重新思考AI硬件：面向自主智能体的三层认知架构

下一代自主AI系统将不仅受模型能力约束，还受智能在异构硬件上的组织方式约束。当前范式——云端中心AI、端侧推理与边云流水线——将规划、推理与执行视为单体过程，导致不必要的延迟、能耗以及行为连续性的割裂。我们提出Tri-Spirit架构，一个三层认知框架，将智能分解为规划（Super Layer）、推理（Agent Layer）与执行（Reflex Layer），各层映射到不同的计算基底，并通过异步消息总线协调。我们以参数化路由策略、将重复推理路径提升为零推理执行策略的习惯编译机制、收敛式记忆模型以及显式安全约束对系统进行形式化。我们在2000个合成任务的可复现仿真中，与云端中心和纯端侧基线对比评估该架构。Tri-Spirit将平均任务延迟降低75.6%、能耗降低71.1%，同时减少30%的LLM调用，并实现77.6%的离线任务完成率。这些结果表明，认知分解而非单纯的模型扩展，才是AI硬件系统级效率的主要驱动因素。