全球人工智能产业正处在一个关键的转折点——技术路线快速分化，商业化的底层逻辑也正在被重新构建。大语言模型与基座模型的爆发式增长，进一步加速了这一进程。在近期的一场行业论坛上，2024年图灵奖得主、强化学习领域的先驱理查德·萨顿接受了媒体专访，分享了他对AI技术演进方向、创业选择以及行业人才培养的深刻见解。其中一些观点，值得深入思考与反复回味。

首先来看创业层面。萨顿创办的Oak Lab是一家营利性机构，但其与Openmind研究所的非营利研究形成了巧妙的互补关系。他给出的解释非常直白：“知识传播的范围越广，技术普惠的效果就越显著，但前沿研究需要持续的资源投入。”这种双轨模式的优势在于：核心技术可以在短期内通过专利保护获得商业回报，而开源机制则能有效降低技术滥用的风险。数据也印证了这一趋势——全球AI领域专利申请量年均增长27%，同时开源项目的贡献率已超过60%。这种平衡策略，正逐渐成为行业共识。

在技术路线方面，萨顿直言不讳，甚至流露出些许失望：“过去八年，行业过度依赖人类数据训练的模式，实际上偏离了AI的本质。”他以AlphaGo系列为例，指出通过模拟经验进行自学习的路径，潜力远大于传统方法。目前，他的团队正在研发一款20瓦级的万亿参数模型，采用类脑并行架构，力图突破冯·诺依曼瓶颈——让数据在存储位置直接处理，从而避免传输带来的损耗。这一思路的灵感来源颇为有趣：人类大脑仅需60瓦功率就能完成极其复杂的认知任务。显然，自然界的效率标准，远超我们现有的硬件设计水平。

在具身智能领域，萨顿参与的“机器人幼儿园”项目已引发广泛关注。这个设在北京的实验室，核心思路是让机器人通过强化学习，经历数月持续试错，像人类幼儿一样掌握行走、抓取等基础技能。项目负责人透露，实验机器人已实现连续720小时无故障运行，耐久度比传统机型提升了15倍。萨顿用“学习正向反馈”来解释背后的自适应机制：“当机器人能自主评估学习的边际效应时，它就会像婴儿发现玩具不再有趣时主动切换目标一样，持续优化自己的认知路径。”这一比喻，既形象又深刻，点明了强化学习的核心优势。

劳动力市场的变化，同样是萨顿关注的核心议题。他认为，AI将在养老护理这类高强度、高人力需求的领域发挥关键作用。他特别提到了中国的老龄化趋势：“到2035年，60岁以上人口占比将超过30%，智能护理系统将成为社会基础设施的重要组成部分。”他的团队正在开发具备情感交互能力的护理机器人原型，通过微表情识别和语音语调分析，实现个性化服务。这听起来像是科幻电影中的场景，但技术路线已经相当清晰，落地指日可待。

对于青年科研人员，萨顿给出的建议有些反常规。他提出，在计算能力指数级增长的时代，更要分清“智能”与“计算”的本质区别。他推荐一种思维训练方法：每天坚持写分析笔记，持续365天。“你会发现自己建立了一套独特的认知坐标系。”对于非技术背景的人，他则强调批判性思维的重要性：“当AI开始生成可信度高达90%的内容时，人类必须保留那10%的质疑能力。”这句话，值得所有接触AI内容的人牢记在心。

资本市场的动向，也在印证萨顿的判断。2025年，全球经验学习领域的投资额同比增长了240%，多家机构完成了大额融资。但这位科学家提醒道：“技术奇点可能提前到2030年，也可能推迟到2060年才到来。真正的创新者不会押注具体年份，而是持续构建可解释的认知框架。”这种观点，与当前行业普遍追求短期落地的风气形成了鲜明对比。或许，这才是真正的长期主义。