< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
仅4B大小可端侧部署！卡帕西预言的「认知模型」被国产做出来了
效果比肩GPT-5.4
量子位 | 公众号 QbitAI
好家伙，卡帕西又说对了！
几个月前，这位OpenAI创始成员在访谈中抛出了一个判断：
“推理模型要变天了！”
仅需10亿参数，就能构建起非常优秀的
——一个剥离了海量事实记忆、只保留思考算法的智能单元。
结果万万没想到，如今有这样一支中国团队已经率先实践。
小冰之父李笛集结微软小冰原班人马，带着仅成立半年的AI初创公司
（明日新程），刚刚推出了行业首个认知模型
何为首个？事实上，明日新程对认知模型的押注和卡帕西几乎是同一时期给出。
在去年12月的奇绩创坛Demo Day上，明日新程首度公开亮相就明确提出：
AI进化终点不是更大的单体大模型，
才是下一周期行业趋势。
凭借敏锐的行业嗅觉，他们愣是提前卡位、极限抢跑，于是有了今天的新程Alpha。
特别的是，这个模型只有区区
，在动辄千亿万亿、模型参数卷到飞起的大模型里，可谓一股清流。
但就是这么个轻量级选手，却把很多推理大模型做不到的事情做成了：以下克上，不仅搞定了模型算力的痛，最终效果还能比肩第一梯队的GPT-5.4。
这下再也不用月底为Token账单发愁了。（doge）
算力成本立省100%，从烧显卡变成了交电费，而且直接
那么问题来了，为啥这个认知模型可以以小搏大？和主流的知识型推理模型又有什么本质不同？量子位深入挖了挖。
卡帕西的这场访谈，核心其实就一句话：
现有的推理模型正集体陷入
「Scaling困境」
，行业默认参数越大、知识越多，模型就越聪明。
结果呢？那些拥有庞大知识库的模型，看似能解决复杂的数学和编程问题，却总是在细节处频频被网友捉虫，比如“200元取钱”这类逻辑陷阱，甚至说strawberry中有几个“r”这样的简单问题。
单靠死记硬背，模型是学不会深度思考的，尤其是在长程任务中，稍有不慎还会导致错误滚雪球似的指数级放大。模型认知负担越来越重，Token账单也越来越离谱。
比如最近亚马逊员工疯狂用AI，用到公司都不得不紧急关停内部AI排行榜。倒不是因为效果不够好，是算力用得太吓人了，预算再高也架不住这种烧法。
养龙虾更是如此，每个月我的会员额度都在和钱包打架，扛不住啊扛不住……
而这，几乎是今年大厂的普遍真实写照。
看着手里的账单，于是行业内开始复盘，或许问题的核心压根不在知识多少上，而是
模型到底会不会组织知识
前者是拥有知识，后者是运用知识。知识本身已经不再是最稀缺的资源，如何建立知识之间的关系才是关键。
传统的知识型推理模型还是在已有知识中找答案，但认知模型不一样，它具备自主思考和规划能力，能够把单一场景下的思维策略泛化到另一个不相关领域。
这就好比某九段围棋选手，如果只会死记硬背棋谱，那他最多只能算是棋痴，但好巧不巧，他是真的懂棋，能够掌握棋局背后的博弈本质，哪怕让他换赛道去打扑克，也能拿到世界冠军。
所以更进一步说，真正的认知核心应该能被剥离出来——
轻量、可泛化、低成本。
这不仅是一家之言，OpenAI、谷歌DeepMind近来都在明显加强对多智能体协作、长期规划、世界模型和群体智能等方向的投入。