微软、联想、荣耀预装“龙虾”:AI PC 未来比拼出厂预装代理 AI 能力!

数量1倍数特性.pdf 立即下载

微软、联想、荣耀纷纷预装“龙虾”:AI PC 未来比拼出厂预装代理 AI 能力!

在 AI 发展得如火如荼时,“桌面端”显得冷清,因 LLM 类 AI 应用交互只需对话框,在哪交互都一样。不过,OpenClaw 出现改变了这一现状,它通过本地部署的软硬件结合方式,让“电脑”重回 AI 核心。

OpenClaw 的底层缺陷

然而,OpenClaw 存在底层缺陷,它基于类 Unix 环境构建,对 Linux 和 macOS 友好,在 Windows 上安装麻烦。由于高度依赖类 Unix 环境,底层脚本基于 Darwin 或 Linux 编写,在 Windows 上安装龙虾助手,折腾 WSL2、Docker 和 Nix 会劝退 90% 的尝鲜用户。

微软的方案

面对用户需求和系统环境的矛盾,微软提出方案:给 Copilot 加上类 OpenClaw 能力。虽然此前微软滥用 Copilot 遭调侃,但如今它仍是 Windows 内建的主要 AI 方案之一。

奥马尔·沙欣的团队

根据行业消息,微软全球资深副总裁奥马尔·沙欣受命组建新团队,挖掘 OpenClaw 在企业环境中的潜力,探索将“类 OpenClaw 能力”集成进 Copilot 的可能性。长期以来,微软服务尤其是 Windows 用户对 Copilot 的评价两极分化。微软财报显示 Copilot 有近 1500 万付费用户(约占 Office 365 用户的 3%),且有“巨大增长空间”,但市场对 Copilot 很冷淡,微软股价在 2026 年表现惨淡,在大型科技股中垫底,跌幅达 24%。

MS - Claw 的出现

投资者认为,如果 Copilot 只是个需用户喂提示词、总结文档废话连篇的“对话框”,就无法产生生产力溢价。隔壁的 Claude 已能“连接”PowerPoint 和 Excel 代替用户操作复杂内容,微软需拿出更硬核的东西。于是,微软期望通过“Copilot 风味 OpenClaw”(即“MS - Claw”)来证明自己。

MS - Claw 的特点

现有的 Copilot 像个听命行事的速记员,而正在开发的 MS - Claw 是全天待命的“数字分身”,能让 Copilot 24/7 自主运作电脑。它不再被动等用户指令,会主动筛选 Outlook 收件箱、梳理日历、自动重组 Excel 数据,在用户开机前准备好待办清单和当日简报。这种从“反应式 AI”到“代理式 AI”的跨越,能解决企业级用户的安全与效率平衡问题,挽回 Copilot 的口碑。

微软的架构调整

为了“和 Anthropic 抢时间”,微软 CEO 萨蒂亚·纳德拉重组工程架构,合并消费者与企业版的 Copilot 开发团队,提拔多位高管直接向其汇报。例如查尔斯·拉曼纳负责监督在现有 365 Copilot 服务中构建 MS - Claw 的工作,奥马尔·沙欣也在其团队中。

MS - Claw 的其他功能

除代用户操作 Microsoft 365 应用套件外,微软还希望 MS - Claw 更好地在后台参与 Microsoft 应用程序工作,无需用户持续监督。比如用户手动编辑新 Excel 工作表时,MS - Claw 可在后台静默整理其他工作表的格式或信息。据知情人士透露,365 Copilot 的产品负责人还讨论过为 MS - Claw 构建具体代理,如市场经理、销售总监或会计,这样能让权限控制更简单,增加处理企业内部敏感信息时的安全性。

微软的目标

总之,微软希望通过 MS - Claw 为用户提供“开箱即用”的 Agentic AI 解决方案。

笔记本厂商的行动

除微软外,越来越多的笔记本厂商也为 PC 集成了各种“龙虾”。如联想天禧 Claw 和荣耀 YOYO Claw,它们是内置在 OEM 厂商 app 中的“预制菜”式龙虾,主打开箱即用。

OpenClaw 在不同系统的情况

OpenClaw 及其变体在 Mac 生态率先引爆,得益于 macOS 的类 Unix 环境,开发者和极客用户使用自动化脚本和权限管理几乎开箱即用。相比之下,在 Windows 手动部署原版 OpenClaw 是噩梦,需配置 WSL2 子系统、搭建 Linux 虚拟环境,还可能因 Windows 11 的权限设置和 bug 导致 AI 代理无法模拟鼠标点击等问题。

联想和荣耀的优势

联想和荣耀精准切入“部署门槛”,普通消费者买带天禧 Claw 或 YOYO Claw 的电脑,开机登陆后就能用其整理数据。厂商预装、预配置、预处理 OpenClaw 工具,向大众用户售卖“AI 便利性”,这对普通用户有益,也让 AI PC 成为内置数字助理的生产力终端。

“端云混合”的优势

“端云混合”的部署逻辑为风险隔离和算力成本提供了解决方案。天禧 Claw、YOYO Claw 及微软的方案都采用“端云混合”,“某某 Claw”与代理可优先处理本地敏感数据,只在复杂推理时请求云端模型,实现隐私保护与性能的平衡,这是纯云端的 Copilot 365 难以做到的。

节省 Token 开销

最重要的是,厂商主导的“帮你部署”和“端云混合”方案能有效节省 Token 开销。通过模型分级路由、本地 RAG、智能提示词缓存等手段,端云混合的 Claw 方案可将 token 消耗量压缩到 50% 甚至更低,对 API 开销敏感的企业和个人用户很有吸引力。

AI PC 的未来

站在 2026 年,未来的 AI PC 若不出厂预装代理 AI,就不配称为 AI 生产工具。普通用户已玩腻“我问你答”的顾问游戏,但公司仍要求用 AI 提高效率。人们需要电脑像“合伙人”或“副驾驶”一样直接执行和解决任务。

PC 厂商的核心竞争力

因此,微软等 Windows 源头厂商和联想、荣耀等笔记本 OEM 厂商,出厂预装“龙虾”或类似物将成为衡量 PC 厂商核心竞争力的硬指标。未来操作系统会变成“代理调度中心”,硬件厂商会兼任“AI 工作流”的定义者,不同厂商预装的 Claw 会有不同侧重,这种代理式 AI 角色的差异化将成为 AI PC 品牌忠诚度的新来源。

__EF550.zip 立即下载

相关推荐

【高速互连技术】合规性测试规范:物理层信号完整性与链路均衡验证系统设计

内容概要:本文档介绍了分析工具进行实践对照,并关注后续规范版本更新以确保符合最终发布标准。

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)

考虑风光火储+需求响应+P2G多能源系统NSGA-II多目标优化调度(Matlab代码实现)内容概要:本文介绍了基于NSGA-II多目标优化算法对包含风能、光伏、火电、储能系统、需求响应及电转气(P2G)等多种能源形式的综合能源系统进行优化调度的研究,采用Matlab进行代码实现。研究综合考虑了系统运行成本、碳排放、能源利用率等多个优化目标,通过建立精确的数学模型,结合可再生能源出力不确定性、负荷波动以及需求响应机制,实现多能源协同调度的帕累托最优解集求解,旨在提升能源系统的经济性与环保性,并验证所提方法的有效性和实用性。; 适合人群:具备一定电力系统、优化算法及Matlab编程基础的研究生、科研人员以及从事能源系统规划与运行相关工作的工程技术人员。; 使用场景及目标:①应用于多能源互补的综合能源系统优化调度研究;②为实现低碳、高效、可靠的能源供应提供决策支持;③学习和掌握NSGA-II算法在复杂多目标优化问题中的实际应用方法。; 阅读建议:建议读者结合Matlab代码与文中模型描述逐步理解算法实现流程,重点关注目标函数构建、约束处理及Pareto解集的生成与分析,有条件者可进一步修改参数或扩展模型以深化理解。

万人睡眠健康与生活方式调查数据集

成年人群睡眠健康与生活方式研究数据集,合成模拟10000行20列单CSV文件,睡眠障碍标记人群占比约四分之一。设置双预测目标:睡眠障碍二分类字段与日间疲劳得分回归字段,可分别开展分类与回归建模。特征字段涵盖年龄、性别、十一种职业类别、每周工作时长、轮班工作标记、自我压力评分、身体质量指数BMI、吸烟状态、每周饮酒量、每日咖啡因摄入毫克数、睡前一小时屏幕使用时间、每周运动分钟数、日均步行数、静息心率、习惯就寝时间点、平均睡眠时长、睡眠质量自评等二十项。数据完整无缺失,结果列与特征列分离清晰,便于目标泄漏防范练习。适用场景:睡眠障碍预测建模、日间疲劳程度回归分析、咖啡因与睡前屏幕对睡眠时长的影响量化、不同职业群体睡眠质量对比研究、逻辑回归与梯度提升模型对比实战等。合成数据不含真实个人信息,适合健康数据分析教学、特征工程练习与机器学习课程实训项目使用。

16周全【Harness&Hermes】多智能体开发特训营

2026年的AI开发者圈子里,几乎没有人再怀疑多智能体的价值。Gartner预测年底40%的企业应用将内置智能体,LangChain、AutoGen、CrewAI等框架轮番登场,演示视频里的AI团队分工明确、配合流畅。然而,一个尴尬的现实是:大多数开发者手里跑通的多智能体项目,停留在Jupyter Notebook的最后一行。一旦试图把它塞进真实业务环境,问题便如潮水般涌来——长任务跑到一半崩了要重来,智能体之间的消息黑盒般不可追溯,换个场景就得推倒重写,上线之后连“刚才那次调用为什么花了三倍的钱”都查不出来。 这正是【Harness&Hermes】多智能体开发特训营试图回应的命题。它的切入点不在“再教你写一个Demo”,而在于一个更朴素却更稀缺的能力:让多智能体系统从演示玩具变成可交付、可运维、可演进的生产资产。 要理解这门课的价值,得先看清多智能体开发当前的断层在哪里。单Agent时代,提示词写得好、API调得通,基本就能交差。但多Agent协作的本质是编排:谁负责拆解需求,谁负责执行,谁负责校验,上下文如何在角色之间传递而不丢失,某个环节出错时整条链路如何回退。这些问题的难度不在模型能力,而在工程控制。市面上不缺讲LangGraph节点怎么连、RAG检索怎么做的教程,缺的是把“多个智能体在真实业务压力下稳定协作”这件事讲透的人。 Harness与Hermes的分工,恰好对应了工程控制的左右手。根据课程的设计逻辑,Harness管“流程”,Hermes管“记忆与进化”。Harness 负责长任务的流程治理:一个面试模拟流程跑了二十分钟,中途用户关掉页面,下次打开能不能接着上次的进度继续?某个Agent调用工具超时了,整条链路是崩溃还是优雅降级?线上出了问题,日志能不能精确到“第几轮对话、哪个Agent、调了什么工具、花了多少token”。这些听起来不性感,但任何一

FANUC-R2000iC165F-六轴机械臂码垛仿真

FANUC_R2000iC165F_六轴机械臂码垛仿真

frontend-design skills

frontend-design skills

产业园区运营负责人如何利用数据智能化提升科技资源配置效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?.docx

政府科技管理者在推动区域科技成果转化过程中,如何解决成果供需匹配效率低的问题?

一种具有实验验证的层级扰动抑制深度跟踪控制算法,适用于欠驱动型AUV(Simulink仿真、Matlab代码)

内容概要:本文详细介绍了一种专为欠驱动型自主水下航行器(AUV)设计的层级扰动抑制深度跟踪控制算法,该算法通过构建分层控制架构,有效应对海洋环境中复杂的外部扰动(如水流、波浪等)以及系统内部的非线性动态特性,显著提升了AUV在执行深度跟踪任务时的控制精度与系统鲁棒性。研究不仅涵盖了控制策略的理论设计与稳定性分析,还包括详细的Simulink仿真模型搭建、Matlab代码实现及参数设置,并通过对比实验验证了所提方法在抗干扰能力和跟踪性能方面相较于传统控制算法的优越性。资源包内含完整的可运行代码、仿真模型和详尽的文档说明,便于研究者复现结果并在此基础上进行二次开发与创新。; 适合人群:具备自动控制理论基础、海洋工程或机器人相关学科背景,且熟练掌握Matlab/Simulink仿真环境的科研人员、研究生及高年级本科生。; 使用场景及目标:① 深入学习和研究欠驱动AUV的先进运动控制技术,特别是深度跟踪控制策略;② 开展水下机器人抗外部扰动控制算法的设计、仿真与性能验证工作;③ 作为毕业设计、科研项目或学术论文的技术支撑与代码原型,加速研究进程。; 阅读建议:建议使用者结合提供的Matlab代码与Simulink模型,逐模块理解算法的实现逻辑与数据流,推荐从简单静态环境仿真入手,逐步过渡到复杂动态扰动工况,通过调整控制器参数与扰动强度,全面掌握算法的性能边界、鲁棒性特征及优化潜力。

国企央企如何实现技术成果的精准对接与快速落地?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计研究(Matlab代码实现)

内容概要:本文围绕用于计算系统状态的卡尔曼最优增益和最小均方误差(MMSE)估计展开研究,深入探讨了卡尔曼滤波在动态系统状态估计中的核心作用。文章系统阐述了卡尔曼滤波的数学基础,包括状态空间模型的建立、先验与后验状态估计、协方差矩阵的递推更新,以及最优增益矩阵的推导过程,确保在高斯白噪声环境下实现对系统状态的最小均方误差估计。结合Matlab代码实现,完整展示了算法从理论建模到仿真实验的全流程,涵盖系统建模、噪声设置、滤波迭代、状态更新与误差分析等环节,并通过仿真实验验证了算法在噪声干扰下对系统真实状态的高精度跟踪能力。该研究为控制工程、导航系统、信号处理及自动化领域中的状态估计问题提供了坚实的理论依据与高效的数值实现方案。; 适合人群:具备一定控制理论、概率统计基础和Matlab编程能力,从事自动化、电子信息、航空航天、机器人、导航定位等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①掌握卡尔曼滤波的基本原理及其在状态估计中的数学推导过程;②学习如何利用Matlab实现卡尔曼滤波算法并进行系统仿真与性能评估;③应用于目标跟踪、传感器融合、惯性导航、故障诊断、时间序列预测等实际工程中的动态状态估计问题。; 阅读建议:建议读者结合文中提供的Matlab代码进行动手实践,通过调整系统模型参数、过程噪声与观测噪声强度,观察滤波效果的变化,深入理解卡尔曼增益的自适应调节机制与MMSE估计的收敛特性。同时可进一步拓展学习扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等非线性滤波方法,以应对更复杂的非线性系统状态估计挑战。

国央企如何构建高效的内部技术转移与创新协同机制?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

高校技术转移办公室人员如何提升成果转化服务效率?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

圆柱形永磁体的磁场建模研究(Matlab代码实现)

内容概要:本文围绕圆柱形永磁体的磁场建模展开系统性研究,基于毕奥-萨伐尔定律建立了有限尺寸圆柱形永磁体的物理模型,推导出其在空间任意点产生磁场强度的数学表达式,并采用数值积分方法结合Matlab编程实现磁场分布的精确计算与三维可视化。研究深入探讨了磁体的几何参数(如半径、高度)和磁化方向对磁场分布特性的影响,实现了磁场矢量的多维度仿真分析,为电机设计、磁传感器开发、磁悬浮系统等工程应用提供了坚实的理论依据与高效的仿真工具支持; 适合人群:具备电磁场与电磁波、大学物理等相关理论基础,并熟悉Matlab编程语言的高校理工科学生、科研人员及从事磁性器件设计与仿真的工程技术开发者; 使用场景及目标:①掌握基于经典电磁理论的磁场建模方法与数值求解流程;②学习并实践Matlab在科学计算与物理场仿真中的高级应用技巧;③为永磁材料相关装置的结构优化与性能评估提供可靠的仿真手段;④服务于高校课程教学、科研项目验证及工程原型开发; 阅读建议:建议读者在学习过程中紧密结合电磁学基本原理,逐步理解公式推导逻辑,动手运行并调试所提供的Matlab代码,通过调整磁体参数观察磁场变化趋势,从而深化对永磁体空间磁场分布规律的认识,并尝试将其拓展应用于实际工程项目中。

国央企创新负责人如何利用平台实现技术需求的精准挖掘与匹配?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

自适应多机器人编队规划,以包围和跟踪具有运动和可见性约束的目标(Matlab代码实现)

内容概要:本文提出了一种自适应多机器人编队规划方法,旨在实现对具有运动能力和可见性约束目标的高效包围与持续跟踪,采用Matlab进行算法实现与仿真验证。该方法综合考虑了多机器人系统在动态环境中的协同控制、编队形态生成与保持、障碍物规避以及目标可见性维护等关键问题,通过设计分布式控制律使编队能够根据目标行为和环境变化自适应调整队形与运动轨迹,确保稳定包围并最大化目标观测质量。文中详细阐述了系统的数学建模过程、控制策略设计原理及约束处理机制,并提供了多场景下的仿真实验结果,验证了所提方法在复杂条件下的鲁棒性、灵活性与有效性。; 适合人群:具备自动化、机器人学、控制理论或人工智能等相关领域基础知识的科研人员及研究生,熟悉Matlab编程环境并致力于多智能体系统、协同控制、路径规划或智能无人系统研究的专业人士。; 使用场景及目标:①应用于多机器人系统在监视、围捕、搜救等任务中对移动目标的协同包围与跟踪控制;②为研究分布式编队控制、可见性优化、动态避障与多智能体协同决策等核心技术提供可复现的算法实例与理论支撑; 阅读建议:建议读者结合提供的Matlab代码逐模块分析算法实现细节,重点关注控制律设计、约束建模与仿真结果对比部分,宜在仿真环境中调整参数配置以深入理解系统性能边界与优化潜力。

高校技术转移办公室人员在进行技术成果推介时,如何高效生成具有说服力的推介材料.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。

HCLR-Net: 混合对比学习正则化与局部随机扰动用于水下图像增强

独特贡献在于开发了一种处理负样本的新策略,既保留了负样本的统计特性,又防止网络过度剖析这些样本中的特征信息。通过根据每个通道特征的重要性对模型进行加权,我们可以增强富含上下文信息的通道,从而获得更准确、更详细的特征表示。AHA 模块利用垂直方向上的 Avgpool 和水平方向上的 Maxpool 来捕捉远程依赖关系和准确的位置信息,从而有效确定不同方向上的特征退化。对比学习策略通常旨在最小化正样本之间的欧氏距离,使预测图像更接近理想图像,同时最大化负样本与预测图像之间的距离,使它们进一步远离非理想表征。

G-Howe的博客 1461
上一篇: Claude 降智引争议:推理深度下降 67%,是策略调整还是算力短缺?
下一篇: Linux 内核社区终结 AI 代码争议:可用但提交者担责,开源圈震荡待解
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值