摘要

如果说2025年是Agent元年，2026年市场正从Token Maxing转向Token Efficient，但两位嘉宾都认为AI基建没有明显泡沫。 Uber用4个月烧穿全年AI预算、Meta计划限制员工Token消耗，看似降温；张宏江的框架是，这轮投资从占GDP比例看仍小于铁路、公路和互联网早期基建，而且Token价格据他判断过去几年大约以每年下降10倍的速度变化，消耗量增长会超过成本下降。
黄东旭给出了本轮最硬的ROI样本：一个人、3个月、一天额外花400至500美元，做出一个年收入可能达到1000万美元的云原生分布式数据库db9。 去年11月，在复杂且难以精确评估模型差异的任务上，他认为最好的策略仍是使用最强模型；当时Opus和GPT-5.1相对第二档Coding Agent存在断崖式领先。
OpenClaw的意义在于把Agent从研究带进工程、从模型带进应用。 东旭认为它把Agentic Loop和工具调用变成了普通用户更容易使用的个人助理形态；但其面向大众后的配置、稳定性和持续资源投入仍是问题，历史使命可能已经完成。关于能力跨越，东旭提到Claude Opus 4.5（去年11月），泓君则说自己从GPT-5.4开始使用。
东旭从Token Maxing转向Token Efficient，受到GPT-5.5、DeepSeek V4和Fable 5影响。 他曾用Slock让10个顶级Agent互相挑刺，一天消耗约10亿Token、账单约300至400美元；但Fable 5有时能在没有前序上下文的情况下，一次解决Agent群讨论不出的复杂问题。DeepSeek V4和GLM-5.2则让他开始相信便宜的本地开源模型可以与顶级闭源模型协同。
个体节省Token不等于总消耗下降。 Agentic Loop会把多轮模型调用、工具输入输出和上下文叠加起来，Token消耗相比Chatbot时代可能增长100倍以上；未来还会出现多Agent协同、Agent-to-Agent Network和更高层的Loop。张宏江用杰文斯悖论概括：技术成熟、价格下降，反而会扩大使用量和市场。
投资机会主要集中在Agent基础设施：数据、记忆与上下文管理、可观测性、协同、Sandbox和Agent-Native Cloud。 东旭最看重能把模型结果从50分提高到80或90分的基础设施，并认为谁能回答“Token花在了哪些事情上”，谁就有价值。张宏江认为企业级垂直数据护城河和FDE也很重要；Manus、Genspark在他和东旭的讨论中更接近面向专业用户的To B场景。
张宏江认为奇点已经到来，并在其定义下把当前模型能力视为已经达到AGI；黄东旭则等待真正能自我改进的哥德尔机作为更具象的标志。 张宏江的依据是，他所说的过去6个月发布的模型在视觉IQ和通用IQ测试中都位于人类均值100的右侧，并认为机器学习能力超过人的学习能力就意味着奇点。两人同时讨论了工作减少和由此产生的存在主义危机。

精读

1. 转折点已到：硅谷从疯狂烧Token到精打细算

泓君的开场定调是：如果说2025年是Agent元年，那么2026年的变化是市场从讨论模型能力转向讨论Agent的工程问题，出现“从关注科研到关注工程的转向”。曾经带头烧Token的公司开始冷静：Uber用4个月烧穿全年AI预算，Meta计划限制员工Token消耗量。
她的一线见闻是，前几天去Stripe时，对方内部大模型页面直接弹出提醒：“Opus 4.8很贵，使用时可以节省一下成本，先用其他模型，不是所有任务都要使用这个模型。”与此同时，DeepSeek、GLM、Kimi等中国开源模型的能力越来越接近第一梯队，也开始被搭进硅谷公司的工作流。

2. 张宏江：基建仍远未到过度投资

张宏江去年12月在另一场采访中被问过同样的问题，答案是“没有泡沫”。他认为这是一场基础性的革命，可以和互联网早期基建、美国铁路网和公路网建设相比。今天投资的绝对数超过它们，但从占GDP的比例看其实更小，宏观上远未达到过度投资。
支撑逻辑的两个数据点是：Token消耗量增长非常快，而且据他判断，Token价格在过去几年一直以每年下降10倍左右的速度变化。他同时切割了两个问题：“你说股票市场是不是存在泡沫，那是另外一回事；但是技术的发展和应用的发展，我不觉得存在什么泡沫。”
东旭补充的类比是：今天看AI基础设施，就像上世纪五六十年代看一个房间里的电子管计算机。很多需求要等基础设施充分之后才会诞生，新的需求又会刺激更多基础设施建设。“短期可能会有一个小的回落，但是从长期来看，仍然有大量需求还没有被人看见。”

3. 东旭的Token Maxing史：一天四五百美元，换来千万美元的软件

东旭从去年11月开始用Opus从0到1构建“我能想到的最复杂的软件”——分布式数据库。理由是在最复杂的任务上，他无法非常精确地评估最强模型和第二强模型的差异；而Benchmark很多时候可以刷榜，所以做不确定但极难的事时，“一定得使用最强模型”。
账单是在Claude Code Pro Max每月200美元订阅之外，每天还要额外花400至500美元购买用量。对他来说非常值：项目叫db9，是一个新做的云原生分布式数据库，时间大约从去年12月到今年3月。销售团队已经期待很久，做到七八十分后，一年可能带来1000万美元的直接收入；过去受限于人力和技术水平做不出来，但他一个人花3个月做了出来。

4. Token Maxing是滞后指标，刷榜是无效调用

东旭认为社区误解了Token Maxing：它是一个结果，有点像滞后指标；经过思考、设计之后再Token Maxing，可以产出好结果。
他区分了两种疯狂用法：一种是知道自己在做什么，进行了很好的设计，然后大量使用；另一种是不知道自己在做什么，只因为公司有排行榜而去刷榜，最终出现大量无效调用。
他在Meta和NVIDIA提到Token Maxing时，第一秒就想到这个问题：只要领导提出要追求一个排行榜，大家一定会去刷榜。极端例子是让Agent计算100万遍“1+1”，也能把排行榜刷得很夸张。

5. OpenClaw的历史地位：从研究进入工程，从模型进入Agent

节目中的关键判断是：Peter一周做出OpenClaw，说明大模型的推理和编程能力已经强到一个有经验的架构师级工程师可以在很短时间内做出系统。Peter是软件工程师和架构师，而不是科学家，这意味着用户未必需要深入理解大模型机理，就能用它做出自己想做的系统。
结论是：“这标志着从研究进入工程，从模型进入Agent。”
能力跨越发生在哪一版？黄东旭说是Claude的Opus 4.5（去年11月）；泓君则说自己从GPT-5.4开始使用，大约是去年七八月份。另一个背景细节是，泓君提到据媒体报道，Peter在做OpenClaw之前，30天内的API使用金额高达130万美元。
东旭对OpenClaw的定位是：它不是为重度软件工程设计的，更像个人助理，把Claude Code、Codex代表的Agentic Loop加工具调用的理念，变成普通用户门槛更低的东西，让Agent走进日常生活；但在编程上没有帮他太大的忙。

6. 为什么火的是OpenClaw：开源、Local-first与极客扩圈

东旭以开源爱好者的视角复盘：很多创始人后来写信说自己也能搭建类似Agent，但OpenClaw是开源软件，在极客圈天然更有传播力。闭源商业产品可能被怀疑是广告，而开源软件每个人都可以使用，传播力更强，有点像当年的Linux。
OpenClaw的Local-first理念——隐私相关内容和数据都在本地配置——也符合极客的技术选择。张宏江补充说，Peter给AI开放的权限非常广，因此更认为相关信息资料必须配置在本地。
时机上，泓君认为Claude在春节前后的一次模型升级带来了“天壤之别”的智能感受。Peter原以为这是大公司一定会做的事，等了几个月仍没看到，于是把它Hack出来。张宏江总结：“当大势准备好了之后，需要有人捅破一层纸。”
传播的催化剂还包括Moltbook。节目称它在OpenClaw出现几天或一周后出现，像Agent的社交网络；社群、教派和“先知”等事件让人们意识到Agent的自主程度已经接近此前的想象。Chatbot用了3年多只能交流、不能替人做事，OpenClaw则让人看到PC和手机上的日常事情基本都可以交给Agent。

7. OpenClaw的局限：原型的历史使命可能接近完成

东旭的第一条批评是质量没有经过精雕细琢：给极客使用没问题，但面向大众后，配置难度和系统稳定性会成为问题。这让他修正了“任何人闭着眼睛都能Vibe Coding”的看法：当软件复杂性超过临界点，需要提升体验和稳定性时，好的软件工程习惯和经验仍然重要。
第二条是它起得太早，更像实验性项目。OpenAI在Agent上的精力正在慢慢从这个开源实验项目转移到自己的Codex，持续资源投入可能成为问题；据东旭所说，项目现在主要靠基金会运转，创始人Peter已经去了OpenAI。
他的判断是，OpenClaw有点像扮演普罗米修斯，把产品形态和能力展示给世人；它的历史使命可能已经完成，但这不是对其未来一定无法持续的绝对判断。
用户最常提到的痛点之一是记忆。用得越多越容易忘事；如果对话压缩Compaction没有配合记忆储存，就可能出现回滚、Token消耗和记忆混乱。

8. Hermes：不声称解决记忆，而是把成功经验沉淀成Skill

东旭是Hermes的重度用户，很快从OpenClaw切换过去。Hermes由名为Nous Research的Web3机构制作。他强调Memory仍是Open Question，没有谁已经把它解决得非常好；Hermes的亮点不是记忆模块本身，而是巧妙地绕开了部分记忆问题。
Hermes在Agent框架里加入了持续总结成功经验、把经验沉淀成Skill的倾向。相比小龙虾较少主动反思，Hermes会持续优化，使用一段时间后会长出很多来自用户实践的最佳实践。
东旭认为这主要是工程问题，与模型本身的能力不相关：每次成功后尽量总结并重新整理经验，像养成更好的学习习惯。
软件架构上，Hermes也比OpenClaw更精心设计。东旭把OpenClaw比作大集市，Peter对社区提交非常开放；Hermes则由团队持续打磨，因此Onboarding、上手体验和稳定性更好。
商业模式仍然是Token经济学：Hermes作为入口，和模型厂商谈渠道，以带来更多Token消耗为条件拿到更低折扣。Agent本身越来越像工程问题，但入口会成为竞争焦点。

9. Agent作为数字世界入口：“我再也没打开过Gmail”

东旭把推演推到极端：未来人与数字世界打交道的入口可能不再是App，Agent甚至可能成为唯一应用。他说OpenClaw出现后，自己再也没打开过Gmail，而是让它告诉自己新邮件、需要回复的内容并删除广告。
他自称“智能原教旨主义者”，相信Opus 4.8判断重要邮件，大概率与自己的判断一致；如果Agent不确定，它会明确告诉他，由人做最终判断。
他也越来越依赖Agent先总结邮件组、Hacker News等信息，再决定是否阅读原文。泓君指出，这已经有点像新的新闻集合入口；东旭则认为它像新形态的今日头条，只是内容扩展到了邮件和所有发来的信息。
“养龙虾”这个说法指不断迭代，让个人Agent更理解自己的数字足迹、记忆、浏览记录和偏好。东旭认为，传统推荐系统依赖群体数据，而终极推荐算法可能是在本地观察个人数字乃至物理世界的智能。
但他自己后来没有继续让OpenClaw精选新闻，核心原因是内容太浅；他更愿意少读一些、但读更深的一手文章。涉及决策的邮件也不能完全交给Agent，例如录不录播客、什么时候录，仍需要通知本人。对他而言，Agent目前更多是过滤器。

10. Slock：Agent的Slack，一天10亿Token的集体挑刺

Slock由Kimi CLI负责人钱宇超创立，后来改名为Raft；东旭是第一个天使投资人和早期用户。它像Slack，只不过聊天室里交流的是Agent。Agent之间不分享运行上下文，只分享频道里的信息。
它和Moltbook有相似之处，但东旭认为Moltbook更像社会学实验，行为艺术的一面容易掩盖Agent之间围绕具体话题讨论的实用价值。
东旭经常用Slock做复杂软件的代码审查：让10个Agent参与，其中一些使用Claude Code，一些使用Codex，而且都是顶级模型，持续互相挑刺。一个Agent发现3个问题，下一个认同前面的问题并继续找新的，前一个再从新角度检查。
这种持续迭代与单个模型One-shot Review的深度不同，但Token消耗可能是普通方式的10倍。东旭最疯狂时一天约10亿Token、账单约300至400美元；关键决策前会强制进行几轮讨论，直到大家挑不出更多问题。
Slock团队称之为“Agent动力学”。无论Harness还是Loop Engineer，核心都在于让Agent在特定任务上持续工作。模型即使很聪明，One-shot仍可能出现幻觉或考虑不周，多迭代一次就可能发现第一次遗漏的问题，像父母要求孩子把作业重新算一遍。

11. 三个事件击碎Token Maxing：Fable 5的“绝对智力碾压”

东旭说自己的认知在三四月份之后又过了3个月发生变化，触发点是GPT-5.5、DeepSeek V4和Fable 5。
多Agent讨论的前提是，不相信任何单个Agent的One-shot成功率；但Fable 5强到一些Agent讨论很久仍解决不了的问题，可能一次就解决，而且不需要此前的上下文。“我前面烧了10亿Token，Fable 5非常精准地一次搞定了。”
单个强模型能否取代互相验证的Agent团队？东旭的回答是“是，也不是”：在一些单点复杂问题上，即使有充分Harness也会遇到搞不定的事，此时可以期待更强模型解决专家级、地狱难度的问题。
第二个变化是开源模型变得实用。东旭以前不信任开源模型，DeepSeek V4之后认为其质量已经很高，GLM-5.2又把他的认知往前推了一步。顶级闭源模型可以与便宜而聪明的开源模型协同，类似企业不可能全是资深专家，也需要很多能写代码的工程师。

12. 本地模型经济学：一天1美元电费解锁新的工作负载

东旭在一台Mac Studio上本地运行DeepSeek V4 Flash，速度大约30 Token/s，和在线使用OpenAI API或其他Chatbot的速度接近。满载运行时电费每天约1美元、每月二三十美元，相比完成的任务几乎可以忽略。
他用本地开源模型处理大量重复性日常工作，例如整理自己的文章、记忆和数字足迹，对个人信息进行蒸馏。
更重要的是，这解锁了以前不敢在付费模型上做的任务：把CVPR、NeurIPS等会议的几百篇论文先全部总结一遍，再筛选汇报。使用付费API可能要几百美元，而且Token用量和费用不可控。
他的宽带比喻是：1997年拨号上网按分钟支付电话费，大家会节省使用；免费宽带和大容量移动套餐才催生了抖音、视频会议等应用。模型或智能“免费和低价之间仍然有天壤之别”。

13. 现在的工作流：Agent管理学，只管目标、验收和架构

混合云端与本地模型后，他当前账单约每月200至300美元。但这也与项目已经过了代码疯狂堆积阶段有关。费用主要是Claude最高版本和最高版本Codex的套餐，两个套餐额度基本用满。
他逐渐把主要模型从Opus换成GPT-5.5、GPT-5.6和Codex；最复杂的任务仍会交给Fable 5，例如数据库疑难问题、同时修改七八个模块、提交五六千行代码。若Slock里的Agent群解决不了，他会让它们先写一份“为什么解决不了”的报告，再交给Fable 5。
他的角色已经抽象化：只关注目标、验收标准和架构，中间过程则调动不同Agent和能力协同，最终可能变成一种Agent管理学。
这不是终局。东旭说过去一年最大的教训是不要随便说什么是终局，要永远相信Scaling Law和智能。他预想未来哪怕开源模型也可能强到人类无法评估，强到人类失去参考系。

14. 杰文斯悖论：单点更省，总量仍可能增长

东旭拆解Agent为何消耗Token：Agentic Loop把对话变成循环，每一步调用大模型；工具调用的输入输出又进入上下文；长程任务可能运行几百步。这种范式使Token消耗相比Chatbot时代可能增长100倍以上。
这还只是单Agent内部架构。面对更复杂的问题，可能需要多Agent协同，协同形成更大的网络，网络之上再有更抽象的Loop，这种分层结构已经开始出现。因此，本地化可以把单点问题解决得更经济，但整体消耗仍可能增长；他认为Claude和OpenAI的API消耗量及ARR还会继续增长。
他的软件史类比是：早期家酿俱乐部分享200行BASIC程序，今天的Photoshop则需要数千万行代码。当前Agent应用和希望它解决的问题还很简单，Agent-to-Agent Network和Agent Harness工程出现后，Token消耗还会继续上台阶。
张宏江把这个现象称为杰文斯悖论：技术越成熟、价格越低，消耗量反而越大，市场也越大。开源和闭源、本地和云端谁胜出，更多是生态竞争，今天仍难判断。最终对用户来说，架构可能变得透明；对产业参与者来说，做本地硬件的希望一切可控，做云的希望一切上云。
他用云计算作类比：AWS并不要求每个节点都是最好的企业级服务器，而是通过分布式系统实现整体可靠性，成本可能低于每个节点都购买最贵的设备。这最终不只是技术判断，也是经济学判断。

15. 超级模型与蜂群：涌现智能，两边都可能继续增强

张宏江认为，只要超级模型的智能提升，蜂群里的每个Agent也可以利用这种提升，因此没有什么能阻止蜂群同步变强。他引用最近一篇清华大学文章的说法：“3个臭皮匠超过1个诸葛亮”，Agent群展现的智能可能不是简单相加，而是出现更强的涌现智能。
东旭的具象例子是：如果三个Agent一直讨论不出来，把Fable 5放进讨论，它可能第一句话就让其他Agent开窍。
泓君补充了自己的系统论立场：她不太相信存在一个绝对中心，真正具有Resilience的系统应当基于简单规则连接成大规模分布式系统。这类系统面对复杂问题和抗击打要求时可能更强。
张宏江将其类比到云计算：单个节点不必都是最强、最可靠的企业级节点，整体可以通过分布式架构获得可靠性。

16. 投资地图：基础设施、FDE与“谁能回答Token花哪了”

对“模型升级会碾压Agent创业”的问题，节目给出的答案是现在仍是做Agent的好机会，但必须分层。泓君梳理说，终端应用层仍可能较早，也最容易被模型能力提升碾压；Memory、搜索、Sandbox、协同和Harness等工程基础设施则有更多机会。
东旭的选择原则是“不投我看不懂，或者我自己用不起来的东西”。他特别关注能让模型结果从50分提高到80或90分的基础设施。
三个具体方向：一是数据平台、记忆与上下文管理；二是可观测性——“我的这些Token到底花在了哪些事情上，哪些重要、哪些浪费”，谁能回答这个问题，他就愿意买谁的产品；三是入口级的Agentic Cloud。
他投资的InsForge定位为Agent Cloud。传统云主要面向开发者和人类，Agent-Native基础设施的主语变成Agent；不可能给成千上万个Agent每个分配一台EC2或裸金属服务器，因此需要Agent-friendly且Cost-efficient的折中方案，包括Serverless与Agent Runtime的结合。
张宏江补充企业侧：微软两三天前宣布成立6000人的FDE团队Microsoft Frontier Company。FDE的核心是帮助企业把Know-how、IP、Workflow和竞争优势转移到超级Agent、Agent系列或Agent群中。对于能否持续领先，他认为掌握企业级垂直应用数据可能比单纯的Harness能力更关键，数据护城河会更重要。
关于Manus和Genspark，东旭不认为它们是纯To C，而是面向专业用户。较低价位更像Marketing，真正重要的是每月付200美元、且有业务要做的Professional用户；他认为这类公司仍值得关注，也认为可以投资。

17. Agent-Native的判断标准与“办公室政治”的真相

东旭的思想实验是：如果去掉AI或Agent，事情仍然成立，那就不是AI-Native；如果去掉Agent后事情完全不成立，或者成本上涨1000倍，才更像Agent-Native。
第二个标准是创始人的思维方式是否Agent-first：先问“这件事情如果用AI或Agent来做，它会怎么做”，而不是先决定人类做法，再指导Agent执行。他认为主动权和决策权在Agent手里很重要，也要相信Agent的决策可能比自己的更可靠。
关于Agent互相Blame、认怂的“办公室政治”，东旭自己拆穿说这些都是他写的剧本：他给Agent安排架构师、开发者、测试等人设，也可以设置谁负责什么。
他设置层级主要是因为自己看不过来，负责人只是帮助他管理，并不代表真正存在Leader关系。Agent的互相指责不能被当作自我意识或办公室政治，本质上只是拙劣模仿人类社会和训练集中的固有印象。
他认为理想状态下，Agent之间的协同应当是有机、自发的过程，最终出现人类无法想象的涌现结构。

18. 手搓软件、删库与信任AI的信念

正面的意外是：东旭让Claude Code根据大纲生成并修改PPT，后来要求它把生成PPT的过程也考虑进去，结果它不仅生成PPT，还生成了一个轻量版Google Slides，并用自己做的软件完成PPT。他从未要求它额外做一个PowerPoint软件，但它采取了这种方法。
负面的例子是Agent删掉了他的生产数据库；朋友也遇到过Agent自行修改电脑密码、最后连自己都不记得密码的情况。关于Agent之间是否因此互相甩锅，东旭只说这种情况也会发生；数据库最终靠他多年SRE经验恢复。
他认为删库不完全是模型犯错，也暴露出底层基础设施没有跟上：当时已经有数据库备份或相关系统，而且备份系统比他自己搭的更好，所以数据可以恢复。
他信任AI背后的核心不是断言AI已经全面超过人类，而是希望构建一种自主运行的机制，让系统尽可能脱离人的不确定因素。他不在意是否称作AGI，更在意像造出蒸汽机一样，让系统在节省巨大精力的情况下帮人把事情做出来。
同时他提醒大家仍处在革命早期，甚至“连黎明都还没有到”，需要保持谦逊。

19. 推理成本与To B商业模式：这笔账开始算得过来了

张宏江认为推理成本会大幅下降，但不需要先判断具体是GPU、存储芯片还是其他因素。所有技术成熟后都会大规模降本，而使用量的增长可能超过成本下降幅度。
他给出的数据锚点是：Token成本过去3至4年大约每年下降10倍，远超摩尔定律；推理能力过去可能每7个月翻倍一次，现在可能每3至4个月翻倍一次。
To B优先是技术落地的常见规律：蒸汽机先进入工厂，而不是进入家庭帮人做饭。AI目前正处于能力很强但企业仍在探索如何使用、如何获得ROI的阶段。编程Agent的信任度如果超过一般程序员，账就容易算：一天花300美元，可能仍低于软件工程师一天的成本。
如果企业发现Token用量超出预期，可能是最初把Token消费量设成KPI就错了。下一步更合理的衡量方式是消费多少Token、创造多少效率，以及工作量和代码产出增加多少。
对Token经济学谁会赢，张宏江拒绝静态判断：智能现在仍然稀缺，未来可能像电一样，产业利润会从发电机转移到电网。但他看不出未来两三年大模型能力会过剩，行业仍在智能爬坡阶段。
泓君转述了一个播客比喻：AI派对从晚上7点到凌晨4点，现在才晚上11点。张宏江此前的判断是，智能提升和应用增长还有很长时间。

20. AGI已至：奇点是学习能力超过人类

张宏江认为，过去6个月发布的模型，无论视觉IQ还是通用IQ，测试结果都在人类均值100的右边。他又提出，作为程序员，如果模型的Coding能力已经超过平均软件工程师，也可以把它视为AGI。
他对奇点的定义是机器的学习能力超过人的学习能力。学习能力是知识和能力增长速度的导数；一旦机器超过人，人类就追不上它。他据此认为智能的转折点和奇点已经到来。
黄东旭等待一个更具象的事件：真正能够自己改进自己的系统，即哥德尔机出现。他没有在节目中给出具体时间判断。
关于失业，泓君提出：过去技术消灭工作又创造工作，是因为新需求需要人来满足；如果新需求也能由Agent满足，人类新的工作就不会大量出现，这将是政府必须考虑的社会学问题。
黄东旭补充说，连硅谷顶级模型研究员也开始担心失业，因为做Recursive AI时，很多时候蒸馏的就是自己，而且是主动蒸馏自己。
他认为未来可能是人类社会第一次不再需要工作，或工作不再占据人的主要时间。张宏江的应对方式是保留人的生活：可以玩音乐、种地，不要把工作当成生命中最重要的事情，“你还是一个人，不是一台机器”。东旭则把问题概括为人类可能面临的存在主义危机。

21. Llama Ventures与时代坐标：工程师、架构师和产品经理的时代

张宏江看重Llama Ventures年轻、聚焦AI和华人创业者，且两位发起人本身是成功创业者，能够帮助在美国创业的团队。东旭认为AI现在有硅谷和中国两个中心，硅谷华人是重要主力，但主流基金对华人创业生态的了解不如华人自己；Llama既年轻，也与美国主流基金圈保持联系。
张宏江认为，这轮AI革命比PC互联网、互联网和移动互联网都更迅猛、更大，真正可比的可能是人类发明火和电带来的变化。从一年多以前推理模型o1起步，到今年1月OpenClaw兴起，大模型已经从基础算法研究进入实际应用。
他的时代判断是：如果过去3年是大模型基础研究者的时代，那么从OpenClaw开始，接下来就是大模型工程师、应用架构师、产品经理和创业者的时代，也就是Agent时代。
给想进入AI领域的人，东旭的建议是“Keep building”，亲手构建；张宏江的建议是“Get hands-on”，一定要亲身参与。

Vol.230 产业观察43｜AI for Science 如何在制药化学合成落地？Whatnot如何让线上购物重新变得有趣