萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

这几天最轰动AI界的消息，莫过于强化学习之父理查德·萨顿的最新论断：大语言模型只是"世界的一时痴迷"。这位2024年图灵奖得主在新加坡国立大学的演讲中直言，当前火热的ChatGPT、Gemini等AI系统，本质上是在玩"预测游戏"，而非真正的智能。这一论断无异于给LLM狂热泼下一盆冷水，也让我们不禁思考：为什么这些能写诗编程的AI，在科学家眼中却与真正的智能相距甚远？

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

这几天最轰动AI界的消息，莫过于强化学习之父理查德·萨顿的最新论断：大语言模型只是"世界的一时痴迷"。这位2024年图灵奖得主在新加坡国立大学的演讲中直言，当前火热的ChatGPT、Gemini等AI系统，本质上是在玩"预测游戏"，而非真正的智能。这一论断无异于给LLM狂热泼下一盆冷水，也让我们不禁思考：为什么这些能写诗编程的AI，在科学家眼中却与真正的智能相距甚远？

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

这几天最轰动AI界的消息，莫过于强化学习之父理查德·萨顿的最新论断：大语言模型只是"世界的一时痴迷"。这位2024年图灵奖得主在新加坡国立大学的演讲中直言，当前火热的ChatGPT、Gemini等AI系统，本质上是在玩"预测游戏"，而非真正的智能。这一论断无异于给LLM狂热泼下一盆冷水，也让我们不禁思考：为什么这些能写诗编程的AI，在科学家眼中却与真正的智能相距甚远？

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

这几天最轰动AI界的消息，莫过于强化学习之父理查德·萨顿的最新论断：大语言模型只是"世界的一时痴迷"。这位2024年图灵奖得主在新加坡国立大学的演讲中直言，当前火热的ChatGPT、Gemini等AI系统，本质上是在玩"预测游戏"，而非真正的智能。这一论断无异于给LLM狂热泼下一盆冷水，也让我们不禁思考：为什么这些能写诗编程的AI，在科学家眼中却与真正的智能相距甚远？

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。

这几天最轰动AI界的消息，莫过于强化学习之父理查德·萨顿的最新论断：大语言模型只是"世界的一时痴迷"。这位2024年图灵奖得主在新加坡国立大学的演讲中直言，当前火热的ChatGPT、Gemini等AI系统，本质上是在玩"预测游戏"，而非真正的智能。这一论断无异于给LLM狂热泼下一盆冷水，也让我们不禁思考：为什么这些能写诗编程的AI，在科学家眼中却与真正的智能相距甚远？

萨顿的核心观点直指LLM的先天缺陷：它们缺乏目标导向的持续学习能力。就像鹦鹉学舌，大模型通过海量数据学会了模仿人类语言，却永远不理解语言背后的因果逻辑。当被问及"如何用微波炉加热冰淇淋"时，ChatGPT能生成语法完美的答案，却意识不到这个操作的荒谬性。这种对物理世界基本常识的缺失，暴露了纯文本训练的致命短板。

在具身认知方面，LLM的局限性更为明显。AlphaGo通过数百万次自我对弈掌握围棋策略，波士顿动力的机器人能在摔倒后自主调整姿态——这些基于环境交互的学习案例，恰恰印证了萨顿"智能源于经验"的论断。相比之下，LLM就像被囚禁在文字牢笼里的天才，即便读遍天下书籍，也无法获得婴儿通过抓握积木就能理解的力学原理。

灾难性遗忘问题更是LLM难以逾越的鸿沟。人类学习骑自行车后，这项技能终身难忘；但大模型在微调新任务时，常会"忘记"之前掌握的知识。萨顿团队开发的持续反向传播算法（Continual Backprop）通过动态重置部分神经元，在机器人控制任务中展现出持续学习优势。这种生物学启发的机制，与LLM依赖静态数据集的训练范式形成鲜明对比。

萨顿与Yann LeCun共同倡导的"世界模型"理论，或许指明了破局方向。在他们的构想中，真正的智能体应该像幼儿一样，通过感官输入建立世界的内在表征，并据此规划行动。当LLM还在纠结"天空为什么是蓝色"的文本解释时，一个具身AI可能已经通过调整棱镜角度，自己发现了光的散射现象。这种主动探索的能力，正是当前大模型最欠缺的智能基石。

业界对LLM的反思已悄然兴起。OpenAI被曝新一代GPT遇到瓶颈，谷歌DeepMind开始转向多模态具身智能研究。萨顿参与的阿尔伯塔计划正尝试打造能自主探索虚拟厨房的AI体，其最新论文显示，这种结合了强化学习的系统，在开放式问题解决上的表现远超纯语言模型。这验证了他的预言：未来AI的主战场将从文本预测转向环境交互。

站在技术演进的十字路口，我们或许该听进去这位深耕AI45年的科学家的忠告。当科技巨头们沉迷于千亿参数的军备竞赛时，萨顿提醒我们关注更本质的问题：没有目标驱动的学习只是精致的统计学，无法与世界互动的智能终将是空中楼阁。就像他获得图灵奖时说的那句箴言——真正的智能时代，要从放弃对人类数据的模仿开始。