罗福莉长达3.5小时深度访谈，我这里只写了我感兴趣的，大家可以去看看这个访谈[good]
一、AI整体范式变革问答
🌞问题1：当下AI行业正在发生怎样的底层范式巨变？
答：AI已经彻底告别以预训练Pre-train为核心的Chat对话时代，全面进入以智能体Agent为核心的全新阶段。过去大模型核心比拼底座预训练能力，只负责被动问答、简单对话；现在行业竞争完全切换赛道，核心变成主动规划、工具调用、复杂任务闭环执行。
整个系统架构从以Rollout推理引擎为中心，转向以Agent智能体为核心的复杂协同系统，AI不再只是聊天工具，变成可自主完成多步骤复杂工作的生产力主体，这是近几年最颠覆性的一次技术范式切换。
🌞问题2：为什么说Agent范式极度依赖Post-train后训练？
答：现阶段全球顶尖大模型团队，在基础预训练底座上的差距已经极小，预训练很难再拉开代差。而Agent要做任务拆解、工具调用、逻辑闭环、多轮自主决策，这些能力无法只靠预训练习得。
Agent的落地效果、稳定性、逻辑执行力、工具联动能力，全部由Post-train决定，尤其依赖RL强化学习规模化迭代。范式越复杂、智能体能力越强，对后训练数据、流程、基建、迭代效率的要求就越高，Post-train已经成为AI竞争的第一主战场。
🌞问题3：OpenClaw框架在本次AI范式变革中，扮演什么角色？
答：OpenClaw是适配Agent时代的核心智能体底层框架，是承接大模型从对话走向落地执行的关键基建。
它统一了任务调度、工具编排、多模态联动、外部系统对接、长任务管理等核心能力，大幅降低智能体开发与落地门槛。企业和研发团队不用从零搭建Agent底层逻辑，可以基于OpenClaw快速搭建自研智能体，集中精力做场景定制、后训练优化，是当前Agent规模化落地的核心基础设施。
二、算力、显卡方面问答
🌞问题1：Chat时代和现在Agent时代，显卡/算力分配比例有多大差异？
答：
（1）旧时代（Chat为主）资源配比：研究 : 预Train : 后Train ≈ 3:5:1
资源严重向大模型预训练倾斜，后训练、推理、Agent相关资源被严重压缩。
（2）新时代（Agent范式）合理配比：研究 : 预Train : 后Train ≈ 3:1:1
头部顶尖团队更激进，预训练与后训练算力做到1:1对等分配。
🌞问题2：为什么必须大幅削减预训练算力，加码Post-train算力？
答：预训练边际收益大幅递减，砸再多卡，模型基础能力提升有限；
而后训练直接决定智能体能不能用、好不好用、能不能落地产生价值。如果继续死守旧算力比例，会出现“底座很强，但Agent完全跑不起来、执行拉胯”的脱节问题。
未来AI比拼的不是谁预训练卡更多，而是谁的后训练基建、RL迭代效率、智能体调优能力更强。
三、模型规模、技术路线方面问答
🌞问题1：如何看待当前大模型参数量规模？未来scaling方向是什么？
答：1T参数级别大模型，已经是进入Agent赛道的基础入场券，不存在低配模型弯道超车的可能。
行业不会停留在1T规模，一定会持续向上Scaling。但未来不只是单纯堆参数量，还要做路线选择：一是参数规模继续扩张，二是结合芯片架构、稀疏架构、异构计算做定向优化。
团队选择在哪类芯片上迭代、往哪个方向做Scaling，会直接决定未来半年到一年的行业排位。
🌞问题2：当前AI研发，除了模型本身，最核心的硬实力是什么？
答：是RL Infra强化学习底层基建。
Agent时代迭代速度极快，需要高频、稳定、低成本的强化学习训练与迭代体系。谁能搭建更敏捷、更高效率的RL基础设施，谁就能快速完成后训练迭代，快速修复智能体bug、提升任务能力，快速适配新场景，这是中小团队最难补齐、头部团队核心壁垒。
四、团队组织、管理、人才适配问答
🌞问题1：AI范式巨变之下，研发团队的组织架构要怎么调整？
答：不能再沿用预训练时代的部门分割模式。过去预训练、微调、应用完全割裂，现在必须打通协作。
怎么调整：
（1）打破岗位壁垒，让预训练工程师深度参与Post-train后训练工作，用底座理解能力优化智能体效果；
（2）推行组织平权，不再把预训练奉为绝对核心，后训练、Agent工程、落地场景团队权重全面提升；
（3）建立跨职能小组，技术、算法、工程、场景落地协同办公，避免技术脱离实际应用。
🌞问题2：后训练团队需要什么样的人才结构，为什么要强调人员多样性？
答：后训练不是单一算法工作，涉及数据、对齐、强化学习、工程部署、场景理解等多维度内容。
人员结构越多元，越能发现智能体在真实场景里的各类问题，避免单一视角带来的优化盲区。让不同背景、不同方向的研发人员共同参与后训练，能极大提升模型综合实用性与鲁棒性。
五、AI行业趋势方面问答
🌞问题1：如何定义2026年的AI行业整体趋势？
答：2026是AI生产力质变元年。核心标志就是Agent大规模落地，AI从“辅助聊天工具”变成“可自主工作的生产力载体”，具备自迭代、自优化、自进化能力。
同时国内大模型整体进入加速追赶周期，行业从野蛮生长，进入技术深耕、落地为王、精细化竞争的阶段，泡沫逐步出清，硬核技术与落地价值成为唯一标准。
🌞问题2：身处高速迭代的AI行业，研究者该保持什么样的心态？
答：技术迭代速度远超所有人想象，需要保持高频自我革新，做到“每天都在否认昨天的认知”。
不要迷信过往经验，AI行业不存在固化壁垒与永久优势，环境变化远大于个人经验。
整体来看AI长期没有生存危机，需求、场景、技术空间都足够广阔，拥抱变化、快速适配新范式，才是长期生存的关键。
🌞问题3：怎么看待小米MiMo系列大模型的技术布局与差异化思路？
答：MiMo体系早早预判到Agent范式转移，提前重仓Post-train与RL规模化迭代，没有盲目内卷纯预训练。
依托OpenClaw智能体框架完成技术协同，模型强调实战能力、工具调用能力、复杂长任务处理能力。
走“底座夯实+后训练强优化+智能体生态配套”的路线，在范式切换周期里具备极强的适配性与成长性。
#小米[超话]##小米#
