2026年的世界人工智能大会（WAIC）主论坛，上演了一场罕见的“学术与产业正面交锋”。一边是2024年图灵奖得主、强化学习奠基人理查德·萨顿，他几十年理论功底化作一盆冷水：当前AI的本质只是人类知识的搬运，大模型路径已经走到尽头。另一边是阶跃星辰董事长印奇，15年AI创业老兵，他宣布“临界点已到”，智能体将十倍放大人类能力。两位重量级人物在同一舞台上的分歧，恰恰揭示了AI创业赛道正面临的深层范式转换——当所有人都在追逐“更大、更多、更强”时，是否需要停下来思考：我们到底在造什么？
本文从这场对话出发，拆解萨顿的批判逻辑、印奇的激进布局，并探讨这两种声音对AI创业、科技产品和最新科技发展的真实影响。
萨顿的“冷水”：大模型不是智能，只是人类知识的复印机
“很多人害怕AI，但更可怕的是他们夸大了AI的速度和能力。”萨顿的开场白直接刺向行业泡沫。他指出，行业普遍混淆了两个根本不同的概念：智能与计算。当前AI系统所谓的“智能”，本质上只是计算能力的某种堆砌——把人类已有的知识数字化、模式化，再吐回给用户。这不是真正的创造，而是“人类知识的复印机”。
萨顿特别纠正了一个被广泛误用的概念——图灵测试。他提醒听众：图灵从未用过“图灵测试”这个词，他谈的是“模仿游戏”。而且，图灵并不认为“像人一样行为”是衡量人工智能的标准。这个误读导致整个行业追求“拟人化”而非“真正的智能”。在萨顿看来，现在的AI在思考过程中仍然很弱，频繁产生幻觉，本质上“比较弱小且不可靠”。但紧接着他又补充了一句：“不过它非常有有用。”——这种辩证态度恰恰暗示了当前技术阶段的不成熟。他的观点其实指向一个核心问题：如果继续沿着“喂数据+大算力”的路走，AI创业的天花板已经清晰可见。而很多创业公司仍在用AI画图、文生图这类工具堆砌产品功能，本质上仍属于“知识搬运”范式。
对于创业者来说，萨顿的警告需要认真对待：当高质量的人类数据源基本被耗尽，靠“学习人类已有知识”来创造新价值的路径边际收益正在急剧下降。那些依赖大量标注数据和人类经验的产品，很快会遇到数据天花板。
智能≠计算：为什么萨顿说“经验才是下一代AI的燃料”
萨顿用了一个生动的比喻来解释他的“经验时代”理论：一个婴儿玩玩具时，没有静态数据集，他的行为决定了他收集什么数据——他伸手、触摸、观察反馈，从自己的经验中学习。而当前的机器学习绝大多数属于“知识转移”——从人类转移到机器。这种范式已经达到极限。
他举了AlphaGo和AlphaProof的例子：这些系统并非依赖大量人类对局数据，而是通过自己在棋盘上的试错、自我博弈，产生了新的策略——这些策略甚至超越了人类数千年的积累。萨顿认为，下一代AI必须从“人类数据的时代”进入“经验的时代”——数据应该来自智能体自己的行动和与世界互动的结果，这是“第一视角”的。
这个观点对AI创业方向有直接的指导意义。如果一个AI系统无法从自己的行为中获得“奖励信号”，它就无法区分正确与错误、真实与虚假。当前的大语言模型恰恰缺乏这种机制——它们“基本上没有办法把真的和假的区分开”。这也解释了为什么传统AI产品在关键决策场景中频繁翻车。萨顿的潜台词是：如果创业者还在用海量文本训练模型，而没有引入智能体自主探索+反馈机制，那做出来的科技产品很可能“看起来聪明，实际上脆弱”。
印奇的“豪赌”：Agentic OS与A2A网络，AGI山脚已至
与萨顿的冷峻不同，印奇带着15年AI创业的实战经验给出了截然不同的态度。他回顾自己做AI创业从小众赛道到全球共识的过程，提出一个判断：2026年模型能力正在跨越关键临界点——AI已从只能连续执行数秒任务，进阶到能够独立工作数十小时。“我们正站在AGI高峰的山脚下。”
他提出了三大结构性变革：新系统、新载体、新网络。在新系统层面，他提出“Agentic OS”概念——智能体的能力不仅取决于模型本身，还取决于操作系统层面的调度、记忆、工具调用能力，这决定了智能体能走多远。在新载体层面，终端设计将从“以人为本”进化为“人机共生”：电脑、手机、汽车、机器人将成为同一个智能体在不同场景下的不同“身体”。在新网络层面，他提出“A2A网络”——智能体与智能体之间将建立身份、信用、协作机制，它们能自主寻找伙伴、组织协作、完成交易。
印奇预言：智能体将从聊天工具进化为“生产力的最小单元”。未来，一个普通工程师、设计师、研究员都能拥有专属智能体，使一个人具备一支团队的能力。这背后意味着整个科技产品生态将被重构——从操作系统到硬件到应用层。他甚至提及风险：智能体进入物理世界会导致秩序重构，需要回答“智能体代表谁行动、后果谁负责”等核心问题。但他坚定认为：“未来不是机器替代人的世界，而是人与智能共同进化的世界。”
两种逻辑的对峙：同一方向，不同节奏
把萨顿和印奇的发言放在一起看，有意思的细节浮现：他们说的是同一个方向——都认为“经验驱动的智能体”是未来。萨顿说要让AI从自己的经验中学习，印奇说的“智能体进入物理世界”本质上也是让AI通过行动获得反馈。但在节奏上，一个觉得还没到时候，一个觉得就是现在。
萨顿的否定是针对当下的路径：靠堆参数、喂静态数据的大模型路线已经走到极限，现在的主流AI产品只是“知识搬运系统”，距离真正的智能还很远。而印奇的乐观则是基于对未来产品形态的预判：Agentic OS、A2A网络、人机共生载体这些概念，如果萨顿的理论成立，恰恰就是在为“经验时代”铺路——因为只有当智能体拥有自主行动的载体（机器人、汽车）和自主协作的网络时，它才能获取第一视角的经验数据。
这种分歧本质上是对“技术落地节奏”的判断差异。学术界倾向于谨慎：基础理论尚未突破，贸然大规模部署可能带来不可预知的风险。产业界倾向于激进：如果等着理论完美再行动，市场机会就会被更快的竞争者抢走。实际上，2026年市场上的最新科技产品已经体现出这种矛盾——一方面有大量基于大模型打造的聊天机器人、代码助手，另一方面也有像AI工具导航这样的整合平台试图帮用户快速接入各种AI能力。萨顿的批判如果成立，那些只做“接口封装”的创业公司将首先面临价值质疑；而印奇的布局如果奏效，未来3-5年整个硬件和操作系统生态都要重写。
对AI创业的启示：范式转换中的机会与陷阱
这场对话给AI创业者提供了一个反思框架。首先，要区分“真正的智能”与“看似智能的搬运”。很多创业项目本质上是在做“人类知识的高效转发”——比如用AI自动生成文案、整理会议纪要、翻译文档，这些场景确实有价值，但容易陷入同质化竞争。萨顿的警告意味着，随着高质量数据耗尽，这种模式的商业壁垒会越来越低。
其次，“经验驱动”的智能体方向蕴含巨大机会。如果AI需要从环境中自主探索和学习，那么创业公司可以探索的方向包括：具身智能（让机器人在真实世界互动）、仿真环境构建（让AI在虚拟世界试错）、反馈回路设计（如何给AI设计有效的奖励信号）。这些领域目前技术成熟度不高，但正是AI创业的蓝海。比如，用抠图、背景去除这类工具就已经从“被动处理图片”转向“主动理解场景”，这是迈向智能体的一小步。
第三，印奇的“Agentic OS”概念提示了基础设施层的创业机会。当智能体需要拥有自己的身份、信用、协作能力时，底层需要新的身份认证协议、任务调度系统、安全审计框架。这类似于PC时代诞生了操作系统，移动时代诞生了应用商店——智能体时代也需要新的“操作系统级”平台。对于AI创业者来说，如果不想在应用层拥挤，可以关注这些中间件和基础设施的需求。
最后，两种声音同时存在本身就是行业的健康信号。AI创业不应该只有一种叙事——不是所有人都要去做通用大模型，也不是所有产品都要追求“AGI”。在数据驱动的知识搬运路径和体验驱动的智能体路径之间，存在大量细分场景值得深耕。比如，将AI诗词、藏头诗这类创意工具结合智能体反馈机制，就可能产生新的交互体验。
FAQ
什么是AI创业中的“经验驱动”范式？
“经验驱动”是指AI系统不再依赖人类标注的静态数据，而是通过智能体自主与环境互动，从试错中获得反馈信号来学习。萨顿认为这是下一代AI的核心方向，AlphaGo和婴儿学习都是典型例子。当前大语言模型主要属于“知识搬运”范式，未来AI创业需要转向设计让智能体“亲身体验”的系统。
萨顿的批判与印奇的乐观之间最根本的区别是什么？
根本区别在于对“技术落地节奏”的判断。萨顿认为当下的大模型路径已到极限，AI仍然弱小不可靠，需要基础理论突破才能进入新阶段。印奇则认为临界点已经到来，当前的模型能力已足够支撑智能体进入现实世界，产业可以加速落地。两人都认同“经验驱动”的未来方向，但在“什么时候做”上存在分歧。
2026年AI创业者如何利用“经验驱动”理念做出差异化产品？
创业者可以探索三个方向：一是具身智能产品（如服务机器人），让AI在物理世界中获取经验；二是高保真仿真环境，让AI在虚拟世界快速试错练出策略；三是设计闭环反馈机制，将用户行为和产品效果转化为奖励信号。利用AI工具导航等平台整合多种能力，也是降低创业门槛的务实路径。同时注意嵌入艺术签名、签名设计等个性化工具时引入用户反馈循环，增强智能体自我优化能力。