为什么「强化学习之父」理查德·萨顿认为，如今的大模型仍然不是真正的智能？

在人工智能领域掀起巨浪的大语言模型，正被一位开创性人物泼下一盆冷水。近日，被誉为“强化学习之父”的理查德·萨顿（Richard Sutton）在接受采访时直言：当前的大模型，包括GPT-4等顶尖系统，仍然不是真正的智能。

这一观点在AI界引发了广泛讨论。作为强化学习领域的奠基人之一，萨顿的言论绝非危言耸听。他的核心判断来自对智能本质的深刻理解——真正的智能，应当是“从交互中持续学习的能力”，而非简单地对海量数据进行模式匹配。

大模型：聪明的鹦鹉还是真正的智者？

萨顿指出，过去十年AI领域的最大成就，恰恰也带来了最大的误解。大语言模型通过在海量文本上训练，展现了令人惊叹的语言生成能力，甚至通过了图灵测试的某些变体。然而，萨顿认为，这些系统本质上只是“高阶模式匹配器”，它们并不知道自己在说什么，也没有真正的理解。

“如果你问大模型一个问题，它给出一个完美答案，你可能会认为它理解了你的意图。但实际上，它只是计算出你最可能期待的答案序列。”萨顿在一次演讲中指出，“它没有自己的目标，没有与世界交互的持续过程，没有‘我想要知道这个’的内在驱动。”

萨顿的理念根植于他数十年来的研究。在他看来，真正的智能离不开三个要素：首先是目标——一个智能体需要有自身的内在目标或价值函数，而不是被动回应指令；其次是交互——智能必须通过行动与环境不断互动，从反馈中调整行为；最后是持续学习——智能体应该在每个时刻都进行学习，而非仅仅在训练阶段。

反观大模型，它们在被训练完成后，权重基本固定，无法在与用户对话过程中实时更新自己的知识结构。这就像是一个人永远停留在考试结束的那一刻，再也无法从日常经验中成长。

萨顿的强化学习理论建立在“奖励假说”之上：所有智能行为都可以归结为对累积奖励的最大化。一只流浪猫学会避开车辆、寻找食物，不是因为看过无数关于猫过马路的文本，而是因为在数百万次交互中，每次危险都带来了“惩罚”，每次成功觅食都带来了“奖励”。

“真正的智能体，一开始像婴儿一样无知，然后通过尝试、犯错、再尝试，逐渐建立对世界的预测模型。”萨顿强调，“这个过程是持续的、基于目标的、与真实世界紧密耦合的。大模型缺少的恰恰是这个。”

萨顿并非否定大模型的价值。他认为，大模型可以作为智能系统的一个强大的“世界模型”组件，但绝不能等同于智能本身。未来的突破方向，很可能是将大模型的表示能力与强化学习的决策框架相结合，创造一种能够自主设定目标、在真实环境中持续学习的系统。

“如果我们只是让模型变得更大、训练数据更多，我们只是在扩展一个精密复读机的规模。”萨顿警告，“真正的挑战是：如何让AI拥有自己的目标，并在与世界的交互中，通过奖励信号不断改进自己。”

他强调，当前AI研究对“静态数据集”的依赖是危险的。真正的智能研究应该转向“动态交互”范式——让智能体在虚拟或真实的环境中自主探索，从每一次行动中学习，而不仅仅是背诵人类已有的知识。

理查德·萨顿的观点，为过于狂热的大模型崇拜提供了一剂清醒剂。当我们惊叹于ChatGPT的流畅对话、Midjourney的精美图像时，不应忘记：这些系统的“聪明”仍然停留在人类给定数据的牢笼里。真正的智能，应当像自然界中每一个生物那样，为了生存和繁衍，主动探索、冒险、学习。

或许，AI研究的下一次真正革命，不是让模型变得更大，而是让它学会像一只刚睁开眼睛的幼猫那样，跌跌撞撞地开始理解这个世界。