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，用更多合成數據喂模型，雇上幾千人在后訓練階段「管教」系統，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還分享了創業公司AMI（Advanced Machine Intelligence）正在構建的「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據就能理解世界。

Token預測全是泡沫，物理世界才是真相。

有網友辣評道，「meta在AI領域失敗，LeCun是罪魁禍首」。

還有人表示，「LeCun很聰明，在meta保持沉默現在開始發聲了」。

65歲創業，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業，但這次的AMI意義非凡。這次的獨特之處在于一種新現象，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，都一同壟斷了企業的財力。

如今，行業風向正在轉變。FAIR通過開源推動了生態的發展，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外部創辦AMI，專注于「世界模型」，并計劃延續開放研究的傳統。

除非你把論文發表出來，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。

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，FAIR實驗室想要發論文，必須經過MSL批準后才可以。

LeCun再次強調，「如果真的想要突破，需要讓你的員工發表論文。沒有別的辦法。這是目前很多行業正在遺忘的事情」。

下一步，AMI的目標不僅是研究，還會打造實際的產品，比如與世界模型、規劃有關的，并成為智能系統的核心供應商。

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、數據效率、多模態處理上遠遠不足。

我已經說了快十年了，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，然后系統通過優化得出一系列動作，即找出哪一系列動作能最好地完成設定的任務，這就是「規劃」。

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

「世界模型」是設計用來處理，高維、連續和嘈雜的模態數據，LLM完全不行。

真正有效的方法是，學習一個抽象的表示空間，消除關于輸入的不可預測的細節，并在表示空間中進行預測。

這就是，JEPA（聯合嵌入預測架構）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，構建智能系統的正確途徑是通過某種形式的「無監督學習」。

他回顧了自己的研究歷程——

早在2000年代初中期，便開始探索無監督學習，并嘗試通過自編碼器（Autoencoders）來學習表示，但發現表示包含關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（殘差網絡）出世，徹底解決了深層網絡架構訓練問題，也是從這時起，LeCun開始重新思考：

如何推動實現人類水平的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，但發現這行不通，真正的突破在于表示層（Representation Level）進行預測。

JEPA的發展克服了早期孿生網絡（Siamese Networks）的模型坍塌（Collapse）的問題，通過Barlow Twins、VICReg優化表示空間。

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分享了數據質量方面的「苦澀的教訓」（Bitter Lesson）。

訓出一個性能還不錯的LLM，需要互聯網上大約30萬億Token（約10^14字節）的文本數據。

LLM需要巨大的內存，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。

去年發布的V-JEPA 2模型，就是在相當于一個世紀時長視頻數據上訓練的，雖然字節數更多，但視頻數據的冗余性正是自監督學習所需的。

現實世界數據的結構比文本豐富得多，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」必須重現世界所有的細節，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，只模擬現實中相關的部分。

不僅如此，LeCun相信合成數據很有用。但有些基本概念是我們通過經驗習得的，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越感。

LeCun警告，一旦深陷「戰壕」，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很難應付的數據。

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，用更多合成數據，去授權更多數據，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創辦AMI的動因之一。

他透露，AMI這家公司是全球性的，總部將設在巴黎，其全球其他幾個地方，包括紐約設立分辦公室。

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，因為它是被設計用來指代人類水平的智能，但人類智能是超級專業化的。

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、規劃等方向取得重大進展。

我們可能在5-10年內，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。

更現實的是，AI歷史上多次出現未預見的障礙，需要我們發明新概念實現超越。

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（Wernicke area）以及布羅卡區（Broca area）處理。

而LLM已經在語言編碼/解碼上表現不錯，或許能充當大腦的韋尼克區和布羅卡區。

LeCun稱，我們現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，而是統管meta所有AI相關研發和產品，包括四個主要部門：

FAIR（長期研究）

GenAI Lab（專注前沿LLM構建）

AI基礎設施

模型轉化為實際產品的部門

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現在由紐約大學Rob Fergus領導，正被推向「更短期的項目」——

較少強調發表論文，更多專注于協助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設施和產品。

看得出，meta重組重心完全放在了LLM，這也是LeCun選擇出來創業的部分原因。

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：

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

電氣工程、機械工程等傳統工程專業，能提供控制理論、信號處理、優化等對AI極有用的工具；

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

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，這些基礎能讓你在AI快速變化中始終站穩腳跟，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、轉發、在看一鍵三連?

點亮星標，鎖定新智元極速推送！