几天前，在世界人工智能大会WAIC 2026主论坛上2024年图灵奖得主、Openmind Research Institute首席科学家理查德·萨顿（Richard Sutton）完成了一场轰动业界的主旨演讲——他直言“AI的进步被夸大了”人类数据时代将走向尽头AI正迈入“经验时代”。
萨顿在经济学院睿郡报告厅开讲
7月22日下午这位被誉为“强化学习之父”的传奇人物带着他一贯的冷静与锐度，走进复旦校园，在“学敏大讲堂”的讲台上与复旦师生面对面交流。
此次讲座由复旦大学学敏高等研究院、经济学院主办，Openmind Research Institute协办校党委常委、校长助理彭慧胜担任主持校长助理、上海科学智能研究院理事长吴力波、复旦大学文科资深教授、经济学院院长张军等出席活动。
一切发明皆源于“盲变异与选择性保留”
讲座开始前，经济学院睿郡报告厅已座无虚席。
萨顿以“重新发现强化学习：知识选择理论的思想演进”为题，带领听众们穿越强化学习的思想史纵深，从“知识选择理论”的独特视角，重新理解强化学习的本质。
“如果你对强化学习尚不熟悉，不妨将其置于更宏大的思想框架中理解。”讲台上，这位年近七旬的科学家，将数十年的学术积淀，压缩在这平静的语调中，娓娓道来。
在他看来，思想史本身就是一个宏大概念，涵盖了思想的起源、演变过程以及不同思想体系与文化背景下的思想发展脉络。
作为时间差分学习（Temporal Difference Learning）和Dyna架构的提出者，他与导师安德鲁·巴托（Andrew Barto）合著的《强化学习导论》被誉为该领域“圣经”。2024年，萨顿也因“建立强化学习概念与算法基础方面的奠基性贡献”，与巴托共同荣获当年的图灵奖。
讲座中，萨顿系统阐释了一个贯穿其学术思想的核心命题：一切有用的发明（useful know-how）皆源于“盲变异与选择性保留”（Blind Variation and Selective Retention, BVSR）过程。在他看来，无论是生物进化、科学方法、日常规划，还是强化学习与操作性条件反射，所有产生有用知识的过程都遵循同一个三步逻辑：考虑一系列备选方案（盲变异）、对它们进行评估、保留其中的最佳者。
这一理论框架源自心理学家唐纳德·坎贝尔（Donald Campbell）1960年发表于《心理学评论》（Psychological Review）的经典论文“Blind Variation and Selective Retention in Creative Thought as in Other Knowledge Processes”。
萨顿在讲座中回顾了这一思想的深厚学术谱系——从达尔文的自然选择、詹姆斯“心智的标志是通过可变手段实现恒定目标”的论断、桑代克的效果律，到波普尔的“代替我们死去的想法”、西蒙的“生成与测试”，以及丹尼特“效果律为何不会消失”的追问——这条思想脉络跨越了心理学、生物学与人工智能，最终汇聚于坎贝尔的BVSR框架。
“盲”字何解？针对BVSR中“盲”（Blind）一词可能引发的误解，萨顿在讲座中专门作了阐释。
他指出，“盲”并不意味着完全的随机：儿童与父母高度相似（大多数突变是有害的）；优秀的科学家不会随意提出理论；强化学习也在探索与利用之间寻求平衡。然而，在他看来，BVSR是驱动自然演化与人类社会发展的核心机制，一切发明的源头，恰恰来自于那个“盲”的部分。
强化学习才是真正的“原创”引擎
基于BVSR框架，萨顿对当前以大规模语言模型为代表的生成式AI提出了深刻见解。他指出，监督学习无法完成“原创”（origination），模仿与预测同样无法产生真正的“知道如何做”——唯有强化学习同时具备了BVSR所要求的探索（变异）与利用（选择性保留），才有实现“原创”的可能。
“关于‘该做什么’的知识，才是我们所有知识体系中最核心的部分。”萨顿强调，“它是我们知识与理论体系最终形成的结晶，决定了我们在实现目标时应当采取何种行动。”
萨顿特别以Q-learning为例说明，每一步Q-learning都涉及对行动的搜索（即“盲变异”），而Sarsa（一种强化学习算法）使用的搜索更少、产生的know-how也更少——搜索越多，know-how越多。
萨顿透露，他最新的“持续深度学习”研究思路本身就是BVSR的应用：在特征空间中进行“生成与测试”，以防止塑性丧失和灾难性遗忘。这一发现之所以重要，恰恰因为它连接到了“选择理论”这个重要理念。
讲座尾声，萨顿引用了加里·齐科（Gary Cziko）1995年的著作《没有奇迹：选择理论与第二次达尔文革命》，指出人类解释世界的范式经历了从“神意”（Providence）到“指令”（Instruction）再到“选择”（Selection）的演进。齐科将BVSR提升到“普适选择理论”（Universal Selection Theory）的高度，称之为“本世纪的大观念”。
当人工智能的全部力量都建立在人类已有知识之上时，那些尚未被发明的知识，将会从BVSR的“盲变异”中诞生。萨顿的此次讲座，不仅是对强化学习理论根基的深刻阐释，更是对人工智能未来方向的郑重宣告：真正的智能，必须从经验中自主发明，而非仅仅模仿已知。
萨顿与师生畅聊AI未来
提问环节，现场氛围热烈。面对台下师生的踊跃提问，萨顿分享了自己的独到见解。
Q1：有效的智能体需要从现实世界的持续交互反馈中学习，但当前似乎仍缺少这一点。那么，未来的进步方向是什么？
对此，萨顿指出，AI真正的进步并非仅体现在技术潮流的更替上，而是体现在对该领域基础问题的逐步深入理解——例如如何让机器处理延迟回报、如何在动态环境中做长期决策等。
当前的AI代理在持续从真实世界交互中学习方面仍存在缺失，尽管这一方向早已被探讨，但近年来才重新获得重视。强化学习、行为心理学和控制理论的结合，将逐渐推动AI向更具适应性的方向发展 。
Q2：从强化学习和通用人工智能AGI的视角来看，您认为现有的监管治理体系，能否跟得上那些持续学习和不断适应的AGI系统？
“现在对AI进行监管还为时过早，因为AI每隔几个月就会发生翻天覆地的变化。”萨顿表示，把创新作为国家的政策方向是对的，但要避免因过度控制而扼杀创新所需的变异过程。他认为，如果创新者只能做一些“稍微不同”的事情，那就扼杀了真正的突破。
Q3：智能体（如好奇心或探索驱动力）的初始目标是如何设定的？
在萨顿看来，好奇心和自我维持（如避免疼痛、寻求愉悦）可作为通用的内在目标，帮助智能体在复杂环境中生存和学习。AI本质上就是关于目标的研究——关于目标追求能力的研究。而这种目标追求能力，意味着目标必须是任意的。如果一个理论的目标只优化某一条规则，那这个理论就不如一个能处理更广泛目标范围的理论。
Q4：人类如何设法管理自身面临的潜在风险和威胁？
萨顿认为，创造知识的能力既强大又具潜在风险，但本质上是对人类能力的增强。不应将AI视为不可避免的敌人，而应寻求合作机会。随着公众对AI认知的深化，社会需调整心态，从恐惧转向协作。当前大语言模型虽非真正智能，但标志着公众与AI概念的“首次接触”，未来几十年将是确立人机关系的关键时期。
“恰逢其时的思想，势不可挡。”萨顿在WAIC 2026上引用维克多·雨果的这句名言，或许也正因他深信——这股不可阻挡的力量，终将汇入未来。
讲座结束后，掌声经久不息。更多年轻人重新理解了“学习”这个词——它不只是记住别人已经知道的东西，而是自己从经验中发现新的可能。
这也许正是这场讲座留给在场听众最珍贵的启示：在AI狂飙突进的时代，我们不仅需要更快的计算和更大的数据，更需要回到智能的源头，去理解“原创”本身如何发生。
