RAG：就相当于大模型外挂了一个知识库，优点是成本相对较低，但缺点是大模型没法对外部知识库进行深度学习。所以这类大模型在涉及到外部知识库时，更类似于数据库搜索， AI回答这部分知识时，水平会显著下降。而且这种搜索还是每次都从头到尾重新进行，不仅精度差，效率还低。

Fine-Tuning（微调）：是在预训练好的AI模型上通过特定的少量数据进行额外训练，让AI模型适应新的任务或领域。但微调成功有着极高门槛，首先要求用户拥有高质量数据集；其次还要避免这个数据集与百亿、千亿参数的大模型过拟合；在微调训练时还要防止新增数据破坏原有大模型的神经网络……这些要求导致大模型微调的失败率高达98%。

此外，还有上下文记忆问题。比如你打开AI进行多轮对话，这些对话就是上下文记忆。但这都是短期记忆，关闭AI就相当于数据清零，这就是为何AI总将你当做“陌生人”。而要让AI记住你，就必然要保存这些聊天记录并训练到AI模型中去。

言而总之，就是AI不会保存用户上传的新增数据（长期记忆），更不会将这些数据训练到模型中去（实时学习），AI自然就不“懂”你。

目前业界已对AI的“长期记忆”能力进行过一系列探索，比如Google发布的Titans论文中介绍了一种将新增知识压缩并训练至神经网络，让AI模型具备长期记忆的方法；OpenAI也曾推出ChatGPT Memory版本，其会记录用户的对话和偏好；微软则通过KBLam技术来增强知识库以支持更多tokens。

虽然效果不一，但却让行业逐渐意识到，AI真正的长期记忆，必须根植于神经网络。

在2024年5月时，OpenAI的CEO萨姆·奥特曼曾提出数据与推理引擎分离的架构设计，并称可能会在GPT-5及后续模型中使用，不过目前还没看到后续。反倒是国内的AI企业传神语联率先进行探索，在2024年11月正式发布任度大模型时，其核心“数推分离”双网络架构已实现实时学习与长期记忆能力。该架构的本质，是将客户数据学习网络与推理网络分离，双网络通过moH混合熵架构联动，在保障基座网络推理能力不受影响的前提下，实现了对新增数据的实时学习与长期记忆。

更重要的是，“数推分离”架构还带来了数据安全。一直以来，企业在应用大模型的时候，安全问题是企业的一大顾虑。而数推分离架构，很巧妙地避免了这一问题，企业数据不用离场，即可实现对数据的实时学习。这样一来，企业完全掌握数据主动权，可以放心大胆地部署大模型。

基于此，传神语联先后推出了传神·素问中医大模型和传神·归藏大模型。其中，传神·归藏大模型通过技术迭代，强化了长期记忆与实时学习能力，可对用户上传数据实时学习，能做到长文本理解、复杂任务推理、个性化对话、长期记忆用户习惯等，为用户提供更好的推理服务。

具体来说，归藏大模型不仅能记住对话历史和工作上下文，还能通过积累用户行为模式，预判需求并提供个性化服务，甚至能将通用资料、数据等转化为专属知识应用，提供更贴合用户期望的服务。

这就好比根据您的喜好风格，定制训练了一个AI“私人助理”。

比如，您可以将日程上传到归藏大模型，它可以通过实时学习与长期记忆能力，让您随时随地查询具体日程。

而针对一些敏感信息或者过期资料，则可以让归藏大模型“遗忘”，这相当于从归藏的神经网络中删除，一方面避免知识错误，同时也有利于数据安全。

这一切，还要从传神语联的“根原创”说起。传神语联从底层算法框架到模型架构完全自主研发，且通过了中国信通院0开源依赖的验证。传神语联以这种对AI技术的执着，将对技术的深刻理解转化为行业应用，推动大模型的具体落地。

从本次的归藏大模型就能看出来，传神语联从长期记忆、实时学习这样直击大模型本质的能力，让业界看到了通用人工智能发展的一种新路径，那就是记住用户的点点滴滴，与用户共同成长，展示了AI技术从“通用工具”向“专属伙伴”的精准定位。

展望未来，大模型领域还会有很多技术要去突破，但可以肯定的是，这条创新路上，必然有传神语联。他能以“根原创”技术带来哪些新惊喜？又能给行业带来什么样的启发？答案交给时间。