Aftercasting

0:00 / --:--

个人 AI 缺失的那一层|First Person Labs 的 Ken LiuThe Missing Layer for Personal AI | First Person Labs’ Ken Liu

a16z Show · 11 月 18 日

33:57
← a16z Show

这集讲什么

First Person Labs 想把散落在电脑、消息和各类工具里的个人上下文,变成由用户掌控、可供不同 AI 智能体(Agent)调用的「第二自我」;它最有价值的能力可能不是回答问题,而是在用户开口前发现真正需要帮助的时刻。

1-3要点

  • 个人 AI 缺的可能是上下文所有权与可移植性:用户不应每换一款工具,就重新讲述自己的工作和偏好。
  • 持续理解比一次性记忆更难,也更有价值:Second 的目标是把事件流组织为任务、关系和长期目标,而非只保存聊天记录。
  • 主动性的难题是选择介入时机:从「收到事件就提醒」到「联系数月信息后适时提醒」,能力与打扰风险都会上升。
The Missing Layer for Personal AI | First Person Labs’ Ken Liu|深度中文详解

播出信息

  • 日期:2026-11-18
  • 时长:2037 秒(33 分 57 秒)
  • 节目:a16z Podcast
  • 嘉宾:Ken Liu,First Person Labs 联合创始人
  • 主持人:Martin Casado、Joel de la Garza
  • 音频:收听本集
  • YouTube:无本集链接
  • Episode:节目页面

背景

今天的 AI 工具各自积累对用户的认识,但这些认识往往留在单一产品内。换用编程、购物或通信工具时,用户仍须重新解释自己的目标、偏好和正在处理的事。First Person Labs 的产品 Second 试图填补这一层:持续整理个人数字活动,形成可携带的上下文,再按需提供给其他智能体。

这也改变了隐私问题的分量。Second 要理解的不只是用户主动输入的提示词,还可能包括电脑上的活动轨迹及连接的消息渠道。主持人既是早期用户,也在节目中追问:如此集中的个人信息如何存储、推理和授权;即使底层系统安全,语言模型又能否避免向错误的人透露信息?

总结分析

本集的核心不是推出又一个替用户办事的聊天机器人,而是提出个人 AI 缺少一层相对稳定、可跨工具使用的「用户模型」。Ken Liu 将 Second 描述为个人上下文的持续存储与理解系统:它从电脑活动和外部连接器取得线索,逐步推断人、任务、偏好与长期目标;编程、购物等专门智能体则在需要时查询它。主持人的体验展示了这种设计的吸引力:系统可以在未被询问时,发现对话中的情况变化,或把电脑上的工作衔接到手机上。产品由此把「每次重新说明自己」的问题,推进到「系统何时应主动介入」的问题。

但越能主动介入,越需要证明它知道什么、不知道什么,以及能对谁说什么。Liu 提出本地存储、自选推理服务,以及借助可信执行环境进行机密推理等架构方向;面对提示注入和冒名请求,他也承认,语言模型的披露判断无法得到彻底解决。经济性同样尚未成熟:持续分析大量个人活动,在他给出的高强度假设下可能非常昂贵,因此产品初期更适合上下文繁杂、频繁切换工具的人。Second 的意义,是把个人 AI 的竞争焦点从单个模型的回答质量,移向可移植的记忆、审慎的主动性与可验证的信任边界;节目呈现的是这一方向的设计和早期使用体验,而非已被充分验证的普适方案。

节目结构 / 议程

  1. Second 是什么:可携带的个人上下文 — 01:35 🎧
  2. 电脑活动如何变成理解与提醒 — 05:13 🎧
  3. 从被动响应到跨时间的主动帮助 — 07:02 🎧
  4. 隐私架构与无法消除的泄露风险 — 10:23 🎧
  5. 持续分析的成本与早期用途 — 18:13 🎧
  6. 模型分工、开放接口与未来交互 — 22:18 🎧

分节详解

1) Second 是什么:可携带的个人上下文 — 01:35 🎧

💬 他们说了什么:Liu 说,First Person Labs 要建立由本人掌控的「人的模型」,其中不只有记忆和做过的事,还包括优先事项、偏好、目标、价值观、承诺与意图。Second 可以把这些上下文交给其他智能体:例如用户只说「帮我买机票」,工具就有机会了解座位偏好、到机场的习惯,以及这次行程的目的。主持人也举例说,换用一段时间没打开的 Codex 时,希望能继续利用此前在其他工具中积累的工作背景。

💡 为什么重要:这里的产品定位是跨工具的个人上下文层,而不是要求每个应用分别保存一份用户画像。Liu 设想它会从初始资料逐渐成长为更完整的个人表征,并用「阿尔弗雷德替蝙蝠侠办事,却不必暴露蝙蝠侠身份」说明:真正有用的协助既要理解偏好,也要控制披露。

⚡ 争议点:「知道用户想订哪趟航班」需要可靠地区分长期偏好与当前意图。若 Second 推断错了,流畅的跨工具体验也可能让错误更快传到下游工具;节目没有展示这类误判的发生率或纠正流程。

2) 电脑活动如何变成理解与提醒 — 05:13 🎧

💬 Liu 描述了一条从原始事件到任务理解的路径:电脑已有应用切换、浏览停留、输入行为和连接状态等事件流;后台智能体可以先识别「正在发消息」「正在查资料」等片段,再逐层组合成较高层的活动判断,并辅以外部服务连接器。Joel 分享的早期体验是,Second 会主动提示某段对话的情况发生变化;筹备活动时,它还跟进原先约 20% 的降雨可能性,提醒团队是否需要帐篷,而他并未专门要求这项跟踪。

💡 这解释了产品为何不只依赖用户手动填写资料。若系统能持续把分散事件组织成任务与关系,它便可能在对话、日程和工作状态之间建立联系;连接器则有助于更快获得明确的信息,而不是仅凭电脑操作轨迹猜测。

⚡ 操作轨迹丰富,却不等于意图明确。停留在网页、修改文字或切换应用,都可能有多种解释;而持续观察输入与消息还会涉及通信对象的隐私。主持人的有用体验不能替代对误报、漏报和数据范围的系统评估。

3) 从被动响应到跨时间的主动帮助 — 07:02 🎧

💬 Liu 将主动性分为较容易的「反应式」与更难的「反思式」:前者可能是在新邮件到达后提醒;后者则需把数月前说过的话、最近推进的目标、待办事项和个人偏好连起来,判断此刻是否该介入。他认为,未来的个人计算不应总等用户提出正确问题。随后他把 Second 定位为一个持续存在、保护个人数据并与其他专门智能体交互的可信存储;临时任务可以启动短暂存在的智能体,但无需为每类事务再建立一份彼此割裂的个人档案。

💡 这把衡量标准从「回答是否聪明」推进到「提醒是否及时且恰当」。持续的个人模型若确能跨时间理解承诺,就有机会找出单次提示词看不到的关联;稳定存储也让临时智能体不必反复从零认识用户。

⚡ 主动不等于越多越好。提醒可能打断工作,也可能把旧承诺误当成现行目标。Second 要成为可信的单一上下文来源,就需要让用户看见依据、修正过时信息,并决定哪些事情值得被主动提示。

4) 隐私架构与无法消除的泄露风险 — 10:23 🎧

💬 面对「它几乎看得到你做的一切」的顾虑,Liu 将问题拆为数据与推理。他称用户原则上可自带推理服务的令牌,让笔记本上的数据在本地处理流程中接受分析;也讨论了由服务方提供、采用可信执行环境的「机密推理」,并强调这与仅由政策承诺的「零数据留存」不同。存储方面,他描述了本地版本,以及先在本地加密、再备份到云端、只在受保护环境解密的方案。主持人进一步追问冒名索取日程和提示注入;Liu 区分确定性访问规则与依赖模型判断的披露决策,明确承认后者无法被彻底解决。

💡 对持续接触个人生活记录的产品,安全不只是加密文件,还要覆盖采集、存储、推理、身份识别和对外披露整条链。硬件证明若实施得当,可减少对运营者单纯口头承诺的依赖;但它证明不了每一次语义判断都合乎用户意愿。

⚡ 节目谈及的有些能力属于架构选择或发展方向,不能据此认定所有运行模式都已默认启用、可由外部独立验证。即便推理环境受到保护,智能体仍可能被伪造身份或恶意内容诱导;Liu 对这一风险没有给出确定性保证。

5) 持续分析的成本与早期用途 — 18:13 🎧

💬 Liu 用一个高强度假设说明成本:若有 10 个智能体全天运行,每个以约 每秒 60 个 token 的速度处理信息,按他举出的昂贵模型价格估算,可能达到每天约 1000 美元;换用便宜模型,他举的对应数字约为每天 60 美元。这不是 Second 的公开收费标准。他说可以在预先深度分析与提问时再处理原始记录之间取舍:前者花费更多,后者可能显著增加等待时间。他认为早期用户更可能是事务繁忙、常在工具间切换的专业人士。实际用途方面,他提到编程智能体可利用已有工作记忆理解一句「修好它」及截图,也提到从笔记本切换到手机后继续同一项工作的「上下文连续性」。

💡 个人模型的质量不是免费获得的。处理频率、信息保真度、模型价格与响应速度互相牵制;能否按任务选择分析深度,将决定这种服务是否能从少数重度用户扩展到更多人。

⚡ 成本示例建立在持续高吞吐运行的假设上,不代表实际用户的平均成本;「修好它」也只是早期使用场景,尚不能说明系统在陌生项目、含糊截图或敏感代码上的可靠性。

6) 模型分工、开放接口与未来交互 — 22:18 🎧

💬 Liu 说,判断「用户刚移动了日历邀请」不必调用最昂贵的模型,而推断「本周目标是什么」更值得使用强模型、但不必频繁运行。因此 Second 需要能替换模型、按任务分工的系统。当前使用路径是安装应用、授予权限、设置推理令牌;后台处理后提供近期活动、未来计划、提醒及人物与流程等上下文接口,连接器也可帮助理解信息。主持人设想厨房 iPad、语音及更具形象的 AI 界面;Liu 说现阶段可由支持其接口的其他智能体接入,团队则暂时收敛自有交互界面,主要保留短信与 API,把重点放在底层系统和理解能力上。

💡 这使 Second 更像个人上下文基础设施,而不是必须由单一聊天界面承载的应用。不同模型负责提取事件、检索信息和判断长期目标,既有成本理由,也为未来模型更新保留空间;开放接口则让别的开发者尝试尚未确定的应用形态。

⚡ 开放接口会扩大效用,也会扩大需要管理的调用方与权限边界。跨设备、随时可用的体验仍受操作系统权限和接入产品限制;节目中的具身界面与无处不在的交互,是愿景而非现有功能清单。

人物与机构

  • Ken Liu:First Person Labs 联合创始人;本集介绍 Second 的产品定位、技术架构与长期愿景。
  • Martin Casado:主持人,Second 早期用户;重点追问跨工具体验、产品形态、成本及信息披露风险。
  • Joel de la Garza:主持人,Second 早期用户;分享主动提醒的体验,并从安全角度追问存储与推理架构。
  • First Person Labs/Second:本集讨论的公司及其个人上下文产品;目标是让用户掌控可供其他智能体使用的个人模型。
  • a16z Podcast:本集播出节目。片尾提示,其内容仅供信息参考,不构成法律、商业、税务或投资建议。

金句

“We focus on essentially creating a model of a person and then put that person in control.” 「我们的重点,是建立一个人的模型,然后让这个人掌握控制权。」——Ken Liu

“I think people are underestimating how much the computer already knows.” 「我认为,人们低估了电脑已经知道多少事情。」——Ken Liu

“Like people have to ask. You're not supposed to ask things.” 「现在的问题是,人们还得主动提问;本不该事事都要靠提问。」——Ken Liu

“This is not a problem you can … definitively solve.” 「这不是一个能够被彻底解决的问题。」——Ken Liu 谈语言模型受到诱导而披露信息的风险

洞见与延伸背景

  • 「个人上下文层」与「个人助手」不是一回事:前者负责保存、更新和有条件地提供对人的理解;后者负责完成具体任务。区分两者,有助于分别评估资料控制权和任务执行能力。
  • 硬件保护与行为可靠性是两道题:机密推理关注谁能接触处理中的数据;提示注入、冒名和过度披露则涉及系统如何解释请求。通过前一道安全检查,不意味着后一道已经解决。
  • 用户模型需要「可遗忘」能力:节目强调持续积累,但偏好、关系和目标都会变化。若旧信息一直被当作事实,长期记忆反而可能造成更顽固的误判。这是该产品方向必须面对的设计问题,而非本集已展示的功能。
  • 真正的成本变量不只是模型单价:系统可以决定哪些事件即时处理、哪些留待查询、哪些长期目标低频更新。处理策略会同时影响费用、延迟和主动提醒的质量。

争议与需核实

  1. 现有安全模式的具体覆盖范围:本集同时谈到可选架构、当前产品与未来方向;应进一步核实不同版本分别采用何种存储、推理服务和可验证机制。
  2. 数据采集边界:应用究竟读取哪些电脑事件与外部渠道,是否可逐项关闭,以及通信对象的数据如何处理,节目没有完整列明。
  3. 主动提醒的效果:主持人提供了正面实例,但缺少误报率、漏报率、用户关闭提醒的比例等独立数据。
  4. 成本的代表性:每天约 1000 美元与 60 美元是 Liu 按特定吞吐及模型价格给出的情景估算,不能直接当作产品实际运营成本或售价。
  5. 抵御提示注入与冒名的能力:Liu 明确表示无法彻底解决;实际部署仍需检验身份确认、最小披露和事后审计机制。

行动建议

  • 准备试用时:先盘点将授予的系统权限、消息连接器与推理服务;从低敏感度资料开始,确认哪些数据会离开设备。
  • 评估价值时:选一个具体场景,例如跨工具恢复项目背景或跟进重要待办,记录它节省的重复说明时间,同时记录错误提醒。
  • 评估安全时:分别询问数据如何加密存储、谁能运行推理、其他智能体如何获准查询,以及用户能否查看、更正和删除个人模型中的信息。
  • 构建类似产品时:把长期记忆、即时活动和对外披露权限分开设计;不要仅凭模型「理解用户」就允许它分享完整上下文。

来源

  • a16z Podcast:本集 Episode 页面
  • 本集音频
  • 英文转写来源:asr:transcribe-svc:job_d7173f64376f。文中时间点据所提供转写标记;专有名称、产品能力与数字如需引用作事实依据,宜再与原音频及产品资料核对。