V 神实测本地 AI：隐私与速度的新平衡

据 Woofun AI 消息，以太坊联合创始人 Vitalik Buterin 对本地化 AI 的实用性做出了最新判断，认为其在保护用户隐私的同时无需牺牲速度。这一观点标志着笔记本端 AI 技术正从理论探索迈向实际应用的关键转折点，尽管钱包软件若要由 AI 管理加密资产，仍需跨越更高的安全标准门槛。

在 9 月 17 日的公开分享中，Vitalik Buterin 指出，得益于 Qwen 3.8 Flash 版本的发布以及 lama.cpp 框架的近期改进，本地模型已能在其 Strix Halo 笔记本电脑上高效处理大量任务。基准测试图片揭示了 10 种不同工作负载下的性能表现：输入处理速度介于每秒 109.82 到 373.22 个 token 之间，输出生成速度则稳定在每秒 18.42 到 33.37 个 token。

这一数据显著修正了他在 4 月时的保守观点。当时，他认为笔记本端模型能力有限，仅能依靠 Qwen3.5:35B 处理文字转录、内容总结等特定任务，而复杂的编码工作和智力型任务仍远超本地硬件承载力，必须依赖远程模型。

然而，9 月的实测表明，本地模型已不再局限于基础辅助，而是能够成为更多类型操作的主要接口，并智能决定何时调用远程资源。在这种新架构下，远程服务仅接收本地模型筛选后的问题或上下文，无需获取用户的全部文件、消息及钱包详细信息，从而在保留辅助功能的同时实现了严格的信息隔离。

Woofun AI 整理数据显示，支撑这一性能突破的核心是由阿里巴巴 Qwen 团队开发的 Qwen3.8-Flash-Next 模型。这是一款开放权重的多模态专家混合（MoE）模型，其主模型拥有 1250 亿个参数，n-gram 嵌入表包含 510 亿个参数，而每个 token 仅激活 60 亿个参数。通过量化后的 GGUF 格式，该模型可利用 lama.cpp 在本地执行文本和视觉推理。

这种稀疏激活机制有效降低了算力需求，但用户仍需具备足够的内存以支撑所选模型版本及上下文窗口，且官方并未提供适用于所有量化级别和任务类型的统一硬件最低配置要求。在性能评估方面，Qwen 团队通过涵盖通用知识、数学、科学、推理、编程及多语言理解的 14 项基准测试进行验证，结果显示 Flash-Next 在 8 项测试中表现优于规模更大的 Qwen3.7-Plus 基础模型，且激活参数更少、训练算力更低。

然而，这些基准测试主要关注功能表现、运行效率及训练稳定性，并未覆盖提示词注入防御、策略执行、钱包授权及自主金融操作正确性等关键安全维度，这意味着模型在应对恶意指令时的鲁棒性仍有待验证。

在生态实践层面，以太坊基金会于第二季度的进展报告中提到了 Steward 这款完全基于本地的 macOS 智能账户钱包，其轻量级客户端和 AI 助手均设计为在设备端运行，但目前尚未确定实际部署时间、独立审计状况及自主交易权限细节。针对 AI 代理可能带来的风险，Vitalik Buterin 强调风险控制不应仅依赖语言模型，而是需要引入 EIP-7906 草案提出的交易后断言机制。该机制用于检查交易产生的最终状态变化，若违反预设条件（如隐性 token 授权或受保护账户状态异常），则拒绝交易结果。

此外，他重申了'人类+模型'的双重审批规则：模型可识别诈骗模式，而人类可抵御恶意内容操纵，高风险交易必须经过双重确认以防止单一信任核心被突破。低风险自动化操作则可在软件定义的权限框架内执行，例如读取账户余额、准备未签名的交易或在严格限额内运作，从而在发挥助手作用的同时避免赋予其随意支取资金的权力。

本地推理与交易断言机制分别解决了钱包-智能体系统中的不同核心问题。本地模型负责保护用户信息，并将自然语言表达的意图转化为具体操作建议；确定性权限机制则用于限制接收方、合约类型、操作金额及操作频率；断言机制则用于校验最终状态变化。对于高风险操作，人工确认依然是不可或缺的第二道防线。9 月的测试结果提升了第一道防御层的可靠性，证明私有本地模型能快速响应日常任务并有选择地借助远程智能体。

然而，保护资产的核心权限依然掌握在模型无法更改的控制机制中。加密钱包应将此类模型视为高效的接口、规划工具和监控系统，真正的信任应归属于那些确保用户始终拥有实际决策权的授权流程。