---
title: "我们睡觉，它干活：断网也能跑的本地 AI 你用过吗？"
id: "20260822A0AEE000"
publicationAccount: "非凡产研"
originalPublishedAt: "2026-08-22T20:02:34+08:00"
canonical: "https://ffcap.cn/research/20260822a0aee000"
source: "https://view.inews.qq.com/a/20260822A0AEE000"
sourceAccount: "https://news.qq.com/omn/author/21759984"
language: "zh-CN"
tags: ["开源与本地部署","模型与基础设施","AI Agent","办公协作","OpenAI","DeepSeek","字节跳动","Kimi"]
---

# 我们睡觉，它干活：断网也能跑的本地 AI 你用过吗？

文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。

**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。

---

原始发布版本：https://view.inews.qq.com/a/20260822A0AEE000

本站阅读页：https://ffcap.cn/research/20260822a0aee000