---
title: Turing-Prisbelönad forskare varnar för att artificiell intelligens inte är nära målet
url: https://www.elseif.net/sv/turing-prisbelonad-forskare-varnar-for-att-artificiell-intelligens-inte-ar-nara-malet
published: 2026-11-11T10:10:18+00:00
language: sv
section: Modeller
source: https://the-decoder.de/erfinder-der-bitteren-lektion-warnt-ki-wissenschaft-ist-noch-lange-nicht-am-ziel/
organizations: OpenAI, Anthropic, Oak Lab, Core Automation
publisher: elseif
---

# Turing-Prisbelönad forskare varnar för att artificiell intelligens inte är nära målet

Turing-Prisbelönade Richard Sutton har uttryckt att artificiell intelligensforskning fortfarande är långt ifrån sitt slutgiltiga mål. Han menar att ren beräkningskraft inte är tillräcklig för att uppnå intelligens utan att nya metoder utvecklas. Denna åsikt har väckt diskussion inom forskarsamhället.

Suttons ställningstagande bygger på hans tidigare essä från 2019, där han argumenterade för att metoder som skalar med beräkningskraft långsiktigt kommer att överträffa specialiserade mänskliga utvecklingar. Han betonar att idéer som växer med tillgången på beräkningsresurser är avgörande, snarare än att förlita sig på mänskliga förutfattade meningar. Detta synsätt har tidigare kritiserats för att vara för enkelt.

I tidigare uttalanden har Sutton kritiserat gränserna för ren skalning av stora språkmodeller. Han har kallat syntetiska data för ett stort misstag eftersom den verkliga världen är oändligt komplex. Enligt honom är varje simulation av denna komplexitet mikroskopiskt liten. Mänsklig expertis fungerar som en flaskhals som hindrar riktig skalning.

Sutton förespråkar istället agenter med världsmodeller som kontinuerligt lär sig av egen erfarenhet. Han påpekar att dagens språkmodeller inte lär sig efter att träningen är slutförd. Det krävs ett kontinuerligt lärande som inte förstör tidigare vinstå. Denna synpunkt stöds av forskaren Jerry Tworek, som tidigare lämnade OpenAI för att utforska nya ansatser.

Tworek menar att algoritmen blir viktigare ju mer beräkningskraft som investeras i modellträning. Vissa algoritmer skalar medan andra leder till döda ändar. Många dimensioner av skalning är fortfarande outforskade. Den tillfälliga framgången med transformer-skalning och en felaktig tolkning av Suttons essä har enligt Tworek förvirrat en hel generation av forskare.

Forskaren Jayden Teoh lägger till att Suttons idéer ibland har bromsat akademisk forskning. Löftesrika idéer har avfärdats för att de inte följde principen om skalning tillräckligt. Teoh menar att detta är en felaktig tolkning av Suttons ursprungliga budskap. Idéer som inte skalar evigt kan ändå vara viktiga bidrag till framsteg inom artificiell intelligens.

Denna spänning mellan kravet på nya lärmekanismer och kritiken mot blind skalning speglas i en växande våg av nya företag. Företagare som Sutton med Oak Lab och Tworek med Core Automation tror på mer kapabel artificiell intelligens men ifrågasätter att dagens recept räcker.

Samtidigt hävdar ledande branschfigurer att skalning av stora språkmodeller inte är uttömd. OpenAI:s chef Sam Altman menar att kritiker har bromsat en hel generation av forskare genom att vara för säkra på vad skalning inte kan göra. Han pekar på ett OpenAI-modell som nyligen motbevisade en matematisk gissning.

Anthropic:s chef Dario Amodei beskriver skalningsframsteg som en regnbåge utan slut. Både Amodei och Altman anses dock vara partiska eftersom deras företag satsar på denna tekniska väg. Deras åsikter speglar en kvarstående oenighet inom branschen.