【深度拆解】Sutskever三万字访谈背后：AI扩展范式终结的技术真相

2012年到2020年，研究驱动AI进步；2020年到2025年，规模扩展主导行业走向。当算力投入与性能提升的比例开始失衡，整个行业被迫重新审视一个根本性问题：扩展，究竟是不是通往AGI的正确路径？

范式转移：从规模扩张回归研究本质

IlyaSutskever在这次重磅访谈中给出了明确判断：当前的Scaling路线已经触及天花板。这不是简单的技术迭代问题，而是范式层面的根本性质疑。预训练时代积累的扩展经验，正在失去往日的高效。算力堆砌带来的边际收益递减，让行业不得不正视一个现实——更大的计算机并不等同于更强的智能。

Sutskever的核心论断指向一个关键分野：2012至2020年间，每一次性能跃升都源于研究层面的突破；而2020至2025年的繁荣，则更多建立在算力与数据的规模优势之上。如今，这种依赖正在失效。扩展与资源浪费之间的边界变得模糊不清，行业亟需找到新的增长引擎。

泛化之谜：评测王者为何沦为实际短板

当前大模型最令人困惑的现象，莫过于评测表现与实际能力之间的严重脱节。一方面，模型在各类基准测试中表现优异；另一方面，在实际编程任务中却会犯下低级错误，明知存在缺陷仍不断引入新的Bug。这种矛盾揭示了深层的技术困境。

Sutskever提出了两种解释框架。其一是RL训练导致模型过度专业化，视野狭窄，在某些维度上变得“有意识”的同时丧失了基本的泛化能力。其二是强化学习阶段的数据选择策略出了问题——针对评测集进行优化，使得模型更像是在“背诵”解题技巧而非真正理解问题本身。

这个类比堪称精准：一名通过大量刷题成为顶尖竞赛程序员的学生，未必能在实际工作中表现出色。模型正在重蹈覆辙。

情绪假设：被忽视的价值函数缺失

Sutskever从人类大脑中寻找AI进化的方向。他注意到一个关键事实：当前AI系统缺乏人类的情绪机制。脑科学研究提供了有力佐证——因脑损伤丧失情绪处理能力的患者，虽然智力表达正常，但在做决策时变得极其糟糕，甚至选择穿哪双袜子都要耗费数小时。

Sutskever推测，人类的价值函数在进化过程中被情绪所调节。这种调节机制保证了决策的方向性与效率。如果这一假设成立，那么当前的AI系统缺少的恰恰是这种“简单但在广泛场景下极其有用”的机制。

行业共识：多位先驱的冷静思考

Sutskever并非唯一对当前路线保持警惕的先驱。YannLeCun多次公开质疑LLM的技术上限，认为其受制于计算机制的本质限制，无法进行复杂推理与规划。李飞飞则强调世界模型的重要性，指出当前AI虽然擅长处理抽象知识，却缺乏对物理世界的真实理解。

三位顶级科学家的判断形成了一个共识：单纯依靠堆算力、扩规模的阶段已经不可持续。行业的下一阶段，必须回归研究本质，重新思考什么才是真正引领AGI的范式。