通信世界网消息（CWW）过去几年，大模型的发展建立在海量数据、超大算力和持续投入之上。当高质量人类数据逐渐接近瓶颈，人工智能下一阶段将依靠什么继续进化？

在2026世界人工智能大会暨人工智能全球治理高级别会议主论坛上，2024年图灵奖得主、“强化学习之父”、阿尔伯塔大学计算机科学教授理查德·萨顿（Richard Sutton）提出，人工智能正迎来从“数据时代”向“经验时代”的范式转变。未来，AI不应仅依赖人类已有知识进行训练，而需要通过与真实世界持续交互获取经验，在反馈中不断学习、修正和成长。

萨顿认为，当前AI已经展现出巨大的产业价值，但其突破更多来自计算能力和模式识别能力的提升，距离真正意义上的智能仍有距离。随着现有数据训练范式逐渐逼近边界，经验驱动的持续学习，将成为下一阶段人工智能演进的重要方向。

目前的AI更多是“计算”

演讲中，萨顿首先回应了当前人工智能快速发展的市场共识。他表示，自己认同人工智能正在快速变化，也取得了令人瞩目的进步，但与此同时，社会对于AI能力的认知也存在一定程度的夸大。一方面，人们容易高估AI发展的速度；另一方面，围绕AI风险和未来的讨论，也进一步放大了这种预期。

在萨顿看来，近年来人工智能最大的突破，体现在机器已经能够熟练使用语言，并具备生成图片、视频等内容的能力。这些技术不仅催生了新的产业形态，也创造了切实的经济价值。

不过，他强调，应当区分“计算”和“智能”。

他认为，目前大多数AI能力，本质上仍然建立在大规模计算和模式识别基础之上，而不能简单等同于真正意义上的智能。“我们不能把智能和计算混淆。”萨顿表示，人工智能科学本身并没有像外界想象的那样快速进步，人类对于真正智能系统的理解仍然十分有限。

在他看来，当下的大模型更多是在利用人类已有知识，并重新组织后呈现给用户，而不是依靠自身发现新的知识。从这个意义上说，现阶段AI仍然存在不少局限。

什么是真正的“智能”？

既然谈论人工智能，首先需要回答的问题便是：什么是智能？萨顿表示，他并不打算给出唯一答案，而是希望通过不同学科对于智能的定义，引发更多思考。

演讲中，他首先引用了心理学早期关于“心智”的理解——为了实现同一个目标，可以采取不同的方法。随后，他又提到图灵提出的“模仿游戏”，指出外界后来普遍使用的“图灵测试”这一说法，与图灵最初的表述并不完全一致。

他同时提到，词典通常将智能定义为“获取和运用知识与技能的能力”；人工智能领域则曾将其概括为“通过计算实现目标的能力”。

而在萨顿看来，智能更准确的定义应是：通过行为不断适应环境，从而实现目标的能力。

基于这一理解，他提出，应建立一门覆盖人类、动物以及机器的“综合性心智科学”。因为无论是哪一种智能，其共同特征都是围绕目标，在与环境持续互动中采取行动，并不断调整自身行为。

他认为，目前心理学、人工智能、认知科学等学科都无法完全覆盖这一研究对象，而强化学习正是这一综合性心智科学的重要开端。

数据时代正在接近边界

谈及人工智能未来的发展方向时，萨顿提出了整场演讲最核心的观点。他认为，目前AI仍然处于“人类数据时代”。

这一阶段，大模型主要通过预测人类语言、利用人类标注数据以及专家微调完成训练，本质上仍是把知识从人类转移到机器。

但这种训练方式正在逼近极限。萨顿表示，高质量的人类数据已经被大量使用，仅依赖静态数据集，无法持续产生新的知识。因此，未来AI需要新的数据来源。

在他看来，这个新的来源，就是经验。未来智能体需要通过自身与真实世界的持续交互，不断获取第一视角的数据，包括观察、行为以及反馈，并据此持续学习。这种经验不是静态数据，而是在智能体与环境持续互动过程中不断生成的数据流。“婴儿不断尝试不同玩具，其行为决定了能够接触到哪些信息，也决定了学习内容。这些数据不是预先准备好的静态数据集，而是在互动过程中自然产生，并且最符合自身能力发展需要。”

类似的过程同样存在于动物、人类运动乃至人与人交流中。无论足球运动员临场决策、棒球击球，还是人与人交谈，本质上都是高带宽的信息处理过程，需要根据环境快速采取行动，实现既定目标。他认为，这种持续交互形成的经验，正是智能最核心的组成部分。

同时，真正的智能不仅需要观察环境，更需要知道哪些行为是好的、哪些行为能够实现目标。而这一能力依赖奖励机制。他认为，目前的大语言模型并没有真正意义上的奖励信号，因此无法判断自身行为是否正确，也无法形成真正的目标导向，这也是其能力存在局限的重要原因之一。

类似的问题还体现在事实准确性方面。没有经验，就无法验证自己的预测是否真实发生，也无法知道哪些知识是真实有效的；而经验型AI则能够通过真实世界反馈不断修正预测，逐步建立更加可靠的知识体系。

“经验时代”正在到来

萨顿提到，早在1947年，计算机科学先驱艾伦·图灵就曾提出，希望机器能够“从经验中自主学习”。在他看来，这一理念当时并未成为现代AI发展的核心路径，而如今正在重新成为人工智能发展的关键方向，尤其是在机器人和工业应用领域。

演讲最后，萨顿再次强调，人工智能的发展正在从依赖人类数据训练，转向依赖经验持续学习。这种变化意味着，未来AI能够持续获取新知识，不断提升自身能力，而不是停留在已有知识的重复利用。

不过，他同时认为，当前AI距离真正意义上的自主智能仍有距离。现阶段AI仍然存在不可靠、容易产生错误等问题，但已经展现出巨大的产业价值，并推动越来越广泛的社会应用。“我们还没有进入真正的超级智能时代，也还没有进入智能增强人类的时代，但我们正在朝这个方向前进。”萨顿表示，人类正第一次真正接触这一代人工智能，也将共同见证“经验时代”的到来。