本地化AI产品：打破同质化困局的‘训练箱’愿景

我们小型公司的产品雏形逐渐清晰。虽然与当前销售和提供的服务相似，但我们的愿景更加明确。随着大型语言模型（LLMs）每月变得更‘像人类’，它们实际上并未真正学习。所有模型都基于相同的参数设置、‘欲望’和偏见，这可能导致模型多样性急剧下降。作者认为，全球市场可能只需几个通用模型即可满足需求，这并非他所追求的未来。

如果模型保持固定参数，依赖场景学习（in-context learning），那么云计算将占据主导地位。除非在延迟敏感或网络依赖高的场景（如战斗机器人或自动驾驶），否则云端批量处理数据更经济。然而，互联网上的‘质量下降’现象未必能推动本地模型发展，除非开放模型本身足够优秀，通过平台如openrouter竞争，防止质量下滑。

本地模型只有在实现个性化学习时才可能胜出。此时，每个用户都需要不同的计算资源，本地模型将更具优势。但关键问题在于：你身上的独特性能否被压缩进一个10 KB的CLAUDE.md文件中？如果不能，未来将是一个‘克隆体’时代，模型只是表面不同，缺乏真正的学习能力。

我们已开始销售相关硬件，如tinybox。对于大多数用户而言，消费级GPU仍是运行模型的经济方式。我们也在基础设施方面投入大量开发，未来前端系统将基于OpenClaw和opencode迭代。但我们的产品与现有产品的关键区别在于：它会根据与用户的互动不断学习和更新参数，就像生物一样。

这一目标仍需多年实现。目前我们主要专注于大型语言模型的训练（即使运行这些模型也极具挑战，例如在非NVIDIA硬件上使用vLLM），以及为GPU提供通用支持的基础设施。但这才是我们的长期目标：打造一种能‘居住’在你家中、真正理解你价值观的AI模型，就像你的‘孩子’一样。