AlphaGo之父David Silver为何离开DeepMind创业？1.1B融资背后的AI路径之争

不少站长和团队在上下分一块1分跑的快群的资源规划和内容布局上，开始更多地考虑长期复利效应和内容资产积累，而非追求短期流量爆发。

David Silver在公开表态中将人类数据比作化石燃料——它提供了一次性捷径，却存在清晰的上限。LLM再强大，本质上仍是复用存量知识，难以生成真正原创的突破性洞见。

长期而言，若Ineffable的“超级学习者”路径获得验证，将推动行业超越纯人类数据依赖的瓶颈，对技术路线与人才估值产生重塑。同时，强化学习专长人才的稀缺性将进一步凸显。不确定性依然存在：如果技术验证周期拉长，早期高估值或引发部分人才回流；如果成功，则可能刺激更多类似巨额种子轮，进一步加速实验室向创业公司的转化。值得持续跟踪，现在下结论为时尚早。

短期内，这一趋势可能加剧大厂留才压力。更多DeepMind等实验室的研究员或跟随类似路径，离职或加入高估值新贵，导致薪酬与股权竞争进一步升级。伦敦凭借DeepMind遗产，正加速成为欧洲AI枢纽，OpenAI、Anthropic等也在此扩大布局，争夺战已趋白热化。但如果Ineffable的“超级学习者”路径验证周期拉长，部分人才或出现回流，大厂仍有机会通过资源优势稳住阵脚。

如今他选择离开大厂稳定路径，转向纯经验驱动的“superlearner”，本质上是对当前AI主流scaling laws的一次深刻质疑。Sequoia和Nvidia等顶级机构押注51亿美元估值，显示资本已开始为后LLM路径预留位置，但这一转向的复杂性远超融资故事本身。

Silver的核心判断源于其长期研究实践。在DeepMind时期，AlphaZero不吃任何人类棋谱，却通过纯trial and error超越人类，这证明AI能在空白起点上自发现规则。如今Ineffable Intelligence的“superlearner”延续这一逻辑，目标是让系统像达尔文式探索那样，从自身经验中构建全新知识，而非作为人类知识的压缩机。

今天，这一模式以创业形式重现，反映出AI行业正从scaling laws主导的大模型路径，向依赖经验的新学习范式转型。Ineffable的阵容组建，正在把实验室十余年积累的强化学习人才优势，转化为创业动能，显著放大从基础研究到产业应用的转化效率。

当然，强化学习目前仍面临现实挑战。样本效率相对较低，在开放的现实世界中精确定义奖励函数难度极大，早期的训练过程往往成本高昂且不稳定。将复杂任务转化为可优化的信号，需要大量工程投入，训练波动也比LLM的“拿来主义”更剧烈。这些短板让RL在短期应用落地中显得不够务实，最适合的场景仍是那些需要真正创新突破的领域，比如科学发现、复杂系统决策或长期自主智能代理。在这些场景下，单纯模仿人类知识已显不足，必须探索全新策略和原理。

70%和7%——如果类比企业AI部署的计划率与规模化率，这个剪刀差或许正预示着当前范式的瓶颈。值得持续跟踪，现在下结论为时尚早，但Silver的1.1B融资已为我们留下一个开放的问题：AI下一站，究竟是继续在人类数据上卷，还是勇敢拥抱经验学习的未知？

他正积极从DeepMind等实验室招募顶尖人才，这一动态远超单纯融资新闻，标志着AI顶尖人才从大厂实验室向创业公司加速流动。

这件事比又一家AI独角兽融资复杂得多。它直接挑战当前LLM高度依赖海量人类数据的范式，却远非简单复制AlphaZero在封闭游戏中的成功。Silver的路径指向一个根本转向：AI能否真正“自学成才”，绕开人类知识的边界。

但这个逻辑成立，关键在于如何在迭代中快速校准。