Sutton 的 26 字宣言
强化学习之父 Richard Sutton 今日用 26 个英文单词重申了他著名的「苦涩的教训（The Bitter Lesson）」：
"Don't be distracted by human knowledge, as AI has been historically. Instead focus on methods for creating knowledge that scale with computation, like search and learning."
（不要被人类知识分散注意力，这是AI历史上的常态。相反，要专注于能随算力扩展的创造知识的方法，如搜索和学习。）
这条推文获得 40万+ 浏览、6,300 点赞、2,500 转发，再次点燃了大模型路线辩论。
三方交锋
Gary Marcus：大模型极度依赖人类知识
知名 AI 评论家、认知科学家 Gary Marcus 直接反驳：
当前大模型仍极度依赖人类知识作为主要燃料，甚至已将其编入系统提示词和超 50 种定制工具中。
Marcus 的潜台词：Sutton 的愿景很美好，但当下的工程现实是——没有人类知识，大模型什么都做不了。
Thomas G. Dietterich：研究人类认知不是「分心」
机器学习奠基人 Thomas G. Dietterich 提出异议：
研究人类的抽象认知结构能为 AI 标定盲区，绝不该被视为一种「分心」。
Dietterich 强调的是互补性：人类认知研究不是替代计算扩展，而是为搜索和学习提供方向。
John Fletcher：《甜蜜的教训》——综合视角
The Innovation Game 联合创始人兼首席科学家 John Fletcher 的长文《甜蜜的教训》为这场冲突提供了关键综合：
Sutton 的战略盲区：
- AI 的终局确实是纯算力驱动
- 但在书面语料面临枯竭的当下，通向终局的路径无法绕开人类
产业当前拉开差距的打法：
- 打造顶级协同工具
- 高频捕获专家大脑中从未写下过的「隐性知识（Tacit knowledge）」
- 跳过这一阶段直奔纯环境交互学习，在工程上并不切实际
隐性知识：AI 的下一个燃料来源
什么是隐性知识
| 显性知识 | 隐性知识 |
|---|---|
| 写在文档里的 | 存在于专家大脑中的 |
| 可被搜索引擎索引 | 从未被写下或说出 |
| 静态、结构化 | 动态、情境化 |
| 容易数字化 | 需要交互才能提取 |
估计：人类大脑中 90% 的知识从未被写下。
为什么书面语料正在枯竭
- 互联网公开文本已被大模型训练用尽
- 高质量书面内容的生产速度远低于模型吞噬速度
- 专业领域的深度知识大量存在于专家头脑中，而非论文或文档中
捕获隐性知识的工程路径
Fletcher 指出的产业实践：
- 高频人机协同工具 — 让 AI 在日常工作流中与专家互动
- 实时记录决策过程 — 不只是结果，而是"为什么这样决定"
- 情境化知识提取 — 在特定业务场景中捕获判断逻辑
- 持续学习闭环 — 每次交互都增强模型对领域知识的理解
这与 Lucius 的「让 AI 住进群聊跟着真人学」形成直接呼应。
辩论的核心：终局 vs 路径
| 立场 | 终局判断 | 路径判断 | 代表 |
|---|---|---|---|
| Sutton | 纯算力驱动 | 直接跳过人类知识 | 强化学习之父 |
| Marcus | 人类知识不可或缺 | 当前必须依赖 | 认知科学家 |
| Dietterich | 人机互补 | 研究人类认知提供方向 | ML奠基人 |
| Fletcher | 纯算力终局 | 隐性知识是必经阶梯 | Innovation Game |
关键洞察：
Sutton 和 Fletcher 可能在终局上是一致的——都相信算力扩展是终极答案。分歧在于路径：
- Sutton 认为人类知识是干扰，应该直接抛弃
- Fletcher 认为在书面语料枯竭的现实下，隐性知识是通往终局的桥梁
产业映射
这场辩论与当前产业实践高度相关：
| 公司/产品 | 路径选择 | 与辩论的对应 |
|---|---|---|
| Lucius | 群聊中捕获隐性知识 | Fletcher 路径的工程化 |
| Claude | 强调人机协作、Artifacts | 介于 Marcus 和 Fletcher 之间 |
| OpenAI | 追求纯自监督+RL | 更接近 Sutton 的纯算力路线 |
| Sierra/Harvey | 垂直领域专家知识注入 | Marcus 路线的商业实践 |
结论
Sutton 的「苦涩的教训」在终极意义上可能是对的——AI 终将找到不依赖人类知识的方法。但在工程现实中：
- 书面语料正在枯竭，纯自监督学习的收益递减
- 隐性知识是未被开发的巨大资源，存在于数十亿专业从业者的大脑中
- 捕获隐性知识需要人机协同工具，这正是当前产业创新的热点
- 这不是对 Sutton 的反驳，而是通往他终局的阶梯
正如 Fletcher 所言：跳过隐性知识捕获阶段直奔纯环境交互学习，在工程上并不切实际。产业当前拉开差距的打法，是先让 AI 学会与人类专家共舞，再从共舞中学习飞翔。