2025 年以来，理查德·萨顿关于 AI 的公开表态变得更尖锐。一个核心判断反复出现：今天的大语言模型很强，但它们主要是在学习人类已经留下的数据；下一阶段真正重要的智能，不是继续模仿人类文本，而是让系统从自身与环境的交互中积累经验。

这个判断对 AI for Science 尤其刺耳。过去两年，科学界几乎形成了一种默认路线：让大模型读论文、写代码、生成假设、设计分子、总结实验记录，然后期待它自动长出科学发现能力。这条路线当然有价值。它正在改变科研工作流，也确实能把文献检索、知识整理、代码生成和假设筛选的效率提高一大截。但萨顿要提醒的是，效率工具和发现机器不是一回事。

2025 年 4 月，David Silver 和 Richard Sutton 发表《Welcome to the Era of Experience》，直接把当前 AI 阶段称为“人类数据时代”。这篇文章承认 LLM 已经获得很强的通用能力，但也指出，依靠人类生成数据的路线正在接近边界。原因很简单：真正有价值的新定理、新技术、新科学突破，本来就位于人类现有理解之外，因此不可能完整存在于既有文本数据里。要继续突破，AI 必须拥有新的数据来源，也就是通过自己与环境交互产生经验。

这句话是理解萨顿近期观点的钥匙。文本是知识的沉积物，不是知识生成本身。论文、教材、专利、代码、实验报告，都是人类已经观察、筛选、解释之后留下来的痕迹。LLM 可以在这些痕迹中学习语言结构、概念关系和推理范式，但它并没有直接面对世界。它预测的是人在某种语境下会说什么，而不是某个行动在真实环境中会造成什么后果。

萨顿在 2025 年 6 月新加坡国立大学演讲中用了一个很朴素的对比：婴儿会通过爬行、触摸、摆弄玩具获得新知识，而 LLM 主要依赖人类生成的文本和图像训练。他把“经验”定义为与世界互动时得到的数据，并认为真正智能的系统需要这种非静态、可持续生成的数据来源。

这也是他重新解释《苦涩的教训》的地方。很多人把那篇 2019 年短文理解为“大算力、大数据、大模型最终胜出”，于是把它当作继续扩大 LLM 的理论背书。但萨顿的原意更偏向另一层：长期看，依赖通用计算和学习的方法会胜过把人类知识手工塞进系统的方法。问题在于，如果训练数据仍主要是人类文本，那么模型规模再大，也只是把人类知识装得更满，而不是摆脱人类知识的上限。

在 2025 年 9 月 Dwarkesh Patel 对萨顿的访谈中，这一点讲得更直白。萨顿认为，LLM 是在模仿人类，而强化学习关心的是理解世界、决定行动、观察后果。他区分了“预测人会说什么”和“预测世界会发生什么”。前者是语言模型擅长的事，后者才是科学智能真正需要的能力。

这不是否定 LLM，而是给它重新定位。LLM 可以成为科研系统里非常重要的接口层。它能读文献、写程序、翻译方程、组织知识、生成实验方案草稿，也能把分散在论文、数据库和工程手册里的信息接起来。但它不能单独承担科学发现的核心闭环。科学发现最终要接受现实反馈。一个分子能不能合成，一个催化剂有没有活性，一个气化炉工况是否稳定，一个流程方案是否满足能量守恒和经济边界，都不是靠文本流畅度决定的。

这正是“经验时代”对 AI4S 的启发。下一代科学 AI 不应该只是一个会聊天的模型，而应该是一个能行动的系统。它要能提出假设，调用仿真器，设计实验，观察结果，修正模型，再选择下一步行动。它的学习不应只发生在预训练阶段，而应持续发生在科研过程中。它不是一次性读完数据库，而是在长期实验流、仿真流、工业数据流中不断更新自己。

2026 年 5 月，Sutton 与 Banafsheh Rafiee 的新论文《Toward Enactive Artificial Intelligence》进一步强化了这个方向。文章强调，感知不是被动接收输入，而是通过行动与环境发生关系；智能也不只是内部信息处理，而是经验、行动、自治和具身性的结合。作者认为，主流 AI 尤其是 LLM 长期忽视了这种动态、互动、具身的认知结构，而强化学习至少在形式上更接近这一点，因为它从一开始就把智能放在“智能体—环境—反馈”的关系中。

把这个思路放到 AI for Science 中，问题就变得很清楚。科学 AI 的重点不该是让模型“读更多论文后给出更像专家的回答”，而是把模型放进一个可验证、可反馈、可迭代的科学环境中。这个环境可以是真实实验室，也可以是高可信仿真器，还可以是两者耦合的自动化闭环平台。关键是，AI 的每一次行动都要面对反馈，每一个假设都要接受检验。

对化工和能源工程来说，这个判断尤其重要。我们不应指望 LLM 凭空发明新的气化炉、新催化剂或新流程。它没有被炉温、灰渣、传热、相平衡、反应速率和工业噪声长期训练过。它可以描述这些问题，却不等于拥有这些问题的工程经验。真正有价值的系统，应该把 LLM、物理模型、流程模拟器、优化算法、强化学习智能体和实验数据流接在一起。

比如气化炉建模，LLM 可以负责整理文献中的反应速率式、热力学边界、灰熔融经验关系和设备结构描述；但模型能不能用，要靠元素守恒、能量守恒、出口气组成、温度分布和工业数据来检验。进一步说，如果把气化炉仿真器做成一个可交互环境，智能体就可以在氧煤比、蒸汽煤比、停留时间、温度窗口、渣层状态之间反复试错，寻找更稳、更经济的操作策略。这个过程产生的不是文本，而是经验。

这可能才是 AI4S 真正的路线转折：LLM 解决的是科学知识的表达和组织问题，经验智能体解决的是科学行动的选择和反馈问题。前者让科研人员读得更快、写得更快、算得更快；后者才可能让机器在物理约束中探索人类还没有系统走过的路径。

萨顿近期观点的价值，不在于简单宣布“LLM 是死胡同”。这种说法太粗。更准确地说，只有文本输入、没有环境反馈、不能持续学习、缺少行动目标的 AI，很难成为真正的科学发现主体。它可以是很强的助手，但不是完整的科学家。

AI for Science 的下一步，不是继续把所有论文塞进更大的模型里，而是让 AI 走出文本，进入实验、仿真和工业现场构成的经验闭环。科学不是被说出来的，科学是被试出来的。AI 只有开始经历科学，才可能真正参与发现科学。