衡宇 昕祎 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

剛剛，就在WAIC現(xiàn)場的一個展臺，我親眼看到一只機器狗，在完全離線斷網(wǎng)的情況下，學會了一個新動作。

是一位中年男性觀眾現(xiàn)場教的。讓它先轉個圈，再立起來做了個經(jīng)典的小狗拜拜。

教完過后沒兩分鐘，狗子自己就原模原樣復現(xiàn)出來了——

沒有預定程序，沒人遙控操縱，狗子全程離線。

一扭頭，這展臺還擺著幾只靈巧手，一會兒在愉快地玩黃金礦工，一會兒又玩推箱子推得正起勁。

聽展臺工作人員說，玩兒得這么溜的靈巧手，也是純離線，全靠它本地部署模型的視覺能力，看得懂畫面，也玩得轉策略。

其實靈巧手、機器狗、機器人等是本屆WAIC不少展位吸引目光的招牌產品。

之所以想和大家分享剛剛的所見所聞，一方面是因為在真·離線的狀態(tài)下，這倆端側設備表現(xiàn)得實在是不錯；另一方面，是因為部署在它們身上的模型，是非Transformer架構的大模型。

展臺負責介紹的小姐妹告訴我們，背后是設備原生智能：能離線跑、會多模態(tài)，還能邊用邊學。

這套體系的幕后推手，是一家成立剛滿兩年的公司——RockAI。

早在ChatGPT名動全球之前的2022年初，這家公司就開始全心押注非Transformer架構大模型，從最底層重構AI模型的運行邏輯。

今年WAIC期間，RockAI創(chuàng)始人劉凡平公開表示：

目前AI的發(fā)展需要推翻兩座大山，一個是反向傳播，一個是Transformer。

當大模型具備“原生記憶”能力

在RockAI展臺上自學新動作的機器狗、會玩游戲的靈巧手，都運行著RockAI最新推出的Yan 2.0 Preview大模型。

這個版本，相比初代Yan 1.0的語言能力、Yan 1.3的多模態(tài)理解能力，最大的突破在于它開始具備“記憶”了——引入了原生記憶模塊。

這里的“記憶”，不是對某個長度上下文的窗口限制，而是Yan 2.0 Preview具備了邊用邊學、可持續(xù)進化的能力。

現(xiàn)在大家用大模型，都會遇到這樣一種情況：提的問題超出了Chatbot的訓練數(shù)據(jù)覆蓋范圍，得到一句“很抱歉，我的知識截至于2024年x月，無法提供相關信息”，要么就是得到一頓瞎編的結果，令人頭禿。

這是傳統(tǒng)大模型“先訓練→再部署→使用過程不能更新”導致的。

所以，現(xiàn)在聯(lián)網(wǎng)搜索功能幾乎成了Chatbot們的標配。

但相比于原生記憶，聯(lián)網(wǎng)搜索、外掛記憶庫、拓展長上下文等解決方案其實沒有解決根本問題。

在這個問題上，Yan 2.0 Preview引入了一種訓推同步的新機制。

訓推同步意味著模型不再是一個凍結的產品，而是一個持續(xù)進化的智能體。每一次與環(huán)境的交互，每一個新的任務場景，都能成為模型自主學習、進化的養(yǎng)分。

要展開說這種持續(xù)學習能力的實現(xiàn)，就不得不提到RockAI對Yan 2.0 Preview的記憶模塊設計。

其前向過程可分為記憶更新與記憶檢索兩個階段。

首先來看記憶更新階段。

這一階段，模型會判斷哪些舊知識可以被遺忘，然后再從當前任務中提取出有價值的信息，寫入記憶模塊。

這個過程不靠外掛、不靠緩存，而是由一個專門的神經(jīng)網(wǎng)絡來模擬記憶行為來實現(xiàn)動態(tài)擦除與增量寫入，以此實現(xiàn)在保留重要歷史信息的同時，靈活整合新知識。

其次是記憶檢索階段。

Yan 2.0 Preview設計了記憶稀疏機制，模型會從多個記憶槽中選出Top-K激活記憶，與長期共享記憶融合，生成新的輸出。

這使得模型不只是有記性，更能“帶著記性去推理”。

這些機制組合在一起，讓Yan 2.0 Preview完成了對記憶網(wǎng)絡有效性的初步驗證，模型不再是靜態(tài)的大腦，而開始變成一個能生長的智能體。

用RockAI的話來說，這是邁向基于訓推同步的自主學習的一大步。

雖然完全實現(xiàn)基于訓推同步的自主學習在現(xiàn)在看來還是不可能之事，但這背后其實有一個非常現(xiàn)實主義的出發(fā)點。

早在2022年，RockAI創(chuàng)業(yè)之初就徹底放棄了Transformer架構，走一條完全不同的AI底層路徑。

原因很簡單——

RockAI專注為端側服務，而Transformer架構模型雖然在語言處理任務上表現(xiàn)出色，但它們消耗大量計算資源和內存，推理也異常吃算力。

尤其是對于長序列輸入，Transformer的自注意力機制存在二次復雜度的計算和內存需求，在諸如端側部署等場景中是天然的bug。

對于手機、機器人、IoT設備這些典型端側環(huán)境，資源敏感是一種常態(tài)，不是一種例外。

彼時的RockAI就做出判斷：

AI要成為真正的基礎設施，就必須與具體設備深度融合，只有當AI能夠在每一個終端設備上高效運行之時，它才能真正滲透到人類生活的每一個角落。

在這樣的思路下，Yan架構誕生了，并逐漸迭代出1.0、1.3版本，直到今天來到Yan 2.0 Preview版本。

需要強調的是，Yan 2.0 Preview不是一個完整的產品版本，它的意義更多是RockAI進行的一次重要技術預演。

這次他們想驗證的，不是模型能不能答題、會不會生成圖文，而是一個更本質的問題：

AI模型，能不能像人一樣，邊用邊學、越用越聰明？

這個問題的重要性遠超技術本身。

如果答案是肯定的，我們對AI的理解就該改一改，它不再是工具，而是能主動成長的智能伙伴。

基于訓推同步的自主學習機制，將有效信息隱式地存儲到多層神經(jīng)網(wǎng)絡的權重中，這比顯性的上下文工程更加優(yōu)雅，也更接近人類大腦的工作原理。

所以，展臺上玩游戲的靈巧手和自主學習的機器狗，不能當個逛展的樂子看，更深層次的，這能被視作是一種可能性的預告，AI或許能進入一個全新的進化階段。

“離線智能”讓模型直接在設備上出生和成長

最終通向AGI的路徑還在探索中，但方向是確定的：算法更簡單、算力依賴更低、數(shù)據(jù)需求更少。

RockAI表示，要讓AI真正進入這樣的進化階段，光靠外部功能拼裝是不夠，必須從底層架構動刀，解決那些阻礙AI落地生長的系統(tǒng)性問題。

“Transformer架構的模型，從一開始就注定不適合在端側設備上跑。”RockAI的CTO楊華如是說。

是不是有那么一絲絲“暴論”的味道？（doge）

但其實這句話絕不是沒有道理的歪理邪說——

ChatGPT一鳴驚人后，Transformer架構的模型席卷行業(yè)，越攀越高，在國內外無數(shù)次被證明有效。

但眾所周知，受限于Transformer架構本身的底層計算設計，在不少場景下，它會顯得比較笨拙。

譬如在推理模型風頭正盛的現(xiàn)在，Transformer模型一旦進入推理階段，模型的復雜度就會伴隨輸入序列長度瘋狂增長。每多處理一個token，就要額外計算整段上下文的注意力關系。

換句話說，就算你把大模型壓得再小，只要它還是Transformer架構，上下文長度變長、任務復雜度提升，推理速度就會明顯受限，功耗也直線向上狂飆。

如此一來，在手機、機器人、IoT終端這類算力有限的設備，Transformer架構模型就不占優(yōu)勢了。

針對這個窘境，目前業(yè)內的主要做法，要不是端云協(xié)同，要不就是給云端模型“瘦身”，盡可能壓縮壓縮再壓縮，再擠進端側設備里。

總而言之，現(xiàn)行主流方法的本質，仍然是在用云端的思路，來服務端側的現(xiàn)實。

但RockAI不一樣。

這家公司的辦法不是讓模型適配設備，而是讓模型直接在設備上出生和成長。

前面提到的Yan架構，就專為端側而生，RockAI表示， 它的目標是讓模型變成設備的一部分——RockAI稱之為“離線智能”。

所謂離線智能，不是簡單的“斷網(wǎng)運行”，而是模型在本地就能完成理解、推理、甚至學習的全流程閉環(huán)系統(tǒng)。

其核心特征有三：

• 全程本地運行：推理過程不依賴云端算力，模型部署在設備上，離線狀態(tài)可用。
• 多模態(tài)理解：能處理語音、圖像、視頻等復雜輸入，具備較強的本地感知與交互能力。目前，Yan 2.0 Preview能在樹莓派上以5 tokens/s的速度多模態(tài)問答。
• 邊用邊學的可成長性：具備訓推同步能力，用戶交互中的新信息可被寫入本地模型記憶，實現(xiàn)逐步成長。

這么一剖析，就能發(fā)現(xiàn)離線智能的與眾不同之處——

傳統(tǒng)AI是聯(lián)網(wǎng)找大腦，端云協(xié)同是遇到不會的去問云端，離線智能是只靠自己本身具備的腦子邊理解邊學習邊應對。

RockAI表示，端側大模型不應是縮水版的云端大模型。

端側大模型應該是一種創(chuàng)新架構的模型，能夠在終端設備上進行本地私有化部署。
其核心能力在于基于多模態(tài)感知實現(xiàn)自主學習與記憶，以提供個性化服務并保障數(shù)據(jù)隱私與運行安全。

說到底，RockAI把它視為未來各類終端設備真正的大腦。

“記憶”對未來終端設備來說十分重要，是它們真正理解你、陪伴你的關鍵所在。

具備記憶能力的大模型，能持續(xù)學習用戶的習慣、環(huán)境和情緒，在保護隱私的前提下，提供更精準的個性化服務。

人類一生都在邊記憶邊成長。未來設備也將借助記憶形成自己的經(jīng)驗，從而一步步變得有溫度、有判斷力，實現(xiàn)智能陪伴。

從這個角度來看，RockAI的愿景就不止步于拓展模型能力邊界了，這家公司用Yan架構大模型押注的還有讓“記憶”成為未來設備原生端側模型的基本素養(yǎng)。

國內非Transformer架構模型的落地之王

更重要的是，Yan架構并不是一場紙上談兵的重構實驗，它已經(jīng)在真實設備中長出來了，也開始動起來了。

官方消息顯示，不用裁剪、無須量化，Yan架構的系列大模型已經(jīng)跑通了樹莓派、驍龍6系列移動芯片、AMD和Intel的PC處理器，甚至是機器人主控芯片。

而且不僅是技術上跑起來，商業(yè)世界里也開始真正落地用起來了。

RockAI表示，與某出海品牌廠商合作的AI PC將在今年下半年正式量產上市，銷往海外。與此同時，該公司與其他品牌合作開發(fā)的終端設備，也正陸續(xù)進入部署節(jié)奏。

在全球范圍內，在行業(yè)里能真正做到完全非Transformer架構 + 真端側落地的公司，RockAI是極少數(shù)之一。

兩年多時間，他們用一條最不主流的路徑，走出了眼下完整的落地閉環(huán)，成為國內非Transformer架構模型的落地之王。

但他們要走的路，并不止于讓離線智能商業(yè)落地。

我們了解到，RockAI推出的類腦激活機制、原生記憶能力、純離線部署，并不是分散的功能點，而是通往一個更遠方向的三根支柱。

這個方向就是群體智能（Collective Intelligence）。

在RockAI看來，群體智能是邁向AGI的關鍵路徑之一。

人類社會中，個體具備專長，協(xié)作產生力量，故而RockAI希望智能設備也能這樣：模型和模型之間通過神經(jīng)元遷移或任務能力同步實現(xiàn)協(xié)作，構建出一個有組織、有分工、有反饋的模型群落。

換言之，RockAI構想的AI未來，不是一個巨無霸式的超級中心化模型，而是無數(shù)設備小腦互聯(lián)互通，共同進化。

這種看似激進的思路，其實也正在被越來越明顯的技術趨勢所呼應。

隨著效率敏感型場景的需求上升，去年開始，Transformer架構模型正被越來越多國內外主流科技公司關注并采納。

就連Transformer誕生地——谷歌，也在幾天前推出了全新底層架構Mixture-of-Recursions（MoR），內存減半，推理速度還翻倍，被不少網(wǎng)友戲稱為Transformer Killer。

可以看到，業(yè)界開始集體追問一個問題：Transformer架構，是不是走到了一個分岔點？

對于RockAI來說，這個問題的答案是肯定的。混合架構的大量出現(xiàn)，就是行業(yè)潛意識里對原有路線“不夠用了”的回應。

Transformer仍在狂飆，但非Transformer們也在快速追趕。不同的是，前者在原軌道上提速，后者在開鑿一條新的鐵路。

這條路挺難的。

它要繞開一整個AI生態(tài)的技術慣性，要補完新架構下的工具鏈、社區(qū)與認知成本。

這條路也很孤獨。

當前全球主流模型、硬件接口、訓練范式，大多都以Transformer架構為中心設計。

但正因如此，非Transformer架構值得被認真對待——在ChatGPT問世以前，GPT也在T5、BERT的光芒下顯得有些黯然。

所以RockAI相信，只要這條路解決了現(xiàn)實問題，它就有存在的意義。

如果我們把視線從“這周誰開源了新版本和“下一個基準測評的排行榜”抬起來，以十年甚至三十年的長遠視角去看今天，或許，真正照亮這個端云混戰(zhàn)、架構爭鳴的AI深夜的，未必是當下最喧嘩的那束光。

也有可能是以后成了共識之后被標記為起點的星星之火。