一句话定义：Bitter Lesson（苦涩的教训）是 Rich Sutton 对 AI 研究几十年的一句总结：凡是把人类专家知识硬编码进系统的方法，短期常常更好，长期几乎总会被"能吃算力"的通用方法反超。通用方法主要就两样——搜索（search）和学习（learning）。
为什么"苦涩"。人类知识见效快、有掌控感，投入的人也多；但它的上限被专家数量和编写成本锁死。通用方法起步笨拙，却随算力和数据增长持续变强。等它反超，前一批人多年的领域积累就被清零了——苦在这。
打个比方：做饭。一条路是请老师傅写菜谱，每道菜精确到克；另一条路是搭一套通用流程，让机器反复试错自己调火候。灶台火力小的时候，菜谱赢；火力大到某个程度，试错那条路上限更高，菜谱再也追不上。搜索引擎、围棋、语音识别、图像识别，都走过这条同款曲线。
和相邻概念的区别。它不是说"规模万能"，也不是说"专家没用"，而是说：人类知识最好的位置是提供先验、数据和评估标准，而不是当系统主干。
| 维度 | 依赖人类知识 | 依赖算力的通用方法 |
|---|---|---|
| 知识来源 | 专家规则、手工特征 | 数据 + 学习 + 搜索 |
| 短期表现 | 常更好，见效快 | 起步慢、前期开销大 |
| 长期上限 | 被编写与维护成本锁死 | 随算力、数据持续提升 |
| 典型做法 | 专家评估函数、格式规则库 | 深度网络、自我博弈 |
常被误读的三点：一是"那就无脑堆资源"——堆资源的前提是架构能吸收算力，算法仍决定上限；二是"人类知识没价值"——小数据、强约束、要可解释或低延迟的场景里，规则和传统方法依然务实；三是"这是定理"——它更像经验规律的启发，短期反例随时都在。
实际意义：选技术路线时，短期服务产品，长期押注可规模化的一侧；并问自己一句——如果我的核心竞争力只是"我懂这套窍门"，它还能撑几年？对普通职场人，更抗贬值的能力是把目标定义清楚、把数据和评估标准组织好，这是通用方法暂时吃不到的部分。