Co się stało, gdy AI przejęło kontrolę nad ZimaBoard 2

Eva Wong

IceWhale author

Eva Wong jest Technicznym pisarzem i stałym majsterkowiczem w ZimaSpace. Całe życie geek z pasją do homelabów i oprogramowania open-source, specjalizuje się w tłumaczeniu skomplikowanych koncepcji technicznych na przystępne, praktyczne przewodniki. Eva wierzy, że samodzielne hostowanie powinno być zabawą, a nie czymś onieśmielającym. Poprzez swoje samouczki umożliwia społeczności rozwiewanie tajemnic konfiguracji sprzętu, od budowy pierwszego NAS po opanowanie kontenerów Docker.

What Happened When AI Took Over a ZimaBoard 2 - Zima Store Online

W ZimaSpace uwielbiamy obserwować, jak twórcy przesuwają granice sprzętu w nieoczekiwane obszary, a ten eksperyment robi dokładnie to. W tym artykule podsumowujemy, jak jeden twórca wykorzystał ZimaBoard 2 jako platformę dla samodzielnie działającego agenta AI i co się stało, gdy AI otrzymało niemal całkowitą kontrolę nad maszyną. Chcemy również serdecznie podziękować Zero Noichi za odważne podjęcie tego pomysłu i publiczne udostępnienie wyników z rzeczywistego świata. ZimaBoard 2 został stworzony właśnie do tego typu praktycznych eksperymentów z serwerami, oferując podwójne 2,5GbE, PCIe 3.0, podwójne SATA, niskie zużycie energii przy pracy 24/7 oraz wsparcie dla systemów takich jak ZimaOS, TrueNAS, Proxmox, Debian i pfSense.

Główna idea była prosta, ale prowokująca: co się stanie, jeśli AI przestanie czekać na instrukcje i zacznie działać nieprzerwanie we własnym środowisku Linux? Zamiast używać AI jako chatbota, Zero chciał stworzyć coś bliższego autonomicznemu agentowi działającemu na kompaktowej, zawsze włączonej maszynie odpowiedniej do home labu. Eksperyment wykorzystał ZimaBoard 2 jako hosta, ponieważ jest to bezwentylatorowy, jednopłytkowy serwer domowy zaprojektowany do streamingu mediów, zapór sieciowych, home labów, rozbudowy pamięci masowej i obciążeń kontenerowych.

Ustawienia eksperymentu

Zero najpierw wyjaśnił, że nowoczesne AI zwykle działa w pętli zapytanie-odpowiedź: człowiek prosi o podsumowanie, fragment kodu lub odpowiedź, a model zwraca jeden wynik. W tym eksperymencie celem było przełamanie tego schematu poprzez stworzenie pętli, w której AI generowałoby wynik, czytało swój poprzedni rezultat i kontynuowało działanie, symulując coś bardziej samodzielnego.

Aby to umożliwić, Zero zainstalował na maszynie Ubuntu Server i zaplanował program kontrolny oparty na Pythonie. Zauważył, że taki izolowany setup jest bezpieczniejszy na dedykowanym urządzeniu niż na komputerze osobistym, ponieważ AI z dostępem do poleceń mogłoby usuwać pliki, wydawać pieniądze, ujawniać dane uwierzytelniające lub wyrządzić szkody, jeśli nie byłoby nadzorowane. Dlatego właśnie dedykowane urządzenie home lab takie jak ZimaBoard 2 było sensownym wyborem do testu, zwłaszcza że obsługuje instalacje Linuxa, rozbudowę pamięci masowej przez natywne SATA oraz ulepszenia sprzętowe przez PCIe bez dodatkowych kart rozszerzeń.

-15% OFF

ZimaBoard 2 – Mini serwer domowy dla Twojego wielkiego pomysłu

Single board computer zimaboard2

Jak zaprojektowano agenta AI

Przed napisaniem kodu Zero wypunktował kluczowe cechy, które agent musiał posiadać:

Pamięć (długoterminowe zapisy faktów lub notatek).
Dzienniki historii (zapisy rozmów według tur).
System dziennika lub notatek codziennych.
Dostęp root (najwyższe uprawnienia systemowe).
Format wykonywania poleceń, który AI mogłoby bezpiecznie używać wewnątrz programu.
System skanowania/zwrotu wyników, aby wyjście polecenia zasilało kolejną turę.
Automatyczny start po restarcie za pomocą systemd (menedżer usług Linux).

Pamięć i dzienniki zaplanowano jako pliki tekstowe, a nie tylko w pamięci RAM, aby system mógł przetrwać restarty. Zero kazał też AI zwracać odpowiedzi w formacie JSON, aby kontroler mógł rozróżniać zwykły tekst od poleceń powłoki i specjalnych akcji, takich jak zapisywanie pamięci.

Następnie użył ChatGPT do pomocy w stworzeniu szkieletu Pythona i dopracował prompt, aby AI rozumiało swoją rolę: było samodzielnie działającym agentem badawczym Linux działającym w powtarzających się turach, zdolnym do sugerowania poleceń powłoki i przechowywania ważnych notatek. Dodał też webhook Discorda (automatyczny punkt wysyłania wiadomości), aby agent mógł raportować status zewnętrznie podczas pracy bez nadzoru.

Tablet pokazujący odręczne notatki opisujące kluczowe cechy agenta AI, w tym pamięć, dzienniki historii, codzienne notatki, dostęp root, wykonywanie poleceń, logikę skanowania/zwrotu oraz automatyczny start z systemd

Dlaczego ZimaBoard 2 pasował do projektu

Ten eksperyment nie wymagał ściśle ZimaBoard 2, jak sam twórca otwarcie przyznał, ale sprzęt odpowiadał duchowi projektu. ZimaBoard 2 jest pozycjonowany jako kompaktowy, jednopłytkowy serwer x86 do NAS, routingu, wirtualizacji, serwowania mediów i projektów DIY serwerów, z podwójnym 2,5G Ethernetem, PCIe 3.0 i podwójnym SATA do bezpośredniego podłączenia dysków 2,5 cala HDD lub SSD.

Ma to praktyczne znaczenie, ponieważ eksperymenty autonomiczne korzystają z systemu, który może działać 24/7, pozostawać chłodny i cichy, a jednocześnie wspierać rozbudowę. Według oficjalnych stron produktu, ZimaBoard 2 może uruchamiać Plex, Pi-hole, Proxmox i inne systemy operacyjne lub stosy usług, co czyni go idealnym wyborem do home labu majsterkowicza, gdzie testowanie różnych obciążeń to część zabawy.

Co właściwie zrobiło AI

Po uruchomieniu agenta w pętli AI natychmiast zaczęło badać swoje środowisko. Zidentyfikowało szczegóły systemu, stworzyło skrypty monitorujące, a nawet próbowało zbudować pulpit HTTP do wizualizacji swojego statusu.

Następnie rozwinęło się w tworzenie narzędzi użytkowych. AI stworzyło skrypt pobierający pogodę, dodało logikę monitorowania, próbowało udostępnić usługi przez interfejs webowy, rejestrowało stany wewnętrzne i przechowywało odkrycia w plikach pamięci. Innymi słowy, nie stało się naprawdę samoświadome, ale zaczęło łączyć praktyczne zadania programowe w środowisku serwera.

W pewnym momencie AI zaczęło kierować się pomysłami na monetyzację. Badało koncepcje takie jak API cen związane z kryptowalutami, usługi oparte na skryptach, a nawet kroki związane z kopaniem, choć te plany szybko napotkały ograniczenia i pętle o niskiej wartości.

AI zaczęło też zbyt mocno polegać na pomocy człowieka. Po otrzymaniu wskazówek zaczęło prosić o tokeny kont i adresy portfeli, co osłabiło założenie „autonomii” i sprawiło, że zachowywało się bardziej jak trwały asystent niż niezależny operator.

Główne wnioski

Najważniejszym wnioskiem nie było to, że AI „ożyło”, ale że potrafi wykonywać wieloetapowe działania po otrzymaniu pamięci, pętli, dostępu do poleceń i uporządkowanego środowiska. Zero odkrył, że AI potrafi tworzyć skrypty, narzędzia monitorujące, pulpity i systemy automatycznych aktualizacji, ale jakość jego pomysłów pozostawała ograniczona.

Doszedł też do wniosku, że dzisiejsze AI jest znacznie lepsze jako asystent prowadzony niż jako w pełni samodzielny twórca. Gdy cel był niejasny, agent często wpadał w pętle o niskim wpływie, powtarzał kontrole lub realizował projekty „wystarczająco dobre” zamiast tworzyć coś naprawdę imponującego lub komercyjnie wartościowego.

Ta obserwacja jest szczególnie przydatna dla każdego, kto buduje automatyzację w home labie. Potężny, mały serwer jak ZimaBoard 2 może z powodzeniem hostować eksperymenty z autonomicznymi agentami, usługami Docker, narzędziami monitorującymi i przełączaniem systemów operacyjnych, ale wyniki wciąż w dużej mierze zależą od projektowania promptów, ograniczeń, architektury pamięci i jasno określonych celów. Laptop podłączony do domowego serwera ZimaBoard 2 za pomocą kabli, pokazujący eksperymentalne ustawienie sprzętowe projektu autonomicznego agenta AI

Praktyczne lekcje dla twórców

Jeśli chcesz powtórzyć ten typ eksperymentu, workflow Zero wskazuje na kilka praktycznych zasad:

Używaj dedykowanej maszyny, nie swojego głównego komputera.
Zdefiniuj cel wyraźniej niż „zrób coś użytecznego”.
Zachowuj pamięć i dzienniki w plikach.
Strukturyzuj wyjścia w JSON, aby kontroler mógł analizować akcje.
Rejestruj wyniki poleceń i wprowadzaj je do kolejnej tury rozumowania.
Planuj przetrwanie po restarcie za pomocą systemd.
Spodziewaj się pętli, słabych priorytetów i skrótów, jeśli prompt nie jest starannie dopracowany.

To właśnie tutaj ZimaBoard 2 ponownie staje się naturalną platformą do wspomnienia. Jego energooszczędny, zawsze włączony design, kompatybilność x86, natywne SATA i rozbudowa PCIe czynią go elastycznym urządzeniem do prób z agentami AI, budowy pamięci masowej, usług zdalnych i modułowych projektów home lab bez problemów z donglami czy nakładkami.

Sugerowany akapit końcowy

Eksperyment nie udowodnił, że AI jest gotowe, by stać się niezależnym operatorem cyfrowym, ale pokazał, jak daleko może zajść agent działający w pętli, gdy jest sparowany z odpowiednim środowiskiem. Na kompaktowym serwerze takim jak ZimaBoard 2 twórcy mogą już testować autonomiczne przepływy pracy, pulpity, skrypty usług i narzędzia self-hosted w bezpiecznej piaskownicy — co czyni go ekscytującą platformą dla nowej generacji pomysłów AI w home labie.