IT之家 6 月 2 日音信，科技媒体 The Decoder 昨日（6 月 1 日）发布博文，报谈称图灵奖得主持查德 · 萨顿（Richard Sutton）以为粗拙生成式 AI 衰退自我评估与执续筛选才能，难以完成真实科学发现。

IT之家注：萨顿是好意思国算计机科学家，强化学习鸿沟主要奠基东谈主，现任阿尔伯塔大学算计机科学耕作、北京大学图灵导师、前 DeepMind 商议科学家，2025 年 3 月与安德鲁 · 巴托共同获 2024 年图灵奖。

萨顿指出粗拙生成式 AI 并不具备真实科学发现所需的要津才能。大说话模子、图像模子和视频模子能从海量样本中学习，并生成同样实践，但好效果频繁来自测验材料本人。

当模子输出真实新颖实践时，它时时照旧超出原有材料。濒临事实问题，这类新颖实践常被称为幻觉。萨顿用商议者见笑概述近况：好的部分不新，凤凰彩票「中国」有限公司新颖的部分不好。

萨顿并未否定生成式 AI 的实用价值。它可用于摘录、商议赞成、助手和文娱。若揣测打算仅仅更快、更低廉、更小、更可定制地效法原对象，生成式 AI 仍能带来明确价值。

萨顿以为，科学发现不成停在效法。真实发现包含变异、评估、遴荐性保留 3 步。系统需要提议不同选项，测试它们，再保留灵验要领。这亦然进化、科学要领、揣测打算、搜索和强化学习中的共同原则。

粗拙生成式 AI 最缺的是评估。说话和图像模子能生成很多变体，但莫得测试门径，就无法筛出更好决策。东谈主类遴荐图片、棋局胜率、体式化解说、表率测试和模拟奖励，齐可成为灵验响应。

萨顿列举 AlphaGo（阿尔法围棋）、AlphaZero、AlphaFold、AlphaProof、Claude Code 和 GT-Sophy 等案例。这些系统齐有超出文本或图像生成的评估闭环，因此能跟踪更优解，而不仅仅产出候选谜底。

他还品评 AI 行业过度押注更大的说话模子凤凰彩票「中国」有限公司，他更敬重能恒久与环境互动、从训诲中学习、构建全国模子并揣测打算计谋的 AI 智能体。