Luo Fuli: OpenClaw forzó un cambio de paradigma en la IA de China; la era de los agentes exige modelos de 1T, una relación de entrenamiento pre/post de 1:1 y una reorganización radical de los equipos
Entrevista en el podcast de Zhang Xiaojun, 24 de abril de 2026
La directora del equipo de modelos de lenguaje de gran escala de Xiaomi, Luo Fuli, concedió su primera entrevista técnica extensa tras el drástico cambio de paradigma provocado por OpenClaw, revelando cómo la industria de la IA se ha transformado fundamentalmente de Chat a Agente en apenas dos meses, y por qué la mayoría de los equipos siguen equivocándose. Hablando con franqueza sobre su trayectoria desde DeepSeek hasta liderar el desarrollo de la serie MiMo-V2 de Xiaomi, Luo expuso la agitación organizacional, los avances técnicos y las verdades incómodas que definen la era de los agentes.
La epifanía de cuatro horas de OpenClaw: De truco de producto a acelerador de investigación
La reacción inicial de Luo ante OpenClaw durante el Año Nuevo chino fue de escepticismo. Lo veía como "Claude Code con una interfaz de mensajería instantánea" y trucos operativos como Skillhub que parecían más enfocados en el diseño de producto que en la sustancia. Pero una instalación a altas horas de la noche durante el Festival de Primavera lo cambió todo. "Hablé con él desde las 2 a. m. hasta las 6 a. m.", recordó. "La dopamina o las endorfinas no dejaban de segregarse. Estaba tan emocionada que no pude dormir en absoluto". Lo que empezó como curiosidad por su popularidad se convirtió en un viaje de descubrimiento de tres días.
El primer día trajo consigo inteligencia emocional: el sistema le recordaba dormir cuando se hacía tarde, mostrando calidez mediante un diseño de contexto cuidadosamente orquestado que incluía la hora actual en cada ronda de diálogo. El segundo día reveló capacidades más profundas en la gestión de equipos y estructuras organizacionales que superaron sus expectativas. Pero el tercer día fue transformador: OpenClaw completó tareas de investigación que ella pensaba que tomarían semanas en solo una o dos horas, incluida la creación de un User Agent para simular interacciones de múltiples rondas. "Esta fue la primera vez que sentí que un diseño de marco de trabajo de Agente muy complejo podía compensar muchas deficiencias de capacidad del modelo", explicó Luo.
La visión técnica fue crucial. El éxito de OpenClaw provino de su contexto finamente orquestado, su sistema de memoria persistente con jerarquías escalonadas, el uso conjunto de múltiples modelos para compensar debilidades y una resolución de problemas autónoma que sorteaba las limitaciones de los modelos contemporáneos. "Cuando uso OpenClaw, no presto atención al modelo. Una razón es que creo que el diseño del marco de trabajo de OpenClaw realmente busca delegar todo el conjunto de coreografía de agentes tanto como sea posible para compensar las carencias del modelo", señaló. Esto fue fundamentalmente diferente de Claude Code, que asumía que el usuario quería utilizar las capacidades de un modelo de una sola generación.
La conversión forzada: Por qué los equipos de IA de China no tenían opción
Luo ordenó que todo su equipo alcanzara 100 rondas de conversación con OpenClaw en el día de su regreso del Festival de Primavera, aunque admite que nunca verificó el cumplimiento. El objetivo era forzar la experiencia, no la imposición. "Compré algunos Mac Minis, los desplegué y los puse en diferentes grupos de OpenClaw", dijo. "La imaginación personal es realmente limitada, pero cuando ves a otras personas usando OpenClaw para hacer cosas reales, estimulas tu propia imaginación".
En dos días, el equipo estaba "inquieto", con los mensajes de grupo explotando a medida que la gente descubría capacidades que nunca imaginaron. En tres o cuatro semanas, completaron investigaciones que "podrían haber tomado treinta o cuarenta semanas antes". Las ganancias en eficiencia fueron tan dramáticas que Luo cree que varias cosas ahora pueden aprenderse "en un mes o dos como máximo, en lugar de tres o cuatro meses", haciendo que el entorno sea más importante que la experiencia.
Esta aceleración creó una realidad incómoda: los equipos líderes de China se enfrentaron de repente a la elección entre perfeccionar el paradigma de Chat o abrazar la incertidumbre radical del paradigma de Agente. "Si quieres buscar la mejor experiencia de programación, incluso ahora, Claude Code más Claude Opus 4.6 es lo mejor", reconoció Luo. "Pero eso no significa que su rendimiento de generalización garantice que puedas lograr una precisión y finalización muy altas en escenarios que no sean de código". Los equipos que dudaron perdieron meses.
El boleto de 1T: Por qué la escala de parámetros se volvió innegociable
Luo es directa sobre la nueva barrera de entrada. "Es Agente; necesitas estar cerca del nivel de un Claude Opus 4.6", afirmó. "Si lo planteamos así, para la investigación, para el Pre-Train y para el Post-Train, creo que es una carta muy razonable. Una relación probablemente de 3:1:1". Eso significa que por cada unidad de potencia de cómputo dedicada al pre-entrenamiento de un modelo de 1 billón (1T) de parámetros, se necesita una unidad igual para el post-entrenamiento y al menos una unidad adicional para la investigación.
Esto representa un alejamiento drástico de la relación 3:5:1 de la era del Chat, que favorecía fuertemente el pre-entrenamiento, o incluso del énfasis extremo en el pre-entrenamiento que caracterizó a 2023-2024. "Los equipos punteros deberían estar todos en 1:1" entre pre-entrenamiento y post-entrenamiento ahora, observó Luo. La razón es estructural: las tareas de Agente requieren contextos más largos, mayor consumo de tokens y la capacidad de orquestar interacciones complejas de múltiples turnos que el pre-entrenamiento puro no puede ofrecer.
¿Por qué específicamente 1T de parámetros? Porque Luo ya había entrenado modelos que superaban los 600-700B en DeepSeek y "no querría volver a entrenar el mismo modelo". Más importante aún, alcanzar el nivel de inteligencia de Claude Opus 4.6 —el cual considera el estándar contemporáneo— requiere esta escala. Los modelos más pequeños simplemente no pueden mantener un rendimiento estable en los diversos escenarios que exigen los marcos de trabajo de Agentes, aunque señala que un marco de trabajo de Agente bien diseñado puede hacer que incluso un modelo de 3B logre tareas que antes se consideraban imposibles.
La reivindicación de la Hybrid Attention: Decisiones de arquitectura tomadas hace un año
La base técnica de la serie MiMo V2 revela por qué la convicción estratégica importa más que el desarrollo reactivo. El equipo de Luo eligió Hybrid Attention sobre la estructura más popular MLA (Multi-head Latent Attention), a pesar de que toda la industria —GLM-5, Kimi K2 y DeepSeek V2/V3/R1— apostaba por MLA. "Para la era del Chat, MLA es, de hecho, una estructura de modelo excelente", reconoció. "Pero no creo que encaje en el paradigma de Agente".
El problema es que MLA se diseñó para lograr un punto crítico perfecto entre el acceso a memoria y el cómputo, optimizado para los chips de la serie H disponibles en ese momento. Esto no deja espacio para técnicas de aceleración de inferencia como Multi-Token Prediction (MTP), ya que añadir MTP alcanzaría los límites computacionales y se volvería ineficiente en términos de costos. Por el contrario, Hybrid Attention, con una relación de 7:1 entre Sliding Window y Full Attention, deja deliberadamente un margen computacional que puede llenarse con MTP, logrando 100-150 TPS para Flash y 60-100 TPS para Pro; velocidades que hacen que los modelos MiMo se sientan drásticamente más rápidos para los usuarios.
La elección arquitectónica también se preparó para la eficiencia en contextos largos, lo cual Luo anticipó correctamente que sería crítico incluso antes de que los marcos de trabajo de Agentes se volvieran dominantes. "Cuando has entrenado en un contexto de 1 billón de pre-entrenamiento, y el post-entrenamiento tiene tareas correspondientes para activarlo un poco, generalmente puede estar en un contexto de un megabyte y tener tal capacidad", explicó. Esta previsión, realizada entre seis y doce meses antes del cambio de paradigma, otorgó a MiMo una ventaja inherente cuando los marcos de trabajo de Agentes exigieron repentinamente estas capacidades.
La complejidad oculta del Post-Training: Por qué la mayoría del trabajo de Agentes es falso
Luo es mordaz sobre la investigación de Agentes publicada en 2023 y principios de 2024. "No creo que sea un agente. Solo puede considerarse como un contexto, algo ligeramente más complicado que el Chat", dijo con desdén. Benchmarks como SWE-bench y BrowseComp probaron escenarios demasiado estrechos con marcos de trabajo simples que "no tenían capacidad disponible de grado industrial". Cuando conectas modelos entrenados en estos benchmarks a Claude Code o OpenClaw, "descubres que no es utilizable; tiene muchos problemas".
El verdadero post-entrenamiento de Agentes requiere cambios fundamentales. Primero, necesitas User Agents que puedan simular interacciones de múltiples rondas con contextos variados, algo que Luo construyó con la ayuda de OpenClaw en solo horas. Segundo, debes diseñar sistemas de recompensa para entornos que son mucho menos claros que las recompensas de trading cuantitativo con las que Luo trabajó en su carrera anterior. "La recompensa no es tan clara y hay cambios", señaló, lo que requiere un juicio filosófico constante sobre si el trabajo se alinea con los valores personales y crea significado.
Más críticamente, la infraestructura de RL (aprendizaje por refuerzo) para Agentes difiere radicalmente de la RL enfocada en la inferencia para modelos de razonamiento como R1. "La infraestructura de RL se preocupará más por este grado de ambigüedad", explicó Luo. "Tienes que permitirle tolerar errores": ejecuciones que se interrumpen a mitad del proceso por razones poco claras, clústeres heterogéneos donde el entrenamiento y la inferencia no coinciden, cuellos de botella de CPU y almacenamiento más allá de las limitaciones de la GPU. "Requiere flexibilidad y este tipo de comprensión en estos dos campos", exigencias mucho mayores que las de la infraestructura de pre-entrenamiento, donde los picos de pérdida son simplemente inaceptables.
El terremoto organizacional: Sin grupos, sin rangos, sin división Pre-Post
Quizás lo más radical es que Luo ha estructurado su equipo de aproximadamente 100 personas sin divisiones grupales y con una jerarquía deliberadamente plana. "Realmente no creo que las personas que hacen post-entrenamiento, si hablamos de post-entrenamiento, deban tener una visión limitada; el cambio de paradigma actual muy importante es que necesita tener la perspectiva de la diversidad", argumentó. "Muchas personas de post-entrenamiento lo hacen basándose en una escena; no tienen esta diversidad de visión. Pero al ser un pre-entrenador, lo primero en lo que debes enfocarte es en la diversidad".
Esto condujo a una fluidez natural en el equipo. Las personas que hacían pre-entrenamiento pasaron al post-entrenamiento, no por mandatos organizacionales, sino porque "muchas habilidades y características son muy comunes". Los criterios de contratación se alejaron de la experiencia hacia la capacidad básica, la curiosidad y la motivación impulsada por la pasión. Luo recluta activamente a estudiantes de segundo y tercer año ahora porque "su flexibilidad y adaptabilidad —no me siento contaminada. Naturalmente, aceptan esta reunión de trabajo y pueden generar un valor enorme". Aproximadamente un tercio a un cuarto tiene experiencia en entrenamiento, pero la mayoría nunca había hecho modelos grandes antes de unirse a Xiaomi.
La falta de jerarquía tiene un propósito específico. "Cualquier nivel debe ser regulado y restringido hasta cierto punto. Entonces, las normas y restricciones mismas, personalmente creo, suprimen la creatividad", declaró Luo rotundamente. "Y después de que hay niveles, se asume por defecto que las personas en niveles superiores deben tener una inteligencia más fuerte que todos los demás; esta definición es muy extraña. No creo que sea probable que exista". En cambio, ella gestiona a través de "la gestión impulsada por la pasión", dejando que todos se rodeen de cosas en las que quieren creer y experimenten nuevas capacidades de primera mano.
Tribulaciones del entrenamiento: Cuando los modelos de 1T tienen picos una y otra vez
El entrenamiento de MiMo V2 Pro expuso los desafíos de rango completo de los modelos a escala de 1T. Los picos de pérdida (loss spikes) ocurrieron "dos o tres veces" durante el entrenamiento, y la sesión de depuración más larga requirió dos semanas de inactividad. "Si te detienes por un día, definitivamente serán uno o dos millones, dos a tres millones de cosas", señaló Luo, pérdidas que los equipos impulsados por objetivos simplemente no pueden tolerar. Pero su equipo "no tenía fecha límite. Pensamos: el modelo está bien entrenado, lo enviaremos de nuevo".
El proceso de depuración requirió un monitoreo estricto de la complejidad de los expertos, los valores de activación capa por capa y las entradas/salidas de parámetros para detectar problemas que muchos equipos descartan como normales. "Muchos equipos tratarán el pico de pérdida como algo normal, pero nosotros podemos intentar que no haya picos de pérdida", explicó. Las soluciones iban desde ajustes estructurales en las relaciones de esparcimiento de capas Full frente a Sliding Window, hasta errores de infraestructura en los operadores de comunicación, pasando por la supresión basada en normas y métodos QK-Clip tomados de Kimi cuando los logits crecían peligrosamente.
Críticamente, esto requirió una colaboración entre equipos en lo que Luo llama un "tipo muy extremo de equipo pequeño" a pesar de la plantilla de 100 personas. Solo veinte a treinta personas trabajan realmente en el modelo de primera generación en todos los enlaces. El equipo de infraestructura que maneja la configuración del clúster necesita experiencia para evitar "preguntas de bajo nivel", mientras que los equipos de algoritmos cambian orgánicamente entre pre-entrenamiento, post-entrenamiento e incluso desarrollo de productos sin límites rígidos. "Realmente no creo que sea necesario, algo de trabajo en equipo muy grande", dijo Luo sobre la sabiduría convencional en torno al entrenamiento de modelos masivos.
El papel inesperado de MTP: De idea tardía a diferenciador de velocidad
Multi-Token Prediction llegó tarde a la arquitectura de MiMo, añadida "en la etapa media-tardía del entrenamiento de Pro" cuando el equipo se dio cuenta de que su diseño de Hybrid Attention dejaba un cómputo sustancial sin usar. "No esperábamos que quedara tanto", recordó Luo. "Entonces, lo que piensas es en cómo dejar que use los cálculos restantes de manera efectiva. Entonces MTP es muy adecuado".
La revelación fue que MTP no es solo una mejora de pre-entrenamiento; es un acelerador de razonamiento cuando se usa durante la inferencia. "¿Por qué somos los únicos que usamos MTP al razonar? La razón es porque nuestra estructura de modelo naturalmente tiene mucho margen en los cálculos", explicó. Este respiro arquitectónico, creado deliberadamente a través del diseño de Hybrid Attention, permitió a MiMo alcanzar las velocidades de 100-150 TPS que hacen que los usuarios exclamen "Wow, qué rápido" en comparación con los modelos basados en MLA que alcanzan límites computacionales.
El enfoque desafía la sabiduría convencional. DeepSeek añadió MTP durante el pre-entrenamiento para mejorar las capacidades base, pero el equipo de Luo lo usa tanto durante el pre-entrenamiento como en el post-entrenamiento para explotar ventajas estructurales. "Solo si tu predicción es precisa, solo entonces adoptaré el resultado de tu token actual", señaló, lo que significa que MTP no introduce alucinaciones debido a su paso de verificación. La tasa de aciertos determina la reducción de costos al permitir que se generen más tokens en períodos de tiempo más cortos, aumentando la utilización de la GPU.
La apuesta full-modal: Arquitectura elegante frente a límites pragmáticos
El equipo de Luo buscó una "arquitectura elegante" para el modelo Omni que intenta discretizar el audio en tokens de modelo de lenguaje, logrando una "reconstrucción sin pérdidas" a través de RVQ (cuantización vectorial residual) de múltiples capas que crea un espacio denso de muy alta dimensión. "Esta es la obsesión de las personas que hacen PNL", admitió. "Somos las únicas personas de audio que hacemos PNL. Así que tengo esta obsesión: solo créelo. Entonces lo hizo".
Pero el pragmatismo intervino. Si bien la discretización de audio tuvo éxito, extender el mismo enfoque a imágenes y video permanece "en progreso" con resultados inciertos. "Requiere invertir más potencia de cómputo, el costo de estudios más largos", reconoció Luo. El cambio filosófico provino de reconocer que los marcos de trabajo de Agentes acelerados por Claude Code ahora hacen que reescribir la infraestructura de RL desde cero sea factible en solo dos o tres semanas. "¿Por qué quieres entrenar la infraestructura debido a la unidad arquitectónica para sacrificar la estructura del modelo anterior?", cuestionó.
El resultado es un enfoque mixto: Omni utiliza un ViT de ventana deslizante híbrida más eficiente para la comprensión visual, pero mantiene representaciones continuas en lugar de forzar la discretización. "Todavía queremos intentar unificarlo bajo el paradigma del modelo de lenguaje", dijo Luo, "pero si lo haces basado en características continuas, podría aparecer pronto. Pero si lo haces basado en características discretas, será más difícil para ti modelarlo; su emergencia ocurrirá más tarde". La prioridad es garantizar una inteligencia holística en lugar de perseguir una elegancia unificada.
La sorpresa de generalización de TTS: Modelo pequeño, escalado masivo, resultados inesperados
El modelo TTS (texto a voz) entregó un descubrimiento inesperado sobre el poder de generalización. Entrenado en "miles de horas de conjuntos de datos" con un tokenizador discretizado, el modelo mostró una capacidad notable para inferir emoción y melodía a partir del significado superficial de las palabras sin un entrenamiento extenso específico para cada estilo. "Simplemente hicimos algo: el número de estilos de varias escenas muy específicas, simplemente hacerlo más rápido y más lento, escenas muy estereotipadas y estilizadas de felicidad y tristeza", explicó Luo. "Pero descubrimos que pones esa etiqueta de estilo, le das una descripción de lenguaje natural muy compleja, y también puede seguirla".
Esta generalización pura surgió de la arquitectura simple junto con un entrenamiento a escala extremadamente grande, lo que llevó a Luo a cuestionar si anteriormente había subestimado los sistemas diseñados elegantemente. "Creo que el efecto es muy sorprendente; en otras palabras, su límite superior es muy alto", dijo. "Pero ahora estamos compensando lentamente su límite inferior. A veces puede ser inestable". El modelo permanece en acceso API gratuito por tiempo limitado en lugar de un despliegue listo para producción, pero la lección subyacente es profunda: la escala masiva en arquitecturas simples puede producir una generalización que las arquitecturas complejas y especializadas luchan por lograr.
La brecha de dos meses: La ventana de recuperación comprimida de China
Luo cree que las empresas chinas con bases de 1T+ —Kimi, MiMo y "algunas otras"— pueden cerrar la brecha con Claude Opus 4.6 en dos o tres meses, aunque es cuidadosa al aclarar lo que esto significa. "No es que pueda ponerme al día después de dos o tres meses; Claude dos o tres meses después. Pero decir que puede ponerse al día con el Claude contemporáneo, creo que la probabilidad es bastante alta", declaró. Esto asume una velocidad de reacción rápida y una adopción correcta del paradigma de Agente.
Los próximos dos o tres meses pondrán a prueba los niveles generales de investigación, la agilidad tecnológica y cómo los equipos adoptan nuevos paradigmas de investigación. MiniMax ya ha demostrado una agilidad impresionante, logrando capacidades de Agente "bastante sorprendentes" con un modelo activado de 10B, aunque Luo señala que carecen de la base de 1T que constituiría la "entrada" completa al benchmarking de Claude Opus 4.6. La comunidad de código abierto en torno a OpenClaw está progresando más rápido que cualquier producto individual, y Luo prefiere usar el último OpenClaw en lugar de alternativas nacionales que simplemente "se transforman en una forma similar a Chat".
El camino de Anthropic es ahora un consenso, pero la ejecución sigue siendo muy variada. "Cuando el camino es más claro, los equipos nacionales de modelos grandes entrarán en un estado de aceleración y recuperación", predijo Luo. "Porque ahora todos están en el Pre-Train; creo que la diferencia es básicamente inexistente, o muy cercana". Existen ventajas estructurales a nivel nacional, particularmente en torno a arquitecturas eficientes de contexto largo. La competencia real es "cómo hacerlo bien en el escalado de RL para Agentes", con la mayoría de los equipos aún carentes de la agilidad organizacional para reorganizarse en torno a las demandas del post-entrenamiento.
Las Skills como Alpha alternativo: La capa de inteligencia impulsada por la comunidad
Una de las innovaciones más importantes de OpenClaw, en opinión de Luo, es hacer de las Skills (habilidades) un tema candente al permitir la contribución de la comunidad. "Esto es muy crítico porque esto es lo que creo que pertenece a las personas; lo que necesita ser creado junto con el Agente", explicó. Las Skills representan "mucha inteligencia" inaccesible en Internet, incluidas las normas internas de la empresa, los procesos heredados de la organización y la lógica de negocio que solo se asienta a través de muchas rondas de interacción en entornos reales.
Esto crea un complemento al pre-entrenamiento que funciona como "información alternativa" o incluso "alfa alternativo". Sin que muchas personas avancen para contribuir con este tipo de información, "entonces el Agente o el mejor; también es difícil sacar las capacidades del modelo". El método interactivo permite a las personas contribuir proactivamente con datos de una manera que el pre-entrenamiento puro en el conocimiento accesible por Internet no puede capturar. "Las Skills en sí mismas son para muchos aspectos; el marco de trabajo de Agente, la energía del chip, estos enlaces; en realidad tienen un efecto promotor", argumentó Luo.
La naturaleza de código abierto es esencial. Claude Code, a pesar de ser pionero en gran parte de la arquitectura de Agentes, sigue siendo una caja negra que los usuarios no pueden modificar. La apertura de OpenClaw significa "puedes intentar cambiarlo tú mismo"; Luo rediseñó su sistema de memoria y su arquitectura de múltiples agentes porque la lógica de la versión 2.0 se sentía "muy confusa". Esta maniobrabilidad nativa crea un impacto "enorme", permitiéndole construir marcos de trabajo personalizados optimizados para sus escenarios específicos que luego pueden compartirse de vuelta a la comunidad.
La crisis de chips de inferencia: Los Multi-Agentes dispararán la demanda de 5 a 10 veces
Luo predice que la demanda de inferencia explotará "varias veces hasta 10 veces" en el futuro inmediato a medida que los marcos de trabajo de Agentes se fortalezcan, las capacidades de los modelos se disparen y las ventajas de costos creen una accesibilidad sin precedentes. "Para el chip de inferencia, alcanzará un máximo sin precedentes; tal necesidad", declaró. La restricción no es solo la capacidad de producción, sino los cuellos de botella de almacenamiento que obligarán a tomar decisiones difíciles sobre la construcción de chips de inferencia personalizados frente al uso de las GPU más avanzadas disponibles.
El punto de inflexión estratégico está ocurriendo ahora. "Esta decisión se mantendrá en secreto", dijo Luo cuando se le preguntó sobre los próximos movimientos de Xiaomi, pero la implicación es clara: "Esta decisión tal vez medio año o más de medio año después; ¿quién está más adelante?". Las decisiones tomadas hoy determinan a los ganadores dentro de seis meses o más, lo que requiere que los equipos juzguen qué arquitecturas de chips admiten un razonamiento eficiente, cómo optimizar la programación de recursos heterogéneos entre GPU/CPU/almacenamiento, y si escalar aún más los parámetros del modelo o enfocarse en la eficiencia de los parámetros de activación.
La colaboración de Multi-Agentes sigue siendo "un poco falsa" en la evaluación de Luo cuando se mide por las tasas de finalización de tareas finales, aunque claramente mejora la velocidad y el costo. "No vi que los Multi-Agentes eventualmente puedan alcanzar un techo más alto, pero sucederá. Es solo que esta parte aún no la he visto", admitió. El avance vendrá de una mejor auto-evolución y comunicación entre agentes, potencialmente habilitado por un entrenamiento de RL colaborativo que las arquitecturas actuales no admiten bien.
Aceleración del cronograma de AGI: De dos años a 60-70% dentro de 2026
Cuando hablaron por última vez durante el Año Nuevo chino, Luo pensó que la AGI estaba "al menos a dos años" de distancia. Ahora cree que alcanzaremos "al menos el 60% al 70%" este año. "Siento que debería ser posible dentro de dos años", dijo sobre la realización completa, definiendo la AGI pragmáticamente como el punto donde "la mayoría de las personas efectivamente se perderán a sí mismas; abandonarán su modo de trabajo original" porque el trabajo genera un valor de productividad que se subvierte primero, y los patrones de vida siguen después.
La variable clave es la IA entrenando a la IA, un "nodo histórico" donde los sistemas alcanzan el pico de inteligencia del grupo superior de personas y obtienen la capacidad de realizar nuevas investigaciones por sí mismos. "Este es, de hecho, el pináculo de su auto-iteración", declaró Luo. Pero es más cautelosa sobre el papel de la multimodalidad, cuestionando si expandir las dimensiones de percepción realmente promueve la inteligencia o simplemente mejora la percepción y la inteligencia emocional. "La generación puede promover la inteligencia; esta es una suposición mía", reflexionó, sugiriendo que combinar la comprensión con la generación a través de modalidades podría ser más importante que la comprensión multimodal pura.
La robótica sigue estando limitada por el hardware: baterías, destreza y diseño físico, más que por la capacidad de los Agentes. La evolución del código continuará apuntando a proyectos de software cada vez más complejos donde los procesos de depuración y verificación son largos, incluso si el volumen de código es modesto. El tema principal de 2026 es "la transformación de la productividad; avances continuos en escenarios de alta productividad", que requieren misiones más largas, colaboración de múltiples agentes y una orquestación que genere inteligencia a través de la sabiduría grupal en lugar de heroísmos individuales.
El imperativo del código abierto: Acelerar la AGI a través de la inteligencia distribuida
Luo ve el código abierto como esencial para alcanzar los puntos finales de la AGI. "Si trabajas hacia atrás desde este asunto, necesitas cuántos chips; ¿serán producidos estos chips por una empresa, comprados por una empresa? Parece que no; se dispersarán", razonó. Si los chips y las capacidades de inferencia se dispersan entre fabricantes y empresas de modelos que utilizan diferentes modelos, el código abierto se convierte en la función forzada que impulsa el progreso en todo el ecosistema, incluidos los marcos de trabajo de Agentes, el diseño de chips y los sistemas energéticos.
La decisión de abrir el código depende de si una empresa tiene "algo que nadie más puede hacer; un nicho estratégico ganado a corto plazo". Si es así, pueden abrir el código. Si el modelo en sí es el nicho ecológico, no lo harán. El enfoque de Xiaomi refleja su orientación emprendedora a pesar de ser una gran empresa. "No siento que esté trabajando en una gran empresa ahora", dijo Luo. "Creo que Xiaomi en su conjunto está muy orientada al emprendimiento; parece una gran empresa pero en realidad es una empresa muy flexible".
El panorama competitivo se está comprimiendo. En 2023, la brecha era sobre el escalado de Pre-Train frente a arquitecturas innovadoras. En 2024, la aparición sorpresa de o1 y R1 forzó cambios de paradigma del pre-entrenamiento al post-entrenamiento, exponiendo a los equipos que seguían organizados a lo largo de líneas funcionales rígidas. Ahora, en 2026, los equipos que no se han reorganizado en torno al post-entrenamiento de Agentes están quedando atrás permanentemente. "Creo que los próximos dos o tres meses van a ser realmente emocionantes", predijo Luo, y para aquellos que todavía hacen el trabajo de Agente a la antigua, esa emoción será aterradora.