未来属于能随着计算规模增长而持续变强的方法#
《The Bitter Lesson》 ↗ 举了棋类、计算机视觉和语音识别上的例子，凭借着人类先验知识的输入，某些方法能在短期取得优势。但是长期来看，这些「人工结构」都会被能够利用更大规模计算与数据的通用方法所击败。
长期来看，能利用好通用计算能力在 AI 上不断扩展的方法只有两种：
-
用更多数据和计算，在参数空间中进行更充分的学习
-
用更多计算，在解空间中进行更深/更广的搜索
学习和搜索，本质上都是利用计算在高维空间中逼近最优解，只是所处空间不同。
所以，请永远不要忘记我们出发的初心：我们不是去设计一个最强的人工结构跑出 SOTA，而是去设计一个能随着计算增长而高效改进的通用方法。
世界复杂到难以用简单的方法建模#
世界的动力学极其复杂，远超人类能够显式编码的程度。
在封闭和低维问题中，显式方法（如 PID、规则系统）依然有效，但在开放、复杂的任务中，这类方法往往难以扩展。人工的 switch-cases，手工特征，甚至是目前部分人尝试在深度学习里模拟「人类理解方式」的做法，往往难以扩展，或在规模增长后被更通用的方法取代。
我们应该教给 AI 的，不是建模世界，而是建模如何学习世界。AI 应该尽量减少对人类先验结构的依赖地发现特征与联系，而不是在我们的特征与联系下工作。因此，我们不应直接建模世界本身，而应构建能够从数据中自动学习表示与策略的通用方法。AI 的关键不在于执行我们已有的知识，而在于通过计算不断发现更好的表示与解。
在原文中，Sutton 的说法更加激进：
We have to learn the bitter lesson that building in how we think we think does not work in the long run.
AI 未来的发展，更像是将模型的约束，从显式的人类先验，逐步转移到由数据和计算驱动、能够自主学习的结构之中。