FRONTIER · 路线之争
苦涩的教训
The Bitter Lesson
Richard Sutton
阿尔伯塔大学教授 · 强化学习奠基人 · 2024 年图灵奖得主
为什么选它过去几年 AI 圈被引用最多的观点文章，没有之一。今天所有关于「大模型是不是走错了路」的争论，底层都是在跟这篇对话——而且支持和反对 Scaling 的两派都拿它当依据。不到两千字，是入门这场辩论的最短路径。
一篇不到两千字的博客，却是过去几年 AI 圈被引用最多的观点文章之一。Sutton 回顾了七十年的 AI 研究史，得出一个让很多研究者难受的结论：凡是试图把人类知识手工塞进系统的方法，短期内都好看，长期都会输给单纯利用算力的通用方法。
他举的例子很硬。国际象棋，靠人类棋理编写的程序输给了暴力搜索；围棋，同样的故事又演了一遍；语音识别里精心设计的音素模型，输给了统计方法；计算机视觉里手工设计的边缘检测特征，输给了卷积网络。每一次，领域专家都觉得「我们的知识才是关键」，每一次都被更笨但更能吃算力的方法碾过去。
为什么苦涩？因为这等于说，研究者引以为傲的那部分——对问题的深刻理解、精巧的建模——恰恰是最不值钱的那部分。真正管用的只有两样东西：搜索和学习，因为只有这两样能随算力任意放大。
为什么现在还要读它。今天所有关于「大模型是不是走错了路」的争论，底层都是在跟这篇文章对话。支持 Scaling 的人拿它当圣经；反对的人——包括 Sutton 本人近年对纯 LLM 路线的批评——则会说，这篇文章讲的是「让系统自己学」，而不是「让系统背下整个互联网」。同一篇文章，两边都在引用，这本身就说明它值得你亲自读一遍，而不是听别人转述。
去读原文
本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。
原文incompleteideas.net · The Bitter Lesson →
本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。 篇目由编辑独立选取，来源均经人工核实。