前DeepSeek研究员罗福莉加盟，小米AGI持续突破

AGI研发一直被算力成本掣肘，不少团队因训练开销过高放缓研发节奏。据IT之家3月17日消息，小米罗福莉AI团队联合北京大学，推出资源管理系统ARL-Tangram，为行业提供了新的解题思路。

这项成果来自前DeepSeek研究员、小米MiMo大模型负责人罗福莉团队，也是其入职小米后的第二项技术突破。在智能体强化学习任务中，该系统展现出较为突出的优化效果，也让AGI从实验室走向现实的门槛有所降低。

一、算力痛点凸显，系统优化成行业重要方向

当前AGI训练的算力投入持续走高，强化学习场景的资源调度难题，更是影响研发效率的重要因素。中国工程院院士郑纬民曾指出，大模型训练成本中算力相关支出占比偏高，企业侧也普遍面临资源弹性不足的问题。

小米与北大研发的ARL-Tangram，采用统一动作级公式与弹性调度算法，兼顾异构资源约束，同时缩短动作完成时间。这套方案不依赖硬件堆叠，而是从系统调度层面做优化，契合当下行业轻量化研发的趋势。

实测数据显示，该系统可将强化学习训练步骤持续时间缩短，同时节省较多外部资源，平均动作完成时间指标也有相应提升。对于中小研发团队而言，这类优化能有效降低试错成本，让更多主体参与到AGI研发中。

二、校企协同：理论与产业结合的研发路径

罗福莉团队的这项突破，延续了小米与北京大学的合作模式。2025年10月，双方已联合发布聚焦MoE与强化学习的论文，本次成果是校企协同的又一落地。

校企联合已成为AI技术突破的常见模式，西北工业大学与华为联合研发流体力学大模型、复旦团队与金融机构合作垂类模型，都是将学术理论与产业场景结合的尝试。高校提供理论支撑，企业落地场景验证，能加快技术从论文到产品的转化。

罗福莉在2025年小米人车家全生态合作伙伴大会上曾提出，智能终将从语言迈向物理世界。本次算力优化成果，正是为物理世界智能体落地提供资源层面的支撑，也贴合小米全生态的AI布局。

三、技术迭代：小米AGI的务实推进节奏

罗福莉加入小米后，始终围绕高效、低成本的AGI研发方向推进。其团队先在MoE架构上做出探索，又聚焦资源调度优化，形成了较为清晰的技术迭代逻辑。

不同于单纯追求参数规模的思路，小米AI团队更注重落地效率。ARL-Tangram针对真实智能体任务优化，解决的是训练过程中的实际痛点，而非停留在理论指标层面。这种务实路径，也让小米AGI的落地节奏更贴合产业需求。

需要注意的是，AI技术迭代仍存在不确定性，算力优化方案的规模化落地、不同场景的适配效果，还需要持续验证。行业整体的算力成本下降，仍需要硬件、软件、调度等多环节协同推进。

从语言大模型到物理世界智能体，小米的AGI布局始终围绕场景落地展开。本次算力成本优化突破，不仅是团队技术能力的体现，也为行业提供了可参考的研发思路。

AGI的发展从来不是单一技术的突进，而是成本、效率、场景的综合平衡。你觉得算力优化，会成为AGI普惠化的关键推力吗？ai能力对比 AI算力自主化 企业级AI架构 企业级AI平台 企业AI算力 ai提效手册 ai指数报告