2026年11月8日，The Decoder 报道，图灵奖得主、现代强化学习奠基人理查德·萨顿近日发文称，光靠堆算力走不到真正的智能，AI 科学需要更聪明的新方法，而且"远未完成"。表态在 AI 社区引发广泛讨论，分歧另一边是 OpenAI 与 Anthropic 的掌舵人。
萨顿说了什么
要理解这次表态，得回到萨顿 2019 年的《苦涩教训》。它认为，能随算力一起变强的方法最终会胜出，搜索和学习是最典型的两种。大语言模型一度是最好的例证：喂的互联网文本越多，能力越强。但萨顿认为，大模型恰恰暴露了这条路的边界：训练完就不再学习，权重自此定格。今年 8 月他更直言，用合成数据突破瓶颈是"大错误"：真实世界无限复杂，任何模拟都只是其中一小片。他开出的方向，是带着世界模型、会自己积累经验的智能体：在与环境互动中不断学习，还不弄丢旧知识。争论的标尺是缩放定律：参数、数据、算力增大后效果提升递减，问题是谁先撞上天花板。
研究圈谁点头
这番话并不孤单。前 OpenAI 研究员杰里·特沃雷克认为，苦涩教训本身没错，但算力投得越多算法越重要：有些算法能随规模变强，有些走到死胡同，而变压器路线的暂时成功叠加对旧文的误读，"奖励劫持了一整代科学家的脑子"。研究员 Jayden Teoh 补充，误读还让不少有潜力的想法没来得及验证就被否定，"一个想法不必永远经得起扩展，才配推动 AI 进步"。The Decoder 统计显示，Frontier Radar 最新一期追踪到 45 家押注这些缺口的新实验室，包括特沃雷克的 Core Automation，以及萨顿与学生合办的 Oak Lab。
另一边为何不买账
但另一边声音同样响亮。OpenAI 首席执行官萨姆·奥尔特曼认为大模型扩展远未耗尽，还批评唱衰者拖慢了一整代研究者；他举的证据是 OpenAI 模型最近攻克了一道 18 年量子猜想，Lean 验算通过。Anthropic 首席执行官达里奥·阿莫迪同样看好扩展，称进展像"没有尽头的彩虹"。分歧不在算力有没有用，而在天花板在哪里：一方赌新学习方法打开下一扇门，一方赌现有路线推到底还能走很远。
对普通读者，这场争论决定未来几年 AI 进步的形态：是更大更贵的模型，还是会自己长本事的智能体。眼下没有定论，萨顿的 Oak Lab 和一众新实验室正在把答案做出来。值得留意的是，双方都没否定对方的前提：萨顿没说算力无用，奥尔特曼也没否认世界模型的价值，分歧只在下一步赌注下在哪里。
