# 苦涩的教训

> 由Richard Sutton提出的观点，认为AI研究中最成功的方法往往不是依赖人类精心设计的知识或规则，而是通过大规模计算和数据直接从经验中学习。

- ID: m03896
- 分类: decide
- 领域: 决策科学

## 定义

由Richard Sutton提出的观点，认为AI研究中最成功的方法往往不是依赖人类精心设计的知识或规则，而是通过大规模计算和数据直接从经验中学习。历史上，那些试图将人类知识硬编码到AI系统中的方法，最终都被基于算力和数据的方法超越。脚手架作用：技术趋势判断。提醒我们在技术决策时，要关注计算能力增长和数据规模扩大带来的长期趋势，而不是短期的算法优化或领域知识的编码。在AI时代，"堆资源"（算力、数据）往往比"秀技巧"更重要。

## 机制

理查德·萨顿（Richard Sutton）2019 年提出：AI 史上反复证明，依赖人类硬编码知识/规则的方法，最终都被"通用方法+海量算力+大数据"超越。其机制是"通用搜索/学习的复利"——随算力增长（摩尔定律）与数据扩张，通用方法自我改进的速度超过专业知识的边际贡献，故"规模"长期胜"技巧"。

## 练习

1. 做技术决策时，区分"堆知识/调参"与"堆算力数据"。2. 倾向可随算力扩展的通用方法，而非脆弱的领域硬编码。3. 警惕"短期技巧"对长期趋势的误导。4. 投资数据采集与算力而非仅精雕算法。5. 用此判断哪类投入有复利。

## 脚手架用法

技术趋势判断。提醒我们在技术决策时，要关注计算能力增长和数据规模扩大带来的长期趋势，而不是短期的算法优化或领域知识的编码。在AI时代，"堆资源"（算力、数据）往往比"秀技巧"更重要。

[阅读网页](https://thinkingmodels.site/entries/detail/m03896)