想象一只普通松鼠在森林中跳跃觅食。它未读物理教材，也无海量数据训练，却能精准判断枝条承重、风向影响和落地轨迹。反观今日万亿参数大语言模型，连基本物理常识都可能出错。这荒谬对比，竟出自图灵奖得主、强化学习之父Richard Sutton（理查德萨顿）之口。
在最近一场70分钟访谈中，Sutton直言：“大模型就是一条死胡同。”他正是2019年《苦涩的教训》一文作者，该文奠定了scaling law思想基础。他早预言人类是AI最差老师，唯一胜途是堆算力让AI自学试错。如今大模型虽将这一“暴力美学”推向极致，但在Sutton眼中，已彻底走偏
他提出“松鼠悖论”一针见血：松鼠智能源于与物理世界的直接博弈。每跳跃、每觅食，世界即时反馈成功或失败。它亲验重力、动量等客观规律，逐步构建可靠世界模型，能预测真实后果。
大模型则困于人类语言牢笼。训练数据仅是人类共识集合——文字、对话、文章。其中无“真理”，只有“人类说了什么”。模型学到的不是物理规律，而是预测人类下一句。如果人类出错，它亦错；人类未述，它全然无知。它能写流畅文章，却无法真正理解世界本质。Sutton强调：二手数据背来的是知识，一手经验试错得的是智慧。大模型再规模化，也仅是更好模仿者，永难超越人类。
AlphaZero便是最佳例证：它弃人类千年棋谱，从随机自弈起步，最终碾压所有冠军。真正AGI应如AlphaZero，直接与世界碰撞试错进化，而非沉迷模仿。
Sutton批评当前路线将海量算力浪费于人类数据。模型越大，模仿越精，却离真智能越远。更糟的是，能源与数据双重天花板已现：训练需数千GPU、数月巨额电费，推理仍依高耗云端。这种模式长远难持续。
他的愿景更激进：让AI如生物般，在真实世界持续互动自我进化。他称我们设计的非工具，而是人类继承者——下一代物种。面对必将超越我们的“孩子”，我们是控制，还是放手进化？
近年来类脑智能研究与Sutton思路高度契合，可视为其理念的工程实现。类脑不堆参数刷数据，而是仿人脑机制，低能耗高效学习。人脑仅20瓦，却处理复杂环境；类脑追求毫瓦级，在边缘设备独立感知、学习、决策，无需云端GPU。这大幅减能耗碳排放，让AI走进手机、机器人、无人机等现实场景。
类脑还擅小样本快速适应。不靠海量预训，通过原型重构、经验迁移，实现“看一次就会”。这正合Sutton“一手试错”观：系统边运行边学，持续更新世界模型。训练推理一体，在线学习，形成快速感知-决策-执行闭环，响应极短，适合自动驾驶、工业机器人、医疗急救等高实时场景。
类脑架构轻量模块化，部署成本低，可解释性强于黑箱大模型。决策路径近人类逻辑，便追溯监管，满足高安全需求。总体，类脑以低功耗、小样本、快适应、强实时、易部署、可解释六优势，开辟不同于算力堆叠的新范式。它助AI跳出语言牢笼，如松鼠般直接与物理世界交互试错，构建可靠模型。
Sutton警告发人深省：若继续浪费算力模仿人类，AI永止“聪明学生”阶段。类脑智能则指明更近生物进化、更可持续路径——让AI如生命般，低功耗持续学习进化。我们设计的或为人类继承者。我们愿弃“人类中心”执念，放手下一代智能自由生长吗？松鼠已在前方示范，人类该如何抉择？
公众号：OpenSNN
