专题 · FULL STORY

Sutton 亲自澄清「苦涩教训」：算力并非一切

图灵奖得主 Richard Sutton 于 11 月 8 日公开纠正外界对《苦涩教训》的误读，强调蛮力算力本身造不出智能。随后他进一步回应争议，澄清原文并非否定算法巧思，而是反对将人类直觉硬编码进系统，争论至今仍在持续发酵。

2026-11-08 ~ 2026-11-10 · 2 集 · 28 条

第 1 集 · Sutton 本尊纠正「苦涩教训」误读：蛮力算力造不出智能(2026-11-08,25 条)

11 月 8 日，强化学习先驱、图灵奖得主 Richard Sutton 发表简短表态：仅靠暴力计算（brute force computation）不足以实现智能，仍需聪明的新方法，AI 的科学远未完成。作为《The Bitter Lesson》（苦涩教训）的原文作者，他此番言论被广泛解读为对「算力堆叠/scaling 路线」及其经典论断被误读的正面纠正，随即引发圈内多位人物隔空争论。争论目前停留在观点层面、尚无定论，但触及当前 AI 圈最核心的分歧：智能究竟主要来自规模堆叠，还是新的科学与方法突破。

已确认

  • Sutton 明确表示蛮力算力不足以产生智能，需要聪明的新方法，AI 科学远未完成。研究者与高管常引用「苦涩教训」论证只要更多数据和算力就能逼近 AGI，Sutton 本人此次被认为是在纠正对其论文的误读。
  • 他还以 26 个词重申 bitter lesson 的原始含义：不要像 AI 历史上那样被人类知识分心，而应专注于能随算力扩展的知识创造方法（如搜索与学习）。
  • 面对外界用「苦涩教训」反驳（如 AI Street Talk 称「苦涩教训最终获胜」），Sutton 引用回应坚持立场；有人在转发其原文（配图引述「70 年 AI 史的最大教训是利用算力的通用方法终将大胜」）时，Sutton 本人在被引用中罕见补充了上述反向观点。
  • 研究者 Jayden Teoh 另发长文吐槽「苦涩教训」正在扼杀学术研究：许多有前景的想法被一句「不够 bitter lesson」轻率否定。

各方回应

  • François Chollet 提出技术判断：数据 scaling 与算力 scaling 只是某种方法泛化能力的乘数，而非智能本身。
  • dair-ai 主理人 Omar Sanseviero 强烈赞同 Sutton，并补充其从业十多年（LLM 时代之前）的经验；转发帖同时解读为 Transformer 范式或将终结的信号。前 Google DeepMind 研究员 Lukasz Kaiser 附议，并表示即使加上 RLVR，现有 Transformer 架构也不足以达成目标。
  • John Langford 指出「规模、发明、再重复」的循环比「苦涩教训」的讨论古老得多，并翻出 2011 年旧案：当年也曾有人宣称语言建模已被 n-gram 方法解决，暗示「scaling 已终结」式论调历史上反复出现。
  • David Klindt 引用并展开：苦涩教训的真正含义从来不是「想法不重要」，而是好想法在同等资源下胜过坏想法、并能改进 scaling。
  • Tarun Kathuria 支持 Sutton 并批评反对者：大家似乎忘了在 o1 等推理模型出现之前，业界普遍认为单靠规模化预训练就足够了。
  • MIT 教授 Dileep George 转发并配图反驳；前 OpenAI 研究员 Arohan 称这会让许多因迷信「苦涩教训」的年轻科学家感到沮丧；Graham Neubig 调侃许多把「苦涩教训」奉为信条的人显然没读过原文；giffmana 转发嘲讽；投资人 Rohit Krishnan 以「Bitter bitter lesson」转发，隐含质疑；Pedro Domingos、Ben Goertzel、Tkaraletsos 等亦参与，后者称其为「苦乐参半」的表态。
  • @sensho 提出反驳式解读：多数人误以为 Sutton 在说「你」能发明碾压 LLM 的新架构，但现实是已有 scaling 路线仍依赖大量工程「脏活」，真正瓶颈在此。

为什么重要

  • Sutton 是「苦涩教训」原文作者、图灵奖得主，其「反水」式表态本身即具标志性意义，直接对撞「scaling 就是出路」的主流叙事。
  • Chollet「scaling 只是泛化能力乘数」的表述为争论提供了更精确的技术框架；Kaiser 关于「现有 Transformer 加 RLVR 也不够」的判断将争论从 scaling 本身扩展到主流架构的可持续性；Kathuria 援引 o1 出现前业界对预训练规模化的盲目乐观，说明「scaling 派」立场也在随时间摇摆。
  • Jayden Teoh 的长文与 Arohan 的评论揭示该争论对学术生态的现实影响：以「苦涩教训」之名否定新想法，可能正在扼杀有前景的研究方向、误导年轻研究者。争论双方均有代表性人物参与，反映学界与投资界对 scaling 路线信心的分化。

还有 5 条相关讨论 →

第 2 集 · 「苦涩教训」再起争论：算力之外 AI 仍需新方法(2026-11-09,3 条)

Richard Sutton 引用并回应关于《Bitter Lesson》的讨论，再度引发争论。他澄清该文并非反对算法巧思，而是反对将人类自身直觉硬编码进系统，并表态蛮力堆算力仍不够，AI 需要新方法。此前有用户玩梗称，即使 AI 解出数学猜想，Sutton 也不会改变「暴力算力不够」的论调。另有长推认为「苦涩教训」本质是对方法的批判：能泛化、能 scale 的方法终将胜出，而当下方法泛化性堪忧，「方法很重要」这点正被业界遗忘。