数据：
当前大型模型已逼近“人类数据”边界，唯有让智能体通过与环境实时交互来生成可随能力指数级扩张的原生数据，AI才能迈入“经验时代”。真正的智能应像婴儿或运动员那样在感知-行动循环中凭第一人称经验自我学习。强化学习范例（如AlphaGo、AlphaZero）已证明从模拟经验到现实经验的演进路径，未来智能体将依靠自生奖励和世界模型实现持续自我提升。基于恐惧的“中心化控制”会扼杀创新，多主体维持差异化目标并通过去中心化合作实现双赢，这是人类与AI共同繁荣的制度根基。面向超越人类的智能体与人机共生的远景，我们应保持理性乐观——这是一场需要几十年耐心长跑的工程，其成败取决于更强的持续学习算法与开放共享的生态。
线索：
本文透露出许多潜在的投资机会和风险。随着AI逐渐转向经验时代，投资者可以关注以环境互动生成数据的初创公司，尤其是在强化学习、模拟训练以及自主学习算法领域的创新。此外，投资在去中心化技术与合作框架方面的企业也可能获得长远回报。然而，技术迭代带来的不确定性及对传统“大数据”依赖的降低，意味着相应的产业可能面临转型风险。尤其是当前大型模型依赖的“人类数据”获取可能会变得更加困难。
正文：
在2025年6月6日举行的第七届北京智源大会上，Richard S. Sutton以“欢迎来到经验时代”为主题发表主旨演讲，指出当今大型语言模型正依赖于互联网文本和人工标注等“二手经验”进行训练，但是高质量的人类数据已接近枯竭，新的数据生成方式逐渐成为AI进化的关键。为了超越这一局限，智能体需要通过与环境互动，获取第一手的经验，这一点早在1947年Alan Turing的演讲中就已被预言。
Sutton提出，“经验时代”的特点在于智能体能在真实或高保真模拟环境中持续运行，以环境反馈作为奖励信号，建立长期可用的世界模型与记忆体系。他认为相较于单一目标的“中心化控制”，采用“去中心化合作”方式会促使AI和人类的共同发展，因为多元目标的生态系统能保持创新活力和防止系统僵化。
Sutton详细说明了在当前的人类数据时代，人工智能的发展面临的挑战，尤其指向人类数据面临的边际效用递减现象。他认为，未来的AI需要依赖与世界互动的经验来不断提升自身能力，而不是单纯模仿人类行为。这要求在AI的开发中注重真实体验与反馈，强调长时间的大规模交互将显著提高样本的利用效率。
他同时警示，以单一目标约束AI的想法与历史上对人类行为的恐惧相似，实际应当维持多样化的目标与合作关系，才能为AI治理建立一个更具韧性的框架。Sutton的理念得到了强化学习的实践验证，并展现了AI在持续自我提升过程中的巨大潜力。
发布时间：
2025-06-16 20:32:58
评论 ( 0 )