时代变了阿祖，现在的AI NAS 太颠点… 影音、工作流、小龙虾无敌

最近 AI NAS 的风刮得很猛。才开年，各路新玩法就层出不穷：从 Opencode 到 Moltbot，从 Gemini 到 Kimi 的命令行集成。

随着 AI 技术的下放，现在的 NAS 正在经历一场从 “存储” 向 “家用智能中心” 的 “物种进化”。

今天，我想聊一聊关于 "AI NAS" 这个话题，它究竟是不是一个伪命题，以及究竟有多少种实现方式。

为什么 NAS 是 AI 的完美宿主？

提到 AI NAS 的时候，很多人第一反应都是：堆性能呗，性能越强，本地算力越强。

这只是其一。在我看来，之所以 NAS 和 AI 如此契合，在于四个关键词：低功耗、个性化、高隐私、24小时在线。

对比个人 PC： PC 性能强，但你无法忍受它 365 天不关机的噪音与电费。

对比云端 VPS： 云端算力够，但你敢把所有隐私数据放到第三方服务器吗？

当这些特性组合在一起，美妙的事情就发生了：一个随时在线、懂你隐私、服务自由的私人大脑，这才是 AI 真正落地的形态。

一、如何用 AI NAS 搭建本地服务

1. 你需要多大的内存？

本地服务由 NAS 硬件直接提供的算力，这种纯本地的运算可以将隐私性拉到最高。实现一些对算力需求不大，但是场景化、流程化很标准的服务。

常用的本地工具包括有 ollama、vLLM、Jan、LocalAI、LM Studio 等等，其中最受欢迎、性能最好的当属 ollama。

它主要依赖 GGUF 格式的量化模型，实现纯 CPU 推理或者核显 GPU 加速推理。以极空间为例，本地应用商店就有 ollama 的应用，部署以后可以通过 ip:port 对外提供推理服务。

最核心的作用，就是搭建本地的嵌入式模型，对本地的文档进行理解并形成个人知识库。

而主流的 NAS 设备并不包含独立显卡。核显 GPU 的调试兼容性又各有差异，因此 CPU 是 NAS 更主流的推理方式。

要计算一个模型（特别是 GGUF 量化后）需要多少内存，我们可以用一个粗略的估算公式：

：所需内存（GB）
：模型参数量（Billion/十亿），例如 7B, 70B。
：量化位数（Bit），常见的是 4-bit (Q4_K_M) 或 5-bit (Q5_K_M)。
：上下文（Context Window）所需的 KV Cache 缓冲，通常预留 2-4GB。

举个🌰：Llama-3-70B (4-bit 量化)

加上上下文缓冲，至少需要 38GB - 40GB 的空闲内存。需要为 NAS 至少配置 64GB 内存，比如极空间Z425，最大支持 128G DDR5。

加上上下文缓冲，至少需要 38GB - 40GB 的空闲内存。需要为 NAS 至少配置 64GB 内存，比如极空间Z425，最大支持 128G DDR5。

2. 本地工作流怎么选？

目前自托管的工作流，一般考虑为 dify、n8n、flowiseAI 等。

目前这些工作流中，n8n 相对来说是易用性更高，而且社区节点也很丰富。

最主要的是 n8n 的连接器众多，基本支持市面上大部分主流系统，可以实现通用的自动化场景。

在 NAS 上，可以使用 docker compose 来部署 n8n 工作流。

services: n8n: container_name: n8n ports: - 35678:5678 volumes: - n8n_data:/home/node/.n8n environment: - N8N_SECURE_COOKIE=false - GENERIC_TIMEZONE=Asia/Shanghai image: docker.n8n.io/n8nio/n8n volumes: n8n_data:

通过 NAS 提供的官方免费转发服务，我们可以随时随地打开工作流进行调整、优化。

我一般会选择使用本地工作流来产生日报、周报。每天把自己的工作按照一定的 md 格式保存在文档里，通过工作流定时读取、完善，最后在下班之前形成一份比较完整的日报，减轻重复工作。

3. 本地模型推荐

32G 内存是本地模型的一个甜品区域，相比于 16G 内存可以体验更高的参数，性价比比较明显。

在这个区间内，建议使用的都是 Q4_K_M 这个量化版本，兼顾了智力和性能。

DeepSeek-R1-Distill-Qwen-32B-GGUF：具备强大的推理（Chain of Thought）能力，特别是数学和复杂逻辑。这是基于 Qwen 32B 蒸馏的版本。

qwen2.5-32b-instruct-GGUF： 目前开源界最强的中等尺寸模型之一。中文能力极强，代码和数学能力超越许多 70B 模型。

qwen3-VL-32B-Instruct-GGUF： 多模态很强势的模型，比qwen2.5增加了多模态，如果纯文本RAG选 qwen2.5，多模态选qwen3。

bge-m3-GGUF：目前最强的多语言（含中文）嵌入模型之一，支持长文本，支持多粒度检索。

具体的发布者、版本可以直接从魔搭社区查找体验。也可以通过 ollama run 模型名字 下载。

二、AI NAS 的传统服务有哪些？

推开纯文字或本地算力服务。我们也需要关注 AI NAS 它另一层含义，即通过软件算法，将原来复杂的 NAS 场景更简化。并进一步压榨设备 GPUNPU 的使用。

这一点我个人认为，主要体现在相册管理、自然语言检索能力、影音管理等方面。

我们常说的人脸识别、自然语言识别，本质上是基于 CLIP（Contrastive Language-Image Pre-Training）模型进行设备微调和优化，加上人脸识别、轻量检测组成的混合模型。

传统模式下，当我们需要查找一张手机里的照片时，我们往往需要回忆起它大致的拍摄日期，然后往上滑一直去翻找。

而在 NAS 里，比如极相册。它会对所有上传的照片、视频（最多30分钟）进行自然语言分析，支持我们通过口语化的文字快速定位。

虽然 CLIP 模型往往是 CPU 算力大户，但近期的 AI NAS 已引入 GPU/NPU 硬件加速机制。

通过将繁重的 AI 运算分流至专用硬件，CPU 得以从高负载中彻底解脱，确保在后台进行高强度 AI 分析时，系统前台操作依然丝滑流畅。

极空间Z425/T6 就是典型。AI 空间是极空间 25 年推出的重磅应用，它支持调用 Intel 核显 GPU，外接 N卡 GPU 实现更强大的照片、视频、音频分析。

每一份媒体资料，都会由 AI 生成解读，产出"实体“、“字幕”等关键数据。

这些元数据的未来使用方向就很多了。

比如极空间的监控中心，它支持添加 onvifSMTP 等协议的网络摄像头，并可以将监控录像存储在本地。

那如果我们将这些录像视频都丢到 AI 空间里，并且在未来 AI 空间支持视频分析输出的自定义通知后，AI + 安防 的自托管体系是不是就搭建起来了。

其次，海量媒体资料的分析结果，如果运用在文件自动分类、管理、搜索上，无疑又会大大增加 NAS 的用途。当然，这一切都需要 NAS 厂家不断的研发新功能来匹配硬件性能的增加。

不够强大但恰到好处的 NPU/GPU 算力，尽管无法提供长上下文的对话，却可以以时间取胜，用分秒必争的姿态来解决传统 NAS 做不到的细致工作。

三、NAS + 云端算力，或许是真正的智能中心

在我看来， NAS + Agent + 云端算力的组合，或许才是将 NAS 价值发挥到最大的方式。

就在前几天，我分享了极空间部署 openclaw 的文章。里面使用了虚拟机代替 docker 来部署一些 AI Agent 的工具。

原因很简单，虚拟机拥有强大的隔离性，而且支持更灵活的文件挂载，桌面版本的生态更完善，在大量 AI 应用的部署上有着比 docker 更天然的优势。

具体有什么用？我简单的举个🌰。

最近我在使用一款 AionUi 的工具，它会自动识别系统环境下的各类 AI Cli 工具，并且支持 MCP 服务集成。

这个工具本身并不够优秀，也有很多类似的工具，我只是拿它做个场景。

我让它帮我安装openclaw，它会自动读取虚拟机内的环境，并且通过互联网搜索 openclaw 相关信息进行安装。

与 openclaw 不同之处，在于它对授权控制的更严格。任何操作都需要用户授权，这种模式下，体验更安全，但是更麻烦。

这种操作的优势在于，通过自然对话，任何 NAS 用户都可以突破技术背景，实现他想做到的事情。

更进一步的，通过设置文件权限，我将 NAS 里的文件共享给了虚拟机。

或是通过文件同步、rysnc、NFS、webdav 等工具、协议。满足虚拟机和 NAS 之间的互联互通。

然后，我让 AI 帮我进行文件整理和分类。它拥有权限读取文件名字、内容，也拥有权限来创建文件、移动文件，高速的云端 API 就这样在我休息的时候，帮我解决了 NAS 侧繁琐的资料分类。

NAS 的本质，还是一台安装了 Linux 操作系统的 PC 。一旦操作系统厂家在合理的范围内放开系统应用的权限，比如极影视、极相册、文件管理的 API，并将之封装成 MCP 服务或者是火热的 skill 技能。

依托云端 API，NAS 将变成真正的 AI 助手，然后一切都会变得很简单。

未来的场景可能是这样的：

影音自动化：“我想看 XX 电影”，AI NAS 就自动帮你安装主流的网盘聚合、影视下载工具，帮你搜索资源，下载、分类、整理、刮削，并在生成海报墙之后通知给你。

甚至它还能基于元数据，自动实现大量的标签处理，每个文件、每个照片、每个影视剧。这些不需要你操作，只需要你一句话。

文件智能管家：“明天帮我把 XX 资料发给 XX”，AI NAS 自动生成定时任务和工作流，从你同步的文件资料里找到这份文件，基于 RAG 和 LLMs 梳理文档资料，然后在规定的时间展示给你，你只需要点击“确认发送”。

这些本地硬件性能无法支撑的强大工作，依靠 NAS + 云端 API + Agent，相信在不久的日子里就能实现。

最后

我认为 NAS 正在进行一次高度的赛博进化，得益于 AI 应用。

它正在从一个 “因为怕丢数据而买的保险箱”，变成一个 “能帮你管理记忆、处理杂事的私人助理”。

无论你是用轻量的 7B 模型做笔记助手，还是用 NPU/GPU 整理十年的照片回忆，甚至是将工作交给云端 AI 和 Agent， AI NAS 都有它使用的场景。

这种将存储、服务与网关深度整合的张力，或许将成为 AI NAS 的灵魂所在：它让数据从‘死结’变成了‘活水’，让冰冷的硬件进化成了最懂你的数字后盾。

打铁需要自身硬，尽量让它强大！

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～