在过去30年里，信息技术一直高歌猛进、所向披靡。驱动信息技术一路飞奔的是这样一个事实：机器的计算能力、内存大小和通讯速度这三者全部提高了一百万倍。那么，人们很自然要思考这样一个问题：当人工智能（AI）崛起的时候，如果这三者，也就是我们今天所说的算力，再提高一百万倍，当机器已经具备了无以伦比的学习能力的时候，我们该怎样到达人类社会的彼岸？
3月13日，“强化学习之父”理查德•萨顿（Richard Sutton）发表了一篇题为“苦涩的教训”（The Bitter Lesson）的博客，其核心观点是：“我们必须吸取惨痛的教训，即从长远来看，直接构建人类大脑的思维模式是行不通的。”萨顿写到：“人类不断试图把自己的知识和思维方式植入到AI之中，”比如用人类的思路教AI下棋、将让AI按照人类总结的思路来识别图像等等。这些做法，“能带来暂时的性能提升，长期来看却会阻碍研究的持续进步。”这种错误的做法已经带来了太多“苦涩的教训”。萨顿相信：“真正的突破，总是来自完全相反的方向。”所谓完全相反的方向就是“摒弃人类在特定领域的知识”，采用“基于搜索和学习进行大规模计算”，只有这样，人类才会“获得最终的胜利” 。
这篇文章的确是作者总结了过去70年人工智能发展历程的洞见之作，因而引来一片附议和转发。但也有反对意见，其中比较典型的是牛津大学计算机系教授希蒙•怀特森（Shimon Whiteson）。他在题为“甜蜜的一课”（The Sweet Lesson）的博客中针锋相对地写到：“AI的历史故事并非融入人类知识一直失败。恰恰相反，这是融入人类知识的胜利，实现的路径也正是一种完全符合惯例的研究策略：尝试很多方法，抛弃失败的99%。”
萨顿和怀特森两位教授都是业界知名的强化学习专家，但有趣的是，两人的观点却如此背道而驰。这场隔空争论过程中，许多业内知名学者也各抒己见。在国内，也引起了业界相当高的关注。
萨顿和怀特森争论的一个焦点是人类的知识与AI是否一定是对立的。萨顿说：“虽然这两者看似没有必要相互对立，但实际上它们往往是对立的。”也就是说，萨顿认为人类的归人类，AI的归AI。在我看来，不必计较AI跟人类的知识是否对立，也不必计较AI在哪些方面能超过人类，而要看到当机器智能化后会成十倍百倍的提升效率，降低成本，优化体验，从而达到推动社会发展的意义，这才是AI的技术价值所在。
摩尔定律表明，算力和数据在一段时期内是以指数级数变得更为便宜的，这是现代人工智能技术的驱动资源。任何不能有效利用这些资源的方法都前途有限。不仅如此，当算力和数据成本变得极为低廉的时候，这些因素也会影响算法优先发展的方向。这并不意味着算法不重要，而是说算法需要能适合这样的资源。就像石油的开发使得人类历史上第一次获得了非常廉价的能源，所以能适应这一能源的现代技术就得以飞速发展，比如汽车和飞机就是因为非常好地适应了石油这种能源，才得以在短时间内在全球迅速推广开来。
虽然人工智能已经连续三年出现在总理的政府工作报告中，虽然在今年的3•15晚会上曝光了AI机器人正在模仿人类能力，成为拨打骚扰电话的主力军，但其实，在AI这个科学领域，科学的发展还处于非常初级的阶段。在有充分的实证与观察之前要慎重，不宜只基于人类的经验知识和直觉思维出发提出理论。让机器获得通用智能的机制可能极度复杂，真正的基础理论可能是反直觉的。我们要开放心态，先从实证和观察出发，积累实验数据和相关研究工具。如果以物理学的发展做比喻，AI可能还处在前牛顿时期。在牛顿之前，从古希腊以来也有很多智者出于自身的经验知识与思考（包括对某些“美”的信仰与追求），对于这个物理世界提出了很多模型，但大多是失败的。到后来第谷、伽利略等人从实验出发，积累大量的实证的观察与数据，之后到牛顿等人才发展成近代物理学。因此，我的观点是，在谦虚的充分观察和实验之前，AI研究人员不能太过傲慢。
人工智能不仅在学界存在着过于兴奋的热情，人工智能的商业化也出现了偏离轨道的苗头。根据全球专业服务公司威达信集团（MMC）的一份调查报告显示，他们在13个欧盟国家中研究了约 2830 家人工智能创业公司的“活动、重点以及资金”之后发现，被归类为 “AI 公司”的欧洲创业公司中，有 40% 的公司并未使用任何 AI 技术。
一方面，人工智能的发展成为万众瞩目的焦点，今年的政府工作报告中第一次出现的“智能+”的概念。另一方面，也有人冷嘲热讽说“发展这么多年，现在的人工智能在很多方面还不如一个三岁的婴儿。”这种说法混淆了技术和科学的不同。比如，飞机已经有一百多年的历史。虽然在灵活性、能源利用率等诸多方面还不如小鸟（在这些方面很多原理也没有完全清晰），但这项技术已经产生的产业价值是如此超乎想象。
萨顿在文章的结尾写到：“我们需要的是能像我们一样进行发现的AI智能体，而不是包含我们已经发现的东西在内的AI。在我们发现的基础上建立AI，只会让它更难看到发现的过程是如何进行的。”在我们走向人工智能的彼岸的时候，在我们等待一个黎明到来的时候，人工智能带给我们的究竟是“苦涩的教训”还是“甜蜜的一课”，是一个值得持久讨论的话题。
