AI技术现在发展得太猛了，简直酷到让人有点小紧张，对不对？就算你不是技术宅，也能轻松上手一些超神的AI工具。
比如，Google的Gemini live，那家伙能实时“看”到你的屏幕内容；还有ChatGPT那个高级语音模式，简直就像在和一个反应超快的AI智能体聊天，它也能感知你周围的世界。更别提微软的Co-pilot vision了，它甚至能“看到”你浏览网页时，连你自己都没注意到的深层信息。
让AI“看见”你，看到你的数据，无疑能释放巨大的能量，可能性简直无穷无尽。但硬币总有两面，危险也如影随形。我们真的应该把所有数据都交给这些大公司吗？这么做的坏处又是什么呢？
不管你怎么看，今天这个话题都值得咱们好好琢磨。因为无论你是否情愿，这都是生成式AI的未来趋势——摄像头、有形的AI助手，它们会无处不在。生成式AI可不仅仅是你安安静静在家里或办公室里敲敲键盘的那个大型语言模型，它是一种“活”的技术。所以，我们必须搞清楚它的魔力，也得警惕它的“魔爪”。
今天，我们特别请到了迈克尔·蒂法尼（Michael Tiffany），他是Fulcra Dynamics的联合创始人兼首席执行官，来和我们深入聊聊这个话题。迈克尔，先给大家介绍一下你们在Fulcra Dynamics主要做些什么吧？
迈克尔透露，Fulcra Dynamics致力于构建一个个人数据存储库，专门收集我们日常生活中可穿戴设备产生的各种数据，比如大量的生物特征信息，你还可以导入你的日历、位置信息等等。他们的核心理念是，把你所有能产生信息的系统整合起来，置于你自己的掌控之下，让你能真正拥有、探索这些数据，并将其与一个得力的AI助手连接起来。
那么，谁是Fulcra的典型用户呢？迈克尔说，一类是那些拥有多个可穿戴设备、热衷于“生物黑客”生活方式的人。他们厌倦了每个设备都有自己独立的APP和仪表盘，希望有一个统一的平台，最好能在大屏幕上查看所有数据，就像企业拥有商业智能仪表盘一样，这是个人生活的“个人智能仪表盘”。另一类用户，则是把Fulcra当作个人“数据湖”来使用的人，他们收集所有数据，然后训练一个AI来调用这些数据，从而拥有一个真正个性化的AI助手。
Fulcra Dynamics尤其擅长处理那些“非文件化”的流式数据，比如你的日历、心率这类持续更新的信息。迈克尔认为，目前市面上缺乏面向消费者的流式数据存储方案，所以他们几乎是从零开始打造了这样的产品。他还提到，他们系统在存储位置历史方面做得比其他任何替代方案都好，并且几乎可以接入任何物联网设备。
聊到AI时刻“看见”我们的力量与危险，迈克尔坦言自己渴望成为一个“赛博格”（Cyborg），并认为在植入式技术成熟之前就有可能实现。他举例说，像Oura这样的智能戒指，已经能感知他的压力水平，这简直是超越漫画书的科技。他身上有各种智能设备：智能床、联网体重秤、几乎就是带轮子电脑的汽车。如果这些设备的数据能被统一管理，潜力巨大。他一直致力于探索如何利用这些设备实时增强自己的认知能力。
但同时，作为一个曾经的“黑客小子”（参与过Ninja Networks），迈克尔对安全问题也异常警觉。他指出，虽然AI能极大提升我们的认知能力，但危险在于，一旦数据进入了Transformer模型的“潜空间”，就很难真正删除了，某种程度上它不再完全属于你了。因此，如果我们要实际应用这些模型，必须有一个“撤销按钮”。比如，他可以授权给Claude或ChatGPT访问他的位置和心率（他的定制GPT甚至知道他正在接受这次访谈以及他当前的心率！），但也必须能够随时撤销这个决定，告诉AI“你无权再访问这些数据了”。他努力的方向，就是创造一个能让人们安全地将个人数据与AI连接的未来，但这扇门必须是双向的。
随着我们从大型语言模型迅速转向通用人工智能甚至超级智能的讨论，未来的危险是什么？迈克尔认为，一个可能的社会问题是，我们都可能变得过度偏执。隐私非常重要，甚至应该被视为一项基本人权。因为一旦失去隐私，人的精神状态就会受到影响。我们不希望社会大众都活在“谁在看着我”、“什么数据被收集了”的焦虑之中。
他进一步解释，随着超级智能似乎触手可及，它需要通过“可观察性”来为我们提供帮助。但这种可观察性必须有隐私保护，否则就会产生“时刻被监视”的感觉。这种转变可能比我们想象的要快。想想看，全世界安装了多少用于安防的监控摄像头？以前我们不觉得太毛骨悚然，因为没有无限多的人手去实时观看每个摄像头的画面。但现在，只要加入一个能理解所见内容的人工智能模型，每一个摄像头都会变成一个实时的“观察者”和“解读器”。这几乎像按一下开关那么简单，我们可能从相对安全的隐私状态，迅速滑向一个“再怎么偏执也不为过”的状态，而社会对此可能毫无准备。
迈克尔还分享了他个人的一些具体实验。大约一年前，他第一次让自己的定制GPT（他称之为“Operator”）接入了他的Filer数据存储。当时他要去参加一个黑客会议，就问Operator：“我明天的航班落地后，应该去哪里吃早餐？” Operator不仅调用了他的日历信息，找到了航班，还超乎预期地查看了他后续的日程，发现了他预订的酒店，并推荐了酒店附近五家供应早餐的餐厅。这个结果让他非常惊喜，因为AI比他预想的更“聪明”。
他发现，让AI模型访问他的日历数据非常有用，模型能从中推断出很多关于他个人的信息，比如家庭关系（即使他从未明确告知），并据此提供一些主动性的建议。位置历史数据也很有价值。他提到，很多记忆的编码与地点有关，通过AI辅助搜索位置信息，再关联到时间戳，就能找到相关的记录（比如Otter的录音转写），从而辅助回忆。
他还尝试了一些更有趣的实验，比如用廉价网络摄像头对着冰箱，记录自己（以及家人，这让他意识到需要本地模型处理这类可能涉及隐私的影像，比如家人可能穿着随意地去开冰箱）的零食习惯，以此来观察自己拖延工作时的行为模式。他还安装了智能断路器，通过监测家中各电器的用电情况，让AI分析烹饪习惯等。虽然这些实验还在调整中，比如电量数据可能比较“嘈杂”，未来可能需要结合摄像头来更精确地识别烹饪内容。
总的来说，迈克尔对他能更好地理解自身行为模式、并通过AI辅助记忆感到非常满意。他强调，尽管他乐于“自我监控”，但也非常看重“关闭开关”的权利，并且会智能地选择数据处理方式，比如敏感数据使用本地的小型模型进行预处理。
谈到AI模型越来越小、能力越来越强（比如微软的Phi-4模型用140亿参数就达到了惊人的性能）的趋势，迈克尔认为这将推动“本地计算”的复兴。未来个人计算可能会像现在的企业软件一样，混合使用本地计算和云端前沿模型。这意味着，普通消费者也将面临企业级的数据“编排”挑战——如何让来自不同制造商、运行在不同环境（本地/云端）的设备和数据协同工作，这会是一个巨大的、尚未解决的问题，也为创业者提供了机会。
那么，对于我们这些日益被AI“看见”的普通人来说，最重要的启示是什么呢？迈克尔给出了两点建议：
- 立刻开始亲身试验。 就算没有编程技能，也尝试创建自己的GPT。通过实践，训练自己的大脑，思考如何将AI应用于你面临的问题。这会让你迅速站到时代前沿。
- 审视并掌控你生活中的数据。 思考一下你目前有哪些设备在产生数据，这些数据存储在哪里，你信任哪些第三方？开始着手控制你自己的“数据足迹”。
迈克尔的分享真是脑洞大开又引人深思。在AI技术飞速发展的今天，理解其力量，警惕其风险，并主动学习如何驾驭它，对我们每个人都至关重要。