汪军对话 Rich Sutton：大模型在一定程度上分散了我们对智能理解的注意力

在刚刚落幕的 RL China 2025 开幕式上，伦敦大学学院（UCL）汪军教授与图灵奖得主、“强化学习之父” Richard Sutton 展开了一场跨越地域的思想对话，从强化学习（RL）的学科根基出发，共探智能的本质与未来方向。 汪军教授深耕智能信息系统领域多年，现任 UCL 计算机系教授，Turing Fellow，是华人强化学习社区 RL China 的联合发起人。RL China 是由全球华人学者与强化学习相关从业者共同发起的非盈利性学术与技术交流平台，致力于推动强化学习及决策智能领域的研究、应用与教育。 Richard Sutton 是强化学习领域的奠基者，这位美国计算机科学家现任阿尔伯塔大学计算机学教授，因提出时序差分学习、策略梯度方法等核心理论，被公认为 “现代强化学习之父”。2024 年，他斩获计算机领域最高荣誉——图灵奖，这一奖项不仅是对其在算法创新与基础研究中突出贡献的认可，更标志着强化学习作为 AI 核心分支的价值与影响力，以及整个 RL 研究社区为人工智能发展奠定的基础。 Richard 在对话中坦言：当前人工智能行业的快速扩张虽改变了人们从事的工作与生活感知，却也在一定程度上分散了对基础科学的关注，这对科学发展来说并非真正有益。我们必须对此进行反击，努力将目光投向理解思维如何运作、智能如何运作这一重大目标。 在他看来，大模型并非真正理解智能的途径。LLM 确实很有用，但它们在运行过程中是没有学习能力的，一旦模型被训练完成，它们就不再学习了。事实上，它们也无法学习，因为它们没有目标，没有奖励。它们只是在模仿人类，而人类是有目标的，但 LLM 本身没有目标，也无法判断自己说的话是对是错。 人类语境中的目标与意图一般被理解为：对一种名为 “奖励” 的标量信号的累积和的期望值进行最大化，这是对智能问题一项极具价值的简化与提炼。要知道，智能就是与世界交互以达成目标，而你需要某种方式来定义这个目标。所以，在强化学习的框架下，Richard 建议： 所有目标都可以被解读为 “奖励”，一种单一的标量数值。 正因如此， Richard 非常重视从经验中学习，他认为，从某种意义上来说， RL 的核心在于，它最强