Personal AI 这个词，我到现在还没完全 get 到呢。。 它到底比我已经在用的 Claude、Codex，多解决了什么问题？是新的个人时代已经到来还是又多了一个可以吸引大家注意力的新词呢？ 陪我聊天、回答问题、帮你写东西，这是日常助手。查资料、做规划、调用工具，这是 Agent。记住我的偏好、接入日历和邮件，再加上一些主动提醒，就成了 Personal Agent。 功能我能理解，但为什么需要单独包装成一个新产品，并且近期以井喷的数量出现，每一个还都是隔离的，到底是何意味？ 假设我有一个个人 Agent，在出国的应用场景，可以帮我发邮件，打电话，但酒店也不一定回复这个邮件、接这个电话，如果在我线下沟通也不能直接代替我和国外的人直接交流。就拿打车这个情景，Grab搜索目的地就可以了，我上车简单的两句就可以交代清楚，Agent在其中能起什么作用呢？ 很多时候卡住的不是 AI 不够懂我，而是它接不进我真正生活的地方。 如果一件事在小程序里点几下就能完成，我为什么要先向 AI 描述需求，再等它执行，最后检查它有没有理解错？ 当然，复杂任务另说。比如行程临时变了，需要同时调整交通、住宿和会议安排，这种跨服务的协调确实很有价值。 如果是查看一个地方的旅游攻略，我可能会选择小红书或者抖音这些平台。由于这些 Personal agent 接入的底层地图能力还没有很完善，所以它安排的效果可能会不是很好。 Personal AI 产品需要证明的是：它能帮我把这些事情从头到尾办完。不能演示到「邮件已发送」，就默认后面的世界会自动配合。失败了怎么办？信息怎么更新？怎么确认真正完成？ 还有一个问题就是 Personal AI 的差异在哪里？ 就像开头提到的一个通用 Agent 完全可以很懂我，一个 Personal AI 的产品也可能需要我每次重新介绍自己。 假如我有很多 Personal Agent，写代码的、帮我做研究的、处理生活安排的，各有擅长很正常。但如果每个都号称最懂我，每个又只掌握一部分信息，最后很可能变成：我有五个私人助理，同时要给五个人做入职培训。 未来的发展方向是主动性。这确实是一个比较有前景的方向。让人思考的是它发现我可能需要帮助，可以先提醒；替我发消息、花钱、作承诺，则需要另一层授权。 懂我，不等于替我做主。 我相信个人助理有价值，也相信会有人做出值得长期使用的独立产品。但我暂时不觉得，加上 Personal 这个词，就天然比通用 Agent 更接近未来。 在国内市场，我完全可以说豆包是我最好的 Personal Agent，随时可以用，干什么都可以，基本功能免费，响应很迅速。在我遇到问题的时候还可以和豆包小姐姐打个电话诉苦寻求安慰。 我不一定需要再多一个更偏 Personal AI 的产品。如何真正给我的生活带来便利和优化，也就是有更好的更有启发的 Usecase，会更吸引我。

感觉Personal AI这波又回归了移动互联网的肌肉记忆，看用户量，而不是看ARR，所以创投圈的中登们都很兴奋，之前让他们去卖Token实在是太难受了，技能和市场根本对应不上。 而且AI时代的用户量，量级单位又低了不止一个档位，Threads当初是达到了1亿的MAU，扎克伯格才好意思在财报上主动披露，否则哪儿够看啊，但Muse才刚50万日活，Meta就按捺不住激动全世界嚷嚷了。 不过有一说一，从Muse发布到现在，Meta的股价已经涨了1/4，要知道，这可是Meta，AI行业公认的大乐子，到了自己擅长的消费级应用主场，小试牛刀就是大乘境界。 一代版本一代神，文艺复兴了，兄弟们。 至于国内市场究竟是否需要Personal AI不重要，重要的是那么多流离在外的P8P9，他们刚需Personal AI啊。 多看几步的话，微信是一柄绕不过去的达摩克利斯之剑，Personal AI能做的事情，微信都能做，但微信能做的，Personal AI未必能做到，龙哥是不是在守株待兔我不知道，微信的存在本身，就是Personal AI面临的的鲸吞之局。 感觉这一代AI创业者的憋屈还是很明显的，在B端的生产力市场，必须卡着模型大厂「看不上」同时又还有钱可赚的边界行走，稍微越线就会触发「模型吞噬一切」的团灭机制，在C端的生活化场景，又必然撞见移动互联网的传统巨头，它们在模型层可能暂时掉队，但在应用层，呵呵，个个都是磨刀霍霍，有人主动来帮忙验证赛道，那可真是义务劳动，吃干抹净的时候定当含泪感恩。

Twitter Personality AI 一周 500 万用户。 峰值 4000 美元/小时。 全部一次性 6.99 美元。 国内做 SaaS 的逻辑：上来就 99 元/月。 海外正在反向：一次性 + 病毒分享 + 动态定价。 订阅模式的死敌不是更便宜的订阅。 是「一次性付费 + 朋友推一下就值回票价」的体验。 你的产品，用户是想用一辈子？ 还是只想用一次就转给下一个朋友？

不到一年时间，我们已经从“OpenClaw”到“Personal AI Agent ”。 之前行业总说C端难以落地，但是反认知的是Instinct目前估值已经来到了100亿美元，而且日增长保持在10%。 一个月时间从Grok Bot、Muse到Cue和Bots。国庆之后字节，腾讯，阿也要加入。新一轮的AI产品军备竞赛!

1/ 🧠 為什麼未來的 personal AI computer(像 NVIDIA DGX Spark)真的能跟 data center 一較高下? 不是因為桌面變強到取代雲端,而是因為 AI 的「需求結構」正在分裂 —— 訓練留在雲端,推論回到本地。 2/ 關鍵突破一:FP4 改寫遊戲規則 70B 參數的模型,用 FP16 要 140GB 記憶體; 換成 FP4 → 只要 35GB。 一台配 128GB unified memory 的桌面機,就能跑得動以前要 8 張 H100 才能裝下的模型。 精度損失?用 QAT(量化感知訓練)幾乎可以忽略。 3/ 關鍵突破二:Memory Wall 正在被打破 LPDDR5X 頻寬不夠? •Apple M4 Ultra 用超寬位元寬度做到 ~800 GB/s •LPDDR6(2027)頻寬再翻倍 •NVIDIA DGX Spark 用 GB10 + 連貫記憶體架構 桌面端不再是「閹割版 GPU」,而是「為推論優化的新物種」。 4/ 關鍵突破三:你根本不需要 data center Data center 解決的是: ✅ 訓練 frontier model(兆級參數) ✅ 服務全球數十億用戶並發 個人需要的是: ✅ 一個跑得動 70B–200B 模型的本地大腦 ✅ 隱私、低延遲、不用月費 這兩件事根本是不同問題。 5/ 投資啟示 💡 •HBM 仍是訓練端王者(SK Hynix、Micron) •但邊緣推論晶片 + 高頻寬 LPDDR/統一記憶體會是下一個十年的新戰場 •NVIDIA DGX Spark、Apple Silicon、AMD Strix Halo、高通 X Elite —— 都在卡位 未來不是雲端 vs 桌面,是雲端做訓練,桌面做你的 AI。

我理解SaaS的逻辑，你要尽可能沟通协作，分享链接，添加人，一堆人七手八脚协同工作，一个流程要几个人分别走完，所以必须把infra撘到server上面去。 我不懂personal AI Agent要上云的逻辑，都是私密的东西，藏着自己的密码、联系人、文件、信息、所有authentication，你几乎不可能跟任何人分享你的AI Agent接入端口，完全是你自己的专属禁脔。 这玩意儿上云的唯一逻辑， 就是一个hosted container永远不断电，你自己的电脑有1%的概率断网或者断电，这样一些long horizon tasks可以24小时跑在上面。 问题是，绝大多数人早就养成了自己电脑24小时不关机的习惯，这种任务放在本地完全正确，完全不用全塞进你给我管理的container里面。 所以我说，muse和cue以及dots迟早会被反噬，迟早还会都放在本地跑， 单纯一个原因，就是一个桌面级virtual machine非常昂贵，有OS license授权，有GPU，有额外的各种资源，整个OS巨大，不能像linux kernel一样裁剪到2GB左右运行， 费钱，费CPU，费GPU，费内存，费硬盘，一切都费，跟你跑一个serverless、一个S3 storage或者某个巨大database instance或者专门request/response的EC2根本比不了，theoraticallly这东西的成本价就他妈压根降不下来，而运行的又是你自己的那点私密工作。 所以我说，muse、cue、dots这个商业模式是彻底跑不通的，就是他妈太贵了，绝大多数人是受不了的， 最后肯定还是跑在你本地，最实惠，最方便，最卫生。