人工智能领域正经历一场关于技术路径的根本性分歧。图灵奖获得者、强化学习之父理查德·萨顿近日在Dwarkesh播客中明确表态，不相信扩展大语言模型能够实现类人智能，这一表态为持续数年的AGI路径争论增添了重量级声音。萨顿的观点与认知科学家加里·马库斯长期以来的立场形成呼应，标志着人工智能学术界对当前技术发展方向的深层质疑正在扩大。

萨顿的表态尤其引人注目，因为他是著名"苦涩教训"理论的提出者。该理论认为，在人工智能发展中，简单地扩展计算资源通常比设计复杂算法更有效。然而，在最新访谈中，萨顿明确指出大语言模型的根本缺陷：它们无法从现实世界获取反馈，也无法制定目标，因此不能被视为真正的智能系统。

学术界阵营的重新洗牌

萨顿的表态立即引发了加里·马库斯的回应。马库斯在社交媒体上表示："这个世界变成了什么？苦涩教训先生理查德·萨顿，现在听起来就像我一样。"马库斯进一步声称，人工智能领域的重要人物正在逐一接受他自2019年以来对大语言模型的批评观点。

马库斯列举了一系列知名人士转变立场的例子，包括Meta AI首席科学家扬·勒昆和谷歌DeepMind首席执行官德米斯·哈萨比斯。他认为，目前仍然坚持扩展大语言模型路径的人要么是骗子，要么是利益相关者。

萨顿随后在社交平台上回复马库斯，承认后者"从来都不孤单"，并赞扬了马库斯率先提出质疑的勇气。萨顿写道："尽管你是第一个咬紧牙关、打好这场仗的人，并一次又一次地为大语言模型的局限性提出很好的论证。我向你的优质服务致敬。"

这种公开的相互认可标志着人工智能学术界一个重要转折点。长期以来，马库斯被视为生成式AI繁荣的反对者，而萨顿作为强化学习领域的权威人物，他的支持为这种观点增添了显著的学术分量。

技术路径的根本分歧

当前围绕大语言模型的争论反映了人工智能发展的两种截然不同的哲学观点。支持者认为，通过不断扩展模型规模、增加训练数据和计算资源，最终能够实现通用人工智能。这种观点得到了OpenAI等公司的大力支持，这些公司投入数十亿美元开发越来越大的模型。

反对者则认为，当前的大语言模型存在根本性的架构限制。萨顿在播客中强调，真正的智能需要能够与环境互动、从反馈中学习并制定目标的能力。他认为，仅仅基于文本预测的系统，无论规模多大，都无法具备这些核心能力。

这种分歧不仅仅是技术层面的，更涉及对智能本质的理解。强化学习派认为智能来自于与环境的交互和目标导向的行为，而大模型派则相信智能可以从大规模模式识别中涌现。

OpenAI前首席科学家伊利亚·苏茨克维尔代表了另一种观点。他曾举例说明，当大语言模型能够完成"凶手是..."这样的句子时，它必须理解整个故事情节、发现线索并进行推理，这本身就体现了智能。苏茨克维尔认为，即使基于下一个标记预测的架构，大语言模型仍然能够表现出真正的智能。

产业投资与现实考量

这场学术争论的背后是巨额的商业投资。科技巨头们已经在GPU和数据中心上投入了数千亿美元，押注于大模型路径能够带来突破性进展。如果萨顿和马库斯的观点正确，这些投资可能无法实现预期的回报。

近年来，各大科技公司不断推出参数量更大的模型，从GPT-3的1750亿参数到GPT-4的估计万亿级参数，再到各种多模态大模型。这种规模竞赛基于这样的假设：更大的模型将展现出更强的智能能力，最终实现通用人工智能。

然而，批评者指出，随着模型规模的增长，改进程度正在递减。同时，训练和运行这些模型的成本呈指数级增长，而性能提升却越来越边际化。这种趋势引发了对当前发展路径可持续性的质疑。

萨顿的观点特别值得关注，因为他的"苦涩教训"理论曾经支持扩展方法。他在该理论中论证，历史上人工智能的重大突破通常来自于更多的计算资源，而不是更巧妙的算法。但在最新表态中，他似乎认为这一原则在大语言模型上已经遇到了根本性障碍。

未来发展方向的思考

当前的争论可能预示着人工智能研发重点的转移。如果主流学术观点转向支持萨顿和马库斯的立场，我们可能会看到更多资源投入到强化学习、机器人学和多智能体系统等领域，这些方向更强调与环境的交互和目标导向的行为。

一些研究人员正在探索混合方法，试图将大语言模型的语言处理能力与强化学习的决策能力相结合。这种方法可能提供一条介于两种极端观点之间的中间道路。

同时，神经符号AI的复兴也反映了对纯统计方法局限性的认知。这些方法试图将符号推理与神经网络相结合，以实现更可解释和可靠的人工智能系统。

无论最终技术路径如何演进，萨顿和马库斯等知名学者的公开质疑都为人工智能社区提供了重要的反思机会。在追求AGI的激烈竞赛中，保持批判性思维和开放性讨论对于确保技术发展的正确方向至关重要。

这场争论的结果不仅将影响学术研究的方向，也将对整个科技产业的投资策略产生深远影响。随着更多权威声音的加入，人工智能领域可能正站在一个重要的转折点上。