圖靈獎得主Richard Sutton：AI離人類共識越近，離未知越遠| WAIC 2026

大模型，只是受限于人類共識的容器

作者丨吳思夢

編輯丨岑 峰

古代航海時代，人們相信，只要地圖畫得足夠完整，世界終將沒有未知之地。

后來人們發現，地圖永遠追不上世界。每發現一塊新的大陸，地圖就要重畫一次；每誕生一種新的知識，人類對世界的認知就要更新一次。

今天的大語言模型，正在試圖成為這樣一張“世界地圖”。它收納了互聯網、書籍、論文，以及幾乎所有已經被記錄的人類知識，看起來無所不知。

2026年，在上海舉辦的世界人工智能大會（WAIC）上，特意身著一襲中式傳統紋樣襯衫的Richard Sutton緩緩走上講臺。他提出了一個相反的問題：如果AI擁有的，只是已經畫在地圖上的世界，那么地圖之外呢？

Sutton有資格提出這個問題。

作為強化學習領域的奠基人、2024年圖靈獎得主，2019年，他寫下了一篇只有一頁半的短文《The Bitter Lesson》（《苦澀的教訓》）。文章指出，過去70年AI領域幾乎每一次真正的飛躍，都不是因為研究者把人類知識編碼得更精巧，而是因為某種更“笨拙”的東西——大規模計算——最終碾壓了一切手藝。從國際象棋、語音識別到計算機視覺，無一例外。

這篇文章后來在Twitter（現X）上被廣泛傳播，也成為AI領域影響最廣、被引用最多的經典文章之一。今天，一個幾乎無人反對的共識是：大語言模型，正是“苦澀的教訓”最新的一次勝利——它依靠海量算力和數據，而非人工設計的規則，走到了今天。

但站在WAIC的講臺上，Sutton給出的答案卻是：是，也不是。

大語言模型確實繼承了“苦澀的教訓”，找到了持續擴展計算規模的方法，這是它“對”的一面。但它最大的超能力——來自人類知識，也可能成為它最大的邊界。

因為它存儲的是人類已經達成共識的知識，而不是尚未被發現的真理。

如果歷史再次重演，終有一天，一種能夠自主創造知識、不再依賴人類數據的方法，或許會像當年的大規模計算一樣，取代今天的大語言模型。

地圖可以畫得越來越完整，卻永遠無法提前畫出下一塊大陸。

這場演講的價值，不僅僅在于預言大模型的終結，還在于提出了一個更根本的問題：當AI的全部力量都建立在人類已知的知識之上時，那些尚未被發現的知識，又將從哪里誕生？

以下內容基于Richard Sutton在WAIC大會發表的主旨演講，AI科技評論根據原英文演講內容進行了不改原意的翻譯編輯。

▎The Bitter Lesson of AI Research

主講人：Richard Sutton，2024年圖靈獎得主，阿爾伯塔大學計算機科學

01

“苦澀的教訓”：

AI反復驗證了70年的規律

非常感謝，很高興有機會和大家分享一些關于《The Bitter Lesson》的思考——它關乎AI研究最重要的發展方向。 先簡單說說它的來歷。

這篇文章最早源于2018年的一次內部會議。當時我提出這些觀點后，在場不少研究者并不認同。2019年，它正式發表，并迅速在Twitter（現X）上傳播，后來幾乎成了AI領域的一篇“經典短文”。

整篇文章只有一頁半，我一直建議大家親自讀一讀。不過，由于它最后一段本身就是全文的總結，所以我今天這張幻燈片直接引用了原文。 所謂“苦澀的教訓”，其實源于一個反復出現的歷史規律。

長期以來，AI研究者總希望把人類知識直接編碼進智能體（agent）。這種做法短期內往往十分有效，也符合研究者的直覺，因此總是很受歡迎。但從長期來看，它終究會遇到瓶頸，甚至阻礙進一步的發展。

真正帶來突破的，最終總是另一條路徑：依靠搜索（search）和學習（learning）不斷擴展計算規模。

這，就是“苦澀的教訓” ，為什么說它“苦澀”？

因為研究者投入大量心血設計的方法，起初確實有效，也令人充滿成就感，但最終往往都會被另一種更加依賴計算、更具擴展性的方案所取代。

過去70年，這樣的事情一次又一次發生。 它發生在國際象棋上，也發生在計算機視覺和自然語言處理上。

甚至早在大語言模型出現之前，語言處理的發展軌跡就已經體現了這一規律。最早的方法建立在語言學規則之上，后來逐漸被語音統計模型、隱馬爾可夫模型（Hidden Markov Models）等方法取代；再后來，又進一步被依靠機器學習、大規模計算和互聯網海量數據訓練出來的模型全面超越。

當然，我必須強調一點。 “苦澀的教訓”并不是一條科學定律，它只是一個歷史規律。 歷史并不一定會重復。

但另一方面，在過去70年的AI研究中，它已經重復出現了太多次。因此，我們至少應該保持警覺：這一次，它會不會再次發生？

這也是我今天想和大家討論的問題 ：對于今天的大語言模型，以及我們所說的基礎模型（Foundation Models）而言，“苦澀的教訓”是否依然成立？

02

大語言模型：“是，也不是”

剛才的問題是：“苦澀的教訓”是否同樣適用于今天的基礎模型？

為了回答這個問題，幾周前我在X（原Twitter）上用26個詞做了一個概括。

大意是：不要像過去那樣，把注意力放在人類已有知識上；而應該專注于那些能夠擴展（scale）的方式——專注于創造知識的方法，而不是利用已有知識的方法。只有依靠搜索和學習，AI才能真正實現持續擴展。

那么，這個觀點適用于今天的大語言模型嗎？適用于基礎模型嗎？我的答案是：是，也不是。

“是”的原因很簡單。大語言模型確實找到了一種能夠擴展計算規模的方法。它充分利用了今天的大規模計算資源，以及互聯網產生的海量數據。

從這個意義上說，大語言模型之所以能夠取得今天的成功，本身就是“苦澀的教訓”的一次勝利。它真正吸取了過去70年的經驗，選擇了一條能夠不斷擴展的道路。

這也是為什么，很多人認為，大語言模型正是“苦澀的教訓”最成功的體現。

但另一方面，答案也是“不是”。因為基礎模型和大語言模型的能力，歸根結底建立在人類知識之上。

人類知識，就是它們最大的超能力（superpower）。它們之所以如此強大，是因為吸收了互聯網上幾乎所有已經記錄下來的人類知識，以及海量的人類數據。然而，也正因為如此，它們很可能受到同一種限制。

今天，我傾向于說——很可能（likely）。從長遠來看，它們最終也可能會被另一種方法取代。原因并不是計算規模，而是它們完全依賴于已有的人類知識，而不是試圖創造新的知識。如果過去70年的歷史規律再次出現，那么未來真正推動AI下一次躍遷的，很可能不是更大的基礎模型，而是一種能夠自主創造知識的新方法。

因此，我認為，我們至少應該對這一點保持警覺。

03

基礎模型的本質：

它不是科學家，而是人類共識的容器

討論基礎模型的未來之前，我們必須先回答一個更基礎的問題：基礎模型（Foundation Model）到底是什么？

今天，“基礎模型”已經成了AI領域最流行的詞之一。大家似乎都知道它是什么，但實際上，它更像一個流行概念（buzzword）。

如果我們想討論它的未來，就不能只是引用斯坦福的定義，或者沿用別人給出的解釋。我們必須先弄清楚，它到底是什么。因為，對這個問題的回答，將決定我們對未來的判斷。

我的看法是：基礎模型，本質上是“人類已達成共識知識的容器”（containers of all agreed human knowledge）。

它們不是創造新知識的科學家。它們真正的目標，是成為一個能夠容納所有已達成共識的人類知識的容器。

請注意，我這里說的是：

已達成共識的人類知識（agreed human knowledge）

而不是：

所有知識（all knowledge）。

這是兩件完全不同的事情。如果基礎模型希望容納所有知識，那是不可能實現的。因為世界始終在變化，新的知識不斷誕生，沒有任何系統能夠提前擁有尚未出現的知識。基礎模型真正能夠做到的，是盡可能準確地容納已經被人類驗證、記錄，并形成共識的知識。

而把它當作“所有知識”的容器，則是一種不切實際的幻想。

04

大世界視角：

為什么世界永遠大于任何一個心智

如果說基礎模型只是人類已達成共識知識的容器，那么接下來，一個更根本的問題就出現了：為什么它不可能成為“所有知識”的容器？答案來自我所說的“大世界視角”（Big World Perspective）。

這個觀點其實很簡單。世界永遠比任何一個心智都更大，也更復雜。很多人理解智能時，腦海里的畫面大概是這樣的：有一個世界，也有一個心智，兩者大致相當。只要心智足夠強大，就能夠理解整個世界。但我認為，這個畫面從一開始就是錯的。

真正的情況更像是另一幅圖景：世界遠遠大于任何一個心智。而且，這種差距不是一點點，而是數量級上的差距。

原因很簡單：任何一個心智，都只是世界的一部分；而世界不僅包含自然，還包含無數其他心智。既然如此，沒有任何一個心智能夠完整理解整個世界。

這一點，其實每天都在發生。比如，我剛剛來到這里，面對在座的各位。我當然會試著建立一個關于你們的“模型”。因為我希望把我的想法傳遞給你們，所以你們在想什么、理解到了什么，對我來說都很重要。

但顯然，我不可能真正知道你們每個人此刻腦海里在想什么。這并不是因為我能力不夠。而是因為世界本身，就比任何一個心智更加復雜。這只是那個基本事實的一個具體例子。通用，不意味著無所不知這一點，也決定了我們應該如何理解“通用AI”。

任何一個真正具有通用性的基礎模型，都必須接受一個事實：

它只能停留在表層（superficial），而不可能擁有關于世界完整而深刻的知識。這聽上去像是一種妥協。但在我看來，這反而是一件非常美好的事情。因為它提醒我們保持謙遜，我們不會再幻想，有哪個系統能夠真正理解世界的一切。

與此同時，它也意味著另一件同樣重要的事情：沒有任何人、任何AI，能夠理解一切。因此，我們不必擔心未來會出現某種全知全能的超級心智——一種比你更了解你自己、比你更了解你的朋友的存在。這種擔憂，本身就是建立在一個錯誤的前提之上。

超級智能當然可能存在，但它同樣受到這個基本事實的約束。世界永遠比任何一個心智更大。這一點，對超級智能也同樣成立。它不會因為更聰明，就擺脫這種限制。

因此，從本質上說，我們和未來可能出現的超級智能，并沒有質的區別。它們會像我們一樣，在自己的生命過程中不斷學習，也會像我們一樣，只能逐漸成為自己所經歷、所接觸那一部分世界的專家。

沒有任何一個心智，可以成為整個世界的專家。

05

未來的AI：完整心智、

專用工具與“超級百科全書”

如果接受"大世界視角"，那么我們也必須放棄另一種幻想：不存在一種能夠理解一切的AI。

這意味著，未來不會只有一種AI。恰恰相反，它會演化出不同的形態，承擔不同的角色。其中一種，也是我自己最感興趣的一種，是真正完整的AI心智。

我希望它能夠像人一樣體驗世界、學習、思考、創造、發明，甚至——如果你愿意這樣理解——擁有意識（consciousness）。它們會像我們一樣，在自己的生命過程中不斷學習，不斷成長，也會在自己所經歷的那部分世界中逐漸形成專長。

但它們不會是基礎模型。它們也不會無所不知。它們只是另一種完整的心智。與此同時，還會有另一類AI。

它們并不需要擁有完整的心智，而是專門服務于某個具體任務。例如自動駕駛汽車。它們有明確的目標，也有清晰的應用邊界，只需要把自己的工作做好，而不必理解整個世界。

而基礎模型，則處于這兩者之間。它不是一個人的AI，而是一種可以被無數人共同使用的AI。它真正承擔的角色，是成為當前人類已達成共識知識的準確存儲。這里，我想特別強調“準確（accurate）”這個詞。因為今天的大語言模型仍然會產生幻覺（hallucination），仍然會犯錯。很多時候，我們甚至期待它回答那些訓練數據之外的問題。

但這恰恰不是它真正應該承擔的使命。我認為，一個更值得追求的目標是：成為人類當前共識知識的準確代表。

如果能夠做到這一點，它們將發揮巨大的價值。它們會讓這些知識變得前所未有地容易獲取。而且，不同的人，都可以按照自己的理解能力，以最適合自己的方式獲得這些知識。從這個意義上說，未來的基礎模型，更像是一部真正意義上的“超級百科全書（Super Encyclopedia）”。

如果我們能夠實現這一點，那將是一項極其重要、也極具價值的成就。這，就是我所理解的基礎模型的未來。我希望大家能夠關注它，也擁抱這樣的未來——不是一個無所不知的超級大腦，而是一部準確、可靠、人人都能使用的“超級百科全書”。

一個人讀論文太孤單，一群人刷頂會才好玩。

RSS 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內主打實時論文跟蹤與硬核技術探討，拒絕灌水。

進群傳送門：掃碼進群或添加微信Luyoyo_2026，備注：論文群 + 關注的 AI 方向。

搞科研/搞技術，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會精華

可獨家暢覽：

專家演講PPT

大會報告全文

熱門論文解讀

學術新星訪談

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。