最新消息显示，图灵奖得主查德 · 萨顿称普通生成式 AI 难以完成真正科学发现
人类选择图片、棋局胜率、形式化证明、程序测试和模拟奖励，都可成为有效反馈
业内人士指出，这些系统都有超出文本或图像生成的评估闭环，因此能追踪更优解，而不只是产出候选答案
业内人士指出，这也是进化、科学方法、规划、搜索和强化学习中的共同原则
从更深层次来看，IT之家注：萨顿是美国计算机科学家，强化学习领域主要奠基人，现任阿尔伯塔大学计算机科学教授、北京大学图灵导师、前 DeepMind 研究科学家，2025 年 3 月与安德鲁 · 巴托共同获 2024 年图灵奖
业内人士指出，萨顿用研究者笑话概括现状：好的部分不新，新颖的部分不好
从更深层次来看，他还批评 AI 行业过度押注更大的语言模型，他更看重能长期与环境互动、从经验中学习、构建世界模型并规划策略的 AI 智能体
值得关注的是，IT之家 6 月 2 日消息，科技媒体 The Decoder 昨日（6 月 1 日）发布博文，报道称图灵奖得主理查德 · 萨顿（Richard Sutton）认为普通生成式 AI 缺少自我评估与持续筛选能力，难以完成真正科学发现
业内人士指出，大语言模型、图像模型和视频模型能从海量样本中学习，并生成相似内容，但好结果通常来自训练材料本身
从更深层次来看，语言和图像模型能生成许多变体，但没有测试环节，就无法筛出更好方案
从更深层次来看，当模型输出真正新颖内容时，它往往已经超出原有材料
值得关注的是，若目标只是更快、更便宜、更小、更可定制地模仿原对象，生成式 AI 仍能带来明确价值
值得关注的是，萨顿指出普通生成式 AI 并不具备真正科学发现所需的关键能力
值得关注的是，系统需要提出不同选项，测试它们，再保留有效方法
值得关注的是，真正发现包含变异、评估、选择性保留 3 步
从更深层次来看，萨顿列举 AlphaGo（阿尔法围棋）、AlphaZero、AlphaFold、AlphaProof、Claude Code 和 GT-Sophy 等案例
业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律
如果您正在寻找优质的CDN加速，欢迎访问 www.isclouder.com 了解更多