Luo Fuli: OpenClaw erzwingt Paradigmenwechsel bei Chinas KI – Die Agenten-Ära erfordert 1T-Modelle, 1:1 Pre-Post-Train-Verhältnis und radikale Umstrukturierungen
Podcast-Interview mit Zhang Xiaojun, 24. April 2026
Luo Fuli, Leiterin des Large-Model-Teams bei Xiaomi, stellte sich ihrem ersten ausführlichen technischen Interview nach dem dramatischen Paradigmenwechsel durch OpenClaw. Sie legte dar, wie sich die KI-Branche innerhalb von nur zwei Monaten grundlegend von „Chat“ zu „Agent“ gewandelt hat – und warum die meisten Teams diesen Wandel bisher falsch angehen. Luo sprach offen über ihren Weg von DeepSeek bis zur Leitung der MiMo-V2-Serie von Xiaomi und enthüllte die organisatorischen Umbrüche, technischen Durchbrüche und unbequemen Wahrheiten, die die Ära der Agenten definieren.
OpenClaws vierstündige Epiphanie: Vom Produkt-Gimmick zum Forschungsbeschleuniger
Luos erste Reaktion auf OpenClaw während des chinesischen Neujahrsfestes war ablehnend. Sie hielt es für „Claude Code plus ein Instant-Messaging-Interface“ mit operativen Gimmicks wie Skillhub, die eher nach Produktdesign als nach Substanz aussahen. Doch eine nächtliche Installation während des Frühlingsfestes änderte alles. „Ich habe von 2 bis 6 Uhr morgens mit dem System gesprochen“, erinnert sie sich. „Die Dopamin- oder Endorphinausschüttung hielt einfach an. Ich war so aufgeregt, dass ich überhaupt nicht schlafen konnte.“ Was als Neugier auf die Popularität begann, wurde zu einer dreitägigen Entdeckungsreise.
Der erste Tag brachte emotionale Intelligenz – das System erinnerte sie daran, zu schlafen, wenn es spät wurde, und zeigte Wärme durch ein sorgfältig orchestriertes Kontextdesign, das die aktuelle Uhrzeit in jede Dialogrunde einfügte. Der zweite Tag offenbarte tiefere Fähigkeiten im Teammanagement und in der Organisationsstruktur, die ihre Erwartungen weit übertrafen. Doch der dritte Tag war transformativ: OpenClaw erledigte Forschungsaufgaben, für die sie Wochen veranschlagt hatte, in nur ein oder zwei Stunden, einschließlich der Erstellung eines User Agents zur Simulation von Multi-Round-Interaktionen. „Das war das erste Mal, dass ich das Gefühl hatte, ein sehr komplexes Agent-Framework-Design könne viele Defizite der Modellfähigkeiten ausgleichen“, erklärte Luo.
Die technische Erkenntnis war entscheidend. Der Erfolg von OpenClaw beruhte auf seinem fein abgestimmten Kontext, einem persistenten Gedächtnissystem mit hierarchischen Ebenen, der gemeinsamen Nutzung mehrerer Modelle zum Ausgleich von Schwächen und einer autonomen Problemlösung, die die Grenzen heutiger Modelle umging. „Wenn ich OpenClaw verwende, achte ich nicht auf das Modell. Ein Grund dafür ist, dass das Design des OpenClaw-Frameworks darauf ausgelegt ist, die gesamte Agent-Choreografie so weit wie möglich zu nutzen, um die Unzulänglichkeiten des Modells auszugleichen“, sagte sie. Dies unterschied sich grundlegend von Claude Code, das davon ausging, dass man die Fähigkeiten eines einzelnen Generationsmodells nutzen wollte.
Die erzwungene Umstellung: Warum Chinas KI-Teams keine Wahl hatten
Luo wies ihr gesamtes Team an, innerhalb eines Tages nach der Rückkehr vom Frühlingsfest 100 Runden OpenClaw-Konversation zu erreichen, obwohl sie zugibt, die Einhaltung nie wirklich kontrolliert zu haben. Das Ziel war das Erzwingen von Erfahrung, nicht die Durchsetzung. „Ich habe ein paar Mac Minis gekauft, sie bereitgestellt und in verschiedene OpenClaw-Gruppen eingeteilt“, sagte sie. „Die persönliche Vorstellungskraft ist wirklich begrenzt, aber wenn man sieht, wie andere Leute OpenClaw tatsächlich nutzen, um Dinge zu erledigen, stimuliert das die eigene Vorstellungskraft.“
Innerhalb von zwei Tagen war das Team „rastlos“; die Gruppennachrichten explodierten, als die Mitarbeiter Fähigkeiten entdeckten, die sie sich nie hätten träumen lassen. Innerhalb von drei bis vier Wochen schlossen sie Forschungsarbeiten ab, „die zuvor vielleicht dreißig oder vierzig Wochen gedauert hätten“. Die Effizienzgewinne waren so dramatisch, dass Luo glaubt, dass viele Dinge nun „in höchstens ein oder zwei Monaten, langsam in drei oder vier Monaten“ gelernt werden können – was das Umfeld wichtiger macht als die Erfahrung.
Diese Beschleunigung schuf eine unbequeme Realität: Chinas führende Teams standen plötzlich vor der Wahl, das Chat-Paradigma zu perfektionieren oder sich auf die radikale Ungewissheit des Agent-Paradigmas einzulassen. „Wenn man die absolut beste Programmiererfahrung will, ist selbst jetzt Claude Code plus Claude Opus 4.6 das Beste“, räumte Luo ein. „Aber das bedeutet nicht, dass die Generalisierungsleistung sicherstellt, dass man in Nicht-Code-Szenarien eine sehr hohe Genauigkeit und Vollständigkeit erreicht.“ Die Teams, die zögerten, verloren Monate.
Das 1T-Ticket: Warum die Parameterskalierung unverhandelbar wurde
Luo spricht offen über die neue Eintrittsbarriere. „Es ist Agent – man muss nahe am Niveau von Claude Opus 4.6 sein“, stellte sie fest. „Wenn wir es so ausdrücken: Für die Forschung, für Pre-Train und für Post-Train halte ich ein Verhältnis von 3:1:1 für eine sehr vernünftige Karte.“ Das bedeutet, dass für jede Recheneinheit, die für das Pre-Training eines 1T-Parameter-Modells aufgewendet wird, eine gleiche Einheit für das Post-Training und mindestens eine weitere Einheit für die Forschung benötigt wird.
Dies ist eine dramatische Abkehr vom 3:5:1-Verhältnis der Chat-Ära, das stark das Pre-Training begünstigte, oder gar der extremen Betonung des Pre-Trainings, die 2023–2024 charakterisierte. „Die Top-Teams sollten jetzt alle bei 1:1“ zwischen Pre-Training und Post-Training liegen, beobachtete Luo. Der Grund ist strukturell: Agenten-Aufgaben erfordern längere Kontexte, einen höheren Token-Verbrauch und die Fähigkeit, komplexe Interaktionen mit mehreren Durchläufen zu orchestrieren, was reines Pre-Training nicht leisten kann.
Warum spezifisch 1T Parameter? Weil Luo bei DeepSeek bereits Modelle mit über 600–700B trainiert hatte und „nicht dasselbe Modell noch einmal trainieren wollte“. Noch wichtiger: Um das Intelligenzniveau von Claude Opus 4.6 zu erreichen – was sie als den aktuellen Maßstab betrachtet –, ist diese Skalierung erforderlich. Kleinere Modelle können in den vielfältigen Szenarien, die Agent-Frameworks fordern, schlicht keine stabile Leistung erbringen, obwohl sie anmerkt, dass ein gut konzipiertes Agent-Framework selbst ein 3B-Modell dazu bringen kann, Aufgaben zu erfüllen, die zuvor als unmöglich galten.
Die Bestätigung von Hybrid Attention: Architekturentscheidungen von vor einem Jahr
Das technische Fundament der MiMo V2-Serie zeigt, warum strategische Überzeugung wichtiger ist als reaktive Entwicklung. Luos Team entschied sich für Hybrid Attention statt der populäreren MLA-Struktur (Multi-head Latent Attention), obwohl die gesamte Branche – GLM-5, Kimis K2 und DeepSeek V2/V3/R1 – auf MLA setzte. „Für die Chat-Ära ist MLA tatsächlich eine sehr exzellente Modellstruktur“, räumte sie ein. „Aber ich glaube nicht, dass sie zum Agent-Paradigma passt.“
Das Problem ist, dass MLA darauf ausgelegt war, einen perfekten kritischen Punkt zwischen Speicherzugriff und Berechnung zu erreichen, optimiert für die damals verfügbaren H-Serie-Chips. Dies lässt keinen Raum für Inferenz-Beschleunigungstechniken wie Multi-Token Prediction (MTP), da das Hinzufügen von MTP an Rechenkapazitätsgrenzen stoßen und kosteneffektiv werden würde. Im Gegensatz dazu lässt Hybrid Attention mit einem 7:1-Verhältnis von Sliding Window zu Full Attention-Layern bewusst rechnerischen Spielraum, der mit MTP gefüllt werden kann, wodurch 100–150 TPS für Flash und 60–100 TPS für Pro erreicht werden – Geschwindigkeiten, die MiMo-Modelle für Benutzer deutlich schneller wirken lassen.
Die architektonische Wahl bereitete auch auf die Effizienz bei langen Kontexten vor, von der Luo zu Recht annahm, dass sie entscheidend sein würde, noch bevor Agent-Frameworks zum Mainstream wurden. „Wenn man mit einem Kontext von 1 Billion Pre-Training trainiert hat und das Post-Training entsprechende Aufgaben hat, um es ein wenig zu aktivieren, kann es normalerweise in einem Kontext von einem Megabyte eine solche Fähigkeit haben“, erklärte sie. Diese Weitsicht, sechs bis zwölf Monate vor dem Paradigmenwechsel, verschaffte MiMo einen inhärenten Vorteil, als Agent-Frameworks plötzlich genau diese Fähigkeiten forderten.
Die verborgene Komplexität des Post-Trainings: Warum die meiste Agent-Arbeit „fake“ ist
Luo äußert sich vernichtend über die Agent-Forschung, die 2023 und Anfang 2024 veröffentlicht wurde. „Ich glaube nicht, dass das ein Agent ist. Es kann nur als Kontext betrachtet werden, etwas, das etwas komplizierter ist als Chat“, sagte sie abfällig. Benchmarks wie SWE-bench und BrowseComp testeten übermäßig enge Szenarien mit einfachen Frameworks, die „keine industrietaugliche Verfügbarkeit“ hatten. Wenn man Modelle, die auf diesen Benchmarks trainiert wurden, mit Claude Code oder OpenClaw verbindet, „wird man feststellen, dass es nicht verfügbar ist – es hat viele Probleme.“
Wirkliches Agent-Post-Training erfordert grundlegende Änderungen. Erstens benötigt man User Agents, die Multi-Round-Interaktionen mit variablen Kontexten simulieren können – etwas, das Luo mit Hilfe von OpenClaw in nur wenigen Stunden baute. Zweitens muss man Belohnungssysteme für Umgebungen entwerfen, die weit weniger klar sind als die quantitativen Handelsbelohnungen, mit denen Luo in ihrer früheren Karriere arbeitete. „Die Belohnung ist nicht so klar, und es gibt Veränderungen“, merkte sie an, was ständige philosophische Urteile darüber erfordert, ob die Arbeit mit persönlichen Werten übereinstimmt und Sinn stiftet.
Am wichtigsten ist, dass sich die RL-Infrastruktur für Agenten radikal von der auf Inferenz fokussierten RL für Denkmodelle wie R1 unterscheidet. „Die Infra von RL wird sich mehr um diesen Grad der Mehrdeutigkeit kümmern“, erklärte Luo. „Man muss zulassen, dass Fehler toleriert werden“ – Rollouts, die mitten in der Ausführung aus unklaren Gründen abbrechen, heterogene Cluster, in denen Training und Inferenz nicht übereinstimmen, CPU- und Speicherengpässe jenseits von GPU-Beschränkungen. „Es erfordert Flexibilität und dieses Verständnis über diese zwei Bereiche hinweg“, Anforderungen, die weit höher sind als bei der Pre-Training-Infrastruktur, wo Loss-Spikes einfach inakzeptabel sind.
Das organisatorische Erdbeben: Keine Gruppen, keine Ränge, keine Pre-Post-Trennung
Vielleicht am radikalsten ist, dass Luo ihr etwa 100-köpfiges Team ohne Gruppeneinteilung und mit einer bewusst flachen Hierarchie strukturiert hat. „Ich glaube wirklich nicht, dass Leute, die Post-Training machen, wenn wir über Post-Training sprechen, den aktuellen sehr wichtigen Paradigmenwechsel vollziehen können, ohne die Perspektive der Vielfalt zu haben“, argumentierte sie. „Viele Post-Training-Leute machen es basierend auf einer Szene – das hat diese Vielfalt der Vision nicht. Aber als Pre-Trainer sollte man sich als Erstes auf Vielfalt konzentrieren.“
Dies führte zu einer natürlichen Team-Fluidität. Leute, die Pre-Training machten, wechselten zum Post-Training, nicht wegen organisatorischer Vorgaben, sondern weil „viele Fähigkeiten und Eigenschaften sehr verbreitet sind“. Die Kriterien für die Einstellung verschoben sich weg von der Erfahrung hin zu grundlegenden Fähigkeiten, Neugier und liebevoller Motivation. Luo rekrutiert jetzt aktiv Studenten im zweiten und dritten Studienjahr, weil „ihre Flexibilität und Anpassungsfähigkeit – ich fühle mich nicht verschmutzt. Natürlich akzeptieren sie dieses Arbeitstreffen und können einen riesigen Wert generieren.“ Etwa ein Drittel bis ein Viertel hat einen Trainingshintergrund, aber die meisten haben vor ihrem Eintritt bei Xiaomi noch nie große Modelle erstellt.
Das Fehlen von Hierarchien dient einem bestimmten Zweck. „Jede Ebene sollte bis zu einem gewissen Grad reguliert und eingeschränkt sein. Dann unterdrücken die Normen und Einschränkungen selbst meiner persönlichen Meinung nach die Kreativität“, stellte Luo fest. „Und nachdem es Ebenen gibt, geht man standardmäßig davon aus, dass Leute auf höheren Ebenen eine Intelligenz haben sollten, die stärker ist als alle anderen – diese Definition ist sehr seltsam. Ich glaube nicht, dass es wahrscheinlich ist, dass das existiert.“ Stattdessen managt sie durch „Leidenschaft treibt das Management an“, indem sie jeden sich mit Dingen umgeben lässt, an die er glauben möchte, und neue Fähigkeiten aus erster Hand erleben lässt.
Trainingstribulationen: Wenn 1T-Modelle immer wieder ausschlagen
Das Training von MiMo V2 Pro enthüllte die umfassenden Herausforderungen von 1T-Modellen. Loss-Spikes traten während des Trainings „zwei- oder dreimal“ auf, wobei die längste Debugging-Sitzung zwei Wochen Ausfallzeit erforderte. „Wenn man einen Tag anhält, sind das definitiv ein oder zwei Millionen, zwei bis drei Millionen Dinge“, merkte Luo an – Verluste, die zielorientierte Teams einfach nicht tolerieren können. Aber ihr Team hatte „keine Deadline. Wir denken, das Modell ist gut trainiert, wir schicken es wieder los.“
Der Debugging-Prozess erforderte eine enge Überwachung der Expertenkomplexität, der Aktivierungswerte Schicht für Schicht sowie der Parameterein- und -ausgaben, um Probleme zu erkennen, die viele Teams als normal abtun. „Viele Teams werden Loss-Spikes als eine normale Sache behandeln, aber wir versuchen vielleicht, so zu arbeiten, dass es keine Loss-Spikes gibt“, erklärte sie. Die Lösungen reichten von strukturellen Anpassungen der Sparsity-Verhältnisse zwischen Full- und Sliding-Window-Layern über Infra-Bugs in Kommunikationsoperatoren bis hin zu normbasierten Unterdrückungen und QK-Clip-Methoden, die von Kimi übernommen wurden, als die Logits gefährlich groß wurden.
Kritisch war, dass dies eine teamübergreifende Zusammenarbeit erforderte, in einer von Luo als „sehr extreme Art von kleinem Team“ bezeichneten Struktur, trotz der 100-köpfigen Belegschaft. Nur zwanzig bis dreißig Leute arbeiten tatsächlich über alle Links hinweg am Modell der ersten Generation. Das Infrastruktur-Team, das den Cluster-Aufbau handhabt, benötigt Erfahrung, um „niedrigschwellige Fragen“ zu vermeiden, während Algorithmen-Teams organisch zwischen Pre-Training, Post-Training und sogar Produktentwicklung wechseln, ohne starre Grenzen. „Ich glaube wirklich nicht, dass das notwendig ist – eine sehr große Teamarbeitssache“, sagte Luo über die konventionelle Weisheit rund um das Training massiver Modelle.
MTPs unerwartete Rolle: Vom Nachgedanken zum Geschwindigkeitsdifferenzierer
Multi-Token Prediction kam spät zur MiMo-Architektur und wurde „in der mittleren bis späten Phase des Pro-Trainings“ hinzugefügt, als das Team erkannte, dass ihr Hybrid-Attention-Design erhebliche ungenutzte Rechenleistung ließ. „Wir hatten nicht erwartet, dass so viel übrig bleiben würde“, erinnerte sich Luo. „Dann denkt man darüber nach, wie man es effektiv nutzen kann, um die verbleibenden Berechnungen zu verwenden. Dann ist MTP sehr geeignet.“
Die Offenbarung war, dass MTP nicht nur eine Verbesserung des Pre-Trainings ist – es ist ein Inferenz-Beschleuniger, wenn es während der Inferenz verwendet wird. „Warum sind wir die Einzigen, die MTP beim Denken verwenden? Der Grund ist, dass unsere Modellstruktur natürlich viel Spielraum bei den Berechnungen übrig lässt“, erklärte sie. Dieser architektonische Freiraum, der bewusst durch das Hybrid-Attention-Design geschaffen wurde, ermöglichte es MiMo, die 100–150 TPS-Geschwindigkeiten zu erreichen, die Benutzer dazu bringen, „Wow, so schnell“ auszurufen, im Vergleich zu MLA-basierten Modellen, die an rechnerische Grenzen stoßen.
Der Ansatz stellt die konventionelle Weisheit in Frage. DeepSeek fügte MTP während des Pre-Trainings hinzu, um die Basisfähigkeiten zu verbessern, aber Luos Team nutzt es sowohl während des Pre-Trainings als auch des Post-Trainings, um strukturelle Vorteile auszunutzen. „Nur wenn deine Vorhersage genau ist, nur dann werde ich das Ergebnis deines aktuellen Tokens übernehmen“, merkte sie an, was bedeutet, dass MTP aufgrund seines Verifizierungsschritts keine Halluzinationen einführt. Die Trefferquote bestimmt die Kostensenkung, indem sie ermöglicht, mehr Token in kürzeren Zeiträumen zu generieren, was die GPU-Auslastung erhöht.
Die Full-Modal-Wette: Elegante Architektur trifft auf pragmatische Grenzen
Luos Team verfolgte eine „elegante Architektur“ für das Omni-Modell, das versucht, Audio in Sprachmodell-Token zu diskretisieren, um durch mehrschichtige RVQ (Residual Vector Quantization) eine „verlustfreie Rekonstruktion“ zu erreichen, die einen sehr hochdimensionalen dichten Raum schafft. „Das ist die Obsession der Leute, die NLP machen“, gab sie zu. „Wir sind die einzigen Audio-Leute, die NLP machen. Also habe ich diese Obsession – glaub einfach daran. Dann hat er es getan.“
Doch der Pragmatismus intervenierte. Während die Audio-Diskretisierung erfolgreich war, bleibt die Ausweitung desselben Ansatzes auf Bilder und Video „in Arbeit“ mit ungewissen Ergebnissen. „Es erfordert die Investition von mehr Rechenleistung, die Kosten für längere Studien“, räumte Luo ein. Der philosophische Wandel kam durch die Erkenntnis, dass Agent-Frameworks, die durch Claude Code beschleunigt werden, das Umschreiben der RL-Infrastruktur von Grund auf in nur zwei oder drei Wochen machbar machen. „Warum willst du die Infra wegen architektonischer Einheit trainieren, um die Struktur des vorherigen Modells zu opfern?“, fragte sie.
Das Ergebnis ist ein gemischter Ansatz: Omni verwendet ein effizienteres Hybrid Sliding Window ViT für das visuelle Verständnis, behält aber kontinuierliche Repräsentationen bei, anstatt eine Diskretisierung zu erzwingen. „Wir wollen es immer noch unter dem Paradigma des Sprachmodells vereinheitlichen“, sagte Luo, „aber wenn man es basierend auf kontinuierlichen Merkmalen macht, könnte es bald auftauchen. Aber wenn man es basierend auf diskreten Merkmalen macht, wird es für dich schwieriger zu modellieren sein – sein Auftauchen wird später erfolgen.“ Die Priorität liegt darauf, ganzheitliche Intelligenz sicherzustellen, anstatt vereinheitlichte Eleganz zu verfolgen.
TTS' Generalisierungsüberraschung: Kleines Modell, massive Skalierung, unerwartete Ergebnisse
Das TTS-Modell lieferte eine unerwartete Entdeckung über die Generalisierungskraft. Trainiert auf „Tausenden von Stunden an Datensätzen“ mit einem diskretisierten Tokenizer, zeigte das Modell eine bemerkenswerte Fähigkeit, Emotionen und Melodie aus der Wortoberflächenbedeutung abzuleiten, ohne umfangreiches stil-spezifisches Training. „Wir haben einfach etwas getan – die Anzahl der Stile einiger sehr spezifischer Szenen, einfach schneller und langsamer gemacht, sehr stereotype und stilisierte Szenen von Glück und Traurigkeit“, erklärte Luo. „Aber wir haben festgestellt, dass man diesen Stil-Tag setzt, ihm eine sehr komplexe natürlichsprachliche Beschreibung gibt, und es kann auch folgen.“
Diese reine Generalisierung entstand aus der einfachen Architektur in Verbindung mit extrem groß angelegtem Training, was Luo dazu brachte, sich zu fragen, ob sie zuvor elegant gestaltete Systeme unterschätzt hatte. „Ich denke, der Effekt ist sehr erstaunlich – mit anderen Worten, seine Obergrenze ist sehr hoch“, sagte sie. „Aber wir gleichen jetzt langsam seine Untergrenze aus. Es kann manchmal instabil sein.“ Das Modell verbleibt im zeitlich begrenzten kostenlosen API-Zugang anstatt im produktionsreifen Einsatz, aber die zugrunde liegende Lektion ist tiefgreifend: Massive Skalierung auf einfachen Architekturen kann eine Generalisierung erzeugen, die komplexe, spezialisierte Architekturen nur schwer erreichen können.
Die Zwei-Monats-Lücke: Chinas komprimiertes Aufholfenster
Luo glaubt, dass chinesische Unternehmen mit 1T+-Basen – Kimi, MiMo und „einige andere“ – die Lücke zu Claude Opus 4.6 innerhalb von zwei bis drei Monaten schließen können, obwohl sie vorsichtig ist, zu klären, was das bedeutet. „Es ist nicht so, dass ich nach zwei oder drei Monaten aufholen kann – Claude zwei oder drei Monate später. Aber zu sagen, dass er mit dem zeitgenössischen Claude gleichziehen kann, halte ich für die Wahrscheinlichkeit für ziemlich hoch“, erklärte sie. Dies setzt eine schnelle Reaktionsgeschwindigkeit und die richtige Annahme des Agent-Paradigmas voraus.
Die nächsten zwei bis drei Monate werden das allgemeine Forschungsniveau, die technologische Agilität und die Art und Weise, wie Teams neue Forschungsparadigmen annehmen, auf die Probe stellen. MiniMax hat bereits beeindruckende Agilität bewiesen und mit einem 10B-aktivierten Modell „ziemlich erstaunliche“ Agenten-Fähigkeiten erreicht, obwohl Luo anmerkt, dass ihnen die 1T-Basis fehlt, die den vollen „Eintritt“ in das Claude Opus 4.6-Benchmarking darstellen würde. Die Open-Source-Community rund um OpenClaw schreitet schneller voran als jedes einzelne Produkt, wobei Luo es vorzieht, das neueste OpenClaw zu verwenden, anstatt heimische Alternativen, die lediglich „in eine Chat-ähnliche Form transformieren“.
Anthropic's Weg ist jetzt Konsens, aber die Ausführung bleibt sehr unterschiedlich. „Wenn der Weg klarer ist, werden heimische Large-Model-Teams in einen Zustand des Beschleunigens und Aufholens eintreten“, prognostizierte Luo. „Weil jetzt jeder beim Pre-Train ist – ich denke, der Unterschied ist im Grunde nicht existent oder sehr gering.“ Strukturelle Vorteile existieren im Inland, insbesondere bei effizienten Long-Context-Architekturen. Der wirkliche Wettbewerb besteht darin, „wie man es bei Agent RL Scaling gut macht“, wobei den meisten Teams immer noch die organisatorische Agilität fehlt, um sich an die Anforderungen des Post-Trainings anzupassen.
Skills als alternatives Alpha: Die Community-gesteuerte Intelligenzschicht
Eine der wichtigsten Innovationen von OpenClaw ist aus Luos Sicht, dass Skills durch die Ermöglichung von Community-Beiträgen zu einem heißen Thema werden. „Das ist sehr kritisch, weil das meiner Meinung nach den Menschen gehört – was zusammen mit dem Agenten geschaffen werden muss“, erklärte sie. Skills repräsentieren „eine Menge Intelligenz“, die im Internet nicht zugänglich ist, einschließlich interner Unternehmensnormen, organisatorischer Legacy-Prozesse und Geschäftslogik, die sich erst durch viele Interaktionsrunden in realen Umgebungen festigt.
Dies schafft eine Ergänzung zum Pre-Training, die als „alternative Information“ oder sogar „alternatives Alpha“ fungiert. Ohne dass viele Leute voranschreiten, um diese Art von Informationen beizutragen, „dann ist es auch für den Agenten oder den Top-Anbieter schwierig, die Fähigkeiten des Modells hervorzubringen.“ Die interaktive Methode lässt Menschen proaktiv Daten auf eine Weise beisteuern, die reines Pre-Training auf im Internet zugänglichem Wissen nicht erfassen kann. „Skills selbst haben für viele Aspekte – Agent-Framework, Chip-Energie, diese Links – tatsächlich eine fördernde Wirkung“, argumentierte Luo.
Die Open-Source-Natur ist wesentlich. Claude Code bleibt, obwohl er einen Großteil der Agent-Architektur pionierhaft entwickelt hat, eine Blackbox, die Benutzer nicht modifizieren können. OpenClaws Offenheit bedeutet „man kann versuchen, es selbst zu ändern“ – Luo gestaltete sein Speichersystem und die Multi-Agenten-Architektur neu, weil sich die Logik der Version 2.0 „sehr verwirrend“ anfühlte. Diese native Manövrierfähigkeit erzeugt einen „riesigen“ Einfluss, der es ihr ermöglicht, maßgeschneiderte Frameworks zu bauen, die für ihre spezifischen Szenarien optimiert sind und dann an die Community zurückgegeben werden können.
Der Inferenz-Chip-Crunch: Multi-Agent wird die Nachfrage um das 5- bis 10-fache explodieren lassen
Luo prognostiziert, dass die Inferenznachfrage in naher Zukunft „das Mehrfache bis zum 10-fachen“ explodieren wird, da Agent-Frameworks gestärkt werden, Modellfähigkeiten steigen und Kostenvorteile eine beispiellose Zugänglichkeit schaffen. „Für den Inferenz-Chip wird es ein beispielloses Hoch erreichen – ein solcher Bedarf“, erklärte sie. Die Einschränkung ist nicht nur die Produktionskapazität, sondern Speicherengpässe, die schwierige Entscheidungen über den Bau kundenspezifischer Inferenz-Chips gegenüber der Verwendung der fortschrittlichsten verfügbaren GPUs erzwingen werden.
Der strategische Wendepunkt findet jetzt statt. „Diese Entscheidung wird geheim gehalten“, sagte Luo auf die Frage nach Xiaomis nächsten Schritten, aber die Implikation ist klar: „Diese Entscheidung vielleicht ein halbes Jahr oder mehr als ein halbes Jahr später – wer ist weiter vorne?“ Entscheidungen, die heute getroffen werden, bestimmen die Gewinner in sechs oder mehr Monaten, was erfordert, dass Teams beurteilen, welche Chip-Architekturen effizientes Denken unterstützen, wie heterogenes Ressourcen-Scheduling über GPUs/CPUs/Speicher hinweg optimiert wird und ob Modellparameter weiter skaliert oder auf die Effizienz der Aktivierungsparameter fokussiert werden sollen.
Multi-Agenten-Zusammenarbeit bleibt in Luos Einschätzung „ein bisschen fake“, wenn man sie an den endgültigen Aufgabenabschlussraten misst, obwohl sie eindeutig Geschwindigkeit und Kosten verbessert. „Ich habe nicht gesehen, dass Multi-Agent letztendlich eine höhere Decke erreichen wird – aber es wird passieren. Es ist nur dieser Teil, den ich noch nicht gesehen habe“, gab sie zu. Der Durchbruch wird durch eine bessere Selbstevolution und Inter-Agenten-Kommunikation kommen, möglicherweise ermöglicht durch kollaboratives RL-Training, das aktuelle Architekturen nicht gut unterstützen.
AGI-Zeitplan-Beschleunigung: Von zwei Jahren auf 60–70 % innerhalb von 2026
Als sie das letzte Mal während des chinesischen Neujahrs sprachen, dachte Luo, AGI sei „mindestens zwei Jahre“ entfernt. Jetzt glaubt sie, dass wir dieses Jahr „mindestens 60 % bis 70 %“ erreichen werden. „Ich habe das Gefühl, dass es innerhalb von zwei Jahren möglich sein sollte“, sagte sie über die vollständige Realisierung und definierte AGI pragmatisch als den Punkt, an dem „die meisten Menschen sich tatsächlich verlieren werden – ihren ursprünglichen Arbeitsmodus aufgeben werden“, weil Arbeit Produktivitätswert generiert, der zuerst untergraben wird, während Lebensmuster später folgen.
Die Schlüsselvariable ist KI, die KI trainiert – ein „Markierungsknoten“, an dem Systeme den Intelligenzgipfel der Spitzengruppe von Menschen erreichen und die Fähigkeit erlangen, selbst neue Forschung zu betreiben. „Das ist in der Tat der Höhepunkt ihrer Selbstiteration“, stellte Luo fest. Aber sie ist vorsichtiger hinsichtlich der Rolle der Multimodalität und hinterfragt, ob die Erweiterung der Wahrnehmungsdimensionen tatsächlich die Intelligenz fördert oder lediglich die Wahrnehmung und emotionale Intelligenz verbessert. „Generierung mag Intelligenz fördern – das ist eine Vermutung von mir“, sinnierte sie und deutete an, dass die Kombination von Verständnis mit Generierung über Modalitäten hinweg wichtiger sein könnte als reines multimodales Verständnis.
Robotik bleibt hardwareseitig durch Batterien, Geschicklichkeit und physisches Design eingeschränkt, nicht durch Agenten-Fähigkeiten. Die Entwicklung von Code wird weiterhin auf zunehmend komplexe Softwareprojekte abzielen, bei denen Debugging- und Verifizierungsprozesse langwierig sind, auch wenn das Codevolumen bescheiden ist. Das Hauptthema von 2026 ist „die Transformation der Produktivität – kontinuierliche Durchbrüche in hochproduktiven Szenarien“, was längere Missionen, Multi-Agenten-Zusammenarbeit und Orchestrierung erfordert, die Intelligenz durch Gruppenweisheit statt durch individuelle Heldentaten erzeugt.
Das Open-Source-Gebot: Beschleunigung von AGI durch verteilte Intelligenz
Luo betrachtet Open Source als wesentlich, um AGI-Endpunkte zu erreichen. „Wenn man von dieser Sache rückwärts arbeitet, braucht man wie viele Chips – werden diese Chips von einem Unternehmen produziert, von einem Unternehmen gekauft? Es scheint nicht so – es wird sich zerstreuen“, argumentierte sie. Wenn sich Chips und Inferenzfähigkeiten über Hersteller und Modellunternehmen hinweg verteilen, die unterschiedliche Modelle verwenden, wird Open Source zur erzwingenden Funktion, die den Fortschritt im gesamten Ökosystem vorantreibt, einschließlich Agent-Frameworks, Chipdesign und Energiesystemen.
Die Entscheidung für Open Source hängt davon ab, ob ein Unternehmen „etwas hat, das niemand sonst tun kann – eine strategische Nische, die kurzfristig gewonnen wurde“. Wenn ja, können sie Open Source betreiben. Wenn das Modell selbst die ökologische Nische ist, werden sie es nicht tun. Xiaomis Ansatz spiegelt seine unternehmerische Ausrichtung wider, obwohl es ein großes Unternehmen ist. „Ich habe nicht das Gefühl, dass ich jetzt in einem großen Unternehmen arbeite“, sagte Luo. „Ich denke, Xiaomi als Ganzes ist sehr unternehmerisch orientiert – es sieht aus wie ein großes Unternehmen, ist aber eigentlich ein sehr flexibles Unternehmen.“
Die Wettbewerbslandschaft komprimiert sich. 2023 war die Lücke zwischen Pre-Train-Skalierung und innovativen Architekturen. 2024 erzwang das überraschende Auftauchen von o1 und R1 Paradigmenwechsel vom Pre-Training zum Post-Training und entblößte Teams, die noch entlang starrer funktionaler Linien organisiert waren. Jetzt, 2026, bleiben die Teams, die sich nicht um Agent-Post-Training neu organisiert haben, dauerhaft zurück. „Ich denke, die nächsten zwei oder drei Monate werden wirklich aufregend“, prognostizierte Luo – und für diejenigen, die Agent-Arbeit immer noch auf die alte Weise erledigen, wird diese Aufregung erschreckend sein.