微軟 Project Zenith 與 AMD 的兆級參數豪賭：Windows 為本地 AI 重新開機

多年來，Windows 對開發者一直有點不友善：檔案副檔名預設隱藏、長路徑支援殘缺、編譯時通知不斷閃現干擾注意力。在柏林 IFA 2026 上，微軟終於給它的解方起了名字——Project Zenith——並搭配 AMD 的新晶片，讓「跑在本地」成為不斷膨脹的雲端 AI 帳單的一個認真選項。

這項發表出現在一個微妙的時間點。AI 開發的經濟學已經成為真正的痛點：Agentic 工作流——多步驟、鏈式呼叫工具、需要不斷重試與長上下文的 AI 任務——每個 session 動輒消耗數百萬 token，而過去一場對話只需數千。結果是出現了一群想要把夠強的模型放在自己桌上、免計費、背後沒有 token 錶滴答作響的開發者。

Project Zenith 到底是什麼

Project Zenith 是一套預先組態好的 Windows 11 環境，專為新一類開發者機器打造：具備 64GB 以上統一記憶體的系統。微軟 Windows 平台與開發者事業 CVP Logan Iyer 的說法是：「Project Zenith 裝置出廠即內建為開發而組態的 Windows，以及開發者最先會用到的精選工具。在這些裝置上，開發者可以在本地跑 30B+ 參數模型、不限量——加速實驗，同時降低對計費雲端 token 的依賴。」

具體的變更簡直像一份蒐集了十年開發者抱怨的願望清單：

• 預裝工具：Visual Studio Code、GitHub Copilot、PowerToys、WinAppCLI、Windows Dev Skills 開箱即用
• 檔案總管恢復理智：顯示副檔名、顯示隱藏檔、標題列顯示完整路徑
• 關掉干擾：開始選單提示、帳戶通知、最近使用檔案建議、同步服務提示全部停用
• 強者預設值：啟用長路徑支援、PowerToys Command Palette 預設開啟

其中一些改動其實本來就該是每份 Windows 11 的預設值。但把它們打包成一個認證裝置類別，是微軟在宣示：開發者機器現在是一級硬體類別——而這個類別的定義需求是記憶體，因為記憶體正是本地 AI 的燃料。

底層晶片：Kraken Halo 與統一記憶體論證

第一台 Project Zenith 裝置由 AMD 在 IFA 舞台上揭曉：一台由 Ryzen AI Halo 晶片驅動的迷你主機。微軟承諾「未來幾個月」還會有更多 Project Zenith 裝置，包括採用不同晶片的版本。

讓這個類別有趣的技術故事是統一記憶體。傳統桌機把記憶體分成兩個池——CPU 用的系統 RAM 和獨立顯卡上的 VRAM——任何要交給 GPU 處理的模型都必須先複製進 VRAM。這個複製動作造成了硬天花板：超出 VRAM 容量的模型根本跑不動，不管系統 RAM 閒置多少。NVIDIA 的消費旗艦 RTX 5090 配備 32GB VRAM；就連企業級 PCIe 加速卡 H200 NVL 也只有 141GB HBM3E。一個 3,000 億參數的模型在 FP16 精度下需要約 600GB，FP4 也要約 150GB——超越任何單張獨立顯卡。

AMD 的答案是 Ryzen AI Max Pro 400 平台（代號 Kraken Halo）。它的 256-bit LPDDR5X-8533 介面打造出單一連貫記憶體池，由 Zen 5 CPU 核心、RDNA 3.5 繪圖引擎與 XDNA 2 NPU 共享。192GB 總量中最多可將 160GB 分配給 GPU 工作負載——足以容納一張任何價位的獨立顯卡都裝不下的 300B 參數 FP4 模型。記憶體匯流排峰值頻寬約 273GB/s，而 LLM 推論的瓶頸是頻寬而非算力，這個數字直接換算成每秒 token 數。

旗艦晶片 Ryzen AI Max+ PRO 495 結合 16 個 Zen 5 核心（最高 5.2GHz）、40 個 RDNA 3.5 運算單元與 55 TOPS 的 XDNA 2 NPU。聯想的 ThinkCentre X 精巧桌機與 HP 首次亮相、配備 190GB 統一記憶體的 ZBook「Sundance」筆電，是最早的商用量產系統。發表會上未公布價格；現有第一代 Ryzen AI Halo 主機售價 3,999 美元——比 NVIDIA 同級的 DGX Spark 便宜約 700 美元。

Threadripper Halo Station：桌上的兆級參數

IFA 更大的驚喜是首度公開的 Threadripper Halo Station。它不是單一 SoC，而是將 96 核心 Threadripper PRO CPU 與兩張 Instinct MI350P PCIe 加速器配對——硬體上還支援擴充到四張。每張 MI350P 配備 144GB HBM3E、頻寬 4TB/s，基礎配置共 288GB HBM3E，完整擴充後達 576GB——在積極量化下，足以把兆級參數模型整個放進加速器記憶體。這台液冷系統還支援最高 2TB 的傳統系統記憶體。

頻寬對比很殘酷：單張 MI350P 每秒搬移的資料量約是整個 Kraken Halo 平台的 14.6 倍。對於大到需要它的模型而言，這個差距決定了本地推論是玩具還是生產選項。

AMD 正在論證的經濟學

AMD 的 Jack Huynh 用明確的財務語言框架這場主題演講。AMD 宣稱 93% 的公司正在超支 AI 預算，元凶是 agentic 工作流；全產業每月處理的 token 量在一年內從約 0.7 千兆（quadrillion）跳到 1.7 千兆，並預測 2030 年將達每月 120 千兆——四年成長 70 倍。

示範用的算術是這樣的：以每天 1,500 萬輸出 token 計，雲端成本約為每個活躍使用者每天 300 歐元（約 349 美元）——一年近 10 萬歐元。Ryzen AI Halo 上的本地推論沒有 per-token 費用。AMD 還展示了一個 320B 參數的 GLM-5.3-Flash 模型在本地運行，宣稱它在某項（未公開的）基準測試上勝過 Claude Fable 5，而同等級雲端模型 1,000 萬輸出 token 約需 500 歐元。

但必須留意：這些比較來自 AMD 自己的簡報，基準測試套件與方法論並未完整揭露。可以獨立驗證的是架構本身——微軟的 Pavan Davuluri 在台上即時示範了 1,250 億參數的 Qwen 3.8 模型在 Kraken Halo 上運行，純 GPU、無雲端。兩個平台都執行 AMD 的開源 ROCm 堆疊，支援 PyTorch、vLLM、llama.cpp、Ollama、ComfyUI 與 LM Studio；SUSE 也確認其 AI Factory 與 Rancher 工具能把本地開發的工作負載擴展到企業基礎架構——解決了向來讓本地 AI 走到死胡同的「開發到生產」斷層。

為什麼重要

兩股力量正在匯流。第一，微軟把本地 AI 視為 Windows 的平台級需求，而非周邊功能——認證裝置、策展工具鏈、移除摩擦。第二，AMD 押注統一記憶體與 HBM 密度能把真正的推論工作負載從雲端拉回桌面，就像筆電當年把運算從大型主機上拉下來一樣。

兩家公司都沒有宣稱本地硬體能取代所有場景的前沿模型存取。誠實的框架是一個決策濾網：如果你的模型在你需要的精度下塞得進 160GB，Kraken Halo 級機器就是可行的免計費替代方案；如果你需要前沿尺度的模型，Threadripper Halo Station 的 576GB 天花板——等價格公布後——才是該評估的數字。

對開發者而言，結論更簡單。微軟今天推出的工具移除了「Windows 礙事」這個藉口，AMD 舞台上展示的硬體移除了「本地模型太小、不實用」這個藉口。「雲端 token」與「我的機器」之間的差距剛剛變窄了——而計費 token 時代距離它的天花板，可能比擁護者以為的更近。