Ilya Sutskever在长达1小时36分钟的深度对话中明确表示：‘我们正从扩展时代回归到研究时代’，标志着过去五年主导AI发展的Scaling Law范式发生根本性转变。[1][2]

这位曾主导OpenAI技术路线的前首席科学家直言不讳地指出，当前大模型训练已触及关键瓶颈——互联网可获取的高质量语料资源接近枯竭，预训练模式难以为继。[3][4]

他形象地比喻道：'目前的模型像刷了10,000小时题目的学生，虽然能解题但缺乏真正的智能；而人类（有天赋的学生）即使练习很少，也能展现出更好的泛化能力。'这一论断彻底否定了单纯依靠数据规模提升模型能力的传统路径。[5]

高质量数据枯竭成为首要制约因素。尽管网络可索引数据总量庞大，但真正有价值、低重复的高质量内容已严重不足，Ilya Sutskever直接宣告’预训练时代即将结束’。[1][2]

训练与推理成本激增构成第二重障碍。头部企业如OpenAI、谷歌和Anthropic在2025年新一代模型研发中普遍遭遇性能提升放缓问题，算力投入的边际效益急剧下降。[1]

模型泛化能力不足暴露根本缺陷。Ilya在访谈中深入探讨了AI为何总在泛化上输给人类的问题，指出当前技术路线后劲不足——‘模型虽持续改进，但缺乏突破性进展’。[3][4]

Ilya Sutskever特别强调需要’重新重视基础研究’，提出以下关键转型方向：

• 情绪与价值函数研究：‘我们高估了算力，低估了情绪’，主张探索情绪机制如何塑造智能体的价值判断和学习效率，这可能是实现真正泛化能力的关键。[1][2]

• 推理扩展定律（Inference Scaling Law）崛起：通过’快思考’与’慢思考’结合、链式推理（CoT）、自我改进和测试时计算（TTT）等技术，2025年推理模型在复杂任务上实现指数级性能提升。[3]

• 多模态融合与精度-效率协同：如Meta的Chameleon采用早期融合多模态架构，大幅提升训练效率；DeepSeek-Prover-V2通过算法优化使数学证明任务错误率降低60%，展示新路径可行性。[3]

这一范式转变正引发AI产业链全面重构：

• 研发重心转移：企业从’堆数据、堆参数、堆算力’转向算法创新与基础理论突破，合成数据生成和课程学习成为应对数据枯竭的新趋势。[1]

• 硬件需求变革：英伟达Blackwell Ultra芯片通过推理速度提升1.5-11倍、算力提升7倍的特性，正适应’精度-效率协同优化’的新要求。[1]

• 应用场景深化：AI在医疗、机器人仿真等垂直领域的落地加速，Sora视频生成模型推动内容生产方式变革，为行业开辟新路径。[1]

Ilya Sutskever在访谈中坦言已’不再感受AGI（通用人工智能）的临近’，但强调回归基础研究将为AI发展注入新动力，开启’推理创新+多模态融合+高效能耗’的全新阶段。[2][1]