作者 I 王彬

封面 I Her

AI 应用层的竞争正在进入 Personal AI 阶段。除了回答问题、完成任务，AI 还需要持续理解使用它的人。

9 月 8 日才上线的 Meta 个人智能体 Muse，用了大约十天就登顶美区 App Store 免费榜，把 ChatGPT 压到了身后。

此前就有征兆：年初谷歌提出 Personal Intelligence，让 Gemini 打通 Gmail、YouTube；6 月 OpenAI 升级记忆系统，让个人偏好能延续、能更新；苹果把 iPhone 定义成“个人智能中枢”。个人 AI 这把火，是实打实烧起来了。

Bernstein 分析师 Stacy Rasgon 的一句话点破了这次爆发的分量：“到目前为止，大多数代理类应用并非真正面向普通人。”而 Muse 们正在跨过这道坎——消费级 AI 从开发者工具走向大众消费品，从基础设施投入期走向产品兑现期。

巨头们各自的路径不同，方向一致：在回答问题、完成任务之外，让 AI 持续理解用它的人，朝着 Personal AI 的目标演进。

国内也是同一条线。9 月 22 日，千问在云栖大会上宣布加速打造 Personal Agent，提出构建个人全域、终身 Context，为每位用户提供深度理解自己的专属 Agent，并公布一系列产品新进展。

大模型爆发不到四年间，我们就已经历了无数个技术迭代，或许终于等来真正的 Personal AI 时代。

被低估的个人 AI

人们愿意花在 AI 上的时间和金钱都在越来越多。

Menlo Ventures 在最新的消费级 AI 报告中估算，2026 年全球消费者 AI 支出达到 400 亿美元，是上一年的三倍多。Menlo 形容称，今年消费级人工智能的变化是“going deep”，用户对 AI 的每日使用率从 19%跃升至 25%，52%的用户表示自己比去年使用得更频繁。

“个人对智能的需求，远超大家的想象。”千问产品负责人郑嗣寿在云栖大会上说。自去年 11 月上线以来，千问总用户数已超过 3 亿。

用户增长只是一方面。郑嗣寿介绍，过去十个多月，千问上的复杂任务占比增长了 5 倍，用户沟通轮次达到 5 至 8 轮。随着交流深入，用户会逐步补充条件，提出更具体的要求，也期待 AI 交付更完整的结果。

搜索、写作曾是许多人接触 AI 的起点。但随着底座模型和 Agent 处理复杂任务的能力增强，用户开始尝试把更多个人事务交给 AI。持续的交互又让 AI 积累了更多 Context，有条件提供更贴合用户需要的帮助。

小到一次感冒的用药咨询或者假期旅游规划，大到职业建议乃至志愿填报这样的人生大事，现在我们遇到问题几乎下意识地就抛给 AI。

这些问题的解答也更依赖 AI 对个人的理解。你的年龄、既往病史和近期身体变化，都会影响 AI 的健康判断。你的投资经验和风险承受能力，也会影响 AI 的理财建议。用户问的是同一个问题，适合他的回答可能完全不同。

千问在实践中发现，62%的用户问题，在使用中长期上下文或用户画像后，可以得到更好的回答，而且这一比例还在提升。许多看似简单的提问，也需要调用相当多的个人 Context。比如你只是让 AI 推荐一些电影，它也要结合你的观影喜好来回答。

个人 Context 的建立不是一件易事。一个人的信息分散在不同领域且交叉影响，人也总是处在动态变化之中。AI 既要理解这些信息，还要判断它们之间的关系，以及哪些已经不再适用。

你换了一份工作，工资变了，你的消费偏好和理财规划也会改变。生了一场小病，你接下来一段时间不能再去健身房。又或者孩子小升初，也会影响整个家庭的时间和支出计划。

“个人需求不等于简单需求，看似简单的问题背后，意图千差万别。”郑嗣寿说，“要满足这些需求，既要能处理复杂任务，更要理解这个具体的人。”

千问从上线第一天起，就将“让智能平等地服务每一个人”作为愿景。此后无论是接入阿里生态、拓展外卖打车等“AI 办事”能力，还是上线千问开放平台，都在不断扩宽 AI 服务的生态。

如今，随着 Agentic 能力和 Harness 架构的逐渐成熟，千问有了进一步做深服务的条件，开始加速推动 Personal Agent 的落地。

过去的 AI 没法更懂你

虽然各家大厂都在朝着 Personal AI 的目标迈进，但基于自身能力和生态禀赋的差异，各家的落地路径或有差异。

谷歌和苹果算是生态打法。靠着搜索、邮箱、日历等个人信息入口，谷歌的 Personal Intelligence 更强调打通用户的不同应用。苹果则依托手机、手表乃至耳机等硬件及系统构成的 Apple 生态，推出了“个人智能中枢”的概念。

只拥有 ChatGPT 的 OpenAI 更强调技术升级。OpenAI 两年前就为 ChatGPT 引入了记忆系统，但过去只是简单粗暴地记住信息，不够准确也容易过时。现在最新基于 Dreaming V3 构建的记忆系统，已经可以实现只延续有用的上下文、更遵循用户偏好且能随时间自动更新。

千问的思路同时涉及生态建设和技术架构。考虑到现实生活中个人需求受不同环境因素影响，他们认为如果只做好单一场景的 Context，就无法做好这个单一场景。他们希望从三个不同维度入手，构建起个人全域、终身的 Context。

首先是围绕身份建立通用 Context。不同背景的用户有着不同的目的，人生阶段的调整也会影响你的规划和目标。AI 需要在持续交互中理解这些变化，区分相对稳定的个人特征与阶段性的需求，同时及时调整对用户的认识。

后两个有点类似于谷歌和苹果的生态路线。一方面，千问要在典型场景如健康、学习、理财等场景沉淀出领域级 Context。另一方面，则要围绕多种设备构建多终端 Context，将日常生活与所处环境连接起来。

个人 Context 的积累，也将改变 AI 应用的竞争逻辑。过去用户在不同 Chatbot 之间随时迁徙，哪个模型能力更强就换哪个，迁移几乎没有成本。

但在个人 Context 逐渐积累之后，你相当于拥有了一个专属于自己的 AI Agent，它了解你的家庭情况、个人偏好、过去的任务进展乃至未来规划，能够根据你的情况做出针对性的解答。即便后续迭代的新模型再强，如果短期内没有 Context 积累，也未必能给出你更准确的答案。

这就让 Personal AI 的竞争多了一层时间优势。更早地开始建立起对用户的有效理解，也就占据了先发优势。

华尔街也看到了同一件事——富国分析师在给 Meta 上调目标价时写的是：谁先到市场，谁就占优，AI 助手用得越多，就越有价值。

千问此时选择加速推进 Pesrsoanl Agent 的落地，或许也正是看到了 AI 助手的竞争变化。

未来 Personal Agent 的竞争，必然包含个人 Context 的竞争。只有更完整地理解一个人，才能把通用智能真正变成个人智能。

Personal AI 或许才决定智能上限

过去一段时间市场对 AI to C 的信心不足，很大程度上是由于过去的 Chatbot 无法更好地承接用户更深层次的需求。

今天大多数 Chatbot 仍然更偏工具属性。用户有问题时主动打开，完成一次搜索问答后就不再停留，用完即走。即便已经拥有数亿用户，它们和用户之间的关系仍然主要建立在一次次重复的工具属性上。AI 提供的只是工具，而非服务。

但真正的 Personal AI 却完全不同。随着长期 Context 的积累，个人 AI 对一个人的价值会随时间不断加深。它了解你的所思所想，知道你当前关心什么，更有能力承接更深入的个性化服务，而不仅仅是工具。

Personal AI 的特殊在于，它并非局限在一个细分场景或需求。一个人的日常生活总是覆盖方方面面，从简单的旅游规划购物建议，到垂直的教育理财乃至复杂工作任务的梳理。某种程度上，Personal Agent 就是未来个人需求与各类数字服务之间的新入口。

过去我们曾在科幻电影中看到过不少类似场景。比如《钢铁侠》中的随叫随到的贾维斯，又或者《Her》中斯嘉丽·约翰逊饰演的 AI 助手萨曼莎。

大模型爆发之初，我们一度以为这些幻想都将成为现实，但通用智能毕竟不是专属智能。好在当前市场开始逐渐向 Personal AI 方向演进，这些幻想已经不再遥远。

今年 9 月的苹果发布会上，新任苹果 CEO 特努斯为 iPhone 提出了一个“个人智能中枢”的新概念。在苹果中设想中，升级后的 Siri AI 可以借助各类设备和系统信息，为你提供更个性化的智能服务。

扎克伯克也提出了所谓“个人超级智能” （Personal Superintelligence）的概念，宣称每个人都将拥有理解自己的智能体，他们已经发布了 Personal Agent 产品 Muse。

Muse

当然，Personal Agent 也并非一蹴而就，更依赖长期的耕耘。这或许也是千问在当前的 Persoanl AI 竞争中的优势之一。它们更早地看到 Personal AI 的价值，更早地开始推进各类 AI 服务落地。

郑嗣寿透露，接下来，千问将把不同场景、产品功能与不同硬件中的上下文，沉淀为统一的 Personal Context，再与健康、学习、工作等领域级 Agent 结合，升级为下一代 Personal Agent。

这项工作还需要更多生态伙伴参与。“想真正打造服务全生活状态的 Personal Agent，仅靠千问自己是不够的，需要去汇聚千行百业的能力。”郑嗣寿说。

截至目前，千问开放平台覆盖的领域已扩展至 20 多个，涉及本地生活、物流、求职、运动等领域，申请入驻伙伴超过 1000 家。

AI 的进步总是超出普通人的想象，我们或许不用等待太久。