传神语联创始人何恩培：大模型不一定越大越好，AGI应在落地中成长

中国商报（记者 赵熠如 王怡菲）一块能够储存整个文明智慧的晶体，无论遇到什么问题，都可以向它寻求答案——20多年前，电影《超人》中的这一幕，让传神语联创始人何恩培萌生了一个念头：地球上能否也出现这样一块“智慧晶体”？这就是传神创始之初的蓝色晶体计划。

“从今天的角度来看，这实际上很像大模型：无论你提出什么问题，它都能够给出回答。但在20多年前，并没有‘大模型’这样的概念。”何恩培在接受采访时表示。

如今，面对AI大模型行业普遍追求更大参数、更多算力的技术潮流，传神语联却走出了另一条路径：基于“根原创”的技术路线，用更小的参数实现更高的性能，同时让大模型进入语言、中医、制造等真实行业，在解决实际问题的过程中持续学习，并逐步向通用人工智能（AGI）演进。

传神语联创始人何恩培。（图片由受访者提供）

坚持底层自研路线

传神语联成立于2005年，其“根原创”的AI技术路线最早应用于翻译领域，并支撑其成为语言服务行业的龙头。

按照何恩培的说法，传神语联在早期利用神经网络解决翻译等问题时，已经逐渐形成了一套公共算法集合，并在此基础上持续发展自己的人工智能底座。

“我们没有使用开源框架，不是因为刻意排斥开源，而是因为我们在这条路上起步较早，使用自己的体系解决问题非常方便。”何恩培说。

2015年以后，人工智能开源生态迅速发展。谷歌于2015年11月正式开源TensorFlow，2017年Facebook开源了PyTorch，并在此后逐渐发展为全球广泛使用的人工智能开发框架。

当行业开始普遍转向开源框架时，传神语联内部也曾出现激烈争论。

何恩培回忆，2015年至2016年，公司股东、合作伙伴和内部团队曾讨论过：既然市场上已经有开源的算法框架，是否还有必要继续投入自己的底层技术？

“这个问题让我们纠结了一到两年，内部曾经产生过非常激烈的争论和冲突。”他说。

最终，传神语联选择继续维护和发展自己的人工智能底座。最初的原因很直接：自研框架在实际项目中使用更顺手，交付效率和灵活性也更符合公司需求。到2018年前后，随着国际科技环境的变化，底层自主研发又被赋予了新的意义——独立的AI技术路线。

“如果在思想上跟随别人，在代码上依赖开源，最终必然会削弱我们的底层创新能力，并面临被‘卡脖子’的风险。”何恩培表示。

在他看来，如果把人工智能应用比作一座建筑，算法框架就是建材地基，模型架构就是建筑原理和图纸。在现成地基上盖房子，能够提高开发效率，但也可能限制创新空间，甚至根基不稳。

“我们的团队拥有自己的建筑材料和建筑图纸，从地基构建到高楼建成，全部自主研发，具备完全自主可控的能力。”何恩培说，传神语联可以通过自己独立的技术路线实现性能更好的大模型。

11B挑战大参数模型

过去几年，模型参数规模一度成为衡量大模型能力的重要标签，从百亿参数到千亿参数乃至万亿参数，不少厂商希望通过增加模型规模、训练数据和算力资源提升性能。

何恩培对此有不同的判断：“大模型不一定越大越好。参数规模是决定大模型性能的因素之一，但不是全部。”

任度大模型先后从2.1B、9B发展至11B，目前传神语联正在研发30B和50B模型。在MMLU-Pro和GPQA-Diamond两项公开评测中，任度11B模型处于第一梯队，以头部模型1%—5%的参数规模达到了其85%—100%的性能。何恩培称，任度展现出了接近国内外头部数千亿乃至万亿参数模型的水平，极具性参比优势。

他还表示，由于自研算法框架和模型架构的差异，传神语联训练同样性能大模型所需成本约为部分头部公司的1/100至1/20；模型从9B升级至11B后，模型能力指标提升约50%至80%。

小参数路线曾给传神语联带来不小的市场压力。何恩培回忆，任度2.0公开面向市场时只有21亿参数，团队内部曾担心，如实公布参数规模，会让市场质疑它是否能够被称为“大模型”。但传神语联最后仍选择公布真实规模，而该版本模型随后在当年SuperCLUE相关评测中进入全球前十。

除小参数高性能外，传神语联强调的另一项能力是持续学习。

何恩培认为，当前一些大模型在训练完成后，就处于能力冻结状态，不能持续学习，除非继续进行训练。目前绝大多数“记忆”方法，更多是“记住了新信息”，并不等同于把新知识重新学习压缩进入神经网络，不具备永久记忆能力。

为此，传神语联在2024年11月公开发布任度双脑大模型，一个“推理大脑”负责分析和回答问题，另一个“动态学习大脑”负责持续吸收新知识。2025年3月，传神语联发布了任度双脑深度思考大模型-T1。

在他看来，AGI不仅要能够推理和完成任务，还要和人类习惯、道德法律对齐，这就要求大模型应当像人一样在真实环境中持续积累经验。模型是否拥有持续学习能力，可能比单纯扩大参数更接近AGI的核心问题。

在行业应用中培养AGI

对于如何走向AGI，何恩培既不认同单纯“堆参数”的思路，也不赞成单纯使用“虚拟数据”的发展路线。

他认为，当前主流路线是不断增加训练数据、算力和参数，期待模型能力积累到某个阶段后自然产生通用人工智能。但如果模型长期停留在实验室和互联网数据中，缺乏真实社会规则和物理世界的约束，即便实现了AGI，也可能陷入不可控和不安全局面。

“这就像教育孩子一样，不能等到孩子快18岁时才突然让他接触社会，才开始提要求，那已经太晚了。”何恩培说，“必须在成长过程中让他参与真实社会，并对他进行引导。”

基于这一判断，传神语联提出“在落地过程中实现AGI”。

也就是说，不是先在实验室里制造一个能力足够强大的通用模型，再寻找行业用途，而是让模型先进入翻译、中医、制造、教育等具体场景，在解决真实问题的过程中接触人类积累的知识、规则和经验，并持续学习。

“进入实际应用场景，大模型在落地服务过程中就会与客观现实磨合，在学习进步的同时受到现实世界约束。”何恩培表示，“任度大模型之所以能够在行业落地，得益于其独特的模型架构（moH）。这使得任度大模型具备持续学习的功能，也是通向AGI必备的功能。”

中医是传神语联重点进入的第二个垂直领域。与标准化程度较高的西医数据不同，中医存在众多流派，不同名医的辨证思路和用药方式也各有特点。传神素问中医大模型的解决思路是，借助任度大模型的动态学习网络，为不同名医建立数字孪生体，用于传承教育、辅助预问诊、复诊跟踪以及大健康服务。

“素问不仅可以回答问题，还具备了辅助诊疗决策能力。”何恩培说。

制造业则是传神语联下一步重点拓展的方向。何恩培表示，公司计划从复杂推理场景切入，例如生产排产、复杂问题推演等。“一家制造企业往往同时面对多条生产线、复杂客户结构、供应链体系等问题，任何一个排产策略的调整，都会对生产周期、资金占用成本、供应能力等产生连锁影响。我们目前正从这类场景开始切入。”何恩培说。

按照传神语联给自己设定的目标，未来三年，任度大模型力争稳定进入全球第一梯队头部，在三个行业实现深度落地，并进一步赋能五至八个行业。

在何恩培看来，基于算法框架（PyTorch）和模型架构（Transformer）的路线是目前大家认为通向AGI的主流路线。“但它是唯一路线吗？它一定能够通往AGI吗？”他说，“AI是人类历史上最伟大的革命，人类通向AGI的科技树上应该有分支，而不是一根独苗，那是很危险的。”

“传神任度技术路线应该算一个分支。实践证明，我们‘根原创’构建的算法框架（zANN）和模型架构（moH），也是通往AGI的可选路径之一。”何恩培说。