雷峰网讯 2026 年 4 月的一个凌晨，4 点 07 分，一切崩溃了。
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
为什么非要让 AI 帮我迁移 20 年的 " 数字垃圾 "？
先说说我的 " 执念 "：20 年不重装系统
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 "）。
M5 Max 的 " 杀手锏 "：让大模型 " 住 " 进家用电脑
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：
AI 当 " 系统管理员 "，迁移 20 年数据零翻车
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。
传统迁移 vs AI 迁移：一个 " 照搬 "，一个 " 懂你 "
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。
最惊喜的时刻：AI 主动帮我 " 断舍离 "
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。
三层排查清单：连我自己都忘了的东西，AI 都找到了
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。
速度翻倍：AI 帮我优化迁移速度，一个周末搞定
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
刷新认知：
AI 不止能迁移数据，还能帮我 " 修电脑、省 money"
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。
惊喜时刻 1：AI 记住了我所有设备的状态
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。
惊喜时刻 2：AI 破解了主板限制，给我的 Windows 电脑 " 提速 "
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。
惊喜时刻 3：AI 发现了硬盘的 " 物理故障 "，还教我怎么修
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。
意外收获：AI 帮我淘汰了所有付费软件，零成本搞定一切
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
从控制风扇开始：AI 接管我家的 " 智能设备 "
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。
小尝试：让风扇 " 听 GPU 的话 "，给 AI 降温
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。
痛点解决：让 " 各自为政 " 的智能家电，变成 " 一家人 "
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 "。
进阶操作：AI 接管我的两辆特斯拉，每月省不少电费
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
额外惊喜：AI 当 " 安全卫士 "，找出电脑里的 4 个木马
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。
AI 管家上线：整理 20 年数据，还能记住我的所有事
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。
照片管理：AI" 看 " 懂照片，帮我分类、找照片
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。
AI 的 " 超强大脑 "：记住我所有的对话和决定
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
不完美的 AI：
那些踩过的坑，也是成长的代价
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。
坑 1：照片静默丢失，AI" 自信犯错 "
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。
坑 2：遗漏应用文件，反复检查才找全
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。
坑 3：升级必出问题，我们一起 " 找规律 "
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
钢铁侠的 Jarvis 不是科幻，
是我们亲手打造的日常
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
写在最后：
我的家庭 AI 工作站，是 " 一点点长出来的 "
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。
第一步：从两台电脑开始，解决 " 算力不够 " 的问题
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。
踩坑无数后，我找到一个 " 笨办法 "：给 AI" 分工 "
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。
避坑提醒：别用 Ollama，Apple 用户直接选 MLX
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。
最终配置：家用 AI 工作站的 " 最优解 "
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。
NAS 的 " 正确用法 "：只做 " 本职工作 "，别让它 " 加班 "
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。
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。
雷峰网文章
