鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

编程导航
编程导航
2025-12-26 23:53
阅读 188
编程导航
2025-12-26 23:53
阅读 188

智东西(公众号:zhidxcom)
作者 | ZeR0
编辑 | 漠影

智东西12月26日报道,今日,在2025联想天禧AI生态伙伴大会(LTPC 2025)上,联想全面展示天禧个人超级智能体的进化成果,探讨如何打造以“人”为中心的AI超级智能体,通过“一体多端”的战略落地,加速个人AI普惠。联想与广大合作伙伴共建开放的天禧AI生态,实现共赢。

其中,“一体”即天禧个人超级智能体(天禧AI),已升级至天禧AI 3.5,实现个性化、行动力、交互体验的三大飞跃。天禧AI 4.0将于明年正式上线,进一步深化“思你所思,行你所愿”,更加主动为用户服务。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

这些进步共同推动天禧AI从一个响应指令的工具,向初步具备理解、记忆与执行能力的“个人AI Twin”演进。

会上,联想还联合火山引擎启动了“天禧AI生态智能体先导计划”,并联合IDC发布《个人AI产业定义、产业架构与发展趋势白皮书》。

“天禧AI生态智能体先导计划”为早期加入的开发者提供了极具吸引力的多重扶持,其中包括提供1亿token抵用券,助力开发者通过扣子编程的形式进行智能体开发;帮助开发者获得GEO先发优势;在未来12个月,智能体产生的全部利润将100%归于开发者。

联想同时宣布,已与扣子、百度文心、猎户座等主流智能体平台达成合作,并持续期待更多智能体平台加入,为联想用户带来丰富的智能体服务,也为开发者带来流量加持。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

英特尔市场营销集团副总裁、中国区总经理郭威现场分享说,英特尔与联想已合作推出覆盖消费与商用市场的数十款AI PC,今后,英特尔将继续依托软硬件深度协同,全面支持联想天禧个人智能体生态“一体多端”战略的发展。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

在明年1月的CES 2026消费电子展期间,联想创新科技大会将在拉斯维加斯举办。届时,联想将与英伟达黄仁勋、英特尔陈立武、AMD苏姿丰,以及国际足联主席因凡蒂诺等业界大咖交流分享创新成果与产业洞见。

一、四个方向加速个人AI普惠,让每个人都能拥有自己的智能双胞胎

联想集团副总裁、中国首席战略官、中国技术管理委员会执行主席阿不力克木·阿不力米提(阿木)谈道,联想及众多AI开发者已形成行业共识,个人AI是未来创新和普惠的关键方向。

在个人AI领域,联想的战略是“天禧AI 一体多端”,其核心愿景是,让每一个人拥有自己的智能双胞胎(AI Twin),让它成为“听你所听,看你所看,思你所想,行你所愿”的AI队友。

阿木分享了公共AI四个特征:1)以平台为中心,体现为通用智能体;2)公有云及公共大模型;3)平台内生态连接为主;4)基于共有AI主权的基础安全。

个人AI不以商业化平台为中心,联想正从四个方面积极推进这一愿景:1)以人为中心,体现为个人超级智能体;2)采用“AI终端+可信个人云”的新型混合架构,解决用户信任、成本、响应速度等问题,提供权力可控、可管理的模型能力;3)具备跨平台生态、跨OS的连接能力,突破服务壁垒;4)基于“个人AI主权”的可信安全,让数据、知识和记忆真正归个人所有,算力可弹性配置且全程加密计算。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

二、从“万物互联”到“万物AI”,智能体大脑+操作系统小脑驱动物理AI

三年来,天禧AI生态持续壮大,月活跃用户已突破2.8亿,其中18-24岁大学生与25-34岁职场人为核心客群,占比超过70% ,具有年轻化、高活跃的总体特征。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

依托庞大的用户基数,其2025年分发量突破40亿次。

在开发者层面,天禧AI注册人数超过23万,其中新注册的AI开发者达到1800家,已孕育出超过5000款领域智能体和AI应用,让生态创新活力源源不断。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

“一体多端”战略,已为联想在AI时代的持续创新与引领奠定了坚实基础。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

随着AI技术的快速演进,联想再一次站在AI跃迁的关键节点,AI技术已经历判别式AI、生成式AI、智能体AI三种形态,随着多模态大模型和多模型耦合技术的应用,以及对世界模型的研究探索,物理AI开启了希望的大门。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

物理AI终端由智能体大脑和操作系统小脑有机融合驱动,自我学习,自我进化,通过驱动物理系统,影响现实世界,最终实现从“万物互联”到“万物AI”的升级。

三、天禧AI 3.5三大维度升级,多模态助力持续完善AI队友角色

作为联想“一体多端”战略的核心,一体即天禧个人超级智能体,简称“天禧AI”。

天禧AI由AUI、天禧大脑、天禧生态和可信安全平台构成,拥有感知、理解、记忆、规划、调度五大能力,旨在成为最懂用户的个人AI。

过去一年,天禧AI 3.5不仅带来了体验的提升,更实现了用户使用需求的迭代升级。上线初期,用户主要将天禧视为“信息查询”工具,如今,用户在生产力、设备协同管理、多模态内容创作等场景中对天禧AI的需求明显增长。

另外,天禧的应用已不仅局限于学术科研、IT互联网等技术领域,更深入到了文创娱乐、工业制造、法律民生等各行各业。

为了适应用户需求的变化,天禧AI从今年5月的3.0版本到10月底的3.5版本实现三大维度飞跃,真正做到“知你、懂你、更AI你”。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

首先是个性化飞跃,通过全时空主动记忆和全域个人知识库管理,不仅能够记录用户的对话,还能整理用户在各AI终端产生的文档,从而让天禧AI能够持续学习用户习惯、能够像用户一样思考。

天禧AI 3.5的主动记忆功能,能够智能识别并保留有价值的信息,过滤无关内容,它会记住用户的重要纪念日,“选择性忘记”日常琐事,这种智能筛选能力让天禧AI开始理解用户的个性化需求。

第二是行动力飞跃,通过MCP(多智能体协同协议)技术,天禧AI能够安全接管应用、文件与系统设置,构建一个由天禧统筹、多领域智能体协同的高效“工作群”,实现了行动力飞跃。这就像是AI界的“复仇者联盟”,每个智能体都有专业技能,在天禧AI的指挥下协同作战,这种多智能体协同的效率,是单一AI工具无法比拟的。

例如,AI播客在天禧AI的调度下,只需复制微信长文链接,即可秒变语音播客,让用户随时随地“听”懂知识;备受好评的ChatExcel,只需要通过自然语言指令即可完成复杂的图表分析与数据处理;超级互联3.0只需要通过“一拖即达、一倒即传、一碰互联”的直观操作,实现了交互的一气呵成。

第三是交互体验飞跃,天禧AI 3.5具备多端协同感知,统一的AUI,让用户获得始终如一的智能体验。天禧AI 3.5具备多端统一的AUI交互界面,确保用户在任何设备、任何屏幕上都能获得始终如一的智能体验,为用户带来了交互体验上的飞跃,更符合使用直觉。

联想中国天禧AI生态事业部总经理陈学桂对天禧AI 4.0进行了展望,未来有望成为你的AI队友,其进化方向是深化认知与行动能力,核心体现为“思你所想”与“行你所愿”。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

“思你所想”意味着从感知迈向深度认知,通过融合个人知识、实时情境与持续学习,提供连贯且前瞻的建议,成为用户的“思维伙伴”。

“行你所愿”则代表行动能力形成闭环,借助MCP等系统级技术的深化,安全调度跨设备、跨应用的资源,实现从对话到任务达成的无缝体验闭环。

这些进步共同推动天禧AI从一个响应指令的工具,向初步具备理解、记忆与执行能力的“个人AI Twin”演进。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

天禧AI这一系列能力的演进,最终通过AUI的持续升级与用户相遇。未来的交互将更加注重生成式、可参与与可信任三大要点——在“一人千面”的精准服务基础上,用户不仅能随时介入并引导任务的执行过程,还能清晰地知晓AI决策的依据与路径。

四、个人AI时代已来,联想与开发者共探智能体商业新机遇

每一次由技术驱动的行业跃迁都会带来巨大的机遇,2025年国内AI用户已经突破5亿,日均token消耗有望突破百万亿,其中蕴含了海量的需求和商业潜力,如何构建可持续的商业闭环来驱动生态繁荣增长,成为智能体从“技术”迈向“应用”的核心课题。

这一需求下,智能体的价值衡量标准发生了根本转变,即从过去追求曝光和关键词匹配的SEO模式,转向以实际任务完成为核心的GEO范式。

这意味着,智能体的价值关键不再仅仅是“被看到”,而在于能否理解意图、有效协同并可靠交付最终结果。

联想已通过一系列扎实的产品重构与生态布局奠定基础,以“元素-组织-目标”三要素对智能体架构进行系统性升级,将电脑管家、浏览器等传统应用转化为可被调度、具备感知与执行能力的“领域专家”。

为承接这一机遇并构建可持续的生态,联想正着力打造下一代智能体协作与交易的基础设施。

通过A2A协议实现智能体间的可信协同,并基于AP2等开放标准构建涵盖TAC(天禧智能体连接服务)与TAP(天禧智能体支付服务)的支付与结算体系。这将打通从“用户意图理解→多智能体协同工作→安全支付授权→最终任务交付”的完整商业闭环。

联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴

结语:天禧AI三年进化路,是个人AI产业发展的缩影

多年以来,联想一直与广大合作伙伴协作共赢,打造新型生态模式,以“一体多端”战略为核心,加速个人AI普惠,携手产业发展,共建天禧AI生态。

从最初的构想到如今成为用户深度融入生活的AI队友,天禧AI的三年进化之路,正是个人AI产业加速普惠、奔向智能未来的缩影。

联想相信,真正的进步不在于让技术变得更高深,而在于让它变得更加亲切平等、归属于每一个普通人。

原文链接: 联想详解天禧AI 3.5演进路径,联手火山引擎启动先到计划,利润100%给生态伙伴
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230