杨植麟提出Token效率是AI突破关键，强调开源推动智能上限提升。
在3月25日举行的2026中关村论坛全体会议上，月之暗面(Moonshot AI)创始人杨植麟发表了题为《开源AI：加速探索智能上限》的主题演讲。
他指出，做大模型的本质是把更多能源转化为智能，而其中的关键在于通过技术手段提升规模化效率，尤其是“Token效率”的提升，将成为未来人工智能发展的重要突破口。
杨植麟在演讲中强调，规模化是过去若干年AI发展的基础，但真正的挑战在于如何高效地实现规模化。他认为，单纯依靠暴力增加算力和能源并不能持续推动智能进步，必须从三个维度同时发力：提升Token效率、扩展上下文长度，以及引入多智能体协作机制。
“Token效率，本质上是说同样的数据中能够学到多少智能。”杨植麟解释道。他表示，世界上有效的数据是有限的，如果能够设计出更好的网络架构或优化器，就能从相同的数据中提取更多智能。此外，长上下文能力也至关重要。通过Kimi Linear等新型架构，模型能够在更长上下文中实现更低损失，从而完成更复杂、更长时的任务。
在最新的Kimi K2.5模型中，杨植麟团队引入了“Agent集群”概念，即通过多个智能体协同工作，大幅提升模型处理复杂任务的能力。
他展示的数据显示，单一智能体模式下，任务复杂度与执行时间呈指数级增长；而并行启用100个智能体进行协作后，执行时间几乎不再随任务复杂度上升而显著增加。
“这就好比从0到1建造一家千亿美元公司，一个人可能需要100年，但100个聪明人一起协作，就能在短时间内完成。”杨植麟说。
在底层架构方面，杨植麟重点介绍了团队最新开源（300109）的技术——注意力残差(Attention Residuals)。该技术源自十年前何凯明等人提出的残差网络(ResNet)思路，但将注意力机制从时间轴“旋转90度”应用到深度上，使每一层都能结合之前所有层的输出进行计算，极大优化了训练效果。杨植麟透露，这一架构仅增加约2%的额外成本，却能显著提升模型表现。
过去十年，像Adam优化器、Attention架构、残差连接这些技术几乎成了无人挑战的标准。对此，杨植麟表示，“现在，随着算力提升和研发方式从纯学术向工程化、规模化验证转变，这些标准正在被重新审视和突破。”他强调，开源正是推动这一进程的关键力量，让更多研究者、企业和终端用户能以极低成本获取最前沿的智能技术。
杨植麟特别提到，在NVIDIA最新GTC2026大会上，黄仁勋的主题演讲中已多次引用Kimi等开源模型作为芯片性能评测的标准。“如果你要发布一个新芯片，就必须通过Kimi或其他开源模型来评测性能提升。”他表示，这标志着开源模型正逐步成为全球AI产业的新标准。
展望未来，杨植麟认为AI研发方式将在未来两到三年发生根本性变化。三年前，行业主要依赖互联网天然数据加人工标注；去年，大规模的强化学习系统成为主流，通过人工筛选高质量任务进行训练。而从今年开始，AI将越来越多地主导研发本身——每个研究员将配备大量AI token，由AI帮助合成新任务、新环境，甚至定义奖励函数和探索新架构。
“在这样的前提下，整个AI研发会逐渐加速，”杨植麟说，“Kimi希望与整个开源社区一起，不断把智能技术往前推进，打造一个更完善的生态系统。”
鼎丰优配提示：文章来自网络，不代表本站观点。
