2026年10月17日，联想YOGA Pro 15 RTX Spark全网开售。29999元起，15.3英寸，1.75公斤，92.5Wh电池。

这些参数放在一台高端轻薄本里，不算离谱。离谱的是它出厂自带的那句话：本地运行超千亿参数大模型，开箱即用，无需部署。

一台笔记本，第一次把“千亿参数”从云端机房的宣传页上，搬进了背包里。

显存墙：过去三年AI PC卡在哪

AI PC这个概念喊了至少两年。NPU的TOPS数字一年比一年高，发布会上的演示一年比一年炫，但真正落到“用大模型干活”这件事上，大部分AI PC的体验是割裂的：实时翻译、会议降噪这类小任务跑在本地，一旦要做一个完整的推理工作流，还是得连回云端。

原因不在算力，在内存。

传统PC的架构里，CPU用系统内存，GPU用独立显存，两个池子是分开的。大模型推理时，模型权重、KV Cache和上下文缓冲需要在两个池子之间反复搬运，而消费级独显的显存通常只有十几二十GB。一个百亿参数的模型，光权重就要吃掉几十GB，还没开始推理，显存已经满了。

NPU算力再高，模型装不进去，就是白搭。

RTX Spark N1X做的事情，是把Grace CPU和Blackwell RTX GPU封装在同一颗芯片里，让两者共享同一个物理内存池。最高128GB LPDDR5X，256-bit位宽，带宽约300GB/s，CPU和GPU同时可用。模型权重只存一份，GPU直接调用系统内存里的参数，不需要跨池搬运。英伟达给出的参考值是：1200亿参数、100万token上下文，可以跑在一台笔记本上。

“装得下”是“跑得动”的前提。 过去三年AI PC没能跨过的那道墙，被统一内存从架构层面拆掉了。

本地和云端，不是谁替代谁

但“能跑千亿模型”不等于“比云端跑得好”。把两者的真实边界摊开来看，结论比宣传语要复杂得多。

本地赢在延迟、成本和隐私。 云端推理的延迟普遍在几百毫秒以上，受网络波动影响大；本地推理的响应可以压到几十毫秒，首token速度比调API快一个数量级，而且完全不需要联网。成本上，云端的API调用是持续燃烧的Token账单，一个日活10万的语音应用，仅新增音频交互的云端月成本就可能达到百万元级；本地推理的边际成本趋近于零，硬件是一次性投入，之后每多跑一个任务，成本不增加。隐私上，源码、素材、研究数据不出设备，这对开发者和创作者来说是刚需。

本地输在模型能力的“天花板”。 端侧能跑的模型再大，和云端最前沿的模型之间仍然存在代差。云端模型正在向“更强、更复杂”的方向演进，本地模型则在向“更小、更便宜、更容易部署”的方向下沉。一个35B的本地模型，在代码审查、文档解析、文生图这类任务上够用，但在需要长链条推理和复杂规划的场合，仍然需要云端的前沿模型来兜底。

所以联想给出的解法不是“全本地”，而是智能路由。纯本地任务的成功率约八成，引入路由机制后整体准确率拉到95%以上——轻量高频任务留在端侧，重推理交给云端，高敏感数据强制不出设备。

这不是“本地替代云端”，是“本地吃掉云端最不划算的那部分负载”。 云端不会消失。但那些高频、低延迟、数据敏感的任务，正在从云端的账本上被一笔一笔地划掉。

竞争格局：Mac在跑，AMD在堆，Windows在补课

联想这款产品真正的对手，不是某一台Windows笔记本。

苹果的路线是“把Mac变成服务器”。 M5 Ultra Mac Studio最高支持512GB统一内存，带宽达到1.2TB/s，两台设备就可以本地承载一个完整的巨型模型。Meta的Muse Spark Open模型在Mac上的演示，靠的就是MLX框架对统一内存的充分利用。苹果的短板不在硬件，在生态的开放性和CUDA护城河的缺失。MLX是一个优秀的框架，但绝大多数AI开发者的代码和工具链，是围绕CUDA写的。

AMD的路线是“把内存堆到极限”。 锐龙AI Max+ PRO 495最高支持192GB LPDDR5X，其中160GB可以分配为显存，足以单机运行300B级模型。AMD的问题是软件生态的成熟度——Windows on Arm的原生应用还在补课，AI开发工具链的适配进度，和CUDA不在一个量级。

Windows阵营过去最大的短板，是“没有一个让开发者顺手的环境”。 Foundry Local提供OpenAI兼容的本地API，Windows ML负责ONNX模型的硬件加速部署，TensorRT和CUDA负责NVIDIA硬件的极致性能。这套组合拳的意义在于：开发者不需要为了本地推理重写代码，CUDA那套东西在Arm上继续可用。

联想的角色，是把这套生态封装成一个开箱即用的产品。出厂预装35B模型，不需要用户手动装Ollama、配环境、拉权重。这一步跨过去，AI PC才从“极客的玩具”变成“普通用户能用的工具”。

真正的分水岭：从“能跑模型”到“能办成事”

把这款产品放回AIPC的演进脉络里看，它标志着一个拐点的到来：竞争的重心，从“谁的NPU TOPS更高”，转向“谁能让模型稳定地在本地跑完一整条工作流” 。

跑一个模型，和用模型办成一件事，中间隔着读文件、调工具、跑代码、出图出片、在离线或弱网环境下保持可用性。这些环节里任何一步掉链子，整条工作流就断了。YOGA Pro 15宣称的“全工作流闭环”，指向的正是这个更深层的问题。

对开发者来说，这意味着私有代码仓库的审查和重构不需要上传云端，“Token自由”不再是云端账单上的数字游戏。对创作者来说，文生图和3D草模迭代可以在本地算力的闭环里反复试错，素材不需要离开设备。对需要处理敏感数据的研究者来说，API配额和网络条件不再构成约束。

云端推理不会消失，但它的“默认选项”地位正在被动摇。 当一台笔记本能本地跑完八成的工作流时，剩下那两成需要云端兜底的任务，就不再是“必须上云”的理由，而是“值得上云”的选择。

29999元，买的不只是一台笔记本

这个价格不便宜。它比大多数旗舰轻薄本贵出一截，离一台入门级工作站也不远。

但它买的东西不一样了。传统PC的价值在于本地算力+云端服务的入口。这台机器的价值在于本地算力本身就能完成过去必须依赖云端的那部分工作。PC从“云端模型的显示终端”，重新变回了“主计算设备”。

这个转变能走多远，取决于两件事：路由机制够不够聪明，生态的补课速度够不够快。 路由做不好，本地和云端就会互相打架，用户体验反而更割裂。生态补不齐，Arm原生的专业软件和AI工具链就会成为天花板。

但方向已经清晰了。云端是发电站，本地是屋顶光伏。 发电站不会消失，但屋顶光伏每多发一度电，从电网买的那一度就少一度。当笔记本开始自己“发电”的时候，云端的墙角，就不再是牢不可破的了。