前一天晚上，我让家里的AI通宵干活——整理NAS（网络存储服务器，简单说就是“家用大型移动硬盘”）里20年攒下的几十TB数据，包括照片、文档、视频，AI要一个个分类，已经跑了整整6个小时。
结果，路由器突然重启了。
我的笔记本自动重连WiFi时，犯了个致命错误：它没连家里的主路由，反而连上了运营商的光猫网络。就这一个小失误，导致NAS、AI服务器全部失联，六个小时的工作功亏一篑，整个家庭AI系统像多米诺骨牌一样，彻底崩了。
早上7点，我打开电脑，屏幕上全是“连接失败”的提示——这是我用AI重建家庭数字生活的第九天，前八天的惊喜，差点被这一个小bug浇灭。
这一切，还要从八天前，一台新电脑的到来说起。
02
我是天卓，一个连续创业者，也是一个技术极客。
（编者补：邓天卓更是一个移动互联网时代的超级创业者+投资人，与国内各家电商都关系匪浅。）
从最早的PowerPC电脑，到后来的Intel旗舰机，再到近几年的M1、M2、M3、M4 Max MacBook Pro，我的主力机换了一代又一代，但有一个习惯从没变——不重装系统。
每次换电脑，我都像“倒酒”一样，用苹果的迁移助手（Migration Assistant），把旧电脑里的所有东西，原封不动拷贝到新电脑里。
20年下来，我那台M4 Max MacBook Pro，已经变成了一个8TB的“数字迷宫”：几十万张专业相机照片、无数投资文档、上百个软件的配置、从2004年开始的开发环境，还有很多我自己都记不清是什么的海量数据。
以前，我只能靠不断买顶配电脑，才能装下这个“迷宫”。但今年，我不想再这样“摆烂”了——因为我收到了一台“神器”：M5 Max MacBook Pro（16英寸顶配，业内叫“皇帝版”）。
这台电脑最牛的地方，是它有128GB的统一内存（可以理解为“电脑的大脑运行空间”，越大越流畅）。
放在一年前，只有数据中心的专业GPU（图形处理器，相当于电脑的“算力心脏”），才能带动650亿参数的大模型（参数越多，AI越聪明）；但现在，这台家用笔记本就能轻松做到——比如Qwen3.5-122B的4bit量化版，只需要65GB内存，运行速度完全够用。
更重要的是，模型跑在本地（就是只在我自己的电脑上运行），数据不会传到网上，既不用花钱买使用额度，也不用担心隐私泄露。
于是我萌生了一个大胆的想法：让AI帮我，把旧电脑里的“数字迷宫”，彻底迁移到新电脑上，顺便整理干净。
03重头戏：
打开 Claude Code，我下达了那个自己期待已久的命令：“帮我把M4上的一切，迁移到M5 Max上。”
这和传统的迁移方式，完全不一样。
苹果的迁移助手（Migration Assistant）就是个“黑盒”——它只会把旧电脑里的所有东西，原封不动拷贝过去，不管有用没用，也不管兼容不兼容。
但Claude Code不一样，它像一个经验丰富的系统管理员，先花10分钟给两台电脑“看诊”：
1.扫描旧电脑上的所有软件、代码环境、配置文件；
2.读取我的shell配置（电脑操作命令的设置）、SSH密钥（远程登录电脑的“钥匙”）、启动项；
3.分析每一个应用，判断哪些有用、哪些没用；
4.检查磁盘健康状态，避免迁移过程中出问题。
看诊结束后，Claude Code突然问我：“你的系统里有14个Intel时代遗留的Rosetta翻译层应用（以前Intel芯片电脑的软件，在Apple芯片上需要“翻译”才能用），它们跟着你换了好几台电脑，从来没清理过。其中8个有原生Apple芯片版本，我建议装原生版；另外6个已经停止更新，你确定还要吗？”
那一刻我就知道，它真的把我那20年的“数字迷宫”走通了——它不是在“照搬”，而是在“理解”我的需求，帮我做取舍。
之后，Claude Code给我生成了一份三层排查清单，把要迁移的内容分了类，连我自己都忘了的东西，它都找出来了：
1.基础层：SSH密钥、桌面文件、常用软件列表，这些最容易想到的东西；
2.中间层：Git配置（代码管理工具的设置）、自定义脚本、定时任务，这些手动拷贝很容易遗漏的东西；
3.深层层：60GB+的虚拟机文件、相机色彩配置文件（用专业相机的人都知道，这东西丢了就没法还原照片色调）、散落在电脑里的项目文件夹。
一开始，数据传输速度只有33MB/s，按这个速度，迁移完要花好几天。
Claude Code分析瓶颈后，主动做了三项优化，瞬间把速度提了上来：
1.去掉压缩功能：在万千兆局域网上，压缩反而会占用CPU，拖慢速度；
2.换轻量级SSH加密算法：默认的加密算法太“重”，换个简单的，速度直接翻倍；
3.大文件直接传输：不用增量算法（本来是用来节省传输流量的），在局域网上反而多余，直接传更快。
最终，传输速度达到了210MB/s，一个周末，就完成了所有数据的迁移。
04
这次迁移，彻底改变了我对AI能力的认知——它不只是一个“工具”，更像一个“全能助手”，能解决很多我没想到的问题。
迁移过程中，Claude Code需要下载一个大型框架包，正要从官方网站下载时，它突然停了下来：“这个包我们之前在你的另一台机器上下载过，我直接从那台电脑拷过来，不用再从网上下载了。”
它居然记住了我家里所有设备的状态，主动调用其他设备的资源，省了我大量时间。
我有一台Windows台式机，配备了RTX 5090显卡，但内存被主板锁在了4800MHz，比标称的6000MHz低了25%，商业超频软件都没用（戴尔在BIOS里做了锁定）。
Claude Code发现后，远程连接到这台电脑，下载了主板的BIOS固件，用十六进制编辑器反编译，找到隐藏的内存频率控制寄存器，还制定了一套完整的破解方案——全程都在我下达命令的终端窗口里完成，我完全没插手。
迁移过程中，Claude Code突然报告：“你的第二块NVMe硬盘（高速固态硬盘）出现了可修复的ECC错误（简单说就是数据传输时出现了小错误）。”
更厉害的是，它还给出了解决方案：“这种错误通常是因为安装时散热片压得太紧，造成了物理应力。建议关机后，松动散热片右下角的固定螺丝，向上推一下再拧紧。”
这不是软件问题，也不是驱动问题，而是物理安装问题——AI居然能通过扫描，发现这个问题，还去硬件论坛找了解决方案，精准定位到具体哪颗螺丝。
迁移完成后，我发现一个意外惊喜：很多付费软件，我再也不用买了——因为AI能帮我实现所有功能，还更好用。
举几个例子：
1.文件重命名：以前用付费软件，要么依赖云端，要么功能有限；AI帮我装了开源工具，调用本地大模型，中英文混合命名都能搞定，零成本；
2.语音识别/合成：以前用云端服务，按时长计费；现在本地跑Qwen3-ASR（语音识别）和Qwen3-TTS（语音合成），免费、实时，准确率还更高，还能克隆声音；
3.知识库管理：以前企业级方案每月要几百美元；现在用本地工具加嵌入模型，拖进文件就能问答，不花一分钱；
4.代码审查：以前商业工具年费几千美元；Claude Code不仅能审查代码，还能理解我的整个项目，帮我修bug、写测试。
其实道理很简单：这些付费软件，都是AI不够聪明的时代产物；现在有了本地大模型，一个通用的智能，胜过一百个专用的工具。
05
迁移完成后，一个偶然的发现，让我萌生了让AI接管整个家的想法——那就是控制家里的智能风扇。
RTX 5090显卡全速运行时，温度会飙升到85度，很影响性能。我家里有一台智能风扇，AI帮我做了一件事：让风扇听GPU温度的指挥。
步骤很简单（AI全程操作）：
1.劫持通信：这台风扇本来要连厂商的云端服务器，AI在路由器里加了一行设置，把厂商的域名指向我家的NAS；
2.协议转换：在NAS上用开源工具，把风扇的私有协议（厂商自己的通信方式），转换成标准的MQTT协议（智能设备通用的通信方式）；
3.设置规则：写一个简单的温度监控脚本，GPU温度75度开风扇低速，85度开高速，55度以下自动关闭。
一个数字大脑，居然能管理自己的散热——技术不难，但我从中看到了AI融入生活的诗意。
现在家里的智能设备越来越多：灯、空调、摄像头、门锁、扫地机器人，每一个都有自己的APP，注册一堆账号，还不能互通——所谓的“智能家电”，其实就是一堆各自为政的遥控器。
但控制风扇的尝试让我明白：大多数智能设备的“云端”，其实就是个消息中转站。只要把通信劫持到本地，这些设备就能脱离厂商云端，自己联动。
于是我搭建了一套系统：用NAS上的Home Assistant（智能家居中枢）当核心，MQTT broker（消息总线，让设备之间能互相“说话”）当桥梁，再用开源工具把各种设备的私有协议，都转换成标准协议。
这里的AI，不是简单控制设备，而是“理解我的意图”。
传统智能家居是“if-then”规则（比如温度超过28度开空调），但AI能理解上下文：比如风扇，AI知道“GPU在跑大模型，预计两小时结束，先开低速，跑完再关”；比如灯，AI知道“周末孩子在家打游戏，客厅灯光调暖一点，晚上10点后自动调暗，提醒睡觉”。
而且AI能记住我的偏好，会随着我的习惯慢慢进化——这才是真正的“智能”。
我家里有两辆特斯拉和一个家用充电桩，以前每天都要花几分钟琢磨：谁先充电？充多少？什么时候充最省钱？明天要跑长途，要不要充满电？
现在，这些事全交给AI了：
1.智能排队：AI从我的日历里读取第二天的行程，根据两辆车的电量，自动规划谁先充——通勤的车充到80%就够，要跑长途的充到100%；
2.错峰充电：AI接入电力公司的分时电价API，白天电价贵的时候不充，凌晨便宜的时候自动开始（加州峰谷电价能差2-3倍，一个月能省不少钱）；
3.状态监控：AI通过Tesla API，实时读取车辆的电池健康度、胎压、软件版本，有异常就主动提醒；
4.未来规划：冬天可以让AI提前给车预热（用充电桩的电，不耗电池）；以后装了太阳能板，AI还能根据天气预报，优先用太阳能充电。
这些想法，技术上都能实现，只是需要花时间搭建和调试——但AI已经帮我完成了大部分工作。
06
我让AI远程检查了家里给孩子打游戏的台式机，结果吓出一身冷汗——里面藏着4个恶意软件，Windows Defender（电脑自带的杀毒软件）一个都没发现。
其中有混淆过的PowerShell木马（注入到系统进程里，很难发现），还有反杀毒软件（专门阻止安全软件运行），以及伪装成“AI助手”的广告软件和浏览器劫持程序（潜伏了5个月）。
AI不仅找到了它们，还理解了它们的运行机制，把每一层恶意程序都清理干净了。
更厉害的是，这台电脑七天蓝屏六次，AI分析了系统日志，定位到是PCIe电源管理的兼容性问题，修改了注册表和电源方案后，蓝屏再也没出现过。
解决了智能设备的问题后，我又让AI帮我整理家里NAS里的160TB数据——这是20年积累的“数字财富”，以前我根本没时间整理。
我一天能拍几百张照片，以前整理照片要花几个小时。现在，AI能用多模态能力（既能看图片，又能理解文字），自动完成选片、分类、调色——它还能学习我20年的审美偏好，知道我喜欢什么样的构图和色调。
找照片也变得很简单：我只要说“帮我找2015年全家在日本吃和牛的照片”，AI就能通过理解照片内容、时间、地点，精准找到我要的照片——再也不用在海量照片里翻来翻去了。
我每天要用到四款AI：电脑上用Claude、ChatGPT写代码，手机上用Gemini处理日常，开特斯拉时用Grok聊投资——这些对话散落在不同平台，本来互不相通。
但我让AI搭建了一套“记忆系统”：每天定时从这四款AI的对话记录里，提取关键信息，汇入NAS上的记忆中枢（由向量数据库和知识图谱组成），再同步回所有AI节点。
也就是说，无论我在哪台机器上、跟哪个AI聊过什么、踩过什么坑，其他AI都能记住。
比如，我在MacBook上提过一嘴某个Python包（代码工具）的版本问题，两天后在服务器上干活时，AI主动提醒我：“这个包在你的MacBook上有兼容性问题，我用另一个版本。”
07
虽然AI帮我做了很多事，但它并不是完美的——迁移和使用过程中，它也犯了很多错误，这些错误，恰恰暴露了当前AI的弱点。
迁移数十万张RAW照片（专业相机的原始照片）时，AI报告“全部拷贝完成”，但实际上，有一部分照片在传输过程中悄悄丢失了——因为文件太多，AI没有做端到端的校验，就信心满满地宣布了错误的结论。
总结：AI很聪明，但有时“经验不足”，不够严谨。
MacOS有两个应用文件夹：系统级的/Applications（系统自带或从App Store下载的应用），和用户级的~/Applications（非App Store下载的应用）。
AI只迁移了前者，完全遗漏了后者；每次让它重新检查，都能再翻出点遗漏的东西——这说明，AI在“确认事情做完”这件事上，还不够偏执。
每次升级OpenClaw平台（我用来管理AI系统的框架），都会出点小问题：端口号被重置、时区变回UTC、配置文件被覆盖……
我和AI一起，记录了21种已知的升级故障，然后写了一个自动修复脚本——升级后30秒内，就能自动修复所有问题。
其实，这些不是“bug”，而是运营成本——我们不用消灭所有问题，只要有能力自动处理它们就好。
08
把所有场景串起来，你会发现一个激动人心的画面——这不是科幻电影，是我现在的日常：
早上7点，AI看了我的日历，知道我两小时后出门，提前给特斯拉预热，告诉我昨晚充的电够今天往返；咖啡机15分钟前自动启动，客厅的灯按日出时间亮起来。
白天工作时，我在M5 Max上用Claude Code写代码，本地AI随时待命；需要跑重型任务时，AI自动把任务转到GPU服务器，我根本不用管它在哪台机器上运行。
下午孩子放学打游戏，AI发现显卡被占用，自动把AI推理任务转到Spark，还顺便检查电脑安全——还记得之前那四个木马的教训。
傍晚电价高峰，AI暂停特斯拉充电，把NAS备份推迟到凌晨；深夜电价低谷，特斯拉自动充到80%，NAS开始跑备份，WiFi再也不会连错网络。
周末，AI帮我整理20年前的老照片，修复模糊的画质，还自动生成一本电子相册，送给家人。
今天的AI，还有很多不完美，但每一个环节的技术都已经存在。我们不需要等待“未来的Jarvis”，因为它就在我们身边——只要你愿意动手，用一台电脑、一套AI工具，就能把科幻变成日常。
09
你可能会好奇，在最初执行迁移任务时，我的AI助手是从哪找的。
我没有直接用现成的工具，而是自己搭建了一套家庭AI工作站——它不是一开始就设计好的，而是慢慢试错、慢慢完善，像“搭积木”一样凑起来的。
一开始，我用退役的M4 Max电脑跑Claude Code（一款能写代码的AI工具），还部署了一些小模型做实验。但很快发现，M4 Max的算力不够用，于是又加了一台搭载RTX 5090显卡（目前最强的消费级显卡，32GB显存，显存越大，能同时运行的AI模型越多）的YLAI服务器。
我的目标很简单：同时跑5个AI模型，分工合作：
1.聊天模型：帮我回答问题、写代码；
2.语音识别模型：把语音消息转成文字；
3.语音合成模型：把文字回复读出来；
4.文本嵌入模型：帮我整理记忆、建立索引（方便快速找东西）；
5.Judge模型：判断哪些对话、内容值得记住。
但问题来了：一个26B参数的模型（比650亿参数小一些，但也很吃算力），就要占21GB显存，5个模型挤在32GB显存里，根本装不下。
我先试了用Ollama（一款常用的本地模型运行工具）管理所有模型，结果发现它会“踢人”——加载新模型时，会把旧模型从显存里挤出去，导致记忆系统瘫痪。
后来我又尝试把小模型拆成独立服务，和Ollama分开，但显存还是不够用。直到我突然想通：不是所有模型都需要“占用核心算力”。
文本嵌入模型和Judge模型，都是后台“偷偷干活”的，哪怕慢一点（从毫秒级变成秒级），也不影响我使用。那干脆把它们放到CPU（电脑的“基础处理器”，平时处理简单任务）上跑，把GPU留给主力模型！
这一改，效果立竿见影：主力模型的运行速度从37t/s（tokens per second，每秒处理的字符数，越快越好）飙升到205t/s，快了5.5倍，显存也彻底够用了。
这是我踩了很多坑才总结的经验：如果你的电脑是Apple Silicon芯片（比如M1、M2、M3、M5系列），别装Ollama。
因为Ollama底层用的是llama.cpp，需要一层“翻译”才能调用Apple的Metal GPU（苹果自研的显卡，专门适配自家芯片），会浪费很多性能。
推荐用MLX——苹果专门为自家芯片做的AI框架，不用“翻译”，直接调用Metal GPU，同一个模型，运行速度比Ollama快30%-50%，还更省内存。
至于模型，直接去HuggingFace（一个AI模型共享平台）搜“mlx-community”，里面有所有主流模型的MLX版本，直接下载就能用。
经过不断调试，我终于确定了最适合家用的配置，既够用又不浪费：
后来我想跑全精度版本的 Qwen3.5-122B-A10B-FP8（参数更多、更聪明，处理任务更精准），单张RTX 5090显卡已经装不下了。
我家里有两台NVIDIA DGX Spark（专业AI服务器，每台有GB10 GPU和122GB统一内存），理论上把它们连起来，就能跑全精度大模型。
但现实全是坑：比如驱动签名不兼容、内存识别错误、推理引擎版本bug……光调试这些问题，就花了我好几天。
最终，两台Spark连起来，跑Qwen3.5-122B-A10B-FP8（全精度版本），运行速度13-15t/s，不算快，但胜在质量高。我朋友说，一年前，这样的配置在数据中心要花几十万。
因为数据越来越多，我还加了一台NAS（8盘位RAID，简单说就是“8个硬盘组成的超大存储”），一开始我把它当“全能选手”，让它跑各种AI容器（比如推理引擎、数据库）。
结果惨了：NAS的32GB内存被占满，嵌入式CPU跑推理慢得离谱，启动一个服务要一分钟（GPU上只要3秒），而且硬盘一直转，嗡嗡响个不停，没法休眠。
后来我醒悟了：NAS就该干它的本职工作——存储和备份、运行Qdrant向量数据库（帮我管理记忆）、做IoT中枢（连接智能设备），其他活全交给YLAI服务器和Spark，硬盘终于能正常休眠了。
这套系统一直用到今天，然后我换了 M5 Max，128GB 统一内存让大模型能跑在笔记本上。经过实测，1220 亿参数模型在 M5 Max 上加载 17 秒，推理速度 31t/s，思考链、图片理解、工具调用全能力解锁。
回头看，整个系统不是被设计出来，而是一点点长出来的。
今天每一台设备都找到了最适合自己的位置。
关键不是所有东西一次到位，而是先让核心跑起来，Claude Code、一个本地模型加一个界面就够了，然后你的 AI 工作站就会根据实际需求，慢慢长出自己的架构。就像我现在的 fleet，也是从一台 M4 Max 开始，花了几个月一台一台加上去的。
同样的技术，在不同人的手里，用法也不一样，我的经验不一定适合所有人。但一样的是大家的起点：先用起来，再说别的。
雷峰网(公众号：雷峰网)文章
雷峰网特约稿件，未经授权禁止转载。详情见转载须知。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。