今天，2026 世界人工智能大会（WAIC）正式落下帷幕。过去三天，从 OpenAI、Google DeepMind 到图灵奖得主、强化学习奠基人 Richard Sutton，多位人工智能领域的重要学者和企业代表围绕 AGI、大模型、智能体等话题分享了他们对未来 AI 的判断。
其中，Sutton 已经是连续第二年在 WAIC 的舞台上进行演讲。这也是他宣布创办 AI 公司 Oak Lab 后的首次公开演讲。就在一周前，他刚刚宣布离开 John Carmack 创办的 Keen Technologies，转而押注一条不同于当前大模型的发展路线：让 AI 像人一样，在与世界持续互动中不断学习，而不是主要依赖静态数据训练。
这其实也是他近两年来反复强调的核心观点。去年，他在 WAIC 提出人工智能正从依赖静态数据迈向依靠与世界互动不断学习的“体验时代”（Era of Experience）。今年，他则回到了自己最著名的观点——《苦涩的教训》（The Bitter Lesson），并借此追问：如果人工智能的发展仍遵循过去七十年的规律，那么今天如日中天的大语言模型（LLM），是不是也只是 AI 演进过程中的一个阶段？
这位图灵奖得主给出的答案是：是。在他看来，虽然大语言模型代表的基础模型当然会长期存在，也将成为未来 AI 生态的重要组成部分。但它们并不会演化成能够理解一切、创造一切的"超级心智"。相反，它们更现实的未来，是成为可靠、可共享、能够服务不同用户的"超级百科全书"。
“苦涩的教训”还会再发生一次吗
萨顿从这篇只有一页半、却在人工智能领域广为流传的短文讲起。
2019 年，他发表《苦涩的教训》（The Bitter Lesson），总结了人工智能研究七十年来反复出现的一种模式：研究者总喜欢把人的知识、经验和规则写进系统。这种方法短期内往往见效快，也让研究者拥有更强的控制感；但随着计算能力不断提升，它们最终都会遇到瓶颈，并被更依赖计算规模、搜索和机器学习的新方法所取代。
国际象棋、计算机视觉、自然语言处理都经历过类似的转折。以自然语言处理为例，早期研究高度依赖语言学规则，随后统计模型、隐马尔可夫模型（Hidden Markov Model）逐渐成为主流；再后来，机器学习、海量互联网数据和大规模计算又推动整个领域迈入了大模型时代。
这个教训之所以被称为“苦涩”，是因为被取代的往往并非错误的方法，而恰好是那些曾经十分有效、也凝聚了研究者大量心血的方法。萨顿强调，《苦涩的教训》并不是一条物理定律，但同样的历史已经重复了太多次，因此没有理由认为，它会在今天停止。
他把这一思想进一步概括成一句话：不要把注意力过多放在人类已有的知识上，而应专注于那些能够持续扩展、能够不断创造知识的方法。
于是，今年演讲的核心问题也随之浮现：大语言模型和基础模型（Foundation Models），究竟有没有真正吸取《苦涩的教训》？
萨顿的回答是：“是，也不是。”
“是”，是因为大模型的崛起本身就是《苦涩的教训》的体现。它们依靠不断增长的算力、海量互联网数据和规模化训练获得能力，而不是主要依赖人工编写规则，这正是《苦涩的教训》所强调的发展路径。
“不是”，是因为它们最强大的能力，同时也是最大的局限。它们建立在人类已经创造出来的知识之上。语言、图像、代码构成了训练基础，因此擅长组织、调用和解释既有知识，却难以像人一样，在真实世界中持续探索、持续学习，并创造新的知识。
在萨顿看来，这种依赖最终可能成为大模型发展的天花板。
今天的基础模型可以表现得像一个知识渊博的对话者，但“知道人类说过什么”和“在世界中发现新的东西”，本质上是两件不同的事情。如果人工智能的发展再次遵循过去七十年的规律，那么那些完全依赖既有人类知识的系统，长期来看仍有可能被能够通过搜索、行动和学习不断创造新知识的系统所取代。
世界大于任何一个心智
为了回答基础模型最终能走到哪里，萨顿提出了一个“大世界视角”（Big World Perspective，也称 Big World Hypothesis）。
他的出发点很简单：世界永远比任何一个心智更加复杂，而且世界本身还包含着无数其他心智。因此，无论一个模型拥有多少参数、训练了多少数据，都不可能真正容纳整个世界。
他举了一个简单的例子。人与人交流时，总会在脑海里建立关于对方的认知模型，以判断对方是否理解自己的意思。但无论如何，我们都不可能真正知道另一个人在想什么。人工智能面对的也是同样的限制。一个模型如果希望覆盖更广泛的领域，就必须接受理解上的局限：覆盖范围越广，并不意味着对每一个局部都能拥有无限深入、完整无缺的认识。
萨顿把这称作一个“美丽的真相”（a beautiful truth）。它提醒人和机器都承认自身的有限，也打破了关于“无所不知的超级心智”的想象。未来的人工智能不会比每个人更了解他的生活，也不会比他更理解自己的朋友、关系和所处环境。每一个人，以及每一个能够持续学习和成长的智能体，都只会成为自己那一小块世界里的专家。
这种思考，也对应上了他前不久和社会人类学家项飙的一场对谈。
在那场对话中，项飙同样反对把人工智能理解为一种能够实现无限增长、无限设计的工具。他举了一个会议的例子：每个人看到的都只是会议的一部分，正是这些彼此不同、彼此有限的视角，共同拼出了完整的公共讨论。如果一个智能体宣称自己能够穷尽会议中的所有信息，那么人与人之间的交流，以及公共空间本身，反而可能失去生命力。
两人的关注点并不完全相同。萨顿相信，能够像人一样持续体验、学习并创造知识的人工智能终将出现；项飙则更关注那些难以被标准化的数据之外的东西。身体感受、主观经验，以及人与人之间不断生成的社会关系。
但两人的讨论最终都指向了同一个问题：信息覆盖面的扩大，并不必然意味着理解能力的提升；把“知道得更多”直接等同于“理解得更深”，本身就是一种值得警惕的误解。
在这幅“大世界”的图景下，萨顿进一步勾勒了未来人工智能可能的发展方向。
第一类是具有明确边界的专用系统，例如自动驾驶汽车。它们只需要在特定场景中完成任务，并不需要拥有完整的心智。
另一类，则是萨顿真正期待出现的人工智能。它们像人一样拥有“完整心智”（complete minds），能够在一生中持续体验、学习、创造、思考，甚至做梦，并随着不断接触世界，逐渐形成属于自己的专长。它们不会无所不知，却会拥有属于自己的经验。
而基础模型，则介于两者之间。它们由许多人共同使用，承担的是保存、组织和传播人类已有知识的角色。萨顿认为，这类模型的目标不应该是对所有问题都给出答案，更不应该在缺乏依据时假装知道，而是尽可能准确地呈现当前人类已经达成共识的知识边界。
这意味着，基础模型首先需要解决的不是如何显得更聪明，而是如何变得更可靠。在萨顿看来，目前大模型频繁出现“幻觉”，一个重要原因就在于，人们不断要求它回答那些已经超出了训练数据和已有知识范围的问题。他主张接受一种看似收缩、实则更加清晰的定位：让基础模型成为准确的人类知识载体，把已有知识组织得更容易获取，并能够根据不同人的理解水平，以不同方式解释同一件事情。
他把这样的系统称为“超级百科全书”（super encyclopedia）。相比“超级智能”这样充满想象力的目标，这一定位听起来更加现实。一个能够准确回答自己知道什么、也坦诚承认自己不知道什么的系统，或许比一个看似无所不能、却真假难辨的聊天机器人更有价值。
当 AI 给出即时答案，人还需要保留什么
在此前与萨顿的对谈中，项飙对大语言模型的观察，也为这个问题提供了另一层视角。
他认为，大模型之所以能够迅速发展，与现代社会长期积累的大量文本密切相关。过去，人们不断把经验转化为文字，把语言变得越来越抽象、越来越标准化，使知识能够脱离具体情境，被复制、传播和共享。从这个意义上说，今天的大模型并不完全属于“设计时代”，它同样建立在一个漫长的“复制时代”之上。人类先把经验变成可以流通的符号，模型再学习、重组这些符号，构建出一个近似现实的文本世界。
问题在于，这个由符号构成的世界，可能反过来比真实生活更具吸引力，也更容易让人误以为它就是现实。
项飙举了一个例子。倾听原本是一件需要耐心的事情：人们需要等待语言逐渐汇聚成意义，再去感受表达中的停顿、犹豫、不确定性以及人与人之间的张力。社交媒体已经让这种能力有所削弱，而能够即时生成答案的 AI，则可能进一步让人失去分析、批判和独立判断的“肌肉”。
这并不是萨顿这场演讲直接讨论的话题，却与他对基础模型的定位形成了某种呼应。
如果基础模型的角色，是整理、组织和呈现人类已经形成的公共知识，那么发现新知识、理解具体情境、积累个人经验，就不能完全交给模型。基础模型可以帮助人接近世界，却不能代替人经历世界。
从去年的“体验时代”（Era of Experience），到今年重新谈起《苦涩的教训》，萨顿真正关心的问题其实没有改变，只是变得更加具体。他始终认为，人工智能下一步的关键，不是继续把人类留下的数据装进更大的模型，而是让智能体真正进入世界，在行动中获得经验，并不断从行动的结果中学习。
也正因如此，他对基础模型的判断既乐观，也克制。它们不会消失，也无需被贬低。如果能够成为准确、可靠、开放，并能够因人而异地组织和解释知识，它们就是一项重要的技术成就。但如果把基础模型视作通向全知智能的终点，那么正如《苦涩的教训》所揭示的那样，它们最终也可能像过去许多 AI 技术一样，被一种更能够依靠行动、搜索和学习创造新知识的范式所取代。
参考链接：https://www.incompleteideas.net/IncIdeas/BitterLesson.html
运营/排版：何晨龙
注：封面由 AI 辅助生成
热门跟贴