Agent 的技术综述：从 1950 年代的逻辑智能体到 OpenClaw Moment
为什么这期值得关注
2026 年，Agent 是最高频的词汇。从 Claude Code 在硅谷的爆炸式扩散，到 OpenClaw 在中国街头巷尾引发的全民焦虑——我们正处在一个被苏煜称为 "compressed timeline" 时刻，每一年甚至每一个月的发展等于过去十年的总和。
苏煜是少数见证过 Agent 整个演化周期的人。他是俄亥俄州立大学计算机系教授、2025 年斯隆研究奖得主，研究方向是 Language Agent。他组里的工作——Mind2Web、SeeAct、UGround——直接塑造了今天我们看到的 Agent 形态。2025 年他搬到硅谷，创立了 Agent 研究实验室 New Cognition，并在 2026 年 3 月完成了 $40M 种子轮融资。
这期播客是苏煜对 Agent 的一次技术综述——从 1950 年代的 Logical Agent 说到 OpenClaw，从 Memory/Autonomy 的分析框架说到 Continual Learning 的未来主旋律。以下是我们对谈的主要内容。
什么是 Agent？一个从 AI 诞生之初就存在的问题
苏煜给出了 Agent 的三个要素：
它是一个有边界的实体，不是一个发散的没有边界的东西。
需要在外界环境中工作——无论是物理世界还是数字世界。
不是在随机游荡，而是带有目的地去进行各种活动以达成目标。
这个框架的妙处在于它的普适性。所有的动物都符合这个定义，尤其是人类——"这个有最先进的智能的这样的 Agent"。AI 从头到尾关心的就是同一个问题：怎么去构建这样的 Agent。
"Agent 它并不是一个新的概念，就是整个 AI 领域一直是关心的这个问题。" — 苏煜
苏煜还提到了一个有意思的细节：AI 经典教材《Artificial Intelligence: A Modern Approach》的作者 Stuart Russell 曾跟他说过——虽然大家觉得这是一本 AI 的书，但实际上它本质上是一本关于 Agent 的书。书的第一章就是讲什么是 Intelligent Agent。只是现在大家有点遗忘了这个事实。
Agent 三纪元：从逻辑到神经到语言
苏煜将 Agent 的历史划分为三个纪元，每个纪元都在 Memory 和 Autonomy 这两个核心维度上实现了飞跃：
第一纪元：Logical Agent（1950s–1990s）
以专家系统为代表。核心思路是采访各领域专家，把他们的知识写成一阶谓词逻辑，然后用推理引擎进行逻辑推演。这是一种"能 Work"的早期 Agent，但其局限性也是致命的——
Memory 的表达力被逻辑语言完全束缚住了。"世界上绝大部分的东西都是没法用这些简单的逻辑来表达的。" 而 Autonomy 几乎为零——所有它能做的就是"接受一个问题，用推理引擎推理，给出一个答案"。
更大的问题是知识获取瓶颈（Knowledge Acquisition Bottleneck）。把专家的知识转换成逻辑语言的过程痛苦、低效、无法规模化。"那个过程是非常痛苦，而且非常 Low-Scale，并且能达到的效果也非常有限。" 这直接导致 80-90 年代的 AI Winter——专家系统不能 Deliver 它的 Promise。
第二纪元：Neural Agent（2000–2020）
以 Deep Reinforcement Learning 为代表，标志性成果是 AlphaGo 和各类游戏 AI（Atari、Dota、星际争霸）。同一套神经网络架构可以玩不同种类的游戏——通用性有提高，但本质上仍然非常受限。
苏煜从 Memory 和 Autonomy 的角度给出了精准的诊断：这些 Agent 的"主体"是一个很小的神经网络（在当时几十 Million 参数算大，在今天标准下非常小）。它的 Memory 仅包含关于这一个游戏的规则，它的 Autonomy 就是一次 Forward Pass——
"它对于不管多么复杂的情况，它所能用到的这个计算量就是一个 Forward Pass，对吧？而人显然不是这样的。我们对于不同的情况它的复杂度的不同，推理的计算量显然是不同的。" — 苏煜
Sample Efficiency 也是一大问题——一个简单的游戏可能需要玩几百万盘才能学会。为什么当时大家都用游戏做实验？苏煜分析了几层原因：DeepMind 的 Demis 对游戏情有独钟（个人偏好），游戏环境高度可重复且 Data 丰富（实际需要），而且当时的技术条件天然适合这种输入输出受限的环境。
第三纪元：Language Agent（2022–至今）
以 ChatGPT 为分水岭。这一代 Agent 最大的不同在于——语言成了 Scaffold（脚手架）。
在 Perception 层面，语言理解让人机交互灵活得多。在 Reasoning 层面，Chain of Thought 实现了自适应推理："如果这个任务比较复杂，我就可以多产生一些 Token。每产生一个 Token 都是一个 Forward Pass，都是固定的计算量。所以实际上达到了一个 Adaptive Computing 的效果。" 在 Action 层面，语言是几乎全能的行动媒介——包括 Formal Language 和 Machine Language，基本上可以在 Digital World 里做任何事。
Language Agent 的时间线：三年走过了十年的路
苏煜从自身的研究经历出发，勾勒了 Language Agent 过去三年的关键里程碑：
2022 下半年 · ReAct（姚顺雨）： CoT 扩展到有外部环境的 Agent Setting。每一步：感知环境状态 → 做 CoT 类型的推理 → 决定下一步行动 → 采取行动 → 环境变化。想法很简单，但影响力深远。
2023 初 · Toolformer（Meta）： 第一个 LLM Tool Use 工作。微软 CTO Satya 在全公司传阅这篇 Paper——他敏锐地看到，当大模型能用各种现成工具时，对 Enterprise 的意义完全不同。
2023 中 · AutoGPT： GitHub 历史上 Stars 涨得最快的 Repo——没有之一。把 LLM 包成 Agent 外壳，看上去能做任何事，实际上能做的非常少。苏煜类比：当年的火爆程度和今天的 OpenClaw 差不太多。
2023 下半年 · GPT-4V → SeeAct/UGround： Agent 全面向多模态转向。UGround（2024 年苏煜组的工作）确立了 "Use Computers Like Humans Do" 的 Embodiment——Visual Perception + Pixel-Level Actions。后来的 Claude Computer Use、OpenAI Operator、Claude Code Desktop 全都采用了这个方案。
2025 · Claude Code → OpenClaw： Coding Agent 以极其恐怖的速度大爆发。在硅谷，Opus 4.5 出来后，"大家的对于整个 Coding 的感知和实践都发生了翻天覆地的变化，而那个变化可能就是在那么一两个月之间就发生了。"
OpenClaw Moment：为什么它是 Agent 的"ChatGPT Moment"
苏煜提出了一个非常有力的类比：
底层技术（LLM）已经发展了几年，但 OpenAI 做的事情是——把模型 Fine-tune 成 Chatbot，Release 给大众。底层技术没有太大变化，但交互形式的变化是导火索。连 OpenAI 自己都非常 Surprise。
Agent 技术上已经 Ready。大部分做 Agent 的人看 OpenClaw Codebase 可能会觉得 "Nothing's new here"。但它的革命在于：YOLO it——不管 Permission 和安全，所有东西都打开。因为是开源的，这些问题相对小。
"就 ChatGPT Moment，它是标志着这个 LLM 这个范式的变化。而 OpenClaw 这个 Moment，它是标志着 Agent 那种各种高度自动化的、或者是 Personal 的这个 Agent 的这个范式的变化。" — 苏煜
OpenClaw 的影响已经远超技术圈。在美国，它主要限于开发者群体；但在中国，它已经变成了一个"时代性的产业机会""个人翻身的工具"，甚至有老人去 Event 找人帮忙装 OpenClaw。苏煜认为这可能与中国在应用层的技术基因有关——前 Google CEO Eric Schmidt 也曾专门指出过这一点。在基础模型智能已经超过临界点、"It's good enough" 的阶段，应用层的创新和执行力恰恰是最大的优势。
但苏煜也保持清醒。对于 Agent 研究者来说，从 OpenClaw Moment 到真正的社会深刻影响，还有大量工作要做——"我们要让这些 Agent 变成真正的好用、容易用。因为你现在用 OpenClaw，它的门槛还是很高的。大部分人可能是很难从这里面找到价值的。"
Coding：所有边界的消弭剂
苏煜对 Anthropic CEO Dario 的判断深表认同：Coding 是数字世界最根本的 Building Layer。
过去 Agent 研究中有很多临时性的划分——Browser Use vs Desktop Use vs Mobile Use、GUI vs Text-based vs API、Coding + Tool Use。但苏煜认为，这些边界正在 Coding 的维度上快速消弭：
"你所有的东西都能用 Code 来表达。GUI 本身就是通过 Code Render 而来的。Coding 不会仅限于 Digital World——Programming Language 本身就是 Language。" — 苏煜
这是为什么 "Language Agent" 这个名称不会过时。Programming Language 是 Language 的一种形式。Language 从来不只是自然语言——它是一切符号化的东西。
GUI 会消失吗？一个被过度简化的辩论
关于 Agent 应该用 GUI 还是 CLI 的争论在 2025-2026 年非常热烈。苏煜的立场非常清晰：GUI 不会消失，但 Agent 不一定需要 GUI——作为 Pragmatic 的选择，Agent 应该两者都支持。
他的论证来自三个层面：
第一，人需要 GUI。 我们是视觉动物——大脑就是这样编码的（It's wired that way）。HCI 研究表明视觉化让人的理解和反应速度快零点几秒。GUI 在做 Validation、Win Trust、Audit 方面都有实际好处。
第二，从实际角度，GUI 是 Digital World 的事实接口。 99% 的数字世界已经通过 GUI 交互。GUI 在设计过程中已经 Encode 了大量 Knowledge、Constraints、Business Logic。如果 Agent 能很好地使用 GUI，它就可以 "piggyback on all of these accumulated knowledge"——不用重新造轮子，"immediately reach all corners of human society"。
第三，经济账和人性不站在 CLI 全面替代这一边。 苏煜举了一个经典的例子——Tim Berners-Lee 的 Semantic Web。推了二十几年，Adoption 还是极低。"这个社会不是那么 Work 的。不是说，哦，我出来说我这有一套新的标准，它有这些好处，整个世界都会去听你的。" 还有那些基于几十年前 COBOL 系统运行的大型银行和关键基础设施——它们不会变化得那么快。
从通用到专精：Agent 的最大瓶颈
这是苏煜整个对话中最核心的技术洞见，也是他创立 New Cognition 的根本动机。
现在的 Agent——Claude Code、Perplexity Computer、OpenClaw——通用智能已经很强了。给它一个问题，大概 60-70% 概率能做对。但问题在于另外 30-40%——不知道为什么就失败了。而人不是这样的：
"如果我们真正成为了某一个事情的专家的话，那我们就基本上是百分之百能做对。这个是因为我们有这样一个 Specialization 的过程。我们学会了对这个工作、对这个领域的所有的 Ins and Outs。" — 苏煜
苏煜用了一个生动的比喻：一个大学毕业生第一天去公司实习，完全不知道工作内容是什么，但可以在 Learning on the Job 的过程中持续学习——公司的组织架构（表面的和实际的，到底谁说了算）、各种软件怎么用、各种 Workflow、人与人之间的 Mental Model（Theory of Mind）。从 Intern 变成专家的过程，就是构建对这些 Micro World 的 Model 的过程。
现在的 Agent 恰恰缺乏这个能力。它不 Reliable（不可靠）、不 Efficient（低效）、还特别贵（消耗 Frontier Model 大量 Token）。苏煜认为这三个问题是同一件事情的不同表现——根源在于 Agent 没有像人一样的持续学习（Continual Learning）能力来构建对具体工作领域的世界模型（World Model）。
World Model：比视觉更广的概念
苏煜对 World Model 的定义远比主流更宽广。当前主流的 World Model 研究主要来自 Computer Vision 领域——Vision-Based Model，做 Next Frame Prediction、3D Reconstruction、Latent Variables。这些工作很重要，但只是拼图的一部分。
对苏煜来说，World Model 包括了所有人在工作中学会的东西：组织架构、软件操作、工作流、人际关系、业务逻辑。这些显然不是一个 Video Model 能涵盖的。有些部分是符号化的（Symbolic），有些部分甚至既不是符号化也不是视觉的——但归根结底，"我们持续学习学到的东西是这样一种 Specialized World Model。"
苏煜从神经科学中找到了理论支撑。Jeff Hawkins 的《千脑智能》（A Thousand Brains of Intelligence）提出：人脑新皮层（Neocortex）中约 15 万个皮脂柱，每个都在学习 World Model——不限于物理世界，还包括语言、数学系统、抽象概念（什么是民主、什么是法治）。这才是 New Cognition 公司名称的真正来源。
2026 年的主旋律：Continual Learning
苏煜对 2026 年的预测非常明确：Continual Learning 和 Self-Learning 会是今年的主旋律。 至于 Continual Learning 的具体方式是不是基于 World Model——"这可能是 One of the bets"，但不管技术路线是什么，方向已经清晰。
他认为现有的两个 Agent 训练范式都不足以训练出 Expert Agent：
RL + Synthetic Environments + RL Games。学习速度、准确性、学习内容的范畴——和人的持续学习是天壤之别。
MD Files → Skills → Rules → Harness。苏煜对 Non-parametric 很有热情，相信还有很大空间，但光靠它上限有限。
这些瓶颈解释了为什么 OpenAI 和 Anthropic 都要采用 "Platform Engineer" 模式——派驻大量工程师到客户现场帮他们 Build Agents。当 Agent 真正解决了 Reliability、Speed、Cost 的问题，这种重人力的模式就不再必要了。
创业、融资与 Agent 的未来格局
苏煜的创业选择背后有清晰的逻辑。在学校他能同时做十个感兴趣的 Idea，但 Agent 发展到 2025 年，真正有意思的 Idea 需要的资源——GPU、API、团队——已经超出了学术机构的能力范围。更关键的是，他相信 "最大的 Learning Signal 来自于 Continual Learning from Deployment"——真实环境的部署才能产生真正的学习数据，而学校没法做这样的部署。
New Cognition 的定位是 Agent Research Lab——一个介于纯学术研究和纯商业 Startup 之间的形态。短期聚焦 Specialized Intelligence，长期关注所有跟 Agent 相关的问题。为什么大厂不能轻易 Copy？苏煜的回答意味深长：因为这件事太难了，上限极高，不确定性极高——"类似 Robotics 行业的逻辑，想象空间大 + 不确定性高 = 容纳更多 Player。"
对于美国当前的 AI 融资市场，苏煜观察到明显的两极分化。头部的融资规模和估值越来越大——New Labs 一上来融几千万到几十亿美金。OpenAI 和 Anthropic 的融资额加起来可能占整个市场的 30-50%。而中间的 VC 正在经历最艰难的时期——要么变成 Mega Fund 投 Growth Stage，要么变成 Boutique Firm 靠 Deep Knowledge 找到 Edge。
关于大厂的 Agent 战略，苏煜认为去年的"百花齐放"已经变成了今年的"高度趋同"。Anthropic 一家独大，打了个样，大家都在抄作业。但新的 Bets 也在出现——马斯克的 xAI 走类似 Tesla FSD 的路线（小模型、视觉为主、End-to-End），Jeff Bezos 的 Project Prometheus 据传融了 60-70 亿美金要做 Physical Manufacturing。
核心金句
"Agent 首先它应该是 Entity，它有它的 Boundary。它需要在外界环境中去工作。它要去进行 Goal-Directed Activities，有目的性地去进行各种各样的活动。"
"分久必合，合久必分——最近所有这些领域又有一个重新归拢的趋势。"
"就 ChatGPT Moment，它是标志着这个 LLM 这个范式的变化。而 OpenClaw 这个 Moment，它是标志着 Agent 那种各种高度自动化的、或者是 Personal 的这个 Agent 的这个范式的变化。"
"这些东西都是在快速地 Converge。最后，At the end of the day，大家想要的就是一个 Universal Digital Agent。"
"Let machines understands human thinking. Don't let humans think like machines."
"你可能 Individual Thought doesn't need language，但是 Civilization needs language."
"我们 Living in a compressed timeline——现在每一年甚至每一个月 AI 的发展是以前可能要十年才能达到的。"
"Coding 它是非常 Fundamental 的。它是这个最根本性的 Fabric，这个 Building Layer。你所有的东西都能用 Code 来表达。"
"这个世界是非常复杂的，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。"
"Continual Learning 和 World Model 我觉得它本质上是一件事情。"
一个研究者的底色
在对话的最后，苏煜分享了他的个人经历和性格底色。湖南小县城出生，凌晨三点偷溜去网吧打游戏，同时又极度热爱读书——"家里只要是纸质的东西就拿起来读"。他用"魂不吝"来形容自己：不觉得事情有那么大所谓，不会为某件事吃不好睡不好；但如果真的想要一个东西，"Put my mind to it, put my effort to it，大概率是能够做到的。"
从清华计算机到 Semantic Parsing（当时一个非常小众的 NLP 子方向），到成为 Language Agent 的早期研究者，再到创立 New Cognition——每步选择背后都有一个共同的原因："我想做的事情有很多。同时间有十个东西我想做。" 这种对知识关联（Conceptual Framework）的持续构建，是他最核心的驱动力。
苏煜推荐了两本对他影响最大的书：Max Bennett 的 A Brief History of Intelligence（将 AI、Evolution 和 Neuroscience 结合得最好又最通俗易懂的书）和 Jeff Hawkins 的 A Thousand Brains（对于人脑到底怎么 Work 的一个非常大胆的理论）。他的研究也直接受到了这些书的影响——比如 "LLMs in the Imaginarium: Learning Tools through Simulated Trial and Error" 这篇 Paper。