本集概述
本期《张小珺商业访谈录》是一次长达3.5小时的深度技术访谈，嘉宾是人工智能研究员罗福莉。罗福莉曾供职于阿里达摩院和DeepSeek，目前担任小米大模型团队负责人，主导研发了MiMo-V2系列模型。这是她首次接受公开访谈，也是她第一次进行长时间的技术性对话。
节目聚焦于2026年AI领域正在发生的范式级转变：从以预训练（Pre-train）为核心的Chat时代，转向以后训练（Post-train）为主导的Agent时代。标题中提到的Claude Opus 4.6、OpenClaw等技术变量，被视作触发这一轮AI巨震的关键因素。罗福莉作为一线模型研发团队的负责人，分享了她对这场结构性变化的观察与思考，包括后训练范式的崛起、算力分配策略、组织管理平权等议题。值得注意的是，即便是亲手训练模型的研究者，也在这场“生产力大爆炸”中感受到了强烈的危机感——她发现，自己原本认为极具创造力、难以被自动化的工作，如今也面临被Workflow化和Skill化的可能。
本集可能涵盖的话题
1. AI范式巨变：从Pre-train到Post-train
节目核心议题是2026年AI范式的根本性转变。过去几年，大模型的发展以预训练（Pre-train）为主导，模型能力主要来自海量数据和算力堆叠。而如今，后训练（Post-train）——包括微调、对齐、强化学习等环节——正在成为决定模型实际表现的关键。这一转变意味着，模型研发的重心从“如何训出更大的基座模型”转向“如何让模型在具体任务和Agent场景中更可靠、更高效”。
2. OpenClaw与Agent范式
标题中提到的“OpenClaw”和“Agent范式”是这一轮技术变革的核心变量。Agent范式强调模型不再只是被动回答问题的聊天工具，而是能够自主规划、调用工具、执行多步骤任务的智能体。这类话题通常关注：Agent如何与后训练技术结合？后训练阶段的优化策略（如奖励模型设计、数据筛选）如何决定Agent的实用性和安全性？OpenClaw作为技术变量，可能代表了某种开源或新的模型架构，推动了这一趋势的加速。
3. 后训练对算力分配的影响
“卡的分配”是标题中明确点出的议题。在预训练时代，算力资源几乎全部集中在训练超大模型上。而进入后训练主导的Agent时代，算力分配逻辑可能发生根本变化：更多资源需要投入到推理、微调、持续学习等环节。这类讨论通常涉及：如何在不同阶段（预训练、后训练、推理）之间优化算力配比？算力瓶颈如何影响模型研发路线选择？
4. 组织平权与研发管理
“组织平权”是标题中另一个引人注目的关键词。在AI研发团队中，随着技术范式的变化，传统的层级式管理可能面临挑战。这类话题通常探讨：当模型研发从“堆算力”转向“精细化调优”时，团队结构是否需要更扁平？一线研究员与工程团队之间的协作模式如何演变？罗福莉作为团队负责人，可能分享了她在小米大模型团队中的管理实践与观察。
5. AI研究者的危机感
节目简介中提到，罗福莉坦言自己作为模型研发者，也感受到了被Workflow化和Skill化的压力。这一话题触及AI行业从业者的深层焦虑：当AI本身能够自动化越来越多的创造性工作（包括模型训练本身），研究者的不可替代性在哪里？这种危机感如何影响个人的职业规划与团队的技术路线选择？
适合谁听
- AI从业者与研究者：尤其是从事大模型训练、Agent开发、后训练优化的工程师和研究员，能够从一线团队负责人的视角，理解2026年技术范式的真实变化与挑战。
- 科技行业观察者与投资人：希望把握AI产业下一阶段的结构性机会，理解算力分配、组织管理、技术路线等关键变量如何重塑竞争格局。
- 对AI前沿话题感兴趣的普通听众：即使没有深厚的技术背景，也能通过这场坦诚的对话，感受到AI行业在“生产力大爆炸”时代的紧迫感与不确定性。
ℹ️ 本解读基于节目标题与官方简介由 AI 整理，未获取完整文稿；具体观点、数据与引语请以原节目为准。