隨著采用Panther Lake處理器的AI PC開賣，端側(cè)AI不僅獲得了更強的AI算力、續(xù)航和游戲體驗，終端形態(tài)也因為芯片算力提升、能耗降低而重新調(diào)整內(nèi)部形態(tài)，1.2kg以下的輕薄型筆記本電腦開始變得司空見慣，基于Windows系統(tǒng)平臺的游戲掌機也伴隨著iGPU性能大幅提升獲得優(yōu)秀體驗。
事實上不局限于Panther Lake，在CES 2026期間，基于新一代驍龍X2 Elite Extreme和Ryzen AI 400系列的輕薄型筆記本、掌機、平板等端側(cè)AI設(shè)備蓄勢待發(fā)，以往要依靠臺式機級別的獨立GPU才能處理簡單的生成式AI應(yīng)用，現(xiàn)在僅依靠65W左右的便攜式供電就能實現(xiàn)豐富的AI應(yīng)用，實際上是業(yè)界共同努力的結(jié)果。
核心硬件缺一不可
AI PC硬件基本上圍繞CPU、NPU、GPU、內(nèi)存、存儲五個核心組件，每個硬件都承擔(dān)了不同AI場景的工作。例如被經(jīng)常提到的NPU主要是考慮在節(jié)能的前提下，實現(xiàn)離電狀態(tài)下的AI加速，GPU則是生成式AI、AI智能體等重負(fù)載的主要承擔(dān)硬件，CPU則需要快速響應(yīng)，給AI應(yīng)用的啟動和資源提供調(diào)度。
另一方面，內(nèi)存和存儲也已經(jīng)在AI PC中承擔(dān)起了非常重要的角色。由于AI模型加載、多任務(wù)切換、大語言模型本地運行均需要大內(nèi)存的支持，16GB內(nèi)存其實不大能滿足多模型切換和調(diào)用的需要，32GB DDR5被認(rèn)為是支撐AI應(yīng)用流暢體驗的基本盤。但受限于成本，內(nèi)存不可能像SSD存儲那般提供更大的容量，64GB以上的內(nèi)存容量對于消費級AI PC而言相對少見，128GB以上基本屬于工作站的范疇了。
相對應(yīng)的，512GB起步的SSD則能夠很好的滿足AI的擴容，特別是隨著BiCS 8在SSD中普及，高性能、高容量密度的閃存允許SSD向1TB以上發(fā)展，甚至可以制造出2TB、4TB甚至更高容量的產(chǎn)品。
在CES 2026期間發(fā)布的鎧俠BG7系列就是使用了BiCS 8以及CBA技術(shù)的消費級解決方案，它針對OEM、ODM等移動端側(cè)AI設(shè)備設(shè)計，其隨機讀/寫速度高達 1,000,000 IOPS，順序讀取速度高達7,000 MB/s，性能較前代KIOXIA BG6系列提升約10%至16%，兼顧能效和存儲，除了常規(guī)的M.2 2280外形，還提供M.2 2230和M.2 2242可選，是理想的端側(cè)AI擴容方案之一。
云端協(xié)同
AI大模型的不斷升級，指望端側(cè)AI在本地實現(xiàn)AI的全部應(yīng)用不太現(xiàn)實。通常而言，將語音識別、圖像分類、實時翻譯等低延遲要求的任務(wù)，由端側(cè)NPU/CPU處理，響應(yīng)時間控制在100ms以內(nèi)提升使用體驗。更復(fù)雜的任務(wù)則交給云端GPU集群處理，包括大語言模型推理、復(fù)雜圖像生成、多模態(tài)分析等算力密集型任務(wù)。
無論是邊緣節(jié)點、還是云端承擔(dān)的AI任務(wù)，除了強大的GPU之外，也需要更多的緩存提供支持。因此大容量數(shù)據(jù)中心級SSD也變得尤為關(guān)鍵，可以在存儲性能，數(shù)據(jù)吞吐能力和可靠性三個維度的關(guān)鍵支撐，直接影響AI訓(xùn)練和推理的效率和成本。比如面對PB級的海量訓(xùn)練數(shù)據(jù)集，百萬級IOPS可以將數(shù)據(jù)加載時間壓縮到以秒為單位，避免GPU因等待數(shù)據(jù)而閑置，同時也能支持多模型并行，滿足A/B測試、灰度發(fā)布等應(yīng)用場景。
鎧俠CD9P 系列固態(tài)硬盤能夠滿足云端AI計算的嚴(yán)苛要求，符合PCIe 5.0、NVMe 2.0、NVMe-MI 1.2c標(biāo)準(zhǔn)，順序讀取性能可達14.8GB/s，隨機讀寫性能可達2,600KIOPS(QD512)和750KIOPS (QD32)。
不僅如此，鎧俠還發(fā)布了高達245.76TB的LC9系列SSD，可幫助企業(yè)管理PB級數(shù)據(jù)，實現(xiàn)基礎(chǔ)設(shè)施現(xiàn)代化，以支持生成式AI和機器學(xué)習(xí)應(yīng)用。為AI云端和邊緣部署提供了更多可能性。
端側(cè)AI能力正以超乎想象的速度發(fā)展，100+ TOPS開始變得司空見慣，更多AI任務(wù)可以實現(xiàn)本地化。同時，邊緣計算的普及、模型壓縮的突破，為端側(cè)和邊緣快速執(zhí)行AI應(yīng)用提供了可能。隨著ONNX、TensorFlow Serving等框架完善，云端、邊緣、端側(cè)合力提供流暢的AI體驗變得近在咫尺。端側(cè)與云端AI協(xié)同不再是簡單的本地、云端二選一，而是根據(jù)任務(wù)特性、網(wǎng)絡(luò)條件、隱私要求等因素動態(tài)調(diào)度的智能系統(tǒng)。無論系統(tǒng)如何部署，優(yōu)秀的存儲解決方案都將成為AI應(yīng)用的基礎(chǔ)保障，這也正是鎧俠所擅長的工作。
