深度對話聯想：自主把事辦完，成AI終端L3級智能“分水嶺”

作者 | 雲鵬 編輯 | 李水青 在一項人工智能終端測試中，題目不是寫詩、總結文章，也不是讓模型回答一道知識題，而是在平板上通過購物軟件，購買一張過去買過的電影票。乍看之下，這個任務平常得不能再平常。用戶甚至不需要知道背後用了什麼模型，只會關心票有沒有買對：影片、影院、場次、座位和支付環節能否被準確銜接，遇到權限確認、頁面變化或網絡波動時，系統是否知道下一步該做什麼。但對AI終端而言，這恰恰是一道比聊天難得多的綜合題。它要求設備先理解一句自然語言背後的真實意圖，再從歷史記錄中定位對象，調用應用和系統服務，跨越多個界面完成操作，並在涉及支付等敏感環節時把控制權交還用戶。

任何一個節點掉鏈子，前面再聰明的回答都沒有意義。近期，《人工智能終端智能化分級》系列國家標準發佈。在首批公佈的66款產品中，聯想拯救者Y900系列是唯一達到人工智能國標最高L3級平板產品。與其把這理解為又一項產品認證，不如把它看成一個行業信號：AI終端的評價尺度，正在從“能不能生成”推進到“能不能交付”。聯想集團高級副總裁、全球創新中心負責人賈朝暉將L3稱為“從工具到智能夥伴的標尺”。這句話的關鍵不在“夥伴”這個擬人化稱呼，而在於角色變化。工具等待用戶一步步操作；智能夥伴則要理解目標、組織步驟、調度資源，並對結果負責。這也意味著，AI硬件競爭正在進入更難的一段。

大模型可以為終端提供一顆更聰明的大腦，但一臺設備能不能穩定把事情辦完，取決於整套任務執行鏈是否成熟。一、L3把AI終端從“生成”能力推向“任務交付” 過去兩年，終端廠商展示AI時，最常見的項目是問答、翻譯、摘要、文生圖。這些能力容易演示，也容易用模型參數、響應速度和榜單分數比較。但它們大多停留在“給出內容”的層面，輸入和輸出之間的路徑相對短。任務執行完全不同。以電影票任務為例，系統至少要完成五個環節：識別用戶意圖，讀取與當前任務相關的上下文，規劃操作步驟，調用系統或第三方應用，確認結果並處理異常。它不只是在概率意義上生成一段“像答案的文字”，而是要改變真實世界中的狀態。

這一區別決定了任務型AI的容錯率更低。生成一段摘要時，措辭略有不同往往不影響使用；訂錯日期、選錯影院或重複提交訂單，卻會直接造成損失。模型的單點能力越強，並不必然意味著整條鏈路越可靠。一個執行任務成功率為95%的步驟，連續經過多個步驟後，整體成功率會不斷折損；如果鏈路中還有應用更新、彈窗、權限和網絡等變量，穩定性會進一步下降。因此，L3的意義不只是給AI能力劃等級，而是把測試對象從“模型回答”擴大到“整機交付”。終端需要證明自己能把理解、規劃、調用、執行、校驗串成閉環。所謂“會辦事”，不是自動點擊得越多越好，而是在該自動化的地方自動化，在需要確認的地方停下來，並且能向用戶說明當前進度和結果。

這也重新定義了終端智能化。把一個大模型應用裝進設備，只能解決“入口在哪裡”；要完成跨應用任務，則必須讓AI深入系統權限、服務接口、硬件資源和設備生態。賈朝暉對此區分得很直接：在設備上裝AI應用是“+AI”，依據AI的特點重新設計系統才是“AI+”。前者增加一個功能，後者改變設備組織能力的方式。L3所測試的，正是後者有沒有真正落地。二、拆解AI任務執行鏈的三層門檻：系統、算力與連續狀態 AI終端要穩定完成任務，至少要跨過三層門檻。它們分別解決“能不能動手”“把任務放在哪裡算”以及“換設備後還能不能接著做”。第一層，是進入系統層。

聊天機器人通常只需讀取用戶輸入並生成回覆；任務型智能體必須獲得受控調用能力。它要知道設備上有哪些服務、哪些應用能夠完成當前步驟，如何傳遞參數，又該怎樣處理授權和返回結果。據聯想介紹，其基於天禧AI底座組合調度端側模型與雲端模型，並基於MCP協議貫通系統服務，用於跨應用自動化和多設備互動。這裡真正困難的不是讓AI“看見”按鈕，而是建立一套可管理、可確認、可回退的調用機制。應用界面會改版，登錄狀態會變化，同一句指令也可能對應不同條件。成熟的任務鏈需要把意圖理解、工具選擇、權限邊界、異常處理和結果校驗都納入系統設計。否則，所謂智能體只是更復雜的自動點擊器。第二層，是組織端、邊、雲算力。

在聯想的體系中，“端-邊-雲”架構於2026年5月19日隨天禧AI 4.0發佈並落地，負責算力與數據的組織方式；9月初迭代至4.3版本後，重點推進的是智能體自主執行與多設備協同能力。底座與執行分屬兩層，任務執行建立在算力組織之上。任務為何不能全部扔給雲端？一方面，個人知識、歷史記錄和敏感數據需要更清晰的隱私邊界；另一方面，頻繁調用雲端模型會帶來時延和Token成本。反過來，若所有任務都壓在端側，受限於功耗、內存和模型規模，也難以覆蓋複雜長尾需求。端邊雲協同的價值，在於按任務動態分配資源：低時延、強隱私、與設備狀態緊密相關的部分儘可能在端側或邊側處理；需要更強泛化能力的部分再調用雲端。

它不是三個算力節點的簡單疊加，而是調度問題。系統要判斷哪些數據可以離開設備、哪種模型適合當前步驟，以及失敗後如何切換路徑。第三層，是維持跨設備的連續狀態。真實任務很少永遠鎖在一塊屏幕裡。用戶可能在平板發起任務，讓PC調用更強算力或本地知識庫處理，再把結果返回平板；也可能在手機上補充信息。聯想將天禧AI 4.3的多設備協同概括為數據庫、上下文與記憶、任務執行與接力三個一體化。這比普通的文件互傳更難。跨設備任務需要攜帶的不只是結果文件，還包括任務處於哪一步、已經調用過什麼、用戶做過哪些確認，以及後續應該由哪臺設備繼續。只有狀態連續，設備矩陣才不是多個AI入口，而是一條可以遷移的執行鏈。

從這個角度看，L3背後測的其實是一套系統工程：模型負責理解和規劃，操作系統提供受控能力，端邊雲提供算力，設備生態保存任務狀態。任何一層缺位，“一句話辦事”都可能停在演示階段。三、為什麼說平板更適合成為AI綜合交互與任務入口？在手機、PC和平板之間，平板未必擁有最強算力，也不是用戶隨身時間最長的設備，但它具備一種特殊的平衡：屏幕足夠大，又比PC輕便；可以觸控、手寫、鍵盤輸入，也適合語音和視覺交互。聯想集團高級副總裁、中國消費業務群總經理張華把AI平板稱為“AI天生的容器”。如果把這句話拆開看，平板的價值不只在承載更多AI功能，而在於它更適合呈現任務全過程。

聊天只需要一個輸入框，任務執行卻需要讓用戶隨時理解系統正在做什麼：目標是否識別正確，哪些資料被調用，當前執行到哪一步，哪個環節需要確認，最終結果是什麼。相比手機的小屏，平板更能同時容納任務上下文、候選結果和操作反饋；相比PC，它又天然支持拿起即用、語音、觸控與手寫等低門檻交互。手寫筆在這裡也不應只被視為配件參數競爭。根據現場介紹，聯想希望把筆從輸入工具變成意圖入口：提筆書寫、轉筆擦除，圈選不同類型內容後觸發相應處理。其價值不在多一個AI按鈕，而在於用戶沿用原本熟悉的動作，系統在背後識別對象和意圖。這符合任務型AI的一條重要原則：最好的智能不應該要求用戶先學習一套複雜指令。

賈朝暉所說的“真正的AI隱形於設備、無所不在”，如果落到產品層面，就是用戶表達目標的方式越來越自然，而系統承擔更多理解和編排工作。不過，平板適合作為入口，不等於所有任務都必須在平板本地完成。恰恰相反，它更像一個綜合交互面板：負責收集語音、觸控、筆跡和視覺信息，展示任務進度，並在需要時調用PC算力、個人知識庫或雲端服務。平板的競爭力由此不再只取決於屏幕和芯片，而取決於它能否把多種輸入和多端能力組織成一條順暢鏈路。值得一提的是，聯想面向課堂的研學方案——根據課程安排推送知識、彙總錄音課件與照片並生成個性化課堂筆記——目前仍處於規劃階段，尚未上市。

它說明的是任務鏈未來可能延伸的方向，也提示外界：把規劃寫成既有能力，同樣是對這類產品的一種誤讀。四、從實驗室通過到日常穩定，中間還差一個反饋閉環 標準測試的價值，是用一致題目驗證能力邊界；但用戶每天遇到的環境遠比實驗室複雜。應用版本更新、頁面佈局變化、網絡中斷、賬號狀態異常，都可能令原本可用的執行鏈失效。因此，通過L3不是終點，而是獲得了一張進入真實世界的入場券。任務型AI上線後，廠商真正要盯的不是“功能是否存在”，而是每個環節為何失敗：是意圖識別偏差，還是工具選擇錯誤；是權限被拒絕，還是第三方應用改版；是端側模型能力不足，還是雲端調用延遲；用戶在哪一步主動接管，又在哪一步直接放棄。

聯想介紹的“月月新”和“超核社區”，對應的正是這一問題。前者以月度節奏推送體驗和優化，後者讓用戶在設備內反饋問題，再由團隊和AI歸納共性需求。對傳統硬件而言，產品上市往往意味著主要功能已經定型；對AI終端而言，上市只是任務成功率開始接受大規模檢驗。這種閉環還有一個容易被忽略的價值：判斷哪些任務值得自動化。並非所有能做的功能都有必要做，也不是執行步驟越長越能體現技術實力。真正高頻、剛需、容錯邊界清晰的任務，才適合優先進入自動執行。用戶反饋不僅幫助修復失敗案例，也幫助廠商避免為了展示AI而製造需求。聯想所強調的“用得上、用得起、用得好”，最終都要落到這裡。

用得上，是用戶可以用自然方式發起真實任務；用得起，是算力調度和商業成本能夠長期支撐；用得好，則是任務在日常環境下保持穩定，並且持續改善。五、AI終端的下一張考卷：任務完成率 當大模型能力逐漸成為公共底座，終端發佈會仍然可以展示模型規模、推理速度和生成效果，但這些指標與用戶價值之間的距離正在拉大。用戶不會因為設備調用了更大的模型，就原諒一張買錯日期的電影票；也不會因為智能體規劃了十個步驟，就接受任務在第九步失敗。對任務型AI而言，最樸素也最嚴格的指標，是完成率。但“任務完成率”不能只是一個孤立數字。

它至少應包含一次成功率、平均完成時長、人工接管次數、異常恢復率、敏感操作確認準確率，以及跨設備接力成功率。更進一步，還應區分演示環境與真實環境、高頻任務與長尾任務、首次使用與長期使用。這套尺度會倒逼終端行業改變競爭方式。模型參數仍然重要，卻只是必要條件；芯片算力仍然重要，卻必須轉化為穩定執行；應用數量也不再等於生態能力，關鍵要看接口是否能被安全調用、任務是否可以閉環。電影票測試之所以值得關注，就在於它把宏大的“智能夥伴”敘事壓縮成一個可驗證的問題：用戶交代一件事，設備到底能不能辦成。聯想平板通過L3，證明其在當前測試範圍內已經把模型、系統、應用調用和設備能力串了起來。

但對聯想以及整個行業來說，更艱難的比賽才剛剛開始：從規定場景走向千人千面的日常，從一次通過走向長期穩定，從能執行走向值得託付。未來，AI終端真正拉開差距的時刻，可能不是它說出一句多驚豔的話，而是用戶回過神來，發現事情已經被準確、透明、安全地辦完了。