杨立昆泼冷水：世界模型或是AI突破口，人形机器人智能不足

在麻省理工学院生成式AI影响力联盟的研讨会上，Meta首席AI科学家、纽约大学教授Yann LeCun再次抛出争议性观点。这位2018年图灵奖得主直言，当前主流的大语言模型技术实属“死胡同”，并坦言“这类系统永远无法达到人类水平的智能”。与此同时，他给人形机器人领域的热潮泼了盆冷水：“行业最大的秘密是，没有公司真正知道如何让机器人具备足够的通用智能。”

回溯至1987年，当AI学术界沉迷于专家系统研究时，年轻的LeCun在巴黎完成了关于“连接主义学习模型”的博士论文。这项奠定神经网络反向传播算法基础的研究，在当时显得格格不入。“或许是因为天真或无知，”他回忆道，“本科时我就被自组织系统的概念吸引——自然界中的生命都具备适应能力，而拥有神经系统的生物都能学习。”这种信念支撑他在不受主流认可的领域坚持研究，直到遇见导师Maurice Milgram后才正式开启学术生涯。

2016年NeurIPS大会上，LeCun提出的“蛋糕理论”引发学界震动。他将人工智能体系比作三层蛋糕：自监督学习构成主体，监督学习是糖霜，强化学习仅作点缀。“当时DeepMind等机构全力投入强化学习，但我始终认为这种路径效率低下。”他指出，强化学习需要海量试错次数，而理想系统应通过观察世界自主构建认知模型。这种理念在十年前就已萌芽，团队尝试用未标注数据训练系统预测视频内容，却发现视频预测的复杂性远超文本处理。

“给会议室拍摄视频并平移镜头后，系统根本无法预测每个人的长相或房间细节，”LeCun举例说明，“有些信息本质上是不可预测的，强行要求系统完成这类预测只会扼杀其发展。”经过五年探索，团队意识到必须突破传统框架。2024年ChatGPT引发的技术革命中，Meta推出的Llama模型虽取得商业成功，但LeCun强调自己未参与技术核心开发，称其最初只是巴黎团队的“海盗项目”。

面对行业巨头今年在AI基础设施上投入的3230亿美元，LeCun用数据对比揭示现存局限：以Llama 3为例，其训练使用的30万亿token总量，相当于人类阅读40万年才能完成的文本量。而四岁儿童在清醒的16000小时内，通过视觉神经接收的数据量就已达到同等规模。“这暴露出关键缺失——AI系统需要从视频等高带宽感官数据中学习，仅靠文本训练永远无法企及人类智能。”他直言，当前系统最多只能成为“反刍训练内容的工具”，连家猫的认知能力都难以超越。

在学界普遍追逐生成式模型的背景下，LeCun团队过去五年专注开发JEPA架构。这种联合嵌入预测架构通过编码器将视频转化为表征空间，在保留可预测信息的同时消除不可预测细节。“关键在于诱导系统在表征中承载足够信息，同时过滤无关细节。”他透露，Meta实验室的对比实验显示，非生成式架构在图像任务上的表现已超越监督模型，这为自然感官数据处理提供了新范式。

具体应用方面，巴黎团队开发的Dino系统已展现出通用视觉编码器的潜力，被广泛应用于医学图像、生物分析和天文学领域。更值得关注的是V-JEPA项目，研究者用相当于一个世纪的视频量训练系统，使其能识别视频中的异常事件。“当物体突然消失或变形时，预测误差会显著上升，这是系统获得常识的初步迹象。”在机器人领域，基于世界模型的系统已实现零样本任务完成，无需针对特定场景进行强化学习训练。

对于AI安全议题，LeCun提出与主流观点截然不同的解决方案。他主张构建“目标驱动”的架构，通过硬编码护栏确保行为可控。“就像为家用机器人设定底层规则：当周围有人且手持刀具时，禁止挥动手臂。”他将这种设计类比于人类法律体系，“我们数千年来都在通过规则引导行为，设计安全护栏的难度并不超过制造喷气式飞机。”

当被问及对年轻研究者的建议时，LeCun强调应关注具有持久价值的理论基础。“在移动应用编程和量子力学之间，即便你是计算机专业学生，也应该选择后者。”他解释道，量子力学培养的路径积分抽象思维，对语音识别解码等现实问题具有普适价值。“未来博士生将拥有AI虚拟助手团队，人类需要提升认知层级，把底层工作交给机器。”

免责声明

游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

同类文章