如果你真能 7×24 小时运行最顶级的大模型，你会想用它来干嘛

2026 COMPUTEX 主题演讲上，黄仁勋讲了将近两个小时。媒体头条几乎都被同一句话占据： Windows 终于迎来真正的 AI PC 。这次不是 PPT，不是路线图——NVIDIA 联手微软，把 RTX Spark 同时推出笔记本、桌面、工作站三种形态，规格、伙伴 OEM、Adobe / Rhino / Blender 的适配演示一次性摆齐。

也就是说，过去一年自媒体反复讲的"NVIDIA 要做 AI PC"，到这次发布会变成了 有具体芯片、具体厚度、具体生态合作的产品线 。先把核心规格放上来：

• RTX Spark 处理器 ：Blackwell RTX GPU + 与联发科合作定制的 20 核 Grace CPU + 128GB 统一内存，NVLink C2C 600 GB/s 带宽，FP4 算力 1 PFLOPS
• 笔记本形态 ：14mm 厚度，约 3 磅，14–16 英寸，精密加工铝合金机身，tandem OLED + G-SYNC
• 桌面形态 ：定位"家庭 AI 主机"，可 24 小时常驻 Agent，连接笔记本、显示器、摄像头、安防、家电
• DGX Station for Windows ： 748GB 内存、20 PFLOPS 算力、8 TB/s 内存带宽 ，桌面环境跑万亿参数模型
• 软件栈 ：CUDA + TensorRT + NVFP4 + RTX Ray Tracing + DLSS + Reflex + G-SYNC，原生 Windows
• 微软那一头 ：定义 Agent 平台，Adobe Photoshop / Premiere 通过 MCP 接入本地 Agent，Rhino + Blender + Flux 2 演示了"用户给草图，Agent 自动跑完建筑方案"的工作流

这是这一代 PC 真正的拐点： 不只是性能升级，而是 PC 的角色从"打开应用、点击、输入"变成"给目标、Agent 调度工具完成" 。黄仁勋把它类比成"手机变智能手机"——10 年后的 PC，打开应用可能不再是主要交互方式。

这篇调研想搞清楚三件事：

1. RTX Spark 三种形态真正改变了什么，又有哪些被讲得太满
2. 苹果 / Intel / AMD / 高通分别被打到哪一块
3. 把硬件价格、电费、API 价格摆到一起算账，本地常驻 AI 是不是一个"值得自己养"的方案

一、是什么

NVIDIA 的"本地 AI 工作站"路线，按时间线看是这样走过来的：

• 2025 年 1 月 CES ：发布 Project DIGITS（后改名 DGX Spark ），桌面盒子形态，GB10 Grace Blackwell Superchip + 128GB 统一内存，3000–4000 美元价位，定位 AI 开发者桌面机
• 2025 年内 ：DGX Spark 正式出货，ASUS / Dell / HP / Lenovo / MSI 多家 OEM 跟进
• 2026 COMPUTEX ：发布 RTX Spark 处理器，把 DGX Spark 的"桌面盒子"扩展成"笔记本 + 桌面 + 工作站"三种形态，并联手微软把"AI PC"作为整条产品线的统一叙事

RTX Spark 这一代产品的核心设计：

• RTX Spark 处理器 ：Blackwell RTX GPU + 联发科合作定制的 20 核 Grace CPU，FP4 算力 1 PFLOPS，NVLink C2C 提供 600 GB/s 互联带宽
• 128GB 统一内存 ：CPU、GPU 共享同一份物理大池子，绕开传统 PCIe 显卡"24GB 显存封顶"的物理上限
• 完整软件栈 ：CUDA、TensorRT、NVFP4、RTX Ray Tracing、DLSS、Reflex、G-SYNC——也就是说数据中心 AI 栈 + 游戏图形栈 + 创作图形栈第一次原生跑在同一台个人电脑上
• 本地 + 云端双轨 ：可以本地跑 Nemotron 3 Ultra 等开源模型，也可以连接 Claude、Codex 等云端模型
• Agent 原生 ：发布会上 Adobe Photoshop / Premiere 通过 MCP 接入本地 Agent；演示中"草图 + 风格参考 → Rhino 建模 → Blender + Flux 2 渲染"由 Agent 自动调度完成

三种产品形态，对应不同人群：

形态	关键规格	面向人群
RTX Spark 笔记本	14mm 厚、约 3 磅、14–16 英寸、tandem OLED、铝合金机身	移动办公 + 游戏 + 创作
RTX Spark 桌面	mini 主机形态，24×7 常驻 Agent，连接家电、安防、摄像头	家庭 AI 主机
DGX Station for Windows	748GB 内存、20 PFLOPS、8 TB/s 内存带宽	模型开发者、Agent 开发者，本地跑万亿参数

它的同类还包括：

• 苹果 Mac Studio / Mac Pro（M2 Ultra / M3 Ultra） ：靠统一内存架构最高可上 192GB / 512GB，本地跑大模型早就被开发者玩出花，但生态限制在 MLX、llama.cpp Metal 后端
• AMD Strix Halo / Ryzen AI Max+ 系列移动平台：把 NPU + 大显存集成进笔记本 SoC，2025 年开始进入主流厂商
• 高通 Snapdragon X Elite / X2 ：Windows on ARM 路线，先一步把 ARM 笔记本卖进主流市场，但 GPU 与本地大模型生态尚未补齐

需要说明的是， RTX Spark 笔记本的 OEM 整机价格、上市时间、续航与满载降频曲线，发布会上并没有完整给出 。下文价格调研里涉及笔记本的部分按"区间估算"处理，等首批 ASUS / Dell / Lenovo 整机正式开卖再校准。

二、为什么重要

要理解这件事的份量，得回到 PC 行业过去三十年的底层规则。

Wintel 时代的竞争规则 ：CPU 跑分、x86 指令集兼容性、主板生态、OEM 渠道。所有人盯着 CPU，Intel Inside 是品质标签，AMD 在同一套规则里追赶。GPU 是配件，不是主角。

Apple Silicon 时代的局部颠覆（2020 起） ：M 系列证明了 ARM + 统一内存 + 自研 GPU 在能效比上的优势，但苹果把 CUDA 拦在门外，整个故事只在自家围墙里讲，PC 阵营没动。

NVIDIA 的切入则同时换了两个东西：

1. 硬件形态 ：把过去“塔式机 + 多卡 + 大电源”才能干的事，压到桌面盒子甚至（传闻中）笔记本形态
2. 生态规则 ：CUDA 已经铺了二十年，PyTorch、TensorRT、cuDNN、Triton 这些工具链已经是 AI 工程师的肌肉记忆——这是 Intel / AMD / Apple / 高通都拿不出来的资产

换句话说，NVIDIA 不是在原有的 PC 跑分赛道里赢，而是 把赛道整个换掉 ：以后比的是单位功耗的 AI 算力 + 开发者生态深度。

这件事真正的颠覆性，不在于跑分多高，而在于三件事同时发生：

• PC 的角色变了 。从"应用 + 操作系统 + 输入"，变成"目标 + Agent + 工具调度"。黄仁勋类比成"手机变智能手机"——打电话不再是手机最重要的功能；10 年后的 PC，"打开应用"可能也不是
• 本地推理成本曲线开始有"自己养"和"租云"两条 。过去答案是显然的——API 更便宜；现在 128GB 统一内存 + Nemotron 3 Ultra 这类开源旗舰本地常驻，对高频重度用户来说账可能算得过来
• 数据所有权和断网可用性真的能落地。法律、医疗、政务、创作行业里那批一直在等"私有部署"的人，门槛被压低了
• 个人开发者的天花板被抬高一档 。DGX Station for Windows 748GB 内存能本地跑万亿参数模型，意味着独立开发者真的能在自己桌子上跑微调、本地 Agent、长上下文 RAG

三、关键玩家与生态

这一仗的真正看点，是四家厂商各自被点到的位置不同，反击姿态也不同。

NVIDIA + Microsoft：先发组合拳

• 优势 ：CUDA 生态、PyTorch 默认后端、几乎所有开源大模型首选 CUDA 优化路径、Blackwell 架构性能领先；这次还多了微软定义的 Agent 平台和 Adobe 等第一方应用 MCP 接入
• 短板 ：笔记本整机 OEM 价格、ARM 版 Windows 兼容层（x86 老软件靠 Prism 翻译）、tandem OLED 笔记本满载续航与降频，发布会上都没有完整披露
• 真正的关键不是硬件 ：黄仁勋反复强调 Agent 是新工作负载，PC 从应用入口变成 Agent 入口。这条叙事一旦立住，微软可以借机把 Windows 重新定义一次——这是 Wintel 联盟近十年最有进攻性的动作

Apple：守住高端，但被绕过

• M2/M3 Ultra 的统一内存路线被 NVIDIA 拿去复刻并放大（128GB 起跳 vs Apple 起步配置）
• 苹果不开放 CUDA，是历史包袱也是战略选择 。MLX 在追赶，但生态广度差一大截
• 真正的伤害不是被打败，而是被绕过 ：以前“想本地跑大模型？买台 Mac Studio”，现在多了一个不在苹果围墙里的选项
• 苹果手里仍有一张牌：iPhone / iPad / Mac 三端打通 + 端侧个人化数据。这条线 NVIDIA 暂时碰不到

Intel：追性能容易，追生态难

• 制程层面，Intel 18A / 20A 还有翻身机会
• AI 算力层面，Gaudi 和集成 NPU 都在做
• 真正追不上的是二十年开发者惯性 ：今天写 AI 训练代码的人，默认写 cuda:0，不是 xpu:0
• 短期内 Intel 仍是 Windows PC 的主力 CPU 供应商，但"高端 AI PC"这个新品类已经被别人定义

AMD：路线清晰，但被夹击

• Strix Halo / Ryzen AI Max+ 系列在 2025 年是“Windows 本地 AI 笔记本”的实际主力
• ROCm 生态在补，但和 CUDA 的距离仍以"年"计
• 被夹击 ：上面 NVIDIA 拿桌面级 AI PC、下面 Snapdragon X 拿轻薄本能效

高通：先到 ARM Windows，但 GPU 生态是空的

• Snapdragon X Elite 2024 年起就推动了 Windows on ARM 的主流化
• 故事讲了一半 ：CPU 能效有了，NPU 能跑小模型，但 GPU 端的大模型推理生态完全没建起来
• 如果 NVIDIA 真的下场做笔记本 SoC，高通的位置最尴尬：先跑了一年，结果跑道被人换了

中国国产线（顺手提一下）

• 华为昇腾 / 海光 / 摩尔线程 / 沐曦在数据中心侧已有出货，桌面 / 端侧形态尚未形成消费级产品线
• 国内开发者短期内更可能走"昇腾云 + 端侧国产 NPU"组合，而不是直接对标 DGX Spark
• 但"本地常驻大模型"这个产品定义一旦被市场验证，国产替代路径会很快出现

四、技术 / 实施细节

统一内存为什么是关键

传统消费级 GPU 的瓶颈不是算力，而是显存。RTX 4090 24GB 显存，跑 70B FP16 模型直接放不下。本地大模型用户被迫走两条路：要么大幅量化（精度损失），要么靠 CPU offload（速度暴跌）。

统一内存架构（苹果 M 系列、AMD APU、NVIDIA Grace Blackwell）把这道墙拆掉：CPU 和 GPU 共享同一个 128GB 物理池子。

RTX Spark 这一代关键带宽参数：

• NVLink C2C （GPU ↔ CPU）：600 GB/s
• 统一内存带宽 ：发布会未单独披露，预计 LPDDR5X 量级（高于上一代 DGX Spark 估算的 273 GB/s，但仍低于数据中心 HBM3e 的数 TB/s）
• DGX Station for Windows 内存带宽 ：8 TB/s（接近数据中心级别）

所以判断仍然成立： 笔记本 / 桌面形态主要为推理和小规模微调优化，不替代 H200 / B200 ；DGX Station for Windows 才是首次把"接近数据中心带宽"装进个人桌面的产品。

Vera CPU：为什么 Agent 时代 CPU 也得重做

发布会上黄仁勋单独花时间讲了 Vera CPU（数据中心侧的下一代 CPU），其中一个核心观点对理解 RTX Spark 也很关键：

过去 CPU 为人服务，响应时间以秒为单位；现在 CPU 要为 Agent 服务，Agent 频繁调用工具、访问数据库、运行代码、检索记忆，每一步都要求更低延迟。

Vera CPU 关键参数：88 个 Olympus 核心、单片网格连接（不分 chiplet）、PCIe Gen 6、内部互联 3.6 TB/s、内存带宽 1.2 TB/s，相比 x86 在 Agent sandbox 场景下性能 1.8 倍，SQL 性能 3 倍，实时流处理 6 倍。

这条逻辑映射到 RTX Spark 上是： 它不只是给推理用，还要给 Agent 频繁的工具调用、文件 I/O、浏览器编排服务 。这是和苹果 M 系列、AMD Strix Halo 路线的隐性分歧——后者主要为"端侧推理快"优化，NVIDIA 这次明确为"Agent 工作流"优化。

CUDA 生态的不可复制性

CUDA 的护城河不在于 API 设计，而在于：

• 二十年累计的优化 kernel 库（cuDNN, cuBLAS, CUTLASS）
• 几乎所有主流框架（PyTorch, JAX, TensorFlow, vLLM, SGLang, TensorRT-LLM）默认后端
• 开发者教育存量：高校课程、Kaggle 教程、StackOverflow 答案、GitHub 示例代码
• Triton / FlashAttention 等关键开源项目的优先适配路径

任何对手要追，不是写一个 ROCm / MLX / oneAPI 就够，而是要让这套存量从 CUDA 迁移出去。这件事 AMD 和 Intel 努力了好几年，进度仍然慢。

ARM 版 Windows 的兼容性老问题

RTX Spark 笔记本用的是与联发科合作的 20 核 Grace ARM CPU，跑的是 Windows，必然继承高通 Snapdragon X 路线踩过的坑：

• x86 老软件靠 Prism 兼容层翻译运行，性能折损视应用而定（轻办公接近原生，重负载差距大）
• 部分驱动、专业软件、反作弊游戏仍未原生适配 ARM Windows
• 满载长时间运行的功耗墙、降频问题，在 14mm 薄机身里都是难题

黄仁勋说这台电脑要"运行所有东西"——传统 Windows 应用 + CUDA 全栈 + 图形工作流 + AI 应用 + 数字生物 / 地震处理 / 基因组学等专业软件。这件事 演示视频上能跑通，不等于上市后买家在自家机器上每天都顺 。Prism 翻译层成熟度、第三方驱动适配速度、ARM 原生版本的覆盖率，是首批用户实测时最该盯的指标。

本地大模型的工程现实

即使硬件齐了，要把"7×24 小时本地大模型"用起来，还要解决：

• 模型选择与量化 ：FP4/INT4 量化精度损失对你的任务可接受吗？
• 推理框架 ：vLLM / llama.cpp / Ollama / LM Studio / TensorRT-LLM 各有取舍
• 持续运行成本 ：满载 200W 持续跑一年，电费就不少；散热与噪音影响生活质量
• 更新与维护 ：开源模型每月迭代，本地部署要跟得上才有意义；不跟，三个月就落伍
• 数据闭环 ：本地 RAG 知识库的切分、向量化、权限、更新机制，不是装个 Ollama 就有的

很多人会发现， 买盒子简单，用好难 。这和 NAS 早期一样——能跑不等于能融入日常工作流。

五、价格调研：自己养 vs 租云的真实账本

发布会数据漂亮，但真要决定"装不装一台"，得把硬件、电费、API 单价摆到一张表上算。下面价格按 2026 年 6 月公开行情整理， RTX Spark 新品 OEM 笔记本与桌面定价未完全公布，标记为"预估区间" ，等首批整机上市后再校准。

5.1 硬件采购价（一次性投入）

产品	配置要点	起售价（约）	适合场景
NVIDIA DGX Spark Founders Edition （已售）	GB10 + 128GB 统一内存 + 4TB NVMe	$3,999	AI 开发者首选；CUDA 全栈
DGX Spark OEM 版 （ASUS / Dell / HP / Lenovo / MSI）	同芯片，不同外壳与配件	$2,999 起	价格更友好，同性能
RTX Spark 笔记本 （COMPUTEX 2026 发布，预估）	Blackwell RTX + 20 核 Grace + 128GB + tandem OLED	$2,800–4,500（预估）	AI PC 旗舰本，Agent 工作流
RTX Spark 桌面 mini （预估）	同芯片，桌面散热，24×7 常驻 Agent	$2,500–3,500（预估）	家庭 AI 主机
DGX Station for Windows （旗舰）	748GB 内存 + 20 PFLOPS + 8 TB/s 内存带宽	预计 $15,000+	本地跑万亿参数，开发者旗舰
Apple Mac Studio M3 Ultra（基础）	96GB 统一内存	$3,999	macOS 生态、MLX 推理
Apple Mac Studio M3 Ultra（顶配）	512GB 统一内存 + 16TB SSD	$9,499–14,099	本地跑超大模型上限最高
AMD Ryzen AI Max+ 395 迷你主机 （GMKtec EVO-X2、Beelink GTR9 Pro 等）	128GB 共享内存，96GB 可分配给 GPU	$1,800–2,400	性价比最高的 Windows/Linux 路线
Framework Desktop （Strix Halo）	128GB 配置	$1,999 起	可维修、模块化
RTX 5090 自组工作站	32GB GDDR7 单卡 + Ryzen 9 + 64GB DDR5	$3,500–4,500	单卡上限受 32GB 显存限制
双 RTX 5090 工作站	2×32GB + 服务器主板	$6,500–8,500	64GB 显存，能跑 70B FP8
Snapdragon X Elite 笔记本	32–64GB 统一内存	$1,000–2,000	端侧小模型，跑不了大模型

注：DGX Spark 桌面盒子和 RTX Spark 笔记本是 两条不同的产品线 ——前者是 2025 年已经在卖的 AI 开发者桌面机，后者是 2026 COMPUTEX 上发布的 AI PC 笔记本/桌面/工作站新阵列。价格上 RTX Spark 笔记本预估比 DGX Spark 桌面再贵一档，因为多了屏幕、电池、铝合金机身和移动散热。

5.2 持续运行成本

电费 （以中国大陆居民电价 ¥0.6/kWh 估算；美国家庭电价 ~$0.16/kWh 可对应换算）：

设备	满载功耗	24×7 月电费（¥）	24×7 月电费（$）
DGX Spark	~170W	¥73	$19
Mac Studio M3 Ultra	~480W（峰值）	¥207（满载） /¥60（典型混合负载）	$54 / $16
Ryzen AI Max+ 迷你主机	~120W	¥52	$14
RTX 5090 单卡工作站	~600W（满载）	¥259（满载） /¥90（典型）	$68 / $24
双 5090 工作站	~1200W（满载）	¥518（满载）	$135

实际负载远低于满载（生成时高、待机低）。 单卡桌面方案月电费现实区间约 ¥50–150 ，对家庭用户不构成主要成本。

附加成本 ：

• 散热改造（独显工作站需要安静散热）：¥500–2000 一次性
• 维护时间：每月平均 2–5 小时处理驱动 / 模型更新 / 报错
• 噪音对生活质量的影响（不可量化但真实）

5.3 云端 API 单价（对照组）

按 2026 年 6 月公开定价整理，常用旗舰模型：

模型	输入（**/百万 token）	输出（**/百万 token）
Claude Opus 4.x	$15 | $75
Claude Sonnet 4.x	$3 | $15
Claude Haiku 4.5	$1 | $5
GPT-5 旗舰档	$10–15 | $40–60
GPT-5 mini	$0.25 | $2
Gemini 2.5 Pro	$1.25–2.5 | $10–15
Qwen-Max（阿里云）	¥20 / 百万 token	¥60 / 百万 token
DeepSeek-V3	¥2	¥8

Token 消耗参考 ：

• 一次中等知识库问答（10K 上下文 + 500 输出）≈ 1.05 万 token
• 一天 100 次这样的问答 ≈ 100 万 token
• Claude Sonnet 这个量级 ≈ 月费 $90–150
• Claude Opus 同样用量 ≈ 月费 $450–700

5.4 自己养 vs 租云：盈亏平衡点

把 DGX Spark $3,000 OEM 价 + 3 年折旧 + 月电费 ¥73 摊到月度：

月度自养成本 ≈ $83（硬件折旧）+ $19（电费）≈ $102 / 月

这意味着只要你 在云端 API 上每月花超过 $100 ，DGX Spark 就开始有账面优势。

但有两个隐藏前提：

1. 本地能跑的开源模型，能力大致对标云端中型模型（Sonnet / GPT-5 mini） ，跑不动 Opus / GPT-5 旗舰。所以这个对比是"本地中型 vs 云端中型"。
2. 你的工作流真的能高频用满 。如果只是偶尔问几句，本地大模型大部分时间在闲置，账永远算不过。

不同用户画像下的盈亏判断 ：

用户画像	月均 token 用量	月度云端成本	建议
轻度用户（每天几次问答）	< 50 万	< $30	租云，本地不划算
中度知识工作者（重度笔记 + 写作）	50–300 万	$30–150	临界，看是否在乎数据隐私
重度开发者（Cursor / Claude Code 日常使用）	300 万–2000 万	$150–1500	混合：本地跑日常补全 + 云端调旗舰
内容批量处理 / Agent 跑任务	> 2000 万	> $1500	本地优势明显，但仍需云端处理峰值
隐私 / 合规强约束（法律 / 医疗 / 政务）	任意	任意	本地是唯一选项，账算不算得过都得装

5.5 价格之外的隐性账

只看月度账单会漏算几件事：

• 机会成本 ：云端模型每 3–6 个月有大升级，本地模型升级需要你自己折腾（下载 200GB 权重、重配推理框架、调显存）
• 能力天花板 ：本地模型对标的是云端 6–12 个月前的能力，前沿任务（最新 Claude / GPT 旗舰）本地永远跑不过
• 二手残值 ：DGX Spark 这类新品类暂无成熟二手市场，3 年后可能贬值 60% 以上
• API 降价趋势 ：过去三年云端 API 单价平均每 12 个月降 50–70%，本地硬件折旧速度未必跑得过 API 降价

把这五条加进去， 真正纯粹的"本地划算"场景，比账面看起来窄 。

六、争议与风险

第一类：发布会与真实体验之间的鸿沟

黄仁勋擅长讲叙事，但参数 PPT 和真实日常使用差距常常很大。RTX Spark 笔记本"14mm 厚 + tandem OLED + 1 PFLOPS FP4"看起来很漂亮，但需要重点观察：

• 满载推理时风扇噪音和键盘表面温度
• 拔电后保持算力的能力（社交媒体说法是"拔电不掉帧"，需要实测）
• Prism 翻译层下 x86 老软件的性能折损
• Adobe / Rhino / Blender 等 MCP 接入的 Agent 工作流在真实项目里的稳定性（演示视频和日常使用之间常有差距）
• 1 PFLOPS FP4 算力在 INT4 / FP8 / FP16 下分别能跑出多少 token/s

这些数据要等首批买家实测才能算数。

第二类：本地常驻 AI 的隐性成本被低估

不少人把"本地跑大模型"和"省 API 钱"画等号，但忽略：

• 硬件折旧（3000 美元 / 3 年 ≈ 每月 80 美元）
• 电费（满载 24 小时跑，一个月就是几十到百元人民币级）
• 时间成本（部署、调优、更新、排障）
• 机会成本（云 API 的迭代速度远快于本地能跟上的速度）

对 90% 的轻度用户，"自己养"算不过账。它真正服务的是：高频重度用户、隐私敏感场景、长上下文 / 大批量处理、需要自定义微调的开发者。

第三类：API 路线不会输

云端模型（Claude、GPT、Gemini、Qwen-Max）在能力前沿、上下文长度、工具调用集成、多模态能力上仍持续领先。本地大模型即使能跑 200B，也通常落后云端旗舰 6-12 个月。"本地能用"不等于"本地够用"。

真实未来可能是 混合 ：日常重复任务跑本地（隐私、便宜、低延迟），关键复杂任务调云端（强模型、最新能力）。Cursor / Cline / Claude Code 这类工具未来大概率都会支持本地后端 + 云端旗舰的灵活切换。

第四类：地缘与供应链

• 高端 NVIDIA 芯片在中国大陆的可获得性受出口管制影响
• 国产替代需要时间，短期内国内开发者要么走云、要么海淘、要么等阉割版
• 这件事对全球 PC 市场是一回事，对国内开发者是另一回事

七、个人结论

一句话定性 ：2026 COMPUTEX 上 NVIDIA + Microsoft 联手推出的 RTX Spark 产品线，真正的意义不是参数跑分，而是 第一次把"本地常驻大模型 + Agent 工作流"做成一条从笔记本到工作站的完整产品线 ，并借势把 CUDA 全栈搬上 Windows，重新定义"AI PC"这个品类。

是否跟进 ：观望偏跟进。

具体分场景：

• 个人博客 / 知识库这个项目本身 ：不跟进。当前依赖 Cloudflare Pages + Anthropic / OpenAI / Qwen API 已经足够，本地大模型在这条链路里没有不可替代价值。
• 作为内容选题 ：跟进。这是接下来 12 个月 PC 行业最大的叙事变化——Wintel 联盟最近一次有进攻性的反击。值得持续追踪 OEM 整机售价、Prism 兼容性实测、Adobe 等 MCP 接入的真实可用度。
• 作为个人生产力工具 ：明年观望。等首批 ASUS / Dell / Lenovo RTX Spark 笔记本实测出来、价格透明、Prism 翻译层成熟一轮再说。早期采购者会替我们交学费。

下一步行动 ：

1. 把"本地常驻大模型 + 个人知识库"这个组合作为长期跟踪选题，每个季度更新一次硬件 / 模型 / 框架进展
2. 关注 Ollama / LM Studio / vLLM / SGLang 这几个本地推理框架的演进，它们才是普通人用上本地大模型的真正入口
3. 在博客上发起一个开放问题征集： "如果家里真的有一颗 7×24 小时常驻的顶配大模型，你第一个想让它替你干什么？" ——这本身就是好选题，也是验证读者真实需求的最低成本方式

附上几个我自己想到的方向，供讨论起点：

• 永远在线的私人知识库 Agent ：把所有笔记、邮件、聊天记录、读过的文章、看过的视频字幕全索引进去，问任何过去发生的事它都能回答出处
• 24 小时盯盘 / 盯舆情 / 盯赛道 ：自定义抓取源 + 本地分析 + 推送，不用担心 API 限流和数据所有权
• 永久私人写作教练 ：风格学习自己历史所有产出，本地微调出"我的写作助手"
• 家庭场景的离线助理 ：老人小孩用的语音问答、辅导、提醒，不上云
• 代码工作流的本地副驾 ：私有代码全量索引、敏感项目不出本地、补全延迟稳定

但说到底， 真正决定这台机器有没有价值的，不是它能跑多大模型，而是你能不能为它设计出一个值得 7×24 小时常驻的工作流 。硬件已经在 NVIDIA、Apple、AMD、高通手里推到这个位置了，剩下的题，得我们自己解。

审核编辑 黄宇