AlphaGo之父：AI正走在错误道路上

2016年，AlphaGo击败围棋世界冠军李世石，成为人工智能史上的里程碑事件。如今，AlphaGo的缔造者之一大卫·西尔弗（David Silver）却公开表示：当前的AI发展路径可能走错了方向。

从AlphaGo到“超级学习者”

西尔弗是DeepMind的早期核心成员，也是强化学习领域的顶级专家。他主导开发的AlphaGo通过自我对弈，在无人类棋谱依赖下达到超人类水平。如今，他创立了一家名为“Synthesis AI”的新公司，估值已突破十亿美元，目标直指“超级学习者”（Superlearners）。

“我们想要构建的是能够像AlphaGo自学围棋那样，自主掌握任何技能的AI系统。”——大卫·西尔弗

西尔弗认为，当前主流AI——尤其是大语言模型（LLMs）——存在根本性缺陷：它们过度依赖海量人类标注数据和计算资源，本质上是“高级模式匹配器”，而非真正的智能体。

“数据饥渴”的陷阱

他指出，GPT-4等模型需要消耗相当于数万人类寿命的文本数据进行训练，这暴露了其学习效率的低下。相比之下，人类儿童仅需少量经验就能掌握语言和推理能力。西尔弗的团队正探索将强化学习与元学习结合，使AI能在未知环境中通过少量试错快速适应。

这一观点在AI社区引发激烈争论。支持者认为，西尔弗指出了当前AI的“数据瓶颈”——随着高质量数据逐渐耗尽，模型性能提升将遭遇天花板。批评者则反驳，大语言模型已在推理、代码生成等任务上展现惊人能力，其学习效率虽不如人类，但规模效应可弥补不足。

行业反响与未来路径

谷歌、OpenAI等巨头正投入数十亿美元构建更大规模的模型，而西尔弗的“反潮流”路线显得尤为另类。他强调：“智能的核心不是数据量，而是探索与反馈的循环。” Synthesis AI目前聚焦于机器人控制和科学模拟领域，试图证明其方法的通用性。

编者按：西尔弗的批判触及AI发展的核心矛盾——是继续堆砌算力和数据，还是回归智能的底层机制？AlphaGo的成功曾证明“无监督自我进化”的潜力，但将其扩展到通用领域仍面临巨大挑战。或许，真正的突破需要两种路径的融合。

本文编译自WIRED