在近日举行的2026中关村论坛年会开源主题圆桌上，月之暗面创始人杨植麟、智谱CEO张鹏、小米MiMo大模型负责人罗福莉，以及无问芯穹联合创始人兼CEO夏立雪、香港大学助理教授黄超等业界重量级人物齐聚一堂，对AI行业的关键议题进行了深度交流。
小米新模型的发布，让拥有DeepSeek背景的罗福莉再次成为焦点。她现身中关村论坛，与头部模型公司负责人同台论道，这本身也是对小米大模型实力的一次有力印证。
以下是罗福莉在这场圆桌会谈中的核心观点提炼。
杨植麟：当前最热门的无疑是OpenClaw。大家在使用这类产品或类似产品时，觉得哪些方面最具想象力或让你印象深刻？
罗福莉：我认为OpenClaw是一个非常革命性的事件。虽然深度编程开发者可能首选仍是Code系列，但体验过OpenClaw的人能明显感觉到，它在Agent框架设计上领先于Code。实际上，Code最新的更新方向也正在向OpenClaw靠拢。
它给我带来的最大价值在于“开源”。这极大地促进了社区的深入参与。OpenClaw将国内次顶级闭源模型的能力上限拉到了一个非常高的水平，在绝大多数场景下，其任务完成度已非常接近最新模型，同时又通过Skill体系保证了性能下限。
此外，它点燃了整个社区的想象力。开发者们发现，在大模型之上，Agent层存在着巨大的创新空间。更多人（不仅是研究员）开始参与到这场AGI变革中，这在一定程度上替代了重复性工作，释放出时间让我们去从事更具创造性的事务。
杨植麟：罗福莉，小米近期通过发布新模型和开源技术为社区做出了贡献。小米在研发大模型方面有什么独特的优势？
罗福莉：我想先不谈小米的独特优势，而是聊聊中国大模型团队的整体优势。
两年前，中国团队在算力受限，尤其是互联带宽受限的背景下，实现了重要突破：通过在低端算力条件下，进行模型结构创新（如DPCV3、M1、MA等），追求极致效率。这段经历给了我们极大的勇气和信心。
尽管如今国产芯片的供应已不再受限，但这种对高效率、低推理成本的探索精神依然至关重要。例如当下热门的Hybrid、SPA、Linear Attention等结构创新。
为什么结构创新如此重要？因为OpenClaw越用越“聪明”的前提，是推理时能够利用的上下文（Context）。现在面临的挑战是：如何在1M甚至10M的超长上下文下，实现足够低的成本和足够快的速度？唯有如此，才能激发高生产力任务，实现模型的自迭代，让模型在复杂环境中依靠超长上下文完成自我进化。
我们团队目前正专注于探索高效的Long Context架构，以及如何在实际的长距离任务上实现稳定且高性能的表现。
从更长远的角度看，随着推理需求爆发式增长（今年可能增长上百倍），竞争的维度将深入到底层的算力、推理芯片乃至能源层面。
杨植麟：最后我们做一个开放式展望。请各位用一个词来描述接下来十二个月大模型发展的核心趋势，以及你的期待。
罗福莉：我觉得，把时间范围限定在一年内讨论这个问题，反而更有意义。因为如果放到五年的尺度，从我自己对AGI的定义来看，我甚至认为它（AGI）在某种程度上已经实现了。
如果要用一个词来概括未来一年AGI进程中最关键的一步，我认为会是 “自进化”。
这个词听起来可能有些抽象，过去一年里大家也反复提及。但直到最近，我才对它有了更深刻的体会。更重要的是，我开始看到“自进化”这件事，已经浮现出一条更务实、可落地、可实操的路径。
原因在于，借助足够强大的基础模型，我们之前在“聊天”这一范式下，并未真正触及预训练模型的能力上限。而这个上限，正被Agent框架逐渐激活。尤其是当模型开始执行耗时更长的复杂任务时，我们会发现，它具备自我学习、自我进化的潜力。
一个简单的实验思路是：在现有的Agent框架中，为其叠加一个可验证的约束条件，并设置一个循环（loop），让模型不停歇地围绕目标进行迭代优化。这样我们就能观察到，它能够持续产出更优的方案。
如果这种自进化过程持续进行——目前已经可以稳定运行一两天，国内许多模型基本都能做到这一点（当然也与任务难度相关）——例如在一些科学研究任务中，像探索更优的模型结构。因为模型结构本身有明确的评估标准（如更低的困惑度perplexity），这类确定性较高的任务就非常适合进行验证。我们已经观察到，在此类任务上，模型能够自主运行和演化长达两三天。
所以从我的视角看，“自进化”是目前唯一一个真正有机会创造“新事物”的方向。它不仅仅是简单地替代现有的人类生产力，而是像顶尖科学家一样，去探索这个世界上原本尚不存在的东西。
实际上一年前，我还觉得这个进程可能需要三到五年。但就在最近，我开始将这个时间预期缩短到一到两年。这意味着，我们很可能在近期就能见证：大模型与一个强大的自进化Agent框架结合后，为科学研究带来至少指数级的加速。
因为我最近已经观察到，我们组内从事大模型研究的同学，他们自身的工作流就高度不确定且依赖创造力。而借助Claude Code这类工具，再结合顶尖的基座模型，基本已经能够将我们自身的研究效率提升近十倍。
因此，我非常期待这种范式能够辐射到更广泛的学科和领域。我认为这是接下来至关重要的一个发展方向。
如果你对AGI的未来走向、开源模型的最新动态，或是Agent技术的实际应用有更多的想法，欢迎到云栈社区与广大开发者一起交流探讨。
发表于 2 小时前
|
查看: 3|
回复: 0
