TiinyOS拿到PC预装订单后，个人AI入口开始从云端走向本地设备

Tiiny AI 拿到千万美元天使轮融资和 PC 厂商万台预装订单，让个人 AI 入口的竞争有了一个更具体的落点：不是再做一个聊天网页，也不是单纯把模型塞进 App，而是试图把 AI 操作系统、端侧推理和硬件预装绑在一起。对普通用户来说，这意味着 AI 可能从“打开某个服务”变成“设备一开机就存在”；对厂商来说，这意味着云端模型、PC 生态、低功耗硬件和本地隐私会被重新放到同一张桌子上。

这条主线也和近期多条资讯互相呼应。OpenAI 的 GPT-5.6 Sol 被曝能自主重写生产 GPU 内核、降低服务成本；无问芯穹用跨集群异构推理把延迟和单 Token 成本继续往下压；莫刻机器人和智元全模态模型则说明 AI 正在从屏幕应用走向机器人和真实设备。模型能力仍然重要，但真正决定下一阶段竞争的，可能是 AI 能否被稳定、便宜、低延迟地嵌入用户每天使用的机器里。

AI OS 的新入口

Tiiny AI 最引人注意的不是融资金额本身，而是它已经与国际一线 PC 大厂达成 OS 深度合作，并拿到 TiinyOS 的万台预装机订单。预装意味着它不是靠用户主动下载获客，而是直接进入设备出厂链路。过去很多 AI 产品都要先争夺网页入口、浏览器插件、桌面客户端或手机 App 位，但操作系统级入口天然更靠近文件、应用、摄像头、麦克风、通知、存储和本地算力。

如果 AI OS 能真正跑通，它会改变用户与电脑的关系。用户不再只是把 AI 当成一个问答窗口，而是让 AI 参与文件整理、会议记录、代码辅助、素材生成、系统设置、跨应用检索和自动化流程。难点也在这里：OS 层能力越强，权限边界就越敏感。一个能读取本地文件、调用应用、理解屏幕内容的 AI，如果没有清晰授权和可追溯操作，很容易从“方便”变成“失控”。因此，AI OS 不是把大模型接进系统那么简单，它首先是一套权限、交互和责任机制。

本地推理开始变现实

Tiiny AI Pocket 只有约 300 克，众筹金额超过 300 万美元，10W 功耗即可运行千亿参数模型，这组信息说明端侧 AI 不再只是手机厂商发布会里的概念词。真正的变化在于，个人设备可能不必把每一次推理都交给云端。对于一些高频、低延迟、隐私敏感的任务，本地推理具备天然优势：响应更快，网络依赖更低，数据也更容易留在用户手里。

当然，本地 AI 不会立刻取代云端大模型。千亿参数模型能跑起来，并不代表它在所有复杂任务上都能超过云端旗舰模型。更现实的路线是云边协同：本地模型处理日常助理、轻量创作、离线摘要、隐私文件理解和设备控制；云端模型负责长上下文、复杂推理、多模态生成和大规模知识更新。谁能把这套分工做得自然，谁就可能把 AI 从“调用一次服务”变成“持续陪伴的计算层”。

成本战压向系统层

OpenAI GPT-5.6 Sol 自主重写生产 GPU 内核、让服务成本降低 20%、Token 生成效率提升超过 15%，是另一个值得放在同一条线里看的信号。模型公司已经不只是在拼参数和榜单，而是在让 AI 反过来优化 AI 自己运行的底层系统。对大规模服务来说，20% 的成本下降不是小修小补，它可能直接影响产品定价、免费额度、企业采购和用户可用时长。

无问芯穹发布的 PDD 跨集群异构推理架构也指向同一个问题：当全国算力不可能永远集中在单一地点，推理系统就必须学会跨集群、跨硬件、跨网络协同。其方案通过 P-RLD-MD 三级分离式推理，用中继接力掩盖 KV 传输延迟，把首 Token 延迟降低 51.5%，单 Token 成本降低 37.5%。这些数字背后，是 AI 应用规模化之后绕不开的现实：如果每一次对话、每一次语音、每一次设备操作都要消耗大量算力，入口再漂亮也难以长期承受。

设备竞争不只发生在 PC

PC 预装只是入口竞争的一种形态。OpenAI 硬件路线图曝光后，无屏音箱、AI 手机、定制芯片和影像 ISP 都被推到台前；Grok 语音模型强调 0.70 秒响应和更低价格；WorkBuddy 把 AI 直接嵌入 Office 文档；腾讯 WorkSolo 则瞄准短剧、互动影游和自由画布创作。它们看似分散，实际都在回答同一个问题：AI 应该待在哪里，才能被用户高频使用？

答案可能不会只有一个。办公用户需要 AI 在文档、表格、PPT 和企业流程里；开发者需要 AI 在终端、代码仓库和测试环境里；创作者需要 AI 在视频、图像、音频和素材管理里；家庭用户则可能需要 AI 在手机、音箱、电脑和可穿戴设备里。TiinyOS 的价值在于它把 PC 重新放回个人 AI 入口的中心。相比手机，PC 仍然承载大量生产力任务；相比纯云端服务，PC 又拥有本地文件、外设和桌面应用的深度上下文。

机器人和全模态补上真实世界

莫刻机器人发布 LJM 世界模型，仅用 32 张真武 810E 卡训练便冲到 WorldArena 全球第二，并在 LIBERO 多项指标刷新成绩。这类进展说明，AI 的下一步不只是更会说话，而是要理解动作、空间和物理后果。LJM 采用“双脑协作”架构，先在隐空间推演交互，再生成视频，试图解决视频扩散模型重画面、轻物理的问题。对于机器人来说，能生成画面不够，关键是知道一个动作会带来什么结果。

智元 WITA-Omni Preview 登顶 DailyOmni，也把全模态交互推进到“边听边想、边说边动”的阶段。过去机器人和语音助手常有明显割裂：先识别语音，再生成回答，最后执行动作，中间像排队一样僵硬。全模态同步能力如果成熟，机器人才能在真实场景中更自然地响应人类。把这些进展与 TiinyOS 放在一起看，AI 正在从云端问答系统扩展为设备、操作系统、语音、视觉、动作共同组成的环境能力。

企业落地会先看可控性

对企业用户来说，AI OS、端侧硬件和跨集群推理都很诱人，但真正采购时仍会优先看三件事：数据是否可控、成本是否可预期、流程是否能审计。TiinyOS 进入 PC 预装链路后，如果想服务企业办公场景，就必须处理本地文件权限、员工账号隔离、审计日志、应用白名单和敏感数据保护。否则 AI 越靠近系统底层，企业的安全顾虑就越强。

这也是为什么 OpenAI 开源 Codex Security CLI、深信服安全智能体冲进全球前列、清华团队提出 AI 失控行为预测框架等安全资讯同样重要。AI 从聊天框走向操作系统和真实设备后，安全不再是附加功能，而是入口本身的一部分。未来企业可能不会简单问“哪个模型最强”，而会问“哪个 AI 系统能在权限、成本、性能和安全之间给出稳定答案”。

个人 AI 的分水岭

Tiiny AI 的故事还处在早期阶段，万台预装和众筹热度并不等于生态已经成熟。但它释放的信号很清晰：个人 AI 正在离开单一云端服务，向本地设备、操作系统、低功耗推理和硬件入口扩散。过去用户选择 AI，常常是在多个网页和 App 之间切换；未来用户可能是在选择一台电脑、一个系统、一部手机或一套办公环境时，就顺便选择了背后的 AI 能力。

这会让 AI 行业的竞争变得更复杂。模型公司要懂芯片和系统优化，硬件公司要懂模型和交互，操作系统团队要懂权限和生态，企业服务商要懂业务流程和安全审计。谁能把这些环节串起来，谁才可能把“个人 AI”从演示视频变成真实生产力。TiinyOS 目前还不是终局，但它把一个问题摆得足够具体：当 AI 真正进入电脑出厂设置之后，下一代个人计算入口就不会只属于浏览器和手机 App 了。