在今天开幕的2026世界人工智能大会上，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·萨顿发表了一场冷静而犀利的演讲。他直言，当前人工智能的进步被许多人夸大，大语言模型和生成式AI的本质仍是模式识别与计算能力的体现，而我们正站在一个旧范式终结的转折点上——“人类数据时代”已经走到极限，未来必须迈入以智能体自身经验为核心的“经验时代”。

　　“智能不是计算，现在的AI只是在搬运人类知识”

　　面对当前火热的AI浪潮，萨顿开场便提醒听众思考：“是不是夸大或夸张了它的进步？”他承认，机器在语言使用、生成视频和图片方面取得了令人瞩目的科学突破，催生了新的产业和经济价值。但他话锋一转，尖锐地指出：“这些大规模运用还是模式识别。我们可以把智能和计算两者不能混淆，这里大多数是计算的能力。”

　　在他看来，智能科学本身并没有真正快速进步，人们对现有系统的理解依然很少。“这些系统其实主要是在使用人类知识的力量，并且把它再交付给我们，它们并没有能力发现自己的知识。从很多方面它们是弱的，在整个思考过程中还是存在一些问题。”萨顿的这番话，无异于给那些认为通用人工智能即将到来的观点泼了一点冷水。

　　什么是智能？通过行为的适应来实现目标

　　萨顿回溯了心理学奠基人威廉·詹姆斯的定义：“所谓心智最大的标准是要达成一定的目标，但是使用多样不同的手段。”字典上则是“获得与运用知识与技能的能力”。而他给出了自己凝练的定义：“通过行为的适应来实现目标的能力，不断进行适应和调整。”

　　他提出一个宏大设想：要建立一门包含人类、动物和机器的“综合性心智科学”。这门科学目前无论是心理学、认知科学还是人工智能都无法完全覆盖，但他所深耕的强化学习，正是“综合性心智科学”的开端。

　　人类数据已耗尽，必须进入“经验时代”，是萨顿对当前AI学习范式的判断。他将现在称为“人类数据时代”——AI训练依赖预测人类语言的下一个词、模仿人类标签，由人类专家进行微调，本质上是把知识从人转移到机器。

　　“这种方法现在已经达到极限了，很多高质量的数据源被用完了，生成新的知识是这个范式没有办法做到的。”萨顿宣告，未来必须进入“经验时代”。AI需要的数据源不再来自静态的数据集，而必须来自智能体自身与世界的互动经验，来自第一视角的信号。

　　他展示了一段婴幼儿玩耍的视频来说明这种学习的本质：婴儿从一个玩具转向另一个玩具，行为决定了他从世界收集到的数据，没有预先准备好的静态数据集，却恰恰打造了最适合他需求和认知水平的输入。“这是最关键的信息。”

　　没有经验，就毫无智能可言

　　萨顿进一步用足球运动员瞬间的决策、棒球手毫秒间的挥杆、鸟的飞行、狮子的捕猎，乃至人类交谈时的信息处理来强调：所有心智活动都是高带宽的行动与感知互动，是为了实现目标、基于经验而进行的。

　　由此，他给出了关于经验型AI的凝练蓝图：“智能体交互的行为、感知，这些是它的经验，是智能的全部。智能就是要打造这样的互动。”他最终落脚到一个极具穿透力的论断：“一个智能体如果是智能的话，它能够预测和控制它的经验、它的感知。如果说它没有经验，那么我觉得根本没有什么智能可言。”

　　在人工智能治理与合作成为大会焦点的背景下，萨顿开场即表态支持合作与共赢。但他的技术洞见无疑更具冲击力——当业界仍陶醉于大模型“涌现”的奇迹时，这位强化学习的奠基人清晰地指出了一条更为根本的道路：真正的智能，不来源于穷尽人类的语料，而诞生于一个又一个主动与世界交互、适应并达成目标的经验之中。