Ilya 罕見發聲：Scaling 時代已結束，我們對 AGI 的定義可能全錯了｜附中字訪談視頻

修個 bug 可以來回把同一個錯誤引回來，寫代碼能繞一圈又走回原地。

但幾乎所有 AI 公司都堅信，只要把模型做大、把數據堆滿、把算力扔進去，智能就會自動涌現。這套規模定律（Scaling Law）曾經是硅谷最堅定的信仰。

在隱退許久并創立新公司 SSI（Safe Superintelligence）后，前 OpenAI 首席科學家 Ilya Sutskever 用一種極其冷靜的語調，宣告「Scaling 的時代結束了，我們重新回到了研究時代。」

最近一場 Ilya 與 Dwarkesh Patel 的深度對話中，他不僅給出了，對于 AI 未來的技術路線圖，更重要的是，他深刻地回答了，為什么現在的 AI 即使再強，也依然不像人。

播客鏈接：

https://x.com/dwarkesh_sp/status/1993371363026125147

為什么 AI 是個高分低能的優等生

我們總覺得現在的 AI 很強，它們能在編程競賽、數學競賽、各種榜單上拿金牌，每次有新的模型發布，也是一次次刷新著各種 benchmark。但 Ilya 指出了一個讓他感到困惑的現象。

最新發布的 Claude 4.5 Opus 模型，在編程相關的榜單，已經拿到了 80.9 分

他說我們在用 vibe coding，要 AI 寫代碼時，AI 可能寫到某個地方，出現了一個 Bug。我們直接告訴它：「這兒有個錯誤。」AI 會說：「天吶你是對的，我馬上改。」 然后它解決了這個 Bug，又引入了另一個 Bug。 你再指出，它又改回了第一個 Bug。 它就在這兩個 Bug 之間無限循環，顯得極其笨拙。

他的解釋提到了這說明 AI 的「泛化能力（Generalization）」出了問題。為了解釋這個詞，Ilya 用不同的學生打了一個比方。

想象兩個學生都在學編程，學生 A 代表 AI， 極其刻苦，練了 10000 個小時。他背下了所有的題庫，記住了所有的解題套路。考試時，只要見過類似的題，他就能拿滿分。

學生 B 代表人類，他只是覺得編程競賽很酷，花了 100 個小時聯系，但他真正理解了編程的邏輯，擁有了某種直覺，也能做得很好。長期來看，誰會在職業生涯中走得更遠？他說一定是學生 B。

而現在的 AI 就像學生 A。所謂的智能，很大程度上是靠海量數據強行記憶出來的；它們在特定問題的龐大、增強數據集上過度訓練，使它們在任務上表現出色，但不一定擅長泛化到其他領域。

一旦遇到訓練數據之外的微小變動，比如修復一個重復出現的 Bug，它缺乏那種舉一反三的泛化能力。

從堆算力回歸拼創意

但這種海量數據的訓練方式也不是完全沒有用。在過去五年里，AI 行業的發展基本上都是遵循著所謂的「規模定律 Scaling Law」，從一開始的還是以百萬參數來衡量的大模型，現在都來到了萬億參數。GPU 顯卡算力的消耗，規模更是未雨綢繆，要卷上天際。

這種把一定量的算力，和一定量的數據混合進一個神經網絡里的方案，也成了所有大模型開發的必備流程，即預訓練。在預訓練階段，不需要思考用什么數據，因為答案是所有數據，它是人類投射到文本上的整個世界。

而 Ilya 認為，「Scaling」這個詞，本身就固定了我們的思維。它暗示著我們只需要做一件事：加算力，加數據，保持配方不變，把鍋搞大一點，就能做出好菜。

他說這樣的法則，讓大公司很舒服，因為這是一種「低風險」的投資。相比于需要靈感和運氣的研究，大公司不需要雇傭科學家去苦思冥想，只需要「加數據、加算力」，而模型變強的結果是可預測的。

但現在，瓶頸來了。數據不夠了，預訓練數據，我們的互聯網文本語料是有限的，而且已經快被用光了；有專門的研究結構統計過，現在互聯網上 AI 內容的比例，已經是超過我們人類輸出的內容。

其次是邊際效應，把模型再做大 100 倍，也許會有提升，但不會帶來質變。

Ilya 也提到了最近在 X 上，有人說 Gemini 3 似乎解決了預訓練的一些問題。而此前 The Information 也曾報道奧特曼擔心 Google 的發展會影響 OpenAI，甚至已經讓他感受到壓力。

其中一部分的原因，正是 GPT-5 的推出，遇到了預訓練上的問題，即隨著預訓練數據的增加，模型并沒有像之前一樣表現出智能的提升。反而 Gemini 確找到了突破的方法，奧特曼在內部備忘錄里說，OpenAI 也必須解決預訓練的問題，或許才能再次超過 Google。

Google DeepMind 研究副總裁 Oriol Vinyals 提到 Gemini 3 的秘密，是解決了預訓練的問題

我們回到了研究時代。只不過這一次，我們有了更大的計算機。

Ilya 把過去這段時間的研究，分成了兩個階段。2012 年到 2020 年是研究時代，大家都在試錯，尋找新方法。而 2020 年到 2025 年，是擴展時代，大家都在盲目擴建，算力在擴建，越來越多的 AI 公司在出現。

而現在，單純的大力出奇跡已經行不通了，或者說單純靠 Scaling 的紅利吃盡了，我們又回到了研究時代。只不過這一次，我們是在用 Scaling 時代建立起來的巨型計算機來做研究，這是一個有著大型算力的研究時代。

總的來說，Ilya 并沒有否認預訓練和 Scaling 的巨大成功，但他認為這是一種用錢換智能的，低風險暴力美學，而現在這種模式已經觸到了天花板，AI 行業必須回歸到拼想法、拼直覺、拼創新的硬核研究階段。

尋找直覺：AI 缺失的那塊拼圖

如果單純的數據堆疊無法產生真正的智能，那人類的秘訣是什么？Ilya 給出的答案是：情感（Emotions）。

他提到了一個腦損傷患者的案例，這個人失去了情感能力，雖然智商正常、能言善辯，卻連穿哪雙襪子都要糾結幾個小時。 這說明情感不僅是情緒，它本質上是一個價值函數（Value Function）。

不過 Ilya 說目前沒有找到很合適的概念，來類比情緒在機器學習中的角色，所以用價值函數來替代。

為了解釋什么是價值函數，Ilya 提到了少年學開車的例子， 一個青少年，可能只需要練 10 個小時甚至更少，就能學會開車上路。他不需要像現在的自動駕駛 AI 那樣，在模擬器里撞車幾百萬次才能學會避讓。

為什么？因為人類自帶了一個極其強大的價值函數，這個價值函數就像一個內置評價器，一旦偏離車道，我們人類會感到緊張，而這相當于一種負反饋。

那么依賴情緒的價值函數，和我們之前一直聽到的強化學習，區別又是什么呢？

Ilya 說在沒有中間價值函數的強化學習里，通常要等到任務徹底結束，AI 才知道自己是贏了還是輸了；但價值函數就像是我們的直覺或內心評分系統。當我們下棋丟了一個子，不需要等到這盤棋下完，我們心里立馬會「咯噔」一下，這步棋下錯了。

那個學開車的少年，不用等到真的壓線丟分了才會改正，而是只要開得稍微偏離車道，他立刻會感到緊張或不自信。這種實時的、內在的反饋機制，讓他能極其高效地從少量經驗中學習。

對于傳統的強化學習，他的看法是這是一種天真且低效率做法。在傳統的強化學習中，模型需要嘗試成千上萬次動作或思考步驟，直到產出一個最終的解決方案，然后根據這個最終結果的好壞獲得一個評分，即訓練信號。

這意味著在得出最終解之前，模型完全沒有進行任何學習。這種方法需要消耗大量的計算資源來進行漫長的推演，但每次推演帶來的學習量卻相對較少。

而價值函數不需要等到最后，它能提供中間過程的評價；在每一步都給出信號，指引方向，從而極大地壓縮了搜索空間，提高了學習速度。

目前的 AI 缺乏這種高效的內心評分系統。如果我們能讓 AI，擁有類似人類情感或本能的價值判斷能力，它就能擺脫對海量數據的依賴，真正像人一樣高效學習。

Ilya 的下一步是直通超級智能

既然認定了拼算力的時代已經過去，而強大的價值函數或許又會成為新的 AI 方法，那 Ilya 的新公司 SSI（Safe Superintelligence）打算怎么做？

他的答案帶著一種極其理想主義的色彩，直通超智能，他們選擇去攻克那個最根本的難題，實現可靠的泛化。

Ilya 直言，現在的 AI 行業陷入了一場老鼠賽跑。為了在市場競爭中存活，公司被迫不斷發布半成品，被迫在產品體驗和安全性之間做艱難的權衡。SSI 想要做的是從這種商業噪音中抽離出來，閉門造車，直到造出真正的超級智能。

但有趣的是，Ilya 這種「閉關修煉」的想法正在發生動搖。他開始意識到，漸進式發布可能才是安全的必經之路。

為什么？因為人類的想象力是貧瘠的。如果你只是寫文章、發論文告訴大家AI 會很強，大家只會覺得這是科幻小說。只有當人們親眼看到 AI 展現出某種令人不安的力量時，所有人、包括競爭對手，才會真正感到害怕，從而變得更加關注安全 。

Ilya 預言，隨著 AI 變得越來越強，現在打得不可開交的科技巨頭們，最終會在 AI 安全策略上走向趨同。

播客里他也提到了，SSI 與 OpenAI、Google 那些大型實驗室相比，雖然籌集的資金較少，但用于純研究的計算能力比表面上看是更多的。他說那些大公司將大量的計算資源用于產品推理，并擁有龐大的工程和銷售團隊，導致其資源分散。Ilya 認為 SSI 擁有足夠的計算能力，來證明其想法是正確的。

當被問及盈利模式時，Ilya 只是淡淡地說，我們只專注于研究，賺錢的問題以后自然會有答案。主持也提到了之前 SSI 的前 CEO（聯合創始人）選擇了離開，然后加入 Meta，在 Meta 希望收購 SSI 時。

Ilya 特意澄清，「他是唯一一個去 Meta 的人。」 他建立 SSI 不是為了在商業市場上套現，而是為了那個唯一的、純粹的目標，在那個不可逆轉的奇點到來之前，把安全的超級智能造出來。

重新定義 AGI，一個 15 歲的少年

那我們距離 AGI 還有多遠？Ilya 給出的預測是 5 到 20 年。

但他提醒我們要警惕「AGI」這個詞。因為預訓練模型讓我們產生了一種錯覺，以為 AGI 就是一個什么都懂的百科全書。但 Ilya 心目中的超級智能，更像是一個絕頂聰明的 15 歲少年。

這個少年可能還沒學過法律或醫學，但他擁有極致的學習效率。你讓他去學醫，他可能幾天就能讀完人類所有的醫學文獻，并開始做手術。

而在這一愿景中，最讓人細思極恐的概念是融合（Amalgamation）。

人類的悲哀在于知識無法直接復制。這個人學會了開車，另一個人還是得從頭練起，但 AI 不一樣。Ilya 描述了一個場景，數百萬個 AI 分身在經濟體的不同角落工作，有的在寫代碼，有的在打官司。它們在各自學習，然后將所有的經驗融合進同一個大腦。

這種集體進化的速度，才是他所認為的 AGI。

面對這樣一個能夠瞬間融合萬千經驗的超級大腦，人類又該何去何從？

Ilya 給出了兩個層面的思考。首先是給 AI 的設定。不要只讓它愛人類，因為這太狹隘了。未來的 AI 自己也將是有知覺的生命體，應該利用同理心的原理，讓它關愛所有有知覺的生命，可能是比代碼更穩固的安全防線。

其次是人類的退路。如果每個人都有一個比自己聰明百倍的 AI 智能體，人類會不會淪為歷史的旁觀者？Ilya 給出了一個他坦言「自己并不喜歡，但可能是唯一解」的答案：腦機接口（Neuralink）。

只有當人類選擇與 AI 融合，讓 AI 的理解直接變成我們的理解，我們才能在那個奇點之后，依然是這個世界的主角。

播客的最后，Dwarkesh 問了那個所有人都想問的問題：作為 AI 領域的傳奇，你是如何一次次押對方向的？

Ilya 的回答很像個藝術家：「尋找美感。」

在那些數據都不支持你的至暗時刻，唯有對美、簡潔和生物學合理性的自上而下的信念，能支撐你走下去。因為神經網絡模仿了大腦，而大腦是美的，所以它一定是通往智能的正確道路。

這或許就是 Ilya 所說的「研究時代」最需要的品質：在算力之外，保留一份對智能本質的詩意直覺。

完整視頻播客，字幕由 AI 生成

歡迎加入 APPSO AI 社群，一起暢聊 AI 產品，獲取，解鎖更多 AI 新知

我們正在招募伙伴

簡歷投遞郵箱hr@ifanr.com

?? 郵件標題「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）