# 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

> 42章经 精读

- 发布日期：2024-08-31
- 主持：曲凯
- 原节目：https://www.xiaoyuzhoufm.com/episode/66d338824a0f950f848f10e1
- 网页版：https://42zhangjing.qiaomu.ai/ep/66d338824a0f950f848f10e1.html
- 精读字数：约 10939 字（阅读约 24 分钟）

> 本文为 42zhangjing.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。

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。