2025 年 10 月 24 日，人工智能初创公司 Thinking Machines Lab 的强化学习研究员拉斐尔・拉法伊洛夫（Rafael Rafailov）在旧金山 TED AI 大会上发表颠覆性观点，直指当前 AI 行业依赖 “扩大模型规模、数据量与算力” 的主流路径存在根本性缺陷，提出 “首个人工超级智能（ASI）将是具备超强学习能力的‘超级学习者’，而非单纯依靠规模堆砌的推理机器”。这一观点不仅挑战了 OpenAI、Anthropic、谷歌 DeepMind 等头部企业的技术战略，也揭示了这家由 OpenAI 前首席技术官米拉・穆拉蒂（Mira Murati）于 2025 年 2 月创立、估值达 120 亿美元（种子轮融资 20 亿美元）的神秘初创公司的核心研发方向。
拉法伊洛夫指出，当前顶尖 AI 系统（如代码助手、研究助手）的核心痛点在于 “无法从经验中学习”—— 即便能完成复杂任务（如理解代码、实现功能），也无法内化知识，次日面对相似任务时仍需重复相同流程，如同 “每天都是第一天上班”。以 AI 编码助手为例，其常通过 “try/except 代码块” 规避潜在错误，这种类似 “用胶带修补漏洞” 的做法，本质是为快速完成当前任务而回避问题根源，反映出当前训练体系 “仅优化即时任务完成率，忽视长期学习与知识积累” 的局限。拉法伊洛夫强调，“学习是智能体主动获取知识的过程，而训练只是外部施加的输入，两者的区别正是当前 AI 与真正智能的鸿沟”。
在他看来，行业普遍认为 “持续扩大规模就能实现通用人工智能（AGI）” 的认知存在严重偏差。尽管扩大模型参数、增加算力能提升 AI 的特定任务能力（如代码生成、网页浏览），未来 1-2 年这类能力还将进一步增强，但 “通用智能体”（能自主交互、执行多步骤任务）不等于 “通用智能”（具备自主学习、自我改进能力）。拉法伊洛夫明确表示：“无论当前范式下如何扩大规模、增加环境训练或强化学习（RL）迭代，都无法实现 AGI 或 ASI，因为这些模型始终缺乏‘主动学习’这一核心能力。”
为突破这一困境，拉法伊洛夫提出 “教科书式元学习” 方案，核心是让 AI 像人类学生一样通过系统性学习积累知识，而非孤立解决单个问题。具体而言，不再让模型针对孤立的难题（如一道复杂数学题）进行训练并在任务结束后丢弃所学，而是提供类似 “研究生级专业教科书” 的结构化学习材料，让 AI 按章节顺序学习、完成习题、逐步进阶，例如先掌握基础数学概念，再攻克复杂定理，过程中不仅奖励任务完成度，更奖励 “知识吸收效率” 与 “学习进步速度”。这种 “学习如何学习” 的元学习思路，在 DeepMind 的 AlphaGo 等游戏 AI 中已有小规模验证（通过自我对弈快速掌握策略），拉法伊洛夫认为需将其适配到基础模型规模，让 AI 学会 “自主构建知识体系”。
他进一步指出，实现这一目标无需彻底重构模型架构，现有核心技术框架已具备基础，关键在于 “重构训练数据与目标函数”：一方面需提供结构化、体系化的学习数据（如学科教科书、科研文献），而非零散的任务样本；另一方面需将训练目标从 “完成单个任务” 转向 “提升长期学习能力”，例如奖励 AI 发现通用规律、构建抽象概念（如数学家发展拓扑学以拓展几何体系，而非仅解决特定几何问题）。拉法伊洛夫坚信，“学习本身是一种可被学习的算法，若 AI 能掌握通用学习算法，就能在不同领域高效获取知识，这才是通往 ASI 的关键”。
这种思路下，首个人工超级智能的形态将与科幻作品中 “全能推理机器” 的想象截然不同。拉法伊洛夫描绘的 ASI 是 “超级学习者”—— 具备自主提出理论、设计实验、验证假设、迭代知识的能力，能通过与环境交互（如使用计算机、开展科研、操控机器人）持续自我改进，而非仅擅长解决特定领域难题。他举例说明：“这种智能体不会一开始就精通所有领域，但能快速学习并掌握新技能，如同一个能自主攻读任意学科的顶尖学者，最终凭借学习效率超越人类。”
值得关注的是，拉法伊洛夫的观点发布之际，Thinking Machines Lab 正面临人才挑战。2025 年 10 月初，公司联合创始人、机器学习专家安德鲁・塔洛克（Andrew Tulloch）因 Meta 的高薪挖角（据传薪酬方案最高达 15 亿美元 / 多年）离职，Meta 同时还接触了公司十余名员工，反映出行业对 “非规模化 AI 研发方向” 核心人才的争夺。尽管如此，Thinking Machines Lab 仍在推进相关落地 ——10 月推出首款产品 Tinker（一款用于微调开源语言模型的 API），而拉法伊洛夫的演讲暗示，该产品仅是公司 “元学习与自我改进 AI” 长期研发计划的基础。
拉法伊洛夫承认，实现 “超级学习者” 面临记忆机制、工程优化、数据构建等多重技术突破，且需要大量算力支持，但他强调 “这在理论上完全可行”。与行业高管常对 AGI 落地时间给出明确预测不同，他未提及具体时间表，仅强调 “需行业放弃对‘规模万能论’的依赖，转向对‘主动学习’的深耕”。这种谨慎态度既体现了科学严谨性，也暗示 Thinking Machines Lab 正走一条比 “规模化” 更漫长、更具挑战性的技术路径。
总体而言，拉法伊洛夫的观点不仅是对 OpenAI 等企业规模化战略的公开挑战，更为 AI 行业提供了 “从‘工具型智能’向‘自主型智能’转型” 的新方向。其核心价值在于指出：AI 的终极突破不在于 “能做更多事”，而在于 “能更快学会做新事”，这一认知或将重新定义未来 AI 研发的优先级，推动行业从 “规模竞赛” 转向 “学习能力竞赛”。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/thinking-machines-tiao-zhan-openai-de-ai-gui-mo-hua-ce-lyue
