智慧不等於專長，持續學習才是橋

105Yu Su（NeoCognition）19:432026-08-12 上架

Intelligence + Continual Learning = Expertise — Yu Su, NeoCognition

Yu Su 認為智慧與專長是兩個獨立的軸：模型再聰明，沒有持續學習也只是最聰明的新手。下一步要擴大的是專長，不是智慧。

這場講了什麼

• 程式碼是特例，不是常態：Yu Su 說 coding agent 會成功，是因為程式碼本來就是語言原生的世界，結構清楚，測試與回饋都是符號化的。一離開這個世界，agent 在企業與個人場景就很脆弱。
• 現代版的 Moravec 悖論：寫程式、解數學這類符號推理已經很強，日常的數位工作反而做不好。Yu Su 的解釋是社會由無數個各自獨特的 micro world 組成，單一的靜態模型壓不下來。
• 智慧與專長是兩回事：智慧是面對陌生問題、靠手上的脈絡推理；專長是累積下來、貼著特定領域的穩定表現。專家看到的模式不同，知道每條規則的前提與例外，也知道什麼時候夠好了。
• 專長帶來脈絡，也縮小搜尋：智慧拿到脈絡去解題，專長知道該把哪些脈絡帶進來。智慧傾向暴力展開搜尋，專長靠累積的捷徑直接走向可能的解法。
• 持續學習的四個要素：Yu Su 的定義是把經驗適應性地壓縮成結構，供未來的行為使用，拆成經驗、壓縮方式、結構、使用方式四塊。
• 要擴大的是專長：Yu Su 最感興趣的可能是「有限的智慧、無限的專長」，並呼籲開始 scaling expertise，讓每個人都有專家支援、每家公司都有自己的學習迴路。

影片從哪一段開始看12 段

1. 00:13自我介紹與兩個問題Yu Su 是 Ohio State 的教授，也是 NeoCognition 的 CEO。這場要分清楚智慧與專長，並回答 agent 為什麼在 coding 以外很差、又為什麼這麼耗 token。
2. 01:25agent 的歷史1960 到 80 年代的專家系統、2010 年代的深度強化學習 agent，都只抓到智慧的一小塊。多模態模型加上語言 agent，第一次把多感官輸入編成可供符號推理的統一表示。
3. 02:45程式碼是第一個大市場Yu Su 舉 Anthropic 的營收為例：成長 400 倍到 $40 billion，最新數字可能是 $60 billion，主要靠 coding。程式碼本來就是語言原生的世界，結構、測試與回饋都是符號化的。
4. 03:45離開程式碼就卡關企業場景部署困難，個人場景的 OpenClaw 也常犯脆弱又愚蠢的錯。Yu Su 引 Karpathy 的說法：這會是 agent 的十年，因為電腦操作與持續學習都還不行，而這兩件事到現在大致沒變。
5. 04:49現代版 Moravec 悖論符號推理很強、日常數位工作很弱。社會是無數個獨特的 micro world，連同一套軟體每家公司都設定得不一樣，agent 必須在工作中持續學習，才拿得到各領域的專長。
6. 06:24智慧與專長的定義智慧是靠現有脈絡推理陌生問題，每個 episode 大致獨立；專長是累積且貼著情境的能力，能在特定領域穩定做出好表現。
7. 07:31專家怎麼看世界專家看 bug report 能直指最可能出錯的地方，排會議是在解一個牽涉權限、優先順序與急迫性的約束最佳化問題，知道規則的前提與例外，也有判斷與品味。合起來就像對那個環境的 world model。
8. 09:26專長帶來脈絡智慧是有了脈絡去解題，專長是知道該帶哪些脈絡進來。智慧靠平行展開暴力搜尋，專長靠累積下來的捷徑縮小搜尋空間；持續學習是從智慧走到專長的橋。
9. 10:37持續學習的定義持續學習是把經驗適應性地壓縮成結構供未來使用，拆成經驗種類、壓縮方式、結構形式、使用方式四個面向，每個面向都有好幾種做法，所以這個題目才讓人眼花。
10. 12:46智慧與專長的兩軸圖兩軸大致正交。只放大模型會得到最聰明的新手；持續學習演算法決定專長曲線的斜率。Yu Su 最喜歡的情境是智慧過了門檻，專長就不再受限；若真是如此，也許不必一直訓練更大的模型，缺的是更好的持續學習演算法。
11. 15:14開放問題怎麼定義與衡量專長、可靠與可塑怎麼兼顧、參數式與非參數式學習怎麼協同，以及專精能不能反過來帶來更好的泛化：公開資料已經用完，下一批網際網路等級的資料在各種私有世界，專精的 agent 就地學習、再回饋給通用模型。
12. 17:30呼籲擴大專長智慧已經變得充裕，專長仍然稀缺。理想中每個人都有私人醫療、財務顧問與家教，每家公司都有自己的學習迴路；專長變多之後，摩擦降低，很多原本划不來的工作就做得起來。

值得記的話5 句

• experts don't just know more facts. They actually see the world differently.專家不只是知道更多事實，他們看世界的方式不一樣07:31

• But expertise actually will bring you the right context.但專長會替你帶來對的脈絡09:26

• I think continued learning is adaptive compression of the experience into reasonable structures for future behavior.我認為持續學習，是把經驗適應性地壓縮成結構，供未來的行為使用10:53

• Then what we will get is what I call the world's smartest novice那我們會得到我所說的世界上最聰明的新手13:03

• But expertise is still scarce.但專長仍然稀缺17:45

名詞與人物8 個

NeoCognition

Yu Su 擔任 CEO 的公司，專注在 agent 與持續學習

Moravec's paradox

對 AI 來說難的事容易、容易的事難；Yu Su 說現在是它的現代版本

micro world

Yu Su 的用語，指每個領域、職業、公司各有自己的結構、限制與動態

expertise

累積且貼著情境的能力，能在特定領域穩定做出好表現，跟只管推理的 intelligence 相對

continual learning

把經驗適應性地壓縮成結構供未來行為使用，有經驗、壓縮、結構、使用四個面向

the world's smartest novice

只放大模型、不累積專長的 agent：什麼問題都敢碰，卻每題都只能暴力解

reliability vs plasticity

可靠的系統抗拒改變，可塑的系統喜歡改變；agent 兩者都要，人類就是兩者並存的活證明

parametric / non-parametric learning

兩種學習形式；Yu Su 相信持續學習兩者都需要，難題是怎麼協同

提到但沒有展開

• 四個面向各有選項：經驗可以是 episode、語意事實、程序或人與環境的回饋；壓縮可以嵌成向量、索引成符號結構、蒸餾進參數或做強化學習，而且要隨已學到的東西調整；結構可以是 adapter、向量、圖、skill 或 world model；用途則從回想事實、預測未來狀態、規劃，到控制 agent 的動作或當 value function。
• Yu Su 引 Satya 兩週前的說法：每家公司都要有人與 AI 的學習迴路，沉澱成制度記憶，建立自己的護城河，也繼續掌握自己的生產工具。

Agent研究模型

在 YouTube 看原片 ↗