千亿快速登陆

千亿快速登陆

编辑部 整理自 凹非寺量子位 | 公众号 QbitAI

“人工智能要发展到下一个台阶，一定要突破两座大山。第一座大山是Transformer，第二座大山是反向传播算法。”

在大模型规模不断拔高、算力与数据卷到极致的当下，RockAI创始人刘凡平提出了一个与主流共识截然不同的判断。

下一阶段的智能，不在“更大”，而在“活起来”。本质是让模型摆脱静态函数的桎梏，让端侧设备具备原生记忆、自主学习与持续进化的能力。

这意味着AI的方向要从云端集中式的算力竞争，迁移到每一台设备，每一个个体都能参与学习，生成知识的全新范式。

在量子位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，设备就不再是工具，而是“活”的智能体。

而无数这样的智能体在现实世界中学习、协作，便将孕育出真正能够产生知识的群体智能。

这既是对Transformer与反向传播算法这“两座大山”的正面突破，也是迈向通用人工智能的一条新路径。

为了准确呈现刘凡平的完整思考，以下内容基于演讲实录进行整理编辑，希望能提供新的视角与洞察。

MEET2026智能未来大会是由量子位主办的行业峰会，近30位产业代表与会讨论。线下参会观众近1500人，线上直播观众350万+，获得了主流媒体的广泛关注与报道。

核心观点梳理为Token付费是一件很愚蠢的事情，用户应该为智能付费。端侧模型不是云端大模型的小参数版本，端侧模型关键在于自主学习和原生记忆，Transformer架构模型无法在端侧实现这一点。人工智能要发展到下一个台阶，一定要突破两座大山。第一座大山是Transformer，第二座大山是反向传播算法。原生记忆和自主学习带来的变化除了Token不再收费，更多的还有重新定义硬件的价值。每台设备拥有自己的智能并能向物理世界学习，就会产生群体智能，如同人类社会个体相互合作产生知识。现有大模型（尤其是Transformer架构大模型）本身不产生知识，只是传播知识；群体智能才是迈向通用人工智能的最佳途径。

以下为刘凡平演讲全文：

硬件可能觉醒吗？

很高兴能够和大家在今天分享RockAI在模型层面的思考，也许今天讲的内容和大家平常理解的有些不一样——我们认为通用人工智能一定有自己的发展路径。

今天分享的主题是硬件觉醒。

我们知道硬件是没有生命的，怎么可能觉醒？没错，我们做大模型应该重新思考这一切的东西，这一切就是因为被Transformer束缚了

我想问一下大家，你期待的未来的智能硬件是什么样子？是你的智能手机还是平板，还是前两天的豆包手机？

今天很多大会嘉宾都提到了Agent，提Agent的时候都提到一个点：工具，更高效的工具。

当前很多人还是把大模型当工具用。就像计算器一样，我需要的时候拿过来用一下，不需要的时候就放开了。

从智能发展角度来想想：豆包手机能按照指令打开APP做相应的事情，下一步会发生什么？它能打开微信发信息，那微信未来的样态还是现在这样吗？它能打开高德地图，高德地图十年以后还是现在这样吗？

大家会发现，目前是一个中间状态，并不是终极状态。

为Token付费是一件很愚蠢的事情

刚刚很多嘉宾提到，Token消耗量增长了10倍，尤其是使用上Agent之后。

这本质是在为Token付费。

但大家有没有想过：为Token付费是一件很愚蠢的事情

我们为什么做大模型？是因为智能。如果要付费，应该是为智能付费，为什么为Token付费？

打个比方，有的人讲话只要简单几句就能说清楚，有的人说话很啰嗦，我难道要为它的啰嗦付费吗？肯定是不对的。

细想一下，就会发现为Token付费是一个错误。未来（两年之后）回头看，我相信大家一定也会疑惑当年居然还为Token付过费、充值过。

端侧模型并不是云端大模型的小参数版本

硬件已经发生了很多变化，当前的云端大模型已经慢慢走向了终端设备。

为什么这么说？我们不否定云端大模型的好处，尤其在工具使用上，云端大模型非常优秀。

但是未来AI是属于每一个人的。要让AI走向每一个人的世界，最重要的是端侧的智能

一方面因为端侧离你更近，而且端侧还有一个“数据无处不在”的好处。

我一直以来比较反感把所有数据采集到云端，云端训练好了再下发给用户使用。

数据明明就在你的身边，为什么做不到就让它在你身边？因为云端大模型参数量太大了，也没有这么多设备收集你身边的数据。

端侧大模型如果能在设备上收集数据，而且是完全属于你个人的数据，且这台设备又能和你其他设备关联，那个时候大家就不会单纯把模型当做一个工具来使用了。

很多人觉得端侧受限于设备，算力有限，所以在云端做几十B的“大”模型，端侧做几B的“小”模型，就成了端侧模型。

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非常关键的定义：自主学习和原生记忆。这是我们认为最重要的事情。

如果是Transformer架构的模型，无法在端侧实现自主学习与原生记忆。

跳出Transformer架构去看问题

Transformer很优秀。

我自己就是国内最早研究Transformer的人之一，对它早期的成功非常认可。

但它现在进入到一个死亡螺旋的状态，带来一个问题——为了让模型能力足够突出我们要加大算力、加大数据，带来成本极大提升。大家和竞争对手都在做同样的事情。

你会发现，大家都没有管架构，大家都在干数据和算力。因为“只要我数据算力够了，我就做得更好”。

我们认为，信仰Scaling Law的成功在现在看来是错误的。不仅我这样说，现在很多人也有类似的观点。

核心本质不在于模型不够大，而在于思考的方式错了。

模型本身是一个静态函数，这种静态函数是不太可能会具备真正的智能。因为人的大脑是一个动态函数，每时每刻都在建立新的连接，而新的连接是动态结构的。人的大脑是因为这样才有了记忆的能力。

另一个误区是“更多参数就意味着更多智能”。

在Transformer架构下这样想没错，但如果跳出Transformer架构就不是这样了。

举一个简单的例子——

生物界，一条蛇或者一个小兔子它没有智能吗？应该没有人否定它们的智能。

和人脑相比，它们大脑拥有的“参数”肯定少很多。

另外还有长上下文。

2024年，长上下文方面有很多突破。但我们一直不认为长上下文是一种记忆，真正的记忆应该像人大脑的海马体一样，会把所有信息通过加工处理压缩存储下来，根据需要的情况会移除掉一部分信息。

这种记忆是参数化的记忆，不是靠上下文完成的。靠上下文完成，记忆就会很短。

为什么现在大家又执着于做上下文？是因为Agent，而Agent背后的Transformer架构模型部署后是一个静态函数，没办法，只能通过上下文改变它的能力。

讲到这里大家就会恍然大悟，长上下文其实是一个退而求其次的方案，并不是真正智能的解决方案

上下文窗口超过100万Tokens也好，200万Tokens也好，1000万Tokens也好……但每时每刻产生的Token远远超过了这个量。就拿今天大会大家分享的内容来说，就已经远远超过了1万Tokens。

记忆能让人形成长期认知，是一个过程。我们的价值观就是记忆逐步积累起来的。如果记忆只靠长上下文，那么就形成不了价值观，更不会有知识沉淀。

人的聪明来自长时间的积累。

训推同步，带来自主进化

回到刚才说的，未来的智能硬件最重要的应该是原生记忆和自主学习。

刚才说了原生记忆，现在来说自主学习，自主学习是一定要走向物理世界的

自主学习带来的一大好处就是模型不会因为部署就“死亡”了。

可能大家不知道，因为参数已经固定，所以模型在部署的那一刻就死掉了。想要改变，就只能上传到云端服务器重新训练，过一段时间再下发给大家使用。

一旦能够自主学习，随之而来的自主进化就会带来全新的改变。我们就不再认为它是一个固定的工具，而是可以持续学习的。

我们把这种持续学习状态的技术称之为训练和推理同步进行

训练和推理同步进行，就像我站在这里输出一些内容（可以看成大模型的推理过程）的时候，也在获得一些新的东西。我的推理和训练是同时完成的。大脑不仅在推理，参数也在不断改变，这就是“活”的东西。

今天发布了一个模型，过三个月再去问这三个月里发生的事情，它是不知道的，需要通过知识外挂RAG等方式弥补。这不是临时方案是什么？

我们作为研究者，应该要面临这样的现实——

大模型的很多方案都是临时方案，并不是真正的终局方案，终局方案就是要改架构

我自己的观点是这样的：人工智能要往下发展到更高的台阶，一定要突破两个大山，第一座大山是Transformer，第二座大山是反向传播算法（反向传播算法制约了现在很多设备的发展，包括算力的发展）。

模型架构一定要改

为了让模型不再死亡、能够进化，模型架构一定要改变。

以我们自己研发的Yan架构的大模型为例，整个模型极端稀疏化，激活机制比MoE更稀疏。

它模仿了人类大脑的运行机制。人的大脑大概有860亿参数，但二十几瓦的大脑预算峰值就可以推动大脑运算。

另外，我们在模型中加入了记忆模块。也就是说，推理过程中，随着你跟它沟通，记忆模块会发生改变。所以真正的记忆开始了，真正个性化开始了。

如果一个设备拥有了自主学习，就有了新的可能性。

今年世界人工智能大会我们发布的一个部署了模型的小设备，是一个机器狗，最开始什么能力都没有，但是可以现学现会。我们模型不一定需要云端GPU，手机、CPU上都能直接跑

这还仅仅是一个简单的机器狗。如果范围更大一点，到具身智能呢？

具身智能现在没办法进入千家万户，核心原因是没法在出厂的时候适应每个家庭，服务好每个家庭。它需要学习。

一个人到了酒店，还得看一下酒店的布局，知道书房在哪里，洗漱间在哪里。

未来设备也是一样，它需要专门了解，有一个学习的过程，而不是出厂的时候就会用所用家电了。这个学习的过程是Transformer架构现在很难具备的。

智能会重新定义硬件的价值

原生记忆和自主学习带来的变化不仅仅是Token不再收费了，更多的还有智能重新定义硬件的价值。

举个例子。比如说花两万块钱买了一只宠物狗，它陪伴了你两年，你跟它产生了情感依赖。两年之后你还会花两万块钱把它卖掉吗？我想那个时候你肯定不是思考两万块钱的事情，而是更在意狗和你之间产生了多深的情感。

未来的硬件其实需要让用户与它共同创造价值，而不是为它的功能买单。

就像买一部手机，未来为它付费的不是内存，是与它的价值共创。你买它的时候它的价值是最小的时候

所以我们认为智能会重新定义硬件的价值，它就不再只是一个工具了。

我们的模型能够在手机、具身智能等设备上灵活运行。比如在手机上部署的3B的离线模型，保证了用户的隐私和安全，体验还非常流畅。

特别强调的是，在离线情况下，多模态感知能具备记忆和自主学习能力，那么硬件价值一定会发生很大变化。这也是全新架构带来的全新可能。

Transformer几乎不可能做到这个水平。因为手机上运行它会消耗很高的内存资源。

每台设备拥有自己的能力并能向物理世界学习，就会产生群体智能

当硬件拥有了原生记忆和自主学习，还会发生什么样的变化？

不同于OpenAI，也不同于DeepSeek，我们认为这条路径是群体智能。

每一台设备都拥有了自己的智能，此外还能向物理世界进行学习的时候，就会产生群体智能

群体智能有点像人类社会。每个人都不是全能的，我们不需要造一个全能的人，更不需要人人都全能。大家只需要有自己擅长的点就可以了。

更多智能来自于相互之间的合作，合作过程中会产生真正的知识。

知识有两部分：一个叫产生，一个叫传播。

现在大模型——尤其是Transformer架构大模型——有很大的一个问题，它本身没有产生知识。

真正的智能应该是产生知识。人与人之间随时在产生知识，正是因为每个人的不同产生了不同的解决方案。

真正的智能涌现来自于每个个体，每个个体产生信息之后，再传播给更多的人。我们是在这样的过程中形成了人类逐步发展的文明，而不是靠一个足够聪明的云端通用大模型来造神。

云端通用大模型的厉害之处无非在于收集的数据，而收集的数据无非来自于人类社会的经验。如果它连自己原生的记忆和自主学习都不具备，是不可能产生真正的智能。

RockAI一直认为群体智能才是迈向通用人工智能最佳的方式，而不是OpenAI造神的路径。

我的分享就到这里，谢谢！