通研院孵化的通衍灵智，想把企业经验写进模型参数

量子位10月19日报道，依托北京通用人工智能研究院（BIGAI）体系孵化的通衍灵智，把方向锁定在“递归自进化个性化智能”（Recursive Self-Improving Personal AI）。公司的判断很直接。通用能力会越来越便宜，真正拉开差距的是能不能把一家企业长期形成的做事方式沉淀进模型。

技术架构可以概括为基础模型加个性化参数。共享的基础模型提供通用知识与推理，个人、项目或企业则通过轻量化的Personal LoRA做参数适配，把经过验证的专业偏好和行为特征写入参数，而不是继续把它们留在提示词、检索库或记忆模块里。

这条路线的落脚点是学习机制。RSI的做法是：业务运行产生的任务轨迹、人工修正和实际结果先形成候选学习数据，Evaluator按具体用户或企业的评价标准筛选，有效样本用于Personal LoRA的增量更新；更新后的模型要在同一批任务上与旧版本对比，达标才上线，退化则回滚。

Evaluator本身也会被反向优化。系统把模型更新的实际效果用于改进筛选方式与评价标准，形成一个双向迭代的循环。这解释了他们为何强调“不是用户点一下拒绝就立刻训练”——单次反馈只是信号，反复出现的模式才值得学习。

公司对市场需求的描述颇具现实感。CEO谢枭楠称，企业对AI的需求正在从获取通用能力转向积累专属能力；BIGAI产业平台CEO李未则认为，基础模型越强，个性化智能能发挥的作用越大，由此形成通用能力与专属能力的新分工。

真正困难的部分在成本。如果一家企业要为数百个岗位、数千个智能体维护不同参数，同时支持持续训练与在线服务，传统的独立训练、独立部署会带来可观开销。通衍灵智因此同时做基础设施：TIP用同卡同批训推并行与异步梯度累积，把增量训练塞进在线服务的算力空隙；Paged LoRA用分页管理让大量适配器共享基础模型与显存。

公开的阶段性测试给出了具体数字：在Qwen2.5-72B-Instruct与8张NVIDIA H800上，把Paged与传统Flat模式的LoRA显存预算统一控制在5.79GB；当LoRA请求占比在1%至30%之间时，Paged方案在响应延迟与长尾表现上占优；但占比升到50%时，频繁的参数换入换出仍会造成性能退化。

边界也需要说清楚。CTO储兵兵表示，RSI的核心技术路线与产品架构已经明确，相关模块正在工程化，完整自动化闭环仍处于研发阶段。灾难性遗忘、反馈污染、模型漂移与更新稳定性，都是这条路上尚未解决的问题。