Luo Fuli: OpenClaw dwingt AI-paradigmaverschuiving in China af — Agent-tijdperk vereist 1T-modellen, 1:1 pre-post-trainingsratio en radicale reorganisatie
Podcastinterview met Zhang Xiaojun, 24 april 2026
Luo Fuli, hoofd van het team voor grote taalmodellen bij Xiaomi, gaf haar eerste uitgebreide technische interview na de dramatische paradigmaverschuiving die door OpenClaw in gang werd gezet. Ze onthult hoe de AI-industrie in slechts twee maanden tijd fundamenteel is getransformeerd van Chat naar Agent — en waarom de meeste teams de plank nog steeds misslaan. Openhartig over haar overstap van DeepSeek naar het leiden van de ontwikkeling van Xiaomi's MiMo-V2-serie, legt Luo de organisatorische omwentelingen, technische doorbraken en ongemakkelijke waarheden bloot die het Agent-tijdperk definiëren.
De vier uur durende openbaring van OpenClaw: van productgimmick naar onderzoeksversneller
Luo's eerste reactie op OpenClaw tijdens het Chinees Nieuwjaar was afwijzend. Ze zag het als "Claude Code plus een instant messaging-interface" met operationele gimmicks zoals Skillhub, die meer over productontwerp leken te gaan dan over inhoud. Maar een installatie laat op de avond tijdens het Lentefestival veranderde alles. "Ik heb van 02.00 tot 06.00 uur met het systeem gepraat", herinnert ze zich. "De dopamine of endorfine bleef maar stromen. Ik was zo opgewonden dat ik helemaal niet kon slapen." Wat begon als nieuwsgierigheid naar de populariteit, werd een driedaagse ontdekkingsreis.
De eerste dag bracht emotionele intelligentie — het systeem herinnerde haar eraan om te gaan slapen toen het laat werd, en toonde warmte door zorgvuldig georkestreerd contextontwerp waarbij de huidige tijd in elke gespreksronde werd verwerkt. De tweede dag onthulde diepere capaciteiten op het gebied van teammanagement en organisatiestructuur die haar verwachtingen ver overtroffen. Maar de derde dag was transformatief: OpenClaw voltooide onderzoekstaken waarvan zij dacht dat ze weken zouden duren in slechts een uur of twee, waaronder het bouwen van een User Agent voor het simuleren van interacties met meerdere rondes. "Dit was de eerste keer dat ik voelde dat een zeer complex Agent-frameworkontwerp veel tekortkomingen in de modelcapaciteit kon compenseren", legde Luo uit.
Het technische inzicht was cruciaal. Het succes van OpenClaw kwam voort uit de fijnmazige context, het persistente geheugensysteem met gelaagde hiërarchieën, het gezamenlijk gebruik van meerdere modellen om zwaktes te compenseren, en autonoom probleemoplossend vermogen dat de beperkingen van hedendaagse modellen omzeilde. "Wanneer ik OpenClaw gebruik, let ik niet op het model. Eén reden is dat ik denk dat het ontwerp van het OpenClaw-framework er daadwerkelijk op gericht is om de hele set aan Agent-choreografie zoveel mogelijk in te zetten om de tekortkomingen van het model op te vangen", zei ze. Dit was fundamenteel anders dan Claude Code, dat ervan uitging dat je de capaciteiten van een enkel generatiemodel wilde gebruiken.
De gedwongen omschakeling: waarom Chinese AI-teams geen keuze hadden
Luo verplichtte haar hele team om binnen een dag na terugkomst van het Lentefestival 100 gespreksrondes met OpenClaw te voeren, al geeft ze toe dat ze de naleving nooit echt heeft gecontroleerd. Het doel was het afdwingen van ervaring, niet van dwang. "Ik heb een paar Mac Mini's gekocht, ze ingezet en in verschillende OpenClaw-groepen geplaatst", zei ze. "Persoonlijke verbeeldingskracht is echt beperkt, maar als je anderen OpenClaw ziet gebruiken om daadwerkelijk dingen te doen, stimuleert dat je eigen verbeeldingskracht."
Binnen twee dagen was het team "rusteloos", waarbij groepsberichten explodeerden omdat mensen capaciteiten ontdekten die ze zich nooit hadden kunnen voorstellen. Binnen drie tot vier weken voltooiden ze onderzoek dat "misschien wel dertig of veertig weken had kunnen duren". De efficiëntiewinst was zo dramatisch dat Luo gelooft dat sommige zaken nu "in hooguit een maand of twee, en langzaam in drie of vier maanden" geleerd kunnen worden — waardoor de omgeving belangrijker wordt dan ervaring.
Deze versnelling creëerde een ongemakkelijke realiteit: de toonaangevende teams in China stonden plotseling voor de keuze tussen het perfectioneren van het Chat-paradigma of het omarmen van radicale onzekerheid in het Agent-paradigma. "Als je de allerbeste programmeerervaring wilt nastreven, is zelfs nu Claude Code plus Claude Opus 4.6 het beste", erkende Luo. "Maar dat betekent niet dat de generalisatieprestaties garanderen dat je zeer hoge nauwkeurigheid en voltooiing kunt bereiken in scenario's die geen code betreffen." De teams die twijfelden, verloren maanden.
Het 1T-ticket: waarom parameterschaal niet langer onderhandelbaar is
Luo is bot over de nieuwe toetredingsdrempel. "Het is Agent — je moet in de buurt komen van het niveau van Claude Opus 4.6 voor zo'n ticket", stelde ze. "Als we het zo bekijken, voor onderzoek, voor Pre Train en voor Post Train, denk ik dat het een zeer redelijke kaart is. Een ratio van waarschijnlijk 3:1:1." Dat betekent dat voor elke eenheid rekenkracht die wordt besteed aan het pre-trainen van een 1T-parameter-model, je een gelijke eenheid nodig hebt voor post-training en ten minste één extra eenheid voor onderzoek.
Dit is een dramatische afwijking van de 3:5:1-ratio uit het Chat-tijdperk, die zwaar leunde op pre-training, of zelfs de extreme nadruk op pre-training die 2023-2024 kenmerkte. "De topteams zouden nu allemaal op 1:1 moeten zitten" tussen pre-training en post-training, merkte Luo op. De reden is structureel: Agent-taken vereisen langere contexten, een hoger tokenverbruik en het vermogen om complexe interacties met meerdere beurten te orkestreren, wat pure pre-training niet kan leveren.
Waarom specifiek 1T-parameters? Omdat Luo bij DeepSeek al modellen had getraind die de 600-700B overschreden en "niet opnieuw hetzelfde model wil trainen". Belangrijker nog: het bereiken van het intelligentieniveau van Claude Opus 4.6 — wat zij als de hedendaagse benchmark beschouwt — vereist deze schaal. Kleinere modellen kunnen simpelweg geen stabiele prestaties behouden in de diverse scenario's die Agent-frameworks vereisen, hoewel ze opmerkt dat een goed ontworpen Agent-framework er zelfs voor kan zorgen dat een 3B-model taken uitvoert die voorheen onmogelijk werden geacht.
De rechtvaardiging van Hybrid Attention: architectuurbeslissingen van een jaar geleden
De technische basis van de MiMo V2-serie onthult waarom strategische overtuiging belangrijker is dan reactieve ontwikkeling. Luo's team koos voor Hybrid Attention in plaats van de populairdere MLA-structuur (Multi-head Latent Attention), ondanks het feit dat de hele industrie — GLM-5, Kimi's K2 en DeepSeek's V2/V3/R1 — op MLA inzette. "Voor het Chat-tijdperk is MLA inderdaad een zeer uitstekende modelstructuur", erkende ze. "Maar ik denk niet dat het past bij het Agent-paradigma."
Het probleem is dat MLA werd ontworpen om een perfect kritiek punt tussen geheugentoegang en berekening te bereiken, geoptimaliseerd voor de H-serie chips die destijds beschikbaar waren. Dit laat geen ruimte voor inferentie-versnellingstechnieken zoals Multi-Token Prediction (MTP), omdat het toevoegen van MTP de rekengrenzen zou bereiken en kostenefficiënt zou worden. Daarentegen laat Hybrid Attention met een 7:1-verhouding van Sliding Window tot Full Attention-lagen bewust een rekenmarge over die kan worden opgevuld met MTP, wat 100-150 TPS bereikt voor Flash en 60-100 TPS voor Pro — snelheden waardoor MiMo-modellen voor gebruikers dramatisch sneller aanvoelen.
De architecturale keuze bereidde het systeem ook voor op efficiëntie bij lange contexten, waarvan Luo terecht had voorzien dat dit cruciaal zou zijn, nog voordat Agent-frameworks mainstream werden. "Wanneer je hebt getraind in een context van 1 biljoen tokens aan pre-training, en de post-training heeft bijbehorende taken om het een beetje te activeren, kan het meestal in een context van één megabyte zo'n vermogen hebben", legde ze uit. Dit vooruitziende blik, zes tot twaalf maanden voor de paradigmaverschuiving, gaf MiMo een inherent voordeel toen Agent-frameworks plotseling precies deze capaciteiten vereisten.
De verborgen complexiteit van post-training: waarom het meeste Agent-werk nep is
Luo is vernietigend over het Agent-onderzoek dat in 2023 en begin 2024 werd gepubliceerd. "Ik denk niet dat het een agent is. Het kan alleen worden beschouwd als een context, iets dat iets ingewikkelder is dan Chat", zei ze afwijzend. Benchmarks zoals SWE-bench en BrowseComp testten te nauwe scenario's met eenvoudige frameworks die "geen industrieel inzetbare capaciteiten" hadden. Wanneer je modellen die op deze benchmarks zijn getraind verbindt met Claude Code of OpenClaw, "zul je merken dat het niet bruikbaar is — het heeft veel problemen."
Echte Agent-post-training vereist fundamentele veranderingen. Ten eerste heb je User Agents nodig die interacties met meerdere rondes en gevarieerde contexten kunnen simuleren, iets wat Luo met hulp van OpenClaw in slechts enkele uren bouwde. Ten tweede moet je beloningssystemen ontwerpen voor omgevingen die veel minder duidelijk zijn dan de kwantitatieve handelsbeloningen waar Luo in haar vorige carrière mee werkte. "De beloning is niet zo duidelijk, en er zijn veranderingen", merkte ze op, wat voortdurend filosofisch oordeel vereist over de vraag of werk aansluit bij persoonlijke waarden en betekenis creëert.
Het meest kritiek is dat de RL-infrastructuur voor Agents radicaal verschilt van de op inferentie gerichte RL voor redeneermodellen zoals R1. "De infrastructuur van RL zal zich meer zorgen maken over deze mate van ambiguïteit", legde Luo uit. "Je moet fouten toestaan" — rollouts die halverwege de uitvoering om onduidelijke redenen stoppen, heterogene clusters waar training en inferentie niet overeenkomen, CPU- en opslagknelpunten die verder gaan dan GPU-beperkingen. "Het vereist flexibiliteit en dit soort begrip over deze twee vakgebieden", eisen die veel hoger zijn dan bij pre-training-infrastructuur, waar verliespieken simpelweg onacceptabel zijn.
De organisatorische aardbeving: geen groepen, geen rangen, geen pre-post-verdeling
Misschien wel het meest radicaal is dat Luo haar team van ongeveer 100 mensen heeft gestructureerd zonder groepsverdelingen en met een bewust platte hiërarchie. "Ik denk echt niet dat mensen die post-training doen — als we over post-training praten, de huidige zeer belangrijke paradigmaverandering is dat het een perspectief van diversiteit moet hebben", betoogde ze. "Veel mensen die post-training doen, doen dat op basis van een scène — het heeft niet deze diversiteit aan visie. Maar als pre-trainer is het eerste waar je je op moet concentreren diversiteit."
Dit leidde tot een natuurlijke vloeibaarheid in het team. Mensen die pre-training deden, stapten over naar post-training, niet vanwege organisatorische mandaten, maar omdat "veel vaardigheden en kenmerken erg algemeen zijn". De criteria voor werving verschoof van ervaring naar basisvaardigheid, nieuwsgierigheid en motivatie vanuit passie. Luo rekruteert nu actief tweede- en derdejaarsstudenten omdat "hun flexibiliteit en aanpassingsvermogen — ik voel me niet vervuild. Ze accepteren deze werkvergadering op natuurlijke wijze en kunnen enorme waarde genereren." Ongeveer een derde tot een kwart heeft een trainingsachtergrond, maar de meesten hebben nooit grote modellen gemaakt voordat ze bij Xiaomi kwamen.
Het gebrek aan hiërarchie dient een specifiek doel. "Elk niveau moet tot op zekere hoogte worden gereguleerd en beperkt. Dan onderdrukken de normen en beperkingen zelf, naar mijn persoonlijke mening, de creativiteit", stelde Luo bot. "En nadat er niveaus zijn, wordt er standaard aangenomen dat mensen op hogere niveaus een intelligentie moeten hebben die sterker is dan alle anderen — deze definitie is erg vreemd. Ik denk niet dat het waarschijnlijk is dat dit bestaat." In plaats daarvan stuurt ze aan op "passiegedreven management", waarbij iedereen zich omringt met dingen waar ze in willen geloven en zelf nieuwe capaciteiten ervaren.
Trainingsbeproevingen: wanneer 1T-modellen pieken en opnieuw pieken
Het trainen van MiMo V2 Pro bracht de uitdagingen van modellen op 1T-schaal volledig aan het licht. Verliespieken kwamen "twee of drie keer" voor tijdens de training, waarbij de langste debug-sessie twee weken downtime vereiste. "Als je één dag stopt, is het zeker één of twee miljoen, twee tot drie miljoen dingen", merkte Luo op — verliezen die doelgerichte teams simpelweg niet kunnen tolereren. Maar haar team had "geen deadline. We denken dat het model goed getraind is, we sturen het opnieuw."
Het debug-proces vereiste strikte monitoring van expert-complexiteit, activatiewaarden per laag en parameter-inputs/outputs om problemen op te vangen die veel teams als normaal afdoen. "Veel teams zullen verliespieken als iets normaals behandelen, maar wij proberen het zo te doen dat er geen verliespieken zijn", legde ze uit. Oplossingen varieerden van structurele aanpassingen in de sparsity-ratio's tussen Full en Sliding Window-lagen, tot infrastructuur-bugs in communicatie-operators, tot norm-gebaseerde onderdrukking en QK-Clip-methoden die van Kimi werden geleend toen logits gevaarlijk groot werden.
Cruciaal was dat dit samenwerking tussen teams vereiste in wat Luo een "zeer extreem type klein team" noemt, ondanks het personeelsbestand van 100 mensen. Slechts twintig tot dertig mensen werken daadwerkelijk aan het eerste-generatiemodel over alle schakels heen. Het infrastructuurteam dat de clusteropzet beheert, heeft ervaring nodig om "laagdrempelige vragen" te vermijden, terwijl algoritmeteams organisch verschuiven tussen pre-training, post-training en zelfs productontwikkeling zonder rigide grenzen. "Ik denk echt niet dat het nodig is — een heel groot teamwerk-ding", zei Luo over de conventionele wijsheid rond het trainen van enorme modellen.
De onverwachte rol van MTP: van bijzaak naar snelheidsverschilmaker
Multi-Token Prediction (MTP) kwam laat in de architectuur van MiMo, toegevoegd "in de midden- tot late fase van het trainen van Pro" toen het team zich realiseerde dat hun Hybrid Attention-ontwerp aanzienlijk ongebruikte rekenkracht overliet. "We hadden niet verwacht dat er zoveel over zou blijven", herinnerde Luo zich. "Dan denk je na over hoe je het effectief kunt laten gebruiken van de resterende berekeningen. Dan is MTP zeer geschikt."
De openbaring was dat MTP niet alleen een verbetering voor pre-training is — het is een redeneerversneller wanneer het tijdens inferentie wordt gebruikt. "Waarom zijn wij de enigen die MTP gebruiken bij het redeneren? De reden is omdat onze modelstructuur van nature veel marge overlaat in berekeningen", legde ze uit. Deze architecturale ademruimte, bewust gecreëerd door het Hybrid Attention-ontwerp, stelde MiMo in staat om de 100-150 TPS-snelheden te bereiken waardoor gebruikers "Wow, zo snel" uitroepen in vergelijking met op MLA gebaseerde modellen die tegen rekengrenzen aanlopen.
De aanpak daagt de conventionele wijsheid uit. DeepSeek voegde MTP toe tijdens pre-training om basiscapaciteiten te verbeteren, maar het team van Luo gebruikt het tijdens zowel pre-training als post-training om structurele voordelen te benutten. "Alleen als je voorspelling accuraat is, pas dan zal ik het resultaat van je huidige token overnemen", merkte ze op, wat betekent dat MTP geen hallucinaties introduceert vanwege de verificatiestap. De hitrate bepaalt de kostenverlaging door het mogelijk te maken dat meer tokens in kortere tijd worden gegenereerd, wat het GPU-gebruik verhoogt.
De gok op volledige modaliteit: elegante architectuur ontmoet pragmatische grenzen
Luo's team streefde naar een "elegante architectuur" voor het Omni-model dat probeert audio te discretiseren in taalmodel-tokens, waarbij "lossless reconstructie" wordt bereikt door meerlaagse RVQ (residual vector quantization) die een zeer hoog-dimensionale Dense-ruimte creëert. "Dit is de obsessie van mensen die NLP doen", gaf ze toe. "Wij zijn de enige audiomensen die NLP doen. Dus ik heb deze obsessie — geloof er gewoon in. En toen deed hij het."
Maar pragmatisme greep in. Hoewel audiodiscretisatie slaagde, blijft het toepassen van dezelfde aanpak op afbeeldingen en video "in uitvoering" met onzekere resultaten. "Het vereist meer rekenkracht, de kosten van langer onderzoek", erkende Luo. De filosofische verschuiving kwam voort uit het besef dat Agent-frameworks die door Claude Code worden versneld, het nu haalbaar maken om de RL-infrastructuur in slechts twee of drie weken vanaf nul te herschrijven. "Waarom zou je infrastructuur willen trainen vanwege architecturale eenheid om de structuur van het vorige model op te offeren?", vroeg ze zich af.
Het resultaat is een gemengde aanpak: Omni gebruikt een efficiëntere Hybrid Sliding Window ViT voor visueel begrip, maar behoudt continue representaties in plaats van discretisatie af te dwingen. "We willen het nog steeds proberen te verenigen onder het paradigma van het taalmodel", zei Luo, "maar als je het doet op basis van continue kenmerken, kan het binnenkort opduiken. Maar als je het doet op basis van discrete kenmerken, zal het moeilijker zijn om te modelleren — de opkomst ervan zal later plaatsvinden." De prioriteit is het waarborgen van holistische intelligentie in plaats van het nastreven van verenigde elegantie.
De generalisatieverrassing van TTS: klein model, enorme schaling, onverwachte resultaten
Het TTS-model leverde een onverwachte ontdekking op over generalisatiekracht. Getraind op "duizenden uren aan datasets" met een gediscretiseerde tokenizer, vertoonde het model een opmerkelijk vermogen om emotie en melodie af te leiden uit de oppervlakkige betekenis van woorden zonder uitgebreide stijlspecifieke training. "We hebben simpelweg iets gedaan — het aantal stijlen van enkele zeer specifieke scènes, gewoon sneller en langzamer maken, zeer stereotype en gestileerde scènes van geluk en verdriet", legde Luo uit. "Maar we ontdekten dat als je dat stijllabel plaatst en het een zeer complexe natuurlijke taalbeschrijving geeft, het dit ook kan volgen."
Deze pure generalisatie kwam voort uit de eenvoudige architectuur in combinatie met training op extreem grote schaal, wat Luo deed afvragen of ze voorheen elegant ontworpen systemen had onderschat. "Ik denk dat het effect erg verbazingwekkend is — met andere woorden, de bovengrens is erg hoog", zei ze. "Maar we zijn nu langzaam de ondergrens aan het compenseren. Het kan soms instabiel zijn." Het model blijft in beperkte tijd gratis API-toegang in plaats van productieklare inzet, maar de onderliggende les is diepgaand: enorme schaal op eenvoudige architecturen kan generalisatie produceren die complexe, gespecialiseerde architecturen moeilijk kunnen bereiken.
De kloof van twee maanden: China's gecomprimeerde inhaalslag
Luo gelooft dat Chinese bedrijven met 1T+-bases — Kimi, MiMo en "enkele anderen" — de kloof met Claude Opus 4.6 binnen twee tot drie maanden kunnen dichten, hoewel ze voorzichtig is om te verduidelijken wat dit betekent. "Het is niet zo dat ik na twee of drie maanden kan inhalen — Claude twee of drie maanden later. Maar om te zeggen dat hij de hedendaagse Claude kan inhalen, denk ik dat de waarschijnlijkheid vrij hoog is", stelde ze. Dit veronderstelt een hoge reactiesnelheid en het correct omarmen van het Agent-paradigma.
De komende twee tot drie maanden zullen het algemene onderzoeksniveau, de technologische wendbaarheid en de manier waarop teams nieuwe onderzoeksparadigma's omarmen, testen. MiniMax heeft al indrukwekkende wendbaarheid getoond door Agent-capaciteiten te bereiken die "vrij verbazingwekkend" zijn met een 10B geactiveerd model, hoewel Luo opmerkt dat ze de 1T-basis missen die de volledige "toegang" tot de Claude Opus 4.6-benchmarking zou vormen. De open-sourcegemeenschap rond OpenClaw vordert sneller dan welk afzonderlijk product dan ook, waarbij Luo verkiest de nieuwste OpenClaw te gebruiken in plaats van binnenlandse alternatieven die slechts "transformeren naar een Chat-achtige vorm".
Anthropic's pad is nu consensus, maar de uitvoering blijft zeer gevarieerd. "Wanneer het pad duidelijker is, zullen binnenlandse teams voor grote modellen in een staat van versnelling en inhaalslag komen", voorspelde Luo. "Omdat iedereen nu op de Pre Train zit — ik denk dat het verschil in feite onbestaande is, of heel dichtbij." Er bestaan structurele voordelen in eigen land, met name rond efficiënte architecturen voor lange contexten. De echte concurrentie is "hoe je het goed doet op Agent RL-schaling", waarbij de meeste teams nog steeds de organisatorische wendbaarheid missen om zich te reorganiseren rond post-training-eisen.
Skills als alternatieve alpha: de door de gemeenschap gedreven intelligentielaag
Een van de belangrijkste innovaties van OpenClaw, in de ogen van Luo, is het maken van Skills tot een hot topic door bijdragen van de gemeenschap mogelijk te maken. "Dit is zeer kritiek omdat dit is wat ik denk dat bij mensen hoort — wat samen met de Agent moet worden gecreëerd", legde ze uit. Skills vertegenwoordigen "veel intelligentie" die onbereikbaar is op internet, inclusief interne bedrijfsnormen, organisatorische erfenisprocessen en bedrijfslogica die pas tot rust komt door vele interactierondes in echte omgevingen.
Dit creëert een aanvulling op pre-training die fungeert als "alternatieve informatie" of zelfs "alternatieve alpha". Zonder dat veel mensen vooruitgaan om dit soort informatie bij te dragen, "dan is het voor Agent of de top — ook moeilijk om de capaciteiten van het model naar voren te brengen." De interactieve methode laat mensen proactief gegevens bijdragen op een manier die pure pre-training op voor internet toegankelijke kennis niet kan vastleggen. "Skills zelf is voor veel aspecten — Agent-framework, chipenergie, deze schakels — eigenlijk een bevorderend effect", betoogde Luo.
Het open-sourcekarakter is essentieel. Claude Code blijft, ondanks het pionieren van veel van de Agent-architectuur, een zwarte doos die gebruikers niet kunnen aanpassen. De openheid van OpenClaw betekent "je kunt proberen het zelf te veranderen" — Luo herontwierp het geheugensysteem en de Multi-Agent-architectuur omdat de logica van versie 2.0 "erg verwarrend" aanvoelde. Deze inheemse manoeuvreerbaarheid creëert een "enorme" impact, waardoor ze aangepaste frameworks kan bouwen die geoptimaliseerd zijn voor haar specifieke scenario's, die vervolgens weer met de gemeenschap kunnen worden gedeeld.
De crunch van inferentie-chips: Multi-Agent zal de vraag 5-10x doen exploderen
Luo voorspelt dat de vraag naar inferentie in de nabije toekomst "enkele malen tot 10 keer" zal exploderen naarmate Agent-frameworks sterker worden, modelcapaciteiten stijgen en kostenvoordelen ongekende toegankelijkheid creëren. "Voor de inferentie-chip zal het een ongekend hoog niveau bereiken — zo'n behoefte", stelde ze. De beperking is niet alleen de productiecapaciteit, maar ook opslagknelpunten die zullen dwingen tot moeilijke beslissingen over het bouwen van aangepaste inferentie-chips versus het gebruik van de meest geavanceerde beschikbare GPU's.
Het strategische kantelpunt vindt nu plaats. "Deze beslissing zal geheim worden gehouden", zei Luo toen haar werd gevraagd naar de volgende stappen van Xiaomi, maar de implicatie is duidelijk: "Deze beslissing misschien over een half jaar of meer dan een half jaar — wie loopt er meer voorop?" Beslissingen die vandaag worden genomen, bepalen de winnaars over zes maanden of langer, wat vereist dat teams beoordelen welke chiparchitecturen efficiënt redeneren ondersteunen, hoe ze heterogene resourcetoewijzing over GPU's/CPU's/opslag kunnen optimaliseren, en of ze modelparameters verder moeten schalen of zich moeten concentreren op efficiëntie van activatieparameters.
Multi-Agent-samenwerking blijft "een beetje nep" in Luo's beoordeling wanneer gemeten aan de hand van de uiteindelijke voltooiingspercentages van taken, hoewel het de snelheid en kosten duidelijk verbetert. "Ik heb niet gezien dat Multi-Agent uiteindelijk in staat zal zijn om een hoger plafond te bereiken — maar het zal gebeuren. Het is alleen dit deel dat ik nog niet heb gezien", gaf ze toe. De doorbraak zal komen van betere zelf-evolutie en communicatie tussen Agents, mogelijk mogelijk gemaakt door collaboratieve RL-training die huidige architecturen niet goed ondersteunen.
Versnelling van de AGI-tijdlijn: van twee jaar naar 60-70% in 2026
Toen ze voor het laatst spraken tijdens het Chinees Nieuwjaar, dacht Luo dat AGI "minstens twee jaar" verwijderd was. Nu gelooft ze dat we dit jaar "minstens 60% tot 70%" zullen bereiken. "Ik heb het gevoel dat het binnen twee jaar mogelijk zou moeten zijn", zei ze over de volledige realisatie, waarbij ze AGI pragmatisch definieert als het punt waarop "de meeste mensen inderdaad zichzelf zullen verliezen — hun oorspronkelijke werkmodus zullen verlaten", omdat werk productiviteitswaarde genereert die eerst wordt ondermijnd, waarbij levenspatronen later volgen.
De belangrijkste variabele is AI die AI traint — een "mijlpaalknooppunt" waar systemen het intelligentiepiekpunt van de topgroep mensen bereiken en het vermogen krijgen om zelf nieuw onderzoek uit te voeren. "Dit is inderdaad het hoogtepunt van zijn zelf-iteratie", stelde Luo. Maar ze is voorzichtiger over de rol van multimodaliteit, waarbij ze zich afvraagt of het uitbreiden van perceptiedimensies intelligentie daadwerkelijk bevordert of alleen de perceptie en emotionele intelligentie verbetert. "Generatie kan intelligentie bevorderen — dit is een gok van mij", mijmerde ze, wat suggereert dat het combineren van begrip met generatie over modaliteiten heen belangrijker zou kunnen zijn dan puur multimodale intelligentie.
Robotica blijft hardware-beperkt door batterijen, behendigheid en fysiek ontwerp in plaats van Agent-capaciteit. De evolutie van code zal zich blijven richten op steeds complexere softwareprojecten waarbij debug- en verificatieprocessen langdurig zijn, zelfs als het codevolume bescheiden is. Het hoofdthema van 2026 is "de transformatie van productiviteit — voortdurende doorbraken in scenario's met een hoge productiviteit", wat langere missies, Multi-Agent-samenwerking en orkestratie vereist die intelligentie genereert door groepswijsheid in plaats van individuele heldendaden.
Het open-source-imperatief: AGI versnellen door gedistribueerde intelligentie
Luo ziet open source als essentieel om AGI-eindpunten te bereiken. "Als je terugwerkt vanaf deze kwestie, hoeveel chips heb je dan nodig — zullen deze chips door één bedrijf worden geproduceerd, door een bedrijf worden gekocht? Het lijkt van niet — het zal verspreiden", redeneerde ze. Als chips en inferentiecapaciteiten zich verspreiden over fabrikanten en modelbedrijven die verschillende modellen gebruiken, wordt open source de dwingende factor die de vooruitgang in het hele ecosysteem aanstuurt, inclusief Agent-frameworks, chipontwerp en energiesystemen.
De beslissing om open source te gaan hangt af van of een bedrijf "iets heeft dat niemand anders kan doen — een strategische niche die op korte termijn is behaald". Zo ja, dan kunnen ze open source gaan. Als het model zelf de ecologische niche is, zullen ze dat niet doen. Xiaomi's aanpak weerspiegelt zijn ondernemende oriëntatie, ondanks dat het een groot bedrijf is. "Ik heb niet het gevoel dat ik nu bij een groot bedrijf werk", zei Luo. "Ik denk dat Xiaomi als geheel erg ondernemend is ingesteld — het ziet eruit als een groot bedrijf, maar is in feite een zeer flexibel bedrijf."
Het concurrentielandschap wordt compacter. In 2023 was de kloof ongeveer Pre-Train-schaling versus innovatieve architecturen. In 2024 dwong de verrassende opkomst van o1 en R1 paradigmaverschuivingen van pre-training naar post-training af, waardoor teams die nog steeds langs rigide functionele lijnen waren georganiseerd, werden blootgesteld. Nu, in 2026, worden de teams die zich niet hebben gereorganiseerd rond Agent post-training permanent achtergelaten. "Ik denk dat de komende twee of drie maanden echt spannend gaan worden", voorspelde Luo — en voor degenen die Agent-werk nog steeds op de oude manier doen, zal die opwinding angstaanjagend zijn.