2026年11月8日，人工智能领域最具影响力的人物之一、图灵奖得主Richard Sutton在社交平台写下了一段简短却极具破坏力的话：“单靠蛮力计算不足以实现智能，AI科学远未结束，我们需要巧妙的新方法。”
这番表态之所以引发震动，不仅是因为Sutton是2019年奠基性文章《苦涩的教训》（The Bitter Lesson）的作者，更因为在过去几年里，这篇文章被工业界奉为大模型圣经，被简化为Scaling Law（缩放定律）的信仰。对于当前依赖Transformer架构、通过无休止叠加算力和合成数据来刷榜的巨头而言，Sutton这次夺回释经权，实质上是对AI当前技术路线最严厉的一次否定。
被“奖励黑客”困住的科研一代
在《苦涩的教训》原文中，Sutton的核心论点是利用算力扩展的通用方法，最终总会击败那些精巧的人类先验知识。但这一逻辑被简化后，产生了一个意想不到的负面效果——学术界形成了一种路径依赖。
前OpenAI研究员、现Core Automation创始人Jerry Tworek直言不讳地指出，这种简化“奖励黑客（reward-hacked）了一整代科学家的头脑”。当投入算力就能在测试集上获得确定性的分数提升时，研究员们失去了探索非缩放算法的动力。许多本该被探索的算法维度，因为不符合Scaling精神被提前扼杀。
这种教条式的崇拜，让AI实验室陷入了某种算力内卷。AI研究员Jayden Teoh也批评说，学术界对该理念的误读，导致了一系列有潜力的、非通用型的早期研究被视为旁门左道，阻碍了对智能本质更深层次的挖掘。
从静态模仿到持续经验学习
Sutton此次批评的靶心，是当前模型静态学习的局限性。在Sutton看来，现有的LLM只是在模仿互联网上的静态文本，合成数据不过是对无限复杂世界的一种微观模拟，且训练结束即意味着学习停止。
与此相对，Sutton及其创办的Oak Lab主张构建能够自主学习、脱离静态数据集限制的智能体。这并非否定他过去的观点，而是他认为真正的通用智能必须具备以下两项条件：
- 持续学习能力，在交互中更新知识，且不因新知识的获取而彻底覆灭旧知识。
- 世界模型接入，AI必须从环境的反馈中获取经验，而不是仅仅从人类编写的文本中寻找规律。
45家实验室的“算法出走潮”
这种技术分歧正在重塑行业版图。据统计，目前已有45家新兴实验室（Neo-labs）试图在预训练与强化学习的边缘地带寻找新的破局点。这些研究者选择离开巨头，正是为了摆脱Transformer加暴力算力的叙事枷锁。
然而，这场实验远未定论。以Sam Altman和Dario Amodei为代表的巨头负责人，依然坚信缩放的红利尚未耗尽。Altman甚至以OpenAI模型成功攻克数学猜想为证，强调质疑者因为过度怀疑Scaling的能力，反而拖慢了研究进展。
- 提醒.世界模型与持续学习虽被寄予厚望，但目前仍缺乏统一的架构标准。相比于工程成熟度极高的Transformer架构，这些新兴路线尚需证明自己在商业上的可落地性和经济性。
当前，AI行业正处于一个微妙的临界点，巨头们通过垄断算力继续在既定轨道上狂奔，而一批深谙此道的顶级人才正在尝试证明，计算规模并非通往智慧的唯一台阶。接下来的行业观察点，将是这些新实验室能否拿出在特定复杂任务中，证明其算法优越性的原型系统。