未来是千亿 bot 和个人模型的时代 | 对谈心识宇宙创始人陶芳波

2022 年中，曲凯第一次和心识宇宙团队聊天，对方说自己在做「人类大脑」，他听得云里雾里。后来他才知道，那就是大模型。再后来，这家公司做出了 MindOS，被普遍认为是全球最早的 Agent 类产品之一。两年过去，同一个团队推出了一个叫 Me.bot 的新产品，方向从「给所有服务做 Agent」转向了「给每个人做一个自己」。

这期 42 章经，曲凯把心识宇宙创始人陶芳波请来，聊了将近一个小时。陶芳波读博士出身，在 Facebook 和阿里达摩院都做过研究，2021 年底判断 AGI 时代快要到来，于是创业。他在这期节目里复盘了 MindOS 这类产品的问题，解释了 Me.bot 背后的思路，也给出了一连串相当大胆的判断：bot 是 AI 世界的最小基础单元，个人模型是下一个十年的个人计算机，未来会有千亿个 bot，而大模型最终会像个人电脑一样走向去中心化。

这不是一期讲产品功能的访谈。它更像一个人做了两年 Agent、踩过坑之后，把自己对「AI 到底该长成什么样」的思考摊开来讲。有些地方很玄，有些地方很具体，值得慢慢读。

从 MindOS 到 Me.bot：两次调整 0:54

陶芳波的履历很清晰：读博士，进 Facebook，再去阿里达摩院，一直是以研究者身份做事。2021 年底他成立心识宇宙，名字的意思就是想做一个 Agent 的世界。这个定位让公司在过去两年被很多人记住，也让很多人把它归到「Agent 平台」这个类别里。

但过去一年，他的想法变了，而且变了两次。

第一次是把锚点从供给侧挪到需求侧。MindOS 想做的事情，是把现有的服务和软件都变成 Agent，让它们能被调用。陶芳波现在的判断是，先帮每个个人做好自己的 Agent，比先把所有服务变成 Agent 要可操作得多。第二次是把「脚手架」换成「能自我学习的东西」。他坦言，上一代 Agent 技术更像脚手架，有一些工程上天然带来的问题，无法让 AI 变得足够聪明。Me.bot 想解决的，就是让为个人做的这个 Agent 具备自我学习能力。

Me.bot 在今年四五月做了内测发布，目前有小几万用户，Web 端可以直接用，移动端要切换到海外应用商店，安卓用户可以直接下载。

曲凯提到，陶芳波大概算国内接触 AI Agent 概念时间最长的人之一，问他做到今天有什么总结性的认知。陶芳波的回答很直接：我们可能高估了 AI 基础能力的价值，但低估了它在场景当中 knowhow 的价值。他说这是自己过去做 MindOS 时犯的错误。

个人模型，下一个十年的个人计算机 2:46

陶芳波最近经常拿计算机史做参照。计算机革命刚开始时，IBM 的 CEO 说全世界只需要五台计算机，所有任务连到这几台超级计算机上就能解决。乔布斯和盖茨当时才二十来岁，说不行，不只需要每个人桌面上有一台计算机，身上还得有各种各样的计算机。今天回头看，手表、手机，都是不同尺寸、不同功能的计算机。它们比起五台超级计算机，带来的个性化价值和对个人服务体验的捕捉要好得多。

他把这条线索接到 AI 上：个人计算机上的文件系统，很像今天讲的记忆系统；因为有了文件系统和个人操作，上面才长出了应用生态。那么问题来了，未来基于 AI 的应用生态，是构建在 GPT 上，还是构建在一个个人模型上？

陶芳波的答案是后者。Personal model 就是新时代的 personal computer。他还给了一个时间上的压缩比：从大型机到个人计算机花了三十年，从 AI 的大 foundation model 到 personal model 可能只要五年。

顺着这个逻辑，他推出 bot 的位置。一个大模型结合一个场景或者一个人，会形成一个新的 bot，这个 bot 会成为未来世界的基础单元。企业有自己的 bot，个人有自己的 bot，bot 和 bot 之间有新的通信协议和自己的网络。这个以 bot 为基础单元的世界，会在接下来三十年左右逐渐形成。

曲凯追问，什么叫「最重要的 bot」？陶芳波解释，bot 有很多角色：Character.ai 上有代表名人的 bot，小商家在网站上放的 AI widget 是销售 bot，电影里的贾维斯和 Her 是助理和陪伴 bot。硅谷现在有一种分类方式，按 bot 的职业来划分公司，比如做程序员 bot 的公司、做 HR bot 的公司。

供给侧的 bot 之外，还有身份型的 bot 5:56

话题转到一个流行说法：国内 SaaS 这些生意都不太行，AI 来了，会不会直接跳过 SaaS 阶段。陶芳波认可这个方向。SaaS 是人去使用各种功能，而以后可能一个 bot 就够了。他举了物流系统的例子：以前要人手工调订单、改优先级，现在在微信里跟 bot 说一句「帮我把明天的订单改成后天下午几点送」，就完成了。复杂的软件系统被一个 bot 形态取代。

但他指出，这个说法里藏着一个很深的假设。软件本身是提供服务和内容的，属于供给侧的形态。说 bot 是下一代软件，意味着大家想到的 bot 都是供给侧的 bot：代表红酒厂商的、提供编程服务的。

他后来越来越觉得，最重要的 bot 可能不是供给侧的 bot，而是身份型的 bot，偏需求侧。日常生活里大量场景是需求侧的：我产生各种各样的需要，然后交给供给。如果发起需求的不是本人，而是和本人绑定、互为映射的那个 bot，这个 bot 就可能是 bot 世界里最重要的形态。软件以前没有这种形态。

那以前这块需求谁在满足？陶芳波说，以前的满足方式是静态的，像 Facebook 那样的身份，或者用 email 发送需求。现在因为 AI 的基础，身份可以变得非常动态化，而且完全是你的一个映射。这也是产品叫 Me.bot 的原因：本质上是在做一个 bot，它是你自己，是发起需求、整合需求的 AI，而非提供服务的 AI。

曲凯把话题拉回到「AI 的最小单元是什么」。陶芳波的答案是 bot，而且有两层单元：一层是 bot，另一层是 bot 之间的互动，像图里的点和边。曲凯追问，如果大量互动是 bot 和 bot 之间完成的，那它到底算很多个 bot，还是其实就是一个东西？

陶芳波的解释是，用多个 bot 的设计思路，目的不是「网络一定比非网络好」，而是让每一个 bot 和真实世界的实体绑定。曲凯的 bot 是需求侧的，园艺森林饮料的 bot 是供给侧的，一旦发生绑定，你和你的 bot 之间就形成一个相对独立的优化循环。它的目标不是网络内部的优化，而是让服务更对齐到你的需求上；供给侧的 bot 则让服务能力更对齐到它背后的供给能力。不同的人拥有不同的 bot，各自独立优化，最终让整个网络的效率和服务能力提升。

曲凯总结：每个主体对应一个 bot，每个人有一个，每个公司有一个，而且这个 bot 兼具谈需求和给供给的能力。陶芳波补充，每个 bot 有两个部分，一部分跟拥有它的主体持续对齐，更好地了解需求；另一部分拥有加入网络的能力，能跟网络里别的 bot、也包括传统网站这样的服务互动、交换信息。

至于一个部门、一条产品线要不要有自己的 bot，陶芳波认为这比较 tricky，取决于这件事是否拥有独立持续优化的需要。曲凯提到另一种场景：每天重复性的工作，比如填表、审核。陶芳波说这种 bot 当然也有用，但本质上还是供给侧的，他不会把做固定任务的东西当作 bot，那更像一个 workflow，是被 bot 使用的能力或组件。

曲凯由此延伸：所有可被操作的软件服务窗口，操作时都是人的意志知道目的，再用工具或 workflow 去完成。如果 AI 懂你、又具备多线程多任务的操作能力，这个界面就没有意义了。陶芳波同意，除了极简的、只点一两下的场景，凡是相对复杂、需要人操作的窗口，都可以用 AI 替代。他举 Excel 为例：算工资排序，或者从一年数据里得出复杂结果，过去要学函数和各种操作，以后跟 AI 说一句就行。

Agent 为什么笨：缺的是第二阶段 14:19

曲凯提出一个常见的质疑：Agent 后面很难达到，因为人学习的整个过程没有数据可以标注、可以遵循。陶芳波用一个律师的例子回应。

他认识一位很厉害的律师，一直想做法律 Agent，但做不到专业律师的水平。两人探讨律师是怎么被培训出来的，大致分三类。第一类是上法学院，疯狂看 case，这像预训练。第二类是老师教流程：先查数据库，把 case 拿来做对比，再得出结论，这像今天给 Agent 一个 workflow。但这位律师说，对他更有价值的方式，是在跟专业律师真实做 case 的过程中，发现很多情况下直觉、判定方向、workflow 的使用都会被完全打破。有的情况下不是马上进入 evidence 阶段，而是要去跟法官沟通。

这些经验从哪来？从真实过程里把 flow 交付出去，拿到正面或负面的反馈，把反馈当作记忆拿回来，再持续学习。所以这是一个明显的两阶段过程。

第一阶段是现在理解的 Agent：告诉它法律条文在哪，这是 RAG 的部分；再告诉它一堆 workflow，法律咨询走一二三四五步，另一种情况走四五六七八步。但新的人进来，case 稍微变化，需求稍微变化，固定组合就解决不了了。它会先用这种方式服务，然后得到负面反馈，说方案不行、官司打输了，它就要把反馈拿过来，打破原来使用工具和内容的方式，再建立新的连接。

回到「为什么今天所有 AI Agent 都很笨」，陶芳波的判断是：差距不在初期学习的部分，而在实践。初期用工具化方法、用 workflow 搭基本结构完全 OK，差距在于它在大量实践中获得的反馈和数据，没有办法去改造初期给它的设计。这就是他说的持续训练的过程。

曲凯接过「脚手架」这个词：搭了一个骨架，但骨架上没有智能，骨架上是外部的工具。陶芳波说，无论做自己的 Agent 还是供给侧的 Agent，都需要思考第二阶段怎么做：第一阶段是脚手架，第二阶段是怎么从真实的数据和时间当中获得学习、获得智慧。

曲凯顺着逻辑问：那应该是现存数据量越大、反馈频次越高的地方，越容易先做出这种智能。陶芳波同意，并说个人生活领域就是这样的领域，销售也是。一个销售人员每天打三十通电话，话术怎么说、flow 怎么用、知识怎么用起来，才能提升成功率。而今天创造一个销售 Agent，创建好的那一刻它就不会提升了，成功率已经被固定在一个数字上。

两个自我：经历的与记忆的 20:34

为什么个人生活助理是合适的场景？陶芳波的思考链路是：未来每个人一定有一个 AI，而且高度和这个人 align。但个人非常难 align。有句话说，今天踏进这条河的人和昨天踏进这条河的人不是同一个人。每个人其实都不了解自己，还要让 AI 了解你。

他的解法是：如果你真想创造一个 AI，它非常重要的一个点，是它得经历跟你一样在经历的东西，拥有你在拥有的这份完整的记忆。如果人是由记忆决定的生命体，每天都有新记忆像流水一样灌进来，背后的思想结构和对世界的认识都在默默变化，那这个完整过程就应该被复制到 AI 上。

第二步是怎么让 AI 像人一样，从这部分数据里获取真正跟你本质有关的东西。这里他引入认知科学里对自我的区分：experiencing self，经历的自我；remembering self，记忆的自我。每个人都在经历记忆，像在喂养数据，但最后那个真正重要的、记住我是谁的自己，跟经历不完全相关，它是通过一套预测机制构建出来的。

他打了个比方：我不断在经历，同时背后有一个网络不断预测我接下来的经历会是什么、下一个想法会是什么。为了预测得更准，并不是把过去的经历重复一遍就行，你必须让 remembering self 在预测过程中学习到：我是什么样的人，我真正感兴趣的是什么，我的思维结构是什么。也就是从 experience 里抽象出一套人格、思维结构和复杂的意识。

这部分抽象出来的东西，才是真正对决策起作用的。假如面前有两部没看过的电影，experiencing self 没法判断，因为对它都是新数据；但 remembering self 可以，因为它在训练中已经学到你到底是喜欢惊悚还是喜欢爱情。所以核心是让一种可预测的机制加入 AI 的训练过程，AI 也形成这样的目标，让预测接下来的事件和想法更准确。这个持续训练的过程，就是在构造一个 remembering self。

曲凯评价这听起来挺玄乎，问产品上怎么实现。陶芳波说产品上做三件事，第一件是共生。为每个用户构造一个记忆流：AI 在旁边听这段对话，对话就进入记忆流；看到一张好图片可以发给他；脑子里有想法，按录音按钮，他就自动记录。外部看到的信号和脑子里的信号，都尽可能通过记忆流保留下来。下一步一定是超越手机的形态，比如一个眼睛，记录会更自主，存在会更背景化。

曲凯顺着说，那是不是可以给父母用来带娃，让它跟着娃一起长大，而且越早用越好。陶芳波认同，共生是一种非常高级的人际交互方式，一百年前就有人想共生，只是没有好的技术。软件今天有 AI，硬件还需要更可穿戴的设备。

什么该记，什么该忘 24:46

曲凯提出一个具体问题：给 AI 一大段东西，人知道要记什么不记什么，AI 不一定知道，这是不是要做很多底层算法。陶芳波说，这正好是体验自我和记忆自我的差别。人之所以知道哪些要记，是因为他选择遗忘其中的大部分，使得保留下来的信息对未来决策和预测最有价值。这个过程是隐性发生的。

他讲了一个有意思的理论：为什么人三岁以前记不住东西？因为那时 remembering self 这个模型很差，预测错误率极高，可能到百分之八九十，错误率特别高就记不住。三岁之后模型稳定下来，预测变好，记得就越来越多。今天通过各种感官得到的绝大部分信号，跟未来对世界的预测和判断没有关系，所以被选择忘掉。曲凯接话说，这就像做访谈要带着框架去聊天，看似在聊，其实在寻找信息填进已有框架。陶芳波说，所有框架本质上都是为了预测未来，所以所有框架都是错的，只是有些预测得不那么错。

他进一步区分两种记忆。狭义的记忆是记住所有东西，只有一种场景：needle in a haystack，大海捞针。读一本书记住所有细节，问三打白骨精第二次打发生在什么场景，它能答出来。但真正人的记忆有两个点。第一，不会记住所有细节，有时会 reference，哪怕熟读西游记十遍的人也记不住每句话，但手边有书，需要时可以翻到那一章那一句，这可以用 RAG 解决。第二，留下来的记忆是帮他打开回忆之外的更大场景，第一个场景就是预测。他们想让 AI 获得的记忆不是表象信息，而是抽象的参数，是大脑里的那个框架，使得它能预测。

曲凯说，不同的人看一遍西游记，记住的东西也不一样，这跟两种记忆很有关系。他评价这件事 make sense，但用 AI 复刻人非常难，相当于造人。陶芳波说，用一个科幻概念，这叫上传智能，uploaded intelligence。

曲凯顺势问了个尖锐的问题：如果真的把 Me.bot 做出来，最终会不会反而取代人？这个人有工作，现在需要自己干，Me.bot 出来以后他就不需要自己干了。陶芳波说，这到底是取代还是增强，对老板来讲是取代，对他自己来讲是增强，增强到足够强，老板发现不用他了，就取代了。他觉得没个几十年达不到那个程度，真到了那时候会怎样他也不知道。

两组实验与一次认知转向 26:45

陶芳波补充了一组实验。他们做了两组测试，一组叫 needle in a haystack，就是大海捞针，用狭义记忆的理解来测。另一组叫 reasoning in a haystack，推理可以是预测，也可以是决策，比如信息推荐的准确度，里面都有大量推理。

做 reasoning in a haystack 时，无论 RAG 还是长上下文，都做得非常差。只有一种方法能做好，就是通过他们设计的记忆训练方法，让模型在训练时就不断形成背后的思维框架。框架形成本身已经有很多预先发生的推理，瞬间使用这个框架时就会非常准，质量很高。很多带推理的任务只有这种模式能完成。这给了他们很大信心：AI 要达到跟人的高度 alignment，不可能只靠记住的能力，而是一种广义的记忆，背后带有学习和理解。

曲凯说这听起来非常高精尖，问技术上投入多少。陶芳波说，公司成立第一天就有个部门叫 Mindverse Research，过去两年发了大概两百篇公众号。曲凯吓了一跳，以为两百篇 paper。陶芳波解释，一开始没想明白个人模型的技术含量在哪，以为就是 Agent，但现在的 Agent 偏工程，可以发 paper，却没有真正的科学在里面，更多是 prompt engineering 的操作。后来意识到 Agent 没有从记忆当中学习的能力，不构成真正的 Agent，才决定 research 团队必须死磕这个问题。

他把这看作大模型的另一条路线。OpenAI 的思路是创造一个超级牛的公共服务，一个模型被很多场景、很多人共同使用。他认为更靠谱的是做独立的个人服务，每个人的模型都应该不一样。这样才能让模型跟人贴得非常紧，转化效率推到极限。但底层仍然是大模型，第一阶段的训练只是为了获得常识和基础推理能力，上面必须有一个持续的个人化过程，理想情况是每天更新一次，就像人每天睡一觉，睡觉时发生很多学习。

曲凯开玩笑说，可以每天给他写份日报，今天干了啥、学了啥、哪方面能力长进了。陶芳波说有做。曲凯又问，这是不是意味着工程设计和 RAG、post-training、长短期记忆这些常见做法都很不一样。陶芳波说，他们依然有 RAG，就像人的记忆里 referencing 很重要，但内核是一个可自我进化的模型。

这个模型目前没有 serve 给每一个人，服务能力只能支持不超过一百个人持续维护自己的个人模型。他半开玩笑说，这可以叫未来前一百个上传的智能。曲凯也开玩笑，找些有钱人，一个人收一百万。陶芳波说之前听人讲过做传记的生意，这个比传记更有意思，模型建好之后，传记只是它的一个应用，随时能写出来。

他把这称为 bot 世界的下半场。上半场是先帮每个人训练一个自己的模型；下半场是当每个人都有个人克隆智能之后，上面会长出生态：基于个人模型的社交应用、服务、场景化玩法。传记、餐厅推荐、约会推荐，本质上都依赖于理解你是谁，才能帮你选更好的对象、真正想看的电影和餐厅。只有这部分资产被构建出来，上面的服务才会围绕它长出新的形态，否则还是给真人用，最好的方式就是现在的方式。他说这是自己很害怕、很担心的一个事情。

Her、Him、Them，还是 Me 36:16

从供给到需求的转向，陶芳波说很微妙。他们做过很多用户访谈，问未来每天待在一起的 AI 是什么定位、什么身份。他有一个逻辑：可以用一个代词去取代它。

电影 Her 里，超级 AI 是陪伴，以陪伴为中心，我是我，他是他。有人说自己不需要陪伴属性，ChatGPT 有点像 him，一个很理性的男性感觉，可以帮做很多事，也就是助理。MindOS 最早做的是 them，认为一个人需要那么多不同职业的 AI 合在一起，构成超级 AI。但现在问他，他的答案是 me。

他们问了很多很多人，发现最能信任、最想构造的是一个超级自我。无论是帮助我的、记录我的，甚至未来代表我的，都希望人称代词的锚点在 me 上。这也是产品叫 Me.bot 的原因，让人更有信任感。曲凯提到 Her 电影里每个人的 Her 最后发现是同一个，被公司控制。陶芳波说，如果是 me，我知道他跟我更近，如果最后还能以某种方式让 personal model 的资产被个人化，连创造这个应用的公司都无法获得，人就更愿意拥抱这样的 AI，AI 个人化的时代才可能完成。

曲凯评价，这绝对是下一代的、既 AI native 又超级 App 又入口的东西，故事非常性感。但落到产品上，用户脑子里可能还没有感知：这个产品到底怎么用，能帮我做什么。陶芳波说，这涉及产品最底层满足什么需求。他认为有一个很底层的人类需求被过去的产品忽略了：人需要一个空间，自己跟自己发生对话、自己跟自己相处。在这样的时间和空间里，人可以获得情绪上的稳定，也可以获得知识上的提升和反思。如果有一个 AI 产品是另一个自己，它的成长和存在本身，对很多人来讲就是满足这个需求的方式。

在此之上有更实际的 use case。第一个是帮你记住，并自动整理。各种模态的想法、对话、拍下来的图片、书里一页有意思的段落，都可以交给它。它第一能帮你记住，有很好的搜索功能；第二会分门别类整理出不同 topic，甚至能挖掘出里面不同的人，知道这团对话里有一个人是曲凯，把所有跟曲凯有关的记忆对应到这个人底下，是对记忆很好的组织和找回。

第二个场景是延展或者叫启发。把一段对话丢给 AI，除了记住、装进框里，它还会把新记忆和你历史上所有记忆做碰撞，做 connecting dots，突然告诉你：曲凯你讲的这个东西，还有一个很有意思的理论跟你今天讨论的话题有关；或者你今天聊的这段，和你上次跟另一个创业者聊的理念非常像，像在哪里。

延展发生在两个阶段。新产生一段记忆时，马上给一个延展；每天早上九点，推五个延展。它借你昨天以及更长时间的记忆，用一个晚上思考，早上告诉你说，我想了一下，这里有个新东西，有一家新公司你去看一看，跟你这两天关心的问题很像。

陶芳波自己用了三个月，大概一千五百条记忆，长到可能是一段三小时的谈话，全部变成文字处理的话是两三百万个 token。他说这已经非常多，相当于人一年左右的真实记忆数据。他估计人一年有效的记忆 token 在一千万到一亿之间。他用 Me.bot 有几个目的：作为创始人要训练自己的模型；跟太多人聊，需要 AI 帮忙记住；有时主动发起聊天，或者去看 AI 主动推的内容。有一个主动推送区，会结合他的记忆突然说一句话，做一个延展。

曲凯问，用户用了几年，特别懂自己了，然后 so what？最终结果是什么？陶芳波说，理论上它给的启发和决策应该越来越高质量，让你觉得「这就是我需要的」。

超级入口需要一种新数据 43:00

曲凯认为 Me.bot 有机会成为未来世界的超级入口，甚至就是一个世界。他问，为什么有些应用能成为超级入口，有些只能成为工具、不能构建生态。

陶芳波研究过，超级入口大类上只有两类：基于社交的，典型是微信和 Facebook；基于内容的。他后来思考，这跟人本身的数据类型有关。一个人本身的数据，大类上只有三份。第一份是自己的体验数据，自我对话的部分，散步时看到的环境、经历的部分。第二份是社交链接以及链接上的内容，比如我们的谈话、聊天。第三份是获取外部内容的数据，古代人没有抖音可刷，但可以看书、看戏剧、听音乐听戏曲。

原来的互联网时代，把后两部分数据非常好地数字化了，没有把个人记忆很好地数字化。而这两部分数据太重要，是人的基本需要：社交的需要和内容消费的需要。在这些需要上可以长出生态，所以社交上可以买东西，内容平台上也可以买东西，社交上可以看内容，内容上也可以社交，都有作为入口的潜力。

今天在 AI 时代，如果还在做满足内容和社交，作为创业挑战很大，因为这两个领域已经有非常厉害的巨头，它们也想要 AI 化转型。那有什么东西是一种新的数据，带有新的和技术互动的模式，从而有机会带来新生态？陶芳波认为是个人记忆。把个人记忆数字化，用共生的方法交互，这部分记忆相当于你在体验人生的过程中，成为影响别的服务和内容的入口。他说这可能是一个万亿美金的机会。

曲凯追问，个人记忆到底是主动还是被动？如果需要主动跟 bot 互动，门槛有点高；被动的话，现在很多 AI 眼镜就在往这个方向走。陶芳波说，共生一定带有很强的被动属性，always on。但这不是很困难的问题，两年内主动和被动的记录这件事就可以有很好的解决方案。

他给公司的定位是：重点是一家希望在这里面构建模型的公司，给每个人构建他自己个人模型的资产和基础设施，这是他们擅长的，不是做硬件。曲凯说我刚明白，你们最后可能是一家个人小模型公司，有点像基因克隆公司。陶芳波说，对，目标是成为一家上传智能公司，或者叫基因智能克隆公司。

至于社交数据和内容数据，如果能接到接口也 OK，他们真正在构建的核心竞争力是个人模型。现在需要通过自己的应用甚至硬件去打样，这是上半场：把记忆拿进来，训练出模型。下半场是当每个人都有个人克隆智能，全世界有一亿人有这个克隆智能，一定有人来为它做生态：基于个人模型的社交应用、服务、场景化玩法。他也不觉得今天的公司拥有这样的生态能力。

曲凯问了一个关键问题：个人模型最终是分散的还是集中的？现在 Me.bot 有很多数据，腾讯微信也有很多数据，每个人其实已经有很多类似 Me.bot 的东西，分散在各个公司里，以各种标签的形式存在。最终应该被合起来，还是仍然分散？

陶芳波承认这是个很有价值的问题，尤其涉及社交和内容消费时，那两部分数据量并不小。但他最后选择的是人自我对话的那部分数据，相当于记录日记的条线，再配合线下谈话这种线下数据。原因有两个：这些平台没有很好地捕获这部分数据，是一种新数据，要从新数据开始；这些数据更一手、更代表自己，可以在上面给个人模型创造更好的底座。

曲凯说，更一手的也更难被记录，之所以现在没人做，就是因为难。陶芳波说，当更一手的数据形成很好的个人模型底座之后，假设 Me.bot 有跟内容平台比如豆瓣连接的能力，把豆瓣的信息通过个性化推荐给用户，就借助外面的生态补充了场景里的个人数据。曲凯联想到手机有时候像在窃听：今天聊了什么品牌，哪个平台就推了。陶芳波说，只是说可以主动地、批量地、更多地实现这种。曲凯说，如果真能到这一步，体验就很好了，等你先做强了，让他们接你。

陶芳波的判断是，五年内个人这部分就会有几家公司冒出来。下半场会有极大的想象力，所有东西都会被重构，但先要把上半场做好。曲凯总结：这一切的根源就是 bot 是 AI 的最小单元，个人的 bot 会是最重要的主体，至少是第一阶段应该去做的，而不是等生态有了，个人再慢慢起来，逻辑是反着的。

一个脑子，很多身体 51:01

最后一个问题：未来个人模型和智能设备是什么关系？

陶芳波的设想是，现在电脑的模型跟硬件绑定，但未来设备更多是提供一个显示。你走到哪，开车、看电视，可能跟电视说一些东西；跟电脑工作时也会用；手机到那也会用；手表晚上监测睡眠。它慢慢形成一个统一的脑子，你会有很多具不同的身体，每个设备就像它的一个身体。甚至现在很火的人形机器人，背后的脑子可能也是这个脑子。这个 AI 形成的脑子没有一个实体，但和你形成了共同的、你的这个人的边界。

曲凯说，如果真到这一步，感觉得国家来做这件事，有点像天网要被监管，太敏感，不应该掌握在任何一个私营企业手里。陶芳波说，所以如果哪一天他可以为这件事做一点 infra 工作，里面有一块生意是他来做的，就可以了。曲凯笑着叫他「陶局长」。

整期听下来，陶芳波讲的东西跨度很大：从计算机史到认知科学，从 Agent 工程到个人模型训练，从产品 use case 到万亿美金的机会。有些判断短期内无法验证，比如五年内个人模型会跑出几家公司，比如两年内被动记录会有好方案。但有一条线索是清楚的：他不再把 AI 当成一个更强的公共模型来想，而是当成一个属于具体某个人的、持续生长的东西来想。这个转向本身，比任何一个具体结论都更值得留意。

如果要带走点什么，可以是这样几点。第一，评估一个 AI 产品时，看它是在提供供给，还是在理解需求，后者更接近入口的位置。第二，看一个 Agent 是否真的会变聪明，关键不在它搭了多少 workflow，而在它能不能把实践中的反馈拿回来改造自己。第三，如果你相信个人模型这条路，那越早开始积累属于自己的记忆数据越好，因为这部分数据现在还没有被任何平台很好地捕获。