我们睡觉，它干活：断网也能跑的本地 AI 你用过吗？

AI行业观察

DeepSeek 峰值涨价五倍之后，有人把 AI 员工塞进了你的电脑

"水龙头和水井的账，每个人心里都有自己的算法。但至少从今天开始，你多了一个选项：把 AI 员工领回家住。"

先跟你报两个数字。

第一个，DeepSeek 正式调价了，峰值时段的 Token 价格跟之前比涨了五倍。第二个是我自己：ChatGPT Pro 一个月 200 美元，一年 2400 美元，一万七千多块人民币，够买一台能跑本地模型的新电脑了。

我在直播间半开玩笑地说，照这么涨下去，以后用 AI 是不是得定闹钟，专挑凌晨闲时用。

笑完有点心酸。云端大模型就像一个装在你电脑外面的水龙头，水流大小、水费多少，全看别人脸色。网线一拔，连水都没有。

在吴晓波频道「AI未来谈」的直播间，我请来了一个给出另一种答案的人：元空AI 创始人 Davis（逄大嵬）。他的答案很直接：别把希望寄托在水龙头上，把水井打在自己家里。他们的新产品元空AI Work，把模型和 Agent 一起装进你的电脑，断网也能干活，数据不出你的门。

怎么验证断网？Davis 的方法很原始：网线拔掉，Wi-Fi 关掉，看任务还跑不跑。

听起来像玄学？我一开始也怀疑。但聊了两个小时，我觉得这事值得认真说道说道。

十几个人，三级跳

Davis 平时几乎不做直播，这是头一回。但他们的产品，你大概率刷到过：ChatExcel。

2023 年 3 月上线。什么概念？GPT-4 刚出来没多久，豆包还没影，Kimi 也没影。界面放到今天你会觉得很眼熟：右边聊天框，左边 Excel，打句话就处理表格。

但今天大家觉得理所当然的东西，当时没人信。Davis 说，一直到 2025 年下半年之前，他每次都要回答同一个问题：你们这跟 WPS 有啥区别？跟 Office 有啥区别？

为什么挑 Excel 下手？两位技术合伙人是北大博士，GPT 火之前就在研究用 AI 处理数据。还有一个很少人意识到的原因：Excel 是 AI 应用里容错率最低的领域，没有之一。

AI 出图歪了，再生成一张；文案不通顺，再改一版。但报表里一个小数点错一位，就是事故。更麻烦的是，只要错一次，用户就再也不信你了。所以你会发现，文生图、AI 短剧满天飞，数据类产品却出现得最晚。

今年 1 月，"小龙虾" OpenClaw 在 X 上刚有热度的当晚，他们团队就抓到信号，把代码拉下来研究，第二天已经跑起来了。Davis 发朋友圈的时候，一堆人还在问：什么叫龙虾？

他们本来想抢全国第一批发小程序版，结果被一件事卡住：备案。备案下来又赶上春节，硬生生晚了。Davis 当时判断大厂一个月后跟进，结果两周，全都来了。

再后来就是元空AI Work，6 月就推出了，但客户端名字到现在还叫 ChatExcel。我问他为什么不改名，答案很实在：几百万老用户就是冲着"聊天处理 Excel"来的，每天还在新增，名字一改，选择成本反而高了。

十几个人，三年，从 ChatExcel 到 Claw 再到 Work。你要问我这说明什么，我的答案是：这个团队对技术浪潮的反应速度，是按天算的。

小模型不是阉割版

聊到这里，必须直面那个最扎心的问题。

去年 DeepSeek 火了之后，人人都在往本地装模型，动不动就一百多 G。我身边真有人装过，兴奋了一阵子，然后问我：然后呢？拿它干嘛？

这也是我抛给 Davis 的问题。他的回答很形象：你只把脑子装进电脑了，手和脚还在外面。

一个能真正干活的本地 AI，光有模型远远不够。你说"帮我把电脑里 100G 的文件数据做个分析"，这活儿可能要跑一个小时。中间要调用工具、自我纠错、断点续跑，这就是 Agent Runtime。很多产品一跑长任务就崩，原因就在这里。

还有记忆。你跟普通 Bot 聊一百轮，前面就全忘了，因为上下文长度有上限。真正能干活的 Agent，得记住你写周报喜欢把利润率放前面、收入放后面，下周接着用。元空的做法有点极客：用类似 Git 仓库的方式把记忆分层存，还做无损压缩，不然记忆文件会无限膨胀。

手脚装好，再说脑子。云端模型动不动上万亿参数，本地只能装 8B、27B、35B 这种小个子，能力跟得上吗？

Davis 的解法是自己做端侧模型，做后训练：不追全能通才，定向训练办公和数据场景。你让它写 AI 短剧剧本，它确实不行；但写文档、做数据分析，后训练过的 27B 可以更快、更准，Token 消耗还更低。医疗、科研这些"数据绝对不能上云"的场景，就是他们最早啃下来的硬骨头。

"他还放了句狠话：能二十万解决的问题，为什么一定要花两百万？ 企业为了跑一个"满血"私有化大模型，几十万上百万的硬件砸进去。其实一个部门级场景，十几二十万配一套 27B、35B 的方案，效果足够接近。"

这话我认。很多公司买大模型，像为了通勤买一辆坦克，参数很性感，油耗很骨感。

Prompt 不用学了

直播里有个瞬间我印象很深。

我问 Davis，你们网站上以前那么多提示词教程，现在还有用户问怎么写 Prompt 吗？他说问的人还有，但他的回答已经变了：任意问，任意用。

什么意思？模型聪明到一定程度，你怎么问已经不那么重要。Davis 的判断更激进：在很多工作场景里，模型能力已经超过 99% 的人。 这时候真正拉开差距的，是你知不知道自己到底要解决什么问题。

说白了，How 已经不值钱了，Why 和 What 才值钱。目标选错了，AI 执行得再漂亮，也是高效率地走错路。

那打工人现在最该学什么？他的建议朴素得不像 AI 公司创始人说的：把市面上的好产品都用一遍，而且要用付费的。你只有用过好的，才知道此刻 AI 的上限在哪。

我补一句自己的观察：这也在悄悄改变公司的组织方式。一个会给 AI 定目标、验结果的人，正在顶过去一个小团队。

记忆才是护城河

如果你只记住这篇文章的一个观点，我希望是这个：未来人和人之间用 AI 的差距，很大程度上是记忆的差距。

同一个 Agent，你用三个月，不断告诉它这么对、那么不对，它越用越顺手。另一个人今天刚装，觉得也就那样。你们用的已经是两个物种了。

这还只是个人记忆。往上一层是组织记忆，更值钱。Davis 举了个例子：公司里有人定义出一套很好的指标体系，销售率、利润率、回款率怎么排、怎么看，这套东西以前只长在老员工脑子里。把优秀员工的记忆沉淀下来，复制给全公司的 Agent，这件事的价值远超买一个更贵的模型。

优秀员工和普通员工的差别，从来不在于听不听话，在于经验和路径。现在，这些第一次可以被复制了。

问题也跟着来：记忆怎么迁移？换电脑怎么办？组织里谁能看谁的记忆？Davis 说这些都在做，权限和共享是下一个战场。我信，因为记忆一旦沉淀下来，迁移成本本身就是新的护城河。

日抛型软件

聊到未来，Davis 扔出一个我琢磨了一晚上的词：日抛型软件。

他的判断是，两三年之后，企业内部很多系统和流程，根本不需要长期固化成一个软件。你把想要的结果说清楚，中间过程 AI 全部自己跑完，用完即走。今天企业买软件，本质上在为"中间过程"付费；等 AI 把过程黑盒化，你只需要为结果付费。

他自己是软件老兵，这个判断有出处。传统软件工程是一条漫长的翻译链：业务把需求翻译给产品经理，产品经理翻译成文档和原型，程序员再翻译成代码。每过一手，都有损耗和成本。现在终端用户直接跟模型对话、直接拿结果，中间的翻译环节正在被压扁。

我追问他，那现在的 Work 产品算什么？他的比喻我很喜欢：今天的 AI 应用，像电刚发明时候的灯泡。 大家都在比谁的灯泡更亮、更小、形状更特别。但灯泡只是开始，真正改变世界的，是电进入了每一台机器。

往终局看，逻辑其实很硬：全球 GPU 和云端算力总归有限，但设备是无限的。每个人手里有手机、电脑，工厂里有机器，实验室里有仪器。模型变小，装进每一个设备，所有设备都具备某种智能，世界就完全不一样了。

结尾

直播最后，我问 Davis 创业什么感受。他说自己是连续创业者，创业就是一种生活方式，很享受。

我又想起他中间说的一句话：AI 应该让人类生活更幸福，而不是更焦虑。我们睡觉，它干活。

回来算账。云端 200 美元一个月的订阅，峰值涨价五倍的 Token；本地 49 块钱一个月起步，一台 32G 内存的新电脑就能跑，断网都不断工。

水龙头和水井的账，每个人心里都有自己的算法。但至少从今天开始，你多了一个选项：把 AI 员工领回家住。

更多对话细节

嘉宾：元空AI 创始人 逄大嵬Davis

主持人：非凡产研 创始人 吴畏

AI为什么从 Chat 走到了 Work？

吴畏：现在很多人对 AI 的理解已经不只是聊天了。它开始有定时任务、有 Skill，可以替你完成复杂或者重复性的工作，已经从 Chat 到 Agent，再到 Work。一旦进入 Work，它就要操控电脑、浏览器，读取和处理文档，数据安全的问题也跟着来了。

我想先问一个最直接的问题：今天这种 Work Agent，跟以前大家用的豆包、DeepSeek、Kimi、ChatGPT，或者纯聊天产品，区别到底在哪？为什么是现在开始出现？

逄大嵬 Davis：其实拿我们自己的产品迭代过程，就能回答这个问题。

元空AI Work 是从 ChatExcel 一路迭代来的。ChatExcel 2023 年就上线了，算是非常早的一批用 AI 处理 Excel 的产品。我们从第一天开始就认为，AI 产品不应该只是简单聊天，而应该去解决数据问题、复杂任务问题。所以那个时候我们就讲一句话：ChatExcel，聊天就处理 Excel。

当时的产品形态，今天看其实很熟悉：右边是 Chat 对话框，左边是 Excel 的预览和编辑区。但一直到 2025 年下半年之前，我每次都还要回答一个问题：你们跟 WPS 有什么区别？跟 Office Excel 有什么区别？因为在 2023 年，很多用户根本不相信"聊天能改 Excel"这件事。

从 2023 到 2024、2025，再到 Agent、Multi-Agent、今天的 Work，底层模型在升级，Agent 的处理链路也在变化，但交互方式其实没有完全推翻。真正发生变化的是：AI 从回答你，变成开始替你执行。

吴畏：所以为什么当时会从 Excel 切入？Excel 这个场景看起来很办公，但其实又很难。

逄大嵬 Davis：对，我们从一开始就没有把 Excel 只当成 Office，而是把它当成一种数据格式。

Excel 难做，是因为它不是一段纯文本。格子的顺序、上下级勾连、左右关系，本身就是一种空间关系，是带信息的。A1、A2、B2、A21，这些位置本身就有信息。所以 Excel 和数据为什么难做？因为它不是单纯靠 Token 就能推导出来的。

更重要的是，数据产品的容错率几乎是零。AI 图片出错了，你可以再生成一张；AI 文字不满意，可以再改一版。但 Excel 里小数点差一位，结果就不能用了。更严重的是，一旦错过一次，用户可能就不再相信你。没有信任，他就不会再用。

吴畏：那基础模型越来越强之后，你们最大的体感是什么？

逄大嵬 Davis：如果说什么时候感知最明显，我觉得是 2025 年。基础模型能力上升以后，我们的能力也跟着上升。

其实我们 2023 年做的时候，就是用 Coding 能力在做。以前很多人问：你们是不是把多少个 VBA 函数替换掉？其实不是。我们从第一天就相信模型的 Coding 能力，用代码去处理任务。

但只靠模型也不够。为什么今年这么多 Work 产品出现？本质上是基座模型能力和 Agent 框架能力同时上升了。如果没有 OpenClaw、Hermes Agent 这类框架出现，Work 不会这么快爆发。今天需要一套脚手架工程，把模型真正组织起来，让它能连续执行任务。

所以我觉得，Work 的爆发不是某一个模型突然又聪明了，而是"模型 + Agent 框架"同时过了一个临界点。

OpenClaw 的热度过去了，但它把 Agent 的一套基本功留下来了

吴畏：今年年初 OpenClaw 突然爆火，很多人春节都在装"小龙虾"。后来热度又很快下来了。但我自己的感觉是，它虽然不一定变成了一个长期高频产品，却给后来很多 Work Agent 留下了非常重要的框架思路，比如 Memory、心跳机制、定时任务。

你们为什么当时跟得那么快？

逄大嵬 Davis：因为我们一直在做 Agent，也一直在做基础模型。OpenClaw 在 X 上刚有热度的当天，我们晚上就抓到这个信号，把代码拿下来研究。整个团队其实挺惊讶的，觉得这个框架很厉害。第二天我们就装上、跑起来了。

当时很多人还不知道什么叫"龙虾"。但我们很快发现，它特别适合解决一些以前解决不掉的问题。它的心跳机制、Memory 的处理方式，都非常值得学习。

所以春节之后，我们很快做了小程序版的元空AI Claw。后来这个产品没有再单独重投入，是因为我们把很多机制迁移进了新的 Work 平台。

我一直觉得，OpenClaw 跟 DeepSeek 有一点像：它非常好地教育了市场。它让终端用户、企业用户甚至大厂都第一次非常具体地意识到，Agent 不是一个聊天框，它可以有记忆，可以自己定时，可以持续执行。

吴畏：那元空AI Work 是从什么时候开始做的？

逄大嵬 Davis：做完 Claw 之后，我们就发现用户需求明显变复杂了。

我们已经不只是处理 Excel。从 Excel 扩展到 Word、数据库、复杂业务场景，多文件、跨文件都在做。这个过程中，旧框架开始限制你，所以做完 Claw 之后，我们其实就已经开始做 Work。

产品大概 5 月底、6 月份就出来了。大家印象里 OpenClaw 是二三月份全民装，四月份热度往下走，我们五月份已经开始往下一代 Work 产品走了。

吴畏：所以 AI 创业公司很重要的一件事，确实是得不断变。

逄大嵬 Davis：我觉得不论大厂还是小公司，都在回答同一个问题：怎么快速往前跑。

我们小厂每周快速发版本，大厂也一样，模型和产品都在高频迭代。至少在 AI 这波浪潮里，第一波仍然是技术驱动，因为大模型的技术上限还没有到。模型、Agent、设备是一整个技术组合，这个组合还在快速变化。

为什么要把模型"塞进电脑"？端侧解决的不只是安全

吴畏：你们现在越来越强调"端侧"。简单讲，什么叫端侧模型？

逄大嵬 Davis：你可以理解成，把一个很聪明的大脑装到本地电脑里。

云端模型很好理解：模型跑在服务器上，你的电脑只是入口。网线一拔、Wi-Fi 一关，它就没法 Work 了。端侧模型是把一部分智能能力真正放到电脑、工作站、算力盒子里。很多公司要求不能联网，那你依然可以在本地做 Excel、做 PPT、写文档、整理文件夹、做数据分析。

我们现在把自己定位成端侧智能公司。因为我们越来越确定，最终模型和 Agent 会进入各种设备：AI PC、工作站、科研设备，甚至更多 IoT 设备。所有设备都会具备某种智能，这个智能不一定非得是几百 B 的大模型，也可能只是一个 8B、27B、35B 的模型。

吴畏：那普通电脑真的已经跑得动了吗？

逄大嵬 Davis：这个问题要放在时间轴上看。以前你要离线跑，往往得上大型算力服务器；现在 2026 年的新 AI PC、AI Station 已经在往这个方向靠了。

最简单的指标，内存至少 32G；理想情况下 64G 以上，特别是统一内存、共享显存比较大的设备，会更顺畅。当然，三千块钱的老电脑还是跑不了。但今年新出的很多设备，已经慢慢具备这个能力。

而且端侧不只有一种形态。一种是单机，一台笔记本、一个工作站；另一种是局域网，一个算力盒子带十台普通电脑；还有一种是端云混合，本地装 7B、8B、9B 小模型，简单任务本地做，复杂任务再由云端算力补偿。

吴畏：但问题来了：云端模型动辄几千亿、万亿参数，本地可能只有 8B、27B、35B。小模型怎么和大模型比？

逄大嵬 Davis：今天大模型厂商追求最大参数量，本质上是在做一个超级聪明的"通才"。端侧天然受物理空间限制，不可能把所有参数都装进去。

所以端侧的思路不是跟云端比谁更"全能"，而是做后训练，把它定向训练成一个"专才"。

比如我们的端侧模型，如果让它生成 AI 短剧，肯定不是我们擅长的；但让它配上元空AI Work 去写文档、做数据分析，我们就可以做到更快、更准，Token 消耗还更低。我觉得未来端侧 AI 就会越来越像这样：做视频的模型、做办公的模型、做科研的模型、做医疗的模型，各自不一样。通才放在云端，专才进入设备。

吴畏：所以模型不是越大越好。

逄大嵬 Davis：对。模型大之外，还有几个现实问题：安全、成本、速度、稳定性。

云端高峰期可能更贵，也可能更慢。很多严肃业务场景不能接受延迟。端侧不只是"数据安全"这么简单，它还意味着任务不受云端流量和网络环境影响；另外经过定向后训练，在特定场景里也可能更准确。

后训练正在变成真正的竞争点：不是再"教知识"，而是教它怎么做事

吴畏：你反复提到"后训练"。这个词最近越来越重要，能不能讲得通俗一点？

逄大嵬 Davis：2025 年以前，很多团队主要在做预训练。预训练干什么？就是让模型通过大量 Token 学知识，模型参数量一路从几十 B 往上卷。

但预训练这一层，大厂和开源模型已经做得非常深了。现在越来越多人把重点放到后训练。因为基础智力到一个阶段以后，你要回答的是：怎么把某一个方向的能力强化出来。

以前可能更像"给它读书"，现在越来越像"教它干活"。

吴畏：具体怎么教？

逄大嵬 Davis：比如办公场景：你输入一个文件，让它帮你生成一份文档。你先输入什么，Agent 返回什么，它调用什么 Tool、什么 Skill，这就是一条任务轨迹。

同样一个任务丢给云端模型，你会发现它每次走的链路可能不一样。轨迹训练做的事情，就是告诉模型：看到这种任务，更优的路径是什么。让它把"最佳实践"学进去。

今天已经不只是传统的数据标注。特别是模型要从数字世界走向物理世界以后，就要有真实环境数据、任务轨迹、设备交互数据。单纯标注一条"这是什么"已经不够，你要告诉它"遇到这个环境应该怎么做"。

吴畏：这是不是也意味着 Prompt 工程会越来越弱？以前大家学提示词，后来学 Workflow，现在又说 Agent 自己会规划。

逄大嵬 Davis：对。以前我们网站上写了很多提示词教程。后来模型越来越强，用户再问我"怎么写提示词更好"，我的回答已经变成：任意问、任意用。

我觉得现在这个时间点，不需要死磕某一个工具。更重要的是学会怎么把问题说好、怎么归纳自己的问题。思辨能力反而更重要。

"怎么做"——How——会越来越便宜；Why 和 What 会越来越重要。

因为你目标选错了，后面做得再快也没有意义。

吴畏：这个判断我比较认同。模型越来越强以后，真正稀缺的可能不是操作工具，而是知道自己到底要解决什么问题。

逄大嵬 Davis：对。我甚至会说，在很多工作场景里，模型能力已经超过绝大多数人。今天真正重要的是，你能不能把问题说好，知道自己的问题是什么。

一个本地 AI 真正"能工作"，靠的不是一个模型，而是一整套系统工程

吴畏：我觉得很多人以前做本地部署时都有一个问题：模型装完了，然后呢？

DeepSeek 刚出来的时候，身边很多人特别兴奋地本地部署，装完以后发现也就是聊天。现在为什么不一样？为什么你说"它开始能工作了"？

逄大嵬 Davis：这也是一个发展过程。只把模型变小、装进电脑，很容易变成炫技；只装一个智能体，但背后还连云端，也不难。

真正难的是：模型和 Agent 一起放进电脑里，让它在本地干活。你不能只有大脑，没有手和脚。

所以我们会强调一个定语：复杂任务、真实生产力。

吴畏：那这个"手和脚"具体是什么？

逄大嵬 Davis：第一个关键词是 Agent Runtime。

比如让它分析电脑里 100G 文件，这不可能一分钟完成，可能十分钟、一个小时，甚至十个小时。Runtime 的意思是，只要电脑不断电、不关机，任务就不能中断。它要能自己纠错、自己找工具、装工具，持续执行。

很多产品简单任务很好看，一跑长任务就容易错掉。可真正的工作往往就是长任务，而且会跨文件、跨软件：把一个文件夹里的东西搬到另一个地方，把不同格式文件合在一起，再生成一个新的结果，继续处理。

第二个关键词是 Memory。

很多 Bot 你聊一百轮以后，前面已经忘了。因为上下文长度天然有上限。真正进入工作以后，你希望它能记住你的习惯。比如你写周报喜欢把利润率放前面、收入放后面；下周再问，它还能把上周的指标体系拿出来。

这时候你需要长期记忆、甚至永久记忆。

吴畏：但长期记忆不是越存越大吗？

逄大嵬 Davis：所以背后会涉及压缩、索引、分层存储。你一方面希望不要丢信息，另一方面又不能无限膨胀。

我们现在会用类似 Git 仓库的方式，把不同记忆文件分层存放。这不一定是唯一最优解，但至少是我们目前找到的一种路线。

再往后还有更重要的事情：记忆怎么迁移？你换一台电脑，之前积累的上下文能不能一起带过去？一个优秀员工形成了一套很好的指标体系，这其实已经不是个人记忆，而是组织记忆。能不能把优秀员工的 Memory 沉淀下来，再复制到组织里？我觉得这会非常有价值。

吴畏：这其实有点像过去的知识库、RAG，但又更进一步了。因为它不是"存知识"，而是在存这个人、这个组织怎么做事。

逄大嵬 Davis：对。明明这件事情做过了，为什么还要再做一遍？真正好的 Agent，不只是听话，它应该越来越有经验。

还有一个现实挑战是环境。真正把 Agent 放进本地以后，你面对的不是一个统一的云端 Linux 环境，而是各种 Windows、Ubuntu、鸿蒙、统信、麒麟，各种版本、各种本地软件。用户真实环境非常复杂。

所以今天做 Work Agent 已经不是一个单点产品能力，是完整系统工程：模型、Runtime、Memory、Tool、Skill、操作系统、硬件适配，缺一个都可能让真实客户用不起来。

端侧最先进入的，可能就是那些"数据绝对不能出去"的场景

吴畏：什么样的用户，现在最需要端侧 Work Agent？

逄大嵬 Davis：一个很典型的场景是医疗科研的数据分析。

用户可能一次给你一个文件包，里面有 Excel、PDF、图片、仪器导出来的数据，甚至还要连内部数据库。这些实验数据、医疗数据很多情况下绝对不能上云。

那怎么办？就在端侧处理。它要解压缩、识别不同文件格式、把不同来源的数据一起汇总，再做分析。你会发现这本身就是一个多文件、多步骤的长任务。

最后科研人员最直接要的，是一份分析报告；再往前走，是根据分析结果给出下一步实验建议。比如哪个指标有问题，pH 值是不是不对，要不要调整试剂。再往后就是 AI 真正进入实验闭环。

吴畏：这也是你们为什么会切 AI for Science？

逄大嵬 Davis：其实很自然。我们从 2023 年就一直做数据分析，很多科研人员本来就在用我们的产品做数据、做报告；我们团队本身也有北京大学做科学智能、AI for Science 的研究背景。

科研为什么适合 AI？因为它本身就是一个循环：读大量论文，提出假设，设计实验，验证，再产生新的假设。新药研发为什么时间长？就是要做成千上万次实验。AI 最直接的价值，就是把文献、假设、实验设计、验证这条循环加速。

我们前段时间开源了 OpenAI4S（Open AI for Scientist），里面有三十多种科研 Skill。你可以把它理解成一个虚拟科研实验台：蛋白质、小分子、材料，不同方向有不同环境、不同 Agent、不同 Skill。

底层技术路线其实和 Work 是一致的：端侧模型，上面叠 Runtime、Memory、Agent 和 Skill。办公是一个场景，科研是另一个场景。

吴畏：企业内部也一样。个人用户可能对数据安全没有那么敏感，但到了企业，每台电脑能 Access 什么数据、什么环境能不能联网，都有严格要求。

逄大嵬 Davis：对。很多制造企业的工厂不能联网，政府、金融、医疗、科研院所、实验室也都有强隔离环境。我反而觉得，到今年，AI 才真正有机会进入这些以前进不去的场景。

还有成本问题。企业不一定每个人都要买一台高配 AI PC，可以在局域网里放一个算力中心，五个人、十个人一起用。普通员工还是用自己的老电脑，通过局域网获得 AI 能力。

如果企业已经有私有化模型，也可以只接 Agent 和 Work；如果没有，我们也可以模型加 Agent 整套交付。

我觉得这里最关键的一点是：没有必要为了所有能力都堆一个"满血大模型"。如果一个 27B、35B 的模型经过后训练，在办公、科研这些特定场景里已经能解决问题，那为什么一定要花十倍的钱？

两三年后，软件可能会变成"日抛型"；人真正应该保留的是判断问题的能力

吴畏：我们把话题再往远一点。现在是 AI 员工住进电脑，未来它可能进入更多设备。那人在哪里？人和这些智能电脑、智能设备怎么协作？

逄大嵬 Davis：本质上是在问未来生产力关系是什么。

我觉得今天大家做模型、做各种 Agent，有点像电刚出现的时候，大家先做不同的"灯泡"：这个更亮一点，那个更小一点。现在很多 Work 产品，依然是在改善已有任务。

下一个阶段更值得看的是：AI 到底能解决哪些以前解决不了的新问题。

办公其实已经有很多事情可以让 AI 自己做，比如人离开电脑以后，让它整理文件、整理数据。更难的是具身和科研——让机器人在物理世界干活，让 AI 真正进入实验现场。因为这些领域可参考的数据更少，所以还需要时间，但我觉得一两年内，一些行业场景就会非常明显。

吴畏：那两三年后的企业软件，会是什么样？

逄大嵬 Davis：我想用一个词叫"日抛型"。

今天企业内部有大量数字化系统、办公流程，未来很多东西可能不需要长期固定做成一个软件。你只要把想干的活、想要的结果、任务目标说给它，中间过程它全部闭环，逐步变成一个黑盒。

软件当然还会有，但软件的生产方式、形态，以及员工使用软件的方式一定会变化。

过去的软件工程，本质上有很多角色在做翻译：业务人员说需求，需求分析师翻成需求文档，产品经理画原型，程序员再翻成代码，最后交回业务人员使用。中间是一条很长的翻译链。

AI 出现以后，这条链路开始被压缩。终端用户可以直接和模型对话，直接生产自己要的结果。最大的变化，是从多角色、长流程地翻译需求，逐步变成直接拿结果。

吴畏：那人在企业里还应该保留什么？

逄大嵬 Davis：我觉得可以分员工和老板两个维度。

对员工来说，最重要的是好奇心和持续学习能力。市场上这么多产品，去用一遍，不要只看别人讲。不同产品都有自己的特点，没有什么东西万能。还有一点，我一直建议大家舍得用好的付费产品。你只有用到真正好的产品，才知道此时此刻 AI 的上限在哪。

但更重要的是，别把所有精力都放在学某一个工具。工具会不断变。真正长期有价值的，是 Why 和 What：你要做什么，为什么做，你能不能判断问题。

对老板来说，要再想一层。到 2026 年，AI 已经不只是效率变化，而开始是结果变化。效率提升大家都知道了，下一步真正要问的是：AI 会不会给这个行业带来新的结果、新的机会？你的公司原来做不到什么，现在能不能做到了？

吴畏：所以某种意义上，当执行越来越便宜，人的价值会更往"选问题"和"做判断"上走。

逄大嵬 Davis：对。技术、产品、工具都会变，最后还是要回到一个原点：你到底想解决什么问题？

我们现在从 ChatExcel、元空AI Work 做的还是数字世界的任务；另外一件事情，是往物理世界走。我们的方向是让端侧模型进入更多设备。

云端 GPU 和算力总归是有限的，但今天每个人手里都有手机、电脑，还有大量设备。设备数量几乎是无限扩展的。关键问题是怎么把模型装到各种设备里面去。

当模型变小，进入不同设备，所有设备都具备某种智能，这个世界会完全不一样。

文章来自于微信公众号 “非凡产研”，作者 “非凡产研”