Turing-prisvinner advarer: Rå regnekraft alene gir ikke kunstig intelligens
11. november 2026 · 3 min lesing
Turing-prisvinner Richard Sutton har offentliggjort en uttalelse der han hevder at rå regnekraft alene ikke er tilstrekkelig for å oppnå ekte intelligens, og at feltet for kunstig intelligens-forskning ennå er langt fra sitt endelige mål. Denne påstanden har skapt betydelig reaksjon i fagmiljøet, spesielt blant tilhengere av store språkmodeller, og markerer et tydelig skille i synet på hvordan fremtidens systemer bør utvikles. Sutton understreker behovet for nye og smartere metoder fremfor kun å stole på økende beregningskapasitet.
I sin kjente tekst fra 2019, ofte omtalt som den bitre leksen, argumenterte Sutton for at generelle metoder som skalerer med regnekraft, på sikt vil overgå sofistikerte løsninger designet av mennesker. Han mente at ideer som vokser sammen med tilgjengelig regnekraft, er mer verdifulle enn å lene seg på menneskelige forhåndsantakelser. I sine nyeste kommentarer har han imidlertid presisert grensene for denne tilnærmingen. Han har tidligere kritisert bruken av syntetiske data og kalt det en stor feil, med begrunnelsen at den virkelige verden er uendelig kompleks mens enhver simulering kun er mikroskopisk liten. Ifølge Sutton fungerer menneskelig ekspertise som en flaskehals som hindrer ekte skalering.
Sutton foreslår i stedet at fremtidige systemer må være agenter utstyrt med verdensmodeller som kontinuerlig lærer av egne erfaringer. Han påpeker at verden er langt mer kompleks enn det som lar seg avbilde i internettekst. Dagens språkmodeller slutter å lære etter treningsfasen er avsluttet, noe han mener er utilstrekkelig. Det nødvendige er kontinuerlig læring som ikke ødelegger tidligere ervervet kunnskap. Dette står i kontrast til dagens dominerende arkitektur der modeller er statiske etter lansering.
Forskeren Jerry Tworek, som tidligere arbeidet for et stort selskap innen kunstig intelligens før han gikk videre for å utforske nye tilnærminger, støtter deler av denne analysen. Tworek mener at den bitre leksen fortsatt gjelder, men at algoritmens betydning vokser i takt med mengden regnekraft som tilføres modelltrening. Han hevder at visse algoritmer fører til blindveier, og at mange dimensjoner ved skalering ennå er helt uutforsket. Tworek mener den midlertidige suksessen med transformer-skaling og en feiltolkning av Suttons opprinnelige budskap har forvirret en hel generasjon forskere.
En annen forsker, Jayden Teoh, tilfører et nytt perspektiv ved å beskrive hvordan den bitre leksen har bremset akademisk forskning. Han hevder at lovende ideer ofte er blitt avvist fordi de ikke passet inn i rammeverket for den bitre leksen. Teoh påpeker at dette ikke er Suttons skyld, men resultatet av en feiltolkning av budskapet. Ideer som i ettertid ikke ser ut til å følge prinsippet om skalering, har ofte blitt erstattet av renere og mer generelle tilnærminger, men det gjør ikke de opprinnelige ideene feilaktige. Ofte var det nettopp disse ideene som muliggjorde fremdrift på det gitte tidspunktet.
Denne spenningen mellom Suttons krav om nye læringsmetoder og kritikken av blind transformer-skaling speiles i en voksende bølge av nye etableringer. Det rapporteres om førtifem nye laboratorier for kunstig intelligens som satser på å fylle disse hullene i teknologien. Tworek leder selv ett av disse laboratoriene og søker etter læringsalgoritmer som går utover fortrening og forsterkende læring. Også Sutton er involvert i et nytt laboratorium med navn Oak Lab. Felles for disse grunnleggerne er troen på langt mer kraftfull kunstig intelligens, kombinert med tvil om at dagens oppskrift alene vil lede dit.
På den andre siden av debatten står ledende figurer i bransjen som ser situasjonen helt annerledes. Administrerende direktør i et stort selskap mener skaleringen av store språkmodeller langt fra er uttømt. Han hevder at kritikere har bremset en hel forskergenerasjon ved å være for sikre på hva skalering ikke kan prestere. Som bevis vises det til en matematisk formodning som nylig ble motbevist av en modell fra selskapet, etter at matematikere lenge hadde feilet. Verdensmodeller anses som nyttige, spesielt innen robotikk, men dataene skal ifølge denne siden tale tydelig for ytterligere skalering av språkmodeller. En annen administrerende direktør beskriver fremskrittet innen skalering som en regnbue uten ende, selv om det påpekes at disse lederne har en åpenbar interesse i den tekniske tilnærmingen deres egne selskaper satser på.