图灵奖得主Richard Sutton：AI离人类共识越近，离未知越远

2026年7月18日

核心事件辨析

2026年世界人工智能大会（WAIC）于上海举办，2024年图灵奖得主、阿尔伯塔大学计算机科学教授Richard Sutton在大会上发表主旨演讲，重新审视其2019年发表的经典文章《The Bitter Lesson》（《苦涩的教训》），并提出对大语言模型本质的深刻反思。

一、事件背景：《苦涩的教训》与70年AI研究规律

Richard Sutton于2019年发表了一篇仅有一页半的短文《The Bitter Lesson》。该文章指出，过去70年AI领域几乎每一次真正的飞跃，都不是因为研究者把人类知识编码得更精巧，而是因为某种更"笨拙"的东西——大规模计算——最终碾压了一切手艺。从国际象棋、语音识别到计算机视觉，无一例外。

这篇文章后来在Twitter（现X）上被广泛传播，成为AI领域影响最广、被引用最多的经典文章之一。今天，一个几乎无人反对的共识是：大语言模型正是"苦涩的教训"最新的一次胜利——它依靠海量算力和数据，而非人工设计的规则，走到了今天。

Sutton在演讲中强调，"苦涩的教训"并不是一条科学定律，而只是一个历史规律。但另一方面，在过去70年的AI研究中，它已经重复出现了太多次。因此，我们至少应该保持警觉：这一次，它会不会再次发生？

二、核心论点：大语言模型是"人类共识的容器"

站在WAIC的讲台上，Sutton给出的答案是：是，也不是。

"是"的原因

大语言模型确实找到了一种能够扩展计算规模的方法。它充分利用了今天的大规模计算资源，以及互联网产生的海量数据。从这个意义上说，大语言模型之所以能够取得今天的成功，本身就是"苦涩的教训"的一次胜利。

"不是"的原因

基础模型和大语言模型的能力，归根结底建立在人类知识之上。人类知识就是它们最大的超能力。它们之所以如此强大，是因为吸收了互联网上几乎所有已经记录下来的人类知识，以及海量的人类数据。然而，也正因为如此，它们很可能受到同一种限制。

Sutton认为，从长远来看，它们最终也可能会被另一种方法取代。原因并不是计算规模，而是它们完全依赖于已有的人类知识，而不是试图创造新的知识。如果过去70年的历史规律再次出现，那么未来真正推动AI下一次跃迁的，很可能不是更大的基础模型，而是一种能够自主创造知识的新方法。

三、概念辨析：基础模型的本质是什么？

讨论基础模型的未来之前，必须先回答一个更基础的问题：基础模型到底是什么？

Sutton的看法是：基础模型本质上是"人类已达成共识知识的容器"（containers of all agreed human knowledge）。

他特别强调：

已达成共识的人类知识（agreed human knowledge）

而不是：

所有知识（all knowledge）。

这是两件完全不同的事情。如果基础模型希望容纳所有知识，那是不可能实现的。因为世界始终在变化，新的知识不断诞生，没有任何系统能够提前拥有尚未出现的知识。基础模型真正能够做到的，是尽可能准确地容纳已经被人类验证、记录，并形成共识的知识。

四、理论框架："大世界视角"为什么世界永远大于心智

如果说基础模型只是人类已达成共识知识的容器，那么接下来，一个更根本的问题就出现了：为什么它不可能成为"所有知识"的容器？

答案来自Sutton所说的"大世界视角"（Big World Perspective）。

这个观点其实很简单。世界永远比任何一个心智都更大，也更复杂。真正的情况更像是另一幅图景：世界远远大于任何一个心智。而且，这种差距不是一点点，而是数量级上的差距。

原因很简单：任何一个心智，都只是世界的一部分；而世界不仅包含自然，还包含无数其他心智。既然如此，没有任何一个心智能够完整理解整个世界。

这一点决定了我们应该如何理解"通用AI"。任何一个真正具有通用性的基础模型，都必须接受一个事实：它只能停留在表层（superficial），而不可能拥有关于世界完整而深刻的知识。

五、未来展望：三类AI形态的演化

如果接受"大世界视角"，那么我们也必须放弃另一种幻想：不存在一种能够理解一切的AI。

这意味着，未来不会只有一种AI。恰恰相反，它会演化出不同的形态，承担不同的角色。

1. 完整的心智

Sutton最感兴趣的一种形态，是真正完整的AI心智。他希望它能够像人一样体验世界、学习、思考、创造、发明。它们会像我们一样，在自己的生命过程中不断学习，不断成长，也会在自己所经历的那部分世界中逐渐形成专长。但它们不会是基础模型，也不会无所不知。

2. 专用工具

另一类AI不需要拥有完整的心智，而是专门服务于某个具体任务。例如自动驾驶汽车。它们有明确的目标，也有清晰的应用边界，只需要把自己的工作做好，而不必理解整个世界。

3. 超级百科全书

基础模型则处于这两者之间。它不是一个人的AI，而是一种可以被无数人共同使用的AI。它真正承担的角色，是当前人类已达成共识知识的准确存储。

Sutton特别强调"准确（accurate）"这个词。因为今天的大语言模型仍然会产生幻觉（hallucination），仍然会犯错。他认为，一个更值得追求的目标是：成为人类当前共识知识的准确代表。

如果能够做到这一点，它们将发挥巨大的价值。它们会让这些知识变得前所未有地容易获取。而且，不同的人，都可以按照自己的理解能力，以最适合自己的方式获得这些知识。从这个意义上说，未来的基础模型，更像是一部真正意义上的"超级百科全书（Super Encyclopedia）"。

六、启示与思考

对AI从业者的启示

警惕路径依赖：大语言模型的成功本身就是"苦涩的教训"的胜利，但这并不意味着它是终点。历史反复证明，依赖人类知识编码的方法终会遇到瓶颈，真正带来突破的往往是搜索和学习不断扩展计算规模的路径。
关注知识创造而非知识利用：正如Sutton在X（原Twitter）上用26个词概括的："不要像过去那样，把注意力放在人类已有知识上；而应该专注于那些能够扩展（scale）的方式——专注于创造知识的方法，而不是利用已有知识的方法。"

对开发者的启示

接受模型的局限性：基础模型只能停留在表层，不可能拥有关于世界完整而深刻的知识。这是一个基本事实，而非技术缺陷。
追求准确性而非全知性：与其期待模型回答训练数据之外的问题，不如追求成为人类当前共识知识的准确代表。

对创业者的启示

差异化定位：未来AI生态将呈现多元化形态。完整的心智、专用工具、超级百科全书各有其价值和适用场景，创业者应根据自身优势选择赛道。
关注"地图之外"：正如Sutton所言，"地图可以画得越来越完整，却永远无法提前画出下一块大陆。"当AI的全部力量都建立在人类已知的知识之上时，那些尚未被发现的知识，又将从哪里诞生？这或许才是下一个十年的核心问题。

信息来源：Richard Sutton在2026年WAIC的主旨演讲，原文由AI科技评论根据英文演讲内容翻译编辑。

原文链接：https://mp.weixin.qq.com/s/4cnM2F2FCJzx2D3F5_rgRA

作者：吴思梦 | 编辑：岑峰