图灵奖得主LeCun：当前 AI 模型缺乏四项关键人类智能特质

正文

请到「今天看啥」查看全文

“什么才是智能的基本构成？”

在与IBM AI负责人Anthony Annunziata的对话中，他提出四项标准： 理解物理世界、拥有持续的记忆、具备推理能力，以及可以进行分层规划。

这四项能力在LeCun看来，是任何一种具备智能的生命体所共有的基础能力。相比之下，当前主流人工智能系统，尤其是以语言模型为代表的架构，在这些方面仍显不足。

这不是他第一次表达类似看法。作为深度学习早期的关键推动者，LeCun一直在强调当前模型能力的局限性。

他一直认为， 现有AI模型在“智能”的核心能力上存在结构性缺陷 。

“补丁式增强”与架构争议

LeCun指出，目前业界在提升AI功能时，往往采用“组合式”的增强路径。例如，为了让语言模型理解视觉信息，就外接一个视觉系统；为了让模型“记住”过往内容，就增加检索增强生成（RAG）模块；推理能力不足，则通过扩大模型参数来弥补。

在他看来，这些做法更像是“ 功能层的修补 ”，而非能力本身的根本突破。

“理解世界不是把一个视觉模型绑在语言模型上那么简单，”LeCun说。他用“hack（补丁）”一词来形容这种工程式集成方式。

Meta近年来持续投入的“世界模型”（world-based models）思路，正是对这种路径的回应。这一类模型的目标不在于生成内容，而是试图建立一种内部的世界表示，通过预测行为与结果之间的关系来实现认知。

LeCun对此有一个具体的定义框架：“你有对世界某一状态的理解，你想象一个可能的动作，然后模型预测在该动作之后，世界会发生什么。”这类似于一种面向动态系统的因果建模方式。

图注：V-JEPA论文： 重访特征预测：从视频中学习视觉表征的方法

Meta在2024年发布的V-JEPA模型，是上述思路的初步实现。该模型并非直接生成图像或视频内容，而是试图在抽象层面预测视频中被遮挡或缺失的信息。这种方式类似“填空”，但预测发生在更高层级的表示空间，而非具体像素。

LeCun解释说：“ 我们不预测像素，而是在抽象表示中进行预测。 理想情况下，这种表示会自动过滤掉那些不可预测或无关的细节。”

这一构想与科学研究中“抽象层级”建立的过程相似。正如物理学中通过粒子、原子、分子、材料的层层抽象来理解世界，LeCun认为，AI系统也需要通过构建中间表征来实现有效的认知与推理。

请到「今天看啥」查看全文