7.5
深览指数
科技微博·量子位··AI 生成
通研院孵化的团队，也盯上了RSI
北京通用人工智能研究院孵化的创业团队「通衍灵智」提出了一个技术路线：通过「递归自我改进个性化智能」（RSI）及轻量化的Personal LoRA参数，让AI能在实际业务中持续学习个体和组织的专属经验。文章详细介绍了其区别于传统RAG/Agent套壳的「参数化学习」架构、用于筛选学习信号的评估器机制，以及应对规模化部署的底层算力优化方案。适合对AI Agent落地、模型持续学习（Continual Learning）的从业者与技术决策者阅读，了解一个从「使用AI」到「沉淀AI能力」的非主流技术主张。原文 ↗
核心观点
- ▍AI竞争正从「通用模型能力」转向「专属能力沉淀」，通衍灵智认为拉开企业差距的关键是能否把组织经验转化为模型参数，而非停留在「查资料」层面的RAG/Agent套壳。
- ▍解决个性化需求不能仅依靠外部的Prompt/RAG/记忆，必须进入参数层。通衍灵智提出「共享基础模型+轻量化Personal LoRA」架构，让不同用户通过适配参数逐步形成专属智能。
- 01通衍灵智采用RSI（递归自我改进）技术，通过Evaluator筛选有价值的反馈，筛选后的样本用于Personal LoRA增量更新，更新后必须与旧版本在相同任务上比对，确认提升才上线，退化则回滚。
- 02针对规模化部署的算力成本，通衍灵智引入TIP（训推并行）技术，在保障在线服务前提下利用空闲算力执行增量训练；Paged LoRA采用分页管理与按需映射，测试中使用Qwen2.5-72B及8张H800，在LoRA请求占比30%以下时延迟和长尾表现优于传统Flat模式。
- 03通衍灵智CEO谢枭楠表示企业对AI的需求正在从获取通用能力转向积累专属能力，模型可以更换但企业的经验不能清零，真正积累的资产是业务数据、任务轨迹和评价体系。
- 04个人长期形成的知识结构和专业经验若能被有效保存并用于适配新系统，其价值便不再局限于某一项产品或服务，这是Personal AI的核心价值主张。
- 05通衍灵智CTO储兵兵强调，不会因用户一次「拒绝」就立刻训练模型，Evaluator会判断反馈的学习价值，反复出现的模式才可能转化为学习。
- 06文章提及OpenAI的Dreaming（改进ChatGPT长期记忆）和Meta的Muse（个性化+自主执行），作为行业趋势的佐证。
反方 / 局限
- — 当LoRA请求占比提升至50%时，Paged方案因频繁参数换入换出导致性能退化，团队仍在围绕异步加载和热点参数预取优化，该技术在生产环境的表现仍需验证。
- — 文章承认Personal LoRA无法直接跨模型复用（不同基础模型结构与参数空间不兼容），意味着模型底座更换时的迁移成本并未消除，只是从「从头训练」降为「基于历史数据重新适配」。
- — 文章虽强调「数据权利等需合同和法律明确」，但技术分层本身不自动产生所有权，这意味着个人/企业在平台上的「智能资产」在法律和伦理层面仍存模糊地带。
北京通用人工智能研究院通衍灵智李未谢枭楠储兵兵Personal LoRARSIRecursive Self-ImprovementTIPPaged LoRAQwen2.5-72B-InstructNVIDIA H800 GPUOpenAIMetaDreamingMuse
12 分钟 · 4 卡片 · 12 资料
读原文 →