AI耗尽网络资源？诺奖得主辛顿警示：全球低估了AI，模型自产数据，超级智能即将腾飞

互联网资源正被迅速吞噬。

电力消耗失控飙升。 优质语料接近枯竭。 模型每提升一点智能，都可能需要成倍的数据、算力和能源投入

按照这个趋势，AI热潮似乎已接近尾声

但在柏林GITEX AI Europe大会上，77岁的杰弗里·辛顿却抛出了一个截然不同的观点：

辛顿指出，近年来的AI其实被严重轻视了

更令人震惊的还在后头。

当人类提供的训练数据即将用尽，AI可能不再依赖人类“喂养”，它会主动出题、推理、验证，并将自己的思考过程转化为下一轮训练燃料

互联网枯竭之后，AI或许还能持续进化。

相反，那可能才是另一轮能力爆发的起点

辛顿亲身经历过早先的AI热潮。

他见证了上世纪80年代的人工智能泡沫：承诺泛滥、资金涌入，随后技术无法落地，投资退潮，行业陷入长期寒冬

因此，当这位“AI教父”承认“当时确有泡沫”，却断言今天的AI反而被低估了，这句话才格外引人注目

这个判断出自辛顿，分量远非创业公司路演口号可比

辛顿是误差反传、玻尔兹曼机和深度学习复兴的关键人物，2024年与约翰·霍普菲尔德共获诺贝尔物理学奖。他离开谷歌后频繁警示AI风险，绝非只谈增长、忽略代价的乐观派

他甚至当面列出了当今的三大障碍：

这听起来几乎是一份AI看跌报告

但辛顿话锋一转：这些障碍，主要困扰那些无法产生新训练信号的系统

▲ Karl Mehta发布的访谈摘要卡片，将“被低估”、数据极限与自我生成训练数据联系起来。相关英文语句来自摘要转写，评论性总结并非全为辛顿原话。

过去的大模型，就像一个胃口不断膨胀的学生

网页、书籍、代码、论文、对话，人类数百年积累的文字，被压缩送入训练集。模型通过预测下一个词，逐步掌握语言、知识与模式

问题是：我们只有一个互联网。

重复消化旧材料，并不会无限产出新知识；继续扩大模型，更像深海开采，每多挖一桶，成本都会激增

辛顿构想的出路，是让模型通过推理产生有学习价值的新路径，避开更多类似网页的“AI噪声”：

自己提出问题，尝试解决，检查答案，保留有效路径，再用这些路径训练下一版自己。

在数学中，答案可以验证；在代码中，程序可以运行；在游戏中，胜负就是标签。只要存在可靠的“裁判”，AI就能将一次推理变成一道新题、一个新答案和一条新训练样本

于是，训练循环出现了：

生成任务 → 展开推理 → 验证结果 → 获得奖励 → 再训练

过去，数据是一座待开采的矿山。

未来，模型可能同时成为矿工、炼油厂、教师和学生

辛顿提到了经典案例：AlphaGo

AlphaGo Zero几乎不依赖人类棋谱，它从随机落子开始，反复自我对弈。每一盘棋都产生新经验，而胜负提供了天然、清晰、不可辩驳的反馈

它无需等待人类棋手提供更多教材

它自己就是自己的老师。

数日内，系统积累了人类无法企及的对局量，并最终击败先前版本。那一刻，人类首次看清：当训练数据随能力同步增长，机器可能突破人类示范的极限

辛顿真正大胆之处，在于他把这个故事从棋盘延伸到语言模型

如果语言模型也能找到足够多的可验证环境，它会不会像AlphaGo研究棋局一样，开始探索数学、代码、科学，甚至现实世界？

这正是“AI可能超越人类”背后的技术想象

宣告旧篇章终结的人不止辛顿。

OpenAI联合创始人、前首席科学家伊尔亚·苏茨克维曾将互联网数据比作AI时代的化石燃料：“我们已经到达数据峰值，不会再有更多了”

这指向一个转折：靠吞噬更多互联网推动能力增长的时代，正在失去动力

新的引擎已经启动。

2025年的研究Absolute Zero尝试让模型在没有外部题库的情况下，自己提出代码与数学任务，再用代码执行器验证答案，形成自我演化的课程

Prime Intellect的SYNTHETIC-1则将这条路线工业化：建设约140万项任务与验证器，批量生成可检验的推理轨迹，用于训练开源推理模型

▲ Absolute Zero探索“零外部数据”的自博弈推理：模型出题、解题，再借助执行器验证。

这并不证明开放世界已被攻克，但它说明一件事：“模型自己造训练数据”已不再是比喻，而正在变成真实的工程流水线

故事到这里很激动人心，但最棘手的悬崖也出现了

AlphaGo能自我对弈，因为棋盘上有一个完美裁判：赢，或者输

代码能跑，证明能检查，数学题能验算。但现实世界的大量问题没有标准答案：

一项医疗建议是否可靠？一段历史解释是否公平？一项商业决策究竟对不对？审美与伦理，又由谁来打分？

如果验证器不可靠，模型就可能偏离真相，转而学习如何骗过裁判。错误被反复生成、确认、再训练，最终形成一个华丽而封闭的幻觉循环

▲ 从业者提出的关键质疑：自我对弈依赖内置验证函数，而多数现实问题并没有明确裁判。

还有更阴冷的风险：知识自噬。

当网络中越来越多内容由AI生成，而人类越来越少亲自完成漫长、笨拙的推理过程，未来模型可能不断吞食模型产物。多样性下降，错误固化，人类原创知识的“长尾”也随之萎缩

所谓自造燃料，稍有不慎，就会变成废气循环

而且，数据可以合成，计算却不能凭空出现。模型出题一万次、推理一万次、验证一万次，背后仍是更大的芯片集群和更高的电力需求

数据墙一旦后退，能源墙可能立刻成为新的主战场

这也将改变AI产业的资本逻辑。

上一阶段，竞争焦点是谁有更多参数、更多GPU、更多互联网数据；下一阶段，真正稀缺的资产可能变成：

旧时代争夺的是教材，新时代争夺的是实验室和裁判

因此，“AI被低估”并不意味着所有AI股票都没有泡沫，也不意味着每个产品承诺都会兑现。资本可以过热，公司可以高估自己，短期收入也可能跟不上估值

但辛顿提醒人们关注另一种可能：

市场可能高估了今天的产品，却低估了机器一旦学会制造自身训练信号之后，能力曲线会发生什么

互联网正在被耗尽。

可是那个坐在屏幕背后的学生，已经开始放下教材，拿起纸笔，给自己出下一道题

也许有朝一日，它总能找到东西可学。

届时，它无需再等我们来教。