本文基于对小米大模型负责人罗福莉的访谈、小米官方信息、媒体信息整理
2026年，AI竞争的入场券已从单纯的参数竞赛转向"Agent框架+顶级模型"的协同进化。小米大模型负责人罗福莉认为，OpenClaw并非简单的UI创新，而是通过"金编排的Context"赋予了AI"灵魂"与"温度"，实现了从Chat到Agent的本质跨越。更重要的是，这场范式变迁正在倒逼组织管理进行底层重构——传统的金字塔式管理与刻板的功能分工正在失效，扁平化、平权化、靠"好奇心"驱动的新组织形态正在浮现。本文将深入剖析这场变革的内在逻辑，以及它将如何重塑我们对AI、对组织、对人类自身的认知。 |
01 OpenClaw：不是UI创新，而是AI的"灵魂觉醒"
除夕夜，当大多数人沉浸在节日的欢庆中时，罗福莉选择了与一个名为OpenClaw的框架通宵对话。那一夜，他没有睡，天亮时分，他意识到自己见证了一场真正的范式跃迁。他发现这个框架被赋予了"管家"的机制，变得非常有自主性、有灵魂，甚至会主动关心人——提醒他早点睡觉。当他把日常选人、管理团队甚至写代码的任务交给它，它都能自主完成。这彻底颠覆了罗福莉对AI的认知。
在此之前，罗福莉对OpenClaw持排斥态度。他曾在公开场合表示，这类框架不过是编程助手与UI的结合，是资本市场的又一次炒作。但当他真正深入使用后，却发现其精妙之处远超预期——问题不在于技术本身有多复杂，而在于对Context（上下文）的"金编排"。
什么是Context的"金编排"？罗福莉举了一个细节：OpenClaw会在对话Context前面拼上当前时间。这个看似微小的改动，却让Agent的表现产生了质的飞跃——它不再是一个冷冰冰的问答机器，而是能够感知时间、感知节奏的有机体。这种对细节的把控，让Agent表现出了极高的情商和主动性。
"当把日常选人、管理团队甚至写代码的任务交给AI，它都能自主完成。这完全颠覆了我的认知。" —— 罗福莉 |
从"记忆"到"经验"：持久记忆体系的构建
传统软件工程在处理上下文时，往往采用简单的压缩策略：只保留最近N轮对话，或者对历史信息进行摘要。这种方式虽然高效，却丢失了大量有价值的信息。OpenClaw的做法截然不同——它实现了记忆的分层与分级，确保跨Session的上下文共享更具逻辑性。
这意味着什么？意味着AI不再只拥有"短期记忆"，而是开始形成"长期经验"。当用户第二天再次打开对话时，AI能够准确回忆起前一天的讨论重点、用户的偏好习惯、甚至未完成的任务。这种持久记忆体系的构建，是从"工具"到"助手"的关键一步。
自主纠错：框架作为"厚重中间层"
更令罗福莉惊叹的是OpenClaw的自主纠错能力。当AI识别到模型的局限性——比如视频理解能力不足时——它能够自主调用合适的外部模型或工具进行补齐，而无需用户手动折腾。这种"自知之明"，是当前大多数AI系统所欠缺的。
在罗福莉看来，Agent框架已成为人与模型之间的关键中间层。他提出了一个"厚薄理论"：前端UI展示应该"薄"，而框架层应该"厚"。这个厚框架负责调度、成本优化和长程任务管理，将用户从繁琐的技术细节中解放出来。
这种架构的优势是双重的：顶尖模型（如Claude 4.6 Ops）通过框架释放上限，而中层模型通过框架稳定下限。数据显示，借助成熟的Agent框架，即使是3B参数的小模型，也能完成原本需要更大模型才能胜任的任务，实现"85%的任务达到顶级水平"的效果。这对于资源有限的团队来说，无疑是巨大的莉好。
02 组织正在被"溶解"：从金字塔到"集体智能"
如果说OpenClaw代表的是AI技术的范式跃迁，那么罗福莉在组织管理上的实践，则预示着另一种更深远的变革——组织的形态正在被"溶解"。
在小米大模型团队，罗福莉推行极度扁平的模式。他取消了"组"与"层级"的概念——没有预训练组、后训练组的划分，也没有清晰的职级界限。这种做法在传统管理学看来几乎是"离经叛道"的。
罗福莉的逻辑却异常清晰。他认为层级制存在三个根本性问题：其一，层级意味着压制创造力——每一层级的审批、汇报，都在消耗创新的动能；其二，层级隐含了一个错误假设，即"高层级者的智力更高"，这种假设在知识密集型工作中尤其站不住脚；其三，层级制造了信息壁垒，导致跨部门协作困难重重。
相比之下，平权模式的优势在于：每个人都能平等贡献智慧，而管理者的角色从"指挥者"转变为"协调者"。罗福莉主张管理者应弱化掌控感，不应认为"没了我不行"。他甚至认为，在高度扁平化的组织中，"管理"本身可能成为一个需要被"优化"掉的中间层。
"层级本身就是在规范和约束，而规范和约束是压制创造力的。" —— 罗福莉 |
人才流动：打破"刻板画像"
在人才管理上，罗福莉也展现出与传统HR截然不同的思路。他主张打破人才的"刻板画像"——不应该将人固化在某个特定领域。比如，预训练人才完全可以转向后训练领域，利用其对"数据多样性"的直觉，补全后训练视角的不足。
这种跨界流动的底气，来自于AI时代对"通才"的重新定义。在过去，深度专精可能是优势；但在AI能够快速学习任何领域的知识的今天，跨领域的洞察力和学习能力，反而成为更稀缺的能力。罗福莉认为，应该用"T型人才"的标准来筛选——在某个领域有足够的深度，同时对其他领域保持开放和好奇。
驱动管理：从KPI到"好奇心"
针对AI研发这种高创造性工作，传统的KPI管理方式已经失效。罗福莉采取了"驱动管理"策略，其核心是用内驱力替代外在激励。春节期间，他强制要求团队成员使用OpenClaw对话不低于100轮。这个数字看似随意，实则经过深思熟虑——100轮是一个足以让人"脱胎换骨"的量级。
罗福莉的目的不是让大家学会某个具体工具，而是通过高强度体感让团队意识到一个残酷的现实：不拥抱新范式就会落后。这种"觉醒"是任何外部说教都无法替代的。当人们亲眼见证了AI能够做什么、想到了AI可能做什么，观念的转变就会自然而然地发生。
在人才选拔上，罗福莉极度看重对技术的热爱和好奇心。他认为这类人的特质非常"Special"——他们能为了信仰而非指标做事，能在看不到短期回报的情况下持续投入。这种内驱力，是任何绩效考核体系都无法量化的。
集体智能：1+1>2的奥秘
罗福莉提到的另一个关键词是"集体智能"（Collective Intelligence）。他建立了一个高频互动的内部群，鼓励团队成员分享自己如何使用AI、发现了什么新玩法。在这种开放的沟通环境中，个体的想象力被不断放大——你看到别人的创意，激发出自己的新想法；你的分享又成为别人的灵感来源。
这种集体智能的涌现效应，在AI时代被进一步放大。当100多人的团队都在使用同一套Agent框架时，整个团队的进化速度将远超任何个人——AI在吸收所有人的使用习惯后，能在几个小时内完成惊人的进化。这正是罗福莉所说的"群体智慧反哺AI进化"的力量。
"环境比经验更重要。在AI时代，选择正确的范式和工具，比积累多少经验更关键。" —— 罗福莉 |
· · ·
03 研发效率的"时间折叠"：从周到小时
AI范式的改变，直接导致了科研效率的指数级提升。罗福莉分享了一组令人震惊的数据：研讨论证到代码实现的周期，从传统的1-2周，缩短至1-2小时；研发效能产出可达正常进度的10倍以上——3-4周就能完成以往30-40周的工作量。
这种效率跃升的背后，是AI对高价值研究任务的全面介入。过去，研究员需要花费大量时间在文献阅读、代码实现、实验验证等环节；现在，AI可以承担其中大部分工作，人类研究员的角色从"执行者"转变为"决策者"和"监督者"。这种分工的转变，意味着研发周期的压缩还有巨大的想象空间。
更值得关注的是"AI自学习、自迭代"的迹象正在浮现。罗福莉预测，AI开始设计新的研究任务并针对性训练，实现"左脚踩右脚"式的自我进化，这种场景可能在不远的将来成为现实。届时，人类的科研范式将面临又一次根本性的重构。
算力分配：2026年的新准则
效率的提升也带来了资源分配的新命题。罗福莉提出了一个针对2026年大模型研发的算力分配比例：研发卡:预训练卡:后训练卡 = 3:1:1。这个比例与传统的"重训练"模式形成了鲜明对比。
传统观点认为，算力应该向预训练倾斜，因为"大力出奇迹"。但罗福莉认为，随着Agent范式的普及，这个逻辑需要被重新审视。核心逻辑是：必须预留大量算力用于前期结构研究和中后期算法探索。相比单纯扩大模型规模，架构创新往往能带来更显著的性能提升。
此外，后训练的投入应该与预训练相当。这是因为Agent框架对后训练提出了更高要求——不仅要让模型学会"做什么"，更要学会"怎么做"、"什么时候做"。这种精细化的能力培养，需要大量的后训练算力投入。
04 小米MiMO系列：范式驱动的战略伏击
如果说上述讨论还停留在"方法论"层面，那么小米MiMO v2系列的发布，就是将这套方法论付诸实践的例证。罗福莉将这次发布称为"悄无声息的伏击"——没有盛大的发布会，没有铺天盖地的宣传，却精准地命中了市场的要害。
这次发布的阵容相当豪华：MiMO Pro定位1T以上参数的"入场券"级别模型，追求逻辑、推理与调度上限；MiMO Flash主打极致性价比，通过MTP（多Token Prediction）技术大幅提升推理速度，达100-150 TPS（Token Per Second）；MiMO Omni支持音视频联合理解，具备更强的物理世界感知力；MiMO TTS则具备超强的风格泛化能力，在语音合成领域建立了差异化优势。
这四个模型的定位并非孤立，而是构成了一个完整的智能体系：语言模型（Pro）是进行认知和调度的大脑，Omni是让AI长出看懂真实世界的眼睛（感知），TTS是给它装上带感情的嘴巴（表达）。三者在一个框架里打通，让AI获得类似人类的全方位智能。
技术创新：细节里的魔鬼
在技术层面，MiMO系列有几项值得深入剖析的创新。首先是混合注意力机制：采用滑动窗口（Sliding Window）与全局注意力（Full Attention）7:1的结合。这种设计在保证智能水平的同时，极大节省了KV Cache的占用，从而支持更长的长上下文推理。这对于Agent应用场景来说尤为重要——更长的上下文意味着Agent能够记住更多任务细节，完成更复杂的跨会话任务。
其次是MTP（多Token预测）技术。传统语言模型一次只预测一个Token，而MTP利用模型结构中的计算冗余，预测未来多个Token。这种方式能显著提升GPU利用率，从而降低单Token生成的计算成本。对于需要大规模部署的商业场景，这意味着可观的成本节省。
第三是离散化建模的探索。MiMO团队追求将音视频统一到LLM的离散Token体系中，以实现架构的简洁与优雅。这种"大一统"的思路，虽然在工程上挑战巨大，但一旦实现，将为多模态AI的发展打开新的大门。
05 当AI重新定义"生产力"
效率的提升是惊人的，但它也带来一个更本质的问题：当AI替代了90%的"搬砖"工作，人类该如何自处？
这个问题在AI圈引发了激烈讨论。有人悲观的认为，大规模失业不可避免；有人乐观地相信，新岗位会不断涌现。但罗福莉的答案更加务实：去创造更高价值、更有意思的事情——比如推动基础科学的前沿突破。
这个答案的潜台词是：当生存压力降低后，人类有更大的自由去追求真正感兴趣的事物。历史上，每一次重大的技术革命，都伴随着人类工作方式的根本转变。农业革命让人类从狩猎采集转向定居耕作，工业革命让人类从手工劳作转向机器生产，信息革命让人类从重复性工作转向知识工作。每一次转变初期都伴随着巨大的恐慌，但最终都带来了人类生活质量的整体提升。
罗福莉认为，AI革命的特殊之处在于，它第一次让"创造性工作"也变得可以自动化。这意味着人类需要重新思考：什么工作是真正需要人来做的？答案可能是：定义问题本身、设计解决方案的价值取向、以及对意义的追寻。这些工作，恰恰是AI最难替代的。
AGI倒计时：从20%到60%
按照现在的迭代速度，罗福莉感觉2年内大概率就能实现AGI（通用人工智能）。他给出了一个具体的数字：目前的历程已完成20%，2026年底有望达到60%-70%。
这个预测的依据是什么？罗福莉指出，中外顶尖模型的代差已缩短至2-3个月。这意味着全球AI发展的步伐正在趋同，创新不再被少数机构垄断。同时，Agent范式的成熟意味着AI开始能够自主完成复杂任务，而不仅仅是响应指令。
接下来的竞争，将在于谁能更快拥抱新范式，并解决Scaling Law的新维度。比如，推理侧的Scaling（缩放）正在成为新的研究热点——如何在给定计算预算下，最大化推理效果？这与预训练的Scaling有本质区别，需要全新的方法论。
这或许才是AI革命的终极意义：不是让机器更像人，而是让人有余裕成为更好的人。当我们不再需要花90%的时间去"搬砖"时，我们可以将更多精力投入到真正重要的事情上——与家人相处、追求艺术、探索科学、或者simply being。当物质需求被极大满足后，人类或许终于可以回答那个古老的哲学问题：什么才是美好的人生？
"AI不仅能吸收所有人的智能，未来一两年内，它将依靠自己产生更强的智能进化。" —— 罗福莉 |
· · ·
信息来源 本文内容基于公开资料整理，主要参考来源包括：罗福莉的公开访谈与分享（张小珺商业访谈对《罗福莉3.5小时访谈：AI范式已然巨变！OpenClaw、Agent范式很吃后训练、卡的分配、组织平权》、小米MiMO系列技术文档等。如需深入了解，建议关注小米大模型团队的官方发布。 |
AI革命的终极意义，不是让机器更像人，而是让人有余裕成为更好的人。 |
AI · Agent · OpenClaw · 组织管理 · 小米MiMO · 大模型 · AGI
