跳至内容
智东西7月26日报道，今日，世界人工智能大会开幕，在上海一家AI创企的展台前，我们目睹了中国AI创业公司正向着主流Transformer架构发起强势冲锋。
一台机器狗，学习了用户的打招呼手势后，不到30秒就学会并进行了复刻，且完全模仿了用户使用右手打招呼的动作，值得注意的是，这一过程是在不依赖云端、完全离线部署的情况下实现的。
这是RockAI展台正在上演的场景。RockAI 2024年1月发布了国内首个基于非Transformer架构的大模型Yan 1.0、2024年9月发布Yan 1.3群体智能单元大模型，再到如今最新的Yan 2.0 Preview模型，此次机器狗亮眼表现的关键之一就是其在Yan 2.0 Preview模型中引入了记忆、自主学习能力。
3B参数规模的Yan 2.0 Preview，在ARC-C、ARC-E、WinoGrande等部分榜单上的性能表现已经超过参数规模更大的Llama 3、Qwen 3、Gemma 3。
RockAI CEO刘凡平谈道，Transformer架构是先预训练再微调、应用，现在Yan架构模型是在物理世界中学习、交互，不需要依赖云端，打破了现在大模型的学习模式，Yan 2.0 Preview的出现就承载了模型的自主学习能力。
这次在WAIC上，RockAI发布的Yan 2.0 Preview同样是基于非Transformer架构Yan架构，具备文本、视觉、音频多模态理解，以及端到端音频和文生成的能力。
基于Yan 2.0 Preview的灵巧手可以在展台自主玩推箱子游戏，可以看到它会根据具体情况对下一步行动进行分析、评估，最终使得箱子被放置到正确的位置。
2024年1月，Yan 1.0模型发布，拥有相较于同等参数Transformer架构更高的训练推理效率、吞吐量及记忆能力，更低的机器幻觉表达，同时支持CPU运行并100%支持私有化应用。
8个月后，进化为多模态的群体智能单元大模型Yan 1.3发布，实现了多模态大模型在树莓派的单板计算机上的部署推理。
再到如今的Yan 2.0 Preview，RockAI完成了模型基于训推同步的自主学习能力验证。
不过，目前Yan 2.0 Preview仍是RockAI在模型自主学习能力探索上的中间阶段，通过可微的记忆模块来实现信息的存储、检索和遗忘。在RockAI CTO杨华看来，让模型具备自主学习能力可能是未来的技术壁垒，这也是其探索AGI的重要阶段。
目前，行业基于Transformer架构的大模型虽然在短期对话中表现出色，但仍缺乏真正意义上的“原生记忆能力”。
行业主流做法是通过RAG（检索增强生成）、长上下文窗口或外部数据库等外挂机制来模拟记忆，让模型能够获取历史信息或知识背景。然而，这种方式本质上是一次性调用，缺乏对用户、任务或偏好的持续性理解与积累，也难以实现类似人类那样可生长、可纠偏、具备连续性的长期记忆。
而原生记忆能力是大模型迈向通用人工智能的关键基石，其重要性在于不仅能够让模型记住用户是谁、曾经说过什么、喜好什么，更能在长期交互中实现知识更新、个性化演进与情境理解，在此基础上，模型才能从工具进化为真正的个人助手，在内容创作、教育辅导、商业决策等用户的实际应用场景中提供连贯、深度智能支持。
正如前文提到的，搭载Yan 2.0 Preview的机器狗可以在现场30秒内精准学习并复刻指定动作，且能持续记住每位观众的偏好与互动风格。其实现的能力不依赖云端计算，完全在离线部署环境实现，且拥有原生记忆、自主理解与适应能力。
离线部署Yan 2.0 preview后，机器狗拥有了成为“活着”的仿生伙伴的能力，当大模型拥有原生记忆，终端设备被赋予了智能。
这都与RockAI“让世界上每一台设备拥有自己的智能”的使命一脉相承，从非Transformer架构的模型开始，进一步赋予其多模态、实时人机交互、自主学习的能力。
自主学习、多模态理解能力的提升，对Yan 2.0 Preview的底层架构创新提出了更高要求。
Yan 2.0 Preview的核心在于，其通过可微的记忆模块来实现信息的存储、检索和遗忘，前向过程可分为记忆更新与记忆检索两个阶段。
其中记忆更新过程，可以使模型通过门控式更新保留长期依赖，又能基于输入分布特性灵活整合新知识，记忆检索过程可以在增大模型记忆容量的同时，增强其检索能力。
在自主学习的基础上，该模型还具备对不同模态数据的理解、生成能力，其核心组件包括基于Yan 2.0 Preview架构的语言模型、视觉编码器、视频tokens压缩模块、视觉连接层、音频离散化模块和音频解码器。
其中，音频离散化模块通过将连续的语音信号量化至有限的离散值集合，提高音频样本的建模效率，可以做到低比特率实现统一建模语音的语义和声音信息。
音频模态能力扩展方面，Yan架构多模态模型能够有效地学习音频序列并建模细节声学特征，其采用约100万小时音频数据进行音频模态扩充与对齐训练，800万对语音问答数据供音频问答任务的有监督微调。
最后音频解码阶段，音频解码器负责将Yan架构多模态模型生成的离散音频Token解码为最终的音频波形，实现高质量的端到端语音合成。
可以看出，Yan 2.0 Preview在多模态能力的各项底层架构创新上，都在不断突破降低计算资源、提高模型性能的边界。
这些背后都是RockAI在非Transformer这条道路上坚持的结果，与当下端侧模型部署的核心需求相契合。如今，RockAI的Yan系列模型已经落地某品牌PC，并实现了集成大模型能力的会议助手等多项功能。
走一条非主流的底层创新，从一开始就注定十分艰难。RockAI自2023年6月成立，就坚定了要做非Transformer架构，
结合技术路线的选择与对大模型产业发展趋势的判断，在模型研发之外，RockAI在去年7月正式宣布了自己的使命，也就是“让世界上每一台设备都拥有自己的智能”，这也正不断内化到这家公司的业务发展之中。
一方面，其Yan系列模型从参数规模、性能方面逐渐契合端侧设备的场景；另一方面，RockAI实现模型在手机、电脑、无人机、机器人等端侧硬件上的离线部署，还通过内嵌或外挂的方式，部署在大疆无人机、树莓派单板计算机等硬件。
最先发力非Transformer架构的RockAI，最初面对了诸多行业质疑以及技术难点，如这套新体系在现有体系上的技术复用性，以及从0到1搭建底层架构、赋予机器自主学习能力等。
我们从RockAI的模型上看到了智能正在重新定义硬件，硬件的使用周期从一次性交付变为了拥有长期记忆，可以随用户一起成长。
传统硬件的价值在售出瞬间达到顶峰，然后随着磨损和过时而不断折旧，真正的智能硬件，其核心价值是动态的，可以通过算法的迭代和模型的自学习持续提升。用户购买的不再是一个功能固定的产品，而是一个能够与自己共同成长的服务和进化的平台，而要实现这种“持续生长”的高阶智能形态，则更需要底层的颠覆性创新来支撑。
随着Yan系列模型的发布，以及其与PC等厂商合作的不断深入，RockAI在这条难而正确之路上的坚持已经初见成效。
这背后离不开其创始团队的前瞻性洞察，以及过硬的技术积累。在当行业还沉浸在Transformer架构带来的技术红利中时，RockAI察觉到该架构在计算效率与场景适配性上的局限，并果断入局非Transformer架构探索。
对于未来的愿景，RockAI坚定“群体智能”的构想。杨华解释道，他们设想的不是单一智能体的演化，而是构建一个由多个模型和终端组成的“机器社会”，如同人类社会般实现群策群力与高度协作。在这个体系中，每一个智能终端不仅具备环境感知能力，还能与物理世界实时交互、自主学习与进化，共同构成一个有机协同、持续成长的智能群体。
“群体智能”不仅是技术的跃迁，也是RockAI认为迈向通用人工智能的关键路径。Yan 2.0 Preview的发布与在终端设备的落地，或许很快能让我们看到其这一愿景的雏形。
面对主流Transformer架构，不盲目追随这一浪潮，而是坚持自主创新，探索更贴近真实智能本质的技术路线，并以实际行动探索非Transformer架构的创新可能，是当下AI产业发展中最为可贵的。
RockAI当下取得的成果固然重要，但其基于对产业痛点的深刻洞察，为AI技术多元发展注入活力，从底层逻辑出发解决实际问题的举措，正推动AI产业从对技术红利的依赖走向真正的创新突破。
Yan 2.0 Preview展示的不仅是一次技术范式的突破，更是我们对未来人机关系的思考：不是遥不可及的超级模型，而是每一个设备都能思考、协作和成长的智能新时代。
“让世界上每一台设备拥有自己的智能”是RockAI的使命，这已经在其成立初期的技术路线选择、创新布局中充分展现出来，并且在当下取得阶段性成果。
（文：智东西）
