2023年是AI大語言模型爆發的一年，以OpenAI推出的GPT大模型為起始，整個行業開始從“推理式AI”向“生成式AI”邁進。據Market Data Forecast預測，全球AI市場規模將從2023年的1502億美元增長到2030年的13452億美元，年復合增長率高達36.8%。

　　在此背景下，國內如百度文心一言、科大訊飛星火、阿里通義千問等各種國產垂直大模型相繼問世，深刻改變了我們的辦公與生活。然而，大模型的培養與訓練自然離不開大量的數據投喂。簡而言之，數據量的多少決定了大模型參數的大小，也就決定了大模型的能力。同時，處理這些數據也需要大量的算力，那么毫無疑問，就需要與之相對應的硬件規模。

　　所以現如今，這些能夠處理非常復雜工作的，例如可以形成符合你要求的特定主題的圖片、視頻，甚至還能生成音頻和配樂的大模型，基本都跑在云端服務器上。而投喂給它們的訓練數據，也基本上都是用戶簽署過“使用協議”，合法的，能夠被擺在“臺面上”使用的數據，這也就導致了目前AI答案的標準化和空洞寬泛，無法真正意義上匹配到每一個消費者自身的使用場景，簡而言之就是缺乏個性化和深入性。

　　在這樣的情況下，一些參數量相對較小但是可以處理一些相對簡單、更個性化、更私密的任務的大模型，就成為了AI未來的發展方向之一。當然更重要的一點是，這種體量的大模型可以實現本地化部署，用戶可以利用自己的數據進行定向培養，在終端側使用。

　　NAS作為AI硬件載體的潛力

　　想要尋找現如今消費者日常生活中可以容納大模型生存的硬件形態，NAS就成為了為數不多兼具“數據和算力”的存在。NAS作為消費者的私人數據匯集地，同時擁有一定的計算和網絡能力，數據也更加安全，是搭載本地化AI智能助手非常好的陣地之一。

　　但現實情況卻是，即便放在物質充裕的當下，能夠擁有私人的NAS(Network Attached Storage，網絡附屬存儲)，對于普通人來說似乎是件遙不可及的事情。不僅是因為其硬件成本相對高昂，同時其使用前的配置操作相對繁瑣，對于沒有相關專業知識的普通人來說，傳統NAS天生就自帶入門門檻。

　　有困難，就會有解決困難的人。聚焦數碼產品評測十六年的魯大師發現，“PC端的用戶開機時間變短了，從最初的每天開機，到半個月開一次，甚至有時一個月才開一次機，開機時間縮短得非常厲害，但這些電腦并沒有被淘汰，依然在用戶的家里”。外加目前PC整個行業下滑趨勢明顯，尤其是疫情后的市場透支與恢復緩慢。“怎么才能讓閑置的PC機變得有價值?”成為了一直縈繞在魯大師CEO田野腦袋中的問題。

　　此時一個想法迅速占領了田野的大腦：他不僅要讓PC成為和個人NAS一樣的“存儲工具”，同時還能根據個人的需求讓其成為自己的AI助手。

　　在這樣的天馬行空的思考下，魯大師 AiNAS由此誕生。

　　其實簡單來說，本地NAS就是一臺將傳統電腦去掉顯示器等設備，只保留硬盤以及聯網能力的小型服務器。那么自然，為家用電腦安裝NAS系統，家用電腦就可以變成NAS，這樣用戶就無需再花高價額外購買NAS的硬件。這就是魯大師 AiNAS徹底解決“NAS貴”的方案，通過拋棄NAS硬件的生產，直接利用用戶手邊的閑置電腦實現硬件層面的“零成本”。

　　針對NAS使用“難”的問題，魯大師將傳統NAS在使用中涉及到的“異常復雜的產品參數和配置選項”全部簡化，用戶只需要一鍵安裝客戶端，即可完成部署。

　　由此，魯大師AiNAS輕松幫助用戶構建起了私密文件存儲的“必然領地”。同時，田野表示，其實魯大師并不參與用戶任何資料的存儲，其角色更像是一個類似中國移動這樣的中轉商，通過其提供的網絡路徑可以遠程查看自己存儲的東西，相當于把虛擬資產(文件、照片等)放在自己的家中閑置電腦。

　　如此，用戶即擁有了安全性更高的數據存儲，有擁有了能夠提供相當算力的硬件，前文中所提到的“部署本地化私人AI大模型”的設想，順理成章地成為了可能。

　　創造每個人自己的AI時代

　　對于前文中提到的AI本地化部署的設想，想要付諸實現，最重要的事情是AI和私有化的數據進行擬合，從而發揮更“個性化”的價值，最終實現大家大家理想中的個人智能助理或家庭智能助理。魯大師 AiNAS則是通過其內置的“智能助理”功能，率先開啟了這方面的嘗試。

　　具體來看，當得到用戶的授權之后，魯大師AiNAS內置的“智能助理”就會開始對已經存儲的資料進行全盤的掃描、閱讀、理解、分析、總結、歸檔，最終實現資料的自動分類、去重、檢索。然后以GPT大模型常見的對話形式，解決用戶提出的諸如一鍵查詢、一鍵總結摘要等生成式AI能夠處理的相關需求。

　　相對于大模型，這種本地AI因為個人電腦性能有限不可能承載那么大的數據，只能算是個小模型，需求也是千人千面。但是，單就個人具象化的需求，如果有足夠的數據，這類本地AI實現的價值會遠高于公有AI上獲取的內容。

　　目前魯大師在本地AI的訓練上選擇的是“語言”，也就是通過語言指令，讓NAS上存儲的資料進行分類、提煉，包括總結PPT等，這套方案的優勢是其算力需求90%的電腦都可以勝任，只是速度會有一些差異。對于選擇語言這個細分領域的原因，田野的想法就是讓所有人以最快的速度用上本地AI，未來隨著用戶數據量的增加，相信還會有更多個人AI的細分領域出現。

　　魯大師AiNAS的商業潛力

　　除了帶給用戶個人的高價值，用戶訓練的AI模型還具有極大的商業潛力。在未來，或許魯大師AiNAS用戶可以共享或交易自己訓練的AI模型，形成新的商業模式。例如，一個用戶可能訓練了一個擅長財務分析的AI助手，另一個用戶可能需要這個助手來幫助管理投資組合。這種交易不僅可以為模型的創建者帶來收益，還可以加速AI技術的普及和應用，形成一個互利共贏的生態系統。

　　AI助手的潛力不僅限于個人使用，還可以擴展到各個行業。教育領域，教師可以使用AI助手個性化教學方案，根據學生的學習情況提供定制化輔導。醫療領域，醫生可以利用AI助手快速分析大量病歷數據，提供更加精準的診斷和治療方案。企業管理中，AI助手可以幫助管理者處理繁瑣的日常事務，提高工作效率。這些多領域的應用將進一步擴大魯大師AiNAS的市場空間，帶來更廣泛的商業機會。