编辑部 整理自 凹非寺天弘配资
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”模型天弘配资，端侧做几B的“小”模型，就成了端侧模型。
但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！
— 完 —
量子位 QbitAI · 头条号签约
关注我们天弘配资，第一时间获知前沿科技动态
涌融优配提示：文章来自网络，不代表本站观点。
