原粒半導體方紹峽：Agent需要一臺專屬電腦

智東西
編輯 智東西編輯部

智東西7月10日報道，7月2日至3日，以“范式躍遷 重塑世界”為主題的2026中國AI智能體大會在杭州圓滿舉行。大會集結了64位重量級嘉賓，通過1場開幕式、2場論壇、7場閉門研討會對Agent賽道核心議題進行全鏈路解析，主題涵蓋Harness、自進化Agent、Coding Agent、多Agent協(xié)同和Skills等。

會上，原粒半導體創(chuàng)始人兼CEO方紹峽以《Agent Computer：重新定義計算范式與硅基底座》為主題發(fā)表演講，系統(tǒng)闡述了Agent Computer的構想，并提出Agent時代需要重新定義計算平臺、芯片架構和算力評價標準。

方紹峽提出，AI正從“回答問題”走向“完成工作”，下一代計算平臺Agent Computer將誕生，芯片的評價標準也將從“峰值算力”轉向“單位能耗與成本下的任務完成效率”。

方紹峽將AI的演進劃分為三個階段：從“工具”到“助手”，再到“員工”。當AI進入“員工”階段，它需要一臺專屬電腦，即Agent Computer。

他認為，AI PC只是在電腦里加AI功能，無法滿足Agent的需求。人類與Agent天然存在資源、安全、長駐和系統(tǒng)邏輯四個沖突。

針對Agent Computer，原粒半導體提出芯片設計的4個原則，一是記憶優(yōu)先、二是長上下文優(yōu)先、三是Agent必須7 × 24小時長駐、四是能效優(yōu)先。

方紹峽認為，Agent的算力載體將從大Batch的GPU集群走向推理內存與調度耦合的異構系統(tǒng)。未來真正的競爭不是峰值算力有多高，而是“丟給你一個復雜任務，能不能更快更穩(wěn)定地完成”。

以下是演講實錄：

大家好，我是原粒半導體CEO方紹峽。我們作為一家芯片設計公司，正好借這個機會跟大家探討一下：如果我們?yōu)锳gent設計一臺專屬電腦，它會對計算范式和芯片設計帶來什么樣的變化。

一、AI正從“工具”走向“員工”，Agent需要一臺自己的電腦

過去三年，整個行業(yè)圍繞著大模型討論了很多，包括模型有多大、跑分有多高、上下文有多長、有多快。這些問題非常重要，但它更多的是在衡量“回答”，衡量“回答”的好不好。

但是Agent時代的問題不止于此，我們真正關心的是當AI開始替人工作后，在下一代的計算機里，它應該長什么樣？歷史上的每一次計算主體、計算邏輯的切換，其實都會帶來一些全新的硬件、全新的軟件生態(tài)，Agent的時代也不例外。

我們可以把AI的演進分成三個階段。第一個階段AI是“工具”，它就像搜索引擎、翻譯器在推薦系統(tǒng)，人在前面操作，它在背后輔助；第二個階段是“助手”，它幫我們寫郵件，寫代碼、寫周報，但最終還是圍繞著咱們人類的即時交互展開；第三個階段，也是我們非常期待的下一個階段，就是它越來越像“員工”，它有它的任務、它有它的權限、它有它的記憶、它有它的工作流和任務目標。

如果AI只是工具的話，它可以住在人的電腦里面。但如果它是員工，它就需要自己的工作環(huán)境、自己的系統(tǒng)、自己的數據邊界。當AI成為員工，它就需要自己的電腦。

回看整個計算機歷史產業(yè)，我們會發(fā)現每一代平臺其實都不是上一代平臺的簡單增強或是替換。從大型機時代，一直到PC時代，再到智能手機，再到云計算。每一次平臺遷移，都會重寫整個產業(yè)的分工，也會重塑整個硬件軟件和應用生態(tài)之間的關系。

今天的Agent Computer對應的是一個全新的階段。我們的計算進入了數字勞動力的時代。那問題是“誰”，或者“我們”怎么樣來定義這個新的平臺？它的操作系統(tǒng)是什么？它的硬件是什么？它的數據邊界在哪里？這也是我們非常關注的問題。

我們相信，智能體時代，它不是簡單的把更多的GPU的算力去放在云端，也不是簡單的在現有的PC里面去加一個AI的功能鍵，而是會誕生一個全新的計算平臺。

二、AI PC不夠用，Agent需要一套完全獨立的計算系統(tǒng)

很多人可能會問，我現在有AI PC，那我為什么還需要Agent Computer？主要是因為Agent它的工作負載和我們人類的PC的工作負載是存在天然沖突的。

第一是資源沖突。生產力Agent，比如大家在蘋果筆記本跑個大模型，風扇可能就轉得非常快。它一旦啟用，會把我們整個內存容量、帶寬，包括整個算力都占用。如果它和我們的日常主力辦公機共用資源的話，它會嚴重影響我們的工作。

第二是安全沖突。Agent它需要去訪問我們的文件，訪問瀏覽器、代碼庫、數據庫，包括我們的OA系統(tǒng)，甚至審批系統(tǒng)。如果說這些權限全部都暴露在主力設備上，那么風險會快速放大。

第三是長駐沖突，就像剛才專家也提到了，我是不是筆記本合上了，Agent也下班了。我們的人類電腦會休眠、會斷網、會關機，但是Agent它需要7 x 24小時的在線處理問題。

第四是系統(tǒng)邏輯的沖突。過去，OS、鍵盤、鼠標和屏幕這一系列機制其實都是為我們人類的即時交互設計的。但Agent本質上是一種異步任務、狀態(tài)管理、長期調度和工作流的編排。所以我們提出了AI PC，就是電腦里加入AI。但是Agent Computer是為AI重新發(fā)明電腦。

當Agent擁有更高級的執(zhí)行權，那數據安全就不再是簡單的合規(guī)問題，而是計算架構問題。因為Agent不光要讀取你的文件和信息，它還會行動，它需要知識權限、行為權限，甚至需要系統(tǒng)的權限。

我們人類世界里面有一句話叫做，崗位越高，你的責任越大。對于Agent來講，其實還多了一個問題，它權限越深價值越大，隨之而來的風險也越大。如果高價值的數據完全依賴云端去流轉，對于企業(yè)和個人來講，都會面臨一個比較嚴重的問題，就是它的數據邊界是不可控的。

因此未來真正安全可信的Agent系統(tǒng)，它需要有一個用戶可控、物理存在的本地計算實體。這不是簡單的數據放在哪里的問題，而是我們作為新一代的計算機架構必須要回答的一個問題。

過去，大模型主要學習公域知識，包括互聯(lián)網網頁、代碼庫，這些公域數據讓大模型獲得了通用能力。但是大家也看到一點，就是高質量公域數據的紅利正在遞減，未來真正驅動Agent生產力的將會是私域數據。

大模型過去學會了世界知識，但是Agent要學習的是我們每個人的個人知識。所以未來最稀缺的資產，其實不是模型，而是記憶。正因如此，記憶它必須要是私域的、本地的、可信的并且長期存在的物理承載。

我們再看看大家非常關注的Agent成本問題。在過去把大模型當聊天工具的階段，我們會發(fā)現，一次對話其實也就消耗這種幾百到1000的token，這個成本非常可控。因為我們人類的閱讀速度是有限的，我們跟它的交互頻次也是有限的。

但是Agent的工作模式完全不同。當智能體開始執(zhí)行一個復雜任務，它的后臺可能經過幾百次異步的推理跟交互。一次復雜的任務可能消耗幾百萬甚至到千萬級的token。如果你作為一個企業(yè)，那么你不可能只部署一個Agent，可能部署10個、100個甚至上千個Agent。在這種情況下，云端的推理成本會大幅上升。

這里并不是說云端推理未來就消失了，云端非常重要。但是智能體它作為一種長期的、可持續(xù)的生產力，它必須要有一個本地成本的錨點。如果沒有這個錨點的話，數字員工這種新型的生產力，它的規(guī)模化部署、它的天花板就會被定的比較低，它就會局限在成本的天花板上，沒辦法大規(guī)模的推廣。

三、Agent電腦不拼峰值算力，拼“長任務承載能力”

我們再看看模型本身的一些新變化。過去我們經常講小模型夠用就好。進入智能體時代，什么是夠用？它的定義也在發(fā)生變化。小模型可以降低交互的門檻，但真正決定生產力上限的往往是更大的模型、更長的上下文和更強的多步推理能力。

我們看整個模型的尺寸，從7GB、14GB到32GB、70GB，再到100G、200GB，再到500GB往上。不同模型它的能力對應的任務復雜度在不斷變化。所以這里有一個核心的變化，就是我們的階段從answer變成了work。當我們對模型或者對智能體的目標，從期待它回答的還不錯，到期待它工作完成的不錯。這里其實我們對模型的大小，什么叫夠用，這樣的要求都會重新的去做定義。

我們看整個AI coding，其實它是觀察Agent的工作負載的典型場景，一個簡單的單文件函數修改，可能也就用個幾千、一萬多token。但是進入較復雜的任務，比如說多文件的bug修復、新模塊的開發(fā)，包括跨模塊的重構，token的消耗都會快速上升。

那如果我們進入理想化的7 x 24小時長周期的駐留任務，token需求可能就到百萬級、千萬級。這里有一個非常重要的變化，Agent的上下文，其實不是一次性的輸入，它包含了整個任務狀態(tài)代碼庫，包括日志工具的返回結果、自我修正的軌跡，以及多輪的決策滾動的迭代的一個過程。

所以本地設備的核心目標、它的指標，正在從我們過去強調的峰值算力，去轉向長任務的承載能力。誰能夠承載更長的上下文、更長的任務，更長的上下文以及更穩(wěn)定的狀態(tài)，誰就擁有更好的Agent時代的Computer底座。

我們再來看一下在硬件規(guī)格上大家非常關注的模型內存，就是顯存的尺寸。大家可以看到24GB這種顯存，可以提供到入門級基礎體驗。128GB的本地模型內存，就可以開始支持工作流的常駐。256GB甚至到512GB的本地模型內存，就可以開始進入到本地常駐生產力的底座門檻。

所以Agent的時代，本地智能體設備的競爭，不再只是峰值算力，不是單純去看TOPS（整數算力）或者TFLOPS（浮點算力），更重要的是本地的模型內存有多大、帶寬是否足以匹配、長任務的狀態(tài)是否能夠穩(wěn)定的駐留。Agent生產力邊界也越來越取決于本地的可用內存和帶寬。

四、Agent時代，拆解AI芯片設計四大原則

在傳統(tǒng)的計算里面，我們一般強調TOPS高，你就是一顆更厲害的芯片。但是對于Agent來講，它的工作負載不是單一的矩陣乘法。

對我們做芯片設計來講，它的取向和設計目標也發(fā)生了比較大的變化。它是一個推理、記憶、檢索，包括工具調用與狀態(tài)調度的復合系統(tǒng)。

傳統(tǒng)通用服務器GPU的架構，非常適合大Batch、規(guī)則化、高吞吐的矩陣計算。這也是我們當下云端訓練跟高并發(fā)推理非常重要的基礎。

但是Agent原生的芯片架構，它需要去面向長上下文、動態(tài)的狀態(tài)流和Agent工具編排優(yōu)化。所以整個Agent的算力載體會從大Batch的GPU集群走向推理內存和調度耦合的異構系統(tǒng)。

對于最終用戶來講，大家關心的不再是你的TOPS有多高，而是我今天丟給你的一個復雜任務，能不能更快更穩(wěn)定的完成。所以用戶的目標取向其實發(fā)生了很大的變化。這也是Agent時代對芯片效率提出的新定義。

我們再看一種新型的Agent芯片，它的token速度我們期待有多高呢？過去我們大家講token速度，更多是在講用戶體驗。聊天模式下15到25 tokens，基本上匹配人類的閱讀速度。

但是Agent模式其實很不一樣，Agent它不需要等人去閱讀，它在后臺執(zhí)行任務，它的速度越快，任務完成的時間就越短，數字員工的工作效率就越高。所以對Agent來講，token的速度，它不是一個體驗指標，而是一個生產效率指標。

當我們在討論100 tokens每秒，200 token每秒甚至上千tokens的時候，我們關心不是閱讀能不能跟得上，而是我今天完成一個任務的鏈路時間是不是能夠從原來的幾個小時壓縮到幾十分鐘甚至幾分鐘。

所以總結一下，對于Agent來講，需要去重新定義推理芯片的指標，不是只看峰值算力，而是要去看它的單位能耗以及單位成本下的任務完成效率。

Agent Computer，它本身并不是一個單一的硬件，它是一個全棧生態(tài)。最上層其實是頂層的數字勞動力市場，包括未來Agent的應用和數字員工服務，再往下是私域的安全數據網絡，再往下是私域的記憶金庫，包括我們的長期記憶和本地的知識，再往下是Agent OS和Runtime，最底層是硅基的原生底座，我們稱之為Agent-Native Silicon。

對于原粒半導體來講，我們的定位并不是要試圖去替換上層的生態(tài)，而是專注在最底層。我們試圖去為Agent Computer這樣全新的物種，去提供高性能、低功耗、可擴展的物理底座。因為只有底座足夠穩(wěn)，整個數字勞動力的生態(tài)才能夠真正形成規(guī)?；?。

面向Agent Computer，我們也提出了Agent-Native Silicon設計原則。

第一是記憶優(yōu)先，因為Agent的長期生產力必須依賴大容量的本地存儲和高帶寬。我拿一個特別小的輕量級模型，給你很快的速度，這件事情可能對生產力是沒有幫助的。它得是一個足夠強的生產力模型，而且跑在了足夠的速度上，跑在你的本地桌面上才有用。

第二是長上下文優(yōu)先，因為Agent的任務它不是一次性輸入，而是長上下文和持續(xù)狀態(tài)的累積。

第三是長期駐留優(yōu)先。也就是說，Agent它是一個數字員工，它必須7 x 24小時長駐。不能蓋上盒子再打開，它就重新來一遍，它不需要花這么長的時間去重新建立狀態(tài)。

第四是能效優(yōu)先，峰值算力當然重要，但是更重要的怎么以更低的功耗，更低的成本去完成這些更長的任務。

所以Agent-Native Silicon的核心，就是把這四點結合到我們整個芯片的設計理念中。我們也期待通過全新的指標創(chuàng)新。

今天token的賬單，是各家規(guī)模化推廣的較大障礙。但未來假設我們Agent運行執(zhí)行生產力工作的邊際成本趨近于0，或者趨近于只有電費的時候，那么我們所有行業(yè)的底層邏輯都會重新改寫。

五、Agent Computer時代，需要重構底層計算底座

原粒半導體的定位在整個生態(tài)里面，就像剛才說的，我們并不定義上層的應用，因為未來的Agent應用會百花齊放。我們也不替代整機生態(tài)，因為Agent Compute它是一個需要操作系統(tǒng)、終端、Runtime、企業(yè)軟件，包括模型、開發(fā)者和硬件共同建設的完整生態(tài)。

我們專注的是為Agent Computer去提供一個高性能、低功耗、可擴展的硅基底座。我們希望解決的是一個更基礎的問題，就是當世界從“集中計算”走向“萬物智能”的時候，底層的芯片應該如何變化。

過去，智能主要是集中在云端、集中在少數的數據中心。未來，智能會進入辦公室、家庭、設備，進入到每一個需要數字員工的場景。我們的愿景就是把一個“集中計算”的世界變成一個“萬物有腦”的世界。并且我們的新產品，剛才提到的面向智能Agent Computer的全新設計的芯片也即將推出。

最后我也想簡單的用三句話就結束今天的分享。PC讓每個人桌上有一臺電腦，智能手機讓每個人口袋里有了一個超級計算機，Agent Computer讓每個人未來擁有身邊都有一個7 x 24小時工作的數字員工，它不是簡單的硬件升級，它是計算主體的變化。

AI正在從回答問題走向完成工作，軟件正在從“工具”走向“員工”，數字勞動力也正在形成新的生產力。處在大時代的變化下，我們需要重新去定義計算機，也需要重新去定義它的底層芯片。原粒半導體所希望做的，就是為智能體時代去重構物理的芯片底座。謝謝大家。