一个 Personal Agent 创业者的思考｜对谈 Ambi 创始人子皓

概览

本期对谈邀请 MB 创始人梓浩，讨论 Personal AI 与 Agent 产品为何在当下集中升温。梓浩认为，这并非短暂热点：模型能力持续增强，产品门槛不断降低，普通用户已经不必理解虚拟机、模型或技术架构，就能让 AI 执行现实任务。

讨论的核心并非 AI 能否完成更多任务，而是人们获取智能的成本能否足够低。当前产品往往要求用户主动打开应用、补充上下文并反复解释需求；MB 希望通过软硬件结合，引入线下环境信息和随时可用的交互入口，让 AI 持续在线，并从对话发生的现场直接理解用户意图。

节目也延伸至创业方法、商业本质、团队建设和硬件壁垒。梓浩将商业概括为识别真实需求、组织交付并控制成本；将招人的关键归结为真诚、分享愿景和投入足够时间；同时强调，在底层能力快速变化的 AI 时代，赛道、时机和执行速度往往比静态优势更重要。

分段落总结

[00:20] MB 的起点与 Personal AI 愿景

[事实] MB 创业之初便围绕改变人与 AI 的交互方式展开，技术架构也为每位用户准备了独立环境，只是团队最初没有主动使用“Personal AI”定义自己。

[事实] 梓浩认为，当前 AI 已经高度普及，但人们每天真正使用它的时间仍然有限，智能尚未成为像水、电和空气一样随时可用的基础能力。

[事实] 团队不希望只做垂直产品，而是希望打造能被大量普通人使用、改变其日常生活方式的产品。

[02:28] Personal AI 升温的产品与模型基础

[事实] 梓浩认为这一轮趋势不是昙花一现，因为相关产品已经具备普通人使用的基本条件：用户不需要理解虚拟机或技术背景，也能直接完成任务。

[事实] 早期 Agent 产品虽然展示了能力，但安装、连接服务、补充上下文和复制他人配置的链路过长，问题更多出在产品设计与传播链路，而非技术概念本身。

[事实] 模型升级持续显著提高任务质量；在复杂工作场景中，新模型能够以更少文字给出更准确的表达，并发现人难以自行总结的问题。

[事实] 梓浩修正了此前“智能已经足够”的判断：过去之所以感觉足够，是因为任务设计不够复杂，提供的上下文也不够丰富。

[08:54] Computer Use、成本与生活需求

[事实] 梓浩把 Computer Use 视为模型能力自然延伸的基础设施，预计其速度和成功率会继续改善，因此 MB 暂不投入大量精力自行优化这项底层能力。

[事实] 对订餐、订票等任务，用户更关心成功率和质量，通常可以容忍一定延迟；团队不希望为了模型成本而削弱用户体验，并认为现阶段商业模式具备成立空间。

[事实] 生活场景中的许多需求看似琐碎、低频，但当用户能以一句话触发服务时，使用意愿会显著不同；真正的底层变量是获取智能所需的交互成本。

[事实] 自驾途中临时换酒店、寻找加油站或维修点等情境，被用来说明低频需求在特定环境下也可能具有很高价值。

[14:32] 个人 Agent、组织 Agent 与新型公司

[事实] 梓浩认为“一人多个 Agent”“每人一个 Agent”以及团队共享 Agent 等形态都可能成立，具体取决于应用场景和组织结构。

[事实] 企业部署 Agent 涉及组织流程和协作方式的变化，整体效率会被最薄弱的环节限制，因此既有大公司很难迅速完成 AI Native 转型。

[事实] 新公司可以从一开始就围绕 Coding Agent 和新型协作方式建设，以更高效率和人才密度逐步挑战旧公司，但这一替代过程不会一蹴而就。

[事实] 相比组织级产品，个人 Agent 更容易从单个用户开始采用，不必先推动整个组织完成变革。

[19:28] 分发壁垒与 Agent 网络效应

[事实] 梓浩认为，若获客依赖拥有强网络效应的上游平台，创业公司很难建立独立地位，其利润和增长空间也会被分发渠道压缩。

[事实] 硬件渠道不像封闭的软件或社交平台那样被单一上游完全控制，因此软硬件结合为创业公司提供了不同的分发机会。

[事实] Personal AI 仍可能形成网络效应：每个 Agent 沉淀用户的记忆、文件和知识后，Agent 之间的协作便能为双方用户创造额外价值。

[事实] 梓浩举例称，公司同事会在群聊中调用他的个人 Bot 审稿或理解其判断；他本人留在群内主要用于处理权限和边界问题。

[24:01] 不同 Personal AI 产品路线的比较

[事实] 对谈认为，一类产品更强调权限、引用、连接器和邮件处理，适合部分企业或特定人群，但其信息架构较复杂，且能力未必位于模型智能提升的主线上。

[事实] 另一类产品更重视授权流程、虚拟机稳定性、Bot 间通信和上下文共享，在产品细节与传播方式上完成度较高。

[事实] Muse 被评价为具备移动互联网时代成熟产品的特征：上手简单、投入充足，并对普通人的长程任务以及物理世界与数字世界的衔接进行了设计。

[事实] 梓浩认为，与资金和资源雄厚的团队正面复制同类产品并不可取，创业公司需要形成自己的审美、判断和差异化押注。

[32:48] MB 的差异化：线下上下文与持续在线

[事实] MB 选择软硬件结合，核心差异是为 Personal AI 增加线下上下文和线下交互入口。

[事实] 团队能够实现订餐、打车等 Computer Use 功能，但不会把这些通用执行能力作为产品的主要卖点。

[事实] MB 希望人与 AI 同步在场，让 AI 持续运行、持续理解环境，而不是每次任务都要求用户重新打开产品、复述背景并等待异步处理。

[事实] 梓浩以 AI 眼镜为例指出，设备明明已经听到此前的谈话，用户却仍需唤醒它并重复上下文，这正是现有交互方式的主要断点。

[推测] 如果持续在线的上下文采集能够可靠运行，MB 的竞争重点将从“能完成哪些任务”转向“用户需要付出多少表达和操作成本”。

[38:30] 持续感知带来的隐私与模型取舍

[事实] 面对持续监听或观察可能引发的隐私担忧，梓浩主张尽量在本地或可信平台完成处理，不让应用方直接获得第一手录音等敏感资料。

[事实] 他认为涉及生物识别、个人身份或高度敏感信息时，最稳妥的原则是应用服务本身无法接触原始数据。

[事实] 应用公司训练模型的合理目标不是超越基础模型的智能，而是在成本、速度与能力之间找到更符合自身场景的平衡点。

[事实] MB 当前没有选择在可穿戴硬件上运行端侧大模型，因为主要限制来自电池、重量和厚度，而非单纯缺少算力。

[42:50] 创业经历沉淀出的商业判断

[事实] 梓浩回顾早期创业、保险与支付业务、模型公司和消费硬件经历，认为时机与赛道常常比个人能力更重要，而大的时代浪潮甚至比单次选择更重要。

[事实] 多种业务经历使他把商业的底层因素概括为效率、ROI 和需求；硬件经历则补充了研发、设计、仓储、物流和规模交付能力。

[事实] 他认为硬件更接近交付型业务：产品定义完成后，关键是降低后续风险和成本，确保稳定交付，而不是无限制试错。

[事实] 在底层技术剧烈变化的时期，短期成功很容易失效，快速适应变化并找到核心方向才可能形成竞争力。

[48:11] 从卖溜冰票到识别决策驱动力

[事实] 梓浩高三毕业后曾尝试街头售票，但因不擅长直接推销，转而发展学生代理，以分销方式扩大销量并成为溜冰场的独家代理。

[事实] 他将商业理解为识别需求，并找到能够交付产品或服务的人来满足需求；具体方法取决于见过多少案例以及能否理解业务细节。

[事实] 在保险业务中，他通过分析流量来源、用户路径和流失节点，用基础数据分析在很短时间内带来了约百分之三四十的提升。

[事实] 管理电销团队时，他通过红旗、敲锣和奖金等即时激励改善士气；服务药企时，则避开价格竞争，抓住客户对合作安全性和职业风险的需求。

[事实] 他认为不存在一套固定的成功范式，关键是找到不同决策者真正的驱动力；长期不变的原则是“到有鱼的地方抓鱼”，并倾向于选择空间更大的赛道。

[57:01] 招人、组织与执行速度

[事实] 梓浩把招人的首要条件概括为真诚，其次是长期积累、愿意分享，并能清晰说明愿景、回报和人才发挥空间。

[事实] 他认为，真正优秀的人并不缺工作，创始人必须投入与“人才重要性”相匹配的时间、诚意和成本，而不能只在口头上重视招聘。

[事实] 面试过程中若已经感到明显不适，不应勉强推进；投入充分后对方仍不愿加入，也可能意味着双方并不适合长期合作。

[事实] AI 大幅压缩了编码时间，但企业并不会因此自然变成“一人公司”；产品、招聘、市场与组织方式都需要同步提速。

[事实] 他希望用一年完成过去需要三年的事情，同时通过避免不可逆的“单向门”错误控制高速执行的风险。

[64:54] AI 硬件的优势、约束与交付难度

[事实] 硬件渠道建立后可以成为长期优势，且硬件具有物理独占性；用户同一时间通常只佩戴一件设备，却可以同时运行多个软件。

[事实] 用户购买硬件后，其附加软件与服务消费的价值可能在 AI 时代被放大，从而形成不同于纯软件的商业模式。

[事实] 硬件无法像软件那样轻易用其他产品替代局部缺陷，因此哪怕某个场景使用时间很短，只要每天必然发生，也必须被妥善满足。

[事实] 硬件的劣势是开发慢、迭代成本高且依赖设计品位；优势则是更难被基础模型直接吞噬，市场也不容易形成绝对垄断。

[事实] 在深圳快速做出原型与实现稳定的大规模交付之间存在巨大差距，后者需要完全不同的资本、供应链和工程能力。

[69:10] 交互、主动性与工作生活一体化

[事实] 梓浩认为 Personal AI 最大的非共识机会是交互，其理想状态是“言出法随”：用户张嘴提出要求，AI 就能把事情做好。

[事实] 当交互成本接近于零时，原本看似不存在的生活需求可能快速增长，因此不能以当前使用方式静态判断市场规模。

[事实] 他认为单靠定时扫描连接器来猜测用户需求，会产生高计算成本和大量不合时宜的主动提醒，产品收益很难覆盖这种漏斗损耗。

[事实] MB 设想的主动性来自环境发生明确变化，而不是 AI 无依据地频繁猜测用户需要什么。

[事实] 团队认为工作与生活的上下文不应完全分开，因为二者共同帮助 AI 理解用户；同时，MB 不强调独立人格化的助手，而把 AI 视为用户自身能力的延伸。

[76:16] 最终愿景与大众市场时机

[事实] MB 希望 AI 最终像基础生活资源一样普遍存在，能够在任何时间、任何地点持续工作，并通过一句话为用户执行任务。

[事实] 梓浩认为，人们在电脑和手机上从事非娱乐活动的时间有限，AI 若要创造更多增量价值，应进入屏幕之外的时间，而不是继续争夺屏幕注意力。

[事实] 他判断，大众化时机已经接近：当可数字化任务能够被稳定完成，模型差异不再是用户关注重点，产品竞争便会转向规模化使用和交互体验。

[推测] 这一判断依赖模型成功率、成本下降和硬件交付同时按预期推进；转录稿未提供已验证的大规模用户数据。

[81:10] 反向思考与国内 AI 应用困境

[事实] 梓浩将“反过来想”进一步概括为多问为什么，不照搬市场上的主流硬件形态或办公 Agent 路线，而是判断什么在长期真正成立。

[事实] 对谈双方认为，国内当年的 AI 应用与融资环境较冷，缺少令人眼前一亮、具有原创性的产品。

[事实] 讨论提出了多种可能原因，包括上一轮创业热情被消耗、机会主义创业者缺少需求与产品能力，以及团队担心产品被基础模型迅速覆盖。

[事实] 双方同时承认，国内为何缺少突出 AI 应用仍是一个没有得到确定答案的开放问题。

[事实] 节目结尾提到 MB 产品将直接在 App Store 提供下载，但注册登录可能需要邀请码。

播客点评/总结

本期最有价值之处，是把 Personal AI 的竞争焦点从模型参数和功能清单转向交互成本。关于“AI 已经听到上下文，为何还要求用户复述”的追问，具体呈现了持续在线、环境感知与软硬件结合可能解决的真实问题。

讨论也将产品、商业、组织和供应链放在同一框架中：既分析 Agent 网络效应和模型成本，也谈分发渠道、硬件交付、需求识别与人才招募，适合关注 AI 产品、消费硬件以及早期创业的人群。

局限在于，许多行业与产品名称受转录识别影响而不够准确；关于未来半年模型能力、大众采用速度以及持续感知交互的判断，也主要来自嘉宾个人经验和趋势判断，尚未通过节目中的数据充分验证。

[推测] 对创业者而言，本期最值得保留的结论不是某项具体功能，而是三个判断框架：选择有足够空间的市场、降低用户获得价值的成本，以及在不可逆风险可控的前提下持续加快执行。