个人 AI 助手正卡在一个尴尬的位置：它越有用，就越需要读你的邮件、日历、文档和偏好；它读得越多，你就越难回答一个基本问题——这些数据到底去了哪里。云端模型把上下文上传到服务器，换来更强的推理能力，但代价是隐私边界模糊、离线不可用，以及每一轮推理都产生可计费的算力成本。2026 年 10 月 2 日，一家名为 Conway Research 的 AI 实验室宣布获得 Andreessen Horowitz 领投的首轮融资，试图把这条路径反过来：让 AI 在用户自己的设备上完成推理，而不是把个人数据送上云。
Conway Research 的首个产品叫 Underdog，据投资方 a16z 的公告，它被定位为运行在用户自有设备上的个人 AI，可以处理邮件、日历、文档与偏好等个人上下文，并支持离线使用。公司称，因为计算发生在用户自己的电脑上，没有服务器成本，也没有云端 AI 读取用户邮件，因此产品将保持免费。这个说法直接挑战了当前 AI 助手的主流成本结构，也把隐私从合规话术变成了产品架构的一部分。
但本轮融资的金额、估值与条款均未披露。a16z 在公告中确认领投 Conway Research 的首次融资，但未说明此前对创始人 Sigil Wen 的支持发生在何时、以何种结构进行。Khosla Ventures 与 Hummingbird VC 的参与仅见于 Crypto Briefing 的报道，其他来源未提及这两家投资方。这意味着，市场能确认的是 a16z 对端侧个人 AI 方向的一次押注，而无法确认这次押注的资本规模与交易条件。
| 字段 | 内容 |
|---|---|
| 公司 | Conway Research |
| 轮次 | 首轮融资 |
| 金额 | 未披露 |
| 投资方 | Andreessen Horowitz（a16z，领投）、Khosla Ventures、Hummingbird VC |
| 总部 | 未披露 |
| 创始人 | Sigil Wen |
| 官网 | 未披露 |
一次邮件泄露事故，成了端侧 AI 的产品起点
Conway Research 的本地优先思路并非来自技术白皮书，而是源于创始人 Sigil Wen 的一次个人隐私事故。据 Runtimewire 报道，Wen 在与 AI 研究者 Andrej Karpathy 同住共事期间，一个邮件应用的漏洞把他的私密邮件暴露给了其他用户。a16z 的公告也提到了这段经历，并将其作为 Wen 形成“助手应该能在不离开用户控制设备的前提下使用敏感信息”这一观点的关键节点。
这个起源故事让 Underdog 的产品逻辑有了具体指向：如果 AI 必须处理邮件、日历和文档才能变得有用，那么最直接的保护方式就是让这些数据根本不离开设备。Conway 的公开材料把公司描述为一家前沿 AI 实验室，研究端侧 AI、安全、机密推理与高效模型执行，而不是单纯的消费应用项目。据 Runtimewire 报道，Conway 的论点是前沿智能可以在六个月内到达用户设备。这是公司层面的技术判断，尚未有独立第三方验证其可行性。
Wen 的技术履历为这个方向提供了一些背景。据 a16z 披露，他曾让 GPT-2 在 Apple Watch 上运行，并在 Airchat 期间推动 Whisper 上 iPhone。这两件事分别指向端侧 AI 的两个核心约束：极小的内存与功耗预算，以及消费级设备上的推理效率。但需要区分的是，让一个模型在设备上跑起来，和让一个能处理复杂个人上下文的助手在设备上持续可用，是两回事。前者是技术演示，后者是产品交付。从产品角度看，Underdog 要跨越的正是从“能跑”到“能用”之间的距离，而这个距离在来源材料中尚未被量化。
免费不是定价策略，而是架构选择的结果
Conway 对 Underdog 的免费承诺，与大多数 AI 产品的免费策略有本质区别。据 Securities.io 报道，公司称产品将保持免费，因为用户自己的电脑完成工作，没有服务器费用，也没有云端 AI 读取用户邮件，因此没有可计费项。换句话说，免费不是获客手段，而是端侧架构的自然结果：如果推理成本被转移到用户设备上，服务商就没有持续的算力账单需要转嫁。
这个逻辑在成本结构上成立，但在商业可持续性上留下了一个未回答的问题：如果产品没有可计费项，Conway 未来的收入从哪里来？来源材料没有披露任何关于未来商业化路径的信息。a16z 的公告只提到，这笔资金将支持打造面向用户已有硬件的个人智能，以及底层模型与推理工作。这意味着本轮融资的用途集中在研发，而非商业化验证。
从已披露的信息看，Conway 的免费模式与端侧推理之间存在一个隐含的张力。端侧 AI 的算力来自用户设备，这确实消除了服务商的服务器成本，但也意味着产品体验高度依赖用户硬件的性能。如果 Underdog 需要较新的设备才能流畅运行，那么“免费”对用户的实际门槛就转移到了硬件升级上。这个推论建立在端侧推理依赖本地算力这一已核实前提上，但 Conway 未披露 Underdog 的最低设备要求，因此结论边界是：免费不等于零门槛，具体门槛尚不可知。
更进一步看，免费承诺还隐含着一个产品迭代节奏的问题。云端 AI 助手可以在服务端持续升级模型，用户无需更换设备就能获得能力提升；而端侧 AI 的模型升级可能受限于用户设备的硬件代际。如果 Conway 未来推出需要更强本地算力的新模型，早期设备上的用户体验可能无法同步演进。这个推断基于端侧推理依赖本地硬件这一已核实前提，但 Conway 未披露其模型升级与设备兼容策略，因此只能作为待观察的产品风险，而非既定事实。
端侧 AI 的真实约束：内存、电池与算力预算
把个人 AI 从云端搬到设备上，首先要面对的不是模型能力，而是物理限制。Runtimewire 的报道明确指出，本地 AI 依赖能在日常设备的内存、电池和算力限制内完成有用工作的模型与软件。这不是 Conway 独有的问题，而是整个端侧 AI 方向的技术前提。
Wen 此前让 GPT-2 在 Apple Watch 上运行的经历，恰好说明了这个约束的严苛程度。GPT-2 是 2019 年的模型，参数规模远小于今天的旗舰模型。让它在手表上运行，证明的是工程优化的可能性，而不是当前前沿模型端侧部署的可行性。Conway 的研究方向包括高效模型与推理引擎，这暗示公司需要在模型压缩、量化、蒸馏或专用推理架构上做出突破，才能让更强大的模型在消费设备上运行。
这里存在一个可验证的技术假设：Conway 认为前沿智能可以在六个月内到达用户设备。但来源材料没有披露 Conway 目前端侧模型的具体参数规模、推理速度、内存占用或支持的设备范围。因此，这个时间表只能被视为公司的技术路线判断，而非已实现的里程碑。从产业链角度看，端侧 AI 的进展还取决于芯片厂商的 NPU 能力、操作系统的模型调度接口，以及模型本身的效率优化。Conway 能否在这些约束下交付可用产品，是融资之后最核心的待验证问题。
另一个容易被忽略的约束是持续运行的成本。个人 AI 助手如果需要在后台常驻，以随时响应用户的邮件、日历和文档查询，那么它对设备内存和电池的占用就不是一次性的推理峰值，而是持续的资源消耗。这与“让一个模型在设备上跑一次”有本质区别。来源材料没有披露 Underdog 的后台运行策略、功耗表现或对设备续航的影响，因此无法判断它在日常使用中的实际可用性。这个分析基于端侧 AI 常驻运行需要持续占用本地资源这一技术前提，但具体影响程度仍需 Conway 披露更多数据后才能评估。
a16z 的投资逻辑：押注个人 AI 的终端入口
a16z 对 Conway 的投资，放在其 AI 应用投资版图中看，逻辑指向消费设备的终端入口。据 Runtimewire 报道，a16z 认为个人 AI 的机会最终可通过消费设备触达用户，并主张有能力的 AI 应让用户对自己的时间与信息拥有更多控制权。这是投资方的预测，而非已报告的客户里程碑。
a16z 在公告中强调，Wen 的履历是“多年赢得人们信任并推动自己能力边界”的积累。据 a16z 披露，Wen 17 岁到旧金山，曾睡在 WeWork，未上大学，在黑客之家与 DALL-E、Whisper、GPT-3、Stable Diffusion 相关的研究者和工程师同住近一年；Karpathy 也住在那里，Anthropic 联合创始人 Ben Mann 邀请他测试后来成为 Claude 的早期版本，Midjourney 创始人 David Holz 向他展示了 Midjourney 背后模型的早期版本。Wen 后来帮助 Naval Ravikant 启动 Airchat，据 a16z 称他引入了新兴 AI 模型并招募了大部分工程团队；2025 年他获得 Thiel Fellowship。
这段履历解释了 a16z 为什么愿意在 Conway 尚未披露任何用户或收入数据时领投。但投资逻辑与产品验证是两回事。a16z 对 Wen 的信任建立在他过去与 AI 核心圈层的深度连接上，而 Underdog 需要面对的是普通用户是否愿意把个人 AI 的体验押注在自己设备的算力上。a16z 此前曾支持过 Wen，但未说明时间与结构，这意味着本轮投资可能带有延续性的关系成分，而非单纯基于 Conway 的独立里程碑。
从投资组合逻辑看，a16z 在 AI 应用层的布局通常倾向于能触达大规模用户的产品形态。端侧个人 AI 如果成立，可能绕过云端 AI 订阅的付费墙，直接占据用户设备上的高频入口。但这个入口的价值取决于用户是否真的愿意把邮件、日历和文档交给一个本地助手处理，而不是继续使用已经嵌入操作系统或云端生态的现有工具。a16z 的公告没有提供任何用户需求侧的验证数据，因此这仍然是一个方向性押注，而非已被市场确认的需求。
竞争格局：Underdog 在与谁争夺“个人 AI”的定义权
来源材料没有列出 Conway 的直接竞争对手，但 Underdog 所处的赛道并不空白。从产品形态看，个人 AI 助手至少面临三类替代方案：云端 AI 助手、操作系统内置的 AI 功能，以及开源本地模型方案。
云端 AI 助手的优势是模型能力最强、迭代最快，但隐私与离线是结构性短板。操作系统内置 AI 的优势是分发渠道和系统级权限，但用户对数据流向的控制仍然有限。开源本地模型方案在隐私上接近 Underdog 的定位，但通常需要用户自行配置，产品化程度较低。Underdog 的差异化在于，它试图把端侧推理、个人上下文处理和消费级产品体验打包成一个完整产品，而不是让用户在隐私和可用性之间做选择。
但这个定位也意味着 Conway 必须同时解决两个问题：模型在端侧的效率，以及产品在消费市场的易用性。前者是技术问题，后者是产品问题。来源材料没有披露 Underdog 的用户界面、交互方式或与现有邮件和日历应用的集成方式，因此无法判断它在产品层面的竞争力。从已披露的信息看，Conway 的竞争壁垒目前更多体现在技术路线上，而非已证明的用户体验上。
还有一个竞争维度值得注意：操作系统厂商本身正在把 AI 能力下沉到设备端。如果主流操作系统在未来版本中内置了具备本地推理能力的个人助手，那么 Underdog 作为第三方应用的空间可能被压缩。这个推断基于操作系统厂商对端侧 AI 的持续投入这一行业背景，但来源材料未提及 Conway 与操作系统厂商的关系或差异化策略，因此只能作为竞争格局中的待观察变量，而非已确认的威胁。
资金用途与资本结构：一笔没有价格标签的信任票
本轮融资的资金用途，据 Runtimewire 报道，是支持打造面向用户已有硬件的个人智能，以及底层模型与推理工作。这意味着资金主要流向研发，而非市场推广或用户增长。对于一个尚未披露任何用户数据的产品来说，这个选择合理，但也意味着商业验证的时间线会被拉长。
资本结构方面，a16z 领投，Khosla Ventures 与 Hummingbird VC 参与。但 Khosla Ventures 与 Hummingbird VC 的参与仅见于 Crypto Briefing 的单一来源，其他来源均未提及。这带来一个信息不对称：如果这两家投资方确实参与，说明 Conway 的资本结构比 a16z 单一背书更复杂；如果 Crypto Briefing 的信息有误，那么市场对 Conway 投资方的认知就存在偏差。在缺乏多方交叉验证的情况下，只能确认 a16z 的领投地位，其余投资方的参与需要进一步核实。
金额与估值的缺失，让这笔融资的实质意义难以评估。首轮融资的金额可以从几十万美元到数千万美元不等，估值则决定了创始团队稀释了多少股权。a16z 选择不披露这些数字，可能是为了保护一家早期公司的谈判空间，但也让外界无法判断这笔钱能支撑 Conway 多长时间的研发。从已披露的资金用途看，Conway 需要同时推进模型效率、推理引擎和产品开发，这三条线对资金和人才的需求都不低。
值得注意的是，a16z 在公告中确认此前曾支持过 Wen，但未说明时间与结构。这意味着 Conway 的资本关系可能不是从本轮才开始，而是延续了 a16z 与 Wen 之间更早的某种合作或支持关系。如果存在前序支持，那么本轮融资的定价和条款可能受到历史关系的影响。这个推断基于 a16z 已确认的“此前曾支持过”这一事实，但具体影响程度无法从现有材料中判断。
风险与待验证假设：免费产品的商业闭环在哪里
Conway 面临的最大风险，不是技术路线错误，而是商业闭环尚未形成。公司称 Underdog 将保持免费，因为没有服务器成本和云端读取邮件的费用。但免费产品仍然需要收入来覆盖研发、工资和持续迭代的成本。来源材料没有披露 Conway 的任何未来收入模式，这意味着本轮融资之后，公司要么找到新的资金来源，要么在某个时点调整免费策略。
第二个风险是需求假设。Underdog 的价值主张建立在用户对隐私足够敏感、以至于愿意接受端侧推理可能带来的性能妥协。但这个假设尚未被验证。来源材料没有披露任何用户、收入、定价或留存数据。a16z 的预测是个人 AI 的机会可通过消费设备触达用户，但预测不是证据。如果用户更在意模型能力而非数据控制，Underdog 的差异化就可能变成小众偏好。
第三个风险是交付经济性。端侧 AI 的体验高度依赖用户设备的硬件水平。如果 Underdog 只能在较新的设备上流畅运行，那么它的潜在用户规模就受限于硬件渗透率。如果它为了兼容更多设备而降低模型能力，那么它的产品价值就受限于模型性能。Conway 未披露 Underdog 的设备兼容范围，因此这个权衡的具体位置尚不可知。从已披露的端侧推理约束看，这意味着 Conway 必须在模型效率和产品体验之间找到一个可持续的平衡点，而这个平衡点的存在性本身就是待验证假设。
第四个风险来自信息透明度本身。本轮融资的金额、估值、条款、总部、官网、用户数据均未披露，Khosla Ventures 与 Hummingbird VC 的参与也仅见于单一来源。这种信息密度对于一个刚完成首轮融资的早期公司来说并不罕见，但它意味着外部观察者无法判断这笔融资的资本效率、创始团队的股权稀释程度，以及公司距离下一轮融资或商业化验证的真实距离。在缺乏这些关键数据的情况下，市场对 Conway 的判断只能停留在方向认可层面，而非实质性的业务评估。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：Conway Research 用一次隐私事故换来了一个清晰的产品原点，但原点不是终点。端侧个人 AI 的真正考验不在于能否让模型在设备上跑起来，而在于能否让用户愿意把日常决策交给一个受限于本地算力的助手。a16z 的领投确认了方向的价值，却刻意隐去了价格标签。当免费成为架构选择而非定价策略，Conway 必须回答一个更尖锐的问题：如果用户不为推理付费，谁为这家公司的未来买单？
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。