图灵奖得主杨立昆现场追问：AI 还没越过这 3 道认知墙，谈什么通用智能？

最新推荐文章于 2025-05-17 13:34:47 发布

人工智能学家

最新推荐文章于 2025-05-17 13:34:47 发布

阅读量29

点赞数

文章标签：人工智能

原文链接：https://mp.weixin.qq.com/s?__biz=MzIwOTA1MDAyNA==&mid=2650034212&idx=3&sn=1ca40ac7ee4341dacec19649fb70a7dc&chksm=8eab1aeccad6e32e1ace28fbed96cb0c81717692a5c86679ec64a3449b6aefdfc73a7d969bed&scene=126&sessionid=0

版权

来源：AI深度研究员

（宾大工程学院，对话Meta首席AI科学家Yann LeCun）

最近的一两周时间里，65 岁图灵奖得主、Meta首席AI科学家Yann LeCun（杨立昆）先后出现在新加坡国立大学与宾大工程学院的讲台。他没有谈参数，也没有夸算力，而是抛出一句让全场安静的反问——

“当模型连‘杯子在桌子上’都可能答错，为什么我们敢说它懂世界？”

✍️ 第一节｜第一道墙：看不懂物理世界

“我们最聪明的 AI 系统，连猫都不如。它们不能理解物理世界的常识。” ——Yann LeCun

“我们现在的 AI 系统，在这方面连狗都不如。”

📌 问题不在于数据，而在于“看世界的方式”

🧠 LeCun的解法：预测真实，而非生成语言

LeCun认为，越过这堵“物理常识缺失”的墙，关键不在于调模型、堆算力，而在于：

让系统具备对现实的抽象建模能力，而不是只是生成语言。

今天的AI，可以告诉你‘这个杯子掉了’，但它不知道‘为什么会掉’。

而真正的智能，正是从“因果理解”开始的。

不是让AI变得更能“说”，而是更能“懂”。

✍️ 第二节｜第二道墙：没有长时记忆

“大语言模型并不真正拥有记忆。它们只是看得更多，但记不住任何事。” ——Yann LeCun

“我们一个4岁的孩子在成长过程中大概接收了 10¹⁴ 字节的信息。而一个 GPT 级别的模型，也训练了 10¹⁴ 字节的 token。”

数据量看起来相似，但差别巨大。

人类不是只“看”这么多——而是整合、抽象、积累并持续更新。而大模型只是“扫一遍，然后忘掉”。

🔍 这就是为什么模型越大，输出却越来越“无主体感”

🧠 记忆机制，才是下一代智能系统的核心突破口

✍️ 第三节｜第三道墙：没有推理结构

“我们今天的大语言模型，不是在思考，而是在猜下一个词。” ——Yann LeCun

🧠 推理，意味着目标导向的结构展开

真正的推理不是“接下来该说什么”，而是：

面对一个从未遇见的问题；
在脑中调用规则、模型和假设；
一步步演绎、分解、验证。

LeCun强调，大语言模型在结构上根本不具备这套能力：

“语言模型不是问题求解器，它只是一个自编码器，以预测为本能。”

🧨 他公开反对“奖励足够了”这类路径幻想

🔍 没有内部模型，AI 只能“碰运气”

✍️ 第四节｜破解路径：JEPA 架构登场

“我们要让系统预测现实，而不是续写句子。” ——Yann LeCun

我们不是让系统在像素层面重建视频，而是在高层抽象空间中预测接下来会发生什么。

🔍 为什么要预测表示，而不是还原原始数据？

LeCun指出：视频、音频等连续信号高度复杂，预测像素几乎不可能。但我们可以先学习一个低维度的、抽象的“潜在表示空间”，再在这个空间中进行预测。

这类似人脑在看见一段动作后，不是还原每一帧，而是形成一个动态理解模型。

📌 JEPA 的区别在哪里？

JEPA 是 LeCun 概念中的“高级机器智能”（AMI）架构的底座。

JEPA 不是商业上的“下一代模型”，而是方向上的重新定向。

LeCun的回答很清晰：如果我们不改变底层架构，就永远造不出真正懂世界的 AI。

✍️ 第五节｜重定义：AMI 取代 AGI？

“AGI 是伪命题，我们需要的是 AMI——高级机器智能。” ——Yann LeCun

LeCun并不回避“通用人工智能”这个话题。但他的态度很明确：他不信 AGI，也不追 AGI。

他认为这个概念存在两个根本问题：

误判了人类智能的本质
掩盖了真正的系统设计路径

🧠 人类智能，从来不是“通用”的

人类智能是非常专门化的，只是在我们擅长的任务上看起来很强。

LeCun提出一个看似挑衅，实则深刻的观点：我们之所以觉得自己“通用”，是因为我们无法意识到那些我们永远无法理解的事物。

所以我们误以为：我们能理解的，就是全部。

而 AGI，恰恰建立在这种错觉之上。

📌 AMI：比“通用”更现实的目标

LeCun提出一个替代概念：AMI（Advanced Machine Intelligence）

它的特征不是“无所不能”，而是具备以下核心能力：

对现实有抽象建模能力（世界模型）
有持久记忆和状态追踪机制
能规划、分解任务、做中长期推理
能通过多模态感知和环境互动逐步学习

AMI 不是试图“模拟人类”，而是构建适合机器自身的智能系统架构。这是一种系统理性，而非幻想超越。

💡 为什么 AMI 更重要？

AGI是一个故事，AMI是一个系统。

前者吸引投资，后者真正推进能力边界。

LeCun的选择很明确：他不站在 hype 上，他站在架构底层。

✍️ 第六节｜行动建议：别卷模型，卷架构

“学术界不该再追 LLM，应该去做工业界没时间做的事。” ——Yann LeCun

LeCun的这句话，像是对整个AI创业圈泼下的一盆冷水。

所有人都在调模型、堆RAG、炼提示词。但在他看来，这种热闹的局面，本质上是资源错配。

🔍 LLM 已是产业路线，创新窗口正迅速关闭

LeCun点出一个现实：“LLM 已经掌握在工业界手里，几家公司用几千张 GPU，配几百名工程师在打磨。学术界很难再贡献突破性的东西。”

这话也适用于大多数 AI 初创公司。

如果你做的，是“训练大模型”或“在大模型上包皮”，那么你面临的，不是技术门槛，而是资源垄断与同质化淘汰赛。

🧠 真正的“空白地带”，藏在三道认知墙之后

LeCun给出了新的方向：

具身智能（Embodied AI）
多模态感知（视觉+触觉+动作）
表示学习与预测建模（JEPA架构）
长期记忆与推理能力

这些并不是市场热点，但它们有一个共同特征：

没人有现成方案，没人规模化做，没人垄断 GPU。

这才是技术创业者最应该押注的地方。

📌 创业机会，不在模型后缀，而在架构前提

不是 GPT-Next、Claude-Plus、LLaMA-Max，而是：

谁能构建新一代“表示系统”；
谁能让 AI 理解连续世界；
谁能让系统从行动中自主学习。

LLM 是终点，JEPA 是起点。

真正的下一代 AI，不是能说得更顺，而是能想得更深。

🧭 你以为AI在进化，其实是认知还没进化

Yann LeCun 这场公开对话，抛出的不是技术路线图，而是一个基本问题：

我们理解的“智能”，到底是什么？

当全世界都在追求更大的模型、更低的token成本、更快的输出速度， LeCun却回到起点，追问了三件事：

AI 看得见世界，但看得懂吗？
它能说一段话，但能记住刚才那句话吗？
它能接得上节奏，但知道要往哪去吗？

如果这些都不能，智能不过是算法的幻觉。

在这场由 OpenAI 引爆的大模型竞赛中，越来越多的人误把 token 的生成能力，当成智能的全部。

但真正的竞争力，可能藏在这些不被注意的角落里：

能不能建构世界模型？
能不能规划行动？
能不能拥有自己的“认知系统”？

LeCun 的提问，像是一道延迟引爆的火线—— 它让所有从业者都必须重新思考：

你是在提升模型能力，还是在放弃对智能的定义权？

未来真正值钱的，不是会生成的模型，而是能理解问题的人类。

阅读最新前沿科技趋势报告，请访问欧米伽研究所的“未来知识库”

https://wx.zsxq.com/group/454854145828

未来知识库是“欧米伽未来研究所”建立的在线知识库平台，收藏的资料范围包括人工智能、脑科学、互联网、超级智能，数智大脑、能源、军事、经济、人类风险等等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料。每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828 进入。