在过去的两年间，围绕AI模型的叙述主要聚焦于两个版本：一个是无所不能的云端，另一个则是充满无限创意的终端。

曾经，人们普遍认为，随着轻量化模型功能的不断升级，人工智能将不再受限于云端，每个人手中的设备都将拥有持续在线的私人智能助手，这一愿景似乎指日可待。

喧嚣声渐渐平息，然而一个令人尴尬的事实映入眼帘：无论是近期大热的AI玩具，还是备受关注的AI眼镜，它们的核心交互和智能功能依然紧紧依赖于云端。即便是一些算力更强大的手机和电脑，真正实现离线AI功能的，仍然寥寥无几。

在技术展示环节，端侧模型的表现似乎无所不能。然而，令人疑惑的是，原本承诺的离线智能功能，为何最终还是需要依赖网络才能实现呢？

用户对极致体验的渴望表现得淋漓尽致：他们期望即时响应，不愿泄露隐私数据，即便断网也要保持联系。然而，另一面则是端侧设备始终无法逾越的“物理限制”——有限的计算能力、能耗和内存，如同无形的高墙，无情地阻挡了绝大多数高性能模型的应用落地。

更深层次的冲突，源自商业的吸引力。对于那些掌握顶尖模型的行业巨头来说，云端不仅是展示技术优势的标志，更是财富源源不断的关卡。当所有目光和资源都集中在云端时，那个既艰辛又繁重、商业回报又不确定的端侧，自然而然地变成了被忽视的边缘地带。

那些真正投身于发展“离线智能”的少数派人士，他们究竟在从事何种工作？在今年的世界人工智能大会（WAIC）中，一家名叫RockAI的企业呈现了自己的见解。他们正踏上一条人迹罕至的道路，并且已发现了解决问题的关键。

肩负着“赋予每台设备独立智能”的使命，该团队深入钻研基础技术领域，甚至敢于放弃流行的 Transformer 架构，坚持不懈地攻克了被普遍认为“无法实现”的边缘部署难题。在初期阶段，他们的模型便能在算力有限的树莓派上顺利运行——这款仅卡片大小的电脑一直以来都是端侧部署的严峻考验，而大多数同类模型在其上运行往往仅能输出几句话便会出现卡顿。

今年WAIC推出的Yan 2.0 Preview版本参数仅有30亿，却已实现了多模态功能，并且在本地环境下成功实现了真正的“记忆”功能：该模型能够动态调整权重，长期保存并更新用户的偏好。

这项被誉为“不可能完成的任务”所取得的成果，并未仅仅停留在实验室的展示阶段。来自国内外市场的量产订单纷至沓来，将我们的技术实力迅速转化为商业价值。

他们的故事或许能够解答一个核心疑问：随着云端模型的发展势头迅猛，我们为何仍旧需要离线智能，以及如何才能有效地实现它？

极客公园对RockAI的联合创始人邹佳思进行了专访，期间深入探讨了RockAI背后的商业发展历程。

01

为什么我们还没有拥有永不下线的随身AI？

行业普遍致力于打造离线智能的未来，苹果等大型企业更是将其定位为关键战略。然而，为何从技术展示到消费者实际使用，这一关键环节始终难以实现？

邹佳思提到，当前大家热议的离线智能和设备端AI，实则面临着两大难以克服的障碍，一是计算能力，二是能源消耗。

要在设备上运行大型模型，必须配备相当高的计算能力。尽管众多行业内的AI企业拥有参数规模较小的模型，但它们依然依赖于更高性能的芯片来确保模型的运行。

我们的某位客户希望建立手机端的离线大型模型，然而，当时业界内其他大型模型供应商所提供的解决方案，普遍要求必须采用高通最新推出的高端芯片，并且内存容量需达到16GB以上。然而，实际情况是，绝大多数智能设备均无法配备这样的高性能算力芯片。

这便是最为严酷的算力差距：即便你的AI技术再怎么尖端，若仅限于应用于少数高端设备，那么它就丧失了普及人工智能的价值所在。

另一座大山，则是功耗。

在手机上，这一问题的表现尤为突出。实际上，一旦手机制造商尝试应用大型模型，设备发热问题便会变得尤为严重，这几乎是所有采用传统 Transformer 架构的模型的共性问题。我们已与几乎所有主流手机制造商就这一难题进行了沟通。他们都渴望在下一代的 AI 手机上取得突破，然而，功耗的障碍却成为了他们前进的巨大阻碍。

为什么最后一公里走不通？

实际上，硬件更新的步伐相对较慢，众多设备早已售出多年，彼时的芯片、存储、麦克风和摄像头均未针对当前的大型模型进行设计。若将 Transformer 应用于这些中低端算力设备，要么无法正常运行，要么即便勉强运行，效果也会大打折扣。

即使上游制造商发布了新一代的高端芯片，将其应用于新产品线的过程通常需要6至12个月的时间；而产品要实现热销、大规模生产并得到广泛推广，往往还需额外1至2年的时间。这样的发展节奏是受客观物理规律所制约的，无法被省略。

问：您方才指出，在算力与能耗这两个方面，众多问题的根本原因都指向了当前广泛应用的 Transformer 架构。Transformer 在云端领域已经证明了自己是现今最为强大的 AI 架构，但为何当我们将它迁移至端侧设备时，却出现了不适应的情况呢？

邹佳思表示，这个提问直击了设备端面临重大挑战的精髓。Transformer之所以具备强大的性能，关键在于其创新的注意力机制。然而，问题也正是由此产生。

传统的AI模型就如同流水线上的工人，它们按部就班地处理信息，一次一个，记忆能力有限，随着处理的深入，先前信息往往会被遗忘。相比之下，Transformer则如同具备超能力的总指挥，它并非按顺序操作，而是将信息排列成方阵，并要求方阵中的每一个字符都与所有其他字符进行互动，以此计算它们之间的相互联系。

这种“全局握手”的技巧赋予了Transformer卓越的解析力。然而，在云端环境中，你能够利用无穷无尽的计算能力来支撑这一过程。

手机芯片（CPU/NPU）的设计更类似于我们之前提到的“流水线”模式，这种模式擅长于快速、有序地处理任务。然而，若突然要求它执行一个涉及“全局握手”的任务——任务中每增加一个字符，计算量便会呈指数级增长——它便会立刻陷入迷茫。

自始至终，我们对此问题给予了高度重视。目前，业界确实提出了一些优化策略，例如Flash Attention和线性注意力等。然而，经过深入分析，我们得出结论，这些方法仅限于在“指挥中心”进行微调，并未触及“全局握手”这一高能耗模式的根本性问题。

最终，我们选定了一条更为彻底的路径：保留 Transformer 在特征提取方面的强大功能，同时完全摒弃了那消耗极大的 Attention 机制，转而采用一种全新、更适应于「流水线」模式运行的架构来取代它。与此同时，国外在同一时期也出现了类似的发展趋势，即 Mamba 架构所展现出的方向。我们并非旨在对一辆本不适合在狭窄小道上行驶的F1赛车进行修缮，而是致力于打造一辆能够在小径上疾驰如风的越野车型。

这听起来确实相当复杂。要在智能硬件上运行，必须重新构建一个全新的架构。难道离线智能功能真的如此重要，以至于有必要为此付出这样的努力吗？

邹佳思表示，这个问题颇具趣味性，我们深感其重要性，并且已经观察到市场对此有着显著的需求。

它的必要性体现在几个无法被云端替代的价值上：

首先，确保隐私的绝对安全。这正是苹果等企业致力于设备端侧的核心目标。诸如相册内容、健康数据、聊天记录等极其敏感的信息，绝不应从你的设备中移除。这关乎一个根本的原则问题。

其次，追求极致的实时互动体验至关重要。在众多场景中，对响应速度的要求往往达到毫秒级别。以采用Yan架构的无人机为例，当用户发出“在我跳起时请立即抓拍”的指令，系统模型需立即作出反应。在这种情境下，任何微小的网络波动都可能造成严重后果，因此无法依赖云端服务。例如，对于未来的机器人而言，它们必须依据自身特有的臂长和传感器参数，执行精确的动作；这种与硬件紧密相连的实时操控，则必须依赖本地的“大脑”来实现。

第三，需考虑成本因素。尽管云端API的价格似乎在持续降低，有的甚至提供免费服务，但总体上仍存在成本。以摄像头为例，其出货量以亿计。在如此庞大的规模下，即使云端服务再便宜，乘以亿这个数字，依旧是一笔巨大的开销。相较之下，转向离线智能，硬件成本已经投入，后续使用几乎无需额外费用。从商业角度分析，对于大量设备而言，本地部署无疑是成本最低的选择。

本地模型宛如一位伫立门前的智者管家，它保密性高、安全性强，能够个性化地领会你的需求。尽管它可能无法解决所有最为繁复的问题，但它理应能够高效应对日常生活中的80%琐碎事务——诸如开启应用、设置提醒、进行基础翻译、撰写会议纪要等，而且操作迅速且保障信息安全。对于大多数用户而言，并非时时刻刻都需要面对复杂挑战。

华强北与品牌商品可以和平共处。品牌商品固然至关重要，然而华强北的存在同样不可或缺。云端模型能够满足用户较高的需求，而设备端的模型则能以更迅速、更安全、更经济的方式，满足用户的大部分需求。

02

能实现离线智能的模型，应该长什么样？

请问，正如之前所提及，为了达成离线智能这一目标，贵团队选择了最为艰难的途径——对一款「越野车」进行全新设计。那么，这款新「越野车」的心脏，亦即贵团队新架构的核心所在，具体又是怎样的构造呢？

邹佳思指出，我们的关键创新在于舍弃了之前提及的依赖“全局握手”且能耗较高的 Transformer 注意力机制，转而采用更为轻量级的“特征—抑制—激活”架构。此外，我们引入了分区激活技术，从而将每次实际运算所需的参数量减少至原来的十分之一或更低。这一改进使得算力需求减少了超过五分之四，功耗则降低了九成以上。前文提及，在标准 Transformer 架构的应用中，无论任务规模大小，所有参数都必须完全激活，才能产出高质量的智能答案。然而，人脑的运作方式并非如此。

人脑实际上拥有约800亿至900亿个神经元，这相当于一个拥有800亿至900亿个参数的复杂模型。若人脑完全激活，其功耗可能高达3000瓦，甚至可能达到4000瓦。然而，人脑的实际功耗却仅有不到30瓦。

人脑究竟是如何神奇地完成这项任务的？答案是依靠区域激活。我们的模型正是参考了这一机制。

功耗显著下降的同时，新型架构使得我们得以在3B的模型内，成功实现多种模态功能。

以一个不太精确的类比来说，当你目睹一只飞鸟、聆听其鸣声，并阅读“鸟”字之时，你的思维并未全面地被照亮。实际上，是在视觉、听觉、语言等区域中，特定的小范围神经元被激发。正是这些区域各自独立且部分交错的激活，使我们能够高效地将鸟的形态、其声音以及相关词汇准确对应起来。

参数数量在30亿以下的Transformer模型，由于其具备的全局计算特性，在处理和校准来自不同来源的模态信息时，往往难以达到高效。然而，我们的类脑激活机制与大脑的分区处理模式更为相似，能够自然地激活对应的不同区域，从而使得信息的对齐过程变得更加简便和精确。正因如此，即便是在3B参数规模下，我们依然能够保持出色的文本、语音和视觉信息的综合理解能力。

“‘分区激活’的想法确实很独到。然而，人脑之所以能够仅激活极小的一部分区域，关键在于其本身就是一个包含近千亿参数的庞大模型，基础非常扎实。相较之下，我们目前使用的端侧模型，参数量仅有几十亿，已经是在非常有限的资源中尽力发挥了。我们是否真的可以期待一个小的模型，仅通过激活更小的区域，就能实现更加出色的智能表现呢？”

邹佳思表示，您所提出的问题，恰巧碰到了目前大型模型发展模式的关键所在——这便是我们所说的压缩智能所面临的挑战。

当前的大型预训练模型，其核心在于实现智能的浓缩——就如同庞大的海绵一般，其训练阶段即是将庞大的互联网数据（如同水分）压缩至由数千亿参数构成的庞大容器之中。参数数量越多，海绵的体积也就越大，因而能够吸收和储存的知识也就相应地更加丰富。

在处理多模态数据时，这种范式会遇到一些挑战。那些熟悉文件压缩的人或许了解，1G的文字信息经过压缩后，其体积往往小于1G的视频或图像文件。视频和图像文件本身体积就较大，且压缩效率较低，这也是为何市面上参数较小的Transformer模型难以具备多模态处理能力的原因。

因此，若游戏规则仅在于比较谁的海绵体积更庞大、谁所携带的书籍更为厚重，那么这类小参数的模型的确将面临无前途的境地。

我们坚信，真正的智能并非仅仅局限于压缩，而更在于其成长与学习的能力。正因如此，我们的方法论与别人截然不同：我们并非一味地固执于单一途径，而是同时推进智能压缩与自主学习两条并行道路。

我们之前所提及的分区激活，其重要性不仅体现在节能方面，而且更为重要的是，它为事物的发展带来了新的机遇。

我们目前的模型参数量仅为30亿。然而，借助神经网络的高效动态分区技术，我们可以将其划分为100个区域。如此一来，每次激活的参数量仅需3000万。这表明，在手机内存容量允许的前提下，我们完全有能力将端侧模型的总参数量提升至百亿级别甚至更高。然而，通过仅激活其中极小的一部分参数，我们仍能保持较低的功耗。

这实际上打破了常规的规则设定。我们不再专注于探讨如何将大型模型缩小，转而开始探索如何在终端设备上实现模型从小到大的成长过程。

因此，在众人纷纷在狭窄的道路上相互竞争时，我们凭借MCSD架构、分区激活技术以及记忆神经单元，为端侧模型开辟了一条全新的成长路径——一条我们认为更贴近生命本质的、可持续且成本低的自主学习之路。我们不仅致力于打造一个能在设备上运行的模型，更是在为端侧人工智能的未来，奠定一个全新且不断发展的智能大脑基础。

请问：您提到了“自主学习”这一概念，那么对于Yan模型的自主学习模式，您是如何理解的？此外，它与当前流行的云端个性化模型在哪些方面存在差异呢？

邹佳思提到，在我们本次 WAIC 会议中，我们希望向大家展示的激动人心的技术进展之一，便是自主学习。

目前我们所遇到的云端大型模型，必须经过预训练环节来提升其智能水平。这一学习过程，即模型理解用户反馈并将其融入自身神经网络的变化之中，是建立在正向传播（推理或猜测）与反向传播（学习或修正）的基础之上。特别是，反向传播这一环节，其能耗相当显著。在云端环境中，执行一次千亿规模模型的反向传播任务，需调用一个规模庞大的训练集群，该集群由上千张GPU协同工作构成。

因此，任何依托于 Transformer 架构构建的模型，一旦被安装至您的手机，便转变为仅能读取的存储设备——它仅具备前向传播的功能，丧失了学习与更新的能力。我们所体验到的所谓个性化，实则只是模型在对话过程中，记录下您的部分喜好，构建了一个附加的知识库，但这并非真正意义上对您偏好的学习。所以，即便你反复强调你的偏好，有时模型仍旧会按照自己的意愿生成输出。

我们的创新成果，正是在这一最基础的物理约束条件下，实现了一项看似难以达成的突破：这使得反向传播这一学习过程，首次具备了在终端设备上实际发生的可能性。

得益于其独特的分区激活功能，当模型面临学习新知识的需求——例如，它需要记住你偏好“喝咖啡不加糖”——它无需对庞大的数十亿参数神经网络进行大规模调整。我们的设计允许：精确锁定与该新知识紧密相关的、已激活的、微小的神经元区域。在这一被隔离的微型战场上，仅需进行一次低能耗的反向传播，便足以更新该区域内极少数的权重参数。将这个学到的新知识，直接、永久地写入模型本体的神经网络中。

通往个性化记忆和自主学习的大门就这样被打开了。

目前，我们的模型具备同时进行推理和学习（训练）的能力，能够将新习得的信息，诸如您的新的习惯和偏好，直接融入模型的核心。这使得模型具备了真正的自我进化功能。

03

离线智能什么时候能够上 AI 玩具？

问：我们之前探讨了许多关于技术上的难与易。现在让我们转向市场话题，当众多声音仍热衷于追逐云端千亿规模模型之际，你们的技术却迅速锁定了实际的商业订单。这不禁让我们感到好奇，从你们的立场来看，在当前市场上，究竟哪类参与者对离线智能技术有着最为迫切的需求？推动他们这样做的商业动机又是什么呢？

邹佳思提到，目前我们已与众多不同领域的客户建立了联系，观察发现，每个领域客户对离线智能技术的追求背后，都蕴含着其独特的商业动机和深层的逻辑考量。

个人电脑、平板设备以及机器人构成了我们目前最为关键且已成功实现大规模生产的领域。同时，我们将更加重视并拓展至更广阔的中低性能计算市场。

以我们与某知名出海企业的合作为例，该企业所追求的并非仅仅是为其即将推出的高端产品融入人工智能技术，更旨在激活那些已售出或仍在市场上的、累计销量达数亿的中低端设备。

为什么硬件厂商如此在乎这些旧设备？这背后有两条生命线：

首条，涉及的是已售至消费者手中的设备。我们通过OTA（空中升级）技术，向这些老旧设备推送自家的AI模型，从而开辟了全新的软件预装及增值服务收入来源。尤为关键的是，此举显著增强了品牌价值——“我那几年前购买的电脑，居然还能升级成为AI PC！”这样的好评，即便是用金钱也难以买到。

第二条规定主要针对目前仍在销售的非旗舰机型。单一品牌不可能仅依靠售价高昂的顶级AI个人电脑维持生存，真正的销量和利润来源于庞大的中低端市场。然而，这些设备由于芯片算力不足，根本无法支持主流的Transformer模型运行。尽管如此，厂商们并不愿意让自己的产品与人工智能技术脱节。

我们的技术正是解决这一广阔空白期的关键。我们的模型能够在这些非高端的现有设备上顺畅运行，使得制造商在下个月就能将搭载人工智能的电脑销售给消费者，无需再等待三年之久。

除了个人电脑和平板电脑之外，我们还对机器人以及智能手机行业保持关注，并且与无人机制造企业建立了某种程度的合作关系。

问：AI 眼镜和 AI 玩具这些炙手可热的领域呢？

邹佳思表示，这两个领域是媒体与投资者接触我们时必然提出的问题。它们承载着设备端人工智能最诱人的想象空间，同时也揭示了最残酷的现实真相。

这些设备的芯片在设计阶段就存在一个共同的根本问题：它们追求的是极致的成本节约和便携性，因此并未考虑到AI运算的需求。

以AI眼镜为例，目前市场上流行的方案，大多采用的是高通公司研发的AR专用芯片，亦或是恒玄等品牌生产的芯片。本质上，这些芯片属于通信芯片范畴，主要职责是确保蓝牙连接的稳定性、实现信息投屏以及进行基础翻译等功能。然而，它们的算力受到了严格的限制。

最终我们发现，我们的模型在众多眼镜设备上尝试运行时均遭遇瓶颈，无论是计算能力还是内存容量都无法满足要求。即便是我们自身都无法顺利运行，更不用说那些动辄拥有数十亿参数的 Transformer 模型，那简直是不可能实现的幻想。同样，AI 玩具也遭遇了同样的难题。

市场对体验有极高的幻想，但硬件的物理现实却极其残酷。

面对这一棘手的难题，我们已明确识别出两条可行方案，并且正同步加以实施。

第一条途径，即采取“曲线救国”的策略，同时也是目前最为切实可行的办法。鉴于眼镜自身的计算能力有限，我们计划借助手机端的计算能力。目前，我们正与一些眼镜行业的领军企业展开深入沟通与协商。

另一条途径，是一种更为激进、更着眼于未来的“釜底抽薪”策略。我们与一些具备魄力的合作伙伴，诸如影目科技（INMO），正尝试一个颇具胆识的构想：在下一代眼镜中，直接植入一颗性能更为卓越的大脑芯片。

这无疑会引发巨大的能源消耗和工业设计难题。然而，对于他们而言，一旦取得突破，便意味着掌握了一款独具特色的、真正能够实现离线智能的眼镜。试想，当你戴着它出国旅行，身处无网络覆盖的区域，它仍能提供即时且高质量的离线翻译服务，这样的体验堪称震撼，无疑具有显著的市场竞争优势。

因此，针对眼镜与玩具这两个领域，我们不仅制定了切实可行的“短期应对策略”，还规划了具有前瞻性的“长远发展计划”。我们抱持着极大的耐心，坚信唯有技术进步与硬件升级达到完美契合，市场才能真正迎来爆发。

当前我国AI硬件领域异常火爆，但普遍采用云端AI技术。然而，我发现贵公司的产品主要出口海外。那么，在离线智能领域，国内外市场的热度是否有所差异呢？

邹佳思提到，您所注意到的这种“温差”正是我们当前战略部署的关键所在。我们出口海外的智能设备实际上为我们开辟了一片更为辽阔的市场空间。这种强烈的消费需求主要源自我国三个相对隐蔽的“痛点”：

首先，这种“隐私执念”源自文化根基。在欧美地区，人们对个人数据隐私的重视已深入法律条文，并深入人心。目前，我们正与一家领先的玩具IP企业洽谈合作，他们对我们方案产生兴趣的关键因素之一是：他们坚决反对用户隐私信息上传至云端。在他们看来，内容IP和用户数据是他们最宝贵的资产，必须确保在设备端进行安全处理。

其次，存在一个客观现象——网络差距。我们常被国内一线城市普遍覆盖的5G网络所迷惑，误以为网络功能无所不能。然而，当我们放眼全球，注意到那些出海的合作伙伴时，会发现他们的用户可能身处非洲的广袤草原，亦或东南亚的偏远岛屿。在这些地方，网络环境的不稳定性使得依赖云端的AI服务变得极其不可靠。这种在弱网或无网状况下依然能够稳定运作的独立模型，对他们而言，堪称是至关重要的“生命线”。

第三，人力成本的增加催生了对于效率的更高追求。在国外，许多情况下，人们更倾向于用机器来替代人力。当需要一位可信赖的、全天候无需网络连接的接待员，或者多语言导游时，离线智能产品的商业价值在国内市场相比，将更加直观、更加紧迫。

因此，我们的战略意图明确，我们将其命名为“借船出海”。我们致力于提升那些本身实力出众的中国出海企业，将我们的技术传递给全球那些对离线智能需求最为迫切、最为强烈的C端用户。

您的分享展现了一幅令人振奋的未来图景，然而，一个不容忽视的严峻问题也随之浮现：一方面，端侧模型已成为众多智能硬件制造商的焦点，无论是海外的手机巨头还是国内的领军企业，都在大力投入自主研发，力求将AI的核心技术牢牢掌控在自己手中；另一方面，硬件领域的摩尔定律正以惊人的速度发展，预计在两三年后，随着手机芯片性能的显著提升，能够轻松运行更大规模模型的成为可能，那么，你们目前所强调的“小而美”的优势，届时是否还能保持？面对这样的未来，RockAI 最深的护城河，究竟是什么？

邹佳思表示，您提出的问题极为犀利，正巧触及了我们日常思考的两个关键难题。

首先，谈及硬件性能的提升，我们视其为一种对我们有利的动向。首先，高端硬件的广泛推广通常需耗时两至三年，而这段时间内，我们成为了解决大量现有设备和中端设备AI化问题的最佳选择。其次，随着硬件基础的增强，其不仅能够支持更大型的Transformer模型，还能够承载我们自主研发并不断壮大的Yan架构大型模型。我们同样有能力构建出10B乃至更大的模型，并且，我们独有的自主学习能力以及低功耗特性等优势，将得以持续保留。

另一个问题，或许更能触及我们公司的核心，揭示了我们的真正壁垒所在。

我们的团队基因，源自于一个始于 2015 年的未竟之梦。那时，我们几位创始人怀揣着打造真正智能硬件的愿景，所设想的产品形态与现今的小爱同学相似，却因 AI 技术尚不成熟而未能成功。然而，随着 Transformer 技术展现出巨大潜力，我们坚信时机已成熟，于是再度集结，投身创业之路。

不久之后，我们痛苦地意识到，试图将这台名为「云端猛兽」的 Transformer 强行装入狭小的设备之中，在工程技术层面，这条道路是完全不可行的。

那时，我们面临两种选择：一是顺应行业潮流，对 Transformer 进行修补和优化，这样的路径较为简单，也便于投资者理解。二是选择一条更为艰难且孤独的道路，承认现有路径不可行，从头开始，打造一个专为终端设计的全新架构。

我们决定采纳第二种方案。支撑我们一路前行的，并非我们手头财富的多少，亦非银行卡的数目，亦非团队背景的显赫。我们内部经过归纳，或许可以用一个颇具神秘色彩的词汇来概括：那就是“坚持”。

我们坚信，模型必须深入到终端应用，设备必须具备自主的智能能力。正因如此，我们甘愿承受长达两年的寂寞与挑战，当他人纷纷追逐云端的风口时，我们如同一位实验派的炼丹师，在实验室中不断试验与验证，最终成功炼制出了 Yan 架构的大规模模型这一珍贵之丹。

因此，我们的防御线并非仅限于几项技术，毕竟才智出众的个人与团队比比皆是。实际上，我们的防御线在于那些我们凭借坚韧不拔所克服的困难、所积累的知识经验，以及自公司成立之初就具备的、专为端侧智能而设计的独特创新基因。