🔥 最炸裂的判断
1
Hot Take
"尤其是最近的五六千年，实际上是人类整个文明大爆炸式发展的时候。所以 language 在这里面起到极其重要的作用。而现在在 Agent 的演化过程中，好像又是一个类似的效果。"
Language Agent 不是简单的"大模型加工具调用"，而是 Agent 演化史上的一次范式级跃迁——语言让计算变得自适应，让推理变得显式，让知识可以跨代际传递。
2
Hot Take
"现在 AI 是 we live in a compressed timeline，现在每一年甚至每一个月的发展，是以前可能要十年才能达到的。"
从 ReAct 到 SWE-Agent 到 OpenClaw，Language Agent 在三年内走过了逻辑智能体和神经智能体六十年的路程。关键原因：LLM 一次性整合了推理、工具使用和语义理解。
3
Hot Take
"当通用智能变得廉价、变成标配的时候，它的 differentiation 实际上来自于 specialization。这个世界不是一个世界，它是由可能几百万个小世界组成的。"
苏煜 $40M 创业项目 NeoCognition 的核心赌注。当所有模型都能聊天写代码时，真正的壁垒在于"微观世界模型"——特定领域的深度专业知识。
🧪 技术判断
4
技术
"Agent 这个事情肯定不是一个新的话题，它是贯穿 AI 的始终的。最早的是基于逻辑的智能体，然后是 neural agent，然后 semantic parsing，到现在的 Language Agent。"
逻辑智能体的瓶颈是知识获取低效，神经智能体的瓶颈是推理隐式+样本效率低，语义解析扩大了行动空间，Language Agent 用语言作为脚手架整合了一切。
5
技术
"大语言模型训练的过程，实际上是一个压缩，从语言这些 surface form 压缩成一个对于世界的 model、一个 representation 的过程。它不是所谓的 stochastic parrots、随机鹦鹉。"
不是"记住文本"，而是在海量数据中提取结构、规律和因果关系。这是语言作为推理脚手架的基础。
6
技术
"如果任务比较复杂，我就可以多产生一些 token，每产生一个 token 都是一个 forward pass，都是 a certain amount of compute。这实际上就达到了一个 adaptive computing，就是有弹性的、自适应的推理。"
Chain of Thought 的核心洞察不只是"让模型说出推理过程"，而是语言赋予了模型一种动态分配计算资源的能力。
7
技术
"乍一用觉得非常强大，可能百分之六七十概率能做对，但百分之三四十就不知道因为什么原因失败了。这是因为它没有学过、没有一个有效的方式把它像人一样去学会，成为 part of my expertise。"
Micro World Model：每个专家级 Agent 需要学会特定领域的"潜规则"——公司的报销流程、软件的隐藏逻辑、行业的合规细节。通用知识解决不了这些问题。
🏢 行业格局
8
行业
"ChatGPT Moment 它是标志 LLM 这个范式的变化，而 OpenClaw Moment 它是标志着 Agent 这种高度自动化的、personal agent 的范式的变化。底层技术没有太大变化，更多是交互形式的变化。"
ChatGPT 让大众知道"AI 能聊天"，OpenClaw 让大众知道"AI 能替我干活"。技术上不令人惊讶，但 24h 在线 + YOLO 模式 + IM 交互的组合引爆了 Agent 应用。
9
行业
"最后大家想要的就是一个 universal digital agent。我之所以提到这些 boundary 都在消弭，其实也是跟 coding 有关系的。Coding 是最根本性的 fabric、building layer。"
Browser Use、Desktop Use、Coding Agent 正在快速融合。Coding 是关键——一旦 Agent 能写代码，就获得了创建新工具、自动化新流程的元能力。
10
行业
ChatGPT Moment
- 2022.11 引爆
- 模型范式的确立
- "原来 AI 能聊天"
- GPT-3.5 能力积累
OpenClaw Moment
- 2025-26 引爆
- 自动化 Agent 范式确立
- "原来 AI 能替我干活"
- Agent 技术栈成熟
两次 Moment 的共同模式：技术底层的渐进积累 + 交互形式的质变引爆 + 大众认知的范式转移。
🧭 交互与未来
11
洞察
"GUI 不会消失，因为人还需要 GUI。我们整个进化出来就是一个 visual animal，我们的大脑就是 wired that way。而且 GUI 也有做 validation、win trust、auditing 各方面的实际好处。"
短期 Agent 兼容 GUI 利用现有商业逻辑，长期 Agent 间用高效接口通讯，但 GUI 始终作为"事实接口"存在——人类需要看到 Agent 在做什么，信任需要可见性。
12
洞察
"从技术上 frontier 来说，continual learning、self learning 会是主旋律。我相信 continual learning 会被解决，而且是未来几年的时间。这会导致 Agent 非常广泛的应用，渗透到社会各个角落。"
目前 Agent 每次交互都从零开始——没有记忆、没有经验积累。持续学习让 Agent 逐步构建专业化的微观世界模型，这是从 90% 可靠走向 100% 可靠的关键。
13
职业
"我们需要让每一个人，如果他有好的想法、有他独特的洞察，他能有非常 accessible 的技术手段去迅速把它转化成对应的 Agent 并且 make money out of it。这样的技术民主化是我们需要努力的方向。"
面对技术进步引发的裁员与失业风险，社会需要更好的收益再分配机制。同时利用 Agent 工具赋予个人更强的生存能力——让每个有独特洞察的人都能将想法转化为生产力。
🇨🇳 中美差异
14
中美
"两边舆论或者科技辐射形式有一个一贯的、很明显的 pattern 的不同。中国就更加出圈、更加全民化。美国还主要是一个开源项目的叙事，中国可能已经变成一个时代性的产业机会。"
美国新技术先在技术社区扩散（HN → Twitter Tech → 早期采用者），中国通过微信/小红书/抖音几乎同步触达全民。Agent 领域中国应用层创新更快落地，不因技术更先进，而因辐射效率更高。
15
中美
"我最喜欢的事情是去不断地 build out 我的 conceptual framework。我不是那种想事情非常快的人，但我能学很多东西然后把它们串起来、看到它们之间的联系。"
苏煜的独特视角：从 Semantic Parsing 到 Language Agent 的转型亲历者，同时横跨学术（俄亥俄州立大学教授）和产业（NeoCognition $40M 创业）。他搭建的 conceptual framework 试图为 Agent 领域提供一套完整的认知坐标系。