通往 AGI 之路的苦涩教训

作者

“未来 5 到 10 年内，我们有 50% 的概率实现通用人工智能（AGI）。”

Google DeepMind CEO、诺贝尔化学奖得主 Demis Hassabis 在本月初的一个采访中给出了惊人的预测。

AI 浪潮正以前所未有的速度加速进行中，在这条被追捧、被加速、甚至被神化的 AGI 之路上，我们是否也踩过无数“看似正确却最终失败”的岔路？

早在 2019 年，“强化学习之父”Richard Sutton 发表了著名的《The Bitter Lesson》（苦涩的教训）一文，他指出：过去 70 年，AI 研究最大的弯路就是我们太依赖人类已有的知识与直觉，而历史一再表明，真正能带来突破的，反而是那些“摒弃人类经验、依靠计算规模”的方法。
在 Sutton 看来，算力与数据才是推动 AI 向前的根本引擎，而不是人类引以为傲的“智慧”本身。
这句话听起来也许刺耳，却道出了一个时代的真相——在这场智能革命中，许多我们曾深信不疑的“路径”与“经验”，正在变成新纪元的障碍。
这也正是我们本期《万有引力》直播对话的主题——「通往 AGI 之路的苦涩教训」。
6 月 27 日 12:00-14:00，CSDN&《新程序员》执行主编、《万有引力》主理人唐小引将与清华大学基础科学讲席教授、智源研究院首席科学家、《通用人工智能：认知、教育与生存方式的重构》作者刘嘉展开一场深度对话，透过他横跨 AI、脑科学与认知科学的学术轨迹，解答通往人工智能道路上，那些写在技术、人生与认知边界的“苦涩教训”。
个人的苦涩教训：错过与重新出发

MIT 的人生转折点
1997 年，刘嘉赴麻省理工，原本满怀热情希望拜“AI 之父”明斯基（AI 领域首个图灵奖得主）为师，却意外被劝“转去脑与认知科学”，他最终选择离开 AI 第一线。多年后回望，这到底是命运的错过，还是更深意义上的“绕远路”？
时代洪流中的抉择
AlphaGo 战胜李世石震撼世界后，刘嘉向学校提交了辞呈，重返实验室，将所有的时间和精力全部投入到脑科学与 AI 的交叉研究之中。从 AI 1.0 到以 ChatGPT 诞生为标志的 AI 2.0，他见证了人工智能技术的范式飞跃，也更坚定了一种认知：真正的智能，不仅是算得快、答得准，更是对世界的理解与对知识的迁移。
这份认知也促使他开始追问：AGI 究竟该如何构建？我们走在正确的路上吗？
科学的苦涩教训
三条通往 AGI 的道路

在通向 AGI 的技术探索中，刘嘉教授在《通用人工智能：认知、教育与生存方式的重构》一书中总结了三条路径：强化学习、脑模拟、自然语言处理（NLP），然而每条路径都暗藏隐忧：
  • 强化学习之父也在反思它的“短视”；
  • 脑模拟遭遇算力瓶颈与理论盲区；
  • NLP 看似最有希望，但语言的边界，真是世界的边界吗？
刘嘉教授提醒我们：语言≠认知，模型≠思想。自然语言处理走得快，但它也不是终点。
技术的苦涩教训：
Scaling Law、大模型与智能的幻觉

  • Scaling Law：智能不够，参数来凑？
  • 大模型的“成功”是进化，还是幻觉？
  • 类人 ≠ 人类，模型 ≠ 思想

这场对话，不只是一次技术路线的深度解剖，更是一次对人类自身认知边界与未来选择的诚实反思。

6 月 27 日中午12:00，锁定 CSDN 视频号直播间，我们将与刘嘉一起走进这场关于智能、认知与未来思考之旅。

嘉宾介绍

刘嘉，清华大学基础科学讲席教授

《通用人工智能：认知、教育与生存方式的重构》一书作者，清华大学心理与认知科学系主任、人工智能学院教授，长期从事脑科学与人工智能交叉研究。他以跨越技术与人文的视角，以认知科学为底座，融合人工智能、脑科学、教育学、心理学多学科知识，为每一位学习者、教育者与未来创造者提供穿越技术浪潮的生存指南。



唐小引（主持人），CSDN &《新程序员》执行总编、《万有引力》主理人

（文：AI科技大本营）

发表评论