2026 年 7 月 17 日，2026 世界人工智能大会（WAIC）主论坛座无虚席。2024 年图灵奖得主、“强化学习之父” 理查德・萨顿登台发表主旨演讲，为当下火热的大模型热潮浇上一盆冷水，抛出极具冲击力的核心判断：现阶段所有大模型都不存在原生智能。
眼下整个行业疯狂加码算力、扩充模型参数，不断鼓吹大模型近乎全能的表现。但萨顿直言，大模型的底层逻辑只是对海量人类历史数据做统计层面的模式匹配，光鲜的能力表象之下，它和真正的通用智能之间，横亘着一道无法弥合的本质鸿沟。
这并非萨顿第一次提出该观点。早在 2025 年，他就联合 AlphaGo 核心开发者大卫・西尔弗共同撰文，提出 AI 发展即将告别 “人类数据时代”，转向全新的 “经验时代”。本次 WAIC 全球顶级 AI 舞台的公开演讲，是他正式向全行业宣告这一发展趋势，为 AI 长期发展划定全新方向。
算力堆砌存在天花板：拟合历史不等于拥有智能
萨顿的观点一针见血，直击现有大模型技术路线的固有短板，和行业普遍乐观狂热的氛围形成鲜明反差。
他将当前 AI 发展阶段定义为人类数据时代。主流大模型的训练逻辑十分清晰：学习海量人类文本、代码、图像素材，通过统计拟合语言规律，以预测下一个字符为目标完成训练。这套技术路线催生了惊人的能力涌现，GPT-4、Claude、Gemini 等模型可完成写作、编程、数据分析、多轮对话等任务，也由此催生了 “AI 无所不能” 的行业错觉。
但萨顿指出，这条路线天生存在上限。互联网上可采集、可用于训练的人类公开数据总量有限，一旦可挖掘的数据资源消耗殆尽，单纯依靠堆砌参数、增加算力来提升模型性能的路径，就会走到终点。
更深层的缺陷在于，即便拥有无穷无尽的训练数据，这种被动复刻历史信息的学习方式，也无法让 AI 自主探索未知、形成真正的认知。大模型的所有输出，都只是人类现有知识的拆解与重组，不具备独立创新能力。如果训练素材中没有相关理论文献，模型永远不可能自主推导出广义相对论这类全新科学结论。
这正是 “大模型无原生智能” 的核心内涵：识别、匹配数据模式不等于独立思考，逐字预测文本不等于理解真实世界。现有 AI 只能复刻人类过往经验，不具备认知世界、探索未知、创造新知的底层能力。
以婴儿认知为参照：AI 未来的核心是自主积累经验
在指出传统大模型路线局限的同时，萨顿结合自己深耕数十年的强化学习研究，给出突破瓶颈的可行路径：跳出单纯的数据拟合，进入以强化学习为核心的经验时代。
演讲中他多次以婴儿的成长过程类比真正的智能形态：婴儿降生时没有任何前置知识储备，不存在人为标注的行为规范，只是在和周遭环境持续互动中不断试错、接收反馈、调整行为，逐步建立起对世界完整的认知与判断。这种自主探索、边实践边学习的模式，正是原生智能的核心。
而这恰好是强化学习的底层逻辑：搭建 AI 智能体置于开放环境中，智能体自主做出行为动作，根据环境给出的奖惩信号持续优化自身策略，经过千万次循环试错，自主总结环境内在规律、优化行为模式。
AlphaGo 与 AlphaZero 早已验证这条路径的巨大潜力：它们碾压人类顶尖棋手的博弈能力，并非来自对人类棋谱的模仿学习，而是源于海量自我对弈积累的专属实战经验，依靠自主迭代完成能力超越。
萨顿预判，AI 领域真正颠覆性的技术突破，不会来自更大规模的 Transformer 模型、更多人类文本数据，而是实现 AI 智能体在开放世界中自主积累经验、自主挖掘未知规律、持续自我进化。这一终极形态目前尚未实现，但强化学习是通往原生智能的核心道路。
行业路线之争：底层逻辑的选择决定 AI 上限
萨顿的判断在业内引发不小争议。当前大模型赛道普遍不认为两条路线互斥，多数研究者提出，大模型语言理解能力搭配强化学习迭代机制，才是落地通用人工智能的最优方案。DeepSeek-R1、OpenAI o 系列模型推理能力大幅提升，正是两种技术融合带来的成果。
但萨顿想传递的核心警示更为根本：如果行业始终固守拟合人类历史数据的旧范式，不在 AI 自主获取经验、主动认知世界这一底层能力上实现突破，所有模型迭代都只是表层优化，AI 整体发展终将陷入停滞。
在上海这场汇聚全球从业者、热度空前的 AI 盛会里，萨顿的观点看似不合时宜，实则是行业急需的清醒之声。当资本与算力扎堆追逐大模型表层功能升级时，“大模型不具备原生智能” 这一论断，为全速狂奔的 AI 行业拨开迷雾，指明长期发展的核心突破口。
总结：大模型与原生智能的本质差异
结合萨顿整场演讲的核心论述，当下主流大模型和真正的原生智能存在四项根本性区别，也是两代 AI 发展范式的分界线：
- 学习逻辑不同
大模型属于被动数据拟合，依托人类沉淀的文字、代码等历史素材模仿学习、重组已有知识；原生智能是主动经验习得，如同婴儿探索世界，依靠与环境互动试错、接收反馈完成成长，无需人为提前投喂知识。 - 认知能力不同
大模型仅能完成模式匹配、内容复刻，即便输出结果看似完整，也无法理解事物本质，不存在真正的自主思考；原生智能拥有真实的世界感知、独立逻辑判断与深层理解能力，具备完整思维内核。 - 创新边界不同
大模型无法生成全新认知与客观规律，仅能复刻人类已知内容，缺少对应训练数据就无法产出全新结论；原生智能能够主动探索未知、突破现有知识边界，独立推导、发现人类从未掌握的理论与规律。 - 发展上限不同
大模型存在清晰的性能天花板，全网可用数据耗尽后，单纯堆算力、扩参数只能完成微小的表层优化，无法实现质的飞跃；原生智能没有固定上限，依靠持续自主试错、不断积累全新经验，可以永久自我迭代升级。
二者区别：大模型是熟读人类知识、擅长模仿复刻的工具型学习者；原生智能是自主探索世界、拥有创新能力的真正思考者