三层壁垒：从信号到应用

主流多模态 AI 走的是 Late Fusion（晚融合）：每条模态先各自变成文字，再拼到一起。 多模态之间的时序关系、强度对比、"心率上升发生在话音之后 3 秒"这类细节，全部丢失。 结论只能粗糙、安全、千人一面。

Late Fusion（主流）
  音频  ──→  ASR        ──→ "喂老板叫你过去一下"  ─┐
  心率  ──→  数值描述    ──→ "心率从 75 升到 110"  ─┼──→  LLM 拼起来：
  图像  ──→  描述模型    ──→ "穿西服的人"          ─┘   "你工作上好像有点事"

Early Fusion（云玦）
  音频     ┐
  心率     ┤
  IMU     ┼──→  对齐到原始信号层 → 多模态 LLM
  图像     ┤        "你被老板叫过去那一刻有点紧张"
  知识图谱  ┘

模型在原始信号层就建立"心率上升 3 秒后听到那句话"的因果链， 结论可以精确到事件、精确到瞬间、精确到这个人。

主流模型已经覆盖：视频→文字（VL 模型）、音频→文字（ASR / gpt-audio）、图像→文字（基本都原生支持）。

但"心率（稠密数值）+ IMU（稠密数值）+ HRV（稀疏数值）+ 音频（稠密连续波形）+ 图像（稀疏帧）+ 知识图谱（图结构）"多种模态的混合输入，在公开互联网上不存在足量训练数据 —— 因为只有持续戴着多模态采集设备、 24 小时收集的人才有。

这是云玦绕开主流模型正面战场的"新训练场"。 我们目前借用主流多模态模型的对齐能力，收集"长尾模态 → 人类行为结果"的稠密标注数据， 长期训自有的 Human-Centric World Model。

以下三种能力都依赖心率、视觉、声纹、对话在原始信号层精确对齐， 用 Late Fusion 先把每条模态压成文字再拼接，这些信息全部丢失。

这是 Early Fusion 的当下边界，也是积累"人类行为结果"标注数据的入口—— 它们共同构成未来 Human-Centric World Model 的训练真值来源。

• In-Situ Self-Evolving 范式：传统智能体靠"离线训练 + 在线部署"的静态边界；我们提出"推理即演化"，每一次推理都会修改系统配置， 并立即用于下一次推理。
• Tabula Rasa（白板）实验：初始空工具库，让智能体完全靠推理期间的 "生成 → 验证 → 归纳"自己造工具。
• 工具库收敛：智能体自己造的工具数量在反复推理中收敛、可复用 —— 证明"通用解题能力"是可学习、可蒸馏的有限模式（HLE 上 2,500 次推理仅生成 97 个工具）。
• 暖启动迁移：用 HLE 演化出的工具集启动其他 benchmark，新工具增量在 xSciQA / xDS 上可降到 0，证明能力跨域可复用。

代码、benchmark 运行脚本、每一步工具生成 / 修改 / 合并的演化痕迹全部 CC BY 4.0 开源 —— 可审计、可复现。完整工作见 Yunjue Agent 博客。

每晚 · 当日数据归集完成
   │
   ▼
为每个用户启动一次自进化沙箱
   │
   ├─ 审计当日   分析事件叙事与用户对产品的反馈信号，
   │            复核可疑事件（误判 / 复合段 / 边界错）
   │
   ├─ 增量画像   profile / glossary / 个人知识图谱 / 关系图谱 / 待办
   │            以"模式陈述"形式追加，不覆盖既有内容
   │
   ├─ 找缺口     识别用户当前 Skill 库覆盖不到的能力空白
   │
   └─ 造工具     现场生成 Python 工具骨架与设计 brief，
                通过验证后沉淀进共享工具库
   │
   ▼
全程审计落库 · 可逐节点回放每条决策的"为什么"

自进化分两步：私有进化（自动，全程在沙箱里发生）+ 共享提取（脱敏后将高价值通用工具沉淀进共享库）。 Skill 默认私有、工具默认私有；共享只发生在"非用户隐私的通用工具"提取阶段。

主流"AI 助手"产品的做法：预置一堆功能，让用户自己挑。结果是每个用户看到的是一样的产品，差异只在于用了哪些。

云玦的设计是 Zero-Skill 起步：

• 首次进 App，Feed 是空的 —— 系统对你一无所知，就什么都不显示
• 系统持续观察，把每天的活动切成事件叙事
• 持续运行几天后，开始识别"你在哪些时段做哪些事"，自己造 Skill
• 两周左右，每个用户的卡片库完全不一样

冷启动慢是劣势，但它是壁垒的代价。每张卡片是一个独立的 HTML 小程序， 意味着同一套 Feed 框架可以承载工具、复盘、陪伴对话，甚至专属游戏。用户专属的 Skill 越多，切换平台的成本（Switching Cost）就越高。

云玦的自进化沙箱每晚运行一次，根据用户的事件叙事、声纹画像与行为模式 自动识别能力缺口、自动生成 Skill —— 没有"功能列表"，每个人最终拥有的卡片库都不一样。 典型方向包括：

以上方向均来自 Zero-Skill 起步，由自进化沙箱在每晚的运行中自动识别并生成 —— 不是人工预置功能，也不是用户从列表里挑选。

商业落地的"开放性 / 可控性 / 经济性"不可能三角，传统方案只能同时满足其中两点； 我们相信自进化智能体是同时跨越三角的可行路径。完整论证见 动态自进化是 To C 服务的正途。

普通版（云玦自研多模态硬件 + iPhone 普通用户）
  ├─ 方案 1：边侧小模型先压成文本摘要再上云
  └─ 方案 2：边侧融合适配器，原图原数据不出端，
            上云的是 fusion 向量

极客版（开发者 / 高需求用户）
  ├─ 私有服务器打包：原始数据上云，但是用户自己的服务器，token 收费
  └─ 轻量后端开源：用户自己部署到自有服务器，仅硬件收费

• 当前（深度内测期）：原始数据在云端按设备级加密、严格隔离、 无跨用户混流处理 —— 这是我们与早期内测用户共同选择的"先把链路跑稳"的阶段。
• 中期路线（云玦自研多模态硬件 + 边侧适配器上线后）：普通版默认走端侧 / 边侧路径，原始数据不出端 / 边，云端只接收 fusion 向量 —— "原始数据是否离开你的设备"成为用户的主动选择，不再是默认行为。
• 极客版选项（与普通版并行发售）：私有部署或轻量后端开源， 原始数据完全自主。
• 工具 / Skill 默认私有：发布到社区是用户主动动作， 发布前会做脱敏（移除用户专有名词、人名、地点）。

上面这三层壁垒，都服务于云玦在做的三条长期赛道。任何一条缺位，其余两条都不成立。

Early Fusion → 自进化智能体 → Human-Centric World Model，三条赛道都在产品页有对应节奏说明。