新加坡外長的 AI 第二大腦：一台 Raspberry Pi 上的外交助理

一個不像科技演講者的演講者

2026 年 5 月，新加坡 Capitol Theatre 舞台上站著一位自我介紹為「退休眼科外科醫師、繞進政壇太久、在這個場子裡像冒牌貨」的人——新加坡現任外交部長 Vivian Balakrishnan。

台下是 AI Engineer Singapore 大會的觀眾，絕大多數是工程師和開發者。而這位「冒牌貨」的 AI 助理，跑在一台兩三年前買的 Raspberry Pi 上，只有 8GB 記憶體。

用了三個月後，他說了一句被廣泛引用的話：「老實講，已經不敢把它關掉了。」

從 OpenClaw 到 NanoClaw

Balakrishnan 三個月前（2026 年 2 月）開始構建個人 AI 助理。最初被 OpenClaw 熱潮捲入，但很快判斷那條路不可行——以他的職務，安全是繞不過去的問題。

後來有人介紹了 NanoClaw：

• 開源 AI 代理框架，基於 Anthropic Claude Agent SDK
• 可接 WhatsApp、Telegram、Slack
• 有記憶、能排程
• 最大特色：「小」——整個專案約 500 行代碼，全部塞進去只佔 Claude 上下文視窗的一小部分

對 Balakrishnan 來說，「讀得懂」是關鍵。他說 NanoClaw 短到連他這種「笨蛋」都能讀，而且是容器化的。他用外科醫師經驗解釋：手術台上沒有例行手術，東西一定會出錯，當它壞掉時你希望它壞在邊界之內。容器化把代理關進隔離盒子，對應他「出錯也要可控」的直覺。

NanoClaw 幾乎沒有設定檔，所有客製化交給 LLM 去做。每個跑 NanoClaw 的人，跑的是被自己調出來、長得不一樣的系統。

外交官第二大腦的架構

Balakrishnan 的日常：這個月造訪 12 個國家、見上百人、每到一地掌握經濟地理文化歷史戰爭與和平。巨大的認知負荷需要一套系統——需要事實時隨時拿得到，需要深究時能順著線追下去。

系統組件：

他餵入自己的講稿、逐字稿、國會發言，讓系統消化抽取存進記憶。同時加入 Andrej Karpathy 的 LLM 監督式生成 wiki 作法。

LLM 負責分析、抽象、表達、起草——簡報、講稿、國會質詢答覆。他甚至測試過把整場國會辯論丟給 AI，生成的提問和答覆讓他印象深刻，「有些 AI 生成的辯論比真人犀利」。

連這場演講的投影片本身都是 Claude 生成的。

三個核心訊息

訊息一：你的理解無法外包

Balakrishnan 說，計算、運算、記憶、複製、知識傳播都可以交給機器，但有一樣東西外包不掉——你自己的理解。

如果你身處有權力的位置，可以把工作授權出去，但沒辦法把問責授權出去。外長可以讓 AI 擬答覆、整理背景、抽出談判對手資料，但坐上談判桌、在國會被追問時，扛責任的是他本人，不是那台 Raspberry Pi。

這解釋了他為什麼在意「讀得懂程式碼」。NanoClaw 每次給代理 bash 權限都要求他核可，他真的會掃過那段程式碼。他說：「就算你不會寫程式，能看懂發生了什麼事，也已經有差。看懂讓他保住了那份理解，也就保住了問責的底氣。」

訊息二：真正的價值在地面層

Balakrishnan 引用劍橋大學教授 Neil Lawrence 在《金融時報》的文章：AI 討論太多集中在模型、資料中心、政府規則等「宏觀」層次，但真正為經濟和社會創造價值的地方在地面層——一個工作流程接一個工作流程，一個產業接一個產業，最後落到個人身上。

老師、律師、技師、經理、醫生、甚至部長——這些懂自己工作又被工具加持的人，才是創造真實價值的人。這些工具多半早就發明出來、擺在那裡了。

他的方向是去中心化、個人化、客製化。他沒有訓練新模型，而是把外交官工作流程用現成工具重新接過一遍。記憶怎麼存、資料怎麼進、語音怎麼轉、wiki 怎麼長出來——每個環節都重排過。

訊息三：進入門檻已經崩塌

Balakrishnan 把自己當成證據：這套系統他做出來了，而他沒有寫 Claude、沒有寫 Baileys、沒有寫 Mnemon、沒有寫 Whisper、沒有寫憑證系統。他說外界愛談 vibe coding，他連 vibe coding 都不敢自稱——他做的事情就是組裝工具，連 glue code 都沒寫。

「組裝」這個詞有意義：OpenClaw 太大太難掌握，NanoClaw 把同樣功能壓進一個人讀得完的程式碼裡，於是「組裝」變成可能。下載、接上、核可權限、掃過程式碼，然後讓 LLM 做客製化細活。

他形容自己的方法是「邊做邊學」——光是坐著讀、看標題、看摘要不夠，你對什麼有興趣就去把手弄濕，學習是靠做學會的。

限制與警告

成本

Token 並不便宜，算力有限，電價在漲，戰爭也幫不上忙。不要把每個問題、每個步驟都丟給 LLM——手裡拿著鎚子的人看什麼都像釘子。

確定性系統仍有角色

用 LLM 沒問題，但別忘記確定性系統和專家規則系統仍有角色。他相信最終答案是某種神經符號系統，對 Yann LeCun 有同感——LLM 很好，但這不是大自然解決問題的方式。

人腦效率

他用眼科醫師身分補充：懷疑人腦運算層數比很多 LLM 還少。大腦處理視覺、語言、認知的皮質結構，往往比「吃電怪獸」有效率得多。

工具比模型重要

他甚至公開對 NanoClaw 開發者下期限：6 月 15 日前讓所有模型都變成一等公民。

記憶是最大難題

記憶是這個前沿裡最大、還沒被解決的難題，而且「非常人性」。

安全

他只放已經公開、已經發表的東西進去，讓系統接受夠高的透明度和檢視。安全始終是第一位，AI 擴散真正的阻礙會是商業競爭、國家安全、網路安全和超級強權角力。

為什麼一個外長要親自動手

答案藏在他引的一句話裡：「你沒辦法治理一個你只被簡報過的技術。」

一個只讀過簡報的官員，跟一個親手把代理跑起來、掃過程式碼、被 bash 權限提示打斷過的官員——他們對技術的理解不在同一個層次。前者知道 AI 的存在，後者知道 AI 的潛力、極限和出錯位置。對要替國家做 AI 決策的人來說，這個差別很要命。

這也接上新加坡國家戰略：新加坡大概不會站在模型開發前沿，但可以站在大規模部署的前沿。Balakrishnan 信奉「邊緣部署」——他是外科醫師，相信動手、相信修東西，因為那才是真正能救命、能創造價值的地方。

公共政策的目標變成把這些工具民主化。如果價值在地面層、在每個個人身上被創造，推動方式只能是去中心化、由下而上。

最誠實的推薦

Balakrishnan 用三個月證明了這條路一個 65 歲、不會寫程式的人也走得通。他不是把系統當展示品——每天都在用，已經不敢關掉。

對一個整天在跟未來打交道的外交官來說，這大概是他能給出的、關於 AI 最誠實的一個推薦。