当下全球AI行业，正深陷算力堆叠、参数内卷与概念炒作的集体狂欢。大众一边追捧AI的飞速迭代，一边陷入“超级智能即将降临”的认知焦虑，行业整体充斥着浮躁与盲从。
在此背景下，
AI领域殿堂级泰斗、图灵奖得主、“强化学习之父”理查德·萨顿，在2026世界人工智能大会（WAIC）主论坛上，带来了一场刺破行业泡沫的清醒重磅演讲。
深耕人工智能基础理论四十余年、一手搭建起强化学习完整体系的萨顿，是真正重塑现代AI学习逻辑的奠基人。此番发言跳出行业表层喧嚣，犀利戳破当下大模型的核心病灶：
行业疯狂追逐的算力与数据拟合，本质只是高阶模式识别与极致计算能力，并非真正的原生智能。
萨顿直言，依赖人工静态标注、单纯搬运人类存量知识的AI发展范式，早已触碰发展天花板。这套模式最大的短板，是永远无法让AI拥有自主认知、独立创造全新知识的能力。
为此，他跨界融合心理学、认知科学与计算机科学理论，率先提出构建统一的通用心智科学，彻底颠覆行业固有发展认知。
他给出AI未来的核心进化路径：告别被动复刻的“人类数据时代”，全面拥抱主动迭代的AI经验时代。唯有让智能体扎根真实场景，依托第一视角交互试错、借助环境奖励信号自主进化，才能摆脱人类数据的桎梏，解决大模型幻觉、真伪难辨的底层缺陷，最终真正通往通用人工智能（AGI）。
以下是萨顿演讲实录，经《i黑马》编辑整理：
非常感谢各位，女士们、先生们，我很高兴今天能站在这里发言，和大家分享我对于人工智能未来的思考。
谈及 AI 未来，我们当下该如何发展、未来要走向何方，我想先分享两点看法。在本次峰会开幕的治理主题分享结束后，我十分认同多方合作、互利共赢、搭建全球合作伙伴关系的理念。
今天我的核心分享，是我们应当如何重新理解人工智能。当下所有人都能感受到 AI 正在飞速迭代、取得巨大进步，大众对此的感受高度统一。但我们也要冷静思考：
这份进步是否存在夸大？推动
AI
发展的底层逻辑，是否被过度渲染了价值与影响力？
不少人对 AI 抱有恐惧情绪，而这份恐惧的根源，也来源于大众放大了 AI 的发展速度与能力上限。客观来讲，AI 确实在部分领域实现了实打实的突破，但并非所有进步都如外界宣传般夸张。
当下我们已经见证了多项重量级科学突破：机器掌握流畅的语言交互能力，能够自主生成图片、视频内容。这些技术落地催生了全新行业赛道，创造大量实体经济应用，带来实实在在的经济价值，这一点毋庸置疑，意义重大。
但我们必须分清一个核心误区：当前大规模落地的 AI 应用，本质上都停留在模式识别层面。我们不能把
计算能力和
真正的智能混为一谈，这两个概念需要清晰界定，这也是我接下来重点探讨的内容。
01
重新定义：何为真正的智能
如果把 AI 科学定义为研究智能的科学，那客观来说，这门学科的发展速度远没有大众想象中迅猛。时至今日，我们对完整智能系统的底层逻辑依旧知之甚少。
市面上所有主流 AI 模型，本质只是复用人类沉淀的知识，再把信息返还给人类，它们不具备自主挖掘、创造全新知识的能力。从多个维度来看，现有模型的思考逻辑存在明显短板，能力存在巨大局限。
这就引出了核心问题：到底什么是智能？我不会直接给出标准答案，但会梳理多套经典定义，供大家自主思考、辨别认同。
1.
威廉・詹姆斯（心理学奠基人，百余年前提出心智理论）
他提出心智最核心的判定标准：为达成同一个目标，可以采用多种多样的实现路径。
简单来说，依靠心智、智能完成目标，结果不变，但实现手段具备多样性。
2.
图灵与模仿游戏
还有一种大众熟知的定义：拥有和人类相似的行为表现，也就是大家常说的图灵测试。但这里存在一个普遍认知误区：图灵本人从未提出“图灵测试” 这个名称，他当年提出的概念是 “模仿游戏”，并且他并不认为 “模仿人类行为” 是评判人工智能的标准。
只是如今行业普遍接受了这套评判逻辑，现在大语言模型训练的核心目标之一，就是复刻人类的语言、行为模式，但这套定义和威廉・詹姆斯的理论存在本质区别。
3.
通用词典标准定义
查阅通用词典，智能被解释为：获取、运用知识与技能的能力。
4.
人工智能先驱定义
人工智能领域先驱提出：智能是依靠计算完成目标的能力。这个定义同时包含两大核心要素：目标、计算。无论人类自然智能，还是机器人工智能，都离不开计算支撑。
5.
我个人对智能的定义
我给出的定义是：通过持续行为适应，最终实现目标的能力，核心在于不断调整、动态适配环境。
除此之外，我还有一个核心观点：我们应当建立一门完整的
心智科学。它不局限于研究人类心智，也不只是技术落地应用，而是一套综合性学科，统一研究人类、动物、机器的全部心智。
人类、动物、机器心智拥有共通底层特征，核心目标都是依托时间开展行动、完成既定目标；长远来看，未来世界占主体的心智，会是机器心智。
目前没有任何一门现有学科能够覆盖这套完整体系：心理学、人工智能、认知科学，都无法同时囊括生物心智与机器心智。而我深耕的强化学习，正是搭建这套综合性心智科学的起点。
02
时代转折：
从人类数据时代迈向经验时代
本次分享的核心主题：
我们当下仍处在
人类数据时代
，而
AI
即将迈入全新的
经验时代
。
当下所有主流 AI 的训练逻辑高度统一：通过海量人类文本数据，预测下一个文字、学习人类标注标签，再依靠人类专家人工微调优化。
绝大多数机器学习，本质都是知识转移
——
把人类掌握的知识搬运给机器。
但这套范式已经触及发展天花板：高质量人类标注数据源逐渐枯竭，更关键的是，依靠搬运人类数据的模型，永远无法自主生成全新知识。
想要突破瓶颈，AI 必须获取全新的数据供给，这套数据需要具备持续增长、自主迭代的特性，不能依赖静态固定数据集，静态数据不足以支撑高阶智能。
全新的数据来源，只能是智能体自身的第一视角经验，也就是智能体与真实世界持续交互产生的信息。智能体和环境之间高速循环传递三类核心信号：
自身行为、环境观测、奖励反馈，依靠这三类信号明确自身目标。
这套学习逻辑，正是人类、动物天然的学习方式。相关心理学研究早已佐证，AlphaGo 围棋系统、近期在国际奥数赛事取得优异成绩的 AlphaProof 系统，都是依靠这套交互经验逻辑完成训练。
我给大家举一个直观例子：婴幼儿玩耍玩具。婴幼儿获取世界信息的方式，完全由自身行为决定。他主动切换玩具，在每一次把玩中自主学习，玩完一件再更换下一件。
不存在提前搭建好的静态数据集，他的每一份数据都贴合自身当下需求、匹配自身认知水平，这是最高效、最贴合自身的信息输入模式。
人类、动物的日常行为也完全遵循这套逻辑。哪怕我们此刻安静坐着，身体也在持续对外界快速做出行为反馈。
人类属于高带宽信息处理主体：足球运动员接球瞬间快速判断进攻动作、棒球选手在球飞来的极短时间内决定挥杆方式、飞鸟、狮子的野外生存决策、人与人之间实时对话…… 所有行为背后，都是以经验为基础、为完成目标开展的高速信息处理。
03
经验型AI：
智能的核心是交互与反馈
我们来看经验型 AI 的核心逻辑：
智能体持续和环境交互，行为、感知、奖励共同构成它独有的经验，这也是研究智能的核心焦点。
所有心智的最终落脚点，都是主动行动、感知环境。判断一个智能体是否具备智能，关键看它能否预测、掌控自身感知与经验；如果完全不存在交互经验，就谈不上任何智能。
如果缺少经验反馈，我们无法区分行为优劣，必须依靠奖励信号判断某一行为收益高低。而当前的大语言模型，恰恰缺失这套奖励反馈机制，无法自主分辨行为好坏，这也是它存在巨大局限性的根本原因。
事实准确性问题也源于此：
大语言模型很难自主分辨信息真假。没有真实交互经验作为支撑，模型只能复刻过往文本里出现过的内容，无法验证自身预测内容是否属实。但经验驱动型 AI 拥有明确目标、实时奖励、真实环境反馈，可以验证自身预判是否与现实一致。
这套理念并非我首创，1947 年计算机科学之父艾伦・图灵就提出过相似观点，彼时人工智能学科还未诞生，他研究自然智能时就提出：我们需要一台能从自身经验中自主学习的机器。
这是一套基础却极具深度的理论，但长期以来并未成为现代 AI 的核心发展方向。如今这套思路正在快速兴起，尤其在机器人、工业落地场景中价值凸显。我很认同维克多・雨果的一句话：恰逢其时的思想，势不可挡。
依托自主经验学习的 AI 理念，正是当下恰逢其时的核心思路，属于它的时代正在到来。
04
总结：迎接AI的经验时代
最后做一个完整总结：
人工智能行业正在迎来关键转向，发展重心从搬运人类静态数据，切换为依托自主交互经验学习。
转向经验学习后的 AI，能力会实现质的飞跃，拥有持续自主学习、创造新知识的潜力。
当下行业充斥大量 AI 炒作，大众也普遍存在对 AI 的恐惧。客观评价现阶段的 AI：它依旧弱小、可靠性不足，容易产生幻觉、输出错误信息，但不可否认它具备极强实用价值，催生大量新兴产业，门槛极低，普通人都能便捷使用，这也是全社会对 AI 充满期待的原因。
我们必须认清现实：
当前
AI
还不具备真正自主智能，距离超级智能、人机深度增强共生的时代还有很长距离。如今只是人类与初级 AI 初次接触的阶段，未来 AI 带来的巨大变革，终将由人类主导、最终回馈人类。
我一生都在依靠自身经验持续学习，也由此预判经验时代必然到来。在此，欢迎所有人一同走进 AI 的经验时代。
非常感谢大家的聆听，谢谢各位。
