罗福莉：AGI两年内到来，工作模式先死

小米大模型团队负责人罗福莉判断，通用人工智能将在两年内实现。她更在意的是另一件事：当AI能复刻研究员的科研成长路径，甚至"自己训练自己"，人还剩下什么？

一个残酷的自我发现

罗福莉在访谈开场就抛出了一个让她自己感到不适的判断。

「我之前认为我们自己做的工作已经足够有创造力、足够不会被Skill化、不会被Workflow化。但我现在发现，它竟然也能！」

这个发现来自她对Agent能力的近距离观察。只要把近期研究的Context（上下文）告诉Agent，它甚至能复原研究员的科研成长路径，并像研究员一样讨论问题。

她由此提出更激进的推论：未来模型可能也能训练出人类能训练出的模型，甚至训练出更强模型，「自己左脚踩右脚就提升了」。

这不是遥远的科幻场景。罗福莉认为，AI会先吸收所有人的智能，再靠自己产生更强智能，「这是一两年内会发生的事」。

她对AGI进程的估算相当具体：现在大约走到20%，今年至少能到60%—70%，「两年内应该能实现」。

但颠覆的顺序有先后。工作模式会先死，生活模式暂时安全。

「因为工作直接产生生产力价值，生活场景的改造更依赖机器人和硬件进展。」她判断，未来大部分人会被迫抛弃原来的工作方式。

她给2026年的定义不是「Agent元年」，而是「生产力加速变革的时代」。今年很多人会直接感受到，大量工作不再需要自己完成。

这种替代不限于程序员。任何接触Agent的人都会发现，自己的许多任务正在被接管。

她把问题抛回给每个从业者：当很多工作可以交给AI，人究竟还剩下什么意义和价值？

OpenClaw为什么划时代

罗福莉明确把OpenClaw定义为「划时代的Agent框架」。

她的区分标准很清晰：产品是人直接交互能感受到的那一层，而Agent框架不只定义交互层，还定义系统怎样跟模型沟通。

它能理解模型的长板、短板，做成本优化和调度。UI只是最薄的一层，真正重要的是背后那套厚重的中间层。

一个好的Agent框架不是简单包装模型，而是弥补模型行动上的缺陷。

她列举了具体设计：持久记忆、消息通道、定时任务、心跳任务、自我更新。这些功能都是为了给模型补充行动Context。

她的底层判断是：大模型拿到越好的Context，执行效果越好。框架的核心价值，就是把模型自己拿不到的环境信息、任务状态和行动上下文补进去。

Claude Code也是复杂Agent框架，但因为黑盒，外界不知道它如何设计，也无法修改。

OpenClaw的冲击在于开源：用户不仅可以用，还可以基于自己的场景改memory、改workflow、改Multi Agent（多智能体）逻辑。

罗福莉自己就让Claude Opus 4.6帮她重写过记忆系统和多智能体系统。她称这种「原生可操纵性」带来了很大冲击。

一个人改框架，进步很慢；一群人在飞书群里一起用、一起改、互相激发想象力，框架几小时就能迭代一轮。

她认为，这是开源Agent框架最重要的价值。

框架能弥补多少模型短板

罗福莉不否认，OpenClaw的上限很大程度来自Claude Opus 4.6。

但她真正看重的是另一件事：当Opus把框架改好后，再切到Sonnet、国内模型，甚至小米自己的MiMo-V2-Pro，也会觉得很强。

她由此判断，复杂Agent框架能弥补大量模型短板，让中层模型在多数生活场景和轻代码提效场景里，接近顶尖模型体验。

她不认同「模型变强后，Agent框架就不重要了」。

「不可能所有场景都用最顶尖模型，因为太贵。」更可能发生的是，Agent和模型同时进化，同一水平的模型变得越来越小。

她甚至判断，现在激活10B（100亿）参数的模型，过一年可能做到Claude Opus 4.6的水平，而且成本极低。

这意味着什么？顶尖模型的能力会快速下沉到中端模型，而框架是加速这个过程的催化剂。

两个时代的分野

罗福莉把大模型发展划为两幕剧。

第一幕是Chat，主要靠预训练和短上下文对话释放智能；第二幕是Agent，核心变成复杂Agent框架、多轮长程任务、后训练和强化学习scaling（规模扩展）。

她强调，「上一个时代的成功并不意味着下一个时代的领先」，现在大家重新站到同一起跑线。

这个判断直接指向国内大模型厂商的位置。

罗福莉判断，国内具备1T（1万亿）基座的模型厂商——Kimi、MiMo等——距离Claude Opus 4.6只有两三个月的代差。如果反应速度足够快，可以追上当代的Claude。

关键变量是团队的研究水平、技术敏捷程度，以及能否拥抱新范式。

她认为，至少过去三个月，Agent路径已经变得更清晰，Anthropic走在前面。

过去大家误以为Claude做很多Context工程，是因为模型结构不够先进、为成本妥协。现在才发现，那是为了配合模型发挥更强的整体任务完成度。

真正的赛点在哪里

罗福莉认为，真正的赛点是Agent的后训练，更具体地说，是在Agent上做好强化学习scaling。

1T参数不是泛泛意义上的大模型门槛，而是Agent要接近Claude Opus 4.6水平的入场券。

参数量和Context共同决定智能上限，要达到当前最强Agent水平，可能需要1T以上总参数。

除了足够强的基座模型，还需要足够快的后训练和范式迁移能力。目前中国还没有同时具备两者的公司。

同时，要拿到下一阶段领先，就要继续思考更大规模scaling。

问题不是简单扩大参数量，而是到底scaling什么、在哪类芯片上scaling、怎样匹配未来Agent框架和推理需求。

Chat时代，研究、预训练、后训练的用卡比例可能是3:5:1，预训练占绝对主导。

Agent时代，更合理的比例可能变成3:1:1，即研究用卡最多，预训练和后训练相当。她说，顶尖团队的预训练和后训练用卡比例，应该已经接近1:1。

算力瓶颈会出现在哪里

Agent进入研究流程后，罗福莉认为，算力卡反而变得更紧张。

过去一个idea，从写代码到设计评估可能要一两周，现在一两个小时就能做完，十个idea可以交给不同agent并行验证。

研究效率大幅提升后，实验并行量上来，训练卡、研究卡、推理卡都会成为关键瓶颈。

她判断，随着Agent框架变强、模型能力提升、成本下降，推理需求会立刻爆发，几倍到10倍的空间可能马上出现。

因为Agent任务更长、更复杂，token消耗更高。

她特别提到，很多卡的瓶颈在存储，如何在现有产能下做更好、更低成本的推理，会成为非常关键的问题。

什么才是真正的Agent能力

罗福莉对2025年很多Agent叙事并不认可。

她认为，许多模型只是换了更复杂的系统提示词，加一点环境反馈，离真正工业级可用还很远。

真正的Agent能力，要看模型接入Claude Code、OpenClaw这类复杂框架后，能否稳定理解框架并完成任务。

她甚至认为，一些Agent Benchmark（基准测试）高分，并不代表模型真的具备可泛化的Agent能力。

这个判断很尖锐：当前市场上的很多「Agent」，可能只是包装过的提示工程，而非真正的系统级能力。

罗福莉的访谈没有给出标准答案，但她划出了清晰的判断边界——两年内AGI到来，工作模式先被颠覆，Agent框架是下一个战场，后训练和强化学习scaling是真正的赛点。

当AI能复刻研究员的成长路径，甚至自己训练出更强的自己，人究竟还剩下什么不可替代的价值？这个问题，她抛给了每一个正在读这篇文章的人。