Sutton再谈苦涩教训：纯算力不够，LLM scaling信奉者被指误读

一句话看懂：图灵奖得主、2019年《苦涩的教训》作者Richard Sutton在2026年11月8日发文重申，仅靠算力堆不出智能，AI科学“远未完成”；他的表态引发社区争论，也把LLM scaling路线与“新方法派”的分歧摆上台面。

事件核心：发生了什么

Sutton在社交平台发帖称，原始算力本身不足以产生智能，AI需要更聪明的新方法。这与他此前一系列批评一致：他此前质疑简单扩大大语言模型规模的局限，称合成数据是“大错误”，理由是真实世界无限复杂、任何模拟都只是“微观切片”；他还主张发展具备世界模型、能持续从自身经验中学习的智能体，认为现有语言模型训练结束后便不再学习。

社区反应分化。离开OpenAI的研究者Jerry Tworek认为“苦涩的教训”仍成立，但算力投入越大，算法越关键，且许多scaling维度尚未被探索，他用较强措辞批评transformer scaling的阶段性成功被误读。研究者Jayden Teoh则指出，该教训常被用来否定偏离其精神的学术想法，这属于误读；一些后来被替代的思路在当时仍是进步的组成部分。

为什么重要

这触及当前大模型竞争的核心分歧：继续押注预训练与强化学习的规模扩张，还是转向持续学习等新范式。OpenAI CEO Sam Altman认为LLM scaling远未耗尽，并以近期模型推翻一个长期未解的数学猜想为例；Anthropic CEO Dario Amodei也称scaling进步“像没有尽头的彩虹”。两人所在公司的技术路线都建立在这一赌注上，立场存在明显偏向。与此同时，包括Sutton参与的Oak Lab以及Tworek的Core Automation在内，一批新实验室正押注预训练和强化学习之外的学习算法。

对用户/开发者/创作者的影响

对开发者而言，短期内API和模型能力仍主要由闭源大厂的scaling路线推动，但“训练后不再学习”的短板意味着个性化、持续迭代的AI应用仍需在外部记忆、微调或智能体框架上补足，不能默认模型会自己变聪明。对创作者和企业采购者，选型时应区分“参数更大”与“任务上更可靠”，关注厂商是否披露持续学习、世界模型等能力，而非只看算力宣传。开源与闭源阵营围绕新方法的探索，可能催生新的工具链和成本结构，但目前公开信息显示相关产品仍处早期。