不是更酷的参数，
我在广州创业，长期折腾服务器、GPU 与模型实验。现在，我正在把 AI 服务器、部署软件、Agent 设备和算力服务连成一条更容易使用的本地 AI 路径。
我不想把本地 AI 做成少数人才用得起、也只有少数人会维护的东西。工作从真实机器开始，再一路走到模型、Agent 和长期学习的个人 AI。
硬件、驱动、环境、模型、工作流之间的空隙，往往才是本地 AI 最真实的门槛。
更低的成本、更清楚的部署、更可控的数据与能力，才会让私有 AI 真正进入个人和企业。
从 AI 服务器到一键部署、从模型实验到 Agent，不是散落产品，而是一套逐渐完整的系统。
A MAP OF QUESTIONS, NOT A RESUME
这不是一份按年份排列的履历。每一格都记录一个被亲手碰到的问题、一次判断，以及它推着我走向的下一层问题。许多阶段，至今仍在并行发生。
2008.08.28 / 广州
ORIGIN
FIELD ARCHIVE / VISUAL REFERENCEMark 来自广州，也在广州创业。这里不是一条被包装过的成长线，而是一条从现实问题出发的路线。
阶段 / 物理算力
COMPUTE
FIELD ARCHIVE / VISUAL REFERENCE算力不是参数表上的一个数字。V100、3090、DGX Spark 与多机多卡集群，是理解本地 AI 的真实现场。
阶段 / 模型实验
MODEL
FIELD ARCHIVE / VISUAL REFERENCE微调、对齐、检索与架构不是术语收藏；它们是让模型更贴近任务、更适合落地的不同工具。
阶段 / 硬件产品
PRODUCT
FIELD ARCHIVE / VISUAL REFERENCEAI 服务器、GPU 工作站、定制机箱、水冷与算力基础设施不是孤立品类，而是私有 AI 的第一层体验。
NOW / COSMICAGI
SYSTEM
FIELD ARCHIVE / VISUAL REFERENCE现在正在搭建的，是把识别、部署、模型、Agent、算力服务和企业自动化连在一起的系统。
NEXT / PERSONAL AI
MEMORY
FIELD ARCHIVE / VISUAL REFERENCE个人 AI 与数字分身不是表面模仿，而是关于知识、表达方式、思维特点与长期学习的研究方向。
每一层都还在生长。但方向很明确：让私有 AI 不只存在于昂贵硬件、复杂教程或一次性对话里，而能成为真正可以拥有、部署和使用的能力。
V100 · 3090 · DGX Spark · 多机多卡
服务器 · 工作站 · 机箱 · 水冷
识别硬件与驱动 · 一键部署
训练 · 对齐 · RAG · MoE
OpenClaw · 自动化 · API
长期学习 · 数字分身
04 / BUILDING THE STACK
不只写“我在做什么”。下面每张卡都写清楚：用户在哪里卡住、我做了怎样的判断、正在如何拆解，以及下一步准备往哪里推。
VISUAL REFERENCE / COMPUTE FIELDWORKV100、3090、DGX Spark，以及多机多卡集群，是 Mark 理解本地 AI 的起点。真实机器会把参数表里看不到的摩擦全部推到眼前。
NEXT / 继续将不同设备带来的复杂性收敛成更清楚的产品路径。
VISUAL REFERENCE / HARDWARE AS ENTRYAI 服务器、GPU 工作站、定制机箱与水冷、算力基础设施，不应该是四个互不相干的产品名词。它们共同回答：一个人或团队怎样更容易拥有自己的 AI。
NEXT / 让硬件自然接入更低门槛的部署、模型与 Agent 体验。
VISUAL REFERENCE / DEPLOYMENT LAYER许多人卡住的地方，不是不会使用模型，而是模型开始运行之前：硬件是什么、驱动对不对、环境怎么配、模型怎么装。
NEXT / 继续把模型可运行的路径，从教程和经验变成清楚、可重复的流程。
VISUAL REFERENCE / MODEL LABLLaMA-Factory、LoRA、QLoRA、SFT、DPO、GRPO、RAG 与 MoE，是一组不同的问题工具。实验的价值不在于收集名词，而在于形成可以落地的判断。
NEXT / 继续把模型实验沉淀为本地可运行、可组合的能力层。
VISUAL REFERENCE / AGENT SYSTEMSOpenClaw / Agent 设备和企业 AI 自动化工具的方向，来自一个很简单的判断：模型不是终点，它需要进入设备、任务和工作流。
NEXT / 让能力在具体场景里验证，而不是在空泛的万能 Agent 叙事中停留。
VISUAL REFERENCE / COMPUTE ACCESS同一层基础设施，应该能以不同方式被使用：有人需要一台机器，有人只需要一次调用，有人需要把能力接进自己的系统。
NEXT / 继续探索更少摩擦的计算访问方式，让资源不被闲置在单一机器里。
05 / FIELD NOTES
硬件体验从来不只是一张规格表。
真正的系统，始终在真实环境里验证。
从广州出发，想把私有 AI 带回现实世界。
个人 AI 不是一次惊艳的对话，而是一段不断累积的理解。
比起等待完美条件，我更愿意把真实机器、真实模型和真实场景放在一起。实验不是炫技，它是把下一步判断变得更准确的方式。
V100 · RTX 3090 · DGX Spark · 多机多卡
WHAT IT TEACHES / 先弄清机器怎样运转，再判断它能为模型与用户带来什么。
LLaMA-Factory · LoRA · QLoRA · SFT · DPO · GRPO
WHAT IT TEACHES / 训练与对齐是为了形成判断，不是为了堆叠术语。
RAG · MoE · 长期学习
WHAT IT TEACHES / 知识、检索、架构与记忆，决定模型能否从回答走向理解。
一键部署 · OpenClaw · API · 企业自动化
WHAT IT TEACHES / 技术只有进入设备和工作流，才会成为真正可用的系统。
07 / OPERATING SYSTEM
对我来说，快不是仓促。快是尽早让一个假设进入真实世界，尽早看见它在硬件、成本、维护和用户反馈里到底哪里成立、哪里不成立。
先找真实的摩擦点，而不是从抽象功能清单出发。
速度比完美更早带来反馈；系统必须先落到设备或项目里。
观察硬件、成本、维护、用户操作和工作流真正卡住的地方。
不为标准流程增加复杂度，留下对结果、速度和成本有价值的部分。
每一次实验都应该成为下一代硬件、软件或 Agent 系统的输入。
08 / THE NEXT LOOP
我正在持续把硬件、模型、部署、Agent 与个人 AI 研究连成同一个方向。不是为了做一堆互不相干的功能，而是想让私人 AI 逐渐变得更便宜、更简单，也更接近每个人真正需要的样子。