AI自进化?她让我后背发凉

凌晨 2 点到早上 6 点，她一刻都停不下来。

不是在加班。不是在赶 deadline。

是因为太兴奋了，根本睡不着。

说这话的人叫罗福莉。阿里达摩院出身，DeepSeek V2 核心作者之一，后来被小米千万年薪挖走，现在负责小米大模型团队 MiMo。

这种履历的人，平时惜字如金。但最近她接受了张小珺的深度访谈，将近两万字，这是她第一次接受技术访谈。

我通读了全文，把最核心的信息压成这篇。有些是技术判断，有些是行业洞察，有些是她个人的经历和直觉。

但最后有一句话，单独拎出来，我建议你认真想一想。

因为那可能关系到我们每个人的未来。

01 游戏规则变了，但 99% 的人还没反应过来

先说结论。

罗福莉最核心的判断是：AI 的范式已经发生了根本性转变。

从预训练主导的 Chat 时代，进入了后训练主导的 Agent 时代。

标志性事件是两个：OpenClaw 的发布，和 Claude Opus 4.6 的问世。

如果你没关注这两件事，我给你翻译一下——

行业的技术焦点，已经从“让模型更聪明”转向了“让模型能做事”。

听起来差别不大？其实是两个完全不同的工程问题。

让模型更聪明，核心是预训练：砸算力，堆数据，把模型做大。这条路大家已经跑了三四年，卷到今天，边际效益在急剧下降。简单说，就是投入越来越大，回报越来越少。

让模型能做事，核心是后训练和 Agent 框架：用强化学习教模型在具体场景中做决策，用精巧的编排让模型调用工具、规划步骤、完成复杂任务。

前者的天花板是模型的智力。

后者的天花板是框架的设计。

而罗福莉说，框架的天花板，比你想象的高得多。

高到什么程度？往下看。

02 春节凌晨 2 点，她像着了魔一样

回到文章开头那个场景。

春节期间，凌晨两点，罗福莉装上了 OpenClaw。然后一直用到早上六点。

不是在加班。不是在赶项目。是停不下来。

她自己是这么描述的：

第一天，她感受到的是产品的“灵魂感”——设计的温度和情商超出预期。

想想看，一个搞了大几年底层模型的技术大牛，用“灵魂”这个词来形容一个产品框架。这个冲击有多大？

第二天，她发现 OpenClaw 能帮她完成日常生活和工作中以前做不到的事。

第三天，她把研究任务交给它，一两个小时就做出了她以为要花很久的 User Agent 构建。

三天之内，她的认知被彻底刷新了。

但更震撼的还在后面。

她说，把自己的 MiMo 模型接进 OpenClaw 之后，一个中层模型借助好的框架，在 85% 的任务上就能接近 Claude Sonnet 的水准。

甚至一个 3B 的端侧小模型，在这套框架下也能做出超乎想象的事。

科普一下：3B 模型大概是你手机上能跑的模型级别。

这种模型，放在 Chat 时代，跟顶级模型的差距是天堑。但配上好的 Agent 框架之后，天堑变成了沟壑。

罗福莉由此得出了一个判断：

Agent 框架和模型能力必须同步进化，互相推动。单纯卷模型的时代，结束了。

03 “对话不到 100 轮就辞职”，她是认真的

回到小米之后，她做了一件很猛的事。

要求全团队必须用 OpenClaw。

原话是：如果第二天对话次数不超过 100 轮，就辞职。

她后来澄清说不会真的考核，只是想传递态度。但这个“态度”本身已经说明了一切——

她不是在建议团队试用新工具。

她是在用近乎暴力的方式，推动一场认知革命。

结果呢？

团队被彻底点燃了。

将近 100 个人在飞书群里疯狂探索，10 分钟不看就 999+。

她说这种群体智能的爆发，让他们三四周做完了以前三四十周的研究量。

三四十周是什么概念？

大半年的工作量，被压缩到不到一个月。

我读到这段的时候，脑子里闪过四个字：

组织范式转移。

你看，模型的技术范式在变——从预训练到后训练。

组织的协作范式也在变——从人写代码到人跟 AI 协作。

而且后者的速度可能更快。

为什么？

因为技术范式的转移需要算力和数据，但组织范式的转移只需要两样东西：

一个足够有感染力的人 + 一个足够好的工具。

罗福莉恰好是前者。OpenClaw 恰好是后者。

04 一组数据，暴露了行业的秘密

她透露了一个很能说明问题的数据。

在 Chat 时代，一个 AI 团队的算力分配是这样的：

研究：预训练：后训练 = 3:5:2

现在呢？

合理的比例变成了 3:1:1

预训练和后训练的算力投入已经持平。顶尖团队应该都是 1:1 了。

这个数字意味着什么？

行业花了三年时间、烧了无数张卡堆出来的预训练能力，现在跟后训练站到了同一条线上。

不是说预训练不重要了。

而是后训练的权重，被严重低估了。

以前后训练是锦上添花。

现在是半个江山。

05 为什么放弃“完美”，选择“弹性”？

关于 MiMo 的技术选择，她讲了一个很有意思的故事。

MiMo 为什么选择 MTP（多词元预测）而非 MLA（多头潜在注意力）?

要知道，MLA 在 Chat 时代确实非常优秀。DeepSeek V2 用的就是 MLA，她作为核心作者当然清楚。

但她说了一句话：MLA 把计算和访存的比例优化到了极致临界点。

极致是什么意思？

就是好到没有调整空间了。

没有调整空间就意味着没有弹性。

而 Agent 时代需要的恰恰是弹性——长上下文、快速推理、灵活的架构适配。

MiMo 选择的 Hybrid Attention 加 MTP 组合，天然适合这个场景：

• 长上下文成本低

• 推理速度快

• 架构有弹性

她说这个选择当时有一定偶然性，但回头看恰好完美适配了 Agent 时代的需求。

很多伟大的技术决策，当事人在做的时候并不是因为看到了未来，是因为某种直觉。

但事后看，那种直觉恰好对了。

06 100 个人的团队，没有职级，没有 deadline

MiMo 团队大约 100 人。

没有职级。没有小组划分。没有 deadline。

训练 1T 模型的核心团队只有几个人。

她招人更看重好奇心和热爱，甚至开始倾向招大二大三的本科生——

不是因为便宜，是因为他们的想象力没有被禁锢。

她说团队成员之间像“互相蒸馏”一样快速成长。

“互相蒸馏”这个词用得妙。

科普一下：蒸馏在模型训练里是一个核心概念——用大模型的知识训练小模型，让小模型在保持能力的同时变得更快更轻。

但这个概念用在人身上，含义更丰富：

每个人都在从周围人身上吸收知识、方法、思维方式，然后内化成自己的。

在一个没有层级的环境里，信息的流动没有摩擦。

• 你不需要“汇报”给谁，你只需要“分享”给所有人

• 你不需要等待审批，你只需要直接行动

这种组织模式能不能适用于所有团队？我不确定。

但我知道，在一个快速变化的领域里，传统的层级制和 deadline 驱动，确实会压制最稀缺的东西：创造力。

07 AGI 还有多远？她给出了一个时间表

她对 AGI 的时间判断很激进。

目前走到 20%。

今年年底能到 60% 到 70%。

两年内应该能实现。

先颠覆工作模式，然后才是生活模式。后者需要等机器人技术跟上。

这些数字我没有办法验证。

但她的逻辑链条是清晰的：5555

如果 Agent 框架能弥补模型短板，如果模型和框架同步进化，如果强化学习的 scaling 还能继续——

那这个速度确实有可能。

前提是这些“如果”全部成立。

08 最后这句话，让我后背发凉

整个访谈里最让我印象深刻的一句话，不是关于技术路线的，不是关于算力分配的。

是这句。

她说自己以前认为，训模型这种工作足够有创造力，不会被 Skill 化和 Workflow 化。

但现在发现，AI 竟然也能做到。

然后她问了一个问题：

“那它能不能自己训出更强的模型？自己左脚踩右脚就提升了？”

她说这是一两年内会发生的事情。

这句话听起来很平静。你甚至可以说她只是在陈述一个技术判断。

但你仔细想想。

一个 AI 系统，能够：

• 自己设计训练方案

• 自己执行训练

• 自己评估结果

• 自己迭代优化

不需要人类介入。

不需要人类告诉它怎么做得更好。

它自己就能让自己变得更强。

然后更强的自己，再去训练下一个更强的自己。

左脚踩右脚。一个闭环。

如果这真的在一两年内发生，那我们面对的就不是“AI 替代某项工作”的问题了。

是“AI 能不能替代自己进化的过程”的问题。

而这，可能才是 AGI 真正的定义。

写在最后：

我不知道罗福莉的判断是否准确。

但我知道，当一个训出 DeepSeek V2 的核心作者，一个被小米千万年薪挖走的技术大牛，说出这样的话时——

至少值得我们认真想一想。

因为这可能关系到我们每个人的未来。

你怎么看？欢迎在评论区聊聊你的想法。

· END ·

本文内容整理自张小珺对罗福莉的深度访谈。如果你对 AI 行业的技术趋势感兴趣，建议关注这两位的动态。

点个“在看”，让更多人看到这篇文章👇