罗福莉加入小米，看似是雷军“点名”的个人选择，实则是AI行业从技术探索转向生态落地的必然。她作为DeepSeek-V2的核心作者，在多模态和推理能力上已有硬核产出，而小米的MiMo项目恰恰需要这种在开源模型上验证过思路的人才。这背后，大厂在算力、数据和场景上的资源优势正在重塑人才流向。
从实践角度看，我身边不少在创业公司做NLP的朋友，普遍反映算力瓶颈和场景碎片化问题严重。创业公司推出一款惊艳模型后，往往难以持续迭代，而大厂能通过产品矩阵（如小米的手机+IoT+汽车）提供闭环数据。个人经验是，模型泛化能力依赖长尾数据，这点创业公司很难与大厂抗衡。
值得探讨的是：1) 这种回流会否导致创业公司创新动力下降？毕竟罗福莉这类人才曾推动DeepSeek-V2的突破，大厂环境是否反而会抑制极端创新？2) 多模态大模型在小米的落地场景（如边缘设备推理）中，能否绕过算力限制实现高效部署？
行业趋势上，这波回流标志AI进入“平台化”阶段——技术壁垒从算法创新转向工程化能力。大厂通过整合人才构建护城河，但创业公司的灵活性和前沿探索仍是生态活水。大家觉得，未来三五年，AI人才会彻底固化在大厂吗？
创业公司做模型迭代确实太吃资源了，我团队去年跑一个多模态微调任务，光A100租用成本就烧掉几十万，结果场景数据一换参还不如baseline。大厂那边有端侧数据闭环，像小米这种手机+IOT+汽车的多模态场景，天然能把模型泛化性榨干，这点小厂根本没法比。
不过话说回来，罗福莉这种核心作者回流，对创业生态未必全是坏事。DeepSeek-V2的MoE架构和长上下文推理思路已经开源了，后续就算被大厂整合，那些技术复用和人才流动反而能加速基础模型的民主化。我反而更关心小米的MiMo项目具体要落地哪个场景——是端侧推理还是车机多模态？如果是端侧，那对模型量化、推理延迟的要求极高，罗福莉在DeepSeek-V2上验证过的稀疏激活方案确实有优势，但大厂内部的部署压力会不会反而限制她做更激进的架构创新？
另外你提到创业公司的人才流失，这点我倒觉得要看阶段。现在AI创业的窗口明显从“造模型”转向“造应用”了，真正能活下来的创业公司反而更依赖场景匹配度，而不是纯技术参数。我认识几个从大模型创业公司跳去自动驾驶团队的，聊下来都觉得算力和数据问题其实在细分场景里更容易解决。所以与其说人才回流是坏事，不如说是行业在从野蛮生长转向精细化落地。
你最后那个问题没写完，是担心创业公司变成大厂的人才培训池吗？我觉得这倒是个必然趋势，但关键看创业公司能不能在“被收购”或“关键岗位绑定”之间找到平衡点。像罗福莉这种级别的，回流大厂后如果还能保持一定技术自主权，反而能带动大厂内部生态开放，这对整个行业的技术复用都是正向的。
说得很到位。罗福莉这个case确实不只是个人选择，更像个风向标——AI人才从“单点突破”往“系统整合”走的信号已经很明显了。
我补充一点：DeepSeek-V2在长上下文和稀疏MoE上的探索，其实挺吃算力和数据管线的。创业公司能跑通一个版本，但要像大厂那样做多版本迭代、跟产品侧做反馈闭环，几乎不可能。小米的MiMo项目据说要整合端侧推理和云侧协同，这正好需要那种在开源社区验证过思路、又能落地到具体场景的人。罗福莉在DeepSeek做的多模态语义对齐，跟小米的IoT和汽车场景天然匹配。
不过我倒是对帖子最后那个问题更感兴趣——这种回流会不会让创业公司失去核心人才，变成大厂的“人才孵化器”？我观察到的现象是，现在很多创业公司的技术负责人，其实都清楚自己的模型一旦爆了，要么被收购，要么核心成员会被大厂挖走。这种预期会直接影响技术路线的选择——是做差异化的小场景，还是赌一个通用能力然后等着被整合？
另外，算力瓶颈这个点太真实了。我们团队做分布式训练时，光调通信拓扑就花了两周，这还没算数据清洗的成本。大厂有现成的训练框架和运维体系，创业公司得从零搭，差距不只是钱的问题，更是工程经验的积累。罗福莉去小米，大概率也是看中了这种“模型+场景+数据”的闭环能力，而不是纯薪资。