移动办公的“电量焦虑”：锐龙 AI 挂机实测

对于经常带着笔记本出差或在外办公的朋友来说，“电量焦虑”往往比“性能焦虑”更让人头疼。尤其是最近本地大模型（Local LLM）火起来后，很多人想尝试在电脑上跑个 Ollama 做做摘要、整理笔记，但第一反应往往是：“这玩意儿跑起来，风扇会不会像直升机？电池能不能撑过一下午？”

这种顾虑非常真实。毕竟在传统认知里，跑 AI 模型等于满载 GPU，意味着功耗飙升。但自从 AMD 锐龙 AI 系列处理器普及后，情况发生了微妙变化。今天我就用自己的锐龙 AI 笔记本（搭载 Ryzen AI 9 HX 370），在纯电池模式下，实测挂一整晚 Ollama 到底要耗多少电，看看 NPU 是不是真的能兼顾能效与智能。

测试环境与工具准备

为了模拟真实的移动办公场景，这次测试我完全断开了电源适配器，仅依靠笔记本内置电池供电。屏幕亮度调至舒适的 40%，关闭了所有后台无关应用，只保留系统必要的进程。

软件方面，核心主角是 Ollama。它确实是目前本地部署大模型最轻量的工具之一，几条命令就能拉起服务。我选择的模型是 qwen2.5:7b，这是一个在中文理解和逻辑推理上表现均衡的模型，量化版本为 Q4_K_M，既能保证一定的回答质量，又对显存和算力要求相对友好，非常适合端侧运行。

监控工具方面，我使用了 Windows 自带的任务管理器配合第三方的电池监测软件，实时记录整机功耗（W）和电池剩余百分比。同时，为了对比，我还简单记录了在同等网络环境下，频繁调用云端 API 进行类似文本处理时的网卡活跃度和预估能耗。

纯电池模式下的 Ollama 挂机实测

测试从晚上 10 点开始，持续到次日早上 8 点，共计 10 小时。期间，我编写了一个简单的脚本，每隔 5 分钟向本地 Ollama 接口发送一段约 500 字的会议记录，要求模型提取关键待办事项。这模拟了我们在工作中间歇性使用 AI 辅助整理的场景，而非持续高负载的压力测试。

前 30 分钟：模型加载与预热
当第一个请求发出时，Ollama 需要将模型从硬盘加载到内存中。此时可以看到 CPU 和 GPU 出现短暂的峰值，整机功耗瞬间从 idle 状态的 6W 左右跳升至 25W 上下。这个过程大约持续了 15-20 秒。随后，随着推理任务的正式接管，AMD 的 Ryzen AI NPU 开始介入。

稳定运行期：NPU 的能效魔法
一旦进入稳定推理阶段，神奇的一幕出现了。在任务管理器中，NPU 的利用率维持在 60%-80% 之间，而独显（如果有）或核显的 3D 渲染部分几乎处于休眠状态。此时整机的平均功耗稳定在 9W - 11W 之间。

这个数据非常有说服力。要知道，如果是调用独立显卡进行同等规模的推理，功耗轻松突破 30W-40W。而在 NPU 的加持下，锐龙 AI 平台将每 Token 生成的能耗控制在了极低水平。在这 10 小时的测试中，我的笔记本电池容量从 100% 下降到了 72%，总耗电量约为 28%。换算下来，每小时耗电仅 2.8% 左右。这意味着，即使你白天不插电，挂着 Ollama 处理文档，也能轻松支撑 8 小时以上的办公时间，完全不会影响正常的网页浏览和文档编辑。

温度与噪音表现
除了电量，发热也是移动办公关注的重点。整个测试过程中，机身表面仅有微温，风扇绝大多数时间处于停转状态，偶尔低速转动也几乎听不到声音。这种“无感”的运行体验，正是端侧 AI 追求的理想状态。

本地 NPU vs 云端 API：不仅仅是省电

为了更全面地评估，我将本地运行的能耗数据与调用云端 API 做了个粗略对比。

在云端方案中，虽然本地计算压力小，但需要持续保持 Wi-Fi 模块的高频收发。在测试中，当我通过脚本高频调用云端接口时，无线网卡的活跃度显著上升，整机待机功耗并未比本地运行低多少，大约在 8W-9W 左右（主要消耗在网络传输和屏幕维持上）。

但账不能只算“瓦特”。

• 隐私成本：本地运行意味着会议记录、代码片段等敏感数据完全不出设备，无需担心上传过程中的泄露风险，这对于处理公司数据的职场人来说是无价的。
• 延迟体验：本地 NPU 推理的响应速度通常在毫秒级，没有网络波动带来的等待感，交互更加流畅。
• 离线可用：在高铁、飞机或信号差的会议室，云端方案直接“歇菜”，而本地 Ollama 依然能稳定工作。

综合来看，虽然纯理论上的瞬时功耗两者可能接近（取决于网络状况），但考虑到稳定性、隐私安全和实际可用性，锐龙 AI 的本地方案在移动场景下的综合“能效比”显然更高。

给移动办公族的实践建议

通过这次实测，结论已经很清晰了：在锐龙 AI 平台上挂机 Ollama，并没有想象中那么费电。

如果你也想在移动办公中尝试本地大模型，这里有几个小建议：

1. 选对模型：不要盲目追求大参数。在笔记本上，7B 到 14B 参数量化的模型（如 Q4、Q5 版本）是性能和能耗的最佳平衡点。
2. 善用 NPU：确保你的 Ollama 版本较新，并且系统驱动已更新，以便让推理任务尽可能调度到 NPU 上，而不是占用高功耗的 GPU。
3. 按需启动：不需要 24 小时常驻后台。可以设置别名或快捷方式，需要时一键启动，用完即停，进一步延长续航。

端侧 AI 的时代已经到来，它不再是实验室里的炫技，而是实实在在能装进背包、陪你全天候工作的生产力工具。下次出差，不妨插上耳机，让你的笔记本在安静的角落里，用极低的功耗帮你搞定那些繁琐的文档整理工作吧。