当深度学习遭遇瓶颈，AI的下一步该走向何方？图灵奖得主给出答案

在2025外滩大会上，新晋图灵奖得主、被誉为“强化学习之父”的理查德·萨顿（Richard Sutton）发表了一场引人深思的主题演讲。他并未沉浸于当前AI大模型的辉煌成就，而是直指其核心技术——深度学习在某些方面的根本性局限，并为人工智能的未来，描绘了一条全新的路径：去中心化神经网络。

萨顿的观点，为当前AI技术的主流范式带来了重要的反思。本文将对他的核心论点进行深度解读，探讨为何在他看来，当前深度学习的路径面临严峻挑战，而去中心化AI则为未来发展提供了富有潜力的方向。

深度学习的三大核心挑战

萨顿教授对深度学习在持续学习（Continual Learning）任务中的表现提出了批评，他认为其存在三大内在挑战。

首先是灾难性遗忘与可塑性丧失。在持续的监督学习中，深度学习模型会逐渐失去学习新知识的能力。有研究表明，随着学习任务的增多，模型的学习率和可塑性会显著下降。这意味着，一个深度学习模型在学会了任务B之后，可能就忘记了如何执行任务A。这种“学新忘旧”的特性，使其不适合需要构建能够终身学习的智能体。

其次是模型坍塌。在长时间的强化学习任务中，深度学习模型可能会出现性能崩溃的现象。模型在初期学习良好，但随着训练的进行，其能力会逐渐退化。这表明，基于当前反向传播机制的深度学习，在面对需要长期、持续探索和优化的复杂任务时，其稳定性存在根本问题。

最后是静态知识转移的局限。萨顿认为，目前绝大多数机器学习的目标，是将人类已有的、静态的知识，转移到一个缺乏自主学习能力的AI上。然而，人类的数据红利正逼近极限。这种依赖外部知识灌输的模式，难以生成真正的新知识，而这恰恰是智能的核心。

去中心化神经网络的理论构想

为了应对上述挑战，萨顿提出了“去中心化神经网络”的构想。其核心思想是，构建一个没有中央控制器的网络架构。在这个网络中，每一个神经元或智能体都拥有自己独立的目标。整个网络的强大智能，最终是从这些局部目标的相互作用与协作中涌现出来的。

这可以理解为，它不像一个由全知全能的“皇帝”统治的帝国，而更像一个由各具专长的“工匠”和“学者”组成的、充满活力的城邦。每个成员都在追求自己的目标，但他们的协作共同造就了整个城邦的繁荣。

与传统深度学习那种预先设定好固定分层结构不同，去中心化网络更倾向于一种自然生长的模式。它从简单的输入输出单元开始，随着不断加入新的特征和神经元，网络逐渐变得复杂和强大。

多智能体协作的兴起

萨顿的理论为AI的未来发展指明了方向，但对于当下的开发者而言，如何将这种思想付诸实践？一个最直接的路径，就是构建一个“多智能体协作”的应用架构。

未来的复杂AI应用，具备潜力的发展方向将不再是依赖于某一个无所不能的“超级大脑”，而是通过编排和调度多个各有所长、拥有不同知识和能力的AI模型协同工作。这正是“去中心化”理念在工程实践层面的体现。

例如，在自动驾驶的模拟研发中，可以用一个模型专门负责视觉感知，一个模型负责路径规划，另一个模型负责决策控制；在医疗诊断中，可以用一个模型分析文本病历，另一个模型解读医学影像，协同给出诊断建议。

要实现这种“多智能体协作”，一个开放、聚合的AI能力平台是必不可少的基础设施。这类平台通常被称为AI模型即服务（MaaS）或模型广场，它们汇聚了来自全球的众多顶尖AI大模型，并为开发者提供了一个统一的接口和管理平面。开发者无需再为每一个模型单独进行API的适配和管理，而是可以通过一个统一的入口，像指挥一个团队一样，灵活地调度平台上的各种模型，这为实践萨顿教授的“去中心化协作”理念，提供了一个理想的、触手可及的实验场。

理查德·萨顿的演讲，提醒我们重新思考智能的本质。他所指出的深度学习局限性，以及倡导的去中心化、持续学习和经验驱动的理念，为正处在狂热与迷思中的AI领域，注入了一剂清醒剂。

从“静态知识转移”到“动态经验生成”，从“中央集权控制”到“去中心化协作”，这或许是通往通用人工智能的更坚实的道路。而开放、聚合的AI能力平台，则正在为所有开发者，提供将这一伟大构想付诸实践的关键基础设施，推动整个AI生态向着更加开放、协作和智能化的方向演进。