Az elmúlt tizenöt évben a személyi számítástechnika fő iránya az volt, hogy a gépek és adatok fokozatosan a felhőbe vándoroltak. Fájlok, alkalmazások, sőt, az operációs rendszer is egyre inkább mások infrastruktúráján futott, ami kényelmes volt, de megfosztotta a felhasználót a kontrolltól.
Napjaink AI-ügynökei azonban visszahozzák a személyi számítógép fontosságát, mert egyre inkább szükség van arra, hogy az ügynök közvetlenül hozzáférjen a lokális fájlokhoz, folyamatokhoz, memóriához és engedélyekhez. Az AI így nemcsak válaszolni akar, hanem ténylegesen elvégezni a munkát: szerkeszteni, keresni, újrapróbálni. Ez a trend felerősíti a személyes adattulajdonlás és adatvédelem kérdését is.
Sok szó esik az ideális hardverről: Mac-ek, Nvidia GPU-k, AMD rendszerek, valamint olyan eszközök elemzéséről, mint a DGX Spark vagy a Mac Studio. A hangsúly nem a legnagyobb vagy leggyorsabb gépre helyeződik, hanem arra, hogy milyen típusú AI-munkákat akarunk a saját eszközeinken futtatni, azaz mennyire számít a memória, a teljesítmény, vagy például a zaj- és energiahatékonyság.
A szoftveres réteg legalább ilyen meghatározó. Kiemelt szerepet kapnak olyan futtató- és menedzsmentrendszerek, mint az Ollama, LM Studio, MLX vagy vLLM, amelyek lehetővé teszik a modellek cseréjét, átlátható használatát, és leválasztják a hardverről az AI-műveleteket. Érdekes kérdésként jelenik meg: hogyan építsünk fel egy rugalmas, cserélhető AI-stacket?
A bemutatott AI-modellek között szó esik a Llama 4 Scout, Llama 4 Maverick, GPT-OSS-20B, Qwen, Gemma 4, Mistral és DeepSeek V4 Pro/Flash modellekről, melyek egyre inkább alkalmasak helyi futtatásra is. Felszínre kerül az is, hogyan osztható meg a munka a lokális és felhős modellek között, ha figyelembe vesszük a magánélet, az adatok, és az egyedi munkafolyamatok fontosságát.
Külön hangsúlyt kap az AI rendszerek memóriája: strukturált adatbázisok (pl. Open Brain, Obsidian, Postgres), SQL-alapú vagy vektoralapú megoldások biztosítják, hogy a felhasználó hosszú távú tudásbázist építhessen. Arra is rávilágít a videó, hogy a hatékonyság, a privát adatok kezelése, és a munkafolyamat-rendszerek mennyire fontos szerepet töltenek be a modern személyes AI stack felépítésében.
Mindezek a kérdések és példák segítenek eldönteni: érdemes-e egy saját AI gépet építeni, mikor és miért, illetve hol húzódik a határ a lokális és felhős AI-használat között.
