Context 才是新 OS：Zettlab Agent …

2023 年那波 AI 熱潮，真的快到誇張。郭亚楠乾脆離職創業，從 DJI 和 Narwal 的硬體經驗，跳進 Zettlab。他現在押注的，不是筆電，也不是傳統 NAS，而是一台 Agent Computer。

這個說法一開始像行銷話術。講白了，核心其實很硬。Zettlab 想做的，是把你的私有資料整理成 context，讓 AI agent 直接拿來工作。重點不是算力多猛，而是資料能不能真的被用起來。

說得更白一點。未來值錢的，不只是硬碟空間。是你的照片、影片、文件、聊天紀錄，能不能變成 AI 可以讀懂的上下文。這就是 Zettlab 現在想卡的位置。

從 AI NAS 走到 Agent Computer

Zettlab 一開始先做 AI NAS。這條路很務實。先把資料索引、搜尋、整理做出來，才能證明本地資料真的能被 AI 用。公司早期產品也拿到群眾募資支持，算是先把市場摸了一輪。

但郭亚楠的想法，明顯不只是在賣儲存設備。傳統 NAS 的任務很單純，就是存檔、備份、分享。Zettlab 想做的更像一個資料中樞。它不是只放檔案，而是讓檔案變成 agent 可用的上下文。

這個差別很大。因為一旦你把資料當 context，產品設計就會整個翻過來。你要考慮索引、權限、語意搜尋、影片切片、語音轉文字，還有多模態資料怎麼串起來。這些都不是傳統 NAS 的主戰場。

郭亚楠的背景也很有意思。他在 DJI 看過硬體、晶片、製造、軟體怎麼一起影響產品結果。在 Narwal，他更靠近採購、量產、人力和產品規劃。這種經驗很適合做硬體創業，因為你會知道哪裡能省，哪裡不能亂省。

• Zettlab 表示，第一代產品可在幾秒內索引與檢索最多 1000 萬支影片。
• 公司方向從重儲存，轉向更重的本地運算。
• 下一代產品預計在幾個月內推出。
• 目標用戶也從創作者，擴大到一般個人資料使用者。

這裡還有一個背景很重要。人類產生資料的方式，正在改變。以前是文字為主，後來是圖片，現在影片變成日常內容的主力。接下來呢？更混合的多模態資料會越來越多，文件、語音、照片、影片全都混在一起。

所以 Zettlab 才會把產品從「AI NAS」改叫「Agent Computer」。前者像一台更聰明的儲存箱。後者比較像一個新的個人運算單元。主角不再只是人，還有幫你做事的 bot。

為什麼 context 比儲存更重要

我覺得 Zettlab 最有說服力的地方，不是它講了多酷的名詞，而是它抓到一個老問題。只有儲存，不夠。你有檔案，但 AI 看不懂，還是沒用。資料如果不能變成 context，就只是躺在那裡而已。

郭亚楠的說法很直接。真正有價值的，不是把資料放好而已，而是把資料準備好，讓 AI 可以拿來用。這裡面包含檢索、結構化、記憶、權限管理。換句話說，儲存層正在變成 context 層。

這也是為什麼本地處理變重要。影片、圖片、音訊、文件，這些資料常常很私密，也很肥。你不可能每次都丟雲端。尤其是幾 GB 的影片，光上傳就很煩。先在本地做整理，再把需要的內容送出去，效率高很多。

“I firmly believe personal data has infinite value, and data ownership should be controlled by users themselves.” — 郭亚楠

這句話很直白，也很符合現在的 AI 焦慮。大家不是不想用 AI，是怕資料被拿走。尤其是個人照片、家庭影片、工作文件，這些東西一旦進雲端，控制權就沒那麼單純了。

另外，像 LangChain 這類工具的流行，也把問題講得更清楚。agent 好不好用，常常不是看模型有多聰明，而是看它拿到的 context 有沒有夠準、夠新、夠完整。資料一亂，模型再強也會翻車。

• Zettlab 表示，影片庫中的畫面可在 2 到 3 秒內找到目標片段。
• 系統支援 9 種語言的檢索流程。
• 它的設計方向偏向輕儲存、重運算。
• OpenAI Deep Research 這類工具，也證明 context 是 agent 表現的核心。

和現在的 AI 硬體比一比

Zettlab 的想法，要放進現在的 AI 硬體市場看，才會比較清楚。現在很多產品都想把模型塞進本地裝置。聽起來很猛，但實際上不一定是對的分工。郭亚楠的路線是，本地裝置負責資料前處理、整理、保護，重推理和任務規劃可以跟雲端合作。

這種分工其實很務實。手機拍完影片，很多人第一反應是丟雲端。可是一部 4K 影片動輒幾 GB，傳輸本身就很慢。若本地設備先做索引、摘要、切片，後面要給模型用的資訊就會少很多。

這也讓 Zettlab 跟一般 AI PC 或 AI NAS 拉開差距。AI PC 常常主打跑 demo，NAS 則只強調容量。Zettlab 想做的是中間那塊：把私有資料變成 agent memory，讓它能被反覆使用。

• 傳統 NAS 重點是容量與檔案存取。
• 多數 AI PC 重點是本地模型展示。
• Zettlab 重點是私有資料處理與 agent 記憶。
• ChatGPT 和 Claude 這類雲端工具，仍然很吃外部 context。

如果你把商業模式也一起看，這條路更有意思。模型可以換，今天用 GPT，明天用 Claude，後天換別家。可是資料層、權限層、工作流記憶，沒那麼容易搬。也就是說，真正難複製的，可能不是模型，而是資料環境。

這點很像軟體世界常見的老問題。大家都在比功能，但最後黏住使用者的，常常是資料和流程。Zettlab 如果真能把這層做穩，它就不是在賣硬體而已，而是在賣一個個人資料運算環境。

這個產業脈絡，現在剛好對上

為什麼這個題目最近會冒出來？因為大家已經開始感受到，單靠雲端 AI 會卡。你有模型，但沒有資料權限。你有 API，但沒有本地 context。你有聊天機器人，但它不懂你那堆私人影片和文件。

這也是為什麼很多人現在開始談本地 AI、私有化部署、資料主權。不是大家突然變保守，而是成本、隱私、延遲這三件事，真的會逼人重新想架構。尤其是個人資料，很多東西根本不適合一直上傳。

從產業角度看，這條路也有點像手機演進。早期大家比的是硬體規格。後來比的是 App 生態。現在 AI 時代，可能會比誰能把 context 管好。這不是口號，是很現實的產品問題。

如果你看整個市場，還沒有一個大家都認可的「個人 AI 資料層」標準。這代表空間還在。也代表很多產品現在都還在亂試。Zettlab 只是比較早把方向講清楚而已。

而且這件事不只跟創作者有關。工程師、研究員、影音工作者、家庭使用者，都會碰到同樣問題。資料越多，越需要一台懂 context 的設備。這就是 Agent Computer 的切入點。

結尾：這個類別能不能站住腳

我覺得接下來 12 到 18 個月很重要。Zettlab 如果真的能把本地資料整理、agent 記憶、權限控制做順，這個類別就有機會被市場記住。反過來說，如果體驗還是很卡，大家大概還是只會把它叫 NAS。

真正的問題不是「AI 能不能跑在本地」。而是「你的資料，能不能變成 AI 真正會用的 context」。這題如果解得夠好，硬體就不只是硬體了。它會變成你個人資料工作的底層。

所以，與其問 AI 還能多聰明，不如先問：你的資料準備好了嗎？如果答案還沒有，那 Zettlab 這種產品，可能就不是在賣盒子，而是在賣一種新的工作方式。