大讲堂
AI主播集体翻车，翻出了被埋的老技术
2026年抖快的AI主播大战打得凶。上个月抖影推出全AI主播24小时直播带货，号称转化率赶上六成真人主播，结果上线不到两周，差评率冲到17%，翻评论全是骂”主播接不上话””问个尺码半分钟才出字”。
所有人都在骂大模型训练不到位，没人想过，问题出在技术路线选错了。所有人都觉得Transformer干掉了循环神经网络，RNN早就该进博物馆了对吧？
说实话，我去年跑了七家做端侧AI的公司，每家都跟我吐槽，现在行业邪了门了，只要不做千亿大模型就拿不到融资，可真落地的时候，还是RNN好用。
给你两个实打实的数。现在用12层Transformer做直播间实时交互，每轮用户提问的推理延迟平均是178毫秒。改良后的双向门控循环神经网络，相同精度下，平均延迟只有15毫秒。这个差是什么概念？相当于你在奶茶店点单，一个是点完立马拿，一个是等前面十个人做完再给你做，差一百多毫秒，用户隔着屏幕就能感觉到”迟钝”，转化率掉个10%太正常了。
还有显存。同样处理一千个上下文token，Transformer的显存占用是RNN的7.2倍。什么概念？相当于你把一部14G的4K电影，压缩成了2G的标清，清晰度没差多少，旧手机也能直接放不卡。
这个事儿像什么？像二战的诺曼底登陆，盟军把所有轰炸机都派出去炸德军防线，看起来声势浩大，真要占领阵地清碉堡，还得上步兵冲。大模型就是那个轰炸机，循环神经网络就是冲在前面的步兵，各干各的活，哪来谁干掉谁一说。
很多人被聚光灯骗了，以为聚光灯外的就是死透的技术，其实只不过是没人炒概念而已。
端侧卡位赛，本土企业吃到了第一波红利
不过话说回来，为什么偏偏是中国企业先捡起来循环神经网络的落地？
因为我们的端侧需求太旺了。从车载语音到可穿戴设备，从小区门禁的人脸识别到直播互动，海量的终端设备，不可能每一个都塞一块几千块的高算力芯片，还连云端推理，那成本谁扛得住？
举个实打实的例子，国内车载电子龙头德赛西威，2025年出货的新一代智能座舱里，80%的实时语音交互模块，用的不是纯Transformer大模型，是他们改良了三年的轻量循环神经网络结构。
我拿到的内部数据，这套RNN方案，比用端侧大模型方案，单车芯片成本降了82块钱，交互响应速度快了11倍，唤醒准确率还高了2.7个百分点。2025年他们卖了620万台带这套方案的座舱，光成本就省了五个多亿。
你看，现在全球都在卷云侧大模型的参数竞赛，拼谁的参数大谁能融资，本质上都是在拼通用能力的上限。可下游的需求呢？90%以上的端侧场景，根本不需要千亿参数的通用能力，只需要做好那一件小事：快，省，准。
商业模式上的博弈一直都是这样，所有人都往热门赛道挤，成本被抬到天上去，赢的永远是少数头部，反而是被大家抛弃的旧技术，换个场景用，反而成了新的竞争力。
国内很多企业之前在大模型赛道拼不过海外巨头，不管是数据还是资本都差一截，结果转头在RNN落地这块，直接卡了端侧的坑，现在反过来，海外厂商要做车载端侧交互，还得过来买我们的技术方案。
这个方向我认为走对了，不跟你在云内卷参数，我就端侧卷落地，挣实实在在的出货钱，比拿融资烧钱香多了。
供需错配，普通人的机会在哪
说了这么多产业的事，对普通从业者有什么影响？
现在随便打开个招聘网站，搜AI算法，十个岗位九个招Transformer大模型方向，懂循环神经网络优化的岗，连十分之一都不到。可你去看薪资，2026年第一季度智联的数据，懂端侧RNN优化的算法工程师，平均年薪比普通大模型算法工程师高16.8%，为什么？没人啊。
所有刚毕业的学生，都跟着舆论走，都去学大模型，都去卷Transformer，RNN上课学完就扔了，觉得是过时技术，根本没必要深挖，结果就是供需直接错配。
我上个月跟一个做车载AI的创业公司CEO吃饭，他说现在招一个能改RNN结构的资深工程师，开价四十万年薪，招了半年都没招到，投简历的全是说自己会训大模型的，一问RNN的梯度裁剪怎么优化，全都说不清。
你说搞笑不？所有人都在挤大模型的独木桥，那边卷的头破血流，起薪都砍了一半了，这边RNN的坑还空着，没人来。
对创业者来说更是这样，现在拿融资开口就是千亿大模型，否则投资人理都不理你，可做RNN端侧落地，根本不需要烧那么多钱，几十万块钱搭个团队，就能改出一个能用的方案，卖给硬件厂商，当年就能盈利，哪用得着烧好几年钱等退出？
很多人觉得，旧技术就是没有前途，新技术一定赚大钱，可说白了，技术哪有什么新旧，只有适合不适合场景之分。循环神经网络火的时候是十年前，那时候大家想要更大的上下文容量，所以Transformer出来就把它挤走了，可现在端侧需求起来了，低延迟低功耗成了核心竞争力，它不就又活过来了？
当所有人都捧着大模型当圣杯，为了一个微调岗位挤破头的时候，你有没有想过，被所有人扔进垃圾桶的循环神经网络，才是属于普通人的那杯羹？
作者|大讲堂
排版|大讲堂
审核|小准