【Agent的综述】和苏煜聊Agent技术史、OpenClaw Moment、边界的消弭和社会的辐射

2026 年 5 月 1 日，张小珺更新了第 139 期《商业访谈录》，时长 138 分钟。嘉宾苏煜是俄亥俄州立大学计算机系教授，OSU NLP Group 的负责人，也是创业公司 NeoCognition 的创始人。他 2025 年拿到斯隆研究奖，公司最近完成了 4000 万美元种子轮。节目里，张小珺把问题拉回技术原理层，让苏煜从 1960 年代的逻辑 Agent 一路讲到 2026 年的 OpenClaw Moment。

这期节目适合静下来读。它不提供“Agent 将改变一切”的兴奋剂，它更像一张技术地图：Agent 的定义怎么来的，神经 Agent 和语义解析各自解决了什么，Language Agent 为什么在 2022 年之后成为主线，OpenClaw 和 ChatGPT 的爆红为什么结构相似，以及为什么苏煜认为今天所有瓶颈最后都指向同一个词，持续学习。

苏煜自己的判断很明确：通用数字 Agent 是终点，但真正稀缺的是专精智能。世界由几百万个小世界组成，每个职业、每个公司、每个软件都有自己的熵。谁能做出让 Agent 快速进入这些小世界并成为专家的学习方法，谁就拿到了下一阶段的入场券。

先把 Agent 的定义说清楚 0:03:44

苏煜是湖南人，清华计算机本科，赴美读博士，后来到俄亥俄州立大学任教。他组里做过不少 Agent 早期工作，包括 Mind2Web、CACT、LLM Planner，也做过 MMMU 这个多模态模型评测基准。2025 年他搬到硅谷，开始 NeoCognition，定位是一个 Agent research lab。

节目开头，张小珺请他先给 Agent 下定义。苏煜给了三个要素：有边界的实体，处在某个环境里，进行目标导向的活动。Agent 的关键不在“智能”两个字，关键在边界、环境和目的。没有边界的东西会发散，没有环境的东西无法行动，没有目的的东西只是在随机游荡。

它是一个实体，有边界，在环境里工作，并且带有目的。

按这个定义，动物都是 Agent，人是最先进的 Agent。AI 从 1940 到 1960 年代的鸿蒙时期开始，目标就是造出能模仿人的 Agent。后来大家发现，直接造一个完备 Agent 太难，领域才分化成计算机视觉、自然语言处理、逻辑推理等子方向。

最早能工作的 Agent 是逻辑 Agent，时间大概从 1950 年代到 1990 年代。做法是请领域专家接受采访，把知识写成一阶谓词逻辑，再配一个推理引擎。新问题进来，系统在已有知识上做逻辑推演，给出答案。专家系统曾经是 AI 的主旋律，后来卡在知识获取瓶颈。写逻辑太痛苦，太慢，能表达的东西又太少。专家系统没有兑现承诺，直接导致 1980 到 1990 年代那场 AI Winter。

苏煜提到一本很多人拿来做 AI 入门的书，《Artificial Intelligence: A Modern Approach》，第一版 1995 年出版，作者是 Stuart Russell 和 Peter Norvig。Stuart Russell 后来跟苏煜说，这本书表面上讲 AI，本质上是一本关于 Agent 的书。第一章就在讲什么是 intelligent agent。只是后来大家把这件事忘了。Agent 从来不是新概念，它贯穿 AI 的始终。

两路并行：神经 Agent 与语义解析 0:13:10

2000 年以后，Agent 出现实质变化。一条线是高调的神经 Agent，主要在深度强化学习里。AlphaGo、Atari 街机游戏、Dota、星际争霸，都被 AI 解决过一遍。这些 Agent 的主体往往只有几千万到一亿参数，放到今天非常小。它们做的事很单一，输入是游戏画面，输出是动作，网络做一次前向传播就完成一次决策。

从记忆和自主性两个维度看，神经 Agent 比逻辑 Agent 强，但限制仍然明显。记忆只覆盖这个游戏的规则和感知，自主性只覆盖“看画面、做动作、等环境变化”这个循环。它的推理是隐式的，计算量固定，一次 forward pass 就是全部预算。人不是这样，问题越复杂，人花在推理上的计算越多。

另一条线是语义解析，主要发生在 NLP 社区。它要做的是把人说的话转换成机器能读懂的 formal meaning representation，背后可以是知识图谱、数据库、网站。神经 Agent 关注做深，在受限环境里用大量数据把一件事做好；语义解析关注做广，把语言、沟通、感知和行动空间扩开。

苏煜的博士阶段做的就是语义解析。他提到一批后来在 LLM 和 Agent 里起作用的人，Percy Liang、Luke Zettlemoyer、于涛，还有 OSU 的宋欢，都有语义解析背景。Luke Zettlemoyer 在 Meta 做过 RoBERTa，也在 AI2 做过 ELMo。ELMo 是 GPT 之前的重要语言模型，GPT 受过这些工作启发。

他当年选语义解析，有一个很个人的动机。软件和网站越来越复杂，普通人要上几个月的 Excel 培训班，AWS 有几百个功能，能组合出几千种工作流，成为 AWS 专家要几年。人好像在变成电脑的奴隶。他在博士答辩时说过一句话：

让机器去理解人的语言，理解人的想法，人不必像机器那样思考。

这句话放到今天，仍然能解释他为什么从语义解析转向 Language Agent。

Language Agent 为什么是一个分水岭 0:21:24

2020 年以后，尤其是 2022 年 ChatGPT 出来之后，局面完全变了。苏煜和杨迪、姚舜宇、于涛在 2024 年做过一个 tutorial，把这一代 Agent 定义为 Language Agent。理由不是它们“用了大模型”，理由是语言成了它们做所有事情的脚手架。

语言可以做感知，语言理解让 Agent 和人交互的形式变得灵活。语言可以做推理，Chain of Thought 让模型对复杂任务多生成 token，每多一个 token 就多一次 forward pass，推理预算变成可伸缩的。语言可以做行动，自然语言、形式语言、机器语言都能成为行动的媒介。语言模型训练本身也是塑造记忆的过程，把海量语言压缩成对世界的表示。

语言让 Agent 第一次拥有可伸缩的推理预算。任务简单就少想几步，任务复杂就多想几步。这个变化看起来朴素，影响很深。苏煜把语言比作脚手架，虽然中文听起来有点怪，但它确实是 Agent 搭起感知、推理、行动的那层架子。

他还把 AI 的演化类比成生物演化。地球生命从有机物到真核细胞花了十亿年量级，从真核细胞到哺乳动物又花了很久。智人这个种出现只有两百多万年，在整条演化史上只是沧海一粟。但智人内部，语言出现之前和语言出现之后，进化速度完全不同。系统性的符号表达大约十万年前出现，成体系的书面语言只有五六千年，最近五六千年正好是人类文明大爆炸。

苏煜 2023 年写过第一篇博客，标题是 Language Agents: A Critical Evolutionary Step for Artificial Intelligence。他想说的是，语言在人类演化里是爆炸式加速剂，Language Agent 在 AI 演化里可能扮演类似角色。

过去三年的关键工作，他按自己的经历串了一遍。2022 年初 Chain of Thought 出现，带来自适应推理。2022 年底姚舜宇做 ReAct，把 CoT 扩展到有外部环境的环境里，Agent 每一步感知环境、做推理、决定动作、改变环境。2022 年底苏煜组做 LLM Planner，是最早用 LLM 做机器人规划的工作之一。同期还有 Mind2Web，2022 年 10 月开始做，2023 年初发布，算第一个基于 LLM 的 Web Agent 或 Computer Use Agent。

2023 年 2 月，Meta 的 Toolformer 出现，第一个用语言模型调用工具的工作。苏煜说，这份工作当时在微软内部被 CTO Satya 全公司传阅。2023 年 3 月，AutoGPT 爆红，GitHub Star 很快冲到十万，后来到十八万，是当时 GitHub 历史上涨星最快的项目之一。它做的事很简单，给 LLM 套一个 Agent 外壳，看上去什么都能做，实际能做成的事很少。另一个代表性项目 AI Engineer，后来长成了 Lovable。

2023 年下半年，团队转向多模态，先做 MMMU，再做 CACT。同期 CMU 的 Graham Neubig 团队做了 WebArena。2024 年，于涛组做 OSWorld，把环境推向桌面。苏煜组做 UGround，提出 Agent 应该像人一样用电脑，视觉感知加像素级动作。后来 Claude Computer Use、OpenAI Operator 都采用类似 embodiment。2024 年 10 月 Claude Computer Use 出来，2025 年 Operator 和 ChatGPT agents 出来，Claude Code 在 Cursor 影响下起步，Opus 4.5 之后 coding 能力在硅谷出现爆炸式扩散。2025 年 11 月底 OpenClaw 出现，2026 年 2 月真正爆红。

边界正在消失，coding 是那把铲子 0:40:56

早期大家把 Language Agent 分成 Web Agent、Computer Use Agent、Coding Agent，还分 browser、desktop、mobile，分 GUI、CLI、API。苏煜一直觉得这些划分是临时的。所有界面边界最后都会被 coding 抹平。最后大家想要的是一个 universal digital agent，能在数字世界里做人能做的一切，甚至做得更好。

他特别提到 Anthropic 的 CEO Dario。Dario 对 coding 的判断很准。coding 是数字世界最底层的 fabric，所有东西都能用 code 表达。GUI 本身也是 code render 出来的，CLI、API、text-based representation 都能用 coding 形式做等价转换。coding 会主导打破这些边界。

张小珺问，今天大家叫 Coding Agent，定义会变吗。苏煜说不会。编程语言本身就是 language，language 从来不只指自然语言，它包括一切符号化的东西，图表、手势、编程语言，都是自然语言的衍生物。自然语言是人的脚手架，编程语言是机器的脚手架，最后它们要达到的目的相同，都是描述和操纵世界。

这也解释了为什么 coding agent 在 2025 年最火。coding 不只是产品热，它是数字世界的 building layer。谁能写 code，谁就能改环境、造工具、接系统、绕开界面。Agent 的边界消弭，背后是 coding 能力在推。

OpenClaw Moment 与 ChatGPT Moment 的同构 0:48:56

苏煜把 OpenClaw 和 ChatGPT 放在一起看，发现结构很像。ChatGPT 出来之前，LLM 技术已经发展了好几年，BERT、ELMo、GPT-1、GPT-2、GPT-3 一路铺过来。OpenAI 做的事是把底层模型 fine tune 成 chatbot，直接放给公众。底层技术没有大变，交互形式变了。大家突然发现，原来模型已经这么能聊。

OpenClaw 之前，Agent 技术也已经 ready。coding 能力在涨，Agent 设计范式在成熟。大部分做 Agent 的人看 OpenClaw 代码库，会有一种“nothing new here”的感觉。真正变的是交互形式和权限姿态。它可以在 WhatsApp 这类即时通讯软件里交互，有自己的独立环境，24 小时 always on。它开源，权限大开，YOLO 式地让 Agent 想干嘛就干嘛。闭源产品不敢这么放，开源项目把这个问题摊开了。

OpenClaw 的冲击，一半来自能力，一半来自交互形式和权限姿态。它让大量用户第一次发现，Agent 已经能做这么多不同的事。苏煜认为，过两年回头看，OpenClaw Moment 的影响可能和 ChatGPT Moment 同量级。ChatGPT 标志 LLM 范式变化，OpenClaw 标志高度自动化、个人化 Agent 的范式变化。

后续反应已经很快。Anthropic 的 Claude Code 在加各种 feature，OpenAI 砍掉实验性项目，聚焦 Agent、生产力、coding。英伟达也在推企业级 Agent 策略。国内大厂动作更快。裁员新闻和大众对 Agent 能力的感知，有明显关系。

张小珺感觉中国对 OpenClaw 的热情比美国高。苏煜同意。美国的热主要在开发者群体，离技术近的人在研究怎么做得更深。中国的热更出圈，更全民化，街头巷尾、地方政府都在聊，叙事从开源项目变成时代性产业机会，甚至变成个人翻身的工具，带着“不学就被淘汰”的焦虑。他还听说，国内有老人拿着电脑去找人帮忙装 OpenClaw。

苏煜把这看成中美科技辐射 pattern 的差异。中国在应用层动作一向快。Google 前 CEO Eric Schmidt 专门聊过这一点。AI 时代，基础模型的智能已经越过临界点，很多有用的事以前没人做，因为摩擦太高，经济账算不过来。现在 Agent 能把摩擦降下来，很多事从不值得做变成值得做。中国有洞察和执行力的人多，应用层是优势。过程会有浪费，有人花钱装 OpenClaw，发现没用，再花钱卸载，社会整体仍然受益。

但他也提醒，OpenClaw 门槛仍然很高，大部分人很难从里面找到价值。Agent 要真正好用、容易用，每个有独特想法的人都能把想法变成能产生价值的 Agent。技术进步太快，job displacement 的速度可能超过新岗位产生速度，社会会出问题。作为 Agent 研究者，他把技术民主化看成责任，不能让核心技术因为门槛高被少数巨头垄断。

四千万美元种子轮，押注专精智能 1:02:05

NeoCognition 的 Neo 来自 neocortex，新皮层。公司定位是 Agent research lab，所有跟 Agent 相关、可能帮助最终解决 Agent 问题的研究，都在 scope 里。中长期重点是一个关键词：specialization，专精智能。

苏煜的逻辑是，通用智能已经变强，尤其在数字世界，给 Claude Code、OpenClaw 一个任务，它可能百分之六七十概率做对。通用智能变成标配，差异化就来自专精。世界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、每个网站都有自己的小世界。这些世界的熵几乎无限，一个单一 Agent 或单一模型不可能 capture 所有熵。必然有 adaptation 和 specialization 的过程。怎么建模、抓住、学会这个过程，是 NeoCognition 的研究重点。

公司做横向研究，不押几个 vertical，自然会偏 enterprise。企业客户对 Agent 能力深度要求更高。苏煜提到 SaaS apocalypse 的说法。他的判断是，软件估值逻辑在变，margin 被迅速压缩，股价下跌反映这一点。但 Agent 不会替代或重写所有软件。软件公司也在自救，从 tool 转向 labor market，从卖工具转向直接交付结果。AI native 公司、前沿模型公司、SaaS 公司，谁赢谁输，现在还不好说，实验才刚开始。

NeoCognition 2025 年七八月成立，2026 年 3 月完成 4000 万美元种子轮，前后六个月。苏煜说融资算顺利，Agent 方面的过往工作给了可信度。美国融资市场两极分化严重，头部公司融资额和估值越来越大，普通公司越来越难。OpenAI、Anthropic 的融资额可能占市场三到五成。VC 也在分化，要么做 mega fund，要么做 boutique firm，靠 deep knowledge 和关系拿 edge。

投资人会看过往工作，也会看 thesis。现在 Agent 空间太 chaotic，所有故事都有人讲过。关键是找到 differentiation，既 credible 又 feasible，团队要是最好的执行者，做成之后商业价值要大，OpenAI 和 Anthropic 还不能轻易 copy。

苏煜解释为什么大厂不能轻易 copy：根子在事情有多难。他做 benchmark 时强调 construct validity 和 ecological validity，评测的事要和最终产生实际价值的事高度相关。做公司选赛道也一样。如果这个赛道被解决，不管被谁解决，都会给社会带来根本变化，上限极高，那它就不会只有一两家 player。专精智能、expert agent 非常难，现在没人能打包票知道怎么解决。真做到，经济价值极高。不确定性高，就会有不同的技术路线，像 robotics 一样，大家会 play some crazy bets。

他离开学校创业，不是因为学校不好。他在微软有全职工作，收入比学校高三四倍，还是果断去了学校。他兴趣多，同时想做十个事情，学校最适合做 weird ideas。现在出来，是因为 Agent 研究过了 proof of concept 阶段，真正有意思的 idea 需要资源，GPU、API、强团队、快速试错，学校基因不匹配。更底层的原因是，Agent 最大的 learning signal 来自 deployment，来自真实环境里的持续学习。学校很难有 deployment。他早就知道自己会做 startup，只是一直等底层技术和自己的想法 ready。2025 年初到年中，他看到语言模型、computer use、coding、多模态都开始 ready，对 Agent 瓶颈也有了更深的认知，才出来。

世界模型、持续学习，与 Agent 的真正瓶颈 1:20:30

苏煜对 world model 的定义比很多人宽。现在大家提 world model，容易想到 vision-based model，做 next frame prediction、video prediction、3D reconstruction，或者学 latent variable 做 planning。这些很重要，也是 LLM 明显欠缺的能力。但 world model 不只限于视频。

他举了一个实习生入职的例子。第一天到公司，不知道工作内容，不知道公司怎么运转。很快能在 on the job learning 里学会组织架构，表面的 org chart 和实际的权力关系，谁说话管用，做什么事找谁批准，工作需要的软件怎么用，一个操作会带来什么结果，各种 workflow，人和人之间的 theory of mind。这些都属于 world model。这个公司、这个工作，就是一个 micro world。实习生变成专家的过程，就是构建这个小世界模型的过程。

持续学习的目标，是学出一个关于工作的小世界模型。这个模型不是 video model。vision 是其中一部分，更多部分天然是符号化的，甚至非符号非视觉。人成为专家后，做事情接近百分之百可靠，速度更快，成本更低。现在 Agent 乍一用很强，给它一个任务，百分之六七十能做对，剩下百分之三四十不知道什么原因失败。它不可靠、不快、不便宜，要消耗大量 frontier model token。差别就在 specialization 和 world model。

他把 continual learning 和 world model 看成同一件事。continual learning 这个词现在用法很杂，最早是学新任务不忘旧任务，后来 personalization、recursive self improvement、OpenClaw 式学习、RL post training 都叫 continual learning。苏煜更关心“到底学了什么”。他认为 literature 最大的 gap 是学习目标应该是 world model。持续学习是为了更好地学会一个广义 world model。

这跟人类智能关系很深。NeoCognition 的名字来自 neocortex，新皮层占人脑约 70%，进化上出现很晚，早期哺乳动物的新皮层很小，到猩猩才急剧增大，到人登峰造极。新皮层进化时间短，却要承载视觉、语言、听觉、逻辑、planning 所有智能。进化上最有效的办法，可能是找到一个足够 general 的学习机制，一个结构，重复很多遍。解剖结构上确实如此，新皮层由 cortical column 皮质柱组成，人脑大约有 15 万个，每个皮质柱结构高度相似，再特化成不同功能。

苏煜提到 Jeff Hawkins 的《A Thousand Brains》。书里的理论是，每个皮质柱都在学 world model，一个皮质柱里有几百个小 world model，15 万个皮质柱里，每个概念在多个皮质柱里有多个模型，最后主导感知、推理、决策。这个理论还早期，但苏煜觉得很 make sense。人的持续学习、cognitive maps、conceptual framework，是很 established 的事，Agent 和 AI 的持续学习还远没解决。

语言和 world model 的关系，苏煜和 Chris Manning 观点相近。视觉非常重要，新皮层里视觉区域最大。人类社会里产生价值，最大的来源还是语言。人和猩猩的智能、文明差距天翻地覆，人的视力不如猩猩，听力、感知、运动能力都不是最好，语言是独一无二的。Terrence Deacon 在《The Symbolic Species》里论证，符号和人大脑 coevolution，符号化表达产生新的进化压力，让智人开了新赛道。语言能跨越时空传递信息，也能代际传递，不能适应语言环境的个体会被淘汰。

他还提到语言和思维可以分离。MIT 的 Evelina Fedorenko 做了一系列研究，论证 the dissociation of language and thoughts。人脑语言区主要是布洛卡区和韦尼克区，负责产生和理解。做复杂推理任务时，这些语言区不一定被点亮。个体思考可以不需要语言。但苏煜补了一句：

个体的思考未必需要语言，文明一定需要语言。

人学习的过程，是把需要语言做脚手架的知识内化成神经连接。个体思考可以脱离语言，文明离不开符号化表达。现代文明的每个尖端工业、每个 domain，都是符号化的，语言、图表、编程语言是现代文明的根基。这也是他坚持 Language Agent 的原因。即使未来底层模型不再是 LLM，而是某种 world model，以语言为根本去理解世界、推理、交互的能力不会消失。

Agent 今天最大的瓶颈，苏煜归到同一个东西。memory、self learning、continual learning、world model、specialization、expert agent，最后是一件事。self learning 和 continual learning 是过程，world model 是学习内容，specialization 是结果。结果带来可靠性、速度、成本优势。2026 年技术上，continual learning、self learning 会是主旋律。具体方式是不是基于 world model 的 continual learning，是其中一个 bet，会有很多不同 bets。

大厂的 bets 在收敛。Anthropic 现在一家独大，给大家打了样，很多公司在抄作业。OpenAI 全面转向 productivity、coding、Agent。Google 模型强、生态好，但 adoption 声势总缺一块。xAI 对 computer use agent 有热情，老马成立 MacroHard，想用 computer use agent 取代软件和 knowledge work，技术路线可能像特斯拉 FSD，偏小模型、视觉、video、end to end。Jeff Bezos 回归 operator，做 Project Prometheus，融了六七十亿美元，方向偏 manufacturing、物流、基建、工厂。国内字节的 UI-TARS、豆包手机，智谱的 AutoGLM，都做得早。苏煜和清华唐杰认识多年，2023 年去清华讲 Mind2Web，后来合作做了 AgentBench，是最早的 Agent benchmark 之一。

节目最后，苏煜给了两个预测。技术上，continual learning 会在未来几年被解决，Agent 会广泛渗透到社会各角落，改变很多行业的生产关系。社会上，真正的 concern 是 job displacement。如果 Agent 大规模取代 knowledge worker，新岗位不够，再分配机制不够，收益集中在少数头部公司和资本手里，社会会受到极大影响。他不担心可预见未来的 existential risk，AI 现在没有原生的 goals、intention、生存压力，所有目的都是人赋予的。

对读者来说，这期节目留下的判断很具体。做 Agent 产品，别只盯着通用入口，去找一个熵足够大的小世界，把 deployment 变成学习回路，让 Agent 从实习生变成专家。评估 Agent，别只看 demo 里能不能跑通，要看可靠性、速度、成本，看它在真实工作流里能不能稳定交付。用 Agent，先给它边界和权限，再谈自动化。苏煜反复讲技术民主化，意思很实在：如果只有巨头能部署 expert agent，Agent 的好处会被少数人拿走；如果每个有领域洞察的人都能把想法变成 Agent，技术才可能变成普通人的工具。