讓AI接管我家：鋼鐵俠有的，我也能有

雷峰網(公眾號：雷峰網)訊 2026年4月的一個凌晨，4點07分，一切崩潰了。

前一天晚上，我讓家里的AI通宵干活——整理NAS（網絡存儲服務器，簡單說就是“家用大型移動硬盤”）里20年攢下的幾十TB數據，包括照片、文檔、視頻，AI要一個個分類，已經跑了整整6個小時。

結果，路由器突然重啟了。

我的筆記本自動重連WiFi時，犯了個致命錯誤：它沒連家里的主路由，反而連上了運營商的光貓網絡。就這一個小失誤，導致NAS、AI服務器全部失聯，六個小時的工作功虧一簣，整個家庭AI系統像多米諾骨牌一樣，徹底崩了。

早上7點，我打開電腦，屏幕上全是“連接失敗”的提示——這是我用AI重建家庭數字生活的第九天，前八天的驚喜，差點被這一個小bug澆滅。

這一切，還要從八天前，一臺新電腦的到來說起。

02

為什么非要讓AI幫我遷移20年的“數字垃圾”？

先說說我的“執念”：20年不重裝系統

我是天卓，一個連續創業者，也是一個技術極客。

（編者補：鄧天卓更是一個移動互聯網時代的超級創業者+投資人，與國內各家電商都關系匪淺。）

從最早的PowerPC電腦，到后來的Intel旗艦機，再到近幾年的M1、M2、M3、M4 Max MacBook Pro，我的主力機換了一代又一代，但有一個習慣從沒變——不重裝系統。

每次換電腦，我都像“倒酒”一樣，用蘋果的遷移助手（Migration Assistant），把舊電腦里的所有東西，原封不動拷貝到新電腦里。

20年下來，我那臺M4 Max MacBook Pro，已經變成了一個8TB的“數字迷宮”：幾十萬張專業相機照片、無數投資文檔、上百個軟件的配置、從2004年開始的開發環境，還有很多我自己都記不清是什么的海量數據。

以前，我只能靠不斷買頂配電腦，才能裝下這個“迷宮”。但今年，我不想再這樣“擺爛”了——因為我收到了一臺“神器”：M5 Max MacBook Pro（16英寸頂配，業內叫“皇帝版”）。

M5 Max的“殺手锏”：讓大模型“住”進家用電腦

這臺電腦最牛的地方，是它有128GB的統一內存（可以理解為“電腦的大腦運行空間”，越大越流暢）。

放在一年前，只有數據中心的專業GPU（圖形處理器，相當于電腦的“算力心臟”），才能帶動650億參數的大模型（參數越多，AI越聰明）；但現在，這臺家用筆記本就能輕松做到——比如Qwen3.5-122B的4bit量化版，只需要65GB內存，運行速度完全夠用。

更重要的是，模型跑在本地（就是只在我自己的電腦上運行），數據不會傳到網上，既不用花錢買使用額度，也不用擔心隱私泄露。

于是我萌生了一個大膽的想法：讓AI幫我，把舊電腦里的“數字迷宮”，徹底遷移到新電腦上，順便整理干凈。

03重頭戲：

AI當“系統管理員”，遷移20年數據零翻車

打開 Claude Code，我下達了那個自己期待已久的命令：“幫我把M4上的一切，遷移到M5 Max上。”

這和傳統的遷移方式，完全不一樣。

傳統遷移vs AI遷移：一個“照搬”，一個“懂你”

蘋果的遷移助手（Migration Assistant）就是個“黑盒”——它只會把舊電腦里的所有東西，原封不動拷貝過去，不管有用沒用，也不管兼容不兼容。

但Claude Code不一樣，它像一個經驗豐富的系統管理員，先花10分鐘給兩臺電腦“看診”：

1.掃描舊電腦上的所有軟件、代碼環境、配置文件；

2.讀取我的shell配置（電腦操作命令的設置）、SSH密鑰（遠程登錄電腦的“鑰匙”）、啟動項；

3.分析每一個應用，判斷哪些有用、哪些沒用；

4.檢查磁盤健康狀態，避免遷移過程中出問題。

最驚喜的時刻：AI主動幫我“斷舍離”

看診結束后，Claude Code突然問我：“你的系統里有14個Intel時代遺留的Rosetta翻譯層應用（以前Intel芯片電腦的軟件，在Apple芯片上需要“翻譯”才能用），它們跟著你換了好幾臺電腦，從來沒清理過。其中8個有原生Apple芯片版本，我建議裝原生版；另外6個已經停止更新，你確定還要嗎？”

那一刻我就知道，它真的把我那20年的“數字迷宮”走通了——它不是在“照搬”，而是在“理解”我的需求，幫我做取舍。

三層排查清單：連我自己都忘了的東西，AI都找到了

之后，Claude Code給我生成了一份三層排查清單，把要遷移的內容分了類，連我自己都忘了的東西，它都找出來了：

1.基礎層：SSH密鑰、桌面文件、常用軟件列表，這些最容易想到的東西；

2.中間層：Git配置（代碼管理工具的設置）、自定義腳本、定時任務，這些手動拷貝很容易遺漏的東西；

3.深層層：60GB+的虛擬機文件、相機色彩配置文件（用專業相機的人都知道，這東西丟了就沒法還原照片色調）、散落在電腦里的項目文件夾。

速度翻倍：AI幫我優化遷移速度，一個周末搞定

一開始，數據傳輸速度只有33MB/s，按這個速度，遷移完要花好幾天。

Claude Code分析瓶頸后，主動做了三項優化，瞬間把速度提了上來：

1.去掉壓縮功能：在萬千兆局域網上，壓縮反而會占用CPU，拖慢速度；

2.換輕量級SSH加密算法：默認的加密算法太“重”，換個簡單的，速度直接翻倍；

3.大文件直接傳輸：不用增量算法（本來是用來節省傳輸流量的），在局域網上反而多余，直接傳更快。

最終，傳輸速度達到了210MB/s，一個周末，就完成了所有數據的遷移。

04

刷新認知：

AI不止能遷移數據，還能幫我“修電腦、省 money”

這次遷移，徹底改變了我對AI能力的認知——它不只是一個“工具”，更像一個“全能助手”，能解決很多我沒想到的問題。

驚喜時刻1：AI記住了我所有設備的狀態

遷移過程中，Claude Code需要下載一個大型框架包，正要從官方網站下載時，它突然停了下來：“這個包我們之前在你的另一臺機器上下載過，我直接從那臺電腦拷過來，不用再從網上下載了。”

它居然記住了我家里所有設備的狀態，主動調用其他設備的資源，省了我大量時間。

驚喜時刻2：AI破解了主板限制，給我的Windows電腦“提速”

我有一臺Windows臺式機，配備了RTX 5090顯卡，但內存被主板鎖在了4800MHz，比標稱的6000MHz低了25%，商業超頻軟件都沒用（戴爾在BIOS里做了鎖定）。

Claude Code發現后，遠程連接到這臺電腦，下載了主板的BIOS固件，用十六進制編輯器反編譯，找到隱藏的內存頻率控制寄存器，還制定了一套完整的破解方案——全程都在我下達命令的終端窗口里完成，我完全沒插手。

驚喜時刻3：AI發現了硬盤的“物理故障”，還教我怎么修

遷移過程中，Claude Code突然報告：“你的第二塊NVMe硬盤（高速固態硬盤）出現了可修復的ECC錯誤（簡單說就是數據傳輸時出現了小錯誤）。”

更厲害的是，它還給出了解決方案：“這種錯誤通常是因為安裝時散熱片壓得太緊，造成了物理應力。建議關機后，松動散熱片右下角的固定螺絲，向上推一下再擰緊。”

這不是軟件問題，也不是驅動問題，而是物理安裝問題——AI居然能通過掃描，發現這個問題，還去硬件論壇找了解決方案，精準定位到具體哪顆螺絲。

意外收獲：AI幫我淘汰了所有付費軟件，零成本搞定一切

遷移完成后，我發現一個意外驚喜：很多付費軟件，我再也不用買了——因為AI能幫我實現所有功能，還更好用。

舉幾個例子：

1.文件重命名：以前用付費軟件，要么依賴云端，要么功能有限；AI幫我裝了開源工具，調用本地大模型，中英文混合命名都能搞定，零成本；

2.語音識別/合成：以前用云端服務，按時長計費；現在本地跑Qwen3-ASR（語音識別）和Qwen3-TTS（語音合成），免費、實時，準確率還更高，還能克隆聲音；

3.知識庫管理：以前企業級方案每月要幾百美元；現在用本地工具加嵌入模型，拖進文件就能問答，不花一分錢；

4.代碼審查：以前商業工具年費幾千美元；Claude Code不僅能審查代碼，還能理解我的整個項目，幫我修bug、寫測試。

其實道理很簡單：這些付費軟件，都是AI不夠聰明的時代產物；現在有了本地大模型，一個通用的智能，勝過一百個專用的工具。

05

從控制風扇開始：AI接管我家的“智能設備”

遷移完成后，一個偶然的發現，讓我萌生了讓AI接管整個家的想法——那就是控制家里的智能風扇。

小嘗試：讓風扇“聽GPU的話”，給AI降溫

RTX 5090顯卡全速運行時，溫度會飆升到85度，很影響性能。我家里有一臺智能風扇，AI幫我做了一件事：讓風扇聽GPU溫度的指揮。

步驟很簡單（AI全程操作）：

1.劫持通信：這臺風扇本來要連廠商的云端服務器，AI在路由器里加了一行設置，把廠商的域名指向我家的NAS；

2.協議轉換：在NAS上用開源工具，把風扇的私有協議（廠商自己的通信方式），轉換成標準的MQTT協議（智能設備通用的通信方式）；

3.設置規則：寫一個簡單的溫度監控腳本，GPU溫度75度開風扇低速，85度開高速，55度以下自動關閉。

一個數字大腦，居然能管理自己的散熱——技術不難，但我從中看到了AI融入生活的詩意。

痛點解決：讓“各自為政”的智能家電，變成“一家人”

現在家里的智能設備越來越多：燈、空調、攝像頭、門鎖、掃地機器人，每一個都有自己的APP，注冊一堆賬號，還不能互通——所謂的“智能家電”，其實就是一堆各自為政的遙控器。

但控制風扇的嘗試讓我明白：大多數智能設備的“云端”，其實就是個消息中轉站。只要把通信劫持到本地，這些設備就能脫離廠商云端，自己聯動。

于是我搭建了一套系統：用NAS上的Home Assistant（智能家居中樞）當核心，MQTT broker（消息總線，讓設備之間能互相“說話”）當橋梁，再用開源工具把各種設備的私有協議，都轉換成標準協議。

這里的AI，不是簡單控制設備，而是“理解我的意圖”。

傳統智能家居是“if-then”規則（比如溫度超過28度開空調），但AI能理解上下文：比如風扇，AI知道“GPU在跑大模型，預計兩小時結束，先開低速，跑完再關”；比如燈，AI知道“周末孩子在家打游戲，客廳燈光調暖一點，晚上10點后自動調暗，提醒睡覺”。

而且AI能記住我的偏好，會隨著我的習慣慢慢進化——這才是真正的“智能”。

進階操作：AI接管我的兩輛特斯拉，每月省不少電費

我家里有兩輛特斯拉和一個家用充電樁，以前每天都要花幾分鐘琢磨：誰先充電？充多少？什么時候充最省錢？明天要跑長途，要不要充滿電？

現在，這些事全交給AI了：

1.智能排隊：AI從我的日歷里讀取第二天的行程，根據兩輛車的電量，自動規劃誰先充——通勤的車充到80%就夠，要跑長途的充到100%；

2.錯峰充電：AI接入電力公司的分時電價API，白天電價貴的時候不充，凌晨便宜的時候自動開始（加州峰谷電價能差2-3倍，一個月能省不少錢）；

3.狀態監控：AI通過Tesla API，實時讀取車輛的電池健康度、胎壓、軟件版本，有異常就主動提醒；

4.未來規劃：冬天可以讓AI提前給車預熱（用充電樁的電，不耗電池）；以后裝了太陽能板，AI還能根據天氣預報，優先用太陽能充電。

這些想法，技術上都能實現，只是需要花時間搭建和調試——但AI已經幫我完成了大部分工作。

06

額外驚喜：AI當“安全衛士”，找出電腦里的4個木馬

我讓AI遠程檢查了家里給孩子打游戲的臺式機，結果嚇出一身冷汗——里面藏著4個惡意軟件，Windows Defender（電腦自帶的殺毒軟件）一個都沒發現。

其中有混淆過的PowerShell木馬（注入到系統進程里，很難發現），還有反殺毒軟件（專門阻止安全軟件運行），以及偽裝成“AI助手”的廣告軟件和瀏覽器劫持程序（潛伏了5個月）。

AI不僅找到了它們，還理解了它們的運行機制，把每一層惡意程序都清理干凈了。

更厲害的是，這臺電腦七天藍屏六次，AI分析了系統日志，定位到是PCIe電源管理的兼容性問題，修改了注冊表和電源方案后，藍屏再也沒出現過。

AI管家上線：整理20年數據，還能記住我的所有事

解決了智能設備的問題后，我又讓AI幫我整理家里NAS里的160TB數據——這是20年積累的“數字財富”，以前我根本沒時間整理。

照片管理：AI“看”懂照片，幫我分類、找照片

我一天能拍幾百張照片，以前整理照片要花幾個小時。現在，AI能用多模態能力（既能看圖片，又能理解文字），自動完成選片、分類、調色——它還能學習我20年的審美偏好，知道我喜歡什么樣的構圖和色調。

找照片也變得很簡單：我只要說“幫我找2015年全家在日本吃和牛的照片”，AI就能通過理解照片內容、時間、地點，精準找到我要的照片——再也不用在海量照片里翻來翻去了。

AI的“超強大腦”：記住我所有的對話和決定

我每天要用到四款AI：電腦上用Claude、ChatGPT寫代碼，手機上用Gemini處理日常，開特斯拉時用Grok聊投資——這些對話散落在不同平臺，本來互不相通。

但我讓AI搭建了一套“記憶系統”：每天定時從這四款AI的對話記錄里，提取關鍵信息，匯入NAS上的記憶中樞（由向量數據庫和知識圖譜組成），再同步回所有AI節點。

也就是說，無論我在哪臺機器上、跟哪個AI聊過什么、踩過什么坑，其他AI都能記住。

比如，我在MacBook上提過一嘴某個Python包（代碼工具）的版本問題，兩天后在服務器上干活時，AI主動提醒我：“這個包在你的MacBook上有兼容性問題，我用另一個版本。”

07

不完美的AI：

那些踩過的坑，也是成長的代價

雖然AI幫我做了很多事，但它并不是完美的——遷移和使用過程中，它也犯了很多錯誤，這些錯誤，恰恰暴露了當前AI的弱點。

坑1：照片靜默丟失，AI“自信犯錯”

遷移數十萬張RAW照片（專業相機的原始照片）時，AI報告“全部拷貝完成”，但實際上，有一部分照片在傳輸過程中悄悄丟失了——因為文件太多，AI沒有做端到端的校驗，就信心滿滿地宣布了錯誤的結論。

總結：AI很聰明，但有時“經驗不足”，不夠嚴謹。

坑2：遺漏應用文件，反復檢查才找全

MacOS有兩個應用文件夾：系統級的/Applications（系統自帶或從App Store下載的應用），和用戶級的~/Applications（非App Store下載的應用）。

AI只遷移了前者，完全遺漏了后者；每次讓它重新檢查，都能再翻出點遺漏的東西——這說明，AI在“確認事情做完”這件事上，還不夠偏執。

坑3：升級必出問題，我們一起“找規律”

每次升級OpenClaw平臺（我用來管理AI系統的框架），都會出點小問題：端口號被重置、時區變回UTC、配置文件被覆蓋……

我和AI一起，記錄了21種已知的升級故障，然后寫了一個自動修復腳本——升級后30秒內，就能自動修復所有問題。

其實，這些不是“bug”，而是運營成本——我們不用消滅所有問題，只要有能力自動處理它們就好。

08

鋼鐵俠的Jarvis不是科幻，

是我們親手打造的日常

把所有場景串起來，你會發現一個激動人心的畫面——這不是科幻電影，是我現在的日常：

早上7點，AI看了我的日歷，知道我兩小時后出門，提前給特斯拉預熱，告訴我昨晚充的電夠今天往返；咖啡機15分鐘前自動啟動，客廳的燈按日出時間亮起來。

白天工作時，我在M5 Max上用Claude Code寫代碼，本地AI隨時待命；需要跑重型任務時，AI自動把任務轉到GPU服務器，我根本不用管它在哪臺機器上運行。

下午孩子放學打游戲，AI發現顯卡被占用，自動把AI推理任務轉到Spark，還順便檢查電腦安全——還記得之前那四個木馬的教訓。

傍晚電價高峰，AI暫停特斯拉充電，把NAS備份推遲到凌晨；深夜電價低谷，特斯拉自動充到80%，NAS開始跑備份，WiFi再也不會連錯網絡。

周末，AI幫我整理20年前的老照片，修復模糊的畫質，還自動生成一本電子相冊，送給家人。

今天的AI，還有很多不完美，但每一個環節的技術都已經存在。我們不需要等待“未來的Jarvis”，因為它就在我們身邊——只要你愿意動手，用一臺電腦、一套AI工具，就能把科幻變成日常。

09

寫在最后：

我的家庭AI工作站，是“一點點長出來的”

你可能會好奇，在最初執行遷移任務時，我的AI助手是從哪找的。

我沒有直接用現成的工具，而是自己搭建了一套家庭AI工作站——它不是一開始就設計好的，而是慢慢試錯、慢慢完善，像“搭積木”一樣湊起來的。

第一步：從兩臺電腦開始，解決“算力不夠”的問題

一開始，我用退役的M4 Max電腦跑Claude Code（一款能寫代碼的AI工具），還部署了一些小模型做實驗。但很快發現，M4 Max的算力不夠用，于是又加了一臺搭載RTX 5090顯卡（目前最強的消費級顯卡，32GB顯存，顯存越大，能同時運行的AI模型越多）的YLAI服務器。

我的目標很簡單：同時跑5個AI模型，分工合作：

1.聊天模型：幫我回答問題、寫代碼；

2.語音識別模型：把語音消息轉成文字；

3.語音合成模型：把文字回復讀出來；

4.文本嵌入模型：幫我整理記憶、建立索引（方便快速找東西）；

5.Judge模型：判斷哪些對話、內容值得記住。

但問題來了：一個26B參數的模型（比650億參數小一些，但也很吃算力），就要占21GB顯存，5個模型擠在32GB顯存里，根本裝不下。

踩坑無數后，我找到一個“笨辦法”：給AI“分工”

我先試了用Ollama（一款常用的本地模型運行工具）管理所有模型，結果發現它會“踢人”——加載新模型時，會把舊模型從顯存里擠出去，導致記憶系統癱瘓。

后來我又嘗試把小模型拆成獨立服務，和Ollama分開，但顯存還是不夠用。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，都是后臺“偷偷干活”的，哪怕慢一點（從毫秒級變成秒級），也不影響我使用。那干脆把它們放到CPU（電腦的“基礎處理器”，平時處理簡單任務）上跑，把GPU留給主力模型！

這一改，效果立竿見影：主力模型的運行速度從37t/s（tokens per second，每秒處理的字符數，越快越好）飆升到205t/s，快了5.5倍，顯存也徹底夠用了。

避坑提醒：別用Ollama，Apple用戶直接選MLX

這是我踩了很多坑才總結的經驗：如果你的電腦是Apple Silicon芯片（比如M1、M2、M3、M5系列），別裝Ollama。

因為Ollama底層用的是llama.cpp，需要一層“翻譯”才能調用Apple的Metal GPU（蘋果自研的顯卡，專門適配自家芯片），會浪費很多性能。

推薦用MLX——蘋果專門為自家芯片做的AI框架，不用“翻譯”，直接調用Metal GPU，同一個模型，運行速度比Ollama快30%-50%，還更省內存。

至于模型，直接去HuggingFace（一個AI模型共享平臺）搜“mlx-community”，里面有所有主流模型的MLX版本，直接下載就能用。

最終配置：家用AI工作站的“最優解”

經過不斷調試，我終于確定了最適合家用的配置，既夠用又不浪費：

升級挑戰：雙機并行，跑全精度大模型

后來我想跑全精度版本的 Qwen3.5-122B-A10B-FP8（參數更多、更聰明，處理任務更精準），單張RTX 5090顯卡已經裝不下了。

我家里有兩臺NVIDIA DGX Spark（專業AI服務器，每臺有GB10 GPU和122GB統一內存），理論上把它們連起來，就能跑全精度大模型。

但現實全是坑：比如驅動簽名不兼容、內存識別錯誤、推理引擎版本bug……光調試這些問題，就花了我好幾天。

最終，兩臺Spark連起來，跑Qwen3.5-122B-A10B-FP8（全精度版本），運行速度13-15t/s，不算快，但勝在質量高。我朋友說，一年前，這樣的配置在數據中心要花幾十萬。

NAS的“正確用法”：只做“本職工作”，別讓它“加班”

因為數據越來越多，我還加了一臺NAS（8盤位RAID，簡單說就是“8個硬盤組成的超大存儲”），一開始我把它當“全能選手”，讓它跑各種AI容器（比如推理引擎、數據庫）。

結果慘了：NAS的32GB內存被占滿，嵌入式CPU跑推理慢得離譜，啟動一個服務要一分鐘（GPU上只要3秒），而且硬盤一直轉，嗡嗡響個不停，沒法休眠。

后來我醒悟了：NAS就該干它的本職工作——存儲和備份、運行Qdrant向量數據庫（幫我管理記憶）、做IoT中樞（連接智能設備），其他活全交給YLAI服務器和Spark，硬盤終于能正常休眠了。

這套系統一直用到今天，然后我換了 M5 Max，128GB 統一內存讓大模型能跑在筆記本上。經過實測，1220 億參數模型在 M5 Max 上加載 17 秒，推理速度 31t/s，思考鏈、圖片理解、工具調用全能力解鎖。

回頭看，整個系統不是被設計出來，而是一點點長出來的。

今天每一臺設備都找到了最適合自己的位置。

關鍵不是所有東西一次到位，而是先讓核心跑起來，Claude Code、一個本地模型加一個界面就夠了，然后你的 AI 工作站就會根據實際需求，慢慢長出自己的架構。就像我現在的 fleet，也是從一臺 M4 Max 開始，花了幾個月一臺一臺加上去的。

同樣的技術，在不同人的手里，用法也不一樣，我的經驗不一定適合所有人。但一樣的是大家的起點：先用起來，再說別的。

雷峰網文章

雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。