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？

人工智能学家 · 公众号 · AI · 2025-05-16 18:32

正文

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”

“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。

“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：

🧠 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：

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。

“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。