Yunzhong, desde Aofeisi
Quantum Bit | Cuenta oficial QbitAI
Desde los modelos generalistas hasta la inteligencia personalizada, la competencia en inteligencia artificial se está extendiendo haciael aprendizaje a largo plazo y las capacidades exclusivasacumuladas de forma persistente.
Tongyan Lingzhi explora la Personal AI centrada en el aprendizaje parametrizado y la evolución continua, permitiendo que individuos y organizaciones acumulen gradualmente sus propios activos de inteligencia durante el uso de la IA.
En los últimos años, los modelos de gran escala han seguido ampliando los límites de sus capacidades, y cada vez más empresas han comenzado a introducir la IA en actividades centrales como I+D, investigación de inversiones y operaciones mediante API, bases de conocimiento y Agentes.
Pero a medida que la IA participa durante más tiempo en el trabajo real, surge un nuevo problema:la gran cantidad de experiencia comercial que las empresas generan a diario, ¿es solo utilizada temporalmente por el modelo, o puede sedimentarse gradualmente en capacidades propias de IA?
Las empresas tecnológicas globales ya han comenzado a explorar esta dirección.
OpenAI ha mejorado la memoria a largo plazo de ChatGPT mediante Dreaming, permitiéndole sintetizar interacciones históricas para comprender mejor las preferencias del usuario, el contexto de los proyectos y las necesidades a largo plazo; Muse, lanzado por Meta, combina aún más la comprensión personalizada con la ejecución autónoma, impulsando a los Agentes Personales de responder preguntas a completar tareas reales.
Ya sea la memoria a largo plazo o la ejecución proactiva, ambas reflejan una tendencia cada vez más clara: la IA está pasando de ser una herramienta generalista para todos a un servicio de inteligencia a largo plazo orientado a usuarios concretos.
Li Wei, CEO de la plataforma industrial del Instituto de Investigación de IA General de Pekín (BIGAI), considera: "Cuanto más potentes son los modelos base, mayor es el papel que puede desempeñar la inteligencia personalizada. Creemos en una nueva división técnica: los modelos base avanzados proporcionan capacidades generales compartidas, mientras que los modelos personalizados, mediante la interacción a largo plazo y el aprendizaje evolutivo continuo, forman gradualmente capacidades exclusivas que responden a las necesidades de diferentes sujetos."
Nota: Tongyan Lingzhi se apoya en la acumulación científica y los recursos de transferencia industrial del sistema del Instituto de Investigación de IA General de Pekín (BIGAI), y se dedica a la I+D de modelos exclusivos autoevolutivos continuos (Personal AI) para empresas e individuos. Mediante el entrenamiento de modelos personalizados, el aprendizaje continuo y la optimización de la computación subyacente, impulsa la sedimentación del conocimiento especializado y la experiencia comercial en capacidades de inteligencia exclusivas y sosteniblemente evolutivas.
Cuando la personalización se ha convertido en una dirección de interés común para la industria, la exploración tecnológica también ha comenzado a adentrarse en el interior del modelo.
Además de recordar la información del usuario, ¿puede la IA aprender verdaderamente la experiencia acumulada a largo plazo por individuos y organizaciones? ¿Pueden estas capacidades actualizarse continuamente con el uso y conservarse tras un cambio de modelo base? A medida que aumenta el número de modelos exclusivos, ¿cómo controlar los costos de entrenamiento y ejecución?
Tongyan Lingzhi centra su dirección tecnológica enRecursive Self-Improving Personal AI (inteligencia personalizada recursivamente autoevolutiva), intentando ofrecer una solución sistemática a las preguntas anteriores.
Apoyándose en los recursos científicos e industriales del sistema del Instituto de Investigación de IA General de Pekín, la compañía ha optado por, sobre los modelos generalistas existentes,承载 capacidades exclusivas de diferentes sujetos mediante parámetros personalizados ligeros, combinando mecanismos de aprendizaje continuo y tecnologías de programación de cómputo, para que el modelo se adapte continuamente al usuario durante el uso prolongado.
El objetivo de este sistema tecnológico es que individuos, proyectos y empresas puedan establecer gradualmente una inteligencia exclusiva, adecuada a sus propias necesidades y capaz de evolucionar de forma continua, sin tener que entrenar por separado modelos generales completos de gran escala.
De la memoria a largo plazo al aprendizaje del modelo: la personalización entra en la capa de parámetros
Usando el mismo Coding Agent, los resultados obtenidos por distintos equipos de desarrollo pueden presentar diferencias notables.
Un sistema de software maduro suele tener sus propios principios de arquitectura, normas técnicas y restricciones históricas; los ingenieros experimentados saben qué módulos no deben modificarse a la ligera, y también saben cuándo es necesario priorizar la estabilidad frente a la solución técnicamente óptima.
Parte de esta experiencia queda registrada en documentos, pero la mayor parte se encuentra dispersa en modificaciones de código, discusiones de propuestas y prácticas de proyecto acumuladas a lo largo del tiempo.
Situaciones similares existen también en la investigación financiera de inversiones, las operaciones empresariales y otros ámbitos. Los modelos generalistas pueden analizar mercados y comprender procesos de negocio, pero las preferencias de riesgo, los hábitos de decisión y los métodos de trabajo formados a largo plazo por cada equipo suelen requerir una colaboración continua para dominarse gradualmente.
Actualmente, la IA se adapta a escenarios concretos principalmente mediante mecanismos como Prompt, RAG, Memory y Skill. Estos se encargan respectivamente de la restricción de instrucciones, la recuperación de conocimiento, la conservación de estados y la reutilización de capacidades, y ya son componentes importantes de las aplicaciones empresariales de grandes modelos. Sin embargo, estos mecanismos organizan la información principalmente fuera del modelo; los parámetros del propio modelo normalmente no cambian por una interacción comercial puntual.
Cuando la demanda de personalización se extiende desde la obtención de información hasta los patrones de comportamiento a largo plazo, el aprendizaje parametrizado ofrece otra opción tecnológica.
Tongyan Lingzhi adopta una arquitectura que combina un modelo base compartido (Base Model) con parámetros personalizados (Personal Parameters).Los modelos fundacionales proporcionan conocimiento general y capacidad de razonamiento, mientras que diferentes individuos, proyectos y empresas realizan la adaptación de parámetros mediante Personal LoRA ligeros, incorporando gradualmente al modelo preferencias profesionales verificadas y características de comportamiento.
En comparación con los modelos sectoriales tradicionales, que resuelven principalmente las diferencias de capacidad entre distintas industrias, este enfoque presta además atención a las diferencias entre los distintos usuarios dentro de una misma industria y de una misma tarea. Por ejemplo, en el desarrollo de software, dos proyectos pueden requerir normas de ingeniería completamente distintas; igualmente, en la investigación de inversiones, diferentes equipos tienen sus propios criterios de evaluación y disciplinas de riesgo.
Esto no significa que las bases de conocimiento y la memoria a largo plazo pierdan su valor. El conocimiento dinámico sigue necesitando ser recuperado, el estado de las tareas sigue necesitando ser registrado, y aquellos patrones de comportamiento que se repiten a lo largo de la práctica prolongada y son relativamente estables pueden, además, transformarse en capacidades parametrizadas mediante el entrenamiento.
La personalización pasa así de «permitir que el modelo posea más información sobre el usuario» a extenderse gradualmente hacia «permitir que el modelo desarrolle capacidades más acordes con las necesidades del usuario».
Xie Xiaonan, CEO de Tongyan Lingzhi, declaró: «La demanda de las empresas de IA está pasando de adquirir capacidades generales a acumular capacidades exclusivas. Cada vez más empresas tendrán acceso al mismo tipo de servicios de inteligencia general; lo que realmente marca la diferencia es si se puedeconvertir el criterio profesional y la manera de trabajar formados durante mucho tiempo en capacidades del modeloy no quedarse eternamente en el nivel de «consultar información»».
La clave para que el modelo crezca en el trabajo real es establecer un mecanismo de aprendizaje confiable
Una vez que se dispone de parámetros exclusivos, surgen nuevos desafíos: ¿cómo puede el modelo absorber continuamente experiencias valiosas y evitar acumular errores durante el proceso de aprendizaje?
El uso diario de la IA por parte de las empresas genera una gran cantidad de retroalimentación. Los desarrolladores aceptan o modifican código, los vendedores ajustan sus estrategias de comunicación con los clientes, los gestores de inversiones corrigen las conclusiones de sus investigaciones; todos estos comportamientos contienen señales de aprendizaje potenciales. Pero una retroalimentación aislada no representa necesariamente una regularidad a largo plazo, y un juicio exitoso tampoco significa que la misma estrategia pueda aplicarse a todos los escenarios.
Si los registros de interacción se utilizan para el entrenamiento sin filtrar, el modelo podría reforzar preferencias casuales e incluso dañar sus capacidades originales. Por lo tanto, el aprendizaje continuo requiere establecer mecanismos capaces de identificar retroalimentación eficaz, evaluar los efectos de las actualizaciones y controlar los cambios en el comportamiento del modelo.
En torno a esta necesidad, Tongyan Lingzhi ha desarrollado la tecnología RSI (Recursive Self-Improvement, mejora recursiva propia), que construye un marco de aprendizaje continuo mediante la iteración cooperativa entre el modelo y el evaluador.
En este marco, las trayectorias de tareas generadas por la operación del negocio, las correcciones humanas y los resultados reales forman primero datos de aprendizaje candidatos; el Evaluator filtra y juzga la retroalimentación según los criterios de evaluación del usuario o de la empresa específica, y luego utiliza las muestras válidas para la actualización incremental del Personal LoRA.
El modelo actualizado debe someterse a una evaluación adicional, comparando su rendimiento en tareas con el de la versión original. Solo las actualizaciones que cumplan los requisitos predeterminados entran en servicio, mientras que los resultados anómalos deben gestionarse mediante mecanismos de control de versiones y reversión.
Al mismo tiempo, los efectos reales de la actualización del modelo también pueden utilizarse de forma inversa para mejorar el Evaluator, permitiendo que el sistema optimice gradualmente la forma de filtrar los datos de aprendizaje y los criterios de evaluación.
Tomando como ejemplo el desarrollo de software, el sistema puede utilizar los registros de revisión de código para analizar por qué cierto tipo de modificaciones se aceptan o rechazan repetidamente, y verificar mediante tareas posteriores si el modelo ha asimilado verdaderamente los requisitos de ingeniería correspondientes. A medida que se acumula retroalimentación válida, el modelo tiene la oportunidad de adaptarse gradualmente a las formas de trabajo que el equipo ha consolidado a largo plazo.
Este mecanismo implica desafíos técnicos como el olvido catastrófico, la contaminación por retroalimentación, la deriva del modelo y la estabilidad de las actualizaciones. Tongyan Lingzhi señala que la ruta tecnológica central y la arquitectura de producto de RSI ya están definidas, los módulos correspondientes avanzan hacia su ingeniería, y el bucle cerrado completamente automatizado todavía se encuentra en fase de desarrollo continuo.
El CTO de Tongyan Lingzhi, Chu Bingbing, declaró que, durante el entrenamiento, definitivamente no toman el entrenamiento del modelo apenas el usuario hace clic en "rechazar"; el Evaluator que han introducido juzga primero si esa retroalimentación tiene valor de aprendizaje: una retroalimentación aislada es solo una señal, y solo los patrones que se repiten pueden convertirse realmente en aprendizaje. Tras la actualización del modelo, este debe volver a ejecutarse sobre el mismo lote de tareas que la versión anterior: solo si se confirma la mejora pasa a producción, y si hay retroceso se revierte, garantizando así la seguridad y la eficiencia de la evolución.
A largo plazo, si el modelo puede aprender de manera estable en el negocio real, las empresas tendrán la oportunidad de reducir el trabajo de configuración repetida y el entrenamiento centralizado, permitiendo que las capacidades de IA se actualicen gradualmente junto con el desarrollo del negocio.
Cuando los modelos exclusivos pasan a escala, el costo de los recursos de cómputo es una realidad
La comercialización de los modelos personalizados se enfrenta a otra restricción real: el costo.
Si en el futuro una empresa necesita mantener parámetros de modelo diferentes para cientos de puestos y miles de Agentes, y al mismo tiempo soportar el entrenamiento continuo y el servicio en línea de estos modelos, el enfoque tradicional de entrenamiento independiente y despliegue independiente generará elevados costos de cálculo y gestión. Para las plataformas que sirven a un gran número de usuarios individuales, la importancia de la eficiencia de los recursos aumenta aún más.
Por ello, Tongyan Lingzhi considera la infraestructura de IA como un componente importante del Personal AI, centrándose en la programación coordinada del entrenamiento y la inferencia, así como en la gestión de memoria de GPU para parámetros personalizados masivos.
Entre ellas, TIP (entrenamiento e inferencia en paralelo) resuelve principalmente el problema de asignación de recursos entre el entrenamiento y la inferencia en línea. Las arquitecturas tradicionales suelen gestionar por separado el entrenamiento del modelo y los servicios de inferencia, pero el aprendizaje continuo implica que ambos tipos de tareas se alternan con frecuencia durante la operación del modelo.
Tongyan Lingzhi, mediante tecnologías como el entrenamiento e inferencia en paralelo en la misma tarjeta y el mismo lote, y la acumulación asíncrona de gradientes, intenta aprovechar el cómputo disponible para ejecutar el entrenamiento incremental de parámetros personalizados garantizando el servicio en línea, reduciendo los costos adicionales que conlleva un grupo de recursos de entrenamiento independiente.
Paged LoRA, por su parte, se orienta al problema de la gestión de memoria de GPU cuando un gran número de Adapters se ejecutan de forma concurrente. El método tradicional suele asignar la memoria de GPU en unidades fijas relativamente grandes, y a medida que cambian el número de modelos y la frecuencia de acceso, es fácil que se produzcan una utilización insuficiente de los recursos y fluctuaciones en la latencia de respuesta. Paged LoRA adopta un mecanismo de gestión paginada y mapeo bajo demanda, permitiendo que distintos Personal LoRA compartan de forma más flexible el modelo base y la memoria de GPU.
En las pruebas de etapa ya completadas, Tongyan Lingzhi utilizó Qwen2.5-72B-Instruct y 8 GPU NVIDIA H800, controlando el presupuesto de memoria de LoRA en 5.79GB tanto en el modo Paged como en el modo Flat tradicional. Con cargas de prueba en las que la proporción de solicitudes LoRA era del 1% al 30%, la solución Paged obtuvo ciertas ventajas en latencia de respuesta y comportamiento de cola larga.
Las pruebas también mostraron que, cuando la proporción de solicitudes LoRA sube al 50%, el intercambio frecuente de parámetros dentro y fuera de la memoria sigue provocando degradación del rendimiento. El equipo continúa optimizando en direcciones como la carga asíncrona y la precarga de parámetros calientes, y el desempeño de estas tecnologías en entornos de producción más amplios aún requiere mayor verificación.
Chu Bingbing añadió que, si bien el costo de inferencia de los modelos base está bajando, la frecuencia de llamadas a los Agentes y la demanda de entrenamiento personalizado están creciendo. En los sistemas de aprendizaje continuo no se debe mirar solo el precio de una llamada al modelo, sino también el costo integral del entrenamiento, la actualización y el servicio a largo plazo; solo con una economía razonable este tipo de servicios podrá llegar a un público más amplio de usuarios.
Para Tongyan Lingzhi, la optimización del cómputo subyacente sirve para la operación a largo plazo de los modelos personalizados. Impulsando el aprendizaje continuo mediante RSI y mejorando la eficiencia de recursos del entrenamiento y los servicios concurrentes con TIP y Paged LoRA, la compañía espera reducir gradualmente la barrera de uso de los modelos exclusivos, llevándolos de servicios de personalización de alto costo hacia aplicaciones prácticas más amplias.
Los modelos se renuevan y se sustituyen: ¿cómo se acumulan y conservan las capacidades inteligentes a largo plazo?
A medida que las capacidades, los precios y las formas de despliegue de los modelos base cambian constantemente, las empresas en el futuro podrían utilizar varios modelos a la vez, o cambiar de base tecnológica según las necesidades del negocio.
Una vez que la IA participa profundamente en la operación diaria, el costo del cambio de modelo ya no se limita a la adaptación de interfaces y sistemas. Las empresas también deben considerar si los datos de entrenamiento, los hábitos de trabajo, la retroalimentación humana y los criterios de evaluación acumulados con gran inversión de tiempo pueden seguir siendo útiles en el nuevo entorno de modelo.
Tongyan Lingzhi espera reducir la dependencia a largo plazo de las empresas hacia una única base de modelo mediante un modelo base compartido y la estratificación de las capacidades personalizadas.
Cabe señalar que las estructuras y los espacios de parámetros de los distintos modelos base no son naturalmente compatibles, y los Personal LoRA normalmente no pueden reutilizarse directamente entre modelos. Sin embargo, los datos de negocio ya acumulados por la empresa, las muestras de entrenamiento, las trayectorias de tareas y los sistemas de evaluación pueden seguir utilizándose para la adaptación y el entrenamiento del nuevo modelo, reduciendo el trabajo de reconstruir capacidades exclusivas.
Este enfoque también brinda a las empresas la oportunidad de establecer sus propios criterios de evaluación de modelos, comparando los distintos modelos base según su rendimiento real en el negocio, en lugar de elegir basándose completamente en las métricas genéricas proporcionadas por los proveedores de modelos.
Tan importante como el cambio de modelo es la gestión de los datos y los logros de modelo acumulados a largo plazo.
En el diseño de producto de Tongyan Lingzhi, el modelo base compartido, los datos de negocio de la empresa y los parámetros personalizados se dividen en diferentes niveles, proporcionando una base técnica para el uso de datos, la adaptación de modelos y la gestión de los logros correspondientes. Los derechos sobre los datos, la propiedad intelectual y la titularidad de los logros de modelo siguen necesitando definirse mediante contratos, autorizaciones y mecanismos de gobernanza de datos; la estratificación técnica por sí sola no genera automáticamente propiedad legal.
La posibilidad que ofrece esta arquitectura es permitir que las empresas, mientras usan la IA de manera continua, formen gradualmente datos de entrenamiento, sistemas de evaluación y capacidades de modelos personalizados relativamente independientes, y que puedan seguir aprovechando estas acumulaciones en futuras actualizaciones o cambios de modelo.
Lo mismo aplica a los individuos. Su estructura de conocimiento, experiencia profesional y preferencias de trabajo formadas a largo plazo, si se conservan eficazmente y se utilizan de forma continua para adaptarse a nuevos sistemas inteligentes, dejarán de tener un valor limitado a un solo producto o a un solo servicio.
Xie Xiaonan también considera que las empresas no deben preocuparse por que el cambio de la base del modelo haga que sus acumulaciones vuelvan a cero. Lo que verdaderamente pertenece a la empresa son los datos de negocio, las trayectorias de tareas, los comentarios humanos y los sistemas de evaluación acumulados a largo plazo; estos activos pueden readaptarse sobre un nuevo modelo, en lugar de empezar desde cero. Los modelos pueden cambiarse, pero la experiencia de la empresa no debe ponerse a cero con ellos.
Desde el punto de vista del modelo de negocio, Personal AI introduce así una dirección que merece atención:el valor de los servicios de IA puede extenderse desde la entrega de tareas inmediatas hacia la acumulación de activos inteligentes a largo plazo de los usuarios.
Del progreso técnico a la compartición del valor: que la inteligencia sirva verdaderamente a las personas
La inteligencia artificial está redefiniendo la forma en que se forman el conocimiento y la capacidad productiva.
En el pasado, la experiencia de las personas se conservaba principalmente en su propia cognición y práctica, mientras que la capacidad profesional de las empresas estaba dispersa entre los empleados, las normas, los sistemas de negocio y la colaboración organizativa. A medida que la IA participa cada vez más profundamente en la producción social y en la vida cotidiana, estos conocimientos y experiencias originalmente dispersos comienzan a tener la oportunidad de ser sistematizados, aprendidos y reutilizados.
Pero, al mismo tiempo que las capacidades técnicas continúan mejorando, es necesario reflexionar sobre una cuestión más profunda:
cuando los usuarios contribuyen constantemente con interacciones, correcciones y comentarios de negocio que hacen que los sistemas de IA sean más inteligentes, ¿cómo debería retornar a los propios individuos y organizaciones el valor a largo plazo creado por esas aportaciones?
Los servicios tradicionales de IA de tipo plataforma ofrecen principalmente a los usuarios capacidades inmediatas del modelo, y el comportamiento de uso de los usuarios también puede ayudar a la plataforma a optimizar continuamente sus productos. Lo que explora Personal AI es que, al recibir el servicio, los usuarios acumulen gradualmente activos inteligentes exclusivos formados por sus propios conocimientos, experiencias y juicios, de modo que el valor del uso prolongado de la IA pueda sedimentarse de forma sostenida.
El significado de esta acumulación va mucho más allá de la mejora de la personalización.
Paralas personas, la experiencia profesional puede transformarse gradualmente en una capacidad digital utilizable a largo plazo, que les ayuda a prolongar sus acumulaciones a través de distintas herramientas y entornos de trabajo.
Paralas empresas, los métodos de negocio y los conocimientos organizativos formados a lo largo del tiempo tienen la oportunidad de conservarse y transmitirse mediante modelos exclusivos, reduciendo el riesgo de que la experiencia clave se pierda por la rotación de personal o los cambios tecnológicos.
Cuando estas capacidades puedan readaptarse entre diferentes modelos base, los individuos y las organizaciones también dispondrán de un espacio de elección tecnológica más amplio, pudiendo evaluar, adoptar y cambiar de modelo según sus propias necesidades, y reduciendo la dependencia a largo plazo de una única plataforma.
Las empresas no necesitan necesariamente reentrenar un gran modelo general propio, pero deberían tener la oportunidad de poseer gradualmente un conjunto de capacidades inteligentes que les pertenezca.
Esto también refleja la «inteligencia personalizada centrada en las personas» que defiende Tongyan Lingzhi. En su opinión, el desarrollo de la inteligencia artificial debe otorgar a los usuarios una mayor autonomía, hacer que los conocimientos, las experiencias y los juicios acumulados a largo plazo por individuos y organizaciones sean respetados, conservados y prolongados, y que el valor creado por el progreso tecnológico beneficie más ampliamente a los usuarios.
Finalmente, Li Wei comentó que la accesibilidad universal de la inteligencia artificial no debería significar únicamente que más personas puedan usar modelos avanzados, sino también que más personas puedan apoyarse en la IA para acumular y desarrollar sus propias capacidades. Que los frutos del progreso tecnológico se traduzcan más en crecimiento de las personas, innovación de las empresas y aumento de la productividad social: esa es la manera en que Tongyan Lingzhi entiende lo que significa centrarse en las personas.
Apoyándose en la acumulación científica del sistema del Instituto de Investigación de Inteligencia Artificial General de Pekín, Tongyan Lingzhi está materializando esta filosofía en el aprendizaje parametrizado, la evolución continua y las arquitecturas de computación subyacentes.
Las tecnologías relacionadas aún requieren investigación, desarrollo y validación industrial, pero el valor a largo plazo al que apuntan tiene un significado social más amplio: que las capacidades avanzadas de inteligencia artificial se conviertan gradualmente en un soporte duradero para el desarrollo personal, el crecimiento de las organizaciones y el aumento de la productividad social.
Desde una perspectiva a más largo plazo, la inteligencia artificial no debería ser solo un sistema que absorbe continuamente el conocimiento humano y mejora sus propias capacidades, sino también una infraestructura importante que ayude a las personas a acumular conocimiento, transmitir experiencia y ampliar sus capacidades.
Cuando la inteligencia general se convierta gradualmente en una capacidad básica ampliamente accesible para la sociedad, lo verdaderamente esperable es que cada persona y cada organización pueda construir sus propias acumulaciones a largo plazo dentro del progreso tecnológico, y tenga el espacio para elegir y desarrollar esas capacidades.
La IA no debería volverse más inteligente solo gracias a la participación de las personas; también debería hacer que las personas tengan más capacidades gracias a la generalización de la IA. Los frutos del progreso tecnológico no deben sedimentarse únicamente en los modelos y las plataformas, sino más bien convertirse en una fuerza duradera para el crecimiento personal, el desarrollo organizativo y el progreso social.
*Este artículo ha sido publicado por QbitAI con autorización; las opiniones pertenecen únicamente al autor original.