新智元報道

編輯：桃子 好困

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——不斷訓練LLM，用更多合成數(shù)據(jù)喂模型，雇上幾千人在后訓練階段「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，而且永遠都不可能成功。

任職12年，即將暴走meta的65歲圖靈獎得主，在公眾場合的觀點愈加偏激了。

這場近2小時的對談中，LeCun的觀點一針見血——

硅谷對不斷「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，他正把一生的學術(shù)聲譽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行預測，而不是簡單地像素級輸出。

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

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

Token預測全是泡沫，物理世界才是真相。

有網(wǎng)友辣評道，「meta在AI領(lǐng)域失敗，LeCun是罪魁禍首」。

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FAIR

播客開場，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這樣的大實驗室，都一同壟斷了企業(yè)的財力。

如今，行業(yè)風向正在轉(zhuǎn)變。FAIR通過開源推動了生態(tài)的發(fā)展，但近年來越來越多實驗室選擇閉源，OpenAI、谷歌，甚至meta也不例外。

在LeCun看來，這種閉源趨勢，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實驗室想要發(fā)論文，必須經(jīng)過MSL批準后才可以。

LeCun再次強調(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的目標不僅是研究，還會打造實際的產(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)處理上遠遠不足。

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」能夠預測一個動作或一系列動作的后果，然后系統(tǒng)通過優(yōu)化得出一系列動作，即找出哪一系列動作能最好地完成設(shè)定的任務(wù)，這就是「規(guī)劃」。

因此，LeCun認為，智能的一個重要部分是能夠預測行動的后果，然后將其用于規(guī)劃。

「世界模型」是設(shè)計用來處理，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，學習一個抽象的表示空間，消除關(guān)于輸入的不可預測的細節(jié)，并在表示空間中進行預測。

這就是，JEPA（聯(lián)合嵌入預測架構(gòu)）的想法。

論文地址：https://arxiv.org/pdf/2509.14252

將近有20年的時間，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)督學習」。

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)督學習，并嘗試通過自編碼器（Autoencoders）來學習表示，但發(fā)現(xiàn)表示包含關(guān)于輸入的所有信息是個錯誤。

后來，他意識到需要「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)訓練問題，也是從這時起，LeCun開始重新思考：

如何推動實現(xiàn)人類水平的AI？

他意識到，強化學習等方法，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，他在像素級預測視頻，但發(fā)現(xiàn)這行不通，真正的突破在于表示層（Representation Level）進行預測。

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，進一步推進了這一思路。

論文地址：https://arxiv.org/pdf/2511.08544

對于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」（Bitter Lesson）。

訓出一個性能還不錯的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，來存儲這些孤立的事實。

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

一個4歲孩子醒著時看到的視覺信息，大約是16,000小時。

去年發(fā)布的V-JEPA 2模型，就是在相當于一個世紀時長視頻數(shù)據(jù)上訓練的，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)督學習所需的。

現(xiàn)實世界數(shù)據(jù)的結(jié)構(gòu)比文本豐富得多，這也是為什么LeCun堅稱，只靠文本訓練永遠無法達到人類水平的AI。

關(guān)于理想化的「世界模型」，LeCun回應了主持人對《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)世界所有的細節(jié)，這不僅錯誤，還會有害。

「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)驗習得的，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

針對硅谷LLM狂熱的文化，LeCun的批評尤為尖銳。

他指出，AI行業(yè)存在一種危險的「羊群效應」——

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。

這導致，硅谷形成了「單一的文化」，甚至這背后多少帶著點優(yōu)越感。

LeCun警告，一旦深陷「戰(zhàn)壕」，就只能拼命往前沖，因為誰也承擔不起被競爭對手甩開的風險。

但更大的風險是，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，便不會相信這樣一條路徑：

只要不停地訓練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練，在強化學習（RL）上不斷加點新花樣，你就能一路走到ASI。

我認為這完全是扯淡，這條路根本不可能成功！

「沒錯，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

當被問及AGI時間線，LeCun先澄清：不存在「通用智能」這種東西！

這個概念完全沒有意義，因為它是被設(shè)計用來指代人類水平的智能，但人類智能是超級專業(yè)化的。

所以AGI這個概念完全是胡扯。

話又說回來，他還是認為，我們會擁有在所有領(lǐng)域都和人類一樣好或更好的機器。

「但這不會是一個單一事件，這將是非常漸進的」。

他樂觀地預測道，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)實的是，AI歷史上多次出現(xiàn)未預見的障礙，需要我們發(fā)明新概念實現(xiàn)超越。

那可能需要20年，甚至更久。

有趣的是，LeCun認為最難的部分不是從狗到人類，而是達到狗的水平——

一旦你達到了狗的水平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，或許能充當大腦的韋尼克區(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，三周倒計時

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)化為實際產(chǎn)品的部門

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

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

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

GenAI Lab也有一個首席科學家，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還點評了一些大模型公司，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，會專注哪些技能和方向」？

LeCun的回答直擊要害，學習那些「保質(zhì)期長」（long shelf life）的知識，以及能讓你「學會如何學習」的東西。

因為技術(shù)演變得太快了，你需要具備快速學習的能力。

他開玩笑地說，「保質(zhì)期長的東西，往往不是計算機科學」。

所以，作為一個計算機科學教授，我勸大家別學計算機科學。

不過，LeCun還是給出了一些具體的建議，其中包括：

深入學習數(shù)學（微積分、線性代數(shù)、概率論）、建模基礎(chǔ)，尤其是能與現(xiàn)實世界聯(lián)系的數(shù)學（工程學科中常見）；

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

物理學也是絕佳選擇：物理學的核心就是「如何表征現(xiàn)實以建立預測模型」——這正是智能的本質(zhì)；

計算機科學只需學到能熟練編程和使用計算機的程度（即使未來AI寫代碼，你仍需懂底層）；

別忘了學點哲學。

LeCun強調(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

秒追ASI

?點贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點亮星標，鎖定新智元極速推送！