21CTO导读：强化学习领域的先驱科学家理查德·萨顿，在七十来岁的年龄官宣创立 Oak Lab，希望通过自主学习的 AI 代理挑战深度学习之现状。

话说当今业界——不论称计算机科学技术还是人工智能行业都在疯狂卷大模型参数量、文本生成能力，几乎地球上的所有人几乎都默认大语言模型（LLM）是通往通用人工智能的唯一标准答案。

然而，大模型技术的挑战者来了。

近日，加拿大阿尔伯塔大学（University of Alberta）计算机科学教授、强化学习先驱者理查德·萨顿 (Richard Sutton) 与他的学生库拉姆·贾韦德（Kuram Javed）共同创立并注册了Oak Lab（中文译名橡树实验室）。

萨顿认为，现今的LLM大模型存在着技术瓶颈。它无法在工作中实时学习，所以无论扩大多少规模，我们都需要一些新的架构如强化学习来实现持续训练和学习。

目标打造一套完全脱离文本大模型范式、能持续与环境交互、依靠自身试错实时进化的原生自主智能体。

一旦我们拥有了这种智能体，就不需要特殊的训练阶段——智能体将像所有人类一样，实际上也像所有动物一样，边学边用。

这种技术新范式将使目前广泛采用的LLM方法过时。

萨顿几十年来一直是强化学习领域的领军人物。强化学习本质上是通过反复试错来训练人工智能。他通过构建一种名为Oak的新型系统来理解智能的本质，该系统能够随着经验的积累不断进化。而新的Oak实验室就是开发“无需存储或重放数据即可实时学习”的算法，在不断改进的同时，还能降低处理能力。

2023年9月，萨顿加入Keen，此前他在谷歌旗下的DeepMind，但关闭了他曾领导过的埃德蒙顿实验室。Keen的投资者包括Shopify首席执行官托比·吕特克（Toby Lutek），该公司致力于构建通用人工智能，即具备与人类匹敌甚至超越人类能力的系统。

最近萨顿在X发表帖子中表示，他和贾韦德分道扬镳是为了走一条“略有不同的道路”，这条道路涉及重新思考深度学习——这项由加拿大首创的技术，是大多数现代人工智能的基础。

一代“强化学习”宗师：整个行业都是自己门生

现年 68 岁的 Richard Sutton 可说是强化学习领域无可争议的奠基者，履历足以撼动整个行业。

他本科毕业于斯坦福大学，博士师从强化学习联合开创者 Andrew Barto，二人合著《强化学习导论》是全球高校通用“圣经级”教材；2024 年师徒二人共同斩获图灵奖，组委会表彰其奠定强化学习整套理论框架。

人们熟知的 AlphaGo 核心缔造者 David Silver、强化学习顶尖学者 Doina Precup，全部出自他门下，整个 AI 强化学习分支的发展脉络，几乎都由他一手铺就。

手握行业最高荣誉、早已功成名就，年近七旬本该深耕学术安享名誉，但萨顿却选择了下场进行创业。

他认定并向业界宣告，如今全民追捧的 LLM，彻底背离人工智能本质，行业正在走一条短视的死胡同。

撕碎共识：《苦涩的教训》被曲解，大模型只是 “高级文字模仿器”

所有做大模型的从业者，几乎都引用萨顿在2019 年所写的名篇《苦涩的教训》作为规模化路线的理论背书。

他本人直言：所有人都读错了核心要义。

这篇横跨 AI 七十年发展史的经典文章提出铁律：长期来看，依靠海量算力、自主搜索学习的通用方案，一定会完胜人工内置领域知识的专用系统。象棋、语音识别、计算机视觉赛道，全部印证这条规律。

行业片面解读为 “堆数据、堆参数就能抵达 AGI”，但萨顿给出颠覆性反驳：大语言模型的训练素材全部是人类现成文本，本质只是把海量人类知识强行灌入模型，和当年手工编写专家规则没有本质区别，只是体量更大，完全不属于 “自主从环境获取经验” 的通用学习。

总结 LLM 存在两大无法根治的先天短板如下：

• 训练完成即停止成长：模型上线后固定不变，无法在和用户、真实世界交互时获取新知识，没有自我迭代能力；
• 无真实试错与反馈闭环：只会复刻文字模式，无法判断自身输出对错，不具备生物一样 “行动 — 获反馈 — 修正认知” 的底层学习逻辑。
  
  

而真正的智能范本是 AlphaZero：不靠人类棋谱，完全依靠自我对局试错，自主创造全新战术；而当前所有 LLM，永远只能复刻人类写过的文字，不存在任何原生创新能力。

早在今年 5 月 MIT 顶级讲座中，萨顿直言不讳地说：整个 AI 产业已经偏离正轨，沉迷文字生成，却遗忘了人工智能最核心的 “自主交互进化” 能力。

OaK 橡树架构：抛弃预设知识，让智能从真实经验里自然生长

Oak Lab 的核心武器，便是萨顿深耕多年的OaK（Options and Knowledge，选项与知识）架构，源自阿尔伯塔大学长期研究蓝图 “阿尔伯塔计划”。

它有三条底层原则和 LLM “划清界限”：

• 通用无预设：智能体启动时不预装任何行业、文字、规则知识，从零认知起步；
• 经验唯一来源：全部认知只能依靠和现实环境交互、试错获得，不依赖人类标注文本；
• 奖励驱动持续进化：以长期累积奖励为核心动力，自主规划多层次行为。
  
  

整套架构依靠两大核心单元形成永动学习闭环：

1. Options（时序行为选项）

不是单次简单动作，而是一套完整长周期行为策略，附带启动、终止判定条件，对应生物长期行为逻辑；

2. Knowledge（世界认知库）

智能执行各类行为后，自动总结环境规律、搭建内部世界模型，预判不同行为带来的长期结果。

完整进化循环：感知环境提取特征→抽象高阶认知→生成复杂长期行为→执行获取反馈→更新世界模型、创造全新行为选项，全过程不受人为文本数据束缚，理论上限仅由算力决定。

萨顿坦言现阶段仍有两座难以翻越的技术大山，也是行业通用难题：灾难性遗忘（新学习覆盖旧认知）、可塑性衰退（长期训练后丧失学习能力）。正因难题未完全攻克，目前暂无大规模成型 OaK 系统，但他坚信这条技术路线终会跑通。

强化学习军团集体反叛：师徒分兵两路，同步围剿 LLM 主流赛道

这场针对大模型范式的 “围剿” 并非孤军奋战，萨顿师生两代顶尖学者同步下场创业，形成完整强化学习阵营：他的学生、AlphaGo 之父 David Silver 已于 2025 年底创立 Ineffable Intelligence，今年 4 轮融资拿下 11 亿美元，企业估值直达 51 亿美元。两家公司路线高度统一：拒绝海量文本预训练，坚持智能依托自我交互、自主试错获取认知，共同向 LLM 主流范式发起挑战。

萨顿此前供职的 Keen Technologies，同样也是深耕强化学习路线，行业内一股全新技术力量正在快速集结。

当然，这条全新赛道也同样存在着客观争议：

围棋、国际象棋拥有清晰胜负奖励，强化学习效果拔群；但真实开放世界奖励信号模糊、环境无限复杂，纯强化学习落地难度极大。同时当下推理、数学领域大量突破来自 “LLM + 强化学习” 融合方案，两条路线是否完全对立，仍是学界争论焦点。

我们到底在造 “文字复印机”，还是真正会思考的智能？

如今，这场由图灵奖“宗师”牵头的创业，早已超越单纯技术路线之争，抛出所有人必须深思的核心问题：

• 依靠人类文本喂养、无法自主进化的大模型，究竟只是高效文字工具，还是我们追求的通用人工智能？
• 一味堆砌参数量、扩充语料，是否只是短期泡沫，终将被能自主从现实学习的强化智能体替代？
• AI 的终极目标是模仿人类文字，还是复刻生物与生俱来、持续探索世界的学习本能？
  
  

当下行业所有人扎堆微调、蒸馏、优化 LLM 生成效果，却极少有人跳出固有框架思考智能本源。

结语

Richard Sutton 已经年近七旬，仍选择重新出发，用一场创业向全行业敲响警钟：模仿不等于思考，文本不等于经验，静态训练永远抵达不了真正的自主智能。

下一步，AI 技术或将迎来两条完全割裂的发展赛道：一条是基于人类文本的生成式大模型，另一条是依托交互试错、持续自我成长的强化智能体。

谁能走通 AGI 终局，时间终会给出答案。

作者：场长