“Transformer就像燃油车，attention-free才是新能源” | 对话RWKV创始人彭博

量子位智库 发自 凹非寺
量子位 | 公众号 QbitAI

当DeepSeek引发业界震动时，元始智能创始人彭博正专注于一个更宏大的愿景。

在他看来，某个模型的爆火只是AI进化的一个普通节点，真正的技术革命才刚刚开始。

作为RWKV架构的缔造者，他的目光已经投向未来的 芯片底层革命 。

目前在产业界，已有海外独角兽企业开始将RWKV应用于商业实践。

这个故事要从Transformer说起，一个正在被不断挑战的AI铁王座……

以下为 量子位 与 元始智能彭博 的对话实录整理：

本对谈主体发生于2025年1月R1发布前，星标部分为2025年2月补充。

△ 彭博的github主页

重写游戏规则

量子位 ：能不能先给大家介绍一下RWKV是一个什么样的模型？

元始智能彭博 ：要了解RWKV，得先从Transformer说起。目前主流大模型包括GPT、Llama这些，都是用的Transformer架构。

Transformer包含两个主要部分：随序列长度增加而变慢的attention机制，和速度显存恒定的FFN全连接网络。

Transformer的attention机制就像考试时候开卷查资料 ，每写一个字都要翻一遍书，KV cache越来越大，效率自然就上不去。这种方式确实适合做翻译这类需要明确对应的任务。

但是 RWKV的思路就更像口试了 ——模型不能随意重读前文——必须用一个固定大小的state来存储和更新信息。口试的方式难度更大，但它迫使模型更去真正理解，而不是简单地查找匹配。

△ RWKV-7模型架构图

量子位 ：Transformer架构能够取得行业主流地位，这里面有多大偶然性和必然性？

元始智能彭博 ：是必然的。

你看Transformer一开始是设计来做翻译的，这个思路挺不错。它在生成内容的时候不断去前文找需要的信息，这很适合翻译，也包括写文章、写代码这些需要上下文关联的任务。

但问题也很明显。前文越来越长，每生成一个token都要看一遍，速度和内存消耗肯定会越来越大。

你看我们人类，活了几十年，话说多久都不会越来越慢，为什么？因为我们会自动筛选重要信息，不会所有事都记着。

我们会把必须记住的事情记在外部记忆，例如记事本，手机电脑，等等。

△ Transformer模型架构图

量子位 ：有观点认为Transformer的高性能正是源于其注意力机制，你如何看待这一说法？

元始智能彭博 ：这么说不太准确。Transformer确实在做那些需要明确对应关系的机械性的任务时表现不错。

但是RWKV通过RL一样能做到这些，它也可以学会使用外部记忆，学会在需要的时候重新查看前文。

从前大家认为Transformer做不了System 2，现在RL+CoT就推翻了这种说法。对于RWKV也会发生类似的事情。

量子位 ：Transformer的发展历程中，从最初的论文到GPT系列的成功，有哪些关键节点？

元始智能彭博 ：这是个一步步发展的过程。从最开始做机器翻译，到BERT的突破，再到GPT系列，后来还有ViT等等多模态应用，每一步都在扩展边界。

有意思的是，在GPT-3出来的时候，大家的反应不热烈，即使它已经拥有了现在的很多能力，例如从指示生成网页的能力。

GPT-2有人关注了，GPT-3更多人关注了，但主要还是在学术圈子里。直到ChatGPT出来，让普通人真正体验到了这个技术，才算是真正爆发了。

现在DeepSeek R1的出圈，也是类似的道理。*

△ DeepSeek登顶美区苹果应用商店

量子位 ：下一个取代Transformer的架构是否需要经历同样的发展路径？

元始智能彭博 ：完全不需要。现在可以走个更直接的路径——把各种模型的attention直接换成RWKV，尤其是RWKV-7，效果就能更好，其他的都不用动。

而且RWKV-7在训练上特别稳定，这也是个优势。我们做实验发现，其他新架构比如Mamba经常会出现spike，但RWKV-7一直特别稳。

例如，有团队把Qwen 2.5的attention迁移到RWKV架构，训练一天就能达到70%的效果，如果多练几天能到80%，再练会更好，这个效率是很高的。

效率与效果的突围

量子位 ：RWKV的核心优势在哪些方面？

元始智能彭博 ：从RWKV-7开始，我们不仅是效率更高，效果也更好。存在两类问题是更适合RWKV去解决而Transformer不适合解决的：

第一是 state tracking，就是状态跟踪 。例如下棋需要持续对棋盘状态进行跟踪，用Transformer需要堆多层才能解决，但在理论上可以证明RWKV一层就够了（当然，用多层仍然会效率更好，这里比较的是模型每一层的表达力）。

第二是 长期CoT，就是思维链推理 。RWKV可以保持固定的显存和速度，做超长推理。比如我们社区最近有人用RWKV小模型做400万token的CoT解决了“全世界最难的数独”，这个量级用Transformer做就效率低。

△ RWKV数独官网页面

用稀疏attention可以（例如最近的NSA，MoBA），不过，稀疏attention进一步进化，就是RWKV这种路线，最终会殊途同归。*

量子位 ：面对低成本、高性能和并行计算的“不可能三角”，RWKV如何突破？

元始智能彭博 ：这个确实挺难的，但不是完全不能并存。你看人类就是一个很好的例子，我们既低成本又高性能，我们的训练也很高效（但注意，和深度学习的训练方法不同，这是很神秘的）。

现在机器人替代人的进程为什么这么慢？就是因为人太便宜了，如果人很贵的话，大家早就都用机器人了。

我们只能逐步突破这个不可能三角，因为它确实有道理——你不能什么都要。对于复杂模型， 并行化有难度，这是RWKV每一代都要去解决的核心问题 。

设计每一代RWKV是很简单的，怎么让它高效并行化、高效训练、高效推理才是真正的难点。

我们可以把这个三角做得越来越大，把三个边都同时尽量撑一撑。特别是以后配合模拟计算，量子计算，还是可以做一些奇妙的事情。

△ 大模型“不可能三角”

量子位 ：并行化上的挑战会影响RWKV的规模化训练吗？

元始智能彭博 ：RWKV-7的scaling特别好。因为一个很明显的好处是，模型越来越大的时候，它的state也会越来越大，那么工作记忆力会越来越强。

从前大家经常说RWKV的记忆力不好，但7代明显好很多。我们做了大海捞针的测试，用一个0.1B的特别小的模型，在4K的上下文训练，它做16K的大海捞针也可以完美捞针。

△ RWKV-7-World 0.1B（L12-D768）无需微调完美通过ctx 16k的大海捞针

量子位 ：在提升并行性方面，RWKV做了哪些工作？

元始智能彭博 ：这个在技术上会越来越复杂，我们一直会写CUDA代码来解决。

我们跟国内所有主要AI芯片公司都有群，他们都在密切关注和试验RWKV的推理和训练，因为它代表下一代模型的发展方向。

预计25年下半年会有一种存内计算的新芯片，特别适合跑RWKV这种模型。到时候大家会看到，这对RWKV的推广会很有利。

从实验室到产业

量子位 ：作为非架构师，我们应该怎么判断一个创新架构的发展潜力， 有哪些指标是最关键的？

元始智能彭博 ：对于大多数人，最好的指标仍然是看大厂用不用。普通用户不关心架构，只关心效果。真正能评判的是模型公司。

理论上模型的表达能力是可以从数学和理论去评估，但理论和实际总是有差距。AI发展太快太复杂了，理论常常跟不上实际情况。

量子位 ：商业验证会是衡量的最重要标准吗？

元始智能彭博 ： 这确实是最实际、最有说服力的标准 ，因为这个大家不得不信。比如说如果大商业公司用RWKV，那就是一个非常实际的证据，我就不用去说服各方了。

所以我也不希望去说服人，因为说服人其实是很浪费口舌的事情，大家最终还是要看实际的事情。

其实现在AI的成本还是太高，需要再降10000倍，这需要很多年。部署技术的优化、成本的降低，这才是真正的壁垒。

例如DeepSeek在R1之前，到V3都只有少数前沿研究者关注，直到R1才出圈火爆。而且我们现在也看到，各家都上线了R1，然后就是比拼部署和推理成本。*

量子位 ：在众多创新模型中，RWKV的商业化身位如何？

元始智能彭博 ：在新架构方面，我们一直有领先优势，这来自我们持续迭代的能力。

很多团队会基于现有技术做一些缝缝补补，但真正能持续向前推进持续做很多代架构的团队，我们似乎是全球唯一的。

你看现在的发展趋势，Mamba 2已经和RWKV-6非常接近了，如果有Mamba 3很可能会和RWKV-7几乎一模一样。

不光是Mamba，还有一些其他包括海外的新工作都在朝着RWKV的方向走。例如最新的Titans类似RWKV-7。

这是因为什么？因为类RWKV的技术路线已经形成了共识。 大家用不同的名字，但都在同一条路上走 。

△ 非transformer创新架构盘点

量子位 ：目前RWKV有什么实际的商业应用案例吗？

元始智能彭博 ：我们了解到有个 海外独角兽公司在用RWKV做线上部署的模型，他们CTO前不久专门来香港找我，但他们目前不想公开这事 。

因为他们觉得这是他们的独特优势，因为现在很多人还没意识到RWKV有多好用。他们用了之后发现效率提升很明显，效果也完全满足他们的需求，商业上就非常理想。

量子位 ：有观点认为不同模型各有优势，比如云端适合Transformer，端侧适合RWKV，你怎么看？

元始智能彭博 ：其实各种场景都更适合RWKV。我们现在主要做端侧小模型，只是因为训练成本低。

但大家已经找到方法，可以把Transformer模型快速迁移到RWKV这种新架构上，只需要很少的训练就能适配。所以这不是架构的局限，而是我们在不同发展阶段做不同的事情。

△ RWKV社区数据

量子位 ：元始智能在AI行业的生态定位是什么？

元始智能彭博 ：其实， 我们的定位是架构公司，我们不是普通的模型公司，虽然目前我们会训练一些模型，但只是为了证明我们架构的能力 。

我们的上游是芯片，下游是模型公司。我们和模型公司不是一个生态位，所以我们会技术支持模型公司用RWKV架构，也会分享我们的训练经验。

我们目前只有十几个全职成员，随着我们越来越大，我们才会逐步做各个方面，包括2B和2C应用等等。

我们有点像CPU的RISC-V指令集，或者比如说5G、6G的标准。就等于说我们做5G、6G、7G一代代做下去，但我们自己不一定要去生产具体的通信产品。

为什么现在主要训练端侧小模型？一个是我们希望不要浪费钱，因为RWKV架构还在不断改进，另一个是这种事让大厂做最合适，他们有更优质的数据和充足预算。

量子位 ：目前这个技术路线的验证情况如何？

元始智能彭博 ：现在已经有50多篇第三方论文验证了RWKV的效果，在我们官网都有，覆盖了语言、图像、视频、动画、3D、语音、时间序列各种模态。

例如，腾讯优图就用RWKV做了文生3D多人动画，蚂蚁用它做文本压缩。只要你现在用的模型里有attention，换成RWKV都能提升效率效果，我们也提供技术支持。

△ RWKV在多种场景50余篇论文

量子位 ：Deepseek的爆火对RWKV的发展路径会产生怎样的影响？

元始智能彭博 ：其实不会有影响，Deepseek-R1是模型，我们是架构。他们的爆火一方面是底层实现的优化，一方面是数据和RL对齐做得好。

他们用MoE降低了训练成本和部署的算力需求，让门槛更低了，今年各家都会有超过R1的模型，任何公司都没有壁垒， 不需要神话任何公司 。

量子位 ：如果大厂普遍采用Deepseek，他们还会有动力尝试新的模型架构吗？

元始智能彭博 ：我举个例子，其实MoE现在已经过时了，有更先进的技术，例如Meta的Memory+，字节的UltraMem，就是很好的方向，大家很快就会继续往前走。

觉得DeepSeek会一家通吃的想法，就像从前看到ChatGPT出来就觉得应该全部人投降一样，实际上AI直到现在仍然还在非常初级的阶段，谈这些还太早太早了。

量子位 ：Deepseek通过市场验证获得了生态优势，这会形成某种护城河吗？

元始智能彭博 ：开源模型是肯定赢的，但不能有速胜速败的想法，不夸张地说，对于AI的探索，还有至少几十年的路要走。

让绝大多数人失业不需要很久，但这不代表所有事情都做完了，我们应该有更高的追求。

之前Llama出来时，大家也会问是否可以形成生态壁垒，但其实这里根本不存在用户忠诚度。

现在大家从其它模型切到R1，其它模型有壁垒吗？以后大家从R1切到其它模型，R1会有壁垒吗？

量子位 ：你认为大模型创新的下一个战场在哪里？

元始智能彭博 ： 在芯片层面 。2025年下半年会有新一代的存内计算芯片出现，这对RWKV的推广会很有利。

我们已经和国内所有主要芯片公司建立了联系，他们都在密切关注和试验RWKV，因为大家能看出来这是下一代模型的发展方向。

△ 存内计算芯片示意

预见下一个拐点

量子位 ：AI的真正智能是什么，你怎么看？

元始智能彭博 ：真正的智能是能打破常规，找到完全超出现有思维的，前人想不到的解决方案。现在的AI模型与人类的创造能力还有很大差距。

而且人类学习效率特别高，看到的有效数据比大模型少得多，但我们能很快学会，并形成真正的理解。

说实话，流浪小动物适应环境的生存能力体现出的智能都比现在的AI模型要更多。