如果在 2026 年，一款手机宣传自己是一款「5G 手机」，那么消费者就会疑惑：难道现在还有什么新机不支持 5G 吗？
类似的，现在诸多手机开始着重宣传的「AI 手机」的概念，以及诸多 PC 厂商甚至寄希望于「AI PC」的概念能够刷新消费者对于 PC 是一个古老品类的认知。
AI 消除、AI 摘要、AI 修图、AI 写作、AI 搜索……一切设备都可以 AI 化，一切功能也可以 AI 化，但万物竞发的状态，对于用户来说，也有点迷糊，AI 了，但似乎未必更好用了。
这种状态当然是一种 AI 技术发展中的中间态，至于未来怎么走，确实需要捋一捋，IDC 与高通联合发布了《从 AI 设备到个人 AI：智能体驱动的终端进化与产业重构》白皮书，想回答的就是这个问题。
以下是白皮书中与个人用户最相关的 10 条信息之省流版。
AI 智能体已经过了少数人尝鲜的阶段
IDC 的调研说，2026 年，中国消费者对 AI 智能体的认知率已经达到 73%，相比 2025 年的 51% 提升了 22 个百分点。使用率也完成了从少数人使用变成了多数人用过的进程：2025 年，使用过 AI 智能体的消费者占比为 33%；到了 2026 年，这一数字已经上升至 59%。
也就是说，接近六成用户已经真正使用过 AI 助手或者 AI 智能体。
这意味着 AI 已经跨过了早期极客和科技爱好者的圈层，进入了大众用户的手机和电脑。越来越多人开始使用 AI 写邮件、总结会议、搜索资料、处理图片，或者为旅行和消费决策提供建议。
认知率和使用率的快速增长，并不意味着体验已经成熟。
恰恰相反，用户越频繁地使用 AI，就越容易发现它目前的能力边界。AI 正在从一个偶尔使用的新功能，变成用户希望长期依赖的服务，这两个阶段对产品的要求完全不同。
一个适合展示的 AI 功能，可以偶尔犯错；一个需要管理日程、处理邮件甚至代表用户执行操作的智能体，则必须足够稳定。AI 普及带来的下一轮竞争，已经从「有没有」变成了「能不能长期使用」。
用户对 AI 最大的不满是听不懂人话
虽然从使用率上说，已经跨过了不知道没用过的阶段，但人和 AI 的交互，仍然是一个新命题。65% 的消费者认为 AI 无法准确理解自己的指令，这是当前排名第一的体验痛点。
此外，59% 的用户遇到过上下文丢失，54% 认为 AI 产出的结果不符合预期，48% 认为生成的代码或者文档无法直接使用。
AI 用得越多，对这些问题的感受也会越来越深刻，用户让 AI 修改一篇文章，它可能忘记文章原本的语气，充满了「不是...而是...」句式；让它继续完成此前的任务，它可能要求重新提供背景；让它整理一个复杂项目，得到的往往是一份逻辑正确、却缺乏实际细节的通用模板。
模型厂商仍然习惯通过知识能力、推理能力和基准测试展示进步，用户关心的则是它能否理解那些不完整、不精确，甚至带有情绪和习惯的自然表达。某种程度上来说，AIGC 的内容，往往是「大成若缺」，缺少的就是人类表达里会有的瑕疵，毕竟现实生活中的人类交流很少像提示词教程一样结构完整。
一句「帮我按以前的方式整理一下」，背后可能包含用户长期形成的格式、语气和工作流程。一个真正成熟的个人 AI，需要理解这句话中被省略的大量信息。因此，AI 设备下一阶段最重要的能力，可能不是知道更多，而是更准确地理解眼前这个人。
用户最想要的，是一个「记得我」的 AI
调研显示，消费者最期待的 AI 体验优化方向是专属互动体验，占比达到 57%；其次是专属记忆能力，占比为 45%。
多端同步、多设备控制和任务接续也排在前列，相比之下，「功能丰富性」的优先级并不算高。
过去几年的惯性是，手机厂商推出 AI 功能时，最常见的思路是不断增加功能列表：可以写文章、生成图片、总结录音、翻译通话、消除照片里的路人。
但对于用户来说，功能数量并不等于使用价值。如果 AI 每一次都需要用户重新说明职业、写作习惯、家庭成员、预算范围和常用格式，那么再多功能也只是工具箱里的独立工具。
个人 AI 的关键，是建立一套关于用户的长期记忆。
它应该知道用户从事什么工作，习惯使用怎样的表达方式；知道用户下周有哪些安排，正在推进哪些项目；也知道哪些内容可以直接处理，哪些操作必须先征得同意。
这种记忆还需要分层。短期记忆负责延续正在进行的任务，长期记忆负责积累用户偏好和个人知识。白皮书提出通过上下文缓存、长期个人知识图谱和端侧向量检索，让 AI 形成「越用越懂你」的能力。
今天，人们通常围绕每一次任务编写提示词；未来，提示词可能只需要补充这一次任务的新信息，因为其余背景已经存在于个人 AI 的记忆里。
AI 将从回答问题，走向替用户完成任务
这份白皮书将过去几年的生成式 AI 称为「响应式阶段」。
这一阶段的 AI 擅长问答、总结和内容生成，但它本质上仍然在等待用户下达指令。即使提供了一个看似完整的答案，真正的操作往往还要由用户完成。
智能体 AI 则进入了「行动式阶段」。它需要理解用户目标、拆解任务、规划步骤、调用工具，并在执行过程中根据结果不断调整。
两者的差别，可以用 Demo 里最常使用的旅行规划来说明。
传统 AI 可以生成一份三天两夜的上海旅行攻略，用户仍然要自己查询日历、比较机票、预订酒店，再把行程发送给同行者。智能体 AI 的目标，是在用户说出「帮我安排下周去上海的出差」之后，自动读取日程，避开已有会议，根据公司差旅标准筛选交通和酒店，生成行程方案，等待用户确认后完成预订，并把结果同步到日历。
用户提供的是意图，而不是每一步操作。
白皮书认为，人机交互将由「操作设备」逐渐变成「表达意图」。用户不再需要记住每一个应用的菜单和操作路径，智能体会在背后调用不同工具和服务。
智能体有可能成为继图形界面和多点触控之后，下一代重要的人机交互方式。过去，计算机要求人类学习机器的操作逻辑；未来，机器开始尝试理解人类的表达方式。
最大的技术断点是「一句话把事情办完」
尽管智能体的愿景很吸引人，不过白皮书也承认，当前多数 AI 仍然无法完成复杂任务闭环。
它们可以执行单步、单应用的简单操作，目前还是很难稳定处理跨应用、多步骤任务。中间一旦涉及身份验证、信息缺失、页面变化或者执行异常，用户就必须重新接管。
目前很多 AI Agent 演示看起来惊艳，用户用起来感觉被骗了就是这个原因。回答错误是一种结果错误；执行错误则可能带来真实后果。
AI 写错一句文案，用户可以修改。AI 错误发送邮件、删除文件、购买商品或者修改日程，损失可能更直接。
所以说，用户把操作权交给智能体，那么智能体的进步不能只看「能不能操作」，还要看操作是否可控。智能体万一出现了「删库跑路」的行为，用户可以挽回的机会微乎其微。
智能体需要知道哪些任务可以自主完成，哪些操作需要用户确认；需要记录执行过程，让用户能够查看、暂停和撤销；也需要在不确定时主动询问，而不是为了完成任务而盲目猜测。
这个智能辅助驾驶非常类似，需要尽可能排除 Bad Case 和 Corner Case。
白皮书把行业演进划分为几个阶段：从单点功能嵌入，到助手协同、任务代理，再到能够跨设备自主编排任务。
2026—2027 年的重要目标是实现单场景多步骤任务拆解、长期上下文记忆和更稳定的执行；真正跨越设备与场景边界、主动预判用户需求，则被放到了更后面的阶段。
AI 服务将从「绑定设备」变成「跟随用户」
IDC 预计，2026 年全球人均智能设备持有量将达到 7.6 台，明显高于 2023 年的 4.5 台。
手机、电脑、平板三大件是标配，此外还有手表、耳机、汽车和家庭设备，他们组成了一套日常设备网络。
不过和过往上十年时间里提到的「万物互联」概念背景差不多，这些设备上的 AI 往往彼此独立。
用户在手机上和 AI 讨论了一半的项目，打开电脑后可能需要重新提供材料；智能手表知道用户刚刚完成运动，手机里的 AI 却未必能够理解这一状态；汽车知道用户正在回家，智能家居仍然要等待用户手动开启空调。
白皮书认为，用户正在产生两类新需求。一类是体验一致性。用户希望不同终端上的智能体拥有统一的人设、记忆和能力，不需要在每台设备上重新适应。另一类是任务连续性。用户希望任务进度、上下文和服务状态能够跨设备接续，不必重复下达指令和手动同步数据。
未来 AI 的主体可能不再属于某一台设备，而属于用户本人。
手机损坏或者更换电脑，不应该意味着 AI 需要重新认识用户；从办公室走到汽车，再回到家中，正在进行的任务也不应该被设备边界打断。
在这样的体系下，用户购买的表面上仍然是不同硬件，实际选择的却是一套个人 AI 生态。
手机仍然是中枢，不过每一种设备都会有自己的位置
2023 年开始，有不少的创业公司野心勃勃地想要尝试取代一下手机作为个人设备最中心的位置，不过他们的尝试基本上都失败了。
在个人 AI 的设备网络中，手机依然是最重要的中枢，未来比较长的时间里也会是。
白皮书将智能手机定义为个人 AI 的算力、数据、存储和生态入口。它需要承接日常 AI 任务，也负责调度端侧、边缘和云端资源，并管理跨设备任务和个人数据。
不过手机不会独自承担全部工作，PC 更适合完成复杂创作、应用开发和高算力任务；智能眼镜和耳机承担自然交互入口；手表、戒指等可穿戴设备可以长时间感知身体和环境状态；智能座舱和智能家居，则负责在出行和家庭场景中延续服务。
这实际上是一种关于 AI 的分布式设计。
不同设备根据自身的硬件特性，分别承担感知、交互、计算和执行任务。用户感知到的是一个统一的智能体，背后却可能有多台设备共同工作。
比如，当用户走进车内时，汽车不需要重新询问目的地。个人 AI 可以根据手机中的日程推测用户要去哪里，再通过座舱确认。
当用户回到办公室，刚刚在车上通过语音形成的想法，可以自动出现在 PC 的工作空间中，由电脑完成进一步整理。
这种体验过去也被称为「生态协同」，个人 AI 的价值在于为它增加了一个新的核心：过去跨设备协同主要围绕文件和应用展开，未来则围绕用户意图和任务状态展开。
智能眼镜可能是手机之外最重要的 AI 设备
不少行业人士预测的「百镜大战」战况不够激烈，也最终没有迎来智能眼镜的盛世，但在白皮书对未来设备的预测中，智能眼镜是一个相当重要的角色。
IDC 预计，2026 年全球智能眼镜出货量将达到 1989 万台，同比增长 34.6%；2026—2030 年，市场复合年均增长率约为 25.5%，到 2030 年，全球年出货量有望接近 5000 万台。
过去用户关心智能眼镜的这些能力：它能否取代屏幕，能否提供沉浸式娱乐，能否把导航和通知显示在眼前。
在个人 AI 体系中，智能眼镜更重要的能力可能是「看见」。
它拥有第一视角，能够持续获得用户眼前的环境信息。结合语音、空间感知和多模态模型，AI 不再只依赖用户描述，而是可以直接理解用户正在面对的物体、空间和任务。
用户看到一台陌生设备，可以直接询问它应该如何操作；在超市挑选商品时，AI 可以结合用户的饮食习惯提供建议；维修物品时，AI 可以根据视野中的实际情况一步一步进行指导。
智能眼镜也能解决手机作为 AI 入口的一个天然问题：使用手机意味着用户需要主动掏出设备、打开应用，并把现实世界的信息转换成文字、语音或者照片。
眼镜则可能成为一个始终在线的感知入口，很早之前的 Google Glass 还有微软 Hololens 都在某一些垂类场景进行了这类尝试，在新的 AI 时代，智能眼镜需要面对的是用户面对的几乎所有场景。
这当然也会带来更敏感的隐私问题。当设备能够持续看到用户看到的一切，什么信息可以记录、谁可以调用这些数据，会比过去任何一种消费电子设备都更值得警惕。
更多 AI 会在本地运行，原因不仅是隐私
白皮书反复强调一条技术路线：「本地优先、端云协同」，这一点可能有一些高通作为终端侧 AI 能力提供者的固有立场，不过端侧更安全是有共识的。
未来 AI 任务将根据时延、隐私等级和计算复杂度进行分配：高频、轻量和敏感任务尽量在终端处理，中等复杂度任务交给边缘计算，真正复杂的任务再调用云端。
这种架构对普通用户有几个直接价值。
首先是速度。很多日常操作不需要等待数据上传和云端返回，本地模型可以提供更快响应。
其次是可用性。当网络不稳定或者没有网络时，基础 AI 功能仍然可以工作。
更重要的是隐私，个人 AI 若要真正理解用户，就需要接触照片、联系人、日程、健康信息、位置和历史行为。这些数据全部上传云端，很难建立足够的用户信任。
本地 AI 还有一个经常被忽视的价值：成本。
智能体需要长时间运行，并且频繁处理感知信息、记忆和任务状态。如果所有工作都依赖云端模型，Token 和推理成本会随着用户规模迅速增长。终端承担更多轻量任务，可以降低云端压力，也让长期运行的个人 AI 在商业上更可持续。
作为终端芯片厂商，高通希望手机、PC、眼镜、汽车和可穿戴设备都具备本地 AI 能力，再通过统一的软件栈和连接技术组成分布式计算网络。
到 2030 年，「AI 设备」可能会成为一个过时的说法
IDC 预测，到 2030 年，GenAI 手机出货量将达到约 7.71 亿台，占手机市场的 63.8%；GenAI PC 出货量约为 1.34 亿台，占比达到 47.1%；GenAI 平板出货量接近 1 亿台，占比达到 68.9%。
如果将基础 AI PC 也计算在内，IDC 预计 2030 年 AI PC 的整体渗透率将超过 82.9%，接近全面普及。
这意味着，「AI 手机」和「AI PC」可能只是产业发展初期的过渡概念。
就像今天已经很少有人强调一台手机能够上网、拍照或者运行应用，几年之后，本地模型、NPU、个人记忆和智能体调度也可能成为设备的基础能力。
几年之后，用户不会再因为一台设备「支持 AI」而购买它。
这套 AI 是否足够理解用户，能否在不同设备之间持续工作，能否稳定完成任务，以及厂商是否值得用户托付个人数据才是用户关心的问题。
设备之间的差异，也会从硬件参数逐渐转向系统能力。屏幕、影像、处理器和续航依然重要，但它们会成为 AI 体验的组成部分：更低功耗的传感器让 AI 能够持续感知，更大的内存保存个人模型和记忆，更高效的 NPU 支撑后台常驻，更可靠的连接保证任务跨设备流转。
过去的数字世界以设备和应用为中心。
用户在手机、电脑和汽车上拥有不同账户、不同数据和不同操作方式。即使是同一个服务，跨越设备之后，体验也可能重新开始。
个人 AI 想要建立的，是另一套逻辑：以用户作为唯一中心，把设备变成分布在不同场景中的能力端点。
手机负责调度，电脑负责生产，眼镜负责感知，手表负责持续监测，汽车和家居负责执行。AI 服务在这些设备之间流动，用户无需关心任务究竟在哪里计算、由哪个应用完成。
热门跟贴