联想集团的AI创新：AI PC、混合词元工厂与智能制造

联想集团在AI PC、混合词元工厂和智能制造领域的创新，涉及电池材料、端侧任务处理、推理系统及生产工艺。搭载ED1000硅负极电池技术的ThinkPad P1 Gen 9入选《时代》2026年度最佳发明；联想万全V5.0优化芯模适配与推理缓存，智能排产系统和轮足机器人已用于工厂作业。华为通过灵衢互联调整计算资源配置，阿里巴巴Qwen团队则研究跨机体的机器人操作模型。

联想AI PC：电池技术突破与端侧智能创新

10月15日，搭载ED1000技术的ThinkPad P1 Gen 9入选《时代》2026年度最佳发明。评选条目重点介绍这块硅负极电池及其1000Wh/L电芯体积能量密度。

ED1000由联想与上海交通大学联合研发，比亚迪电池、冠宇电池等产业伙伴提供支持。研究团队设计多孔碳骨架，为硅在充放电中的膨胀预留缓冲空间，并通过等离子体相关工艺改善硅碳结合与材料稳定性。

硅能够储存较多锂离子，但反复充放电中的体积变化容易破坏结构。联想与上海交通大学的研究在碳骨架中建立电子传输网络，强化硅碳之间的化学结合，并改进沉积过程和表面保护层，以提高储能密度、改善循环稳定性。更高的电芯体积能量密度，使移动电脑能在有限的电池空间中储存更多电量。

在端侧智能方面，联想天禧AI引入复杂意图理解、分层仿生记忆与长程任务执行技术，让个人知识和使用习惯参与任务处理，并支持生产力工具接入。用户提出需求后，智能体可以规划步骤，调用工具，生成网页、文档或视频等产物。

10月16日开售的联想YOGA Pro 15 RTX Spark，结合NVIDIA芯片平台与联想整机、软件适配，出厂提供35B本地模型，天禧超能模式针对该机优化，并支持在本地模式与标准模式间切换。用户处理适合在设备内完成的私密任务时，可以选择本地模式，保留知识与任务数据，并按需要使用已适配的生产力工具。

针对128GB机型的原始评测，验证了本地模型及图像生成；其中一项测试使用Llama.CPP、DFlash和Qwen3.8-27B，回放8个任务、168轮智能体对话，记录约34.39 tokens/s的解码输出速度。

联想混合词元工厂：把异构算力变成可调用的词元服务

联想混合词元工厂由算力车间、Token生产线和运营管理中心组成。算力车间提供计算、存储和网络，模型服务承担词元生产，运营环节衔接数据治理、能耗管理、安全与集群运维。xCloud联想智能云、智算中心、万全异构智算方案及服务器、存储、数据网络能力被整合进整体方案，交付内容延伸到模型服务与业务工作流。

联想为混合词元工厂设计了顶规设计、数据治理、计算优化和安全管理四个支柱。顶规设计先明确服务对象、业务问题和交付要求，再倒推算力与系统配置；数据治理梳理业务概念和属性关系，将分散信息组织成知识网络；安全管理通过加密、脱敏、权限及审计控制数据流向。

联想万全异构智算方案V5.0的芯模编译优化，针对不同模型进行计算图自适应匹配和算子自动生成，使模型运行方式适配多种计算芯片。集群训推加速技术则采用分层解耦的PD分离架构及KV Cache共享缓存优化，分别处理推理过程中计算和缓存的资源需求。预填充处理输入，解码生成输出，KV Cache保留上下文；各环节对计算与内存的需求不同。

联想还在探索CXL内存池与近存计算的结合。在10月全国高性能计算学术大会介绍的研究中，内存池支持KV分层存储和公共前缀共享，减少多个推理实例对相同内容的重复存放与计算；近存计算引擎把适合的注意力计算放到内存侧，减少KV数据跨设备搬运。

xCloud联想智能云在佛山建设运营城市级TokenHub，为制造业数智服务平台提供词元消费中枢，实现统一接入、计量、路由与分账。平台以统一API接入模型服务，结合动态模型路由、故障切换和缓存优化，处理多模型调用与成本管理；动态比价机制帮助选择词元服务。该项目披露的Token接入效率提升80%，使用成本降低15%。

联想智能制造：AI排产与机器人转运进入日常作业

联想自主研发的智能排产系统LAPS，已用于联宝的生产运营，将生产计划制定时间从6小时压缩至1.5分钟。生产排程由自主算法支撑，模块化产线支持多品种、小批量任务切换。

在某国内生物制药企业，联想晨星MC轮足机器人负责把试剂从实验室运往生产车间。操作人员通过平板选择接收点、确认装载后，机器人便沿路线执行转运。联想将强化学习运动控制、路径规划与动态避障结合，处理厂区内的台阶、坡道及临时障碍。

联想先让MC在20多类虚拟地形中进行强化学习训练，再在现场持续学习路况、优化步态，以适应室内外路线和楼梯通行。

MC通过激光雷达、视觉定位与建图等方式完成定位与导航，并依据载荷和坡度调整重心。完成物联对接后，机器人可以呼叫电梯、联动闸机和安全门；多机作业由后台统一分配任务、规避路线冲突。

联想发布的药企应用数据显示，该项目的机器人自主导航到点成功率达到95%。过去单次约10分钟、每天重复50多次的人工转运，在项目测算中可节省每天500分钟以上搬运时间。

华为：以灵衢互联重组AI计算资源

华为在9月发布的灵衢架构中，以统一协议连接CPU、NPU、内存和存储，支持内存语义与资源池化。CPU和NPU可以按任务需要灵活配比，注意力计算与前馈网络也能分离部署；集群与超节点通过光电互联灵活组网。

在互联层，华为将十余种互联协议统一为灵衢协议，支持超节点内的全局内存统一编址，并针对柜内、跨柜及集群配置分层互联设备。华为在该次发布中给出的RTT通信时延为2微秒，传统架构参考值约为7微秒。跨柜灵衢互联设备配置176个端口，每端口带宽1.6T；小型部署则采用双机灵衢直连，使两台Atlas 650E服务器的16个NPU免交换互联。

华为CloudMatrix384超节点将384颗昇腾NPU与192颗鲲鹏CPU通过Unified Bus互联，支持资源动态池化。围绕这一系统，CloudMatrix-Infer采用对等服务架构，让预填充、解码和缓存分别扩展，并结合专家并行、专用算子与微批流水等优化处理大模型负载。

CloudMatrix-Infer利用UB互联进行Token调度，支持大规模专家并行，使不同计算单元协同处理混合专家模型。面向具体硬件，研究团队还采用INT8量化、专用算子和微批流水优化，调整计算执行与数据传递过程，减少服务中相互制约的环节。

在研究团队公开的DeepSeek-R1测试中，CloudMatrix-Infer在每Token输出延迟低于50毫秒的条件下，实现每颗NPU每秒1943 Token的解码吞吐。测试还报告了更严格时延约束下的吞吐结果，供比较不同服务响应要求下的资源利用情况。

灵衢架构还将不同存储介质组成资源池，以DDR充当NPU的“第二内存”，为模型缓存和训练提供更灵活的内存容量。华为用分级存储降低大模型训练对单卡HBM内存容量的需求，并支持激活值缓存跨层级存放。

阿里巴巴：让机器人操作模型适配不同机体与任务

阿里巴巴Qwen团队提出的Qwen-RobotManip，以视觉语言模型为基础，将表征、运动和行为对齐结合起来。模型把不同机器人的状态和动作映射到统一的80维表达，对缺少的维度进行填充，再用掩码让实际可用的动作维度参与学习，使单臂、双臂、灵巧手及移动操作的数据能够进入同一个训练框架。

不同机器人的关节、相机和坐标体系各不相同，同一动作往往有不同的数据表达。在运动表达上，Qwen-RobotManip以相机坐标下的末端位姿变化描述动作，并引入相机几何信息，为不同机体的相近操作提供更一致的训练信号。执行历史也被用于适配机器人行为，帮助模型处理设备差异和连续任务。

数据扩展采用了人类示范到机器人轨迹的合成流程。Qwen团队将第一人称人类视频转换成多种机器人形态的操作示范，再结合开放机器人数据，构成约3.81万小时的预训练语料。其中，合成示范覆盖15种机器人形态，降低了逐一为不同设备采集专有数据的依赖。转换过程包括动作重定向、去除画面中的人手、仿真渲染和深度引导合成，让人类动作及其所在场景转为机器人能够学习的示范数据。

Qwen团队还设置了任务和场景变化、指令理解及跨机体迁移等测试，检验模型能否在训练分布之外工作。在涵盖七类扰动的LIBERO-Plus泛化测试中，结合执行历史的Context版本整体成功率为91.4%。

Qwen-RobotManip已经在AgileX ALOHA、Franka、UR和ARX等真实机器人平台上验证。在覆盖30项任务、4类平台的RoboChallenge Table30 v1通用赛道测试中，团队报告的整体成功率为45%。实机任务还观察到物体滑落后的自主重试，以及跨机体的抓取与放置。