科技界持续关注大型模型的发展动态。目前，多数大模型依赖数据与计算能力进行离线训练，其使用过程中模型不再进行进化，这一现象引起了广泛的讨论和思考。
现大模型形态局限
目前的大规模模型存在一定限制。众多知名模型，包括一些拥有千亿参数的，通常由模型制造商利用海量数据和强大算力进行离线训练，并供用户使用。一旦训练完成，模型便不再进行进化。在处理问题，无论是简单还是复杂，模型都会激活所有神经元参数。这与人类思考方式不同，人类在处理复杂问题时，思考过程较长，输出较慢。2023年的研究指出，这种工作模式制约了模型的持续发展潜力。
在实际应用中，此类情况引发了诸多困扰。例如，在与用户互动过程中，若用户需求更为复杂或遭遇新情境，模型难以迅速调整以适应，从而可能导致提供不适宜的回应。
类人学习能力缺失
模型在部署阶段普遍缺乏类似人类的学习能力。部署后的众多模型在物理世界的交互中难以实现进一步的进化。目前的大型模型在训练与推理阶段遵循既定参数，但一旦在终端部署，文本交互的触发难度增加，而语音交互则相对频繁。以智能语音助手为例，它们仅能依据预先训练的逻辑来回答问题，无法自主学习和掌握新的词汇或深化语义理解。
此现象与人类与世界互动的特点形成强烈反差。人类能够持续地从新的经历中汲取成长养分。然而，在诸如智能教育辅助和高端陪伴机器人等高级应用领域，当前模型的能力明显不足。
Yan架构大模型特性
Yan架构的多模态大模型具备显著特色。此模型在教育机器人及人形机器人领域均能发挥作用。它支持通用问答、动作控制与环境感知功能。在教育机器人应用中，它能精确解答学生提出的各种问题，并能根据周围环境的变化作出适宜的应对。
RockAI自主研发了这一大模型，其目标是在端侧部署的同时赋予模型自主学习的能力。这一创新特性打破了传统大模型在部署后能力的局限，为智能设备与外部环境的交互提供了新的机遇。
选择性神经元激活
Yan架构在神经元激活方面具有选择性，这是其核心特性。RockAI致力于实现训练与推理的同步，而赋予机器类似人类学习进化的能力，正是依托这一特性。举例来说，当机器与外界互动并学习到“Yan是RockAI开发的一种非Transformer架构的大规模模型”这一句子时，它能够选择性地激活相关神经元，并提取出重要信息。
该特性使得模型在运算处理方面展现出更高的智能与效率。与传统模型的全激活模式相比，它显著减少了资源消耗，提升了信息处理的精确性，从而在智能交互领域展现出更佳的性能。
群体智能的意义
在多模态大模型部署设备具备自主学习功能时，群体智能便得以形成。每个采用Yan架构的多模态大模型的智能终端，均可视为一个独立智能体。这些智能体能够与物理世界进行交互，实现彼此间的协作。以智能家居系统为例，配置了该模型的多个设备能够实现相互间的沟通与协作。
群体智能对于处理复杂问题具有重要意义。在遭遇复杂环境变化或需求时，单一设备可能难以应对，然而众多智能单元的协同作业能够显著增强整体智能水平。
走向物理世界进化
当前大型模型运作需依托大量数据和强大计算能力，但数据资源终究有限。Yan架构的大型模型部署设备能够在与实际世界的互动中实现自我进化，将即时收集到的数据转化为模型的一部分。比如，在与人交流或监测环境等日常活动中，模型能够不断吸收新的信息。
模型需发展至与物理世界、人类及其他硬件进行交互，实现进化。它将超越实验室及单一推理应用阶段，进入开放交互环境。在此过程中，通过与各类对象的互动，构建正向反馈机制，持续进化。这一过程是否预示着大型模型未来发展的必然走向？
