新智元報(bào)道

　　編輯：桃子 好困

　　【新智元導(dǎo)讀】LeCun不忍了，三周后從Meta「提桶跑路」，臨走前狠扇了硅谷所有人一巴掌：你們信奉的大模型全是泡沫，根本通往不了AGI！

　　大模型是一條死路，無法通往AGI！

　　在今天的最新一期深度訪談中，LeCun直言不諱指出：

　　所謂的ASI路線——不斷訓(xùn)練LLM，用更多合成數(shù)據(jù)喂模型，雇上幾千人在后訓(xùn)練階段「管教」系統(tǒng)，再折騰出一些RL的新技巧。

　　在我看來，完全是胡說八道！

　　這條路根本行不通，而且永遠(yuǎn)都不可能成功。

　　任職12年，即將暴走M(jìn)eta的65歲圖靈獎(jiǎng)得主，在公眾場(chǎng)合的觀點(diǎn)愈加偏激了。

　　這場(chǎng)近2小時(shí)的對(duì)談中，LeCun的觀點(diǎn)一針見血——

　　硅谷對(duì)不斷「堆大」LLM的癡迷是一條死路；

　　搞AI最難的問題在于，它依舊是「阿貓阿狗」的智能，而非類人的水平。

　　如今，他正把一生的學(xué)術(shù)聲譽(yù)押注在一條截然不同的AI路線之上，即「世界模型」。

　　訪談中，LeCun還分享了創(chuàng)業(yè)公司AMI（Advanced Machine Intelligence）正在構(gòu)建的「世界模型」——

　　在抽象表征空間中進(jìn)行預(yù)測(cè)，而不是簡單地像素級(jí)輸出。

　　幾天前，LeCun在與谷歌DeepMind大佬Adam Brown一場(chǎng)激辯中，同樣提出他的經(jīng)典論點(diǎn)：

　　LLM沒那么聰明，畢竟一只貓或一個(gè)孩子僅用少得多的數(shù)據(jù)就能理解世界。

　　Token預(yù)測(cè)全是泡沫，物理世界才是真相。

　　有網(wǎng)友辣評(píng)道，「Meta在AI領(lǐng)域失敗，LeCun是罪魁禍?zhǔn)住埂?/p>

　　還有人表示，「LeCun很聰明，在Meta保持沉默現(xiàn)在開始發(fā)聲了」。

　　65歲創(chuàng)業(yè)，再造一個(gè)FAIR

　　播客開場(chǎng)，主持人問道，「從Meta這樣大公司跳出來，從0起步，是什么感覺」？

　　LeCun坦言，雖然他此前也參與過創(chuàng)業(yè)，但這次的AMI意義非凡。這次的獨(dú)特之處在于一種新現(xiàn)象，即投資者也愿意為其買單。

　　這要是放在以往，是不可能的。

　　歷史上，像貝爾、IBM、施樂PARC這樣的大實(shí)驗(yàn)室，都一同壟斷了企業(yè)的財(cái)力。

　　如今，行業(yè)風(fēng)向正在轉(zhuǎn)變。FAIR通過開源推動(dòng)了生態(tài)的發(fā)展，但近年來越來越多實(shí)驗(yàn)室選擇閉源，OpenAI、谷歌，甚至Meta也不例外。

　　在LeCun看來，這種閉源趨勢(shì)，不利于真正突破性的研究。

　　因此，他決定在Meta外部創(chuàng)辦AMI，專注于「世界模型」，并計(jì)劃延續(xù)開放研究的傳統(tǒng)。

　　除非你把論文發(fā)表出來，否則就不能稱之為真正的研究。要不然，你很容易陷入一種自欺欺人的狀態(tài)。

　　看得出，LeCun這番言論一定程度上，暗示28歲上司Alexandr Wang的做法——

　　此前曾爆出，F(xiàn)AIR實(shí)驗(yàn)室想要發(fā)論文，必須經(jīng)過MSL批準(zhǔn)后才可以。

　　LeCun再次強(qiáng)調(diào)，「如果真的想要突破，需要讓你的員工發(fā)表論文。沒有別的辦法。這是目前很多行業(yè)正在遺忘的事情」。

　　下一步，AMI的目標(biāo)不僅是研究，還會(huì)打造實(shí)際的產(chǎn)品，比如與世界模型、規(guī)劃有關(guān)的，并成為智能系統(tǒng)的核心供應(yīng)商。

　　接下來的話題，又回到了LeCun老生常談的事情。

　　LeCun放話：LLM走不通

　　他明確表示，當(dāng)前的LLM或基于LLM的AI智能體，處理語言尚可，但在可靠性、數(shù)據(jù)效率、多模態(tài)處理上遠(yuǎn)遠(yuǎn)不足。

　　我已經(jīng)說了快十年了，世界模型才是解決這一問題的「正確方法」。

　　「世界模型」能夠預(yù)測(cè)一個(gè)動(dòng)作或一系列動(dòng)作的后果，然后系統(tǒng)通過優(yōu)化得出一系列動(dòng)作，即找出哪一系列動(dòng)作能最好地完成設(shè)定的任務(wù)，這就是「規(guī)劃」。

　　因此，LeCun認(rèn)為，智能的一個(gè)重要部分是能夠預(yù)測(cè)行動(dòng)的后果，然后將其用于規(guī)劃。

　　「世界模型」是設(shè)計(jì)用來處理，高維、連續(xù)和嘈雜的模態(tài)數(shù)據(jù)，LLM完全不行。

　　真正有效的方法是，學(xué)習(xí)一個(gè)抽象的表示空間，消除關(guān)于輸入的不可預(yù)測(cè)的細(xì)節(jié)，并在表示空間中進(jìn)行預(yù)測(cè)。

　　這就是，JEPA（聯(lián)合嵌入預(yù)測(cè)架構(gòu)）的想法。

　　論文地址：https://arxiv.org/pdf/2509.14252

　　將近有20年的時(shí)間，LeCun一直確信，構(gòu)建智能系統(tǒng)的正確途徑是通過某種形式的「無監(jiān)督學(xué)習(xí)」。

　　他回顧了自己的研究歷程——

　　早在2000年代初中期，便開始探索無監(jiān)督學(xué)習(xí)，并嘗試通過自編碼器（Autoencoders）來學(xué)習(xí)表示，但發(fā)現(xiàn)表示包含關(guān)于輸入的所有信息是個(gè)錯(cuò)誤。

　　后來，他意識(shí)到需要「信息瓶頸」（Information Bottleneck），限制表示的信息量。

　　2015年，ResNet（殘差網(wǎng)絡(luò)）出世，徹底解決了深層網(wǎng)絡(luò)架構(gòu)訓(xùn)練問題，也是從這時(shí)起，LeCun開始重新思考：

　　如何推動(dòng)實(shí)現(xiàn)人類水平的AI？

　　他意識(shí)到，強(qiáng)化學(xué)習(xí)等方法，基本上無法scaling，且樣本效率極低，于是開始聚焦「世界模型」。

　　最初嘗試，他在像素級(jí)預(yù)測(cè)視頻，但發(fā)現(xiàn)這行不通，真正的突破在于表示層（Representation Level）進(jìn)行預(yù)測(cè)。

　　JEPA的發(fā)展克服了早期孿生網(wǎng)絡(luò)（Siamese Networks）的模型坍塌（Collapse）的問題，通過Barlow Twins、VICReg優(yōu)化表示空間。

　　最近的Latent Euclidean JEPA，進(jìn)一步推進(jìn)了這一思路。

　　論文地址：https://arxiv.org/pdf/2511.08544

　　對(duì)于LLM局限背后的原因，LeCun分享了數(shù)據(jù)質(zhì)量方面的「苦澀的教訓(xùn)」（Bitter Lesson）。

　　訓(xùn)出一個(gè)性能還不錯(cuò)的LLM，需要互聯(lián)網(wǎng)上大約30萬億Token（約10^14字節(jié)）的文本數(shù)據(jù)。

　　LLM需要巨大的內(nèi)存，來存儲(chǔ)這些孤立的事實(shí)。

　　相較之下，這僅相當(dāng)于大約15,000小時(shí)的視頻——YouTube上30分鐘的上傳量。

　　一個(gè)4歲孩子醒著時(shí)看到的視覺信息，大約是16,000小時(shí)。

　　去年發(fā)布的V-JEPA 2模型，就是在相當(dāng)于一個(gè)世紀(jì)時(shí)長視頻數(shù)據(jù)上訓(xùn)練的，雖然字節(jié)數(shù)更多，但視頻數(shù)據(jù)的冗余性正是自監(jiān)督學(xué)習(xí)所需的。

　　現(xiàn)實(shí)世界數(shù)據(jù)的結(jié)構(gòu)比文本豐富得多，這也是為什么LeCun堅(jiān)稱，只靠文本訓(xùn)練永遠(yuǎn)無法達(dá)到人類水平的AI。

　　關(guān)于理想化的「世界模型」，LeCun回應(yīng)了主持人對(duì)《星際迷航》全息甲板（Holodeck）的比喻：

　　人們誤以為，「世界模型」必須重現(xiàn)世界所有的細(xì)節(jié)，這不僅錯(cuò)誤，還會(huì)有害。

　　「世界模型」是在抽象表示空間中的模擬器，只模擬現(xiàn)實(shí)中相關(guān)的部分。

　　不僅如此，LeCun相信合成數(shù)據(jù)很有用。但有些基本概念是我們通過經(jīng)驗(yàn)習(xí)得的，而不是天生的。

　　然而，LLM并不真正理解這些，只是被微調(diào)出來給出正確答案，更像是「反芻」而非真懂。

　　炮轟硅谷單一文化

　　針對(duì)硅谷LLM狂熱的文化，LeCun的批評(píng)尤為尖銳。

　　他指出，AI行業(yè)存在一種危險(xiǎn)的「羊群效應(yīng)」——

　　競爭太過激烈，大家都害怕走偏路線而落后，于是OpenAI、谷歌、Meta、Anthropic等科技巨頭幾乎都在做同一件事。

　　那便是，瘋狂堆疊LLM。

　　這導(dǎo)致，硅谷形成了「單一的文化」，甚至這背后多少帶著點(diǎn)優(yōu)越感。

　　LeCun警告，一旦深陷「戰(zhàn)壕」，就只能拼命往前沖，因?yàn)檎l也承擔(dān)不起被競爭對(duì)手甩開的風(fēng)險(xiǎn)。

　　但更大的風(fēng)險(xiǎn)是，被完全不同方向、出乎意料的一套技術(shù)顛覆，它甚至可能解決完全不同的問題。

　　JEPA的理念，即所謂的「世界模型」，恰恰與這條主流路線完全不同，能處理LLM很難應(yīng)付的數(shù)據(jù)。

　　LeCun甚至毫不客氣地說——

　　如果你不想變成硅谷口中「被LLM洗腦了」（LLM-pilled）的人，便不會(huì)相信這樣一條路徑：

　　只要不停地訓(xùn)練LLM，用更多合成數(shù)據(jù)，去授權(quán)更多數(shù)據(jù)，再雇上成千上萬的人來做后訓(xùn)練，在強(qiáng)化學(xué)習(xí)（RL）上不斷加點(diǎn)新花樣，你就能一路走到ASI。

　　我認(rèn)為這完全是扯淡，這條路根本不可能成功！

　　「沒錯(cuò)，你必須逃離那種文化」。

　　他還透露，即使在硅谷的各家公司內(nèi)部，也有不少人心里很清楚：這條路走不通！

　　因此，擺脫這種單一文化，正是LeCun創(chuàng)辦AMI的動(dòng)因之一。

　　他透露，AMI這家公司是全球性的，總部將設(shè)在巴黎，其全球其他幾個(gè)地方，包括紐約設(shè)立分辦公室。

　　AGI是胡扯

　　「類人AI」還需5-10年

　　當(dāng)被問及AGI時(shí)間線，LeCun先澄清：不存在「通用智能」這種東西！

　　這個(gè)概念完全沒有意義，因?yàn)樗潜辉O(shè)計(jì)用來指代人類水平的智能，但人類智能是超級(jí)專業(yè)化的。

　　所以AGI這個(gè)概念完全是胡扯。

　　話又說回來，他還是認(rèn)為，我們會(huì)擁有在所有領(lǐng)域都和人類一樣好或更好的機(jī)器。

　　「但這不會(huì)是一個(gè)單一事件，這將是非常漸進(jìn)的」。

　　他樂觀地預(yù)測(cè)道，如果未來兩年，能在JEPA、世界模型、規(guī)劃等方向取得重大進(jìn)展。

　　我們可能在5-10年內(nèi)，看到接近人類智能，也許是狗的智能水平的AI。

　　但這已是極度樂觀。

　　更現(xiàn)實(shí)的是，AI歷史上多次出現(xiàn)未預(yù)見的障礙，需要我們發(fā)明新概念實(shí)現(xiàn)超越。

　　那可能需要20年，甚至更久。

　　有趣的是，LeCun認(rèn)為最難的部分不是從狗到人類，而是達(dá)到狗的水平——

　　一旦你達(dá)到了狗的水平AI，你基本上就擁有了大部分要素。

　　從靈長類動(dòng)物到人類，除了大腦的大小差異之外，還缺的是「語言」。

　　語言基本上由韋尼克區(qū)（Wernicke area）以及布羅卡區(qū)（Broca area）處理。

　　而LLM已經(jīng)在語言編碼/解碼上表現(xiàn)不錯(cuò)，或許能充當(dāng)大腦的韋尼克區(qū)和布羅卡區(qū)。

　　LeCun稱，我們現(xiàn)在正在研究的是前額葉皮層，那是「世界模型」所在的地方。

　　離職Meta，三周倒計(jì)時(shí)

　　訪談中，LeCun還談及了Meta AI的重組。

　　他表示，Alexandr Wang并非接替他的位置，而是統(tǒng)管Meta所有AI相關(guān)研發(fā)和產(chǎn)品，包括四個(gè)主要部門：

　　FAIR（長期研究）

　　GenAI Lab（專注前沿LLM構(gòu)建）

　　AI基礎(chǔ)設(shè)施

　　模型轉(zhuǎn)化為實(shí)際產(chǎn)品的部門

　　重磅的是，LeCun透露，自己將在Meta再待三個(gè)星期。（估計(jì)1月初，正式告別Meta了）

　　FAIR現(xiàn)在由紐約大學(xué)Rob Fergus領(lǐng)導(dǎo)，正被推向「更短期的項(xiàng)目」——

　　較少強(qiáng)調(diào)發(fā)表論文，更多專注于協(xié)助GenAI Lab進(jìn)行LLM和前沿模型的研究。

　　GenAI Lab也有一個(gè)首席科學(xué)家，專注于LLM，其他組織更像是基礎(chǔ)設(shè)施和產(chǎn)品。

　　看得出，Meta重組重心完全放在了LLM，這也是LeCun選擇出來創(chuàng)業(yè)的部分原因。

　　此外，LeCun還點(diǎn)評(píng)了一些大模型公司，包括SSI、Physical Intelligence、Thinking Machines等。

　　Ilya創(chuàng)立的SSI，甚至包括他們的投資人，都不知道這家公司要做什么。

　　給年輕人的建議：別學(xué)CS

　　訪談的最后，主持人問道，「如果你今天重新開始AI職業(yè)生涯，會(huì)專注哪些技能和方向」？

　　LeCun的回答直擊要害，學(xué)習(xí)那些「保質(zhì)期長」（long shelf life）的知識(shí)，以及能讓你「學(xué)會(huì)如何學(xué)習(xí)」的東西。

　　因?yàn)榧夹g(shù)演變得太快了，你需要具備快速學(xué)習(xí)的能力。

　　他開玩笑地說，「保質(zhì)期長的東西，往往不是計(jì)算機(jī)科學(xué)」。

　　所以，作為一個(gè)計(jì)算機(jī)科學(xué)教授，我勸大家別學(xué)計(jì)算機(jī)科學(xué)。

　　不過，LeCun還是給出了一些具體的建議，其中包括：

　　深入學(xué)習(xí)數(shù)學(xué)（微積分、線性代數(shù)、概率論）、建模基礎(chǔ)，尤其是能與現(xiàn)實(shí)世界聯(lián)系的數(shù)學(xué)（工程學(xué)科中常見）；

　　電氣工程、機(jī)械工程等傳統(tǒng)工程專業(yè)，能提供控制理論、信號(hào)處理、優(yōu)化等對(duì)AI極有用的工具；

　　物理學(xué)也是絕佳選擇：物理學(xué)的核心就是「如何表征現(xiàn)實(shí)以建立預(yù)測(cè)模型」——這正是智能的本質(zhì)；

　　計(jì)算機(jī)科學(xué)只需學(xué)到能熟練編程和使用計(jì)算機(jī)的程度（即使未來AI寫代碼，你仍需懂底層）；

　　別忘了學(xué)點(diǎn)哲學(xué)。

　　LeCun強(qiáng)調(diào)，這些基礎(chǔ)能讓你在AI快速變化中始終站穩(wěn)腳跟，而不是被短期熱點(diǎn)牽著鼻子走。

　　參考資料：

　　https://x.com/ziv_ravid/status/2000654377258745912?s=20

　　https://www.the-information-bottleneck.com/ep20-yann-lecun/

　　https://youtu.be/ykfQD1_WPBQ