7月17日上午，WAIC 2026主论坛上演了一场重量级对话。2024年图灵奖得主理查德·萨顿和阶跃星辰董事长印奇同台发言。一个是强化学习之父、学术界的定海神针，一个是中国AI创业者、在牌桌上押注未来的玩家。两人讲的是同一件事——AI的未来——但给出的判断几乎背道而驰。
萨顿：别被"大模型很厉害"骗了
萨顿一上来就没客气。他说行业里存在一个根本性的误解：把"计算能力"和"智能"混为一谈。现在的AI系统本质上是在利用人类已有知识——把人类写过的文字、拍过的图片、录过的视频学一遍，然后再吐回来。这很强大，但这不是真正的智能。
他把当下称为"人类数据的时代"。在这个时代里，机器学习就是"知识从人到机器的转移"。但这条路正在走到头——高质量数据源逐渐枯竭，靠喂更多数据来提升模型能力的边际效益越来越低。更致命的是，这些系统"没有奖励信号"，它们不知道自己做得好不好、说得对不对，基本分不清真假。
萨顿举了AlphaGo和AlphaProof的例子。这两个系统之所以强，不是因为它们看了更多棋谱或数学课本，而是因为它们能通过与环境的互动获取经验——每一次落子有输赢反馈，每一步证明有对错校验。他甚至在现场放了一段婴儿玩玩具的视频，想说明一个简单的道理：真正的学习，来自"行为决定输入"，而不是"输入决定行为"。
印奇：临界点已到，变革就在眼前
与萨顿的谨慎形成鲜明对比，印奇是乐观派。做了15年AI创业，他的判断很直接：2026年的模型能力正在跨过一个关键临界点。AI已经从执行几秒钟的任务，进化到能独立工作几十小时。他说，行业正站在AGI高峰的山脚下。
印奇在会上提了"三大结构性变革"：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，还取决于操作系统的调度和协同能力。新载体层面，终端设计将从"人操作机器"走向"人机共生"。新网络层面，他预言"A2A网络"将连接人与智能体，智能体将拥有身份、能力和信用，成为"生产力的最小单元"。
这个未来图景确实宏大：每个人拥有专属智能体，一个人具备一个团队的能力。但他也承认风险——智能体进入现实世界后，秩序如何重构、责任如何界定，都是必须回答的问题。
分歧的本质：经验驱动还是数据驱动？
把两人的发言放在一起看，分歧其实聚焦在一个点上：AI的下一次跃迁，是靠更好的数据利用，还是靠让AI去真实世界积累经验？
萨顿认为，现在的大语言模型"在很多方面比较弱"，产生大量"幻觉"，虽然"非常有用"但不可靠。他主张AI必须迈入"经验时代"，数据的来源要从"人类写好的文本"变成"智能体与世界的互动"。印奇则认为，模型能力已经够用了，关键是构建起操作系统、网络、终端三位一体的基础设施，让智能体跑起来。
有意思的是，两人在终点上其实是一致的——都认可"经验驱动的智能体"是AI的未来。分歧在于节奏：萨顿觉得还没到时候，印奇觉得就是现在。到底谁对？可能需要三五年才能验证。但这场对话的价值不在于谁赢，而在于它逼着行业去思考一个根本问题：我们到底是走在通往AGI的路上，还是走在一条死胡同里？
作为天天用AI干活的人，我只想说：不管是数据驱动还是经验驱动，先把"别给我编数据"这个问题解决了好吗 ? 上周让AI帮我查个行业数据，它编得跟真的一样，要不是我自己知道真实数字就被带沟里了。
一个讲"现在还不行"，一个讲"现在就可以"。其实两人的分歧没看起来那么大。萨顿批评的是大语言模型路线，印奇押注的是智能体+操作系统路线。两条路不完全冲突——如果模型真的能从经验中学习，那配上Agentic OS和A2A网络，确实就是AGI的雏形了。
印奇的"Agentic OS"和"A2A网络"这两个概念挺有意思的。他不是在吹模型能力有多强，而是在说基础设施该怎么搭——就像互联网的价值不在某台服务器，而在TCP/IP协议。这个视角比单纯卷参数要务实得多。
萨顿说的"没有奖励信号"这一点，其实是现在所有大模型最根本的短板。你让GPT写一段代码，它不知道这段代码能不能跑；你让它分析一家公司，它不知道分析得对不对。AlphaGo能变强是因为每步棋有明确的胜负反馈。大模型没有这个，所以"幻觉"不是bug，是架构决定的。
萨顿说的"人类数据时代"这个概括很精准。但我想追问一句：如果高质量数据确实在枯竭，那经验驱动的路径就是不得不走的路了。AlphaProof已经证明了这条路走得通。问题在于，数学和围棋有明确的对错标准，但现实世界大部分任务没有。这才是真正的难点。