2026,AI 为什么突然“变天”了:从 OpenClaw 到 AGI,罗福莉这场访谈讲透了什么?

过去两三年，很多人讨论 AI，关注点都在模型参数、榜单排名和生成效果上。但看完罗福莉这场访谈，一个很强烈的感受是：2026 年真正的分水岭，可能已经不是“谁的模型更会答题”，而是“谁先把 AI 从 Chatbot 变成 Agent”。

在罗福莉的叙述里，OpenClaw 不是一个普通产品，也不只是一个更好用的交互壳。它真正带来的冲击，是让她第一次非常具体地感受到，AI 已经不再只是一个回答问题的系统，而开始变成一个能长期记忆、持续执行、自己修正、还能不断吸收人类经验的行动系统。也正因为如此，她才会说，技术范式已经变了。

一、OpenClaw 的震撼，不在“能回答”，而在“能做事”

这场访谈最有意思的地方，是罗福莉一开始并不是 OpenClaw 的拥护者。她第一次看到它时，甚至有些排斥。在她原本的理解里，这无非是把 Claude Code 套上一层 IM 式界面，再配上一些更偏运营感的包装，比如 Skills 社区、本地化、24 小时在线这些概念。它看起来像产品定义上的创新，而不像底层范式的变化。

但真正上手之后，她的判断变了。她把使用 OpenClaw 前后，当成一个明显的技术分界点。原因不复杂：它让模型第一次表现出一种“持续完成任务”的能力，而不是“完成一轮对话”的能力。

这两者的差别非常大。Chatbot 的基本单位是一问一答；Agent 的基本单位是一整段任务链。它要理解目标、拆解步骤、调用工具、维护上下文、保留记忆，还要在过程中根据环境反馈不断修正。模型还是那个模型，但一旦进入这种框架，它能展现出来的上限会突然变高。

罗福莉提到一个关键判断：顶尖模型决定系统上限，但优秀的 Agent 框架会把中层模型的能力显著往上抬。也就是说，很多时候不是模型本身不够强，而是过去缺少一套足够复杂、足够开放、足够可改造的框架，把模型真正组织起来。

二、真正改变行业的，是“模型与框架共同进化”

这场访谈里最值得反复琢磨的一句话，是她对“自学习”的解释。她认为，所谓 Agent 的自学习，并不是模型凭空自己变强，而是模型和 Agent 架构一起往前走。

为什么这么说？因为在 OpenClaw 这样的开源框架里，用户不仅能调用模型，还能直接修改记忆系统、工作流和多 Agent 协作逻辑。罗福莉自己就提到，她会让顶尖模型帮她重写 Memory 系统、重新设计多 Agent 架构。模型不只是工具，也在反过来帮助人塑造框架；而框架一旦被塑造得更合理，哪怕换成 Sonnet 甚至国产模型，也会突然变得非常强。

这就是她所说的“双向流动”：一方面，模型在帮助人改造框架；另一方面，框架又在重新定义模型能力的释放方式。最终产生的结果，不是谁单方面提升，而是二者共同演化。

而开源的重要性，就在这里被放大了。闭源系统再强，用户也只能使用，无法真正介入内部逻辑；开源框架则允许整个社区把经验沉淀进去，让人类智慧持续注入 Agent。罗福莉特别强调，OpenClaw 把 Skills 社区带火，不只是因为它提供了一个插件市场，而是因为它创造了一种新的知识输入方式。很多企业内部的执行规范、隐性经验和工作习惯，原本不可能出现在公开预训练语料里，但可以通过 Skills 的形式，被人主动贡献给 Agent。

换句话说，互联网知识是预训练的燃料，而 Skills 这类结构化经验，是 Agent 时代新增的“高阶养料”。

三、为什么 Code 会突然变得这么重要？

访谈里还有一个非常核心的判断：Code 不只是程序员的生产资料，它还是一种极其优质的智能训练材料。

罗福莉给出的理由很直接。Agent 的任务天然是长程、多轮、强依赖的，而真正足够长、依赖关系又足够密集的数据，在现实世界里并不多。书籍虽然也长，但信号太发散；代码则不一样，文件之间、函数之间、模块之间有极强的逻辑勾连。模型在这种数据上训练，天然更容易学会长上下文建模和复杂依赖推理。

这意味着，Code 的价值远不止“让模型会写程序”。更深一层看，软件开发本身就是一种高复杂度、多步骤、可验证的任务。如果模型能在这个领域建立稳定能力，它的泛化潜力就会自然溢出到别的领域。这也是为什么她接触 OpenClaw 后，紧接着去思考的是：怎么把 Code 的这种泛化力外延到更多任务上。

所以，今天大家看到“AI 写代码”越来越强，不能只理解成它在取代程序员的部分工作。更准确地说，代码正在成为通往更强通用智能的一条训练捷径。

四、Agent 时代，真正稀缺的是长上下文的效率

罗福莉在访谈里反复强调一个词：Long Context。

在她看来，Agent 时代对长上下文的需求，不是“更大一点就行”，而是会成为底层前提。因为一个真正复杂的任务，执行链条可能极长，涉及大量历史状态、环境信息、工具反馈和中间结果。如果上下文不够长，模型根本无法维持任务连续性；如果上下文虽然长、但推理太贵太慢，那系统又无法真正投入生产。

这也是为什么 MiMo V2 在设计时，把 Long Context efficiency 放到极高优先级，并选择了 Hybrid Attention 和 MTP 这样的路线。她的解释很明确：未来真正有价值的，不只是把上下文做长，而是把长上下文做得“足够便宜、足够快”。只有这样，百万级、千万级甚至更大规模的上下文才有现实意义。

这背后反映出的，其实是 AI 竞争重心的变化。过去很多人关心的是“模型能不能做”，现在更关键的问题变成了“模型能不能稳定、低成本、高速度地做”。一旦 AI 要进入真实工作流，成本和效率就不再是次要问题，而是决定能否落地的核心约束。

五、MiMo V2 的真正目标：不是单点模型，而是类人的协作体系

访谈进入 MiMo V2 后，罗福莉用了一个很有戏剧性的词：“我们觉醒了”。这个觉醒，不只是说模型效果变好了，而是说他们突然意识到，语言模型、全模态理解模型和语音生成模型，原来可以在 Agent 范式下被重新组织成一个协作系统。

这就是 Pro、Omni 和 TTS 同时推进的逻辑。

Pro 负责理解和认知，是整个体系的语言与推理中枢；Omni 负责感知，处理视频、音频、图片和文本的统一理解；TTS 负责表达，把系统的输出进一步扩展到声音。三者并不是在追求“把所有能力都塞进一个超大模型”，而是在成本、速度和效果之间寻找新的系统平衡。

其中最值得注意的是她对 Omni 和 TTS 的判断。她认为，原生多模态训练带来的价值，不只是多看几张图、多听几段声音，而是可能让模型对世界的感知、常识和情绪理解更强。甚至在实际体验里，参数更小的 Omni，在情商和世界感知上，有时会比更大的纯语言模型表现得更好。至于 TTS，他们一开始只是想用一种更优雅的离散化架构去做语音，结果却意外发现，在大规模训练之后，模型展现出很强的风格泛化能力，甚至能够理解更复杂的自然语言 style 描述。

这说明，多模态和语音的价值，不只是“多一项功能”，而是在逐步补足 Agent 的感官和表达系统。

六、2026 年最重要的变化，不是模型更强，而是研究方法变了

访谈里还有一个很硬核、但非常重要的判断：Agent 范式会让 Post-train 和 Research 的地位大幅上升。

罗福莉给出了一组很有代表性的资源分配比例。她认为，在新的范式下，如果把研究、预训练、后训练分开看，一个合理的卡资源比例可能是 3:1:1。也就是说，研究本身所消耗的资源，甚至要比正式训练更多。为什么？因为 Agent 场景极度复杂，很多问题没法像过去那样提前定义清楚，必须通过大量实验、反复验证和基础设施快速迭代来摸索。

这就带来了团队组织方式的变化。过去更强调长期规划、确定性和稳定性；而现在，后训练和 RL Infra 更强调敏捷、容错和跨域协同。因为 Agent 任务链很长，训练和推理之间还可能存在异构环境差异，中间的“模糊地带”越来越多。一个只擅长在确定性世界里优化指标的团队，未必适合这个新时代。

这也是为什么她后面把话题延伸到了“人”。她反复提到，好奇心、热爱、愿意跟模型高频交互、愿意探索边界的人，会更适合这个范式。因为未来的核心竞争力，不只是写出一个更好的模型结构，而是持续发现边界、快速补齐边界、再把这些经验转成新的系统能力。

七、罗福莉真正想说的，也许是这句：生产力革命已经开始了

把整场访谈串起来看，罗福莉真正关心的，并不是某个模型能不能再刷高几分 benchmark，而是一个更大的问题：当 AI 真的开始替代大规模“枯燥劳动”之后，人类要把自己放在什么位置？

她的答案不是悲观的。恰恰相反，她认为这是一个生产力加速变革的时代。很多工作会被替代，但人也因此被迫去思考，自己的意义和价值到底是什么。她还提到，如果未来 AGI 真正到来，自己更感兴趣的事情，反而可能是推动基础科学研究，或者建立支持更长期研究的公益型组织。

这很能说明她看待 AI 的方式。对她来说，AI 不是一个孤立的商业产品，而是一种会重塑研究、组织、协作和创造方式的基础力量。

所以，这场访谈最值得记住的，不是某个技术名词，而是这条主线：过去几年，大模型是在学会“说话”；而从 2026 年开始，AI 正在学会“做事”、学会“协作”，甚至开始学会“帮助自己变强”。

这才是范式真正改变的地方。