7449美元，约5万元。一台搭载AMD锐龙 AI Max+ PRO 495、配备192GB统一内存的移动工作站，参考配置价格已经到了这个位置。
这台机器是惠普此前发布的ZBook Ultra G3a 16。价格来自其本地AI价值计算器，属于特定配置的参考标价，并非国内零售价。
我们另一个公号前两天刚写过相关文章，《AI PC的“天花板”又被掀了！AMD 锐龙AI Max PRO 400系列“智能体PC”，单机“驾驭”3000亿参数模型》，搭载这颗处理器的智能体PC，正在把3000亿参数级别的模型带到个人电脑上。如今落到具体产品，硬件能力有了对应的机器，购买它需要付出的代价也更清楚了。
但看到这个价格，我更关心的是，买回来之后，它能替我干多少活。
读完一批资料，交出一份能用的报告；接手一个代码项目，修改文件，再把测试跑通。这些事情如果能持续、稳定地完成，近5万元就有一笔账可以算。要是模型虽然启动了，任务却得人一步步盯着，这笔钱就需要重新掂量。
先看清楚，5万元买的是什么
讨论价格之前，有一件事得先说明白：这个价位对应的是移动工作站。
它面向工程、设计、开发等专业工作，不能直接代表主流轻薄本的价格，也不能因为配置里多了AI，就把整台机器的售价全部算成“AI溢价”。
上述产品预计2026年10月上市，最高支持192GB统一内存，其中最多160GB可划给GPU；厂商称，它能够在本地运行最高3000亿参数级别的模型。这些属于最高配置和厂商能力说明，实际表现还要结合模型、软件和工作负载来看。
对一个本来就需要移动工作站的人来说，要比较的是：同样用于专业软件和日常工作，多投入的预算，能不能通过本地AI换来更高效率。
对一个只是想尝试Agent的人来说，问题则是：自己的任务有没有必要用到这一级别的硬件。
两种购买理由，不能混在一起。
一台机器贵，有时候是因为它要承担的工作本来就贵。但如果只是被“大模型”“智能体”几个字打动，工作还没想清楚，预算先花出去了，后面很容易变成给设备找用途。
电脑的价格里，多了一份“替人干活”的期待
过去买电脑，我们大致知道自己在为什么付钱。
处理器更强，渲染可以快一点；显卡更好，游戏可以开更高画质；内存更大，同时打开的软件可以更多。电脑负责运行，人负责操作，分工很清楚。
现在，“智能体电脑”让这份分工开始变化。
用户给出目标，模型判断下一步该做什么，工具负责读取文件、打开网页、调用软件，再把结果交回模型继续处理。用户期待的，是交代完一件事，过一阵回来验收。
这份期待，才是智能体PC最需要回应的部分。
大模型和工作资料都在本地，确实提供了一些便利。开发者可以调试应用，有数据管理要求的团队可以控制资料流向，一些固定任务也有机会在后台持续执行。
只是，硬件提供了运行条件，工作能不能完成，还要看模型、工具和软件之间能否配合。
模型会分析，不意味着它一定会正确操作；工具调用成功，也不意味着交付结果符合要求。中间这些环节，最终都会影响用户能省下多少时间。
如果每一步还得人盯着，所谓“替人干活”，可能就只完成了前半句。
大内存让模型装得下，后面的事还没解决
这类设备最醒目的变化，是统一内存容量。
CPU和GPU共享同一个内存池，可以让GPU使用比传统笔记本独立显卡更大的容量。对于需要加载较大模型的用户，这是一道很现实的门槛。
模型权重要占空间，长文档和多轮任务产生的上下文缓存也要占空间。容量不够，模型可能根本加载不了，也可能刚开始运行，随着上下文增长就遇到问题。
但192GB内存，不能直接换算成某项工作的完成能力。
能运行多大的模型，要看量化方式和运行开销；运行得多快，要看模型结构、内存带宽和推理框架；回答是否准确、工具能否调用正确，又是另一组问题。
这也是为什么“支持3000亿参数模型”需要连同条件一起理解。它说明机器跨过了一道容量门槛，却不能替代真实任务测试。
类似的情况也出现在桌面AI设备上。NVIDIA DGX Spark提供128GB统一内存，官方资料列出可用于最高约2000亿参数模型的推理，微调能力则标注为最高约700亿参数。它主要面向AI开发和验证，与移动工作站的定位有所不同。
所以，这些设备不能只按“谁能装下更大的模型”排序。
让模型回答几句话，和让它读完一组材料、核对引用、生成报告，要求差得很远。尤其是长流程任务，中间一次错误，就可能让后面的步骤全白做。
模型加载之后的表现，才是买家真正需要看的部分。
“智能体电脑”，应该拿完整任务来测
既然叫智能体电脑，测试就应该从一项完整工作开始。
拿一批会议录音，让它整理纪要、提炼决策事项，再生成待办清单。交给它一组本地资料，让它按指定格式写报告，并标明引用来源。或者让它接手一个代码项目，定位问题、修改文件、运行测试，最后说明改动结果。
如果面向工程和设计用户，还应该把任务放回他们正在使用的软件里。能否读取项目资料，辅助完成一项修改，并让用户检查结果，比单独展示模型回答更有说服力。
测试时，我会先看三件事：完成了没有，花了多久，人接手了几次。
一份报告生成得很快，引用却需要逐条重查，省下的时间就有限。代码看起来改好了，测试没通过，还得人来收拾，任务也不能算完成。
接下来才是持续运行。
连续处理多批材料，会不会越来越慢？某个工具失败了，能不能恢复？任务跑到一半停下来，用户能否知道停在哪里，而不是第二天才发现什么都没交出来？
对笔记本形态的设备，还得加上它自己的使用条件。
接电和电池供电时，任务表现有什么差别？模型与专业软件同时运行，会不会互相争抢资源？长时间工作时，散热、噪音和续航是否符合用户的预期？
这些问题不能靠芯片参数直接回答。
如果厂商希望用户为整套智能体体验付费，就需要把这套组合的实际表现展示出来。对准备掏钱的人来说，一份可复现的完整任务记录，比一段挑选过的演示视频更有用。
本地AI的账，不能只算买机器的钱
本地运行AI的一个常见理由，是硬件一次买断，以后用得越多越划算。
这个思路可以成立，但账要算完整。
采购之后，还有部署、维护、软件订阅、用电和升级。有些任务本地模型做不好，仍然要调用云端模型，API费用也不会因为买了电脑就自动消失。
这里最容易漏掉的，是人的时间。
装环境用了几个晚上，软件更新后又要排查兼容问题，任务失败还得重新执行。如果这些工作都由自己承担，采购价之外就多了一笔持续支出。
对于原本就需要更新电脑的人，还应该把已有采购计划考虑进去。
本来就要买一台专业设备，评估本地AI能力时，可以比较它与满足原有工作的替代配置之间的差价。如果完全是为了跑模型新增一台电脑，就要按完整采购成本算。
两种算法，对回本时间的影响很大。
因此，本地和云端要比较的是同一种任务，在效果相当的前提下，完成它各要付出多少。
设备每天都在处理大量资料，数据又不适合交给云端，本地投入就可能有充分理由。只是偶尔总结文档、写一段文字，已有电脑和云端服务也许已经够用。
还有一种情况值得分开看：Agent在本地运行，不意味着负责判断的大模型也必须在本地。
云端模型可以负责分析，本地电脑负责操作文件、浏览器和软件。这种工作流需要合适的运行环境，却未必需要192GB统一内存。
先把任务放在哪里、模型放在哪里想清楚，再看设备，预算会更容易花在真正需要的地方。
近5万元，最后要用工作结果来解释
本地AI设备的容量越来越大，形态也越来越多。桌面主机、移动工作站，都在尝试把模型和工具放进用户现有的工作环境。
这给了用户更多选择，但选择多了，不意味着判断可以省略。
对专业用户，近5万元的工作站可能有明确用途；对普通用户，它也可能远远超过实际需要。不能因为价格高就认定是噱头，也不能因为装得下大模型就认定是生产力。
如果准备买，我建议先拿出一件自己每天或每周都要做的工作。
让候选设备完整跑一遍，看结果能不能用，记录等待时间，也记录自己纠错和接手的时间。再把部署、维护和云端调用费用放进去，连续使用一段时间，这台机器值不值，才会逐渐清楚。
回到开头的7449美元。
它能买到一套大内存的工作站配置，但省下多少时间、减少多少返工，还要在使用中验证。
买家最终愿意付多少钱，要看交代出去的事情，能有多少真正完成。
