人工智能的发展史是一部充满探索与变革的历程，其间不乏充满希望的理论创新和突破性的技术进展。然而，在众多研究轨迹中，有一个名为“苦涩教训”的理念，一直在引导着行业反思自身的路径选择。所谓的“苦涩教训”并非单纯否定人类知识的价值，更不是盲目推崇深度学习和算力的万灵药，而是强调随着算力的几何级增长，那些能够有效利用算力规模进步的方法才具备长远竞争力。回顾过去五十年的人工智能研究轨迹，我们能明显看到这一点的体现。 早期的人工智能系统高度依赖专家知识的编码，研究人员花费大量时间设计规则、构建决策树和开发启发式函数，以期临时获得较为精准的性能表现。在上世纪90年代，面对例如自动补全这样的任务，没有足够强大的算力支持，基于规则或统计学的解决方案是最实用的选择。
进入21世纪，N-gram模型成为主流，因为它们在有限的计算能力下能够有效捕捉语言的统计特性。直到最近十年，随着算力的大幅提升和深度学习技术的成熟，自监督学习逐渐成为主流，显示出明显超越之前方法的潜力。 这一过程中，人类专家知识的作用极其重要且不可忽视。它是降低短期门槛、加速研究进程的利器，也是实现阶段性突破的关键手段。然而，“苦涩教训”的痛点恰恰在于，这些集成人类知识的方案在长远看来容易陷入瓶颈，其进步速度最终受限，甚至可能阻碍真正具有突破性的进展。 具体来看，经典的计算机棋类研究就生动地说明了这一点。
象棋领域里，国际象棋程序Deep Blue的胜利主要基于大规模搜索能力，依赖专门设计的评价函数及大量棋谱知识进行权重调整，结合了科技的力量与专家经验的优势。尽管如此，Deep Blue系统若直接迁移到围棋领域，则面临巨大的适应难题，需要重新设计成千上万个围棋特征，耗费大量人力和时间。这代表了对领域知识深度依赖的局限性。 相较之下，AlphaGo Zero的出现是人工智能技术发展的转折点。它通过自我对弈和强化学习，摒弃了大量人为设计的启发式知识，完全依赖计算和学习实现超越传统专家系统的性能。早期的围棋程序如Pachi和CrazyStone，仍然使用蒙特卡洛树搜索结合启发式评价函数，而GnuGo则完全依赖人类知识构建规则树。
尽管这些系统在当时表现尚可，但终究被以规模计算能力为核心的学习方法所淘汰。 “苦涩教训”总结了这样一个事实：人工智能研究者倾向于将人类知识内嵌到他们的智能体中，在短期内确实能获得性能提升，且能带来研究上的满足感。但是长期来看，这种依赖会限制进步的空间。真正的突破往往是基于大量算力驱动的搜索和学习方法出现。尽管这种成功方式往往让致力于传统人类知识的人感到苦涩，却是不可逆转的发展趋势。 这种现象背后还反映了科研、职场和产业生态的复杂性。
一个研究团队或实验室若只看重眼前的性能指标或排名，往往会倾向于利用特定领域的知识和数据集来快速优化结果，赢得短期利益，忽视方法的泛化能力和可持续发展。这种短视行为难以抵挡巨大算力红利所带来的长远优势。正如一位谷歌大脑前研究者所言，科技进步常常是“新一代人才替代旧一代人才”的过程，深层次的变革需要时间去推动人才结构和组织文化的更新。 面对日益增长的算力，研究者应该更多地关注如何设计能够良好利用计算资源的通用模型和算法，而不是在特定任务上的小修小补。像合成数据、测试时动态计算、混合专家模型等方式，都反映了以计算投入为核心的创新策略。比如，硬件制造商不断提升每秒浮点运算次数（FLOPS），为AI算法的发展提供坚实后盾，而研究设计也应顺应这一趋势。
这种理念在当前大规模语言模型训练中表现尤为明显。对特定基准数据集的调教虽能带来瞬间的精度提升，但真正优秀的模型是能跨任务、跨领域适用的“全能选手”。这正是“苦涩教训”试图传达的，通用能力的提升才是AI长远发展的根基。像OpenAI的GPT系列、Google的PaLM等大型模型，都在随着算力提升不断拓展其能力边界，而非依赖狭窄的数据技巧。 纵观人工智能的历史，算力的巨大跃升一直是推动技术跨越式发展的核心动力。过去五十年，全球范围内的计算资源增长了数个数量级，深度学习兴起便是在这一背景下水到渠成。
展望未来，量子计算、异构计算等新兴技术的成熟，将可能再次重塑这一格局，提供更为强大的算力支持。 从策略选择到资源分配，理解并接受“苦涩教训”的内涵，对于研发组织与个人都有极其重要的启示。唯有聚焦能真正借助算力扩展的普适方法，才能在竞争激烈的人工智能领域持续领先。与此同时，保持对基础科学的投入，培养跨学科人才，完善高效算力基础设施，也是实现这一目标的关键保证。 在人机结合、算法创新和算力发展相互促进的科技长河中，“苦涩教训”不仅是一个关于技术选择的理论，更是一种历经时间验证的智慧。它提醒我们，短期优势不等同于长远繁荣，唯有借助持续指数级增长的算力，推动自主学习和搜索方法，人工智能才能展现真正的突破力和自适应能力。
对于研究者而言，放弃一时的舒适和既有成就，选择拥抱更艰难却前景广阔的道路，是通往未来智慧的必由之路。 理解并实践“苦涩教训”，或许正是引领人工智能走向下一个黄金时代的关键所在。
