2023 年是 AI 大语言模型爆发的一年 , 以 OpenAI 推出的 GPT 大模型为起始 , 整个行业开始从 " 推理式 AI" 向 " 生成式 AI" 迈进。据 Market Data Forecast 预测 , 全球 AI 市场规模将从 2023 年的 1502 亿美元增长到 2030 年的 13452 亿美元 , 年复合增长率高达 36.8%。

在此背景下 , 国内如百度文心一言、科大讯飞星火、阿里通义千问等各种国产垂直大模型相继问世 , 深刻改变了我们的办公与生活。然而 , 大模型的培养与训练自然离不开大量的数据投喂。简而言之 , 数据量的多少决定了大模型参数的大小 , 也就决定了大模型的能力。同时 , 处理这些数据也需要大量的算力 , 那么毫无疑问 , 就需要与之相对应的硬件规模。

所以现如今 , 这些能够处理非常复杂工作的 , 例如可以形成符合你要求的特定主题的图片、视频 , 甚至还能生成音频和配乐的大模型 , 基本都跑在云端服务器上。而投喂给它们的训练数据 , 也基本上都是用户签署过 " 使用协议 ", 合法的 , 能够被摆在 " 台面上 " 使用的数据 , 这也就导致了目前 AI 答案的标准化和空洞宽泛 , 无法真正意义上匹配到每一个消费者自身的使用场景 , 简而言之就是缺乏个性化和深入性。

在这样的情况下 , 一些参数量相对较小但是可以处理一些相对简单、更个性化、更私密的任务的大模型 , 就成为了 AI 未来的发展方向之一。当然更重要的一点是 , 这种体量的大模型可以实现本地化部署 , 用户可以利用自己的数据进行定向培养 , 在终端侧使用。

NAS 作为 AI 硬件载体的潜力

想要寻找现如今消费者日常生活中可以容纳大模型生存的硬件形态 ,NAS 就成为了为数不多兼具 " 数据和算力 " 的存在。NAS 作为消费者的私人数据汇集地 , 同时拥有一定的计算和网络能力 , 数据也更加安全 , 是搭载本地化 AI 智能助手非常好的阵地之一。

但现实情况却是 , 即便放在物质充裕的当下 , 能够拥有私人的 NAS ( Network Attached Storage, 网络附属存储 ) , 对于普通人来说似乎是件遥不可及的事情。不仅是因为其硬件成本相对高昂 , 同时其使用前的配置操作相对繁琐 , 对于没有相关专业知识的普通人来说 , 传统 NAS 天生就自带入门门槛。

有困难 , 就会有解决困难的人。聚焦数码产品评测十六年的鲁大师发现 ,"PC 端的用户开机时间变短了 , 从最初的每天开机 , 到半个月开一次 , 甚至有时一个月才开一次机 , 开机时间缩短得非常厉害 , 但这些电脑并没有被淘汰 , 依然在用户的家里 "。外加目前 PC 整个行业下滑趋势明显 , 尤其是疫情后的市场透支与恢复缓慢。" 怎么才能让闲置的 PC 机变得有价值 ?" 成为了一直萦绕在鲁大师 CEO 田野脑袋中的问题。

此时一个想法迅速占领了田野的大脑 : 他不仅要让 PC 成为和个人 NAS 一样的 " 存储工具 ", 同时还能根据个人的需求让其成为自己的 AI 助手。

在这样的天马行空的思考下 , 鲁大师 AiNAS 由此诞生。

其实简单来说 , 本地 NAS 就是一台将传统电脑去掉显示器等设备 , 只保留硬盘以及联网能力的小型服务器。那么自然 , 为家用电脑安装 NAS 系统 , 家用电脑就可以变成 NAS, 这样用户就无需再花高价额外购买 NAS 的硬件。这就是鲁大师 AiNAS 彻底解决 "NAS 贵 " 的方案 , 通过抛弃 NAS 硬件的生产 , 直接利用用户手边的闲置电脑实现硬件层面的 " 零成本 "。

针对 NAS 使用 " 难 " 的问题 , 鲁大师将传统 NAS 在使用中涉及到的 " 异常复杂的产品参数和配置选项 " 全部简化 , 用户只需要一键安装客户端 , 即可完成部署。

由此 , 鲁大师 AiNAS 轻松帮助用户构建起了私密文件存储的 " 必然领地 "。同时 , 田野表示 , 其实鲁大师并不参与用户任何资料的存储 , 其角色更像是一个类似中国移动这样的中转商 , 通过其提供的网络路径可以远程查看自己存储的东西 , 相当于把虚拟资产 ( 文件、照片等 ) 放在自己的家中闲置电脑。

如此 , 用户即拥有了安全性更高的数据存储 , 有拥有了能够提供相当算力的硬件 , 前文中所提到的 " 部署本地化私人 AI 大模型 " 的设想 , 顺理成章地成为了可能。

创造每个人自己的 AI 时代

对于前文中提到的 AI 本地化部署的设想 , 想要付诸实现 , 最重要的事情是 AI 和私有化的数据进行拟合 , 从而发挥更 " 个性化 " 的价值 , 最终实现大家大家理想中的个人智能助理或家庭智能助理。鲁大师 AiNAS 则是通过其内置的 " 智能助理 " 功能 , 率先开启了这方面的尝试。

具体来看 , 当得到用户的授权之后 , 鲁大师 AiNAS 内置的 " 智能助理 " 就会开始对已经存储的资料进行全盘的扫描、阅读、理解、分析、总结、归档 , 最终实现资料的自动分类、去重、检索。然后以 GPT 大模型常见的对话形式 , 解决用户提出的诸如一键查询、一键总结摘要等生成式 AI 能够处理的相关需求。

相对于大模型 , 这种本地 AI 因为个人电脑性能有限不可能承载那么大的数据 , 只能算是个小模型 , 需求也是千人千面。但是 , 单就个人具象化的需求 , 如果有足够的数据 , 这类本地 AI 实现的价值会远高于公有 AI 上获取的内容。

目前鲁大师在本地 AI 的训练上选择的是 " 语言 ", 也就是通过语言指令 , 让 NAS 上存储的资料进行分类、提炼 , 包括总结 PPT 等 , 这套方案的优势是其算力需求 90% 的电脑都可以胜任 , 只是速度会有一些差异。对于选择语言这个细分领域的原因 , 田野的想法就是让所有人以最快的速度用上本地 AI, 未来随着用户数据量的增加 , 相信还会有更多个人 AI 的细分领域出现。

鲁大师 AiNAS 的商业潜力

除了带给用户个人的高价值 , 用户训练的 AI 模型还具有极大的商业潜力。在未来 , 或许鲁大师 AiNAS 用户可以共享或交易自己训练的 AI 模型 , 形成新的商业模式。例如 , 一个用户可能训练了一个擅长财务分析的 AI 助手 , 另一个用户可能需要这个助手来帮助管理投资组合。这种交易不仅可以为模型的创建者带来收益 , 还可以加速 AI 技术的普及和应用 , 形成一个互利共赢的生态系统。

AI 助手的潜力不仅限于个人使用 , 还可以扩展到各个行业。教育领域 , 教师可以使用 AI 助手个性化教学方案 , 根据学生的学习情况提供定制化辅导。医疗领域 , 医生可以利用 AI 助手快速分析大量病历数据 , 提供更加精准的诊断和治疗方案。企业管理中 ,AI 助手可以帮助管理者处理繁琐的日常事务 , 提高工作效率。这些多领域的应用将进一步扩大鲁大师 AiNAS 的市场空间 , 带来更广泛的商业机会。