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”
✍️ 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:
-
-
🧠 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。
✍️ 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。