7月中旬的午后，室外37℃，室内湿度65%。我把一台2026款AI智能空调和一台热泵烘干机放在同一个开放式阳台区域，故意给空调增加负担：烘干机持续放热，室温变化又有滞后，等温度探头发现异常，压缩机往往已经需要大幅提频。
测试分成两组。第一组关闭AI联动，手动将空调设为26℃；第二组开启设备的Agent联动模式，厂商称该模式基于DeepSeek架构微调。两种模式的观察窗口均为3小时，其中包含一次约120分钟的全干任务。
手动控制时，空调一直在追温
烘干机启动15分钟后，传感器显示室温从26.2℃升到28.5℃。压缩机随即提频，功率峰值达到1.8 kW。
接下来的运行曲线并不平稳。空调高频制冷，温度降下来后转入低频；烘干机继续放热，室温再次上升，压缩机又重新提频。3小时内，空调累计耗电2.1 kWh，室温在25℃至29℃之间波动。
真正让人不舒服的是忽冷忽热。设定温度一直是26℃，体感却很难稳定下来。
Agent提前拿到了烘干机的状态
开启联动后，烘干机一启动，空调便通过总线读取它的运行状态、实时功率和预计排热量。空调没有额外下调设定温度，而是先改变送风方向，将气流引向房间远端。
公开产品中已经能看到类似的送风思路。三星2026款Bespoke AI WindFree Pro的资料显示，AI Direct Wind和AI Indirect Wind会根据用户位置调整气流，并每秒检测一次位置。不过，这只能说明位置感知已经用于空调控制，不能据此认定本次测试机采用了相同算法。相关信息见新浪新闻整理的产品资料。
这组测试里，真正有用的是压缩机曲线。多数时间里，空调功率维持在0.8—1.1 kW，没有像手动组那样频繁冲高。3小时累计耗电1.4 kWh，比手动组少0.7 kWh，降幅约33%。
所谓提前调节，实际只做了一件事：室温探头还没看到明显升温时，空调已经知道烘干机开始放热了。
少了0.7度电，结论仍要写窄
中山市《“人工智能+”创新清单》列出的“超省电AI大数据模型算法2.0”，写有制冷制热“至高省电40%”。这是一项产品能力描述，测试对象、房间条件和统计口径都没有与本次内测对齐。33%与40%看起来接近，却不能互相验证。
这次记录也没有覆盖多轮重复测试，以及不同衣物负载、户型和天气下的表现。因此，能确认的范围很有限：在这次工况中，提前读取烘干机状态，比等室温升高后再追着制冷更省电。
《2025年中国AI家电行业发展白皮书》提到，DeepSeek等大模型可以学习用户习惯、偏好和环境信息。但在这一轮测试里，直接影响耗电的仍是几项很具体的数据：烘干机何时启动、功率多大，以及热量会持续多久。
云端慢2到5秒，端侧也不是免费运行
测试中还出现了2到5秒的响应延迟，主要发生在指令需要经过云端处理时。对于约120分钟的烘干任务，这几秒未必会改写最终结果，但它暴露了一个问题：实时控制如果过度依赖网络，连接波动也会进入空调的控制回路。
更实用的分工，是让轻量级端侧模型或本地策略负责即时调节，云端模型处理用户偏好和较长周期的学习。家电控制关注的是动作能否稳定落地，并不需要每一次调节都调用大型模型。
常驻Agent同样会消耗算力。这次电表记录的是空调整机耗电，没有单独拆分主控芯片或NPU的功耗，因此无法回答模型本身用了多少电。至少在本次记录中，包含这些开销后的整机耗电仍低于手动组。
开一扇窗，模型就可能判断失准
协议能告诉空调烘干机正在运行，却无法完整描述房间里的气流变化。如果在烘干机旁增加电风扇，或者打开窗户，原有的排热估算就可能失准，继而出现制冷量不足。
这也是雷达、摄像头和更多环境传感器被引入家电的原因。LG Whisen View系列使用内置雷达感知用户位置和空间状态，可在无人时切换节能模式，并根据环境变化调整送风方向。但传感器增加以后，算法仍要面对家具摆放、开窗和临时热源等变量，不能只靠一次建模长期运行。
买AI空调，先问它能和谁联动
能效等级仍然要看，它反映的是空调自身效率。至于Agent功能，可以继续追问几个更具体的问题：
- 空调能否读取烘干机的运行状态和功率，还是只能接收开关指令？
- 联动是否限于同一品牌，能不能接入跨设备或跨品牌协议？
- 关键调节是在本地完成，还是断网后就无法继续？
- 判断失准时，用户能否手动接管并查看耗电记录？
这次3小时测试中，Agent模式少用了0.7 kWh，室温波动也更平缓。它给出了一个有效样本，却不足以支持“AI空调普遍省电30%”这样的结论。
所谓懂得省电，在这里落到了两个动作上：更早知道热源启动，让压缩机少做几次急加速。协议接不上、数据读不准或网络响应太慢，AI标签带来的效果都会打折。
