AI PC: tényleg új számítógép született, vagy csak kapott még egy matricát?

CPU, GPU, NPU, TOPS, local AI, Copilot+, unified memory, agentek. Az AI PC körül annyi új rövidítés jelent meg, hogy teljesen jogos a kérdés: történt itt valami valóban érdekes, vagy a PC-ipar egyszerűen megtalálta 2026 kedvenc két betűjét?

Megkérdeztük szakértőnket. Az AI-t. Végül is ki mást?

A válasz röviden: az első AI PC-k valóban könnyen tűnhettek egy hagyományos notebooknak, amely kapott egy NPU-t és néhány új Windows-funkciót. A történet azonban közben továbbment. Megjelentek a 40–50 TOPS-os NPU-k, az egyre erősebb integrált GPU-k, a 128 GB közös memóriával szerelt processzorok, a helyben futó nagy nyelvi modellek és az AI-agentek. Egy mai AI PC ezért már a videóhívás zajszűrésétől egy 70 vagy akár 100 milliárd paraméter feletti helyi modellen át a játékig egészen eltérő feladatokat jelenthet.

– Kezdjük az elején. Mi van egy AI PC-ben, ami az én PC-mben nincs?

– Leginkább egy új munkamegosztás.

A klasszikus PC-ben megszoktuk a CPU és a GPU párosát. Az AI PC ehhez hozzáadott egy harmadik számítási egységet, az NPU-t, vagyis Neural Processing Unitot. Ez neurális hálózatok futtatására optimalizált gyorsító.

Csakhogy itt rögtön érdemes félretenni egy félreértést: az NPU nem valamiféle apró videokártya, és nem attól lesz gyors egy helyi ChatGPT-szerű modell, hogy a processzor dobozára nagyobb TOPS-szám került.

A három egység eltérő feladatra jó:

• CPU: az operációs rendszer, alkalmazások, általános számítás és az AI-folyamatok vezérlése;
• NPU: kis fogyasztással, folyamatosan futó AI-inferencia;
• GPU: nagy párhuzamos számítási igényű AI, grafika, generatív modellek, videó és játék.

A Windows ma már eleve ilyen heterogén rendszerként kezeli az AI PC-t. A megfelelő szoftver ugyanazt a modellt CPU-ra, GPU-ra vagy NPU-ra is irányíthatja, attól függően, melyik egység alkalmasabb az adott feladatra: a Microsoft Foundry Local a gép hardverét felismerve választhat GPU-s, NPU-s vagy CPU-s végrehajtást.

Nem az történt tehát, hogy kaptunk még egy processzort. Inkább lett még egy motor a gépben, amelyet a szoftver külön feladatokra foghat be.

– Rendben. És mit csinál az NPU, amitől nekem jobb lesz?

– Olyan AI-feladatokat végezhet el folyamatosan, amelyek miatt pazarlás lenne a GPU-t terhelni.

Videokonferencia közben zajszűrés, beszédfelismerés, automatikus képkivágás, háttérkezelés vagy egyéb kameraeffekt futhat rajta. Helyi OCR, kisebb képfelismerő modell, szemantikus keresés vagy más folyamatos inferencia szintén jó NPU-feladat lehet.

A Copilot+ PC-khez a Microsoft legalább 40 TOPS-os NPU-t ír elő. A mai AMD Ryzen AI és Intel Core Ultra felsőbb platformok már 50 TOPS körüli NPU-kat kínálnak.

Az érdekes rész mégsem maga az 50 TOPS. Két processzor NPU-ja lehet papíron ugyanolyan gyors, miközben az egyik egy könnyű notebookban dolgozik, a másik pedig egy 128 GB memóriás AI workstationben. A teljes AI PC képességeit ezért nem lehet egyetlen TOPS-számból megmondani.

– Akkor a TOPS az új megapixel?

– Nagyjából ugyanúgy lehet vele túl egyszerűen eladni valami sokkal bonyolultabbat.

A TOPS azt mutatja meg, hogy egy adott egység elméletileg hány billió műveletet képes másodpercenként végrehajtani meghatározott adattípussal. Hasznos adat, de két különböző architektúra, modell vagy szoftverkörnyezet valós teljesítményét nem lehet pusztán ebből kiszámítani.

AI-nál ugyanilyen fontos a memória mérete és sávszélessége, a modell típusa, a kvantálás, a GPU felépítése és az, hogy a választott szoftver mennyire jól használja ki a hardvert.

Az AMD Ryzen AI 9 HX 370 például 50 TOPS-os NPU-val és 80 TOPS összesített AI-teljesítményre vonatkozó gyártói adattal rendelkezik. A jóval nagyobb Ryzen AI Max+ 395 NPU-ja szintén 50 TOPS, miközben az AMD a teljes platformra 126 TOPS-ot ad meg.

Azonos NPU-szám. Teljesen más gép.

– Miért lett ekkora ügy az AMD Strix Halo?

– Mert itt az AI PC és a workstation elkezdett összecsúszni.

A Strix Halo kódnevű Ryzen AI Max család felső modellje, a Ryzen AI Max+ 395 tizenhat Zen 5 CPU-magot, Radeon 8060S integrált grafikát és XDNA 2 NPU-t kapcsol össze. A Radeon 8060S 40 grafikus számítási egységet tartalmaz.

De a legérdekesebb adat nem ez.

128 GB közös memória.

A hagyományos asztali gépben a CPU rendszermemóriája és a videokártya VRAM-ja két külön világ. Egy 16 GB-os videokártyából nem lesz 80 GB-os csak azért, mert az alaplapban van még 64 GB RAM.

A Ryzen AI Max másképp működik. A CPU és az integrált Radeon nagy közös memóriatérhez fér hozzá, és egy 128 GB-os konfigurációnál az AMD Variable Graphics Memory segítségével akár 96 GB is kijelölhető grafikus memóriának.

Ez helyi AI-nál komoly változás. Nem feltétlenül azért, mert gyorsabb lesz tőle a modell, hanem mert egyáltalán elférhet.

Az AMD 2025-ben már 128 milliárd paraméteres modellek Windows alatti LM Studio futtatását demonstrálta 96 GB grafikus memóriával. 2026-ra pedig négy Ryzen AI Max rendszerből llama.cpp használatával egy billió paraméteres Kimi K2.5 modellt is összekapcsoltak demonstrációs clusterben.

Ez már elég messze van a „Teamsben szebb lesz a hátterem” szinttől.

– Jó, de egy GeForce RTX 5090 ezt úgyis reggelire megeszi, nem?

– Ha a modell belefér a VRAM-jába, nagyon könnyen lehet, hogy igen.

Ez az egyik legfontosabb különbség.

Egy erős dedikált videokártya saját nagy sebességű GDDR memóriát, sokkal nagyobb memória-sávszélességet és hatalmas párhuzamos számítási kapacitást kínál. NVIDIA oldalon ehhez jön a CUDA, TensorRT, TensorRT-LLM és az évek alatt köréjük épült szoftveres ökoszisztéma.

Ha egy AI-modell kényelmesen elfér egy RTX kártya VRAM-jában, a dedikált GPU jóval gyorsabb lehet a Strix Halo integrált Radeon megoldásánál.

A Strix Halo másik irányból támad: 128 GB közös memóriával olyan nagy modell férhet el egyetlen kompakt gépen, amely egy gyorsabb, de 16, 24 vagy 32 GB VRAM-mal rendelkező videokártyán már nem.

Ezért helytelen egyszerűen azt kérdezni, melyik gyorsabb.

Gyorsabb miben? És elfér rajta az, amit futtatni szeretnénk?

– És az Intel? Lemaradt erről?

– Nem. Csak más egyensúlyt választott.

A 2026-os Intel Core Ultra Series 3, vagyis Panther Lake család felső Core Ultra X9 388H modellje 16 CPU-magot, 50 TOPS-os NPU-t és Arc B390 integrált grafikát tartalmaz.

Az Arc B390 már 12 Xe-magot és 122 TOPS elméleti INT8 GPU-teljesítményt kínál. Független tesztekben az integrált grafika több játékban a GeForce RTX 4050 Laptop GPU környezetébe került, ami jól jelzi, mennyit változott néhány generáció alatt az „integrált GPU” fogalma.

AI-ban az Intel egyik erős kártyája az OpenVINO és a Windows ML támogatása. A CPU, GPU és NPU egyaránt bekapcsolható megfelelő inferenciafeladatokba.

Egy PCWorld mérésben a Core Ultra X9 388H NPU-ja Llama 3.1 8B modellel körülbelül 20 token/másodpercet, a GPU ugyanebben a rendszerben nagyjából 25 token/másodpercet ért el. Ez nem univerzális Panther Lake teljesítményadat, csak egy konkrét teszt, de szépen megmutatja a munkamegosztást: ugyanaz a modell több különböző számítási egységen is futhat.

A Panther Lake más méret- és fogyasztási tartományban mozog, mint a Ryzen AI Max. Nem az egyik „Intel Strix Halo”, hanem egy más kompromisszum: erős iGPU, 50 TOPS-os NPU, nagy energiahatékonyság és általános AI PC használat egyetlen mobil platformban.

– Akkor AMD vagy Intel és kész?

– 2026-ra már ez sem ilyen egyszerű.

Az NVIDIA is egyre határozottabban beszél local AI PC-ről. Az RTX ökoszisztémában Ollama, llama.cpp, PyTorch, TensorRT-LLM, Windows ML és más inference backendek használhatók, az RTX GPU pedig nemcsak AI-gyorsító, hanem ugyanaz a hardver dolgozik játékban, renderelésben és kreatív alkalmazásokban.

2026 májusában ráadásul bejelentették az RTX Spark kategóriát is: a platformot legfeljebb 128 GB unified memóriával és Windows alatt futó személyes AI-agentekhez pozicionálják.

Vagyis az AI PC piac lassan több irányra válik szét:

• Copilot+ és általános AI PC: erős NPU, hatékony helyi AI-funkciók;
• nagy memóriás AI workstation: komoly GPU és nagy közös memória helyi modellekhez;
• RTX AI PC: nagy dedikált GPU-teljesítmény és kiforrott CUDA/AI ökoszisztéma;
• hibrid gép: helyi CPU/GPU/NPU mellett szükség esetén cloud vagy külső GPU.

Nincs egyetlen „AI processzor”, amely mindegyiket kiváltja.

– Mire lehet akkor használni egy AI PC-t a való életben?

– Attól függően, milyen gépről beszélünk, meglepően sok mindenre.

Egy egyszerűbb AI PC-n helyben működhet beszédfelismerés, OCR, szemantikus keresés, videokonferencia-zajszűrés, kameraeffekt, kisebb nyelvi modell vagy dokumentum-kezelés.

Egy nagyobb GPU-val és sok memóriával rendelkező rendszeren már más lista kezdődik:

• helyi LLM és chatbot;
• saját dokumentumokra épülő tudásbázis;
• programkód elemzése és generálása;
• képgenerálás ComfyUI-val;
• AI-alapú képfeldolgozás és felskálázás;
• beszéd átírása és feldolgozása;
• videós generatív modellek;
• AI-agentek;
• kutatási, mérnöki vagy fejlesztői inferencia;
• játék, videóvágás és 3D ugyanazon a gépen.

Az AMD ROCm 7.2.1 2026 nyarára már natív Windows PyTorch-támogatást hozott Ryzen AI Max platformokra. ComfyUI is futtatható közvetlenül Windows alatt a Radeon 8060S-en, WSL közbeiktatása nélkül.

Van azért csillag a mondat végén: az AMD saját dokumentációja szerint Windowson még nem érhető el a teljes ROCm stack, és ismert teljesítményproblémák is vannak egyes LLM-workloadoknál. NVIDIA CUDA oldalon ezért továbbra is jóval érettebb szoftveres ökoszisztémával találkozunk.

AI PC-nél 2026-ban már nem elég a hardvert nézni. A támogatott runtime ugyanolyan fontos specifikáció lett, mint a memória.

– Miért futtatnánk bármit helyben, amikor ott a ChatGPT, Claude, Gemini és a többi?

– Mert nem minden adatnak kell feltétlenül elhagynia a gépet.

Egy vállalati AI-folyamat könnyen hozzáférhet szerződésekhez, Excel-táblákhoz, beszerzési árakhoz, ügyféladatokhoz, belső elemzésekhez, piaci információkhoz, pénzügyi kimutatásokhoz vagy még nem publikált üzleti tervekhez.

Egy fejlesztőnél ugyanez lehet forráskód, konfiguráció, belső API, félkész termék vagy olyan projekt, amelyről egyszerűen nincs keresnivalója egy külső szolgáltató infrastruktúráján.

Egy valóban local runtime esetében az inferenciához használt prompt és a válasz nem hagyja el a gépet. A Microsoft Foundry Local például letöltés után teljesen offline is képes modelleket futtatni, és a Microsoft dokumentációja szerint az inferencia inputja és outputja nem kerül a felhőbe.

Ez nem jelenti azt, hogy a local AI automatikusan biztonságos. A számítógépet ugyanúgy védeni, frissíteni, titkosítani és jogosultságokkal kezelni kell. Egy internetet használó AI-agent vagy plugin pedig természetesen továbbra is küldhet adatot külső szolgáltatásnak.

A fontos különbség a kontroll: a helyi feldolgozás lehetőséget ad arra, hogy bizonyos érzékeny adatoknak egyáltalán ne kelljen külső AI-szolgáltatóhoz kerülniük.

– És tényleg meg lehet spórolni a tokeneket?

– Igen. De csak akkor van értelme a mondatnak, ha a hardver költségét is mellétesszük.

A felhős API-k egyik tipikus elszámolási módja az input- és outputtokenek alapján történő fizetés. Amíg valaki naponta néhány kérdést tesz fel, ez nem feltétlenül jelent komoly költséget.

Az agenteknél azonban megváltozik a matematika. Egy agent dokumentumokat olvas, kontextust épít, keres, összefoglal, újraértékel, eszközöket hív meg, majd újabb promptokat generálhat. Egyetlen ember háttérben futó automatizmusai nagyságrendekkel több tokent fogyaszthatnak, mint egy kézi chatbotbeszélgetés.

Helyi modellnél nincs felhős per-token díj. Van viszont gépár, energiafogyasztás és üzemeltetés.

Az AMD 2026 augusztusában már külön Tokenomics Calculatort adott ki erre a problémára. Egy gyártói példában 500 tudásmunkás közepes agentterhelésénél a számítás 40–60 százalékos hároméves megtakarítást adott 50 százalékban local, 50 százalékban cloud hibrid modellre a cloud-only használathoz képest. Ez gyártói modell, nem független gazdasági tanulmány, és az eredmény erősen függ a tokenmennyiségtől, API-ártól, gépártól és energiaáraktól.

A mögötte lévő összefüggés viszont egyszerű: nem feltétlenül érdemes egy frontier modell API-díját fizetni minden OCR-ért, dokumentumosztályozásért, összefoglalásért vagy előfeldolgozó agentlépésért.

Innen jön a hybrid AI: az egyszerű, nagy mennyiségű vagy érzékeny feladat helyben fut, a cloud pedig akkor lép be, amikor valóban szükség van a nagy modell képességeire.

– Van erre már kész PC, vagy nekem kell Linuxot fordítanom hajnal háromkor?

– Mindkét életforma támogatott, de már vannak kész gépek is.

A Minisforum jó példa arra, hogyan kezd egy gyártó több szintet építeni ugyanebből az ötletből. Az AI X1 sorozat a kompakt AI PC kategóriát célozza, az MS-S1 MAX már Ryzen AI Max+ 395-alapú mini workstation, az N5 Pro és N5 MAX pedig az AI NAS irányába viszi tovább a koncepciót.

A GamersLife jelenlegi AI számítógépes kínálatában az AI X1 és AI X1 Pro modellek mellett már az MS-S1 MAX is megtalálható. Ez utóbbi 128 GB memóriás Ryzen AI Max+ 395 rendszerként jól mutatja, hová jutott a mini PC: néhány éve egy ilyen fizikai méretű gép elsősorban helytakarékos irodai számítógépet jelentett, ma pedig ugyanebben a formátumban helyi nagy nyelvi modelleket futtató workstation épülhet.

A Minisforum saját mérései ennél messzebb mennek: négy MS-S1 MAX PC összekapcsolását is demonstrálták DeepSeek 671B Q4 futtatásához. A hozzá közölt fogyasztási és költségelőnyök gyártói laboradatok, ezért ezeket nem érdemes független benchmarkként kezelni. Maga a clusterkoncepció viszont valós: több kis gép közös inferenciafeladaton dolgozik.

– Várjunk. Játékra is jó, vagy innentől ez csak LLM-doboz?

– Az AI PC továbbra is PC.

A játékot nem az NPU gyorsítja. Ehhez CPU és GPU kell.

Viszont a modern AI platformok integrált grafikája már meglepően messzire jutott. A Radeon 8060S és az Intel Arc B390 egyaránt képes valódi modern játékok futtatására. Független Panther Lake tesztekben például az Arc B390 több helyzetben a GeForce RTX 4050 Laptop GPU közelébe került, míg a Radeon 8060S nagyobb fogyasztási keret mellett ennél is magasabb kategóriát tud megközelíteni egyes játékokban.

AI-alapú felskálázás és frame generation tovább bonyolítja a képet. Intel oldalon XeSS, AMD-nél FSR, NVIDIA-nál DLSS kapcsolódik a GPU-hoz – vagyis az „AI PC és játék” kapcsolatának egy része már rég ott van előttünk a képernyőn, csak eddig nem így neveztük.

– De ha egyszer kevés lesz az integrált GPU?

– Akkor előkerülhet a PC egyik legrégebbi trükkje: bővíteni kell.

Egy mini PC-be fizikailag nem mindig fér asztali videokártya, de egy külső grafikus dokkolóval ugyanaz a rendszer kaphat GeForce RTX vagy Radeon RX GPU-t.

OCuLink használatakor lényegében PCI Express kapcsolat kerül ki a számítógépházon kívülre. A Minisforum DEG1 és DEG2 erre épülő grafikus dokkoló; a DEG2 emellett Thunderbolt 5 kapcsolatot is kínál. OCuLink módban PCIe 4.0 x4, vagyis legfeljebb 64 Gbit/s névleges kapcsolat áll rendelkezésre.

Ez nem azonos egy asztali gép PCIe x16 csatlakozásával, tehát lehet teljesítményveszteség. Játékban ez különösen jól mérhető. AI-inferenciánál azonban más lehet a helyzet: ha a modell már bekerült a videokártya saját VRAM-jába, a számítás jelentős része magán a GPU-n történik, ezért a host–GPU kapcsolat sávszélessége nem minden workloadnál ugyanannyira kritikus.

Így érdekes moduláris gép állhat össze. Napközben egy kompakt CPU+GPU+NPU AI PC dolgozik önmagában. Ha játékhoz, CUDA-hoz, renderhez vagy nagyobb generatív feladathoz több GPU-erő kell, csatlakozik a külső grafikus kártya.

Az AI számítógépek és a grafikus dokkolók ezért nem két teljesen független termékkategória. Együtt egy bővíthető AI workstation egyik lehetséges felépítését adják.

– Akkor most melyik hardver kell melyik AI-hoz?

Feladat	Ami igazán számít
Videokonferencia, zajszűrés, kameraeffektek	NPU
OCR, beszédfelismerés, kisebb folyamatos AI	NPU / GPU
Helyi dokumentum-összefoglalás	GPU + megfelelő RAM
Kisebb helyi LLM	GPU / NPU + memória
Nagy helyi LLM	GPU + sok elérhető memória
Képgenerálás	GPU
AI-videó	Erős GPU + sok memória
Kódolási agent	GPU + RAM, szükség esetén cloud
Játék	GPU + CPU
3D render	GPU
Maximális local AI sebesség	Nagy dedikált GPU
Nagyon nagy modell kompakt gépen	Nagy unified memory

 

– És az AI NAS? Most már a merevlemezek is beszélgetnek?

– Nem a merevlemez. Az adatok mellé költözik az AI.

Ha egy helyi modell dokumentumokat, képeket, videókat vagy vállalati adatokat elemez, logikus következő lépés, hogy a számítás oda kerüljön, ahol az adatok eleve vannak. Ebből nő ki az AI NAS.

A Minisforum N5 Pro és N5 MAX például helyi modellekkel, szemantikus kereséssel és AI-agent funkciókkal kapcsolja össze a hálózati adattárolást. Az N5 MAX már ugyanarra a Ryzen AI Max+ 395 platformra épül, amelyből AI workstation is készül.

De itt álljunk meg. Az AI NAS önmagában megér egy külön történetet.

– Tehát akkor az AI PC tényleg valami új?

– Most kezd az lenni.

Az első generációban könnyű volt az AI PC-t úgy látni, mint egy hagyományos számítógépet NPU-val és néhány Windows-effekttel. 2026-ban már sokkal nehezebb ezt mondani.

Egy modern AI PC képes lehet saját modellt futtatni, érzékeny adatot helyben feldolgozni, internet nélkül dolgozni, egyes cloud tokenköltségeket kiváltani, agenteket futtatni, képet generálni, programkódot elemezni, videót szerkeszteni és ugyanazon a hardveren este elindítani egy játékot.

Ha az integrált GPU kevés, jöhet a dedikált vagy külső GPU. Ha a helyi modell kevés, jöhet a cloud. Ha egy nagy modell túl sok egyetlen gépnek, több rendszer is összekapcsolható.

Talán ez az AI PC valódi újdonsága. Nem egy újabb „AI gomb” került a számítógépre, hanem megjelent egy új választási lehetőség:

melyik számítást akarjuk odaadni a felhőnek – és melyiket akarjuk megtartani magunknak?