編輯部 整理自 凹非寺
量子位 | 公眾號 QbitAI
“人工智能要發(fā)展到下一個臺階，一定要突破兩座大山。第一座大山是Transformer，第二座大山是反向傳播算法。”
在大模型規(guī)模不斷拔高、算力與數(shù)據(jù)卷到極致的當下，RockAI創(chuàng)始人劉凡平提出了一個與主流共識截然不同的判斷。
下一階段的智能，不在“更大”，而在“活起來”。
本質(zhì)是讓模型擺脫靜態(tài)函數(shù)的桎梏，讓端側(cè)設(shè)備具備原生記憶、自主學習與持續(xù)進化的能力。
這意味著AI的方向要從云端集中式的算力競爭，遷移到每一臺設(shè)備，每一個個體都能參與學習，生成知識的全新范式。
在量子位MEET2026智能未來大會上，劉凡平將這一轉(zhuǎn)折點稱為硬件覺醒：
當模型在端側(cè)能像大腦一樣稀疏激活、實時形成記憶，并在物理世界中不斷更新自身，設(shè)備就不再是工具，而是“活”的智能體。
而無數(shù)這樣的智能體在現(xiàn)實世界中學習、協(xié)作，便將孕育出真正能夠產(chǎn)生知識的群體智能。
這既是對Transformer與反向傳播算法這“兩座大山”的正面突破，也是邁向通用人工智能的一條新路徑。
為了準確呈現(xiàn)劉凡平的完整思考，以下內(nèi)容基于演講實錄進行整理編輯，希望能提供新的視角與洞察。
MEET2026智能未來大會是由量子位主辦的行業(yè)峰會，近30位產(chǎn)業(yè)代表與會討論。線下參會觀眾近1500人，線上直播觀眾350萬+，獲得了主流媒體的廣泛關(guān)注與報道。
核心觀點梳理
為Token付費是一件很愚蠢的事情，用戶應該為智能付費。
端側(cè)模型不是云端大模型的小參數(shù)版本，端側(cè)模型關(guān)鍵在于自主學習和原生記憶，Transformer架構(gòu)模型無法在端側(cè)實現(xiàn)這一點。
人工智能要發(fā)展到下一個臺階，一定要突破兩座大山。第一座大山是Transformer，第二座大山是反向傳播算法。
原生記憶和自主學習帶來的變化除了Token不再收費，更多的還有重新定義硬件的價值。
每臺設(shè)備擁有自己的智能并能向物理世界學習，就會產(chǎn)生群體智能，如同人類社會個體相互合作產(chǎn)生知識。現(xiàn)有大模型（尤其是Transformer架構(gòu)大模型）本身不產(chǎn)生知識，只是傳播知識；群體智能才是邁向通用人工智能的最佳途徑。
……
以下為劉凡平演講全文：
硬件可能覺醒嗎？
很高興能夠和大家在今天分享RockAI在模型層面的思考，也許今天講的內(nèi)容和大家平常理解的有些不一樣——我們認為通用人工智能一定有自己的發(fā)展路徑。
今天分享的主題是硬件覺醒。
我們知道硬件是沒有生命的，怎么可能覺醒？沒錯，我們做大模型應該重新思考這一切的東西，這一切就是因為被Transformer束縛了。
我想問一下大家，你期待的未來的智能硬件是什么樣子？是你的智能手機還是平板，還是前兩天的豆包手機？
今天很多大會嘉賓都提到了Agent，提Agent的時候都提到一個點：工具，更高效的工具。
當前很多人還是把大模型當工具用。就像計算器一樣，我需要的時候拿過來用一下，不需要的時候就放開了。
從智能發(fā)展角度來想想：豆包手機能按照指令打開APP做相應的事情，下一步會發(fā)生什么？它能打開微信發(fā)信息，那微信未來的樣態(tài)還是現(xiàn)在這樣嗎？它能打開高德地圖，高德地圖十年以后還是現(xiàn)在這樣嗎？
大家會發(fā)現(xiàn)，目前是一個中間狀態(tài)，并不是終極狀態(tài)。
為Token付費是一件很愚蠢的事情
剛剛很多嘉賓提到，Token消耗量增長了10倍，尤其是使用上Agent之后。
這本質(zhì)是在為Token付費。
但大家有沒有想過：為Token付費是一件很愚蠢的事情。
我們?yōu)槭裁醋龃竽Ｐ停渴且驗橹悄堋Ｈ绻顿M，應該是為智能付費，為什么為Token付費？
打個比方，有的人講話只要簡單幾句就能說清楚，有的人說話很啰嗦，我難道要為它的啰嗦付費嗎？肯定是不對的。
細想一下，就會發(fā)現(xiàn)為Token付費是一個錯誤。未來（兩年之后）回頭看，我相信大家一定也會疑惑當年居然還為Token付過費、充值過。
端側(cè)模型并不是云端大模型的小參數(shù)版本
硬件已經(jīng)發(fā)生了很多變化，當前的云端大模型已經(jīng)慢慢走向了終端設(shè)備。
為什么這么說？我們不否定云端大模型的好處，尤其在工具使用上，云端大模型非常優(yōu)秀。
但是未來AI是屬于每一個人的。要讓AI走向每一個人的世界，最重要的是端側(cè)的智能。
一方面因為端側(cè)離你更近，而且端側(cè)還有一個“數(shù)據(jù)無處不在”的好處。
我一直以來比較反感把所有數(shù)據(jù)采集到云端，云端訓練好了再下發(fā)給用戶使用。
數(shù)據(jù)明明就在你的身邊，為什么做不到就讓它在你身邊？因為云端大模型參數(shù)量太大了，也沒有這么多設(shè)備收集你身邊的數(shù)據(jù)。
端側(cè)大模型如果能在設(shè)備上收集數(shù)據(jù)，而且是完全屬于你個人的數(shù)據(jù)，且這臺設(shè)備又能和你其他設(shè)備關(guān)聯(lián)，那個時候大家就不會單純把模型當做一個工具來使用了。
很多人覺得端側(cè)受限于設(shè)備，算力有限，所以在云端做幾十B的“大”模型，端側(cè)做幾B的“小”模型，就成了端側(cè)模型。
但端側(cè)模型并不是云端大模型的小參數(shù)版本。
RockAI對端側(cè)大模型有兩個非常關(guān)鍵的定義：自主學習和原生記憶。這是我們認為最重要的事情。
如果是Transformer架構(gòu)的模型，無法在端側(cè)實現(xiàn)自主學習與原生記憶。
跳出Transformer架構(gòu)去看問題
Transformer很優(yōu)秀。
我自己就是國內(nèi)最早研究Transformer的人之一，對它早期的成功非常認可。
但它現(xiàn)在進入到一個死亡螺旋的狀態(tài)，帶來一個問題——為了讓模型能力足夠突出我們要加大算力、加大數(shù)據(jù)，帶來成本極大提升。大家和競爭對手都在做同樣的事情。
你會發(fā)現(xiàn)，大家都沒有管架構(gòu)，大家都在干數(shù)據(jù)和算力。因為“只要我數(shù)據(jù)算力夠了，我就做得更好”。
我們認為，信仰Scaling Law的成功在現(xiàn)在看來是錯誤的。不僅我這樣說，現(xiàn)在很多人也有類似的觀點。
核心本質(zhì)不在于模型不夠大，而在于思考的方式錯了。
模型本身是一個靜態(tài)函數(shù)，這種靜態(tài)函數(shù)是不太可能會具備真正的智能。因為人的大腦是一個動態(tài)函數(shù)，每時每刻都在建立新的連接，而新的連接是動態(tài)結(jié)構(gòu)的。人的大腦是因為這樣才有了記憶的能力。
另一個誤區(qū)是“更多參數(shù)就意味著更多智能”。
在Transformer架構(gòu)下這樣想沒錯，但如果跳出Transformer架構(gòu)就不是這樣了。
舉一個簡單的例子——
生物界，一條蛇或者一個小兔子它沒有智能嗎？應該沒有人否定它們的智能。
和人腦相比，它們大腦擁有的“參數(shù)”肯定少很多。
另外還有長上下文。
2024年，長上下文方面有很多突破。但我們一直不認為長上下文是一種記憶，真正的記憶應該像人大腦的海馬體一樣，會把所有信息通過加工處理壓縮存儲下來，根據(jù)需要的情況會移除掉一部分信息。
這種記憶是參數(shù)化的記憶，不是靠上下文完成的。靠上下文完成，記憶就會很短。
為什么現(xiàn)在大家又執(zhí)著于做上下文？是因為Agent，而Agent背后的Transformer架構(gòu)模型部署后是一個靜態(tài)函數(shù)，沒辦法，只能通過上下文改變它的能力。
講到這里大家就會恍然大悟，長上下文其實是一個退而求其次的方案，并不是真正智能的解決方案。
上下文窗口超過100萬Tokens也好，200萬Tokens也好，1000萬Tokens也好……但每時每刻產(chǎn)生的Token遠遠超過了這個量。就拿今天大會大家分享的內(nèi)容來說，就已經(jīng)遠遠超過了1萬Tokens。
記憶能讓人形成長期認知，是一個過程。我們的價值觀就是記憶逐步積累起來的。如果記憶只靠長上下文，那么就形成不了價值觀，更不會有知識沉淀。
人的聰明來自長時間的積累。
訓推同步，帶來自主進化
回到剛才說的，未來的智能硬件最重要的應該是原生記憶和自主學習。
剛才說了原生記憶，現(xiàn)在來說自主學習，自主學習是一定要走向物理世界的。
自主學習帶來的一大好處就是模型不會因為部署就“死亡”了。
可能大家不知道，因為參數(shù)已經(jīng)固定，所以模型在部署的那一刻就死掉了。想要改變，就只能上傳到云端服務器重新訓練，過一段時間再下發(fā)給大家使用。
一旦能夠自主學習，隨之而來的自主進化就會帶來全新的改變。我們就不再認為它是一個固定的工具，而是可以持續(xù)學習的。
我們把這種持續(xù)學習狀態(tài)的技術(shù)稱之為訓練和推理同步進行。
訓練和推理同步進行，就像我站在這里輸出一些內(nèi)容（可以看成大模型的推理過程）的時候，也在獲得一些新的東西。我的推理和訓練是同時完成的。大腦不僅在推理，參數(shù)也在不斷改變，這就是“活”的東西。
今天發(fā)布了一個模型，過三個月再去問這三個月里發(fā)生的事情，它是不知道的，需要通過知識外掛RAG等方式彌補。這不是臨時方案是什么？
我們作為研究者，應該要面臨這樣的現(xiàn)實——
大模型的很多方案都是臨時方案，并不是真正的終局方案，終局方案就是要改架構(gòu)。
我自己的觀點是這樣的：人工智能要往下發(fā)展到更高的臺階，一定要突破兩個大山，第一座大山是Transformer，第二座大山是反向傳播算法（反向傳播算法制約了現(xiàn)在很多設(shè)備的發(fā)展，包括算力的發(fā)展）。
模型架構(gòu)一定要改
為了讓模型不再死亡、能夠進化，模型架構(gòu)一定要改變。
以我們自己研發(fā)的Yan架構(gòu)的大模型為例，整個模型極端稀疏化，激活機制比MoE更稀疏。
它模仿了人類大腦的運行機制。人的大腦大概有860億參數(shù)，但二十幾瓦的大腦預算峰值就可以推動大腦運算。
另外，我們在模型中加入了記憶模塊。也就是說，推理過程中，隨著你跟它溝通，記憶模塊會發(fā)生改變。所以真正的記憶開始了，真正個性化開始了。
如果一個設(shè)備擁有了自主學習，就有了新的可能性。
今年世界人工智能大會我們發(fā)布的一個部署了模型的小設(shè)備，是一個機器狗，最開始什么能力都沒有，但是可以現(xiàn)學現(xiàn)會。我們模型不一定需要云端GPU，手機、CPU上都能直接跑。
這還僅僅是一個簡單的機器狗。如果范圍更大一點，到具身智能呢？
具身智能現(xiàn)在沒辦法進入千家萬戶，核心原因是沒法在出廠的時候適應每個家庭，服務好每個家庭。它需要學習。
一個人到了酒店，還得看一下酒店的布局，知道書房在哪里，洗漱間在哪里。
未來設(shè)備也是一樣，它需要專門了解，有一個學習的過程，而不是出廠的時候就會用所用家電了。這個學習的過程是Transformer架構(gòu)現(xiàn)在很難具備的。
智能會重新定義硬件的價值
原生記憶和自主學習帶來的變化不僅僅是Token不再收費了，更多的還有智能重新定義硬件的價值。
舉個例子。比如說花兩萬塊錢買了一只寵物狗，它陪伴了你兩年，你跟它產(chǎn)生了情感依賴。兩年之后你還會花兩萬塊錢把它賣掉嗎？我想那個時候你肯定不是思考兩萬塊錢的事情，而是更在意狗和你之間產(chǎn)生了多深的情感。
未來的硬件其實需要讓用戶與它共同創(chuàng)造價值，而不是為它的功能買單。
就像買一部手機，未來為它付費的不是內(nèi)存，是與它的價值共創(chuàng)。你買它的時候它的價值是最小的時候。
所以我們認為智能會重新定義硬件的價值，它就不再只是一個工具了。
我們的模型能夠在手機、具身智能等設(shè)備上靈活運行。比如在手機上部署的3B的離線模型，保證了用戶的隱私和安全，體驗還非常流暢。
特別強調(diào)的是，在離線情況下，多模態(tài)感知能具備記憶和自主學習能力，那么硬件價值一定會發(fā)生很大變化。這也是全新架構(gòu)帶來的全新可能。
Transformer幾乎不可能做到這個水平。因為手機上運行它會消耗很高的內(nèi)存資源。
每臺設(shè)備擁有自己的能力并能向物理世界學習，就會產(chǎn)生群體智能
當硬件擁有了原生記憶和自主學習，還會發(fā)生什么樣的變化？
不同于OpenAI，也不同于DeepSeek，我們認為這條路徑是群體智能。
每一臺設(shè)備都擁有了自己的智能，此外還能向物理世界進行學習的時候，就會產(chǎn)生群體智能。
群體智能有點像人類社會。每個人都不是全能的，我們不需要造一個全能的人，更不需要人人都全能。大家只需要有自己擅長的點就可以了。
更多智能來自于相互之間的合作，合作過程中會產(chǎn)生真正的知識。
知識有兩部分：一個叫產(chǎn)生，一個叫傳播。
現(xiàn)在大模型——尤其是Transformer架構(gòu)大模型——有很大的一個問題，它本身沒有產(chǎn)生知識。
真正的智能應該是產(chǎn)生知識。人與人之間隨時在產(chǎn)生知識，正是因為每個人的不同產(chǎn)生了不同的解決方案。
真正的智能涌現(xiàn)來自于每個個體，每個個體產(chǎn)生信息之后，再傳播給更多的人。我們是在這樣的過程中形成了人類逐步發(fā)展的文明，而不是靠一個足夠聰明的云端通用大模型來造神。
云端通用大模型的厲害之處無非在于收集的數(shù)據(jù)，而收集的數(shù)據(jù)無非來自于人類社會的經(jīng)驗。如果它連自己原生的記憶和自主學習都不具備，是不可能產(chǎn)生真正的智能。
RockAI一直認為群體智能才是邁向通用人工智能最佳的方式，而不是OpenAI造神的路徑。
我的分享就到這里，謝謝！
一鍵三連「點贊」「轉(zhuǎn)發(fā)」「小心心」
歡迎在評論區(qū)留下你的想法！
—?完?—
點亮星標
科技前沿進展每日見
