撰文：Techub News 整理
导语
2025 年 11 月，OpenAI 联合创始人、前首席科学家伊尔亚·苏茨克维（Ilya Sutskever）在离开 OpenAI 创办新公司 SSI（Safe Superintelligence Inc.）后，首次接受了播客主 Dwarkesh Patel 的深度专访。在这场长达 96 分钟的对话中，苏茨克维系统性地回顾了 AI 发展的“扩展时代”，剖析了当前大语言模型（LLM）的核心缺陷，并展望了通往超级智能的可能路径。作为深度学习的奠基人之一，从 AlexNet 到 GPT 系列模型，苏茨克维亲历并引领了 AI 过去十年的关键突破，他此时的发声，不仅是对行业现状的诊断，更是对未来技术方向的预判，其观点对理解 AI 发展的下一阶段至关重要。
摘要
- AI 发展正从依赖数据与算力“扩展”的范式，回归到以基础研究突破为核心的“研究时代”。
- 当前大模型在评测上表现出色，但在实际应用中泛化能力严重不足，其根本原因在于学习机制存在缺陷。
- “价值函数”可能是提升强化学习效率、让 AI 具备更接近人类学习能力的关键组件。
- 未来的超级智能（Superintelligence）更可能表现为一个能够快速、持续学习任何技能的“超级学习者”，而非一个全知全能的成品。
- AI 对齐（Alignment）的挑战与“不可靠的泛化”问题紧密相关，渐进式部署和让 AI 具备对有情生命的关怀是值得探索的方向。
从“扩展时代”到“研究时代”：范式的再次轮回
伊尔亚·苏茨克维（Ilya Sutskever）开篇即提出了一个关于 AI 发展阶段的宏观框架。他认为，从 2012 年 AlexNet 到 2020 年左右，是“研究的时代”。彼时，研究者们主要依靠灵感和试错来推动进步。随后，以 GPT-3 和“扩展定律”为标志，行业进入了“扩展的时代”。这个阶段的核心信条变得极其简单：“扩展”——扩展数据、扩展参数、扩展算力。预训练（Pre-training）成为完美的“扩展配方”，只要按比例放大投入，性能就会可预测地提升。这种模式深受企业青睐，因为它提供了一条低风险的资源投入路径。
然而，苏茨克维指出，这个时代即将或已经结束。原因在于，可用于预训练的互联网文本数据是有限的，数据瓶颈终将到来。更重要的是，即便算力再增加 100 倍，仅靠现有的“扩展”配方，也无法带来质的飞跃。“我们正回到‘研究的时代’，只是这次我们拥有巨大的计算机。”苏茨克维总结道。这意味着，未来的突破将不再依赖于简单的规模堆砌，而需要回归到对机器学习根本原理的探索，寻找新的、更高效的“配方”。
当前，行业的焦点已从预训练转向强化学习（RL）。各大公司投入在 RL 上的算力甚至可能已超过预训练。但苏茨克维认为，这本质上还不是“扩展”，而是对计算资源的低效利用。问题的核心在于：如何更聪明地使用这些庞大的计算资源？ 答案指向了基础研究的创新。
泛化鸿沟与“价值函数”的探索
苏茨克维花了大量篇幅阐述当前大模型最根本的缺陷：泛化能力（Generalization）远逊于人类。他以编程为例：一个模型可以在编程竞赛评测中达到超人水平，但在实际修复代码漏洞时，却可能陷入“引入新 Bug - 换回旧 Bug”的循环。这种“评测表现”与“真实世界表现”的巨大脱节，令人困惑。
他提出了一个生动的比喻来解释这种现象。想象两个学生都想成为优秀的竞赛程序员。学生 A 投入一万小时，专门练习竞赛题目，熟记所有算法和证明技巧，最终成为顶尖选手。学生 B 只投入一百小时，同样取得了好成绩。苏茨克维认为，在未来的职业生涯中，学生 B 通常会表现更好。因为学生 A 的学习是过度特化的，缺乏真正的理解和迁移能力。
“当前的模型更像学生 A，甚至更极端。”苏茨克维说。为了在某个评测上取得高分，研究者们会针对性地设计巨量的 RL 训练环境，这导致模型变成了一个“过度训练的专家”，其能力无法可靠地迁移到真实、复杂的场景中。这揭示了当前 RL 训练范式的一个深层问题：它鼓励的是对特定任务的“奖励黑客”行为，而非培养普适的智能。
如何解决？苏茨克维认为，价值函数（Value Function） 是一个关键方向。在传统的强化学习中，模型需要完成整个任务（如写出一段完整代码）后才能获得奖励信号，学习效率低下。价值函数的作用，是让模型在思考的中间步骤就能获得“这个方向是否有希望”的评估。就像下棋时，丢掉一个棋子你就知道不妙，无需等到终局。苏茨克维相信，尽管实现有难度，但价值函数将能大幅提升 RL 的效率，是未来不可或缺的组件。
他进一步将价值函数与人类的情绪（Emotion）进行类比。他引用了一个神经科学案例：一位因脑损伤失去情绪感知的病人，虽然智力测试正常，却变得完全无法做出决策。这表明，人类内置的、类似价值函数的情绪系统，是我们成为有效智能体的关键。这引发了一个深刻的问题：AI 能否以及如何从数据中获得这种稳健的、指导性的“价值感”？
人类学习、超级智能与“超级学习者”的形态
苏茨克维反复将 AI 与人类的学习能力进行对比，凸显了前者的不足。人类展现出了惊人的样本效率、鲁棒性和无监督学习能力。一个青少年只需约 10 小时练习就能学会开车，这背后是人类强大的视觉系统、运动协调能力，以及通过内在价值函数（如紧张、自信的感觉）进行自我纠正的能力。
那么，未来的超级智能会是什么样子？苏茨克维挑战了“人工通用智能（AGI）”这一概念的固有想象。他认为，AGI 这个概念本身是对“狭义 AI”的反动，而预训练的成功（让模型在所有任务上普遍提升）进一步强化了“AI 应该是全能的”这一印象。但这可能是一个误导。
苏茨克维提出了一个更具颠覆性的愿景：未来的超级智能，可能不是一个知晓一切的“成品”，而是一个具备超强学习能力的“超级学习者”。 它就像一个极其聪明、渴望学习的 15 岁少年，虽然初始知识有限，但可以快速学习成为程序员、医生或任何领域的专家。这种智能体将被部署到经济中，在不同的岗位上进行持续学习。
“部署本身将涉及一个学习、试错的过程，而不是直接丢出一个完成品。”苏茨克维解释道。这种模式下，智能的“超级”之处体现在其学习算法的效率上，而非其初始的知识库。他甚至认为，即使没有软件层面的“递归自我改进”，仅仅通过大量这样的智能体实例在各个领域学习，并将知识“合并”起来，就足以形成一个功能上超级智能的系统，因为人类无法像机器那样融合心智。
这将带来快速的经济增长，但也将世界置于一个微妙而强大的新均衡中。
对齐挑战、渐进部署与 SSI 的愿景
当对话转向如何让超级智能的发展“顺利”时，苏茨克维展现了他作为 SSI 创始人的思考。他承认，自己过去一年的想法有所演变，越来越重视 AI 的渐进式部署。因为超级智能的力量难以凭空想象，只有通过实际展示，社会、政府、甚至 AI 公司自身才能真正理解其影响并做出调整。他预测，随着 AI 能力变得“可感知”，竞争对手公司之间将开始前所未有的安全合作，整个行业对安全的偏执程度会急剧上升。
在技术对齐思路上，苏茨克维提出了几个值得探索的方向。一是构建“关怀有情生命（Sentient Life）”的 AI。他认为，这或许比仅关怀人类更容易实现，因为 AI 自身也将是有情的，并且人类大脑中用于理解自己的神经回路也常被用来理解他人（如镜像神经元），这为共情提供了基础。二是考虑对最强超级智能的能力设置某种上限。三是他并不喜欢但认为必须考虑的方案：人类通过脑机接口等技术，与 AI 深度融合，成为“半 AI”的存在，以确保在智能爆炸的时代人类不至于掉队。
苏茨克维将许多对齐难题也归结于“不可靠的泛化”。他认为，如果 AI 的泛化能力能像人类一样可靠，那么学习人类价值观、并稳健地优化这些价值观，可能会变得更容易。
关于他创办的 SSI，苏茨克维强调其核心是一个“研究时代”的公司。SSI 拥有充足的算力进行前沿研究，其区别于其他巨头实验室的根本在于独特的技术路径，即围绕“理解并解决泛化问题”这一核心展开探索。他坦言，如果研究成功，SSI 将成为前沿力量；如果现有技术路径陷入停滞（他预测这可能在 5 到 20 年内发生），而 SSI 找到了新路径，世界将会看到不同的可能性，并最终在技术和对齐策略上走向收敛。
在访谈的最后，苏茨克维分享了他传奇的“研究品味”的来源：一种对“AI 应该如何”的美学追求。这种美学源于对大脑工作原理的正确类比（而非表面模仿），追求简洁、优雅和深刻。正是这种自上而下的信念，支撑他在实验失败时坚持调试，而非轻易放弃方向。这或许也是他对整个 AI 行业在“研究时代”的寄语：在巨量算力的基础上，重新找回对智能本质的深刻洞察与美学追求。
