AI PC只是噱头吗？目前有本地AI应用吗？本地AI应用的发展受阻在什么地方？本篇文章就来讨论下这些方面的问题。

·AI PC是噱头吗？

显然，自英特尔开始着重宣传其搭载了酷睿Ultra处理器的笔记本为“AI PC”后，很多声音都认为AI PC不过是一个噱头罢了。

但在我看来这个事情并非那么绝对，相比于之前无AI计算单元的处理器，有了NPU的加入后，处理器的AI总算力与AI计算的能效比确实有所提升。

这里可以给大家分享一组本地AI应用的实际测试数据，用一台搭载了酷睿Ultra 7 155H处理器机型，在剪映中，将一段1分钟左右的4K视频导入，分别在CPU与NPU上运行AI视频抠像功能，结果二者所用的时间虽然基本相同（运行在CPU上时GPU也会有少量占用参与工作，导致了两者消耗时间相同，如果真的仅有CPU进行工作那么理论上NPU所消耗的时间肯定更短一点），都在35秒左右，但在平均功耗上，运行在NPU上时CPU封装功耗仅为23W左右，而运行在CPU上时CPU封装功耗平均下来高达45W左右，有着近两倍的差距。

导入视频属性

所以，有了专门用于计算的AI处理单元后，AI计算的能效比提升是真实存在的，如果以这个角度来看，AI PC并非噱头；而如果以它是否能够像搭载了独立Nvidia显卡那样快速的运行诸如Stable Diffusion这种对性能要求很高的应用来看，那就另说了，但换句话说，也不可能期望一颗TDP 28W的移动端处理器能够有那样的性能表现。

·目前有本地AI应用吗？

答案是肯定的，但还不够多，或者说在我们的印象中还不是那么的“AI”。

本地的AI应用其实在之前就很常见了，比如在视频会议时的背景虚化、人眼矫正等功能就是AI功能，这些功能早在ChatGPT爆火前就已经被大面积使用了。

除此之外，像之前介绍到的AI视频抠像，还有比如AI处理图片噪点、AI动作捕捉等也有本地的应用可以实装并使用，但这些应用与我们传统认知的AI应用诸如文生文、文生图尚有差距，相比之下普世的程度也没有那么高。

视频背景更换/虚化

英特尔在AI PC上大力宣传的本地大语言模型目前是可用的，英特尔酷睿Ultra平台的性能可以顺畅运行6B/7B/13B等规模的LLM，但是现在普通个人用户想要在本地部署本地大语言模型的门槛较高，普通电脑用户不具备技术能力在本地进行部署，所以对于大部分人而言，本地的AI对话是处于“可用但无应用可用”的状态。

在酷睿Ultra 7 155H上运行百川7B大模型

Stable Diffusion在社区大神的支援下，目前有“一键部署”的WebUI可用，但就像我之前说的，仅搭载CPU的核显轻薄本也只是能够做到“运行”Stable Diffusion，不能指望其出图的速度如何，有大量AI生图需求的用户还是老老实实买大显存的N卡甚至N卡专业卡会好很多。

所以目前本地AI应用的现状是有但不多，更能普惠用户的AI对话没有一键部署的软件来承载大语言模型，AI生图又对性能的要求较高，核显难以应付。不过相信在不久的将来，越来越多本地AI应用将持续落地，毕竟AI在目前来看是大势所趋，谁不想在这其中分一杯羹呢？

·本地AI发展受阻在哪？

总体来讲，个人认为本地AI应用发展受阻主要在于本地算力、软件适配、商业运作缺乏盈利模式两个方面。

AI想要从云端转移到本地，算力是绕不开的话题，不管是什么类型的AI应用，都需要的是快速响应、低延迟、0等待，那么这就需要更强的本地AI算力，与此同时，如果是“轻薄本”这种对于续航有一定要求的产品形态，在追求更强AI算力的同时，还需要平衡好功耗，降低对内存带宽、显存的高依赖，在不影响续航能力的情况下“无感”的进行AI应用才是之后我认为处理器的主要发展方向之一。目前，Intel与AMD的最新移动端处理器酷睿Ultra与8000系锐龙已经加入了专门的AI计算单元，这个独立的AI计算单元就是用来提升AI算力能效比的，这个方向是对的，但是硬件是有了，想达到预期还需要软件的适配和优化。

所以AI应用本地化，不仅是Intel、AMD这种上游供应商在硬件设计方面需要努力，还需要软件供应商甚至终端产品制造商进行全面的合作和适配。今年是AI PC的元年，Intel和AMD已经迈出了从0到1的最重要一步，后续肯定也会围绕AI在硬件上面进行算力上的加强，随着一代代的升级，我们尚需再给他们一点时间，相信AI方面的性能表现会有阶梯式的提升。

目前，本地AI应用，尤其是普惠型的本地AI应用落地少，除了技术适配需要更多的时间之外，商业运作上缺乏盈利模式也是一个很大的阻力。目前AI相关的软件公司更多的是去开发某一细分领域的专用垂类应用，在当下的环境可能To B可以以更低的成本换来更高的关注度、实装量、资金和收入，例如行者AI推出了专门用于音乐教育的音乐创作系统，教育领域→音乐教育领域，是很细分的一个领域了。

而To C的应用则大不相同，往往需要大量的先期投入，开发费用、营销费用、人力成本等等，这不是小体量公司玩得转的，除了这些外，应用的盈利点对于初创公司来讲也不清晰明朗。

所以，更具普惠型的本地AI应用落地可能要等待到行业更加成熟之后大厂入局，凭借旗下的生态联动、更大的影响力与更多可调配的资源，能够达成从立项到后期盈利的健康链条，可能才会有更易用的应用出现。

·写在最后

AI从云端转移至本地将会是未来相关公司和厂商的重要着力点。在用户侧，更快的响应、可随时随地调用、无需联网等都是其先天优势；而对于提供商来讲，这将大幅减少服务器的算力和带宽的巨额费用，所带来的成本缩减是极为可观的。可以讲，AI本地应用是用户与厂商的双向奔赴，但这个行业尚属井喷初期，在个人算力紧缺以及商业模式未定的今天，个人用户与厂商之间的双向奔赴还存在不小的阻力。

尽管面临挑战，AI本地应用的前景仍然充满希望，让我们保持期待并耐心等待吧！