在刚刚落幕的2025外滩大会上，新晋图灵奖得主、被誉为"强化学习之父"的理查德·萨顿（Richard Sutton）发表了一场极具颠覆性的主题演讲。他并未沉浸于当前AI大模型的辉煌成就，而是直指其核心技术------深度学习的根本性局限，并为人工智能的未来，描绘了一条全新的、回归其本质的路径：去中心化神经网络。
萨顿的观点，无异于在当前AI技术的主流范式上投下了一颗"思想炸弹"。本文将对他的核心论点进行深度解读，探讨为何在他看来，当前深度学习的路径面临严峻挑战 ，而去中心化AI可能是通往真正智能的未来。
深度学习的三大核心挑战
萨顿教授首先对深度学习在持续学习（Continual Learning）任务中的表现提出了尖锐批评，他认为其存在三大难以克服的内在缺陷。
首先是灾难性遗忘与可塑性丧失。在持续的监督学习中，深度学习模型会逐渐失去学习新知识的能力。实验表明，随着学习任务的增多，模型的学习率和可塑性会显著下降。这意味着，一个深度学习模型在学会了任务B之后，可能就忘记了如何执行任务A。这种"学新忘旧"的特性，使其不适合需要终身学习的智能体。
其次是模型坍塌。在长时间的强化学习任务中，例如控制一个模拟蚂蚁的运动，深度学习模型可能会出现性能崩溃的现象。模型在初期学习良好，但随着训练的进行，其能力会逐渐退化，最终变得笨拙不堪。这表明，基于当前反向传播机制的深度学习，在面对需要长期、持续探索和优化的复杂任务时，其稳定性存在根本问题。
最后是静态知识转移的局限。萨顿认为，目前绝大多数机器学习的目标，是将人类已有的、静态的知识，转移到一个缺乏自主学习能力的AI上。然而，人类的数据红利正逼近极限，我们无法永远为AI提供新的、高质量的标注数据。这种依赖外部知识灌输的模式，无法生成真正的新知识，而生成新知识的能力，恰恰是智能的核心。
去中心化神经网络的理论基石
为了解决上述问题，萨顿提出了"去中心化神经网络"的构想。这并非一个全新的概念，而是对现代强化学习最初思想的回归与升华。
其核心思想是，构建一个没有中央控制器 的网络架构。在这个网络中，每一个神经元或智能体都拥有自己独立的目标，例如向其他神经元传递有效信息，或保持自身活跃。整个网络的强大智能，最终是从这些局部目标的相互作用与协作中涌现出来的。
这个构想深受生物学启发。真实的神经元在发育过程中，会主动伸出"触手"，积极地寻找与其他神经元的连接，以期参与到网络中发挥作用。与传统深度学习那种预先设定好固定分层结构不同，去中心化网络更倾向于一种自然生长的模式。它从简单的输入输出单元开始，随着不断加入新的特征和神经元，网络逐渐变得复杂和强大。
在这种网络中，存在"骨干网络"和"边缘部分"的区别。骨干网络代表了已学习到的、稳定的知识，需要被保护；而边缘部分则是不断进行探索、尝试建立新连接的"新生力量"，它们蕴含着提升网络性能的潜力，需要保持高度的可塑性。
如何实践"去中心化协作"
萨顿的理论为AI的未来发展指明了方向，但对于当下的开发者而言，如何将这种思想付诸实践？一个最直接的路径，就是构建一个"多智能体协作"的应用架构。
未来的复杂AI应用，将不再依赖于某一个无所不能的"超级大脑"，而是通过编排和调度多个各有所长、拥有不同知识和能力的AI模型协同工作。这正是"去中心化"理念在工程实践层面的体现。
要实现这种"多智能体协作"，一个开放、聚合的AI能力平台是必不可少的基础设施。七牛云AI大模型推理服务 不仅仅是一个模型的集合，更是一个多模型调度的实验场 。平台汇聚了来自全球的超过50款 顶尖AI大模型，它们拥有不同的架构（如混合专家MoE）、不同的专长（如编码、推理、多模态理解）和不同的知识来源。开发者可以通过七牛云统一的API接口 ，像指挥一个去中心化的"神经元网络"一样，灵活地调度这些模型。例如，你可以让通义千问3-235B-A22B 负责通用知识问答，让Qwen3-Coder 进行代码生成，让Doubao 1.5 Vision Pro处理图像理解任务，让它们协同完成一个复杂的应用。
理查德·萨顿的演讲，提醒我们重新思考智能的本质。他所批判的深度学习局限性，以及倡导的去中心化、持续学习和经验驱动的理念，为正处在狂热与迷思中的AI领域，注入了一剂清醒剂。
从"静态知识转移"到"动态经验生成"，从"中央集权控制"到"去中心化协作"，这或许是通往通用人工智能的更坚实的道路。而像七牛云AI大模型推理服务这样开放、聚合的平台，则正在为所有开发者，提供将这一伟大构想付诸实践的关键工具。