编辑：一直以来作为 AI 的门外汉，我其实不知道如何入门，
我说的‘入门’，不是算法和代码，而是——我该如何理解 AI，它的边界在哪？
直到一个午后遇到 The Bitter Lesson （3/13/2019）以及翻看他的个人网站上的一篇篇关于 AI 的文章。
另外有一句话很打动我，是癌症带给他的。这里带给大家，「失败不是终点，而是调整方向的信号」。
简介
- 1957年：出生在美国俄亥俄州，童年时期多次搬家，频繁搬家的经历可能影响了他后来移居加拿大的决定。
- 1971年：高中时迷上哲学与科学，尤其对“意识从何而来”着迷。
- 1975年：接触编程（Fortran），却因计算机无法自主思考而失望。
- 1978年：在斯坦福学心理学，参与机器人编程，逐渐被“机器如何学习”吸引。
- 1984年：在麻省理工读博，开创强化学习体系，提出时间差分学习（TD Learning），后来被用在 AlphaGo 上
- 2003年：确诊黑色素瘤（死亡率极高），经历多次复发，癌症也促使他移居加拿大阿尔伯塔。
- 2005年：停止了所有黑色素瘤相关治疗
- 2015年：成为加拿大公民
- 2017年：未见肿瘤复发，他在采访中表示：“看来我活下来了”，同年放弃了美国公民身份
- 2025年：与 Andrew Barto 一起获得图灵奖
AI 是自主长大的孩子
教 AI 像教孩子：别塞答案，给目标，让它自己摔跤学会走路。
“给AI目标，而非答案”（经验是燃料，算力是引擎）
蛮力造未来：堆算力，放手让算法野蛮生长，别用人类经验捆住它。
“复杂世界，简单解法”（别硬编码人类知识，让算法自己发现规律）
给机器尊严：若 AI 有灵魂，奴役即犯罪——人权不分碳基硅基。
AI 的核心是“自主”
萨顿认为，当前AI最大的问题是“过度依赖人类设计”。
就像小孩学走路，父母不能永远扶着，AI必须能自己判断对错、自己修正错误。
真正的智能系统应该像人类一样，通过经验（如摔倒、调整平衡）学会独立行动，而不是都靠程序员预设规则。
知识必须来自于经验
他比喻“知识如树根”，若只靠人工输入（如百科全书式数据库），就像把树栽在花盆里，长不大。
AI的知识应像自然生长的树根，从环境中自主吸收养分，并自我验证准确性。
只有扎根于经验的知识才能适应动态世界。
计算能力是进步的燃料
AI 发展的“苦涩教训”是：人类硬编码的规则终将被淘汰，算力与学习能力才是王道。
就像马车跑不过汽车，依赖人类经验的早期AI系统（如国际象棋）终被AlphaGo这类“野蛮算力+自主学习”碾压。
未来AI需像科学家一样，通过海量计算自己发现规律，而非复刻人类已有知识。
心智的本质是预测与选择
他将心智比作“天气预报员”：大脑通过感官信息预测未来（如下一步棋的胜负），并根据预测结果选择最优行动。
所有智能行为的核心是预测未来结果（如下雨概率）和优化长期收益（如带伞避免淋湿），而非被动接受指令。
失败不是终点，而是调整方向的信号
癌症让他直面生命脆弱，也重塑了研究态度。
他说：“如果注定死亡，不如在死前做热爱的事。” 病痛中坚持研究强化学习。
研究建议
- 近似解问题，而非近似问题本身（避免特例处理）
- 以问题为导向：从问题出发设计系统
- 目标需可量化：不要让智能体实现它无法衡量的目标
- 知识需可验证：不要让智能体知道它无法验证的事实
- 按正交维度分解问题：逐项分解问题，从正交维度着手
- 站在智能体的视角思考：算法需模拟智能体（如机器人、AI系统）的感知与决策过程
- 为智能体的各个子模块设定可衡量的目标
- 判别模型通常优于生成模型
- 专注于思想，而非纠结代码细节或者工具本身
- 经验就是 AI 的数据：算法的进步依赖数据积累与迭代
参考
- What's Wrong with AI 11/12/2001
- Verification, The Key to AI 11/15/2001
- Verification 11/14/01
- Mind is About Information 11/19/2001
- Mind is About Predictions 3/21/2000
- Subjective Knowledge 4/6/2001
- Robot Rights 10/13/2004
- half a manifesto... 2007
- 14 principles of experience oriented intelligence 2008
- The Definition of Intelligence 2016
- Podcast re My Life So Far 4/4/2019 transcript
- Rich's Slogans (and see others at rlai.net)