近日，小米“天才少女”罗福莉又有新动作——发表了一篇全新论文，直接点出了当下AI领域热门方向AIAgent的关键难题，还给出了切实可行的解决方案，再次引发行业关注。
说起罗福莉，很多人都有印象，这位95后科研者曾被雷军以千万年薪挖到小米，入职后一直深耕AI大模型和系统优化领域。此前，她就以通讯作者身份，参与小米和北大联合的研究，解决了MoE强化学习训练不稳的难题，这次的新论文，更是把目光对准了AIAgent落地的核心瓶颈。
可能有人会问，AIAgent到底是什么？简单说，它正在从我们熟悉的聊天工具，升级成能自主干活、有长期记忆、还能远程操作的“数字员工”。比如Anthropic最近更新的Claude Code，新增了循环执行、长期记忆等功能，被开发者夸“堪比官方版龙虾”，也能看出AIAgent在实际应用中潜力巨大。
但潜力再大，也有绕不开的坎——算力资源浪费严重。过去AI行业竞争，主要看模型参数、训练数据和GPU算力，资源需求比较单一。可AIAgent不一样，一个完整任务要在GPU、CPU和API之间频繁切换。
举个例子，写代码时需要GPU提供算力，编译、测试代码又要靠CPU，查资料还得调用API接口。这种复杂的需求，让传统的资源调度方式根本跟不上，也导致了大量算力浪费。
罗福莉在论文里给出的数据很直观：在一些AI编程任务中，CPU的实际利用率只有47%，差不多一半的算力都闲置着。这对需要大规模训练AIAgent的企业来说，无疑是一笔不小的成本损耗，也成了AIAgent普及的拦路虎。
为什么会出现这种情况？原来传统的调度方式，是任务一开始就分配固定的CPU或GPU资源，直到任务结束才释放，这种“一占到底”的模式，根本适配不了AIAgent多步骤、多资源切换的特点。
针对这个痛点，罗福莉和她的团队在论文中提出了一个叫Tangram的新型系统。简单来说，就是把传统的“任务级调度”改成“动作级调度”，不再给整个任务固定分配资源，而是根据每个具体操作的需求，动态分配对应资源。
比如写代码时调用GPU，编译测试时切换到CPU，查资料时启用API，这样就能实现资源共享复用，从根本上解决算力浪费的问题。
实验数据也证明了这个方案的实用性：Tangram系统能让AIAgent的平均任务时间缩短4.3倍，训练效率提升1.5倍，外部资源成本降低71%。对大规模开展AIAgent训练的团队来说，这无疑是雪中送炭，也为AIAgent规模化落地扫清了一大障碍。
其实，罗福莉的这项研究，也贴合了当前AI行业的发展趋势。现在，OpenClaw解决了AIAgent的运行框架问题，Claude Code、Devin攻克了实际应用难题，行业竞争已经从单纯比模型能力，转向了比更全面的Agent系统能力。
而罗福莉团队聚焦的底层算力调度，正是Agent系统能力的核心，刚好填补了行业在这一领域的空白。
从农村普通家庭走出，靠自己的努力考上北大硕士，再被雷军重金邀请加入小米，接连发表重磅论文直击行业痛点，罗福莉的成长之路本身就很励志。更难得的是，她的研究从不“纸上谈兵”，始终聚焦AI技术的实际落地难题。
对小米来说，罗福莉的研究成果，不仅夯实了小米在AI大模型领域的技术基础，也为其“人车家全生态”战略的AI赋能提供了有力支撑。对整个AI行业而言，这篇新论文不仅给出了AIAgent算力调度的具体办法，还引导行业关注底层系统优化，推动AIAgent从“好用”变得“高效又省钱”，为通用人工智能发展注入了新动力。
目前，AIAgent正处于攻坚阶段，各种技术难题不断出现。而像罗福莉这样的年轻科研者，正凭借敏锐的洞察力和扎实的技术，在底层技术领域不断突破。相信随着Tangram系统的进一步优化和落地，AIAgent的算力浪费问题会得到有效缓解，应用场景也会越来越广。未来，罗福莉也有望在小米的平台上，带来更多直击行业痛点的研究成果，推动AI技术朝着更高效、更实用的方向发展。
（文/人间观察员）