在大模型规模不断扩张、算力与数据竞争日趋激烈的背景下，RockAI创始人刘凡平提出了一个不同于主流共识的观点：人工智能发展的下一个台阶，关键在于突破Transformer与反向传播算法这“两座大山”。
未来的智能，核心不在于模型“更大”，而在于让模型“活起来”。其本质是让模型摆脱静态函数的限制，使终端设备具备原生记忆、自主学习与持续进化的能力。这意味着AI的发展方向将从云端集中式的算力竞争，转向让每一台设备、每一个个体都能参与学习和生成知识的新范式。
在MEET2026智能未来大会上，刘凡平将这一转折点称为 硬件觉醒：当模型在设备端侧能像大脑一样稀疏激活、实时形成记忆，并在物理世界中不断更新自身时，设备便不再是工具，而是“活”的智能体。无数这样的智能体在现实世界中学习与协作，将孕育出真正能够产生知识的群体智能。
核心观点：为智能付费，而非为Token付费
当前，随着智能体（Agent）的广泛应用，Token消耗量急剧增长，其本质是用户在为Token付费。刘凡平指出，为Token付费是一件很愚蠢的事情。我们追求的是智能，因此付费的对象应该是智能本身，而非生成智能过程中产生的冗余信息量。
重新定义端侧模型：自主学习和原生记忆
硬件生态正在变化，AI能力正从云端走向终端。让AI属于每一个人，关键在于发展端侧智能。端侧不仅离用户更近，而且数据天然存在于设备周围。
然而，端侧模型并不是云端大模型的小参数版本。RockAI对端侧大模型有两个关键定义：自主学习和原生记忆。这恰恰是当前主流的Transformer架构模型在端侧难以实现的特性。
Transformer架构取得了巨大成功，但也使其陷入了一种“死亡螺旋”：为了提升性能，只能不断堆叠算力与数据，导致成本急剧攀升。刘凡平认为，对Scaling Law（缩放定律）的盲目信仰在当前看来是错误的。问题的核心不在于模型不够大，而在于思考方向有误。
当前的大模型是一个静态函数，而人的大脑是一个动态函数，时刻都在建立新的神经连接，这才是记忆与智能的基础。另一个误区是“参数越多越智能”，这在Transformer架构下成立，但若跳出该架构则不然。
同时，业界追逐的“长上下文”能力，在刘凡平看来并非真正的记忆。真正的记忆应该像人大脑的海马体，能够对信息进行加工、压缩和参数化存储。长上下文只是一种退而求其次的临时方案，因为部署后的Transformer模型是静态的，只能通过延长上下文来模拟记忆。
训练与推理同步：实现自主进化
未来的智能硬件必须拥有原生记忆和自主学习能力。其中，自主学习一定要走向物理世界。自主学习带来的最大好处是模型不会在部署时就“死亡”。目前的模型参数固定，部署即定型。而具备自主学习能力的模型可以实现训练和推理同步进行，在推理的同时不断调整自身参数，成为一个持续进化的“活”的系统。
当前许多方案，如知识外挂（RAG），都是针对静态模型缺陷的临时补丁。刘凡平强调，人工智能要迈向更高台阶，必须突破两座大山：第一是Transformer架构，第二是反向传播算法。
架构革新：Yan模型与稀疏激活
为了让模型能够进化，架构必须改变。以RockAI自主研发的Yan架构模型为例，它实现了整个模型的极端稀疏化，其激活机制比MoE（混合专家模型）更为稀疏，模仿了人脑高效节能的运行机制。
此外，模型中专门加入了记忆模块。在推理过程中，随着与用户的交互，记忆模块的参数会发生改变，从而实现真正的、个性化的记忆。这种架构使得模型无需依赖云端GPU，在手机、CPU等端侧设备上也能直接高效运行，为云原生与边缘计算场景提供了新的可能性。
例如，一个搭载了该模型的机器狗可以从零开始，在现场学习中掌握新技能。这为具身智能的发展提供了新思路：未来的家庭服务机器人不需要在出厂时就知晓一切，它可以通过在用户家中的自主学习来适应个性化环境。
智能重新定义硬件价值
原生记忆和自主学习带来的变革，远不止于“Token免费”。更深层次的影响在于，智能会重新定义硬件的价值。未来的硬件不再是冰冷的功能集合，而是能够与用户共同成长、创造情感连接的伙伴。其价值在购买时最小，并随着共同“经历”而不断增长。
迈向通用人工智能的最佳路径：群体智能
当每一台设备都拥有原生智能并能向物理世界学习时，群体智能便会涌现。这类似于人类社会：个体并非全能，但通过擅长领域的协作，能够产生全新的知识。
刘凡平指出，知识包含“产生”和“传播”两个环节。当前基于Transformer架构的大模型主要擅长知识的传播与整合，但其本身并不产生原生知识。真正的智能涌现应来自于每个能够自主学习和进化的个体，个体间通过协作产生新知识，再传播开来。因此，群体智能才是迈向通用人工智能（AGI）的更佳路径，而非创造一个全知全能的“云端之神”。
发表于 前天 06:05
|
查看: 4|
回复: 0
