“我们正站在人工智能新时代的门槛上。”

“新一代智能体将主要通过自身经验学习，获得超越人类的能力。”

短短两句话，足以说明《欢迎来到体验世界》绝对是近两三年来最重要的AI论文。

作者是DeepMind的强化学习副总裁席尔瓦（David Silver）和图灵奖得主萨顿（Richard Sutton）。

一、体验式学习通向超人智能（ASI）

“我们认为，一旦充分释放体验式学习（experiential learning）的潜力，人工智能将获得惊人的新能力。这个“体验时代”将以这样一类智能体及其环境为特征：它们不仅能从海量的经验数据中学习，还将在多个层面上突破以人为中心的AI系统的限制：

智能体将生活在持续不断的经验流中，而非仅仅经历片段式的交互；

它们的行动与观察将深深扎根于环境之中，而不仅仅通过人类语言进行互动；

它们的奖励将来源于与环境的实际互动，而不是基于人类的主观判断；

它们将围绕自身经验进行规划与推理，而不是仅按照人类语言或思维方式来推理。

我们相信，当前的技术水平，配合适当的算法，已具备实现这些突破的强大基础。同时，AI社区在这一方向上的持续探索，将激发一系列创新，推动AI快速迈向真正具备超人能力的智能体。”

二、再次咀嚼苦涩的教训

萨顿是强化学习之父，人类知识与认知结构的局限性，他已经在经典文章《苦涩的教训》中说得很清楚：

人类试图注入知识与结构性设计的努力，终将被计算与学习能力所取代。真正有效的AI方法，是那些能够利用计算进行广泛训练、学习以取得成果的方法。

这里他再次提醒的，显然是机器在自我学习中的经验，而主要不是人类的经验。

三、Ilya Sutzkever的超级智能

看到这篇文章，不禁想起OpenAI前首席科学家Ilya Sutzkever。

他在离开OpenAI后创办了公司Safe Superintelligence Inc.（SSI）。

Ilya去年底已经公开宣判大语言模型的预训练已死。他把互联网上的数据，比作AI的“化石能源”，总有一天要开采完。他指出了将来三个数据来源：AI可以产生新的数据，AI自己可以决定从大量可能的答案中选取最好的那个，人类可以从真实世界获取数据。

Ilya预言，我们将会向着超级智能前行，这将与之前的智能有着本质的不同。“AI系统的本质和特征即将剧变。”

关于超级智能的推理能力，Ilya这样描述：“它想得越深，就会越不可测。（The more it reasons，the more unpredictable it becomes。）。我们现有的AI是可测的，因为它是对人类直觉的模仿重现，想想人类大脑如果你让它在0.1秒内给出答案，它只能是直觉反应。”

所以（机器的）推理将会是不可预测的。就像2016年AlphaGo对弈李世石时，在第二番棋中下出的第37“神之一手”。

“AI只有变得不可预测，才能战胜人类。”

四、LLM在走出低谷

去年9月份，我们发表了一篇文章，《强化学习正在引领AI跨越LLM之谷|笔记》，提醒西尔瓦在MIT的一个演讲，提出超级规模的强化学习展开了一条通向超人智能的明确路径，而这一切“仅仅是开始”。现在，他正式提出了AI的新范式。

我们可以对比下，8个月之前，他在当时正在走出谷底的曲线上，只是打出了3个问号；现在，出现了AlphaProof和Computer Use这两个智能体。

（主流人工智能范式的简要时间轴草图。纵轴表示该领域在强化学习（RL）上的总体研究投入与计算资源所占比例。）

五、AI肯定会有自我意识

可以肯定，机器会有自我意识。对于人类个体来说，终极的奖励机制，就是人类的意识，以及从中产生的意义。当机器会为自己设定奖励函数后，肯定会产生自我意识。这已经不再是个哲学问题，或者说不是存在意义上的哲学问题，而是一个在伦理意义上的哲学问题，也是个工程问题。

Ilya认为超级智能将会产生自我意识。“为什么不呢？自我意识是有用的，就像我们人类，意识是自我的一部分，自我意识是我们世界模型的一部分。”

六、东方的顿悟

论文中提到了DeepSeek的推理模型进行强化学习训练时，所出现的“顿悟时刻”。

一个有趣的“顿悟时刻”出现在DeepSeek-R1-Zero的中间版本中。该模型学会了以拟人化的语气重新思考。这对我们来说也是一个顿悟时刻，让我们见证了强化学习的力量与美感。

（来源：DeepSeek R1论文）

七、人类需要独立于自己的智能

论文表达了这样一个意思，如果说AI产生了garbage in，garbage out的结果，那也可能是因为人类自己在科学与迷信、真实与谬误上还分不清：

一个被训练来模仿人类思想甚至匹配人类专家答案的智能体，可能会继承深深嵌入在数据中的谬误思维方法，例如有缺陷的假设或内在的偏见。

想想看，当互联网上的语言已经被虚假的信息和垃圾内容污染后，而乌合之众又以此为自己的精神食粮，可能以后AI的价值，在于帮助人们获得最起码的知识营养。

人类要为自己的认知备份，那就是让机器更加科学地思考，从体验中产生更真实的数据，更真诚的奖励机制。我们需要一个与人类对照的智能。

八、真正的智能体

它有长期记忆，有短期目标与长期目标，它可能在即时的奖励机制中犯下错误，但是会根据长期奖励机制进行纠错。这才是真正的智能体，持续纠错，终身学习。

九、科学大发现

论文中提到最多的，是下一代智能体对科学探索的价值。一旦摆脱以人为中心的强化学习，下一代智能体将会超越人类已有的知识。体验式学习把知识扎根于真实的世界中，并且从世界模型中预测和产生奖励机制，在与环境的互动过程中，不断试错，这非常类似于人类的科学探索过程：

也许最具变革意义的将是科学发现的加速。人工智能智能体将在材料科学、医学或硬件设计等领域自主设计和进行实验。通过不断从自身实验的结果中学习，这些智能体可以迅速探索新的知识前沿，从而以前所未有的速度开发出新型材料、药物和技术。

十、后果

人类自负。