Violoop完成億元級融資：讓AI在真實工作中學會一個人

近日，Violoop正式完成億元級天使輪及Pre-A輪融資。聯想創投、中金保時捷、藍馳創投、元生資本、啟賦資本和Zero2IPO Ventures共同投資，向陽資本擔任長期獨家財務顧問。目前，Violoop已經獲得來自全球約1.2萬人的訂金預訂，產品計劃於9月正式上線。比億元融資更值得關注的，是Violoop與國際PC巨頭聯想正在形成的深層產業協同。過去三年，AI行業一直在回答同一個問題：怎樣把模型訓練得更聰明。模型參數越來越多，推理時間越來越長，回答問題、編寫代碼和規劃任務的能力不斷提升。但當這些能力真正來到一個具體的人身邊時，另一個問題開始顯現：模型知道很多，卻不瞭解這個人。

它不知道一項工作此前如何完成，不知道用戶為什麼在上一次任務中修改了某個決定，也無法穩定繼承跨越多個軟件、多個會話和數週時間形成的工作經驗。即使完成過相似任務，下一次仍可能重新探索。它更像一位能力很強、卻無法完整繼承工作經驗的臨時員工。Violoop試圖解決的，就是AI被交付給用戶之後，如何繼續成長。“基礎模型正在學會世界，但它還沒有真正學會一個人。Violoop要做的，是讓Agent在與你共事的過程中成長。”創始人何佳霖表示。從人的接口，進入整個軟件世界Violoop的第一款產品是一臺巴掌大小的桌面設備，建議零售價為699美元，Kickstarter首發及國內首發期間售價為399美元。

它通過HDMI獲取電腦輸出的畫面，通過USB完成鍵盤和鼠標操作，接入現有電腦即可使用，不要求用戶更換操作系統，也不需要所有軟件逐一為它開放新的接口。這背後是一個看起來樸素、實際上非常關鍵的選擇。五十年個人計算留下了數以百萬計的軟件、界面和工作流，它們全部為人的眼睛和雙手設計。讓AI進入這些軟件，行業常見的路徑是等待軟件開放API，再逐一進行適配和集成。但軟件世界持續變化，大量專業軟件、企業內部系統和長尾工具也從未為Agent準備接口。Violoop選擇讓AI先學會人的接口：看見用戶能夠看見的界面，使用人所使用的鍵盤和鼠標，在大量現有軟件之間完成被授權的工作。

因此，Violoop不是另一臺需要用戶遷移工作的電腦，而是讓個人Agent直接進入用戶已經擁有的電腦，在原有軟件和工作環境中長期在場。人在電腦前時，它可以理解正在發生的工作；人在離開後，它仍可以繼續準備和執行已經獲得授權的任務。這種持續在場帶來的價值，不只是遠程控制或自動點擊。當一個系統能夠跨應用、跨會話、跨時間觀察工作如何發生，它才有機會獲得讓個人Agent持續成長所需要的、更連續和更高密度的上下文：一個任務從哪裡開始，經過了哪些判斷，在哪裡失敗，最後又如何被用戶修正。自進化，不是讓AI無限制地改寫自己在學術研究中，遞歸自我改進、持續學習和AI for AI正受到越來越多關注。

大量工作試圖讓AI自動生成代碼、改進算法、設計實驗，甚至優化下一代AI系統。Violoop不試圖在一款桌面設備上解決模型架構級的自我進化，也不把“自進化”描述為一個可以脫離人類目標、無限擴張的黑盒過程。它選擇的是一條範圍明確的個人化路徑：圍繞一個用戶的真實工作，讓Agent記住經驗、修正執行，並逐步把反覆得到驗證的做法沉澱為更穩定的個人能力。這條路徑分為三個連續階段。第一階段：它先記住與你有關的事實Violoop已經交付的第一層能力，是多模態長期記憶。設備在獲得用戶授權後，可以從日常屏幕活動中提取與工作有關的信息，構建圖文結合的個人知識庫。

它不只是保存截圖或對話記錄，還會週期性重整記憶：合併重複信息、修正已經過時的內容，並重新建立人物、項目、文件和事件之間的關聯。更重要的是，這一層成長對用戶可見。用戶可以打開記憶庫，查看系統目前如何理解自己，發現錯誤時進行糾正，也可以刪除不希望繼續保留的內容。在Violoop創始團隊的內部實測中，系統曾在沒有被主動告知的情況下，通過長期觀察，逐步建立起對產品上線時間、項目進度及多項公司指標的理解。與只在雲端調用通用模型不同，Violoop已經訓練並部署用於記憶抽取和重整的專用模型，使個人記憶的形成和管理能夠在更加本地、可控的環境中完成。但記住一個人，並不等於會替這個人工作。

記憶回答的是“發生過什麼”，真正的個人Agent還需要學習“這項工作應該怎樣完成”。第二階段：它開始學會你的工作方式Violoop的第二層成長，發生在執行框架，也就是Agent Harness中。傳統自動化通常保存一個固定腳本：打開某個頁面，點擊某個按鈕，填寫某個字段。一旦軟件界面變化、任務條件改變或者出現異常，腳本就容易失效。Violoop希望積累的不是某一次任務的點擊錄像，而是完成這類工作的可複用方法：用戶通常從哪裡獲得信息，如何在多個軟件之間傳遞內容，遇到衝突時優先相信什麼，哪些步驟可以提前完成，哪些決定必須等待用戶確認。這些經驗會以工作流記憶、Skills和執行路徑的形式被保存。

下一次遇到相似任務時，系統不再完全從零規劃，而是調用已經形成的能力，並根據新的任務條件進行調整。目前，Violoop的工作流記憶和Skills積累已經上線運行；系統根據任務結果和用戶糾正，自動修改執行方法的反饋閉環，正在持續工程化。這一層決定了Violoop能否從“知道用戶很多事情”，進入“真正越來越會替用戶工作”。第三階段：把被驗證的經驗變成工作本能第三層成長髮生在模型權重中。一個Agent可以把經驗保存在外部記憶裡，每次遇到任務時再進行檢索和推理。但如果某些判斷已經被一個用戶反覆採用、驗證和修正，系統就沒有必要永遠以同樣高的成本從頭思考。

Violoop正在將記憶庫中積累的真實工作軌跡——包括操作序列、決策過程、任務結果和用戶修正——用於個人化後訓練，讓一部分穩定經驗從外部記憶進入模型參數。這可以被理解為一種個人化的“慢思考蒸餾為快思考”：系統最初需要經過較長推理才能作出的判斷，在被反覆驗證後，逐漸成為更快、更自然的反應。Violoop已經在內部訓練與測試中走通“捕捉工作軌跡—形成長期記憶—用於個人化訓練—更新模型參數”的完整鏈路，並進入量產工程化階段。

當前重點已經從“這條鏈路能否成立”，轉向“如何穩定、可評估、可回滾地把它交付給用戶”：包括自動生成訓練數據、篩選真正值得進入參數的經驗、控制更新頻率，以及避免新經驗破壞模型已有能力。26 TOPS端側算力，為持續感知、記憶、本地推理與個人化計算提供底座；更復雜的推理任務，則通過模型路由調用雲端大模型。雲端提供公共智能的能力上限，端側負責沉澱圍繞一個人的長期經驗。這是Violoop自進化路線最關鍵的跨越：從“外部記憶更懂你”，進入“模型本身也開始更懂你”。公司首先聚焦最有用戶價值、也最具商業化條件的個人領域，把一個人在真實工作中反覆驗證的經驗，穩定蒸餾進個人模型。

它不是在端側重新訓練一個通用基礎模型，而是在基礎模型之上，建立任何公共模型天然不具備的個人經驗層。三層成長最終指向同一個結果：系統不只保存用戶做過什麼，也逐漸理解用戶會怎麼做。從響應指令，到形成主動工作的“人工直覺”當記憶、工作流和個人化模型連接起來，Agent的行為會發生一個重要變化：它開始在用戶開口之前準備工作。這種主動性不是多發送幾條提醒，也不是基於日曆設置幾條固定規則。真正有價值的主動行為，需要系統同時知道此刻發生了什麼、這個人過去如何處理類似情況、哪些準備工作是可逆的，以及什麼時機介入不會造成打擾。Violoop將這種能力稱為artificial intuition——人工直覺。

人的直覺並不是神秘的天賦，而是大量經驗被壓縮後的快速判斷。對Agent也是如此：當它經歷足夠多真實任務，理解一個人的偏好和邊界，並持續獲得任務結果與糾正，它才可能在正確的時間，提前完成正確的準備。例如，當一項新的工作請求到來時，Violoop可以根據用戶過往的項目材料和處理方式，先整理相關信息、起草回覆、更新表格或完成其他可逆步驟，用戶只需要在最後檢查和決定。主動性也應當可以被驗證。Violoop將通過主動準備結果的採納率、人工修改次數、重複任務完成時間，以及用戶願意委託的任務深度，判斷系統是否真的形成了更準確的個人判斷，而不只是積累了更多數據。

硬件不僅讓AI在場，也讓人的主動權在場一個越來越主動、能夠操作真實軟件的Agent，也會帶來一個不可迴避的問題：如果系統理解錯了，誰擁有最後決定權？Violoop認為，能力邊界和信任邊界必須同步生長。設備使用獨立安全芯片管理執行側，並將關鍵授權機制與感知、推理系統物理隔離。對於發送、支付、刪除、提交等不可逆操作，產品被設計為要求用戶通過物理按鍵完成最終確認。系統可以提前理解、整理和準備，但最後一次不可逆決定仍然屬於人。這不是為了限制Agent，而是為了讓更主動的Agent能夠被長期信任。當安全規則與Agent運行在同一套軟件環境中，它仍可能受到配置變化、上下文丟失或模型誤判的影響。

獨立的物理確認，則把最後一次授權放到了模型無法自行改寫的執行鏈路之外。“理解在生長，決定權始終不動。”何佳霖表示，“這是Violoop對個人Agent的基本產品哲學，也是硬件在感知與算力之外的另一層價值。”硬件交付，只是個人化開始的時間傳統消費硬件通常在交付給用戶時達到能力峰值，此後主要通過廠商更新增加功能。Violoop希望把這個關係倒過來：產品交付不是能力增長的終點，而是個人化真正開始的時間。從商業上看，這也意味著Violoop不希望只成為一家銷售桌面設備的公司。設備是個人Agent進入真實工作環境的第一個節點。

在它之上，可以持續生長個人化服務、可複用Skills、工作流生態，以及與PC廠商和企業環境的更深合作。硬件銷售證明用戶願意為一個明確的產品付費；長期價值則來自系統是否能夠隨著使用持續提升，並逐漸成為用戶工作中穩定、重要的一層。Violoop的護城河也不是佔有用戶的私人屏幕數據。原始個人數據應當始終屬於用戶。公司真正需要長期積累的，是讓經驗形成能力的學習系統、對真實任務進行評價的機制、跨軟件執行框架、端側個人化效率、硬件級權限架構，以及在用戶明確授權下不斷擴展的Skills生態。

當基礎模型能力越來越強、調用價格越來越低，越來越多公司都可以以更低成本獲得更強的公共智能，但它們不會因此自動獲得一個人的歷史、反饋、工作方式和信任。基礎模型提供公共智能，Violoop希望建立個人經驗層。模型越強、調用成本越低，個人經驗層的價值反而越高。從端雲協同，走向分佈式個人智能Violoop對端雲協同的理解，並不是讓端側設備成為雲端模型的縮小版本。雲端基礎模型負責學習世界，提供不斷增強的通用智能；端側個人Agent則負責長期理解一個人，保存只屬於這個人的記憶、工作方式和個人化能力。雲端決定智能的公共上限，端側沉澱無法由公共模型替代的個人經驗。

更長期來看，Violoop希望建立的不是一個將所有個人數據匯入中心的Hive Mind，而是一個由個人擁有的智能節點組成的分佈式網絡。每個個人Agent首先並且只為其用戶的利益工作。只有在用戶明確授權、個人隱私得到保護的前提下，經過驗證、能夠被泛化且不包含個人信息的能力，未來才可能在不同節點之間協同演進。這意味著，未來智能的進步可能來自兩條同時發生的路徑：雲端基礎模型不斷提升公共智力，每個端側個人Agent則在真實工作中積累獨特經驗。二者並不是替代關係，而是一種相互增強的協作關係。智能不應只被少數雲端平臺擁有。基礎模型可以成為公共基礎設施，但每個人的記憶、經驗和個人模型，應當始終屬於他自己。

不是一個抹去個體差異的共同意識，而是每個人都擁有自己的智能。讓AI自進化從實驗室來到桌面今天，行業討論自進化時，常常指向實驗室中的代碼生成、模型優化和自動科研。這些工作可能改變AI如何創造下一代AI，但距離普通用戶的日常工作仍然遙遠。Violoop選擇的是另一條路徑：不爭論自進化的終極學術邊界，而是先把它變成每天能夠被用戶感受到的產品體驗。用戶可以打開記憶庫，查看、糾正和刪除系統對自己的理解；工作流與Skills是否真的成長，則可以通過重複任務的完成時間、人工修改次數和任務結果進行驗證。成長不應只是一句發生在後臺的口號，而應當是一條可觀察、可評估、可干預的過程。

Violoop選擇的，是一個足夠困難、回報也足夠大的問題：讓AI在真實工作中持續成長，同時在能力增長的每一步，把最終權力留在人手中。如果這條路徑成立，未來每個人都可以擁有一個長期在場、持續成長，並且只圍繞自己利益工作的個人Agent。它不會只因為廠商發佈新版本才變得更聰明，而是在與你共事的過程中積累經驗；它保存的不只是你做過什麼，也會逐漸理解你通常會怎麼做。基礎模型正在學會世界。Violoop讓AI開始學會一個人。