小米“天才少女”罗福莉：我们是不是把 AI 的路走反了？

“天才少女”罗福莉，终于露面了。

去年 12 月，业界就传闻雷军千万年薪挖人，后来一直没有明朗消息。直到上个月才官宣罗福莉领导小米 Mimo 大模型团队，有业内人士猜测，也许是由于竞业条件限制。

不论如何，在昨天的2025小米“人车家全生态”合作伙伴大会上，罗福莉贡献了自己的首次主题演讲。

她没有把时间花在吹嘘MiMo模型，而是提出了有趣的问题：今天我们所走的这条大模型之路，是不是走反了？

她用了一个极为精妙的类比：生物演化。

回溯6亿年的生命长河，智能的诞生遵循着一条严密的逻辑。

生命体首先要学会的，是控制自己的身体，与物理环境进行交互，这是生存的根本。然后，进化出奖惩机制，比如多巴胺系统，通过强化学习优化生存策略。再之后，才是在大脑中模拟未来、进行规划的能力。

最后，也是最晚出现的，才是语言——这个高度抽象的符号系统，人类智能的冠冕。

这个顺序是：行动 → 思考 → 语言。从物理世界到内心世界，再到符号世界。

而今天的大模型，走的却是一条完全相反的路：语言 → 思考 → （试图）行动。

模型从海量的文本数据中，通过“下一个词预测”这样看似简单的范式，暴力破解了语言这个人类智慧的顶层建筑。

罗福莉将这个过程描述为对人类知识的“有损压缩”。

当一个模型试图将Loss降到无限趋近于零时，它不仅仅是在拟合统计规律，更是在重构人类数十亿年积累下来的，关于世界的认知在文本空间里的投影。

这是一个惊人的成就，也是一条聪明的“捷径”。

大模型通过算力的暴力美学，直接攻克了智能金字塔的塔尖。它学会了人类的说话方式，学会了模仿莎士比亚写作，甚至能通过奥数竞赛。它看起来无所不知，因为它解码了人类“智能的结果”。

但问题也恰恰出在这里。它只学会了结果，却跳过了产生这个结果的全部过程。

它拥有一个完美的语言外壳，但这个外壳之下，是空的。它没有锚定现实世界的物理模型。它知道“引力”这个词经常和“苹果”、“下落”一起出现，但它并不真正理解重力的含义。所以它会一本正经地胡说八道，产生匪夷所思的幻觉。

这就解释了为什么当今最强大的AI，能帮你写代码、写诗歌，但你依然不放心让它帮你煮个鸡蛋。因为它从未“活”在我们的世界里，它只是一个无比博学的“阅读者”。

这个观点很有趣，也值得我专门写一篇文章浅做笔记。

因为她清晰地指出了这条“AI 倒叙”路径的局限性，并且把小米MiMo模型的技术选择，阐释为对这条路径的一次修正，或者说，一次补课。

她说，真正的智能，不是在文本里“读”出来的，而是在交互里“活”出来的。

这句话，几乎可以看作是小米做大模型的一个重要角度。

当行业大部分参与者还在语言的竞技场里内卷，比拼谁的模型更能说会道时，小米选择了一个更长远的方向：让AI从语言走向物理世界。

他们认为，AI进化的下一个起点，必然是一个可以和真实环境产生交互的物理模型。

至于MiMo-V2-Flash这个模型。罗福莉提到了三个核心问题。

第一个问题：Agent的高效沟通语言是什么？

答案是代码和工具调用。如果AI要与物理世界互动，它就不能只停留在聊天。它需要操作软件、调用API、控制硬件。语言是人与人沟通的桥梁，而代码和工具，则是AI与数字世界乃至物理世界沟通的桥梁。

所以，MiMo-V2-Flash不惜代价地强化了代码和工具调用能力，让它成为一个高效的“执行者”，而不仅仅是一个“对话者”。

第二个问题：如何提升Agent之间的协作带宽？

单一Agent的能力是有限的，未来的复杂任务必然由多个Agent协作完成。但目前Agent之间的沟通，很多时候还是通过自然语言，带宽极低，效率堪忧。

要提升带宽，就需要一个推理效率极高的模型作为底层支持。这就引出了MiMo在模型结构上的取舍。

他们没有去追逐那些学术上看起来很酷炫、但工程上很复杂的注意力机制。反而选择了看似简单的滑动窗口注意力，因为它有一个巨大的优点：KV Cache是固定的，能很好地适配现有的推理加速框架。实用主义压倒了一切。

同时，他们挖掘了MTP的潜力，在训练、微调和推理阶段都用上了，最终实现了2-3倍的实际推理加速。

最终的结果是，一个激活参数仅15B的模型，在性能上追平甚至超过了参数量是它2到3倍的对手，同时推理成本极低，速度极快。

在全球顶尖模型的速度与成本象限图里，MiMo-V2-Flash处在右上角的“低成本、高速度”区间。

第三个问题：如何激发后训练的潜力？

当预训练的Scaling Law边际效应递减，真正的能力分水岭就转移到了后训练阶段，也就是强化学习等环节。但强化学习训练是出了名的不稳定，很容易把模型“训傻”。为了解决这个问题，他们提出了一种叫MOPD的范式。

这个方法的核心在于，让一个学生模型自己去生成内容，然后请多个不同领域的“专家模型”来给这些内容进行“token-level”的稠密打分，再用这些信号来指导学生模型学习。

这种方式就像一个学徒在练习，身边围了一群不同工种的老师傅，随时对他每一步操作进行点评，学习效率极高。罗福莉提到，他们甚至发现学生模型很快就能超越老师，然后又可以把这个更强的学生变成新的老师，进行自我迭代。这为模型的持续进化提供了一个高效且稳定的路径。

把这三点串起来，小米的路线图就非常清晰了：以一个推理极致高效的基座模型为核心，赋予它超强的代码和工具调用能力，再通过高效稳定的后训练范式让它持续进化，最终的目标，是构建一个能够“完成任务”而不仅仅是“回答问题”的智能体系统。

这个系统，将不再是一个语言模拟器，而是一个与我们的世界共存的智能体。

更有意思的是，罗福莉在演讲中坦承，她所说的“物理世界导向是通往AGI的关键”是一个“非共识”。她提到了包括Ilya Sutskever在内的一些顶尖研究者，依然坚信在纯粹的语言空间里就能实现AGI。

她没有去辩驳，而是做了一件很酷的事情：她去问了MiMo-V2-Flash自己。

她问模型：你怎么解读“智能必须根植于物理世界，强调多模态和真实世界交互才是通往AGI的关键”这个观点？

模型的回答是：这是一个核心且深刻的观点。智能要根植于“存在”，而非“符号”。符号系统只能进行模式匹配和概率预测，而真正的智能必须嵌入到一个具身化的环境中，通过与物理世界持续交互，才能涌现出更强的能力。

这个回答令人玩味。一个由符号训练出来的模型，自己“涌现”出了对符号局限性的认知。这本身就构成了一种奇妙的印证。

在演讲的最后，罗福莉谈到了真正的护城河。

她说，算力和数据并非最终的护城河，真正的护城河是“科学的研究文化和方法”，是将未知问题转化成模型优势，并最终结合成可用产品的能力。

从2020年，中国的开源模型与世界顶尖的闭源模型还有至少三年的代差，到今天，这个差距被缩短到只有数月。这个速度是惊人的。

罗福莉将开源的价值定义为“分布式的技术加速主义”，是确保AGI普惠化、确保人类智慧共同进化的唯一路径。

这或许可以解释，为什么小米会选择将模型直接开源。这不仅仅是一种姿态，更是一种信念。信念就是，在通往AGI的崎岖道路上，封闭的、各自为战的探索，远不如开放的、集思广益的共同进化来得更快、也更安全。