WiCi One 无线 eGPU 摆脱线缆，但 Wi-Fi 7 成为考验
WiCi 发布了 WiCi One 无线 eGPU，将 Wi-Fi 7、Nvidia 显卡和 4TB 存储整合为一套本地 AI 系统。该公司表示，附近的计算机可以像使用本机安装的硬件一样使用其远程 GPU。这一说法挑战了外接显卡的一项基本假设：连接必须依赖线缆。
基础配置搭载 Nvidia GeForce RTX 5060 Ti，配备 16GB 显存。WiCi 还列出了一款未来的 RTX 5090 配置，显存为 32GB。系统还配备 Intel Core Ultra 7 255H 处理器、PCIe 5.0 NVMe 存储和专用无线通信栈。
WiCi 并非只是用 Wi-Fi 替换 Thunderbolt 线缆。它提出的是一台可供笔记本电脑、手机、创作工作站及其他设备共享的计算设备。其软件提供虚拟 GPU 驱动程序、开发工具包以及常见的本地 AI 端点。
这种区别很重要，因为有线 eGPU 扩展坞已有明确定位。它们通过 Thunderbolt、USB4 或 OCuLink，让一台计算机接入桌面显卡。WiCi 希望让一块 GPU 服务于多台设备，而不必始终物理连接到其中任何一台。
这一设想对本地 AI 颇具吸引力：模型文件可能超过 GPU 内存容量，多款应用也可能需要同一加速器。困难在于，无线延迟、应用兼容性和资源争用能否在实际工作中做到无感。
WiCi One 无线 eGPU 不只是显卡扩展坞
WiCi One 封装的是一台完整的近端计算机，而不只是装在无线外壳中的显卡。
根据其已公布的规格，标准系统配备 16GB VRAM 的 RTX 5060 Ti。VRAM 是 GPU 可直接使用的高速内存。WiCi 表示，采用 32GB RTX 5090 的配置将随后推出，但最终上市情况仍未确定。
系统还包括 Intel Core Ultra 7 255H 处理器和一块 4TB PCIe 5.0 NVMe 固态硬盘。其 Wi-Fi 7 无线电支持四空间流、320MHz 信道和多链路传输。多链路运行可让兼容的 Wi-Fi 7 硬件同时使用多条无线链路。
内部处理器改变了这款产品的性质。传统 eGPU 高度依赖主机计算机，后者通过有线、源自 PCIe 的连接发送任务。WiCi One 则可以在机箱内部运行服务、管理模型、调度 GPU 访问，并提供应用程序编程接口。
WiCi 描述了三种连接路径。驱动模式会向受支持的软件呈现一块虚拟 GPU。SDK 模式让开发者能够明确控制发现、模型加载、流传输和设备管理。API 模式则提供兼容 OpenAI 的端点，使兼容的本地 AI 客户端能够向系统发送请求。
API 路径最不令人意外。本地模型服务器早已向笔记本电脑、浏览器和移动客户端提供网络端点。WiCi One 可以在自身硬件上执行推理，并通过本地网络返回生成的 token。
驱动模式则提出了更大的承诺。WiCi 表示，受支持的应用可以将远程加速器识别为标准 GPU，并且无需在应用层面进行改动即可运行。这将使该设备的用途从聊天界面扩展到渲染、视频编码、模型开发和部分游戏。
该公司列出了其虚拟 GPU 层对 macOS、Windows 和 Linux 的支持，还将 Python、JavaScript 和 Swift 列为首批 SDK 环境。不过，平台列表并不意味着它与每一种图形 API、驱动功能或应用程序都普遍兼容。
9 月 24 日的一篇发布报道称，开发者预览版计划于 2026 年第四季度推出。WiCi 自身的技术资料也将若干接口称为预览版，其名称和行为仍可能发生变化。
因此，这项发布标志着验证期的开始，而非一个成熟外设类别的到来。WiCi 已公布了具体的架构和硬件目标。开发者仍需获得实际使用机会，以测试这一设计在公司控制的演示环境之外表现如何。
其即时吸引力不难理解。轻薄笔记本电脑无需携带桌面 GPU，也能调用更大的本地模型。手机可以继续充当用户界面，而计算则留在附近的设备中。一个小型工作室理论上可让多台轻量计算机共享一块加速器。
不过，这些场景对连接提出的要求截然不同。文本生成能容忍的延迟高于交互式图形。视频导出强调持续吞吐量。游戏则需要稳定的帧交付。虚拟 GPU 层必须识别这些差异，而不能将所有工作负载视作可互换的任务。
这也是为什么 WiCi One 值得作为一个系统接受审视。其 GPU 规格会吸引注意力，但调度器、驱动程序、存储路径和无线协议将决定它是否真能带来本地加速器般的体验。
本地 AI 让无线 eGPU 更有存在理由
WiCi One 最有力的应用场景是共享本地推理，在这里，数据复用比复制桌面端连接更重要。
传统 eGPU 解决的是物理扩展问题。笔记本电脑没有容纳桌面显卡的空间，因此外接机箱提供显卡、电源、散热和有线连接。这种安排让单一主机获得更多图形性能，但会带来一定的连接开销。
本地 AI 改变了工作负载。模型可能占用数十甚至数百 GB，而实际计算在某一时刻可能只会访问其中部分权重。多款应用还可能使用同一个基础模型，同时维持各自独立的对话或工作状态。
WiCi One 的 4TB SSD 旨在让这些模型权重靠近 GPU。该公司将其分页系统称为 TurboStream，并表示会在模型运行时从 NVMe 存储中调入所需权重。分页是指在计算需要时，将选定数据载入更快的内存。
SSD 并不会真正变成 VRAM。PCIe 5.0 存储的速度仍远低于安装在显卡上的内存。性能取决于每个生成 token 所需的数据量、模型是否会激活全部参数，以及软件能否有效预测后续传输。
WiCi 在其协议架构中承认了这一差异。其技术页面指出，标称存储速度只是上限，而简单的模型卸载只能提供更低的吞吐量。该公司表示，稀疏性、预测、数据对齐和进入 VRAM 的路径都会影响实际结果。
这一限定十分重要。存储一个庞大模型与交互式运行该模型是两项不同的成就。一块 4TB 硬盘可以保存无法装入 16GB 或 32GB VRAM 的模型文件，但存储容量本身并不能保证实用的生成速度。
专家混合模型可能带来一种优势。这类模型包含许多专门的参数组，但每个 token 只会激活其中一部分。如果软件能够预判所需的专家模块，就可以避免在每一步都传输整个模型。
同样的架构也创造了有价值的共享机会。多个客户端或可使用同一份已缓存的常用模型权重，同时各自保持私有的键值缓存。键值缓存会存储每位用户会话期间生成的注意力数据。
如果缺乏协调，多款本地 AI 应用可能各自加载重复的模型副本。这会消耗内存，并在应用争用加速器时造成延迟。WiCi 表示，其调度器会在分配层面管理 GPU 内存，并复用共享权重。
这与单人游戏的关联不如与 AI 的关联紧密。一个家庭或工作室可以让编程助手、语音界面、图像生成器和文档处理器共用一套附近的系统。各设备将处理各自的屏幕、麦克风和本地文件，而 GPU 负责选定的计算任务。
它也让该产品介于两种成熟方案之间。本地工作站可提供直接的 GPU 访问和可预测的性能，但会将加速器绑定在一台机器上。云端推理提供灵活的容量和广泛访问，但需要互联网连接，并会将请求发送到本地网络之外。
WiCi 提出第三种安排：用户拥有的计算资源以网络服务的方式工作，同时仍留在附近。其模式类似于一台小型本地部署服务器，只是被包装并面向个人或小型团队销售。
这一定位解释了为何多设备支持比无线新颖性更重要。当一台计算机独占 GPU 时，线缆效率很高。当手机、笔记本电脑、机器人及其他客户端都必须访问同一系统时，无线访问则更具合理性。
对于注重隐私的工作，本地执行可将提示词、录音和图像保留在用户网络内部。但这并不意味着系统天然具备隐私性。应用程序、操作系统、模型下载、遥测和网络配置仍可能暴露数据。
存储层也带来运营层面的问题。用户需要管理模型版本、权限、加密和缓存驱逐的方式。当硬盘存放多个大型检查点、图像模型、生成媒体和工作数据时，4TB 容量会很快被占满。
WiCi 已发现一个可信的本地 AI 问题：稀缺的加速能力难以在个人设备之间共享。其方案能否成功，较少取决于最大模型尺寸，而更多取决于能否为多款日常应用提供可预测的性能。
Wi-Fi 7 改变链路，而非延迟定律
Wi-Fi 7 提供更高容量和更大灵活性，但 WiCi 必须减少软件往返，才能让无线 GPU 访问变得实用。
图形工作负载通常假设 CPU 和 GPU 通过快速、低延迟的本地总线通信。软件可以发出数千个小型操作，因为每次交换都能迅速完成。将这种通信移至网络会改变每个依赖关系的成本。
Wi-Fi 7 增加了更宽的信道、多链路运行和更高效的频谱利用。Wi-Fi 7 计划将 320MHz 信道和多链路能力列为该标准的核心特性。实际性能仍取决于客户端支持、无线环境、距离和本地拥塞情况。
原始带宽只是一个限制条件。如果应用在每次小型驱动调用后都要等待响应，即使网络延迟很短，也会不断累积。一个包含数千次顺序交换的工作负载，即便有大量未使用吞吐量，也可能停滞。
WiCi 自身的研究给出了一个鲜明例子。该公司表示，一次视觉模型推理可能发出约 20,000 次用户态驱动调用。若往返时间为 1.5 毫秒，这些调用如果按简单的顺序远程过程调用处理，将增加约 30 秒。
该公司表示，其运行时通过缓存、去重、流传输和流水线来解决这一问题。缓存会在本地响应重复请求。去重避免发送相同数据。流水线让独立操作重叠执行，而不是等待每项操作完成。
在其系统论文中，WiCi 将无线 GPU 计算描述为一个需要软硬件协同解决的问题。该方案会拦截与 GPU 相关的操作，并将选定工作转移至附近的加速器，同时尽力保持应用程序熟悉的使用体验。
这正是本文的核心机制。WiCi One 不可能仅靠将一张普通显卡连接到高速无线适配器便获得成功。它必须改变应用程序与 GPU 之间的通信频率，同时保留现有软件所期待的结果。
API 模式规避了这一问题的大部分复杂性。笔记本电脑可以发送一次推理请求，远程系统则可在内部执行数千次 GPU 操作。只有请求和流式响应需要穿过网络。
驱动模式则更具挑战性，因为它暴露了粒度更细的硬件抽象。应用程序可能需要上传资源、读取结果、同步队列、查询设备状态，或依赖特定的时序假设。WiCi 必须决定哪些操作应被缓存、批处理、预测或在远程执行。
因此，最佳性能将因工作负载而异。大型、相对独立的推理任务较为适合，因为计算量远高于通信量。如果绝大部分工作留在远程系统上，视频导出和离线渲染也能容忍一定的初始化延迟。
频繁的数据传输则没那么宽容。反复将大型缓冲区读回主机的应用程序，可能会耗尽无线链路带宽。当偶发的延迟尖峰比平均速度更重要时，交互式工作负载同样可能受到影响。
游戏构成了一项尤为严苛的测试。WiCi 表示，游戏在主机端运行并使用远程 GPU，而不是作为传统的云游戏串流会话运行。这一设计需要可靠的命令传递，以及一条经过审慎管理的已完成帧传输路径。
虚拟驱动对现代图形 API、反作弊系统、显示路径及对延迟敏感的游戏提供多广泛支持，仍尚不明确。公司的演示可以证明部分选定游戏能够运行，但尚不能证明该设备能像一张通用无线显卡那样工作。
无线环境又引入了另一个变量。在系统附近、使用兼容 Wi-Fi 7 客户端完成的基准测试，与拥挤公寓网络中的表现并不相同。墙壁、相互竞争的接入点、客户端天线以及省电行为都会改变延迟。
WiCi 列出了内置于设备中的路由器级无线硬件，但连接的两端都很重要。买家需要明确了解：客户端是直接连接 WiCi One、使用现有接入点，还是会在两种路径之间动态选择。
一致性将比峰值吞吐量数字更重要。本地 AI 用户可以接受短暂的模型加载停顿，但语音交互需要稳定的响应时序。创意专业人士需要可靠地完成导出。游戏玩家则会立即注意到偶发的卡顿。
Wi-Fi 7 为 WiCi 留出了更多工程空间来应对这些问题，但并未消除它们。该产品真正的知识产权，在于减少跨链路依赖，并调度剩余流量。
最大的主张仍需独立测试
WiCi 已披露了有用的技术细节，但其兼容性、基准测试和多用户行为仍属于公司自身的说法。
WiCi 公布了语言模型、图像生成、视频工具、渲染和游戏的性能数据。该公司称，这些测试是在生产版 WiCi One 硬件上通过 Wi-Fi 7 完成的。目前尚无广泛的独立评测验证这些结果。
对于刚刚发布的系统而言，这一缺口可以预期，但它应影响买家对本次发布的解读。基准测试可以衡量精心挑选的工作负载，却可能未触及应用程序设置、网络敏感性、散热表现和驱动故障等问题。
该产品还在一个机箱中整合了多个复杂系统。其处理器必须管理服务与调度；GPU 需要充足供电与散热；SSD 必须支撑反复读取；无线协议栈则必须在多个客户端争夺访问权时维持低延迟。
有线 eGPU 的任务更为单一：它通过标准化物理接口将一台主机连接到加速器。即便如此，用户仍会遇到带宽损失、驱动限制、休眠问题，以及不同操作系统之间支持不一致的情况。
WiCi 在承诺更广泛可用性的同时，又增加了一层抽象。其虚拟驱动必须与原本围绕本地直连硬件设计的操作系统和 GPU 软件协同工作。Nvidia、Microsoft、Apple、Linux 发行版或单个应用程序的更新，都可能改变这种兼容性。
RTX 5060 Ti 配置也划出了一条重要边界。其 16GB VRAM 可以运行许多量化后的本地模型，但更大的工作负载将更依赖系统内存和 SSD 分页。最终速度将随模型架构和上下文长度而变化。
计划中的 RTX 5090 版本将提供更多 VRAM 和计算能力。不过，更快的 GPU 也可能给无线和存储路径带来更大压力。如果加速器完成工作的速度快于数据到达速度，系统的其他部分就会成为瓶颈。
多设备访问带来了调度问题。两个轻量级推理请求共享资源的方式，与视频导出和交互式语音代理并不相同。WiCi 表示工作负载可以声明优先级，但这些调度接口仍处于预览阶段。
用户需要了解：当内存耗尽或高优先级任务到来时会发生什么？调度器会暂停另一项工作负载、逐出其模型，还是分割 GPU 时间？大型模型离开 VRAM 后，恢复需要多长时间？
安全性同样需要关注。面向多个网络设备提供的 GPU 服务，需要身份验证、加密通信、客户端隔离和可靠的权限控制。将计算保留在本地场所可减少对云服务商的暴露，但也意味着所有者需要对本地环境负责。
WiCi 的示例配对流程使用了设备指纹，这表明该公司认识到这一问题。独立评测者仍应检查凭据存储、固件更新、网络发现以及用户之间的隔离情况。
应用程序透明性也是一个需要明确边界的说法。API 客户端通常可以通过一次配置变更切换端点。驱动级支持则涉及更庞大的操作系统、框架、图形 API 和硬件功能组合。
Linux 上的 CUDA 工作负载，可能会采用不同于 macOS 创意应用或 Windows 游戏的路径。Nvidia 并未在每个平台提供相同的原生软件栈。WiCi 必须解释，在每个受支持环境中，“标准本地 GPU”具体意味着什么。
该公司的初始兼容性列表包括 Ollama、LM Studio、PyTorch、ComfyUI 和 Open WebUI 等本地 AI 工具。这些应用程序与加速器交互的方式并不相同。有些可以调用远程服务，另一些则期待直接访问框架或驱动。
API 支持成功不应被视为完全驱动兼容性的证明。同样，一项渲染基准测试也不能证明其在每个项目、插件、编解码器或应用版本中都能可靠运行。
WiCi 值得肯定的一点是，它公布的架构细节比典型的预告式发布更多。其材料直接描述了延迟问题，并承认频繁传输的工作负载可能更适合留在客户端设备上。
这种坦诚也揭示了其中的取舍。系统通过将 GPU 移离主机获得灵活性，随后又投入大量工程工作，重建一根线缆原本能够保证的假设条件。
对于早期采用者来说，这项实验或许值得。开发本地助手、机器人或共享创意工具的开发者，可以评估一种不符合普通 eGPU 分类的架构。主流买家则应等待更广泛的测试和稳定的支持矩阵。
三个信号将显示 WiCi One 是否拥有市场
下一阶段必须证明，WiCi One 能够作为共享基础设施发挥作用，而不只是一次令人印象深刻的无线演示。
第一个信号是计划于 2026 年第四季度推出的开发者预览。该预览必须提供可用的软件、清晰的安装要求，以及足以让开发者复现 WiCi 示例的文档。
在 Windows、macOS 和 Linux 上取得成功的第三方测试，将强化公司的核心主张。若预览范围狭窄，仅限于受控硬件或指定应用程序，则表明虚拟 GPU 层仍需进一步开发。
第二个信号是其在普通网络条件下的工作负载一致性。评测者应在客户端近距离和远距离条件下、存在竞争性 Wi-Fi 流量时、跨不同接入点以及持续传输期间测试 WiCi One。
平均吞吐量无法说明全部情况。测量应包括延迟分布、帧时间稳定性、模型加载后的 token 生成、干扰后的恢复能力，以及多个设备同时连接时的性能。
本地 AI 测试应区分三个阶段。模型加载衡量存储路径；token 生成衡量 GPU 与分页性能；交互响应时间则包含网络、提示词处理和输出流传输。
当模型超过可用 VRAM 时，4TB SSD 将最为重要。评测者应比较完全驻留的模型与部分卸载的模型，并报告随着上下文增长性能如何变化。这些证据将显示 TurboStream 是提供了实际优势，还是主要扩大了模型容量。
第三个信号是正式上市时的支持矩阵。WiCi 需要明确哪些应用程序使用 API、SDK 或驱动模式，以及每种操作系统适用哪些限制。
清晰的矩阵将帮助买家区分已经验证的工作流程与未来目标。它应涵盖 GPU 框架、图形 API、客户端硬件、Wi-Fi 要求、安全功能，以及软件更新期间的行为。
同一份文档还应解释多用户调度。买家需要知道系统支持多少并发客户端、哪些工作负载可以共享模型权重，以及资源优先级如何影响其他会话。
这些信号也将揭示该产品最可能面向的受众。如果 API 和 SDK 性能率先成熟，WiCi One 将更像一台经过打磨、可供无线客户端访问的本地 AI 服务器。即使通用驱动模式需要更长时间，这仍然很有价值。
如果驱动兼容性得到广泛验证且延迟保持稳定，该系统可能会在有线 eGPU 与网络服务器之间开创一个新类别。届时，创意工作和交互式图形将与语言模型推理同等重要。
云端仍是另一个参照对象。托管模型免除了硬件管理，并可扩展到单张本地 GPU 之外。但它们需要互联网访问，并将数据、服务可用性和持续使用成本置于用户直接控制之外。
工作站能提供最强的本地性能和最简单的硬件路径。但当多台轻量设备需要共享同一个加速器时，它就不那么方便。WiCi 的机会恰恰处在这两种方案之间。
因此，WiCi One 无线 eGPU 并不需要胜过每一台桌面电脑或云服务。它需要在不让性能变得不可预测的前提下，让一张附近的 GPU 更容易被有意义地共享。
这是一个要求很高的目标，但它比“无线图形”这一说法所暗示的内容更具体。该产品结合了本地所有权、网络访问、存储支持的模型，以及围绕个人 AI 设计的调度器。
对开发者和本地 AI 用户而言，一个实际问题如今已可验证：当 GPU 移到房间另一端时，他们的真实应用能否依然保持可用的速度？请关注开发者预览版、独立延迟测量结果以及最终兼容性矩阵。这些结果将决定 WiCi One 是成为新的计算层，还是仍停留在一项专门化实验。
