Rich Sutton 成立 Oak Lab，旨在变革自主 AI 智能体
图灵奖得主 Richard Sutton 正式进军创业领域，成立了总部位于多伦多的 Oak Lab，旨在重新定义人工智能。该公司试图超越现代生成式模型的局限性，致力于构建能够通过持续、实时学习实现真正发现的自主智能体。
超越生成式模仿
现代强化学习的先驱、曾任 Keen Technologies 研究员的 Richard Sutton 认为，当前人工智能的发展轨迹存在根本性缺陷。尽管业界目前正痴迷于大语言模型 (LLMs)，但 Sutton 指出，这些深度学习方法是“软弱且低效的”。
Sutton 表示，目前的生成式 AI 擅长模仿，但在自我评估方面表现不佳。由于这些模型无法批判性地评估自身输出，它们本质上无法实现真正的发现或科学进步。Oak Lab 的使命是跨越“静态训练”时代（即向模型喂入海量数据集后将其冻结），迈向动态、进化的智能未来。
目标：实时学习与世界模型
Sutton 与 Khurram Javed 合作，将 Oak Lab 定位为追求植根于高级强化学习愿景的企业。Oak Lab 旨在开发能够从环境中持续学习的智能体，而非依赖预先打包的数据。
其技术路线图聚焦于几个关键支柱：
- 内部世界模型： 构建不仅能预测下一个 token，还能理解周围环境底层机制的智能体。
- 自主评估： 开发能够在无需人工干预的情况下，处理自身变体、评估和选择过程的系统。
- 实时规划： 从反应式的模式匹配转向主动的、以目标为导向的规划。
Sutton 为该实验室设定了一个宏大的长期基准：创建一个拥有万亿参数、具备实时学习和规划能力，且功耗仅为 20 瓦的智能体。这一目标解决了现代 AI 最显著的瓶颈之一——大规模计算集群对能源的巨大需求。
为什么这对 AI 格局至关重要
Oak Lab 的成立预示着 AI 行业可能发生的范式转移。虽然目前市场的大部分精力都集中在扩展 Transformer 架构和增加数据集规模上，但 Sutton 正呼吁对驱动该领域的基础理念进行“彻底重构”。
如果 Oak Lab 取得成功，业界可能会摆脱通过扩大数据规模实现的“暴力方法”，转而采用更优雅、更高效、模仿生物智能的架构。通过优先考虑强化学习和环境交互，Sutton 押注通往通用人工智能 (AGI) 的路径在于经验和自主性，而非仅仅是更大规模的模仿。
核心要点
- 全新的哲学方法： Oak Lab 旨在用通过持续环境交互而非静态数据集进行学习的智能体，来取代目前“软弱”的深度学习方法。
- 效率雄心： 该初创公司正致力于实现计算效率的突破，目标是开发一个功耗仅为 20 瓦的万亿参数模型。
- 专注于发现： 与专注于模仿的生成式 AI 不同，Oak Lab 正在构建能够进行自我评估和自主实时规划的智能体。