通研院孵化团队通衍灵智探索RSI个性化智能
原标题：通研院孵化的团队，也盯上了RSI
AI 摘要
北京通用人工智能研究院（BIGAI）孵化的通衍灵智团队提出以参数化学习和持续进化为核心的Personal AI路线，采用共享基础模型加轻量化Personal LoRA承载个人与企业的专属能力，并研发RSI（递归自我改进）框架，通过Evaluator筛选反馈、增量更新与版本回滚实现可信持续学习。在算力层面，团队推出TIP训推并行与Paged LoRA显存管理，在Qwen2.5-72B-Instruct与8张H800上完成阶段性测试，但LoRA请求占比达50%时仍出现性能退化。该方向旨在让企业经验沉淀为可跨模型底座迁移的智能资产，目前完整自动化闭环仍在研发中。
正文节选
通研院孵化的团队，也盯上了RSI 当AI越来越懂你，如何让智能真正属于你？ 允中 发自 凹非寺 量子位 | 公众号QbitAI 从通用模型到个性化智能，人工智能的竞争正在向长期学习与专属能力沉淀延伸。 通衍灵智探索以参数化学习和持续进化为核心的Personal AI，让个人与组织在使用AI的过程中，逐步积累属于自己的智能资产。 过去几年，大模型不断突破能力边界，越来越多企业开始通过API、知识库和Agent，将AI引入研发、投研、运营等核心业务。 但随着AI参与实际工作的时间越来越长，一个新的问题开始浮现：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？ 全球科技公司已经开始探索这一方向。 OpenAI通过Dreaming改进ChatGPT的长期记忆，使其能够综合历史交互，更好地理解用户偏好、项目背景和长期需求；Meta推出的Muse则进一步结合个性化理解与自主执行，推动Personal Agent从回答问题走向完成实际任务。 无论是长期记忆还是主动执行，都反映出一个日益清晰的趋势：AI正在从面向所有人的通用工具，发展为面向具体用户的长期智能服务。