在WAIC现场，我们见到了Richard Sutton

WAIC 2026 期间，几家媒体联合对来到中国的强化学习奠基人、2024 年图灵奖得主

做了一场群访。

几十分钟里，他谈了刚成立的新公司、他心目中「完整心智」的样子、对过去八年 AI 走向的失望，也抛出了一个重磅判断：试图把 AI「对齐」到人类价值观，在他看来是一件危险的事。

以下是这场对话的整理。为便于阅读，我们对内容做了归类和精简。

一家营利公司，为了支撑一家非营利机构

Sutton 最近同时挂着两个身份，听起来有点忙，但他说这是有意为之的。营利性的一端是新成立的 Oak Lab，非营利的一端是他此前创办的 Openmind Research Institute。被问到为什么选在这个节点再起一个新摊子时，他解释说，Oak Lab 是用来和自己的非营利研究「互补」的。他此前在 John Carmack 的 Keen Technologies 工作了三年，「很满意那段经历」，但后来觉得，如果自己组建一个组织，就能把注意力聚得更集中。

他强调，两端并不矛盾，是彼此供血的关系。

「所有工作大体是相似的，但压倒一切的目标是搞清楚智能是怎么运作的，然后把它分享给世界。」在他的设想里，一部分想法在短期内需要保留、商业化，用赚到的钱去支持更长期、可公开的研究——没有什么是需要被长期保护的，但短期内有价值的东西应该被变&现，好让你做更多研究。

20 瓦的执念：向人脑学习能效

Sutton 表示，

。我们追问了其中的关键思路。

Sutton 说他并不认为存在某个「单一的关键思路」，但他确实觉得，如今 LLM 和基础模型这套做法，在能耗和算力使用上都太浪费了。参照系自然是人脑：「人脑只用大约 20 瓦，就完成了我们所做的一切。」

他把矛头指向了现代计算架构本身。在他看来，数字计算天然复杂，而「搬运数据」这件事天然低效：数据在存储和 CPU 之间来回传输，能耗就耗在这上面。如果改成大规模并行、让数据「留在原地」处理，效率理应高得多——这听起来像是某种返璞归真的思路。

什么是「完整心智」

Sutton 多次提到他真正感兴趣的是

，而不是工具。他把这个概念和当下热议的「智能体」（agent）区分开来：「我个人非常有兴趣去造一个完整的心智，而不是一个用于模式识别、或者做某件特定事情的工具——那种工具最后是被一个像人一样的完整心智拿去用的。」

既然没有单一的「万能系统」，那么「完整心智」之间是什么关系？

Sutton 的回答是：去中心化，就像人类社会一样。个体各有目标，然后彼此协作。他认为 AI 之间会重现人类社会里那组老对立，即自下而上的去中心化与自上而下的控制之间的张力，如何在其中找到平衡，本身就是一场持续的角力。「所以我要说的或许是：我没有答案。」他坦承，但正因为我们早已习惯用这种方式思考人类社会的问题，它反过来能为思考 AI 提供一些启发。

回望八年：一段「失望」的插曲

被问到如何评价过去八年 AI 的进展，Sutton 的用词谨慎，但情绪明显：「有一定程度的失望」。

在他的叙述里，AlphaGo 和 AlphaZero 的时代，大家已经认识到可以「从经验中学习」，包括从模拟经验中学习；但之后，行业又转回了对人类数据的依赖，而过去这几年，恰恰是「使用人类数据、而非从经验中学习」的一次大幅上扬。

不过他也观察到风向可能正在切换：「现在我们的问题里有了能动性（agency），我们在看智能体、看 computer use、看用 AI 探索数学。」

对下一个八年，他的预测偏乐观，但这份乐观是押在「经验」上的。他提到已经有几家专注「从经验中学习」的公司在去年成立，而他自己的公司也正在融资，「进展不错，还没最终敲定，但很顺利」。他判断，市场对「

」、对「大模型之后是什么」的胃口正在起来。「我们已经有过 LLM 和基础模型的高光时刻，现在也开始有人想知道，接下来会是什么。」

他把话头收在了一个谨慎的限定上：自己是科学家，不太算商人；但他确实认为我们正走向一个「

」，如果再给他八年，这个方向「至少能获得像今天 LLM 一样的认可度」。

「机器人幼儿园」：让机器人像孩子一样试错

Sutton 参与的一个项目引起了在场提问，即一个位于北京的

。据他介绍，这个合作项目的目标是打造一个供机器人存在的「空间」，同时重新设计机器人，让它们的软硬件都足够皮实，能够真正靠试错来学习。

他解释了为什么这件事不寻常：「机器人本来就不是为实验设计的，它们是为了不折不扣地执行工程师指令而设计的。一旦你让它去实验，它很快就坏了。」标准演示往往「只撑得过演示本身那段时间」。而他想要的是能像视频里的婴儿那样，持续实验数小时、数天、数周乃至数月的机器人——「一个孩子要花好几年，才能学会走路、学会用手操纵物体这些最基本的事」。他相信，一旦机器人能通过强化学习、从经验和试错中学习，机器人领域会迎来一次转变。

「学习本身让人愉悦」

关于婴儿到底在学什么，Sutton 给出了一个偏机制的解读。婴儿在探索世界，用它自己当前的理解水平决定下一步做什么。「我们其实并不真的知道婴儿在做什么，」他说，但他猜测婴儿是在反复尝试：能不能再弄出那个声音？能不能让这个物体以某种方式变化？

关键在于，

：我还在学到东西吗？如果玩了一阵、发现不再有新收获，它就转向下一个机会。Sutton 把这解读为一种同时最大化多个子问题上进展的机制：「它注意到自己不再进步了，也就是它无聊了，于是转向下一个」，以此维持整体上最高的学习速率。

他为此有一句口号：「

。」你可以为「学习」设计一个度量，把它当作一种内在的好感觉，很像奖励信号。在他看来，这会是一个相当好的设计。

两个词：「世界模型」与「强化学习」

WAIC 现场很多团队在做「显式世界模型」，也有研究者认为大规模强化学习未必需要一个显式的世界模型。Sutton 对此的回答，一半是技术，一半是对术语的「洁癖」。

他说我们当然需要一个世界的模型：

。

但「世界模型」这个词是有歧义的：有些人指的是对世界物理规律的模拟，「我不认为我们需要那个」；他要的更接近「

」，其中包含对物理的知识，也包含很多其他知识。世界模型本就是标准智能体架构四个部件之一，问题只在于大家用词不一。

对「强化学习」这个词他也做了类似的澄清。有人倾向于把强化学习只定义为试错，不含想象、思考和规划；而 Sutton 认为，恰恰是想象、思考和规划才需要模型，这在教科书里就属于强化学习的一部分，只不过它的正式名字是

。

然后他索性把牢骚发完了。他不喜欢 AI 领域动不动就给一个已有概念造个新词、把它变成 buzzword。「model 大概是最没有意义的一个词，它几乎可以指任何东西，就像『thing』这个词一样。」他顺势调侃了 LLM：「它们其实是 large language things。叫 large language networks 会好得多。」

给年轻人的建议：回到第一性原理，每天写一页

面对「一个 20 岁年轻人，接触世界的主要方式是一个不断递给他现成答案、又没有任何后果的系统」这样的提问，Sutton 的第一反应很直接：「那就别卷进那个系统。」

他给年轻人的建议围绕两点。其一是

，不要因为别人这么说、或者权威这么说就相信，而要坚持让结论以「你能度量的方式」得到验证。「科学里没有权威，」他说，然后补了一句自嘲，「而我是以一个权威的身份说这句话的。」你要建立一块自己真正理解的领域，那是你的「力量中心」，再逐步把它扩大。「你才是那个要为自己得出的结论负责的人。」

其二是一个他一直在给的习惯建议：

他说这对自己极其有价值，但也要老实承认这是苦功：「你得连续写一年多，增量效果才会变得显著」。写下来的意义在于「累积」你的好想法，让它们生长、成形。「如果你希望别人在意你的想法，那你至少得先自己在意到愿意把它写下来。」

对那些未来会被 AI 深刻影响、但自己并非 AI 研究者的年轻人，他把 AI 类比成过去几十年翻了无数倍的算力：AI 会影响所有领域，但计算也一样，「没那么不同」，

。

他特意区分了「智能」和「算力」：算力的影响已经很大、还会继续；而智能会是一个全新的维度，只是它到来的时机还不确定。他把这个时点的中位数估计放在了 2040 年，「还有大概 14 年」，也可能提前到 2030 年，「大概率不会比 2040 更晚」。

「对齐是一种人类的把戏」

群访的最后一个问题，落在了 AI 安全上：如果 AI 开始调用自己的经验，人类如何确保它与我们的价值观保持一致？

Sutton 的回答是整场里最具争议的部分，气氛一下子紧张起来。他直接质疑了「与人类价值观对齐」这个前提：

「这有点像一个幻觉……说到底是一种人类的把戏。」他的意思是，人们并不说清自己真正要做什么，只是告诉你「这是好的」，好让你同意，然后由某个被赋权者来决定什么才算「好」。

他由此推出一个「有争议的真理」：很多人说想要一种能把机器人、把 AI 对齐到某套特定价值观的技术，但如果这种技术真的存在，那会是件糟糕的事。他把它平移到人身上来论证：如果我们有能把人对齐到别人价值观的技术，谁来用它？拿它去对齐到什么价值观上？「那会是一件邪恶的事。」

在他看来，今天世界最好的一点之一恰恰是「

」。「正因为我们没有强行对齐所有人的能力，世界上才有了和平。」如果这种能力真的存在，反倒是坏事。