為Token付費是一件很愚蠢的事情，用戶應該為智能付費丨RockAI劉凡平@MEET2026

編輯部 整理自 凹非寺

量子位 | 公眾號 QbitAI

“人工智能要發展到下一個臺階，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。”

在大模型規模不斷拔高、算力與數據卷到極致的當下，RockAI創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”。
本質是讓模型擺脫靜態函數的桎梏，讓端側設備具備原生記憶、自主學習與持續進化的能力。

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，劉凡平將這一轉折點稱為硬件覺醒：

當模型在端側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，設備就不再是工具，而是“活”的智能體。

而無數這樣的智能體在現實世界中學習、協作，便將孕育出真正能夠產生知識的群體智能。

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。

為了準確呈現劉凡平的完整思考，以下內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峰會，近30位產業代表與會討論。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。
• 端側模型不是云端大模型的小參數版本，端側模型關鍵在于自主學習和原生記憶，Transformer架構模型無法在端側實現這一點。
• 人工智能要發展到下一個臺階，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。
• 每臺設備擁有自己的智能并能向物理世界學習，就會產生群體智能，如同人類社會個體相互合作產生知識。現有大模型（尤其是Transformer架構大模型）本身不產生知識，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，下一步會發生什么？它能打開微信發信息，那微信未來的樣態還是現在這樣嗎？它能打開高德地圖，高德地圖十年以后還是現在這樣嗎？

大家會發現，目前是一個中間狀態，并不是終極狀態。

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。

我們為什么做大模型？是因為智能。如果要付費，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，就會發現為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。

端側模型并不是云端大模型的小參數版本

硬件已經發生了很多變化，當前的云端大模型已經慢慢走向了終端設備。

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，最重要的是端側的智能。

一方面因為端側離你更近，而且端側還有一個“數據無處不在”的好處。

我一直以來比較反感把所有數據采集到云端，云端訓練好了再下發給用戶使用。

數據明明就在你的身邊，為什么做不到就讓它在你身邊？因為云端大模型參數量太大了，也沒有這么多設備收集你身邊的數據。

端側大模型如果能在設備上收集數據，而且是完全屬于你個人的數據，且這臺設備又能和你其他設備關聯，那個時候大家就不會單純把模型當做一個工具來使用了。

很多人覺得端側受限于設備，算力有限，所以在云端做幾十B的“大”模型，端側做幾B的“小”模型，就成了端側模型。

但端側模型并不是云端大模型的小參數版本。

RockAI對端側大模型有兩個非常關鍵的定義：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架構的模型，無法在端側實現自主學習與原生記憶。

跳出Transformer架構去看問題

Transformer很優秀。

我自己就是國內最早研究Transformer的人之一，對它早期的成功非常認可。

但它現在進入到一個死亡螺旋的狀態，帶來一個問題——為了讓模型能力足夠突出我們要加大算力、加大數據，帶來成本極大提升。大家和競爭對手都在做同樣的事情。

你會發現，大家都沒有管架構，大家都在干數據和算力。因為“只要我數據算力夠了，我就做得更好”。

我們認為，信仰Scaling Law的成功在現在看來是錯誤的。不僅我這樣說，現在很多人也有類似的觀點。

核心本質不在于模型不夠大，而在于思考的方式錯了。

模型本身是一個靜態函數，這種靜態函數是不太可能會具備真正的智能。因為人的大腦是一個動態函數，每時每刻都在建立新的連接，而新的連接是動態結構的。人的大腦是因為這樣才有了記憶的能力。

另一個誤區是“更多參數就意味著更多智能”。

在Transformer架構下這樣想沒錯，但如果跳出Transformer架構就不是這樣了。

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”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，根據需要的情況會移除掉一部分信息。

這種記憶是參數化的記憶，不是靠上下文完成的。靠上下文完成，記憶就會很短。

為什么現在大家又執著于做上下文？是因為Agent，而Agent背后的Transformer架構模型部署后是一個靜態函數，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……但每時每刻產生的Token遠遠超過了這個量。就拿今天大會大家分享的內容來說，就已經遠遠超過了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，因為參數已經固定，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，而是可以持續學習的。

我們把這種持續學習狀態的技術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，參數也在不斷改變，這就是“活”的東西。

今天發布了一個模型，過三個月再去問這三個月里發生的事情，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。

我自己的觀點是這樣的：人工智能要往下發展到更高的臺階，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在很多設備的發展，包括算力的發展）。

模型架構一定要改

為了讓模型不再死亡、能夠進化，模型架構一定要改變。

以我們自己研發的Yan架構的大模型為例，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，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布的一個部署了模型的小設備，是一個機器狗，最開始什么能力都沒有，但是可以現學現會。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架構現在很難具備的。

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生了多深的情感。

未來的硬件其實需要讓用戶與它共同創造價值，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存，是與它的價值共創。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。

特別強調的是，在離線情況下，多模態感知能具備記憶和自主學習能力，那么硬件價值一定會發生很大變化。這也是全新架構帶來的全新可能。

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存資源。

每臺設備擁有自己的能力并能向物理世界學習，就會產生群體智能

當硬件擁有了原生記憶和自主學習，還會發生什么樣的變化？

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，合作過程中會產生真正的知識。

知識有兩部分：一個叫產生，一個叫傳播。

現在大模型——尤其是Transformer架構大模型——有很大的一個問題，它本身沒有產生知識。

真正的智能應該是產生知識。人與人之間隨時在產生知識，正是因為每個人的不同產生了不同的解決方案。

真正的智能涌現來自于每個個體，每個個體產生信息之后，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據，而收集的數據無非來自于人類社會的經驗。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！