1. 从一场“泼冷水”的演讲说起我们离真正的智能还有多远最近AI领域一位重量级人物——Meta首席AI科学家、图灵奖得主杨立昆Yann LeCun——的一番言论在圈内圈外都激起了不小的波澜。他直言不讳地指出现有基于大规模文本数据训练的大语言模型LLM路径永远无法实现人类水平的人工智能AGI。这话听起来像是一盆冷水浇在了当前如火如荼的AI热潮上。但作为一名在技术一线摸爬滚打多年的从业者我反而觉得这盆“冷水”来得正是时候。它迫使我们从对“GPT-5”、“Claude-Next”的狂热期待中抽身冷静下来思考一个更根本的问题我们当前所追逐的究竟是不是通往真正智能的正确道路杨立昆的核心论点并不复杂人类和动物的智能其根基在于对物理世界如何运作拥有一个内在的、持续的模型。一个婴儿不需要阅读万亿级别的文本就能通过观察、触摸、互动在极短的时间内理解重力、物体的永久性、因果关系等基本概念。而今天的大模型本质上是一个“文本统计引擎”它擅长根据概率生成流畅、看似合理的文本但它并不“理解”文本背后所指代的真实世界。它不知道“苹果”有重量、会落地、有味道它只知道在统计上“苹果”这个词经常与“吃”、“红色”、“水果”等词共现。这种基于模式匹配的“智能”与基于世界模型理解的“智能”存在着本质的鸿沟。所以这篇文章不是要唱衰AI恰恰相反是想和大家一起剥开当前AI应用华丽的外衣深入探讨其技术内核的局限性并看看像杨立昆这样的先驱者所指出的新方向——基于联合嵌入预测架构JEPA的世界模型——究竟意味着什么。无论你是AI开发者、产品经理还是对技术趋势感兴趣的观察者理解这场争论的底层逻辑都能帮助你在未来的技术浪潮中做出更清醒的判断和更扎实的布局。2. 现有范式的“阿喀琉斯之踵”为什么大语言模型有天花板要理解杨立昆的批评我们必须先彻底搞明白当前主导AI发展的“大语言模型预测下一个词”范式到底是如何工作的以及它的能力边界究竟在哪里。2.1 “预测下一个词”的本质一个超级强大的模式匹配器当今所有顶尖的大模型其训练的核心目标惊人地一致给定一段上文预测下一个最可能出现的词或token。这个过程通过海量文本互联网规模的语料反复训练一个拥有千亿甚至万亿参数的神经网络来实现。模型在训练中不断调整内部参数使得它对训练数据中出现的序列概率分布拟合得越来越好。你可以把它想象成一个拥有近乎无限记忆力和关联能力的“鹦鹉”。它听过读过所有人类写过的高质量文本因此当你给出一个开头时它能基于统计规律“模仿”出最像人类的下文。它生成的代码、诗歌、分析报告之所以令人惊艳是因为在它的训练数据中优秀的代码、优美的诗歌、严谨的报告模式反复出现它只是将这些模式以极高的保真度复现和重组了。注意这里说的“模仿”和“复现”并非贬义而是对其工作机制的技术性描述。这种能力本身已经带来了革命性的生产力工具。2.2 四大固有缺陷无法跨越的鸿沟然而这种基于概率统计的范式从根子上就决定了它难以具备真正的理解、推理和规划能力。主要体现在四个方面1. 缺乏物理世界的“接地气”体验这是最根本的缺陷。人类的认知建立在与三维、连续、遵循物理定律的世界互动之上。我们知道玻璃杯是易碎的因为它掉在地上会摔碎我们知道火是烫的因为摸过会疼。这种“具身认知”是常识的源泉。而大模型的所有“知识”都来自离散的、符号化的文本描述。它“知道”玻璃杯易碎是因为无数文本中提到了这一点但它无法将这个符号与重力、动量、材料脆性等物理量关联起来。因此当面对需要物理常识或空间推理的问题时例如“把一个装满水的球形鱼缸倒过来水会立刻全部洒出吗”模型很可能给出符合语法但物理上荒谬的答案。2. 对因果关系的混淆与无力人类擅长区分相关性和因果关系。大模型则极度擅长发现相关性但无法建立真正的因果模型。例如数据中可能显示“公鸡打鸣”和“太阳升起”高度相关模型会学会将两者关联但它无法理解是黎明光线变化刺激了公鸡打鸣一个可能的因果方向更无法理解地球自转才是根本原因。它的“推理”本质上是条件概率的链式展开而非基于因果机制的推演。这使得它在需要进行反事实推理“如果当时没做A结果会怎样”或规划多步复杂任务时显得笨拙且不可靠。3. 静态的知识与僵化的“世界观”大模型的“知识”在训练完成后就被基本冻结了。虽然可以通过检索增强RAG获取新信息或通过微调注入新数据但其核心的“世界观”和推理方式很难发生根本性改变。而人类和动物的学习是持续、增量且交互的。我们通过一次新的经历就能迅速更新对某个事物或规律的认知。大模型要获得同等程度的更新可能需要重新训练整个模型成本极高。这导致了所谓的“模型陈旧化”问题。4. 对错误极其敏感缺乏稳健性由于依赖概率采样大模型的输出具有内在的随机性。更关键的是它对输入的微小扰动提示词的轻微调整可能产生截然不同的输出有时甚至会在正确与荒谬之间摇摆。这种不稳定性源于它没有形成一个内部一致的、基于世界模型的“信念”。它的每一次生成都是一次全新的概率游戏而非基于稳定理解的推导。实操心得在实际产品开发中我们经常需要为模型设计复杂的“护栏”和“后处理”逻辑来规避这些缺陷。比如在涉及物理操作的客服机器人中我们会严格限制其回答范围或将其答案传递给基于规则的系统进行二次校验。这本身就说明了当前技术作为“通用大脑”的不足。3. 杨立昆开出的“药方”世界模型与JEPA架构批评容易建设更难。杨立昆并非空谈家他和他所在的Meta FAIR实验室早已在探索一条不同的路径。这条路径的核心就是让AI像婴儿一样学习构建一个能够预测世界状态的“世界模型”。3.1 什么是“世界模型”简单说世界模型是智能体无论是生物还是机器大脑中对环境如何运作的一种内部模拟。这个模型允许智能体预测预测自身或他人行动将导致什么后果。“如果我推这个积木它会掉下去。”规划在内心模拟中测试多种行动方案选择最优解。“要拿到远处的玩具我可以绕开障碍物A或者推开障碍物B哪种更快更省力”理解为感知到的信息提供解释。“杯子碎了可能是因为它从桌上掉下来了。”人类无时无刻不在运用世界模型。当你接住一个飞来的球时你的大脑并未解算复杂的空气动力学方程而是基于内化的物理模型瞬间做出了预测和反应。3.2 联合嵌入预测架构如何让机器学会“想象”如何让机器学会构建这样的模型杨立昆提出的核心框架是联合嵌入预测架构。为了理解它我们可以将其与生成式模型如GPT所用的扩散模型或自回归模型进行对比。特性生成式模型 (如GPT, 扩散模型)联合嵌入预测架构 (JEPA)核心目标生成与输入数据相似的高保真细节数据如补全句子、生成图片。学习数据在不同抽象层次上的表征并预测其在潜在空间中的状态。输出形式像素级的图像、具体的词汇。高层次的、抽象的表征。关键思想“补全”缺失的部分追求细节的精确。“理解”世界的状态变化容忍无关细节的差异。类比一位画家要求他精确地补全一幅名画缺失的一角。一位战略家观看战场沙盘预测敌我双方主力部队下一小时的可能位置而不关心某个士兵是否换了双鞋。JEPA的工作流程可以概括为编码将当前世界的状态例如一张包含机器人、桌子和杯子的图片通过一个编码器压缩成一个抽象的、包含核心信息的表征向量。预测在这个抽象的“表征空间”里模型学习一个预测器。给定当前状态的表征和将要执行的动作例如“机械臂向右移动10厘米”预测器会输出对未来状态的表征的预测。对比将预测出的未来状态表征与真实发生的未来状态经过另一个编码器得到的表征进行对比。训练的目标是让这两个表征在抽象意义上“相似”即它们表达的高层次信息如“杯子被推动了”、“位置关系改变了”是一致的而不要求低层次细节如杯子表面的反光斑点完全一致。这样做的好处是巨大的效率高模型不再需要费力地预测每一个像素或词汇只需关注那些对决策有用的抽象特征。更稳健忽略无关细节使模型对噪声不敏感更能抓住事物变化的本质。可规划有了这个内部模拟器智能体就可以在“脑海”表征空间里反复试验不同行动序列的结果从而找到实现目标的最佳路径实现真正的规划。3.3 从JEPA到自主智能一条漫长的道路JEPA是构建世界模型的一个核心模块但还不是智能的全部。杨立昆勾勒的完整愿景是一个分层的、模块化的架构底层感知模块和世界模型JEPA负责理解当前环境和预测短期未来。中层成本模块评估不同状态和行动的“好坏”类似于动物对危险、饥饿、舒适的本能判断。高层规划模块利用世界模型进行“思维实验”搜索能最大化长期收益最小化成本的行动序列。这套架构试图模仿的是哺乳动物尤其是人类的大脑结构。它承认智能是多种能力感知、记忆、预测、评估、规划的复杂综合体而非一个单一的、巨大的“下一个词预测”网络。目前面临的挑战如何训练训练一个能准确预测复杂世界状态的JEPA比训练一个语言模型困难得多。它需要多模态视频、动作、传感器数据的、序列化的交互数据。如何表征动作在抽象空间中如何有效地表征“推开”、“拿起”等动作并将其与状态变化关联是一个开放问题。分层与整合如何将不同时间尺度和抽象层次的JEPA预测下一秒的物理运动 vs. 预测一小时后完成的任务有效地整合起来形成统一的世界模型是工程和理论上的巨大挑战。4. 现实影响与我们的应对策略杨立昆的观点并非要否定当前大模型的价值而是为AI的长期发展敲响警钟并指明方向。那么这对我们这些身处行业中的开发者、创业者和投资者意味着什么4.1 当前大模型定位为“超级副驾驶”而非“通用大脑”我们必须清醒地认识到在未来可预见的5-10年内基于现有范式的大模型其最可靠、最经济的定位是“领域专家”和“创造力增强工具”而非能够独立完成复杂物理任务或进行深度科学发现的“通用智能”。正确的打开方式包括文本处理与创作写作辅助、代码生成、翻译、摘要、润色。这是其核心优势区。信息检索与合成结合RAG技术充当一个理解力极强的“知识库接口”快速整合信息。复杂系统接口作为自然语言界面调度和指挥其他专用软件、数据库或API完成任务。例如用户说“帮我分析上季度的销售数据并做一份PPT”模型可以分解任务调用数据分析工具和PPT生成工具。娱乐与陪伴游戏NPC、互动故事、聊天伴侣。在这些对物理真实性要求不高的领域大模型可以大放异彩。需要警惕的应用场景完全自主的物理操作如无人驾驶、家庭机器人执行复杂家务。这些任务极度依赖对不确定物理世界的实时理解和预测纯大模型方案风险极高。高风险决策医疗诊断、金融风控、司法判决。这些领域需要严谨的因果逻辑和可解释性大模型的“黑箱”特性是其致命伤。需要长期记忆和持续学习的个性化代理当前模型的上下文长度和持续学习能力仍是瓶颈。4.2 技术选型与架构设计走向混合智能鉴于两种路径的优缺点最务实的策略是走向“混合智能”架构。即在系统中让大语言模型擅长符号处理、语言理解与传统的符号推理系统、基于模型的规划器、专有的物理仿真环境等协同工作。一个典型的混合架构可能是这样的用户输入自然语言指令。大模型解析与规划LLM将指令分解为高级任务步骤“1. 识别桌面上的杯子2. 规划机械臂抓取路径3. 执行抓取并移动到目标位置”。专用模块执行步骤1交给计算机视觉模型处理。步骤2交给基于物理引擎的路径规划器计算。步骤3生成具体的控制指令发送给机器人执行。大模型监控与协调LLM汇总各模块的执行状态处理异常并向用户反馈。在这种架构下LLM扮演“项目经理”或“大脑皮层”的角色负责高层次的任务理解和分解而各个专用模块包括未来可能的世界模型则是负责执行的“小脑”和“脊髓”。这样既发挥了LLM强大的泛化理解和交互能力又用更可靠、可解释的专门技术保障了核心任务的成功率与安全性。4.3 研发投入的思考关注基础架构与新型学习范式对于有长期视野的团队在全力应用现有大模型的同时也应该分出一部分精力关注世界模型、JEPA、具身智能等前沿方向。可以着手探索的领域多模态时序数据学习收集和利用视频-动作配对数据尝试训练简单的预测模型。例如用机器人操作视频训练一个预测物体运动的小型网络。仿真环境中的强化学习在高度拟真的物理仿真环境如Isaac Gym、MuJoCo中训练智能体完成复杂任务这是孕育世界模型的温床。神经符号结合探索如何将神经网络的感知能力与符号逻辑系统的推理能力更紧密地结合提升系统的可解释性和推理可靠性。这些投入短期内可能看不到商业回报但它们是在为下一代AI基础设施积累经验和技术债。当世界模型的技术突破临界点时拥有相关经验和人才的团队将获得巨大的先发优势。5. 常见迷思与问题澄清围绕这场争论存在不少误解。这里集中解答几个最常见的问题。Q1: 杨立昆是不是在否定深度学习和大模型的所有成就A1绝对不是。他是深度学习的奠基人之一他的批评是“建设性”的。他否定的是将“大语言模型预测下一个词”这条技术路径视为通往AGI的“唯一道路”或“终极答案”的想法。他认为这是条捷径但走不到终点。他肯定了大模型在诸多应用上的巨大成功但认为我们需要寻找更基础、更接近生物智能本质的新范式。Q2: 世界模型和强化学习是什么关系A2互补且层次不同。强化学习RL是让智能体通过试错学习“做什么”策略以获得最大奖励。而世界模型是智能体理解“会发生什么”环境动力学的内部模型。一个强大的世界模型可以极大地提升强化学习的效率因为智能体可以在内部模型中进行“想象式”试错而无需在真实环境中进行成本高昂甚至危险的探索。可以说世界模型是高级强化学习的“发动机”。Q3: 我们还需要追求更大的模型和更多的数据吗A3在现有范式下 scaling law缩放定律依然有效更大的模型和更多的数据确实能带来能力的持续提升。但这种提升是量变可能无法引发质变如真正的理解、因果推理。杨立昆的观点是我们需要在架构和训练目标上进行根本性创新质变而不仅仅是规模上的扩展量变。对于企业应用而言在成本可控的范围内追求更优的模型规模依然是主流做法。Q4: 作为普通开发者现在学习大模型技术会不会很快过时A4完全不会过时反而至关重要。当前的大模型技术正如21世纪初的互联网技术一样正处于其应用爆发的“黄金时代”。掌握它意味着你掌握了未来5-10年最重要的生产力工具之一。世界模型等前沿研究从实验室走向成熟应用还需要很长的时间。最好的策略是“脚踏两条船”一只脚牢牢踩在当下如火如荼的大模型应用开发中创造实际价值另一只脚稍稍探向世界模型、具身智能等前沿方向保持关注和学习为未来的范式转移做好准备。Q5: 杨立昆的愿景何时能实现A5这是一个价值万亿美元的问题没有人能给出确切时间表。共识是这比单纯扩大语言模型规模要困难得多。它可能还需要多次基础理论的突破。乐观估计具有初级世界模型能力的AI系统可能在10-15年内出现于特定的受限环境如工厂、仓库。而达到人类水平的通用世界模型可能需要数十年甚至更久。但这正是科研的魅力所在——探索未知挑战极限。这场由“AI教父”引发的讨论其意义不在于给出一个立即可用的解决方案而在于为我们提供了一面镜子照见了当前AI繁荣背后的技术本质与局限。它提醒我们在享受技术红利的同时保持一份清醒的认知和开放的心态去拥抱那些更基础、也更艰难的探索。因为真正的智能革命或许正藏在这些看似“迂回”的道路尽头。对于我们每一位从业者而言最明智的做法或许就是深度参与现在认真准备未来。