【量子位 2025年12月14日讯】在大模型行业沉迷“参数竞赛”“算力比拼”的当下，中国AI初创企业RockAI的创始人刘凡平，在量子位MEET2026智能未来大会上抛出颠覆性观点：“为Token付费是件愚蠢的事，用户该为智能买单”。这位曾深度参与Transformer优化、如今全力推动架构革新的创业者，不仅直指当前AI行业的核心误区，更带来了RockAI的解决方案——以Yan架构突破Transformer与反向传播算法“两座大山”，让端侧设备拥有原生记忆与自主学习能力，最终通过群体智能迈向通用人工智能（AGI）。这场演讲吸引了线下近1500名观众与350万+线上直播用户关注，为陷入“内卷”的AI行业提供了全新思考方向。
直击行业痛点：Token付费是“错误模式”，Transformer陷入“死亡螺旋”
“现在大家谈Agent、谈大模型，却还在为Token充值，这就像为‘啰嗦的表达’付费，完全背离了AI的核心价值。”刘凡平在演讲中开门见山，直指当前AI商业化的核心误区。他用生活场景类比：“有人三句话能说清问题，有人却要讲半小时，难道要为冗长的表述多付钱？AI的本质是提供智能，付费逻辑理应围绕‘解决问题的能力’，而非‘生成内容的长度’。”
在他看来，Token付费模式的盛行，本质是当前主流Transformer架构的“先天缺陷”所致。作为国内最早研究Transformer的从业者之一，刘凡平承认该架构早期的突破性，但也直言其已陷入“死亡螺旋”：为提升模型能力，行业不断堆砌算力与数据，导致成本飙升——某头部大模型单次训练成本已突破1亿美元，而效果提升却逐渐放缓；更关键的是，Transformer模型部署后参数固定，如同“被冻结的工具”，无法自主学习新知识，只能依赖云端重新训练、下发更新，这也使得“持续服务”不得不依赖Token计量。
刘凡平进一步拆解Transformer的核心局限：
-
静态函数属性，无法实现“活智能”：Transformer本质是静态复合函数，如同“复杂的查找表”，只能基于训练数据生成结果，无法像人类大脑一样动态建立新连接、形成记忆；
-
长上下文≠记忆，只是“大号缓冲区”：2024年以来行业追捧的“百万级长上下文”，本质是临时存储信息的缓冲区，无法像人脑海马体那样对信息加工、压缩、长期存储，更无法形成“价值观”“经验”等深层认知；
-
全参数激活，算力浪费严重：即使处理“1+1=2”这类简单问题，Transformer也需激活全部参数，如同“用整座工厂生产一颗螺丝钉”，端侧设备根本无法承载这种算力消耗。
破局路径：Yan架构重构端侧智能，实现“原生记忆+自主学习”
为打破Transformer的桎梏，RockAI耗时两年研发出非Transformer架构的Yan大模型，并在2024年推出1.0版本，如今已迭代至支持多模态的2.0预览版。这套架构的核心，是让端侧设备真正具备“活”的智能——原生记忆与自主学习能力。
1. 类脑稀疏激活：算力消耗直降90%，手机CPU也能跑
Yan架构最显著的突破，是模仿人类大脑的“选择性激活”机制。刘凡平解释：“人脑有860亿神经元，但开车时主要激活视觉皮层，睡觉时仅少量神经元工作，这种高效模式正是AI需要的。”基于此，Yan架构采用“极端稀疏化激活”设计，比当前主流的MoE（混合专家模型）激活效率更高：
-
任务驱动分区激活：处理语音交互时，仅激活模型中的语音理解模块；识别图像时，则聚焦视觉相关参数，避免全参数运算。实测显示，在手机端运行30亿参数的Yan模型，算力消耗仅为同参数Transformer模型的1/10，甚至能在树莓派、无人机等低算力设备上流畅运行；
-
动态资源分配：根据任务复杂度自动调整算力投入，比如回答简单问题时启用“轻量模式”，分析复杂数据时切换“全功率模式”，兼顾效率与性能。
2. 原生记忆模块：像人脑一样“积累经验”
不同于Transformer依赖长上下文的“临时记忆”，Yan架构加入了类似人脑海马体的“记忆模块”，实现参数化的长期记忆：
-
实时加工存储：与用户交互时，记忆模块会自动压缩、整理关键信息（如用户偏好、历史对话要点），并以参数化形式存储，无需依赖外部数据库；
-
动态更新与遗忘：通过“自适应衰减因子”和“学习率”，让重要记忆长期保留，无关信息自动遗忘——例如记住用户“对海鲜过敏”的长期偏好，却忽略某次临时提及的“今天想吃面”这类短期需求；
-
跨会话学习：即使间隔数月，模型也能回忆起过往对话内容，形成“个性化认知”。现场演示中，部署Yan模型的机器狗“闪电”，能记住用户教过的指令，后续交互时无需重复说明，甚至能根据过往反馈调整行为。
3. 训推同步：模型部署后仍能“持续进化”
“当前大模型在部署那一刻就‘死亡’了，因为参数固定，无法学习新东西。”刘凡平指出，而Yan架构通过“训练与推理同步”技术，让模型在服务过程中持续进化：
-
实时更新参数：推理生成结果的同时，模型会根据用户反馈（如“这个回答不对”）实时调整参数，相当于“边工作边学习”；
-
无需云端重训：端侧设备可自主完成知识更新，无需将数据上传至云端重新训练——例如智能家居模型能自主学习用户的作息习惯变化，无需厂商推送更新包；
-
避免“灾难性遗忘”：通过记忆模块与动态参数调整，新学习的知识不会覆盖旧知识，解决了传统持续学习中的“越学越忘”问题。
终极愿景：群体智能取代“云端造神”，每台设备都是AGI入口
刘凡平强调，Yan架构的终极目标不是打造“更强大的单设备智能”，而是通过无数具备自主学习能力的端侧设备，构建“群体智能”——这也是RockAI眼中迈向AGI的最佳路径。
“现在的云端大模型，本质是‘知识传播者’而非‘知识创造者’，它们从人类社会收集数据，再以生成内容的形式传播，却无法产生新认知。”刘凡平认为，真正的智能应该像人类社会一样：每个个体（设备）拥有独特能力，通过协作产生新知识。
在他描绘的群体智能图景中：
-
设备间自主协作：家中的智能音箱、扫地机器人、手机可共享知识——扫地机器人发现“客厅地毯易脏”，会同步给音箱，音箱提醒用户“定期清理地毯”；
-
个性化与通用性平衡：每台设备保留独特的用户偏好（如手机记住用户的阅读习惯），同时通过群体协作掌握通用能力（如学会识别新类型的物品）；
-
知识自主产生：设备在与物理世界交互中发现新规律——例如农业机器人通过观察作物生长，总结出“特定土壤湿度下产量更高”的新知识，并共享给其他同类设备，形成“群体认知升级”。
行业影响：重新定义硬件价值，AI进入“端侧革命”
刘凡平认为，端侧智能的普及将彻底改变硬件行业的价值逻辑：“未来买硬件，不是为了它的功能（如内存大小、摄像头像素），而是为了它能与你共同创造的智能价值。”
就像宠物狗因陪伴产生情感价值，未来的智能硬件也将因“持续学习”和“个性化”成为用户的“伙伴”：
-
硬件价值动态增长：刚购买时，智能手表只能完成基础健康监测；随着学习用户的生活习惯，逐渐能提供个性化健康建议，甚至预警潜在疾病，价值随使用时间不断提升；
-
隐私安全升级：数据在端侧存储、处理，无需上传云端，从根源上解决数据泄露风险；
-
打破“设备孤岛”：不同品牌的设备可通过群体智能协作，避免当前“生态壁垒”问题——例如小米手机能与华为智能家居共享数据，提供统一的智能服务。
目前，RockAI已与多家硬件厂商合作，将Yan架构集成到智能手机、机器人、智能家居设备中，预计2026年将有搭载完整Yan 2.0模型的产品上市。刘凡平坦言，突破Transformer与反向传播算法的“两座大山”仍需时间，但端侧智能与群体智能的方向已明确：“AI不该是少数巨头掌控的云端‘神’，而应是每个人身边‘活’的伙伴，这才是通用人工智能的真正意义。”
