理查德·萨顿 Richard S. Sutton 是人工智能研究者、教授。
主要贡献：被认为是强化学习（Reinforcement Learning）领域的奠基人之一，他的教科书和论文是该领域的核心参考资料。
他在个人网站（http://www.incompleteideas.net/IncIdeas/BitterLesson.html）上撰写了一篇影响深远的文章：《The Bitter Lesson（苦涩的教训）》。
文章核心观点：
这篇文章总结了70年人工智能历史的一个深刻教训：
-
通用方法 + 大规模算力 优于人类知识工程
文章认为那些能够利用大量计算资源的通用方法最终在AI任务中表现最好，而不是依赖人类设计的复杂、特定领域规则。人类领域知识通常在短期有用，但长远看效果不如通用算法（搜索、学习等）。
-
摩尔定律的影响
之所以如此，是因为随着时间推移，计算成本持续下降，使得大量计算变得可能，从而推动AI方法的规模化和普适性。
-
历史例子
Sutton 在文中提到像计算机国际象棋、围棋、语音识别、计算机视觉等领域的进步，都体现了这种情况——简单通用的计算驱动方法最终超过了手工设计的规则和知识。
-
为什么是“苦涩的教训”
对研究者来说，这个观点“苦涩”在于它否定了依赖人类直觉和领域知识的直觉路径，而强调让算法通过数据和计算自己发现结构。
Boris最后补上的第四条，不是经验，是警告
Boris Cherny 是 Anthropic 的工程师 / 开发者体验负责人之一，也是《Programming TypeScript》一书的作者，他擅长把“复杂系统 → 人能长期使用的工具”。
他在 Anthropic 负责 Claude Code / Developer Experience（开发者体验），关注点包括：如何让开发者真正用好 Claude、AI 编程助手、代码理解、Agent 工作流、“人如何和模型协作写代码”，而不是模型炫技。
里奇·萨顿 Rich Sutton 的《The Bitter Lesson》和 Boris 的取向其实是互补的：
- Sutton：规模、算力、通用方法终将胜出
- Boris：那人类应该站在什么位置？工具怎么设计，才能让人不被规模碾压？
他非常在意：
- 人是否能理解系统在干什么
- 工具是否可控、可组合、可调试
- AI 是否在放大工程师能力，而不是替代思考
不是造模型的人，而是决定模型“怎么被人用”的人。
Claude Code 能不能成为：程序员的真实工作伙伴，而不是“写 demo 很强、落地很弱”的 AI，这正是他在解决的问题。
三个领域，同一个陷阱
1. 国际象棋（1997）
表象：深蓝击败卡斯帕罗夫，AI胜利。
当时的共识：
- 国际象棋太复杂，需要深度搜索
- 这套方法能推广到其他领域
- 研究方向：更强的搜索算法
20年后的现实：
- 初期投入大量精力研究免采用搜索策略
- 后来发现游戏的特殊性才是关键
- 方法无法有效泛化到其他应用
问题不在于深蓝不够强，而在于研究者把特例当成了通则。
真正值得追问的是：如果一个方法只在国际象棋有效，为什么要投入20年去研究它的泛化能力？
2. 计算机国际跳棋（同期）
当时的方法：
- 基于搜索和手工设计的评估函数
- 深度搜索+专家知识调参
结果：
- 在跳棋领域取得成功
- 但这套方法只对跳棋有效
- 难以迁移到其他问题
又是一个高度专用的解决方案被误认为通用方法论。
3. 咨询问答领域（20世纪70年代）
DARPA资助的早期项目：
- 利用人类知识的特殊方法（问答、语音识别等）
- 基于隐马尔可夫模型（HMMs）的统计方法
- 手工构建的专家系统
结果：
- 在咨询问答领域有效
- 但无法泛化到其他领域
- 深度学习出现后，这些方法被彻底替代
因果链：
- 研究者选择基于专家知识的方法
- 在特定领域调参成功
- 误以为找到了通用解决方案
- 投入大量资源深化这个方向
- 多年后发现根本没有泛化能力
共同的认知陷阱
三个案例的共性：
- 在特定领域取得突破
- 研究者过度乐观，认为方法可泛化
- 投入大量资源深化这个方向
- 多年后发现是死胡同
真正值得追问的是：为什么同样的错误要犯三次？
计算机视觉领域（2026）
Boris提到：这个教训现在正在重演。
当前状态：
- 深度学习在视觉任务表现优异
- 研究者投入大量资源深化这个方向
- 或许已经达到设计SIFT特征的方法无法继续推进的程度
如果历史重演，那么：
- 现在投入的资源可能大部分浪费
- 真正的突破可能来自完全不同的方向
- 我们正在重复70年代的错误
问题不在于深度学习不够好，而在于是否又把特定领域的成功当成了通用方法论。
利益结构在哪？
谁在承担风险？
- 学术界：投入研究资源在可能的死胡同
- 工业界：基于当前方法构建的系统可能很快过时
- 研究生：职业生涯押注在可能被淘汰的技术栈上
谁在享受收益？
- 当下：发论文、拿funding、出成果的研究者
- GPU厂商：深度学习需要大量算力
- 未来：那些没有跟风，在探索其他方向的人
制度约束在哪？
- 学术界的发表压力：跟风研究更容易出成果
- 工业界的短期KPI：用现成方法更快见效
- 资助机构的评审机制：热门方向更容易拿到钱
如果整个系统都在激励短期行为，谁来承担长期探索的成本？
Boris真正想说什么
这是一个沉重的教训。
作为一个领域，我们过去未能吸取这些经验。
因为我们往往不断重复同样的错误。
要认识到这一点并有效抵制它，我们必须：
- 警惕“这次不一样”的想法
- 不要把特定成功当成通用方法
- 保持对当前共识的怀疑
表象背后的因果
表象：AI在多个领域取得突破，前景光明。
因果链：
- 某个方法在特定领域成功
- 研究者和资本涌入这个方向
- 短期内产出大量成果和应用
- 形成“这就是未来”的集体共识
- 几年/十几年后发现泛化失败
- 资源浪费，研究者转向
- 新方法出现，循环重复
真正值得追问的是：我们现在对深度学习、Transformer、大模型的信心，是基于它真的通用，还是因为它暂时有效？
风险的真实来源
不在于技术路线选错。
在于：
- 把阶段性成功当成终极答案
- 在单一方向上过度投入
- 缺少对现有共识的系统性怀疑
如果1997年的研究者知道搜索方法会是死胡同，他们还会投入20年吗？
如果2025年的研究者知道当前方法会遇到瓶颈，他们还会all in吗？
问题是：他们不知道，我们也不知道。
Boris没说透的那句话
“我们必须警惕”的真实含义：
不是说深度学习不好。
不是说Transformer会失败。
不是说大模型是泡沫。
而是：如果所有人都在同一条路上狂奔，那么这条路大概率会走到尽头。
真正值得追问的是：
当Claude Code为六个月后的模型设计时，是在押注模型会继续进化，还是在准备模型进化停滞后的Plan B？
如果是前者，Boris在重复70年代的错误。
如果是后者，他比我们看得更远。
这是一个沉重的教训。
问题不在于我们是否会犯错，而在于我们是否会在同一个地方跌倒四次。这种对技术演进路径的深刻反思，也是像云栈社区这样的开发者社区所鼓励的——在追逐热点的同时，保持清醒的批判性思维。
发表于 20 小时前
|
查看: 0|
回复: 0
