新智元报道
过去两年，企业接入大模型的门槛已经大幅降低。
调用 API、接入知识库、搭建 Agent，越来越多 AI 能力可以快速进入业务系统。
但当大模型真正参与研发、投研、销售、客服等核心工作后，一个更现实的问题开始出现：企业每天产生的大量业务经验，究竟只是被模型临时调用，还是能够逐渐沉淀成自己的 AI 能力？
这一趋势已经在头部产品中开始显现。Meta 近期推出的 Muse，不再把 AI 定义为单纯的问答助手，而是强调长期记忆、主动执行，以及在持续交互中逐步理解用户偏好，Personal Agent 由此从「会回答」进一步走向「会替你做事、越来越懂你」。
对企业而言，记忆和上下文只是个性化的第一步：更进一步的问题是，长期积累的偏好、规则和业务反馈能否沉淀为稳定的模型能力，以及当专属模型规模扩大后，能否持续训练、低成本运行。
通衍灵智CEO谢枭楠认为，企业对AI的需求正在从获取通用能力转向积累专属能力。同一类通用智能服务会被越来越多企业获得，企业之间的差异将更多体现在如何把自身的专业知识、业务流程和长期判断经验转化为模型能力。
通衍灵智依托北京通用人工智能研究院（BIGAI）体系的科研积累与产业转化资源，专注于面向企业与个人的持续自进化专属模型（Personal AI）研发。通过个性化模型训练、持续学习与底层算力优化，推动专业知识和业务经验沉淀为可持续进化的专属智能能力。
通衍灵智正在围绕这个问题构建 Recursive Self-Improving Personal AI。不试图再训练一个新的通用基础模型，而是在通用模型之上，为不同企业、岗位和 Agent 建立能够持续学习、持续更新的专属模型能力。
整个体系可以概括为：Base Model 提供通用智能，Personal Parameters 承载个性化能力，TIP（训推并行）与 Paged LoRA 解决持续训练和规模化运行的效率问题，RSI 则负责让模型在真实业务中持续进化。
相比Muse，通衍灵智把个性化从 Agent 侧的记忆与执行，进一步延伸到参数沉淀、持续进化和底层运行效率。
背后的产品判断也很明确：个性化不应该只是让 AI 越来越了解用户，更应该让个人和组织在长期使用 AI 的过程中，把自己的知识、判断和经验持续沉淀下来，最终形成真正属于自己的智能能力。
不只是让 AI「记住」，
而是让企业经验进入模型
今天的大模型已经足够通用。Coding AI 会写代码，却不了解一家企业长期形成的项目规范、技术风格和架构取舍；投研 AI 可以分析市场，却不知道一个团队真正遵循的投资框架、风险偏好和决策纪律。模型掌握的是广泛的通用能力，而真正影响企业工作质量的，往往是这些在长期实践中形成、很难完全写进知识库的细节。
因此，企业 AI 的下一步，并不只是继续增加上下文。
今天的个性化主要依赖 Prompt、RAG、Memory、Skill 和 Workflow：即时指令通过 Prompt 下达，知识通过 RAG 动态检索，短期状态由 Memory 保存，可复用能力可以封装为 Skill，固定流程则通过 Workflow 编排。这些能力依然重要，但它们都存在于模型之外。
如果一个工程团队长期坚持某种代码规范，一个销售团队不断修正某类客户判断，一个投资团队在大量项目中逐渐形成稳定的决策偏好，这些经验已经不只是「几条需要记住的信息」，而是一套持续影响决策结果的行为模式。
通衍灵智希望把其中经过反复验证、具有长期稳定性的部分进一步沉淀到参数层。
在这套架构里，Base Model 继续提供通用知识和基础推理能力，Personal Parameters 则负责承载企业、岗位和 Agent 的个性化特征 —— 它以轻量 Adapter 的形式存在，即 Personal LoRA。企业不需要从头训练一套完整大模型，而是在共享通用能力的基础上，逐步形成自己的 Personal LoRA。
通衍灵智所强调的 From Memory to Parameter：知识、记忆和参数不是彼此替代，而是形成不同层次的个性化能力。Personal AI 的目标也不只是「记住更多关于你的信息」，而是在长期使用中逐渐形成更稳定、可复用的专属能力。
谢枭楠还表示，未来企业应用AI的差异，可能不只在于选了哪个基础模型，还在于能否让自己的专业经验随着AI的使用不断积累，并形成新的竞争优势。企业多年形成的工作方法、评价标准和业务反馈，有机会进一步转化为可持续利用的智能资产。
基础模型可以升级，企业自己的积累不应该重新归零
基础模型仍在快速变化。能力更强、价格更低、推理效率更高的新模型不断出现。企业今天选择的模型，并不意味着几年后仍然会继续使用；同时接入多个模型、根据业务切换底座，也会越来越常见。
问题逐渐变成：底层模型换了以后，企业过去积累的东西还能留下多少？
这里所说的「迁移」，并不是把一份 LoRA 权重直接从模型 A 原封不动地搬到模型 B。不同基础模型的架构、参数空间和训练方式并不天然兼容。
企业真正需要保持连续性的，是在长期业务中积累出来的业务数据、任务轨迹、人工反馈、评测标准与结果，以及由这些资产共同定义的个性化能力。当底座发生变化时，企业可以用同一套数据资产在新底座上重新适配 Personal LoRA，而不是重新采集数据、重新定义规则，再从零开始。
因此，Personal AI 的价值并不只是「多训练了一份 LoRA」，而是帮助企业逐渐建立一套相对独立于单一基础模型的专属智能资产。模型可以切换，但企业已经积累的业务经验不能跟着清零。
对此，通衍灵智产品负责人刘丝尹表示，我们希望用户使用AI的时间越长，获得的不只是更多次任务的执行结果，还包括一套不断积累、越来越符合自身需要的智能能力。用户可能同时使用不同的Agent、模型和服务，但自身积累的经验、偏好和评价标准应当尽可能得到延续。
划清数据与模型能力的权属边界
当 AI 越来越深地参与企业业务，数据和模型权属会从法务问题变成产品问题：权属不能只靠合同事后约定，而需要通过产品架构在一开始就默认界定清楚。
如果员工反馈、客户交互、任务结果和经营数据都开始参与模型训练，那么企业首先需要知道：这些数据进入了哪里，又形成了什么新的模型能力。
通衍灵智在产品架构上对不同层次进行了拆分。Base Model 承担共享的通用智能；企业自身产生的业务数据、任务轨迹、人工反馈和评测结果构成专属数据资产；在这些数据基础上进一步训练形成的 Personal Parameters，则承载企业自己的个性化模型能力。
这种技术分层本身不能替代合同对于数据权利、知识产权和模型成果归属的明确约定，但它能够先把产品边界划清楚：共享的是通用底座，企业长期需要沉淀的是自己的数据、评价体系和个性化能力。
这也是 Personal AI 与传统 API 调用之间一个很重要的差别。API 解决的是「今天能不能用上 AI」，Personal AI 更关心的是「企业今天产生的经验，能不能成为明天模型能力的一部分」。企业真正沉淀下来的，不只是某一份静态模型文件，而是一套由数据、反馈、评测和参数共同构成的专属智能资产。
北京通用人工智能研究院产业平台CEO李未表示，用户在使用AI的过程中不断贡献知识、判断和反馈，技术进步所形成的价值也应该有机会更多沉淀到使用者自身。让个人和组织能够持续积累自己的智能能力，并拥有更充分的技术选择空间，是我们希望推动的方向。
从更长期看，这背后其实是一种更「以人为本」的 AI 价值分配方式。传统平台式 AI 服务中，用户持续贡献交互、修正和业务反馈，最终变强的往往更多留在平台；Personal AI 希望改变的是这一关系——让个人和组织在使用 AI 的同时，也持续积累自己的数据资产、评测体系和个性化参数。
拥有这些资产之后，用户才真正具备评估不同基础模型、切换底座，并把已经形成的专属能力继续迁移和适配的主动权。AI 不应该只是因为用户而变得更聪明，也应该让用户因为长期使用 AI 而积累属于自己的智能资产，让技术进步最终更多沉淀为个人与组织自身的长期能力。
Personal AI 能不能规模化，最终还要看成本
单个 LoRA 的训练已经不是 Personal AI 最难解决的问题，更大的工程挑战，是如何同时维护成百上千个持续更新的个性化模型。
如果一家大型企业未来拥有数百个岗位、数千个 Agent，每个主体都对应不同的模型参数，传统的独立训练、独立部署方式很快就会遇到成本瓶颈。Personal AI 能不能真正成为企业基础设施，最终取决于这些专属模型能不能以足够低的成本持续训练、更新和运行。
这也是通衍灵智为什么把 AI Infra 放在整个产品体系的底层。
其中，TIP（训推并行）主要解决训练与推理之间的资源效率问题。
传统大模型通常遵循「训练 — 部署 — 长期推理」的生命周期，训练和推理往往使用相对独立的资源池。但 Personal AI 需要不断经历「服务 — 反馈 — 训练 — 更新 — 继续服务」，训练和推理开始在同一个模型生命周期里频繁交替。
通衍灵智通过同卡同批训推并行、异步梯度累积以及训练与推理角色快速切换，让在线服务和 Personal LoRA 更新尽可能共享底层资源，从而减少额外建设独立训练资源池的需求。
Paged LoRA 解决的则是海量个性化参数如何共享同一个 Base Model 和同一组 GPU。
传统 Flat 模式下，每个 Adapter 都以较大粒度固定驻留显存；Paged LoRA 则通过分页管理和按需映射，把 Adapter 的显存管理粒度进一步拆细，使更多 Personal LoRA 能够在同一套基础设施上动态调度。
TIP 和 Paged LoRA 对通衍灵智的意义，并不只是把 GPU 利用率再提高几个百分点，而是让大量 Personal AI 能够共享同一套基础设施，使原本昂贵的专属模型服务具备规模化运行的可能。
对此，刘丝尹谈及个人看法，只有把持续训练和运行的成本降下来，长期个性化积累才有可能服务广泛的个人和企业用户。TIP和Paged LoRA的意义，是让大量Personal AI能够共享同一套基础设施，使原本昂贵的专属模型服务具备规模化运行的可能。
企业最终需要的，
不是更多模型，而是自己的智能
如果说 Personal Parameters 解决的是专属能力沉淀在哪里，TIP 和 Paged LoRA 解决的是如何把成本降下来，那么 RSI 解决的就是最后一个问题：模型能不能在真实业务中越用越好。
在通衍灵智的产品逻辑中，个性化模型不是在业务之外一次性「定制」 出来的，而是从真实应用现场持续生长。代码 Review、销售判断、投研决策、客户反馈等真实任务不断产生新的轨迹和结果，这些任务轨迹、人工反馈与经营结果共同形成学习信号。
其中，Evaluator 依据企业自己的评测标准，判断哪些反馈值得进入下一轮模型更新；影子评估和版本门控则用于控制长期迭代过程中可能出现的模型漂移。
这意味着，企业模型的成长不再完全依赖一次性的集中训练，而是逐渐融入日常业务。一次代码 Review、一次客服修正、一次销售判断、一次投研决策，只要能够形成可靠反馈，都可能成为下一轮模型优化的依据。模型不只是被部署到业务中执行任务，也开始从这些任务中持续积累经验。
这就是 Recursive Self-Improving Personal AI 所要解决的核心问题：让企业 AI 不再是一个每隔一段时间重新配置、重新训练的项目，而是一套能够伴随业务长期演进的模型体系。
基础模型未来还会继续变强，也会越来越便宜。真正拉开企业 AI 差距的，未必是谁最先接入了最新模型，而是谁能够更早把自己的数据、经验、反馈和判断方式沉淀下来，并让这些能力随着业务持续成长。
企业不需要重新训练一个属于自己的通用大模型，但需要逐渐拥有一套真正属于自己的智能。
通衍灵智所理解的「以人为本的个性化智能」：不是让平台越来越了解用户之后，把用户留在平台里，而是让个人和组织在长期使用 AI 的过程中，持续沉淀自己的知识、经验和判断，保有选择模型、切换模型以及带走自身智能资产的主动权。
最后，李未谈到，未来个人AI的价值，可能越来越取决于它能在多大程度上理解并实现用户的长期目标，以及用户能否持续保有自己在这一过程中形成的智能能力。AI不应只是因为用户而变得更聪明，也应让用户因为长期使用AI而积累属于自己的智能资产。
从模型调用到专属智能，真正发生变化的，不只是 AI 变得越来越懂人，也是人和组织开始真正拥有由自己长期塑造出来的 AI 能力。
编辑：Aeneas
热门跟贴