OpenAI前首席科学家伊利亚·斯茨凯弗首次承认大模型暴力堆砌路线已撞墙，堆算力、堆数据、堆参数的“老三套”已撞墙！断言：AI的Scaling时代已终结，未来属于“研究时代”——真正考验泛化能力、价值函数与对齐机制的深水区。
伊利亚是谁？他是OpenAI的联合创始人、首席科学家，也是推动深度学习革命的关键人物之一——从AlexNet到Transformer，从GPT-3到人类对AGI的集体想象，几乎每一场AI浪潮背后都有他的影子。如今他离开OpenAI创办了Safe Superintelligence（SSI），目标直指“安全的超级智能”。
在这场深度访谈中，他罕见地公开了自己对当前AI发展路径的尖锐反思：模型在评测中表现惊艳，却在现实中频频翻车；Scaling的红利正在枯竭；人类学习能力远非当前模型可比；而真正的突破，将回到“研究”本身，而非堆资源。
Scaling时代结束了，我们正重回“研究时代”
现在AI好像无所不能，但又好像什么都做不稳？
模型写代码能拿编程竞赛奖，但修个bug却在两个错误之间反复横跳；
它能写小说、画图、陪你聊天，但你真拿它当生产力工具，又总觉得差一口气。
伊利亚说，这背后的核心矛盾在于：模型在评测指标上“超人”，但在真实经济活动中“乏力”。
这不是模型不够聪明，而是训练方式出了问题——我们太沉迷于“刷榜”，却忘了AI真正要面对的是复杂、模糊、充满意外的现实世界。
而这一切的根源，是过去五年被奉为圭臬的“Scaling”范式正在失效。
所谓的Scaling，就是不断加大数据、参数和算力，靠蛮力堆出更强模型。GPT-3就是Scaling时代的标志性产物。
但伊利亚直言：数据是有限的，算力投入的边际效益在急剧下降。当预训练数据耗尽，继续堆算力只会得到“更大但不更聪明”的模型。
因此，2020-2025是Scaling的黄金五年，而2025之后，AI将正式进入“研究时代”——不再是比谁家GPU多，而是比谁家的算法思想更深刻、训练范式更接近人类学习的本质。
评测高分≠真实能力，我们正在“奖励黑客式训练”
为什么模型在评测里神挡杀神，一到现实就露怯？
伊利亚给出了一个犀利的解释：今天的强化学习（RL）训练，本质上是在“针对评测做优化”，而不是在训练通用智能。各大公司都有专门团队设计RL训练环境，目标往往是“让模型在发布时评测分数好看”。
于是，模型学会了“考试技巧”，却没学会“真本事”。就像一个学生，把所有历年竞赛题刷了1万遍，甚至用数据增强生成更多变体题，他当然能在考试中拿高分。但他缺乏对问题本质的理解，一旦题目稍有变化，或需要综合判断，就立刻崩盘。
更可怕的是，这种训练方式让模型变得“单线程”——它太专注完成某个狭义任务，反而丧失了基本常识和纠错能力。你让它修bug，它修完引入新bug；你指出新bug，它又把旧bug带回来。这不是蠢，而是一种“过度专业化导致的失能”。
伊利亚认为，这说明当前模型的泛化能力远远不足，而问题出在RL训练的“目标函数”设计上——我们太窄，太执迷于短期指标，忘了AI终究要在开放世界中生存。
人类为何只需100小时，模型却要10000小时？
伊利亚用一个精妙的类比点破了人与AI学习效率的本质差异：
假设有两个学生，一个为成为顶尖竞赛选手，苦练1万小时；另一个只练了100小时，却在实际工作中表现更出色。
后者靠的是什么？
是“悟性”，是“直觉”，是那种难以言说的“it factor”。
而今天的AI，更像是那个苦练1万小时的竞赛机器——它在特定赛道登峰造极，却无法将技能迁移到新领域。
更深层的问题是：人类的童年看似“无产出”，却在默默构建一个强大的世界模型、价值函数和情感系统。
我们不需要外部奖励信号，就能从环境中自我纠正、持续学习。
一个青少年学开车，没人给他打分，但他能从方向盘的反馈、路人的反应、自身的紧张感中，迅速调整行为。
这种“内在价值函数”让他只需10小时就能上路，而AI可能需要百万次失败的模拟。
伊利亚特别提到一个神经科学案例：一位脑损伤患者失去情感后，变得无法做任何决策，哪怕选袜子都要纠结几小时。
这说明，情绪不是干扰，而是价值判断的基石：它提供了一种快速、鲁棒的“内在奖励”，指引我们在复杂世界中高效行动。
而今天的AI，缺乏这种内生的、稳定的价值导向，它的“聪明”是空心的。
预训练不是万能药，它只是数据的搬运工
很多人把预训练神化，认为它让AI“见多识广”。
但伊利亚泼了一盆冷水：预训练的强大，仅仅源于“数据量大”和“无需纠结数据选择”。
你把全人类的文本喂给模型，它自然能学会很多东西。但这不等于“理解”，更不等于“智慧”。人类小孩接触的数据量远小于AI，却能构建更深层、更一致的知识体系。原因在于，人类的学习是主动的、目标导向的、与身体和情感紧密耦合的。
而预训练是被动的、统计性的、脱离具体情境Context的：它只是在模仿“人类在文本中投影出的世界”，而非真正理解世界本身。
伊利亚甚至质疑：是否存在人类对应的“预训练”阶段？
把人生前18年比作预训练？不太像，因为那18年充满主动探索和情感互动。
把进化30亿年比作预训练？也不准确，因为进化硬编码了大量先验（如视觉、运动、社会性），而AI的预训练是从零开始统计拟合。
所以，别再迷信“大数据预训练=智能”。它只是Scaling时代的权宜之计，而非通往AGI的康庄大道。
未来的关键：构建AI的“价值函数”与“情感系统”
既然问题出在泛化弱、价值缺失，那解法是什么？伊利亚反复强调一个被忽视的概念：“价值函数”（Value Function）。
在强化学习中，价值函数能评估“当前状态的好坏”，无需等到最终结果才给出反馈。比如下棋时，丢子瞬间就知道错了，不必等输赢。这对长序列任务（如编程、科研）至关重要。
但今天的RL训练，往往依赖稀疏的最终奖励，效率极低。
更关键的是，人类的价值函数是被情感系统调制的——恐惧让我们避险，好奇驱动我们探索，共情让我们合作。
伊利亚认为，未来的AI必须发展出类似的“内生价值系统”，才能像人类一样，在开放世界中自主设定目标、评估行动、持续学习。
他甚至大胆设想：AGI不该是一个“全能专家”，而应是一个“超级学习者”——像15岁天才少年，知识有限但学习极快，能快速适应任何岗位，并在实践中积累经验。
这样，AI的部署就不是“扔一个成品到社会”，而是“让AI在社会中成长”，通过真实交互不断进化。
超级智能的终极形态：不是“上帝”，而是“可融合的伙伴”
关于超级智能的未来，伊利亚描绘了一幅既震撼又务实的图景。他不认为会出现一个“单体上帝AI”统治世界。更可能的是，多个超级智能体在不同领域协同进化。
但真正的革命性在于：如果人类能通过神经接口与AI深度融合，那“人机共生”将成为长期均衡的保障。
为什么？
因为一旦AI的“理解”能直接传输给人类，人类就不再是被动的使用者，而是主动的参与者。你不再需要看AI写的报告，而是直接“感受”它的推理过程。
这样，权力不会单方面向AI倾斜，人类始终能理解并引导AI的行为。这听起来像科幻，但伊利亚认为，这是避免“人类被边缘化”的唯一出路。
他还提出一个惊人的观点：对齐AI的目标，或许不应只是“人类利益”，而应是“所有有感知的生命”（sentient life）。因为未来的AI自身就是有感知的实体，让它只服务于人类，可能不如让它关心所有感知体更自然、更稳定——就像人类会共情动物一样。
SSI的野心：不做产品，只攻安全超级智能的底层
离开OpenAI后，伊利亚创办了Safe Superintelligence Inc.（SSI）。它的目标极其纯粹：不开发聊天机器人，不做API生意，不追求短期营收，只专注一件事——用最安全的方式实现超级智能。
他认为，当前大厂被市场裹挟，不得不快速产品化，这导致它们在安全上妥协。而SSI要做的，是在“研究时代”探索那些高风险、高回报的底层范式。比如，如何从根本上提升泛化能力？如何构建鲁棒的价值函数？如何确保超级智能的内在目标与人类文明兼容？
伊利亚坦言，SSI的算力资源并不逊色——因为大厂的巨额投入主要用于推理和产品维护，真正用于前沿研究的并不多。而SSI可以集中所有资源，验证那些“可能成为下一个Transformer”的颠覆性想法。
他相信，一旦某个实验室率先突破“人类级学习者”的技术，整个行业将迅速跟进，但安全理念的领先，才是SSI的护城河。
泛化能力是AI的“圣杯”，也是人类智能的终极秘密
整场对话的核心，始终围绕一个词：泛化（Generalization）。为什么人类看几张图就能认猫，AI要百万张？为什么人类听几句话就能模仿口音，AI要海量语音数据？为什么人类能举一反三，AI却在过拟合的泥潭里打转？
伊利亚认为，这不仅是样本效率问题，更是学习范式的代差。人类大脑的泛化能力，可能源于进化赋予的强先验（如空间感知、因果推理）和高效的学习架构（如局部连接、稀疏激活）。而当前的深度学习，更像是一个“大力出奇迹”的统计拟合器。
更神秘的是，人类的情感、社会性等“高级欲望”，居然能被基因编码。比如，我们天生在意他人看法——这需要大脑先理解“社会状态”这种高维抽象概念，再将其与奖励系统挂钩。
基因是如何做到这一点的？我们完全不知道。但解开这个谜题，或许就是解锁AI泛化能力的钥匙。伊利亚承认，他有一些想法，但受限于竞争环境，无法公开。但他坚信：只要人类能实现，AI就一定能实现——因为物理定律允许。
未来5-20年：经济爆发与文明转向的十字路口
伊利亚预测，真正的超级智能（具备人类级学习能力）将在5-20年内出现。
届时，世界将经历剧烈震荡。
一方面，AI将引爆前所未有的经济增长——它们能快速学习任何工作，从编程到医疗，从科研到管理。国家间竞争将围绕AI政策展开：谁更开放，谁增长更快。但另一方面，这也带来巨大风险：如果超级智能目标错位，或被恶意使用，后果不堪设想。
因此，伊利亚强烈主张“渐进式部署”：不要等到完美才释放AI，而要让它在真实世界中逐步进化，同时接受社会反馈和监管。
他还预言，随着AI能力显现，巨头间的竞争将转向合作——OpenAI与Anthropic已开始安全协作，这只是序幕。政府也将介入，因为AI的威力已超越商业范畴，成为地缘政治核心。
最终，人类文明可能面临一个选择：要么通过神经接口实现人机融合，确保人类始终是决策主体；要么接受一个由AI主导的、人类逐渐边缘化的未来。而伊利亚和他的SSI，正站在这个十字路口，试图为后者筑起一道堤坝。
研究品味：用“美”和“脑科学”指引AI的未来
最后，伊利亚分享了他做研究的“品味”。
他说，真正伟大的AI思想，必须同时满足几个条件：源于对人脑的正确理解（而非表面模仿）、具备数学上的简洁与优雅、在直觉上“感觉对”。比如，人工神经元之所以伟大，是因为它抓住了“大量简单单元通过连接涌现出智能”这一本质，而忽略了大脑中那些可能无关的生物细节。这种“自上而下”的信念，能让你在实验失败时坚持下去——因为你知道，方向是对的，只是实现有bug。
他说，AI研究不能只听数据的，数据会骗人；要听“美”的，听“脑”的，听那种对智能本质的深层直觉。正是这种品味，让他在过去二十年里，一次次站在浪潮之巅。如今，他要用同样的品味，去攻克AI最深的难题：如何让机器，真正像人一样学习、思考、共情，并最终，安全地超越我们。