
2024年一次AI PC主题活动会后的英特尔内部会议上,一个新的话题被提上了议程——现在我们已经有了AI PC,是不是也应该做一个AI NAS呢?
作为本地网络存储设备,NAS当时在国内外已经流行起来,来自IDC的统计数据显示,2024年中国家用网络存储(HomeNAS)设备市场出货量已经突破58.5万台,同比增长33%。
尤其是在2025年底,OpenClaw(龙虾)继Manus之后,在全球再次引爆智能体热潮后,越来越多用户对本地智能存储设备提出了新需求,英特尔在过去6个月里进行了大量用户访谈后,他们发现:
一些企业依然在用陈旧的文档管理系统做资料管理,需要配备2-3人为这些文档打标签,像律师这类在本地存储了大量数据的人群,对本地大模型应用有着强需求,迫切需要本地智能存储设备……
这类人群包括前后端协作的媒体组、做内容的视频项目组、养图库的影视工作室、中小团队的管理者与归档岗,这些人是内容创作者、是知识工作者,他们对于开机即用的本地数据中枢有着越来越强的需求。
英特尔中国区技术部总经理高宇在近日的英特尔AI NAS(智存宝)与Thunderbolt雷电解决方案峰会上指出,“现在所有人都在关注如何将智能体放到NAS里,从而让NAS从一个静态数据存储工具变成一个7x24小时干活儿硅基牛马。”
一大批AI NAS产品也在这次活动上正式亮相。

AI NAS三大应用场景
据IDC预测数据显示,从2026年到2030年,本地数据存储需求将从0.5ZB增涨到25ZB。
与此同时,诸如OpenClaw、Hermes Agent等智能体的出现,一方面进一步带来了本地数据量的激增,另一方面也对本地存储设备的计算能力提出了更高的要求。
传统NAS转向AI NAS就成了当下的必然。

实际上,诸如绿联、威联通、极空间、铁威马等NAS厂商,已经在思考如何将NAS AI化,将大模型乃至智能体,集成到了NAS设备中,相应的AI NAS设备也将在今年陆续面市。
如果将NAS用户做一个划分的话,基本可以划分为三类用户,分别是:家庭和个人、中小企业、设计师行业,这三类人群对于AI的需求又各有不同。
中小企业和设计师行业的一大需求是本地知识库管理,这类人群本地存有大量数据,如何通过人工智能技术构建更智能的本地知识库,一句话问答乃至模糊搜索,随时提取任意数据,是这类人群的一大痛点需求;
而通过智能体应用提升企业应用效率和生产力,是中小企业对于NAS的另一个需求。

家庭和个人对于AI NAS的应用则更为多样化,英特尔将家庭目前对于AI NAS的需求总结为三类场景:智能NAS管家、知心伙伴、家庭智能守护。
智能NAS管家是将AI NAS作为家庭智能中枢的一个功能,在该功能模式下,你可以与AI NAS进行交互,通过AI NAS进行家庭网络诊断、查询家庭中都有哪些智能设备,可以跨越智能家居生态壁垒,减少控制入口。
知心伙伴是对NAS积累的数据进行深入理解挖掘,在这个功能之下,你可以仅仅通过一句话来让AI NAS帮你生成社交媒体文案、端云结合进行视频剪辑、家庭教育数据进行分析。
英特尔技术专家在现场演示了通过一句话让AI NAS对存储的视频数据进行检索并直接生成视频的功能,在告诉AI NAS“帮我挑选3段自然风光的视频,做一个20s的vlog”之后,AI NAS完全自主生成了一个vlog视频。

家庭智能守护是通过AI NAS内置的智能体,为用户提供7x24小时在线多模态深度理解、主动关怀服务,家庭看护摄像头通过目标检测和VLM深度理解能力,实时关注家中宠物,对宠物行为提醒和家居联动。
英特尔技术专家在现场进行的一个演示是,AI NAS通过家庭摄像头识别出家中地面上的宠物排泄物,叫停家中正在工作的扫地机器人,避免了一场家庭清洁“灾难”的发生。

不难发现,相较于传统NAS,AI NAS已经不仅仅局限于数据传输和数据存储,而是加入了更多数据分析、数据应用的能力,与之相应的,是对算力提出的更高需求。
AI NAS的算力需求
就在前不久,继AI PC后,英特尔提出了智能体PC这一概念。
高宇当时对此给出的解释是,智能体PC是一个为智能体使用而优化的进阶版AI PC,是每个人的数字分身。
实际上,智能体PC又不仅仅指的是PC,包括轻薄笔记本、Mini PC、一体机、AI Box、边缘网关,都被纳入了智能体PC之列,当然,这其中也包括AI NAS。
对于智能体PC这样的端侧设备配备的大模型,英特尔给出了一个相对精准的参考数据:35B上下的模型目前更适合运行在端侧。
这样的判断本质上是基于当下端侧所能提供的算力,就AI NAS而言,英特尔目前提供三类算力:

第一,第三代英特尔酷睿处理器,搭配6核处理器,可提供40TOPS算力,适合在本地运行8B以下模型,是针对成本友好型轻量化混合AI部署提供的算力,可用于家庭、个人场景的数据智能管理;
第二,第三代英特尔酷睿Ultra处理器,搭配8/16核处理器的第三代英特尔酷睿Ultra处理器最高达100TOPS,搭载12Xe核心的第三代英特尔酷睿Ultra X处理器可以进一步将算力提升到180TOPS,适合在本地运行8-35B模型,是针对多样化混合AI部署提供的算力,可用于支持家庭、个人、中小企业对于智能存储及各类智能体基础应用的需求;
第三,英特尔锐炫Pro B系列,搭配可扩展独立显卡,最高可提供367TOPS的AI算力,适合在本地运行8-35B模型,是针对高吞吐混合AI部署提供的算力,可用于企业本地知识库、行业数据分析和办公智能体等领域。
基于这三类算力,AI NAS也相应对外呈现出了入门级、进阶版、企业级三类产品形态,我们在大会现场也看到了AI NAS这三类产品的诸多新品。

作为典型的本地存储设备,在智能化进化过程中,此前一度由于本地算力所限,需要借助端云混合模式来提升AI能力,绿联此前就曾与MiniMax合作、在系统中预装MiniMax大模型,并将OpenClaw应用上线到了绿联NAS私有云UGOS Pro应用中心,采用端云结合模式,将大模型和OpenClaw带到了AI NAS中。
不过,绿联产品经理杨超在接受媒体采访时告诉我们,“现在搭载第三代英特尔酷睿Ultra平台的AI NAS在力求大模型的本地运算,以此严格保证数据隐私,而如果像是中小企业需要更大本地算力,还可以通过扩展坞形式外接Intel ARC显卡(例如英特尔锐炫Pro B70显卡),从而可以在本地跑70B、乃至更大的模型。”

如此一来,在加入AI能力后,未来的AI NAS依然会是一款定位本地存储、本地计算、本地AI的产品,更强调的是从端侧存储能力拓展到端侧计算能力。
AI为NAS打开千亿市场
《麦肯锡2025年知识工作者效率报告》中指出,企业员工平均每天要花费1.8小时在搜索和整理信息上,占工作时间的22%,而在跨部门项目中,这个比例会更高。
大模型恰好可以很好地胜任数据检测和信息整理此类任务,而NAS又是个人、家庭,乃至中小企业越来越多使用的私有存储设备,AI NAS的需求也就开始日益攀升。
据英特尔与Fortune Business做的联合调研结果显示,从2026年到2034年,AI NAS增长率将达到26.9%,全球市场规模在2034年将会增长到1600亿美元。

IDC也指出,在这个过程中,会有越来越多的NAS平台转向AI NAS,到2034年,AI将会为NAS带来超过1400亿美元的市场空间,届时AI NAS占比将会超过95%。
在NAS智能化进程中,作为本就高度关注生态建设的英特尔,打造了一系列AI应用与中间层软件SDK,这其中包括图片&视频检索SDK、本地智能体知识库、多AI任务管理和性能优化、樱桃AI助手2.0、基于IA的智能体安全参考架构、基于NPU加速的视觉感知、智能体性能&行为观测与分析等。
据英特尔技术专家透露,英特尔会与客户进行大量沟通,在形成清晰的需求后,会在内部找相应的团队从底层做好技术开发,从而让所有的AI NAS客户都能快速使用这些SDK开发相应的功能。
这样的算力生态和软件生态的构建,是应对NAS智能化升级、应对AI NAS需求爆发的基础保障。
冰鲸CEO潘鑫磊在峰会上就曾透露,“我们认为未来每6个月,Agentic领域将会发生巨大变化,与此同时,我们也在结合英特尔技术栈开发一款安全、可控、自主的原生本地智能体。”
也正是在本地算力生态逐渐完善、在越来越多智能体和AI应用的加持下,AI NAS或将成为个人和家庭不可或缺的智能数据中枢。
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。