Agent 的瓶颈不是智能，是它学不会成为专家
通用智能已经够用且廉价，真正稀缺的是 specialized intelligence——让 agent 像实习生变成老师傅那样，持续学会某个小世界的 world model。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
逻辑智能体死于知识获取瓶颈
苏煜把 1950 到 1990 年代的专家系统叫 logical agent：把领域专家的知识写成逻辑语言，配一个推理引擎，新问题来了就做逻辑推演。它的 memory 只是一个有限集的 logical statement，表达能力被逻辑语言本身 bound 住，世界上绝大部分东西没法用简单逻辑表达。autonomy 也只剩「接一个问题、推一个答案」。真正压垮它的是 knowledge acquisition bottleneck——靠工程师去采访专家再翻译成逻辑形式，过程痛苦、低效、效果有限，直接导致 80 到 90 年代那波 AI winter。
— 苏煜深度强化学习的智能体只有一次前向传播
2000 年后 neural agent 在 deep reinforcement learning 里出了 AlphaGo 这类代表作，但从 memory 和 autonomy 两个角度看仍然很受限：主体就是一个很小的神经网络，几十 million 到顶 100 million parameter，只玩一个或一类游戏，输入是画面、输出是动作。它的推理是隐式的，就藏在一次 forward pass 里，不管情况多复杂，能用到的 compute 就是一次前向传播。人不是这样——情况复杂度不同，推理的计算量显然不同。另一个硬伤是 sample efficiency 极差，一个简单游戏可能要玩几百万盘才学会。
— 苏煜语言是这一代 agent 的脚手架
苏煜和杨迪、姚顺宇、于涛在 2024 年专门做 tutorial 定义 language agent。这一代 agent 基于 LLM，最大的不同是可以用 language 作为 scaffold：perception 用 language understanding，交互形式灵活得多；reasoning 用 chain of thoughts，任务复杂就多产生 token，每个 token 都是一次 forward pass、一定量的 compute，于是达到 adaptive computing。语言同时是 take action 的媒介，包括 formal language 和 machine language，能在 digital world 里做各种事。从 memory 角度，大模型训练本身就是以语言为脚手架、通过 compression 形成对世界的 representation 的过程。
— 苏煜OpenClaw 时刻和 ChatGPT 时刻是同一种时刻
苏煜认为两者高度相似：底层技术其实早就 ready。ChatGPT 之前 LM 已经发展好几年，从 BERT、ELMo、GPT-1 到 GPT-3，ChatGPT 只是把模型 finetune 得更像 chatterbot 再直接 release 给公众，底层技术没大变化，变的是交互形式，而这个变化成了导火索。OpenClaw 也一样，大部分做 agent 的人看它的 code base 会有 nothing is new here 的感觉，但它是交互形式的深刻变化：可以在即时通讯软件里交互、有独立环境、24 小时 always on，而且它开源、不管 permission 和 safety，所有东西都打开。他相信再过两年看，OpenClaw 的影响力可能也是类似规模。
— 苏煜基础模型智能已越过临界点，缺的是抓价值的人
苏煜引用 Google 前 CEO Eric Schmidt 的观察：美国在应用层一般慢很多，中国一向在前端技术应用上动作很快，而这在 AI 时代是很大的优势。原因是基础模型的 intelligence 已经超过临界点，对很多有用的事情来说 it's good enough。很多事以前没人做，是因为摩擦太高、经济账算不过来；现在 AI 能力可以极大降低这些摩擦，很多事情从不值得做变成值得做，就有了商业价值。缺的是有足够洞察和执行力去发现、抓住这些价值的人。他承认过程会有浪费，比如先花钱装 OpenClaw 发现没用、又花钱找人卸载，但对社会整体仍是积极发展。
— 苏煜通用智能变廉价后，差异化来自 specialization
苏煜说现在 AI 到了通用智能很强的阶段，在 digital world 里随便给 Cloud Code、OpenClaw 一个问题，只要不是高度专业、且有必要信息，大概有百分之六七十的概率能做对。所以缺的是 specialized intelligence：当通用智能变成标配，differentiation 来自 specialization。世界不是一整个世界，是由几百万个小世界组成，每个职业、每个 domain、每个公司、每个软件、每个网站都是一个小世界，这些世界的 entropy 加起来几乎无限，不可能有单一 agent 或单一模型 capture 全部，必然有 adaptation 和 specialization 的过程。
— 苏煜World model 不只是视频预测，是实习生变成专家
苏煜对 world model 的定义比多数人宽。大家提到 world model 通常指 vision based、做 next frame prediction 或 3D reconstruction 的模型，他认为这很重要、也是 LM 欠缺的能力，但 world model 是整个 human intelligence 最重要的概念。他举例：大学刚毕业进公司实习，第一天完全不知道工作内容，但能在 learning on the job 中持续学习——公司的 org chart 表面和实际是什么样、谁说话管事、找谁批准、软件怎么用、工作流是什么、人与人之间的 theory of mind，这些全是 world model 的一部分。这个 microworld 的 model 显然不是 video model，很多部分天然是符号化的。
— 苏煜CLI 不会全面取代 GUI
苏煜认为 GUI 不会消失：人是 visual animal，大脑就是这么编码的，HCI 研究显示同样的东西可视化后大脑理解速度快零点几秒，GUI 还有 validation、win trust、auditing 的实际好处。agent 要不要 GUI 则是另一回事，但 GUI 是整个 digital world 的 de facto interface，99% 的东西已经有 GUI 可交互，而且 GUI 在设计过程中已经 encode 了大量 knowledge、constraint、business logic，agent 用好 GUI 就能 piggy back on all of this accumulated knowledge，而不是重造一套 CLI 或 API 的轮子，这样才能 immediately reach all corners of human society，尤其是 long tail 场景。他还举 semantic web 的例子：Tim Berners-Lee 推了二十几年，adoption 依然非常低，因为社会不是那么 work 的。
— 苏煜真正的风险是失业速度超过新岗位产生速度
苏煜看不到可预见未来里 AI 快速自我迭代、消灭人类的可能性，因为那不只是 intelligence 问题，而是 innate goals、intention、生存压力这些更高层面能力的缺失，现在所有目的都是人赋予的。他真正的 concern 是 job displacement：如果 AI agent 大规模取代 knowledge worker，一方面不能产生足够多新岗位承载 displaced workforce，另一方面没有好的收益再分配机制给社会兜底，而大部分收益被几家头部公司或资本获得，就会对社会产生极大影响。他认为 AI researcher 每个人都有责任，自己能做的重要事情是 democratize access to frontier agent capabilities。
— 苏煜原话 · 已逐字校验
但At the end of the day 就是最后这些东西都是在快速的converge 最后At the end of the day 大家想要的就是一个Universal Digital Agent
但归根结底，最后这些东西都在快速收敛，大家想要的就是一个通用数字智能体。
苏煜41:09
就大部分做agent的人去看open cloud的这个code base的话 可能会有一种nothing is new here 就这地方没有什么创新的这种感觉 但实际上它是一个也是一个交互形式的一个深刻的一个变化
大部分做 agent 的人去看 OpenClaw 的代码库，可能会有一种「这里没什么新东西」的感觉，但实际上它是一个交互形式的深刻变化。
苏煜51:15
这个model它显然不是一个video model 但vision当然是里面很重要的一部分 但显然也有更多的部分 它是天然就是符号化的 symbolic的
这个 model 显然不是一个 video model，vision 当然是里面很重要的一部分，但显然也有更多的部分天然就是符号化的。
苏煜1:16:50
这种individual thought doesn't need a language 但是civilization needs a language
个体的思考不需要语言，但文明需要语言。
苏煜1:36:01
但你现在 比如说我就先出来一个标准叫mcp 或者我出来一个标准 就是让大家都农进去写cli 然后你指望所有的行业都 在未来几年去adopt这个事情 这是几乎不可能的
但你现在比如先出来一个标准叫 MCP，或者出来一个标准让大家都去写 CLI，然后指望所有行业在未来几年 adopt 这件事，这是几乎不可能的。
苏煜1:43:05
因为他没有学过 他即使做过 他也没有一个有效的方式 把他给像人一样去学会 成为一个part of my expertise 所以他才会导致这些不稳定
因为他没学过，即使做过，他也没有一个有效的方式像人一样把它学会、变成自己 expertise 的一部分，所以才会导致这些不稳定。
苏煜1:52:13
那就是 All the way continue learning All the way word modeling
那就是一路走持续学习，一路走 world modeling。
苏煜2:15:23
数字与实体
| AutoGPT GitHub Stars | 约 18 万 | 34:03 |
| Neocortex 占大脑比例 | 约 70% | 1:21:53 |
| 人脑皮质柱数量 | 约 15 万个 | 1:24:54 |
| OpenAI 与 Anthropic 融资占市场比例 | 约 30% 到 50% | 1:07:38 |
术语
- semantic parsing语义解析
- 把人说的话转成机器能读懂的 formal meaning representation，如知识图谱、数据库、网站可执行的形式。
- language agent语言智能体
- 以语言为脚手架做 perception、reasoning 和 action 的智能体，苏煜等人在 2024 年 tutorial 中定义。
- world model世界模型
- 智能体对所处小世界的内部表示，苏煜认为不限于视频预测，也包括组织架构、工作流、theory of mind 等。
- continual learning持续学习
- 模型在部署后继续学习新任务或新环境，同时不遗忘已有能力，苏煜认为其学习目标应是 world model。
- cortical column皮质柱
- 新皮层中重复出现的单元结构，人脑约有 15 万个，Jeff Hawkins 理论认为每个皮质柱在学习 world model。
- non-parametric learning非参数化学习
- 不改模型参数、通过写 MD 文件或 harness 等方式让 agent 获得新能力，OpenClaw 的 skills 属于此类。
收听指南
想搞清 agent 技术脉络和下一步瓶颈的工程师、创业者与投资人，尤其是关心持续学习、world model 和 agent 产品形态的人。
2:10 之后的快问快答可跳过，前面 2:00 左右的自我介绍也可快进。