小米加码 160 亿押注大模型与端侧 Agent：AI 人才战进入“系统级工程”阶段

小米正在把 AI 从“功能增强”推向“系统底座”。随着创始人雷军宣布 AI 人才专项招聘正式启动，这家以硬件见长的公司，正在以更高强度投入重塑其 AI 战略：不仅是模型能力的堆叠，更是围绕大模型、端侧推理与智能体（Agent）的全栈工程化布局。

导语：从 AI 功能到 AI 系统，小米进入深水区

根据官方披露，小米今年在 AI 领域的研发及资本开支达到 160 亿元，覆盖基座大模型、具身智能机器人以及移动终端 AI 等多个方向。这一规模的投入，意味着小米的 AI 战略已经从“应用层集成”跃迁至“底层能力自研 + 生态整合”的阶段。

与此同时，面向 2024–2027 届毕业生及博士后的人才专项招聘同步开启，岗位覆盖大模型、移动端 AI、自动驾驶等核心领域，释放出一个明确信号：AI 已成为小米未来数年最核心的技术主线。

招聘背后：AI 工程体系的全面铺开

从岗位设置来看，小米此次招聘并非传统意义上的“算法岗扩招”，而更接近一次完整 AI 工程体系的搭建：

• MiMo（Mi Model）方向：聚焦大模型训练与推理优化，涉及分布式训练、混合精度计算、推理加速等关键技术
• MiClaw：移动端 AI 性能工程，核心在于模型压缩、量化（INT4/INT8）、端侧推理框架优化
• OS Agent：系统级智能体算法，目标是在操作系统层实现跨应用任务编排与自动执行

这种岗位结构体现出一个趋势：AI 能力正在从云端模型扩展至“端 + 云协同”的复杂系统工程。

技术路径：大模型 + 端侧推理 + Agent 三位一体

从技术架构角度，小米当前布局可以拆解为三层：

1. 基座模型（Foundation Model）

基座大模型是能力源头，负责提供通用语义理解、推理与生成能力。对小米而言，这不仅是提升 AI 助手体验的关键，也是构建生态壁垒的基础。

在工程层面，这涉及：

• 大规模分布式训练（数千卡 GPU/ASIC 集群）
• 数据管线与对齐（RLHF / DPO 等方法）
• 推理服务优化（如 KV cache、speculative decoding）

2. 端侧 AI（On-device AI）

不同于纯云厂商，小米的优势在于终端设备规模。因此，端侧 AI 成为其差异化重点：

• 模型压缩：通过蒸馏、剪枝降低参数规模
• 量化推理：在移动 SoC 上实现低功耗运行
• 异构计算调度：CPU / GPU / NPU 协同执行

这类能力直接决定 AI 是否能“常驻设备”，而非依赖云端调用。

3. 系统级 Agent（OS-level Agent）

OS Agent 是本轮招聘中最值得关注的方向之一。其目标是将大模型能力嵌入操作系统，实现跨应用自动化：

例如用户输入一句自然语言指令，Agent 可以自动拆解任务、调用多个 App API、完成复杂流程（如预订、支付、信息整合）。

在实现上，这涉及：

• 任务规划（task planning）与工具调用（tool use）
• UI 语义理解（screen understanding）
• 权限与安全沙箱控制

这标志着 AI 从“对话助手”向“执行代理”的演进。

具身智能与汽车：AI 外延场景的延伸

除了手机与操作系统，小米还在两个高复杂度场景加码：

• 具身智能机器人：融合视觉、控制与语言模型，实现物理世界交互
• 智能汽车与自动驾驶：将感知、决策与大模型能力结合，探索车载 Agent 与人机交互新范式

这两个方向的共同点在于：AI 不再只是信息处理工具，而是直接参与现实世界的决策与执行。

行业视角：AI 人才竞争进入“复合能力”阶段

小米此次招聘的一个关键信号在于人才画像的变化。

相比过去单一的算法或工程岗位，现在更强调“跨栈能力”：

• 既懂模型训练，又理解系统优化
• 既能做云端推理，又能落地端侧部署
• 既关注算法指标，也关注用户体验与功耗

这反映出 AI 行业正在从“模型竞赛”转向“工程落地竞赛”。单一维度的能力已经难以支撑复杂产品，系统级整合能力成为新的核心壁垒。

结语：从设备厂商到 AI 系统公司

小米的这一轮投入与招聘，本质上是在重构自身技术定位——从以硬件为中心的设备厂商，转向以 AI 为核心驱动的系统公司。

当大模型能力逐渐趋同，真正决定产品差异的，将是“模型 + 系统 + 设备”的整合能力。而这正是小米试图通过 160 亿投入与人才战略构建的长期护城河。

对于 AI 技术社区而言，这一动向的意义不止于一家公司的扩张，更预示着：下一阶段的竞争，将发生在“端云一体化 Agent 系统”的工程深水区。