近日，Violoop正式完成亿元级天使轮及Pre-A轮融资。联想创投、中金保时捷、蓝驰创投、元生资本、启赋资本和Zero2IPO Ventures共同投资，向阳资本担任长期独家财务顾问。

目前，Violoop已经获得来自全球约1.2万人的订金预订，产品计划于9月正式上线。比亿元融资更值得关注的，是Violoop与国际PC巨头联想正在形成的深层产业协同。

过去三年，AI行业一直在回答同一个问题：怎样把模型训练得更聪明。

模型参数越来越多，推理时间越来越长，回答问题、编写代码和规划任务的能力不断提升。但当这些能力真正来到一个具体的人身边时，另一个问题开始显现：模型知道很多，却不了解这个人。

它不知道一项工作此前如何完成，不知道用户为什么在上一次任务中修改了某个决定，也无法稳定继承跨越多个软件、多个会话和数周时间形成的工作经验。即使完成过相似任务，下一次仍可能重新探索。

它更像一位能力很强、却无法完整继承工作经验的临时员工。

Violoop试图解决的，就是AI被交付给用户之后，如何继续成长。

“基础模型正在学会世界，但它还没有真正学会一个人。Violoop要做的，是让Agent在与你共事的过程中成长。”创始人何佳霖表示。

从人的接口，进入整个软件世界

Violoop的第一款产品是一台巴掌大小的桌面设备，建议零售价为699美元，Kickstarter首发及国内首发期间售价为399美元。

它通过HDMI获取电脑输出的画面，通过USB完成键盘和鼠标操作，接入现有电脑即可使用，不要求用户更换操作系统，也不需要所有软件逐一为它开放新的接口。

这背后是一个看起来朴素、实际上非常关键的选择。

五十年个人计算留下了数以百万计的软件、界面和工作流，它们全部为人的眼睛和双手设计。让AI进入这些软件，行业常见的路径是等待软件开放API，再逐一进行适配和集成。

但软件世界持续变化，大量专业软件、企业内部系统和长尾工具也从未为Agent准备接口。

Violoop选择让AI先学会人的接口：看见用户能够看见的界面，使用人所使用的键盘和鼠标，在大量现有软件之间完成被授权的工作。

因此，Violoop不是另一台需要用户迁移工作的电脑，而是让个人Agent直接进入用户已经拥有的电脑，在原有软件和工作环境中长期在场。

人在电脑前时，它可以理解正在发生的工作；人在离开后，它仍可以继续准备和执行已经获得授权的任务。

这种持续在场带来的价值，不只是远程控制或自动点击。

当一个系统能够跨应用、跨会话、跨时间观察工作如何发生，它才有机会获得让个人Agent持续成长所需要的、更连续和更高密度的上下文：一个任务从哪里开始，经过了哪些判断，在哪里失败，最后又如何被用户修正。

自进化，不是让AI无限制地改写自己

在学术研究中，递归自我改进、持续学习和AI for AI正受到越来越多关注。大量工作试图让AI自动生成代码、改进算法、设计实验，甚至优化下一代AI系统。

Violoop不试图在一款桌面设备上解决模型架构级的自我进化，也不把“自进化”描述为一个可以脱离人类目标、无限扩张的黑盒过程。

它选择的是一条范围明确的个人化路径：围绕一个用户的真实工作，让Agent记住经验、修正执行，并逐步把反复得到验证的做法沉淀为更稳定的个人能力。

这条路径分为三个连续阶段。

第一阶段：它先记住与你有关的事实

Violoop已经交付的第一层能力，是多模态长期记忆。

设备在获得用户授权后，可以从日常屏幕活动中提取与工作有关的信息，构建图文结合的个人知识库。

它不只是保存截图或对话记录，还会周期性重整记忆：合并重复信息、修正已经过时的内容，并重新建立人物、项目、文件和事件之间的关联。

更重要的是，这一层成长对用户可见。

用户可以打开记忆库，查看系统目前如何理解自己，发现错误时进行纠正，也可以删除不希望继续保留的内容。

在Violoop创始团队的内部实测中，系统曾在没有被主动告知的情况下，通过长期观察，逐步建立起对产品上线时间、项目进度及多项公司指标的理解。

与只在云端调用通用模型不同，Violoop已经训练并部署用于记忆抽取和重整的专用模型，使个人记忆的形成和管理能够在更加本地、可控的环境中完成。

但记住一个人，并不等于会替这个人工作。

记忆回答的是“发生过什么”，真正的个人Agent还需要学习“这项工作应该怎样完成”。

第二阶段：它开始学会你的工作方式

Violoop的第二层成长，发生在执行框架，也就是Agent Harness中。

传统自动化通常保存一个固定脚本：打开某个页面，点击某个按钮，填写某个字段。一旦软件界面变化、任务条件改变或者出现异常，脚本就容易失效。

Violoop希望积累的不是某一次任务的点击录像，而是完成这类工作的可复用方法：用户通常从哪里获得信息，如何在多个软件之间传递内容，遇到冲突时优先相信什么，哪些步骤可以提前完成，哪些决定必须等待用户确认。

这些经验会以工作流记忆、Skills和执行路径的形式被保存。

下一次遇到相似任务时，系统不再完全从零规划，而是调用已经形成的能力，并根据新的任务条件进行调整。

目前，Violoop的工作流记忆和Skills积累已经上线运行；系统根据任务结果和用户纠正，自动修改执行方法的反馈闭环，正在持续工程化。

这一层决定了Violoop能否从“知道用户很多事情”，进入“真正越来越会替用户工作”。

第三阶段：把被验证的经验变成工作本能

第三层成长发生在模型权重中。

一个Agent可以把经验保存在外部记忆里，每次遇到任务时再进行检索和推理。但如果某些判断已经被一个用户反复采用、验证和修正，系统就没有必要永远以同样高的成本从头思考。

Violoop正在将记忆库中积累的真实工作轨迹——包括操作序列、决策过程、任务结果和用户修正——用于个人化后训练，让一部分稳定经验从外部记忆进入模型参数。

这可以被理解为一种个人化的“慢思考蒸馏为快思考”：系统最初需要经过较长推理才能作出的判断，在被反复验证后，逐渐成为更快、更自然的反应。

Violoop已经在内部训练与测试中走通“捕捉工作轨迹—形成长期记忆—用于个人化训练—更新模型参数”的完整链路，并进入量产工程化阶段。

当前重点已经从“这条链路能否成立”，转向“如何稳定、可评估、可回滚地把它交付给用户”：包括自动生成训练数据、筛选真正值得进入参数的经验、控制更新频率，以及避免新经验破坏模型已有能力。

26 TOPS端侧算力，为持续感知、记忆、本地推理与个人化计算提供底座；更复杂的推理任务，则通过模型路由调用云端大模型。

云端提供公共智能的能力上限，端侧负责沉淀围绕一个人的长期经验。

这是Violoop自进化路线最关键的跨越：从“外部记忆更懂你”，进入“模型本身也开始更懂你”。

公司首先聚焦最有用户价值、也最具商业化条件的个人领域，把一个人在真实工作中反复验证的经验，稳定蒸馏进个人模型。

它不是在端侧重新训练一个通用基础模型，而是在基础模型之上，建立任何公共模型天然不具备的个人经验层。

三层成长最终指向同一个结果：系统不只保存用户做过什么，也逐渐理解用户会怎么做。

从响应指令，到形成主动工作的“人工直觉”

当记忆、工作流和个人化模型连接起来，Agent的行为会发生一个重要变化：它开始在用户开口之前准备工作。

这种主动性不是多发送几条提醒，也不是基于日历设置几条固定规则。

真正有价值的主动行为，需要系统同时知道此刻发生了什么、这个人过去如何处理类似情况、哪些准备工作是可逆的，以及什么时机介入不会造成打扰。

Violoop将这种能力称为artificial intuition——人工直觉。

人的直觉并不是神秘的天赋，而是大量经验被压缩后的快速判断。对Agent也是如此：当它经历足够多真实任务，理解一个人的偏好和边界，并持续获得任务结果与纠正，它才可能在正确的时间，提前完成正确的准备。

例如，当一项新的工作请求到来时，Violoop可以根据用户过往的项目材料和处理方式，先整理相关信息、起草回复、更新表格或完成其他可逆步骤，用户只需要在最后检查和决定。

主动性也应当可以被验证。

Violoop将通过主动准备结果的采纳率、人工修改次数、重复任务完成时间，以及用户愿意委托的任务深度，判断系统是否真的形成了更准确的个人判断，而不只是积累了更多数据。

硬件不仅让AI在场，也让人的主动权在场

一个越来越主动、能够操作真实软件的Agent，也会带来一个不可回避的问题：如果系统理解错了，谁拥有最后决定权？

Violoop认为，能力边界和信任边界必须同步生长。

设备使用独立安全芯片管理执行侧，并将关键授权机制与感知、推理系统物理隔离。

对于发送、支付、删除、提交等不可逆操作，产品被设计为要求用户通过物理按键完成最终确认。系统可以提前理解、整理和准备，但最后一次不可逆决定仍然属于人。

这不是为了限制Agent，而是为了让更主动的Agent能够被长期信任。

当安全规则与Agent运行在同一套软件环境中，它仍可能受到配置变化、上下文丢失或模型误判的影响。

独立的物理确认，则把最后一次授权放到了模型无法自行改写的执行链路之外。

“理解在生长，决定权始终不动。”何佳霖表示，“这是Violoop对个人Agent的基本产品哲学，也是硬件在感知与算力之外的另一层价值。”

硬件交付，只是个人化开始的时间

传统消费硬件通常在交付给用户时达到能力峰值，此后主要通过厂商更新增加功能。

Violoop希望把这个关系倒过来：产品交付不是能力增长的终点，而是个人化真正开始的时间。

从商业上看，这也意味着Violoop不希望只成为一家销售桌面设备的公司。

设备是个人Agent进入真实工作环境的第一个节点。在它之上，可以持续生长个人化服务、可复用Skills、工作流生态，以及与PC厂商和企业环境的更深合作。

硬件销售证明用户愿意为一个明确的产品付费；长期价值则来自系统是否能够随着使用持续提升，并逐渐成为用户工作中稳定、重要的一层。

Violoop的护城河也不是占有用户的私人屏幕数据。原始个人数据应当始终属于用户。

公司真正需要长期积累的，是让经验形成能力的学习系统、对真实任务进行评价的机制、跨软件执行框架、端侧个人化效率、硬件级权限架构，以及在用户明确授权下不断扩展的Skills生态。

当基础模型能力越来越强、调用价格越来越低，越来越多公司都可以以更低成本获得更强的公共智能，但它们不会因此自动获得一个人的历史、反馈、工作方式和信任。

基础模型提供公共智能，Violoop希望建立个人经验层。

模型越强、调用成本越低，个人经验层的价值反而越高。

从端云协同，走向分布式个人智能

Violoop对端云协同的理解，并不是让端侧设备成为云端模型的缩小版本。

云端基础模型负责学习世界，提供不断增强的通用智能；端侧个人Agent则负责长期理解一个人，保存只属于这个人的记忆、工作方式和个人化能力。

云端决定智能的公共上限，端侧沉淀无法由公共模型替代的个人经验。

更长期来看，Violoop希望建立的不是一个将所有个人数据汇入中心的Hive Mind，而是一个由个人拥有的智能节点组成的分布式网络。

每个个人Agent首先并且只为其用户的利益工作。只有在用户明确授权、个人隐私得到保护的前提下，经过验证、能够被泛化且不包含个人信息的能力，未来才可能在不同节点之间协同演进。

这意味着，未来智能的进步可能来自两条同时发生的路径：云端基础模型不断提升公共智力，每个端侧个人Agent则在真实工作中积累独特经验。

二者并不是替代关系，而是一种相互增强的协作关系。

智能不应只被少数云端平台拥有。基础模型可以成为公共基础设施，但每个人的记忆、经验和个人模型，应当始终属于他自己。

不是一个抹去个体差异的共同意识，而是每个人都拥有自己的智能。

让AI自进化从实验室来到桌面

今天，行业讨论自进化时，常常指向实验室中的代码生成、模型优化和自动科研。

这些工作可能改变AI如何创造下一代AI，但距离普通用户的日常工作仍然遥远。

Violoop选择的是另一条路径：不争论自进化的终极学术边界，而是先把它变成每天能够被用户感受到的产品体验。

用户可以打开记忆库，查看、纠正和删除系统对自己的理解；工作流与Skills是否真的成长，则可以通过重复任务的完成时间、人工修改次数和任务结果进行验证。

成长不应只是一句发生在后台的口号，而应当是一条可观察、可评估、可干预的过程。

Violoop选择的，是一个足够困难、回报也足够大的问题：让AI在真实工作中持续成长，同时在能力增长的每一步，把最终权力留在人手中。

如果这条路径成立，未来每个人都可以拥有一个长期在场、持续成长，并且只围绕自己利益工作的个人Agent。

它不会只因为厂商发布新版本才变得更聪明，而是在与你共事的过程中积累经验；它保存的不只是你做过什么，也会逐渐理解你通常会怎么做。

基础模型正在学会世界。Violoop让AI开始学会一个人。

 雷峰网