通研院团队盯上自我进化 AI：你的经验能不能存成模型资产

到底发生了什么

北京通用人工智能研究院（BIGAI）体系孵化的团队「通衍灵智」，把方向押在 Personal AI 上——给个人和企业做能持续进化的专属模型。

它的技术路线是：共享基础模型加轻量化的 Personal LoRA 个性化参数。通用能力由底座提供，你的偏好和行为特征由这些小参数承载。

训练方法叫 RSI，递归自我改进。流程是：业务里产生的任务轨迹、人工修正、实际结果变成候选数据，Evaluator 按你定的评价标准筛一遍，有效的才拿去增量更新 Personal LoRA；更新完要和旧版本在同一批任务上重跑对比，确认提升才上线，退化就回滚。

同一条路上，OpenAI 用 Dreaming 改进 ChatGPT 的长期记忆，Meta 的 Muse 把个性化理解和自主执行放在一起，让 Personal Agent 从回答问题走向完成任务。

进度得说清楚：通衍灵智表示，RSI 的技术路线与产品架构已经明确，相关模块在推进工程化，完整的自动化流程还在研发阶段。

成本侧它做了两件事。TIP 训推并行，让训练和在线推理抢同一批算力；Paged LoRA 用分页管理，让大量个性化参数共享显存。已完成的测试里，用 Qwen2.5-72B-Instruct 加 8 张 NVIDIA H800，Paged 和传统 Flat 模式的 LoRA 显存预算都控制在 5.79GB；LoRA 请求占比 1% 到 30% 时，Paged 在响应延迟和长尾表现上有优势；占比提到 50%，频繁换入换出还是会出现性能退化。

这对你意味着什么

你现在用 AI，基本都是问一句答一句。Prompt、RAG、Memory、Skill 这些机制都在模型外部组织信息，模型本身的参数不会因为你聊了一百次就变。

这条路想改的正是这一点：把你反复验证过的判断，从「每次重新说一遍」变成「存在模型里」。

• 开店的：你挑货的眼光、老客砍价怎么接、售后怎么收场，现在多半在你脑子里和嘴巴上，人一走就断。
• 做号的：爆款脚本的结构、评论区怎么回、哪种开头留人，每次起新号是不是又从零开始想。
• 带团队的：资深员工才知道哪些客户不能碰、哪些单不能接，这些没写下来的东西，就是原文说的「分散在长期实践里」。

但别把它当成明天就能买的东西。官方自己说完整自动化还在研发；测试里请求占比到 50% 就出现性能退化；Personal LoRA 通常还不能跨模型直接复用，换底座要靠你积累的业务数据、任务轨迹、人工反馈和评测体系重新适配。

还有一条容易忽略：原文明确说，数据权利、知识产权和模型成果归属，要靠合同、授权和数据治理机制约定，技术分层本身不产生法律上的所有权。

这事我们课上刚聊过：不少天津实体店老板，连自己那套老客话术都还在脑子里，没整理成文字，更谈不上喂给模型。

接下来可以怎么做

• 先别问「哪家能给我训个专属模型」，先把你店里、号里那套做法写成文档，哪怕就是二十条话术、十条选品标准。
• 用现有的提示词、知识库、Agent 把流程跑起来。原文说得明白：动态知识仍然要检索，任务状态仍然要记录，这些机制不会因为参数化学习就作废。
• 给自己建一套评价标准。同一件事让 AI 做三遍，你按自己的尺子打分。原文提到，有了这套评测体系，换模型时你能自己比，而不是只看厂商给的通用指标。
• 把每次人工修改存下来。你改过的那一版，比 AI 出的第一版值钱。

零一时代新媒体实训中心开的四门课——短视频获客、直播带货、AI 应用、TikTok 跨境电商，教的都是把做法变成流程。

新手最常问的 3 个问题

问：这跟我现在用的 AI 助手有啥区别？

答：区别在参数层。现在的助手靠提示词、知识库、记忆在模型外部兜信息；这条路想让模型本身的参数带上你的习惯。前者换个对话框就没了，后者理论上能跟着你走。

问：以后换模型，我攒的东西是不是清零？

答：通衍灵智 CEO 谢枭楠的说法是不会。Personal LoRA 通常不能直接跨模型复用，但业务数据、任务轨迹、人工反馈和评测体系可以在新模型上重新适配，不用从零开始。

问：现在做号、开店的人需要动手吗？

答：需要动手的是整理，不是采购。技术还在工程化阶段，但「把你的经验变成结构化数据」这件事，今天做和明年做，成本差很多。

一句话收口

AI 变聪明不稀奇，稀奇的是它变聪明的同时，你手里也攒下了东西。零一时代新媒体实训中心在天津有 9 大直营校区，天天打交道的就京津冀这批店主和中小企业主，这波变化我们盯着。