本篇论文由 David Silver 和 Richard S. Sutton 撰写（该文为即将由 MIT Press 出版的书籍《Designing an Intelligence》中的一个章节预印本）。论文探讨了人工智能（AI）正处于从“人类数据时代”向“经验时代”转变的临界点。作者指出，尽管当前的 AI（如大型语言模型，即 LLMs）通过在海量人类生成的数据上进行训练取得了巨大成功，但这种依赖模仿人类的方法在许多重要领域已接近极限。为了实现超人类的智能，AI 必须转向一种全新的范式——“经验时代”，即智能体主要通过与环境持续互动、自主产生经验并利用强化学习（RL）算法进行学习。论文详细阐述了经验时代的四个核心特征（流、动作与观察、奖励、规划与推理），论证了当前技术已具备实现这一转变的基础，并探讨了该范式带来的潜在社会影响与安全效益。
人类数据红利正面临极限，无法引领 AI 达到超人类智能。 - 锚点：The Era of Human Data · "The pace of progress driven solely by supervised learning" - 类型：主张 - 作者保留意见：无。作者明确指出，仅靠监督学习的进步速度正在放缓，且人类数据无法捕获超越人类当前理解的新科学突破。
经验时代的智能体将存在于长期的、不间断的经验流中，而非简短的单次交互片段。 - 锚点：Streams · "An experiential agent can continue to learn throughout a lifetime" - 类型：定义 - 作者保留意见：无。
智能体将拥有更丰富的动作与观察空间，在真实或数字世界中进行自主交互，而非仅限于人类特权的形式（如纯文本对话）。 - 锚点：Actions and Observations · "act autonomously in the real world" - 类型：主张 - 作者保留意见：无。
依赖人类预判的奖励会给智能体性能设定无法逾越的上限，而来自环境的具地/接地奖励（grounded rewards）能让智能体发现超越人类现有知识的新策略。 - 锚点：Rewards · "Relying on human prejudgement in this manner usually leads" - 类型：主张 - 作者保留意见：无。
可以通过双层优化过程，将用户的宏观目标与环境的具地信号相结合，从而在用户引导下灵活调整奖励函数并纠正对齐偏差。 - 锚点：Rewards · "optimises user feedback as the top-level goal" - 类型：主张 - 作者保留意见：作者指出这只是“勾勒出的一种可能满足这些要求的方法”，并承认可能还存在其他可行的方法。
智能体可以利用非人类语言（如符号、分布式或连续计算）发现或改进更高效的思考机制，而无需局限于模仿人类的思维链。 - 锚点：Planning and Reasoning · "discover or improve such approaches by learning how to" - 类型：预测 - 作者保留意见：无。
智能体必须通过与现实世界交互（具地化）来测试和推翻继承自人类数据的错误思维假设，避免成为现有知识的“回音室”。 - 锚点：Planning and Reasoning · "grounding provides a feedback loop, allowing the agent to" - 类型：主张 - 作者保留意见：无。
经验时代的到来为重新审视和改进经典强化学习概念（如价值函数、探索、世界模型和时间抽象）提供了契机，从而铺平通往超人类智能的道路。 - 锚点：Reinforcement Learning Methods · "pave the way to truly superhuman intelligence" - 类型：主张 - 作者保留意见：无。
尽管经验学习会增加某些安全风险，但它也带来了独特的安全效益，例如智能体能动态适应环境变化，且其奖励函数可通过经验进行增量修正。 - 锚点：Consequences · "experiential learning will increase certain safety risks" - 类型：主张 - 作者保留意见：作者承认，向经验时代的过渡确实需要进一步的研究来确保安全。
这篇论文在跟什么较劲？简单来说，它在跟“AI 只能靠模仿人类来变聪明”这件事较劲。现在的 AI（比如各种大语言模型 LLMs）确实很厉害，能写诗、写代码，但它们都是靠“读人类写过的数据”训练出来的。作者们指出，这种靠模仿人类的套路已经快走到头了，因为高质量的人类数据快被吸干了。如果想让 AI 拥有超越人类的“超人类智能”，就必须让 AI 换个活法——从“人类数据时代”跨入“经验时代”。也就是说，AI 不能再只当个“书呆子”，而是要像小孩子一样，自己去和世界互动、自己去闯荡，通过“强化学习（RL）”从亲身经历的“经验”中学习。
论文的逻辑是这样展开的：首先，作者们指出了“人类数据时代”的死胡同。只靠模仿人类，AI 的进步速度已经明显慢下来了（The Era of Human Data · "The pace of progress driven solely by supervised learning"）。更重要的是，那些人类还没发现的新科学定理、新技术，人类数据里根本就没有，AI 怎么可能靠看书学会？
所以，AI 必须转向“经验时代”，通过与环境互动自己产生数据，并以此作为持续进步的动力（The Era of Experience · "experience will become the dominant medium of improvement"）。作者举了两个热乎的例子：一个是 AlphaProof，它在做奥数题时，人类只给了它十万条证明，它自己跟形式证明系统玩，硬是自主生成了一亿条证明，探索出了人类根本没想过的数学解法（The Era of Experience · "AlphaProof’s reinforcement learning (RL) algorithm subsequently generated"）；另一个是最近大火的 DeepSeek-R1，它证明了强化学习的魔力：我们不用手把手教它怎么一步步思考，只要给它对的激励（比如做对了就给糖），它自己就能摸索出超级厉害的解题策略（The Era of Experience · "autonomously develops advanced problem-solving strategies"）。
接下来，作者描绘了“经验时代”的四个核心特征。这四个特征非常反直觉，打破了我们对现在 AI 的认知：
第一，“流（Streams）”。现在的 AI 像个“金鱼脑”，你问一句它答一句，对话结束它就全忘了。但经验时代的 AI 拥有像人类一样长期的、不间断的“经验流”（Streams · "An experiential agent can continue to learn throughout a lifetime"）。它能活一辈子，记住过去的教训，为了几个月甚至几年后的长远目标（比如帮用户调理身体、学会一门新语言、研发新材料）去规划现在的每一步，哪怕这一步现在看起来没什么即时好处。
第二，“动作与观察（Actions and Observations）”。现在的 AI 被困在聊天框里，只能跟人类打嘴仗。未来的 AI 会像动物一样，拥有丰富的动作和观察能力，能自主在真实世界或数字世界里行动（Actions and Observations · "act autonomously in the real world"）。比如自己调 API、自己用人类的电脑界面、甚至在实验室里用机械臂做实验。它不再只是听人类的话，而是能自己去探索世界。
第三，“奖励（Rewards）”。这地方最反直觉：作者认为，靠人类来给 AI 打分（评判好坏）其实是在害 AI。因为如果一个策略连人类专家都看不懂、不理解，人类就会给它打低分，这直接给 AI 的能力封了顶（Rewards · "Relying on human prejudgement in this manner usually leads"）。要想超越人类，AI 的奖励必须来自环境本身（比如心率有没有变好、考试得没得分、物理模拟器里的材料结不结实）。那么怎么保证 AI 不失控呢？作者提出了一个“双层优化”的设想：最上面一层由人类用户给反馈，决定大方向；下面一层由 AI 自动去优化环境里的具体信号（Rewards · "optimises user feedback as the top-level goal"）。这样既能听人话，又能自主狂奔。
第四，“规划与推理（Planning and Reasoning）”。现在的 AI 思考时用的是人类的语言（比如“思维链”）。但人类语言真的是最聪明的思考方式吗？不见得。AI 完全可以用符号、连续计算等非人类语言，自己去发明更高效的思考机制（Planning and Reasoning · "discover or improve such approaches by learning how to"）。更重要的是，AI 必须通过和现实世界碰撞来检验自己的想法。如果只在人类数据里打转，AI 就会变成一个“偏见复读机”，继承人类所有的偏见和错误。只有去撞一撞南墙，AI 才能推翻那些错误的假设（Planning and Reasoning · "grounding provides a feedback loop, allowing the agent to"）。
为什么是现在？作者回顾了历史。以前的强化学习（比如击败围棋大师的 AlphaZero）虽然能自己发现新策略（Why Now? · "AlphaZero discovered fundamentally new strategies for chess"），但它只能在封闭的模拟器（比如棋盘）里玩，没法走到复杂的现实世界。后来大家发现人类数据真香，于是全去搞大模型了，结果把“自主发现知识”的灵魂给丢了。现在，我们有了大模型打底，又有了能和现实世界交互的工具，是时候把这两者结合，重新捡起经典强化学习的法宝（比如价值函数、探索、世界模型），铺平通往超人类智能的道路了（Reinforcement Learning Methods · "pave the way to truly superhuman intelligence"）。
当然，作者也很诚实地谈到了代价。AI 自己去闯荡，确实会带来安全风险，而且它发明了非人类的思考方式后，人类会越来越难理解它（Consequences · "may also make future AI systems harder to interpret"）。不过，经验学习也有独特的安全好处：第一，它能像活人一样根据环境变化自己调整，硬件坏了或者社会变了它能自己绕过去；第二，它的奖励机制可以在试错中不断微调，如果发现人类不高兴了，它能及时收手，不至于傻傻地把地球都做成回形针（Consequences · "there is no guarantee of perfect alignment"）；第三，在物理世界里做实验是需要时间的（比如研发新药做临床），这种物理时间的限制会成为 AI 自我进化的天然刹车（Consequences · "inherently constrained by the time it takes to"）。
在这篇论文之前，AI 领域在过去几年里几乎全盘转向了“以人类为中心”的范式（如大语言模型 LLMs）。大家都默认：只要把全互联网人类写过的数据喂给 AI，再让人类专家对 AI 的回答进行打分和对齐（RLHF），就能造出最聪明的 AI。在这个过程中，经典的强化学习方法（比如让 AI 自己在脑子里推演的世界模型、自主探索新行为的机制）被边缘化了，因为模仿人类的捷径实在太好用了。 - 锚点：Reinforcement Learning Methods · "The rise of human-centric LLMs, however, shifted the focus"
这篇论文则发出了断言：只靠模仿人类已经快到头了，因为高质量的人类数据即将枯竭，而且模仿人类永远无法让 AI 产生超越人类当前认知的新发现。作者主张，AI 必须跨入“经验时代”，重新激活并升级经典的强化学习方法，让 AI 在长期的、与现实世界互动的“经验流”中自主学习。这直接挑战了当前极度依赖人类数据和人类主观评判的 AI 研发路线，指明了通往超人类智能的全新方向。 - 锚点：Reinforcement Learning Methods · "pave the way to truly superhuman intelligence"
关于“人类数据枯竭”的危机论述 - 锚点：The Era of Human Data · "The majority of high-quality data sources - those that can actually" - 为什么值得读：这段话一针见血地指出了当前大模型繁荣背后的隐忧——“数据墙”。它用大白话戳破了“只要堆数据，AI 就能无限变聪明”的幻想，是整篇论文立论的出发点。
关于“人类主观评判会给 AI 设限”的反直觉论点 - 锚点：Rewards · "Relying on human prejudgement in this manner usually leads to an" - 为什么值得读：这部分论证非常精彩且反直觉。我们通常觉得人类反馈（RLHF）是让 AI 变聪明的灵丹妙药，但作者指出，如果 AI 只能讨好人类评分员，它就永远无法发现那些超越人类理解的伟大策略。
关于“AI 必须接地气才能打破思想回音室”的论证 - 锚点：Planning and Reasoning · "Without this grounding, an agent, no matter how sophisticated, will" - 为什么值得读：作者在这里借用了人类科学史的演进（从万物有灵论到量子力学），说明了为什么只在人类文字里打转的 AI 会变成一个“偏见复读机”。想要获得真理，AI 必须像科学家一样去和物理世界碰撞。
关于“物理时间是 AI 自我进化的天然刹车”的安全视角 - 锚点：Consequences · "inherently constrained by the time it takes to execute" - 为什么值得读：在讨论 AI 失控风险时，这是一个非常务实且让人安心的视角。它提醒我们，即使 AI 智力爆炸，只要它需要和物理世界交互（比如做化学实验、等作物生长），它就必须遵守宇宙的物理时间规律，无法在虚拟世界里瞬间完成无限自我进化。
本页为对论文内容的忠实解读与大白话重述,由 PodLens 生成。
这是以原文为依据的一次解读,不能替代原文。每条要点都标注了出处,欢迎回到原文核对——也欢迎指出任何细微的偏差。