Alex Wang“没资格接替我”！Yann LeCun 最新访谈揭露 Meta AI“内斗”真相，并直言 AGI 是“彻头彻尾的胡扯”

“通往超级智能的那条路——无非是不断训练大语言模型、喂更多合成数据、雇上几千人做后训练、再在强化学习上搞点新花样——在我看来完全是胡扯，这条路根本行不通。”

近日，在一档名为《The Information Bottleneck》的访谈栏目中，主持人 Ravid Shwartz-Ziv 和 Allen Roush 与图灵奖得主、前 Meta 首席 AI 科学家 Yann LeCun 展开了一场近两小时的高质量对话，在访谈中，LeCun 解释了为什么会在 65 岁这个别人已经退休的年纪他还在创业，此外，他也对当前硅谷主流的人工智能发展路径给出了罕见而尖锐的评价。

结束在 Meta 长达 12 年的职业生涯后，LeCun 正将个人学术声誉与职业“遗产”押注在一套截然不同的 AI 愿景之上。他直言，业界对大语言模型规模化的执念，正在把人工智能引向一条看似高速、实则封闭的死胡同。

在 LeCun 看来，真正制约 AI 进步的关键，并不是如何更快地逼近“人类级智能”，而是如何跨越一个常被低估却极其困难的门槛——让机器具备“狗的智能水平”。这一判断挑战了当前以语言能力和知识覆盖面为中心的评估体系。在他看来，现实世界中的理解、预测和行动能力，远比生成流畅文本复杂得多，而现有以语言为核心的模型，并未真正触及这一问题的本质。

基于这一判断，LeCun 正通过其新公司 AMI 推动另一条技术路线：构建能够理解和预测世界的“世界模型”（World Models）。与主流生成模型直接在像素或文本层面进行输出不同，AMI 的核心思路是在抽象表征空间中对世界运行规律进行建模和预测。这种模型关注的不是“生成看起来像什么”，而是“世界将如何演化”，从而为机器提供更接近真实认知的基础能力。

这番表态再次凸显了 LeCun 与当前主流 AI 叙事之间的分歧。在行业普遍押注算力、数据和参数规模的背景下，他选择回到认知与感知的基本问题，试图重新定义通往通用人工智能的技术路径。对 LeCun 而言，这不仅是一场技术路线之争，也是一场关乎 AI 未来方向的长期下注。

以下为访谈实录，经由 InfoQ 翻译及整理：

Ravid Shwartz-Ziv ：你最近宣布，在 12 年后离开 Meta，正在创办一家新的创业公司，专注于先进的机器智能，并且致力于世界模型的研究。首先，从大公司转向从零开始创业，身处其中感觉如何？

Yann LeCun：我离开 Meta 创立新公司，是看到当前 AI 投资热潮让长期研究型创业成为可能。以前这类研究只能依托于 IBM、贝尔实验室这类垄断型大企业，或是微软、谷歌、Meta 等大公司的研究院。

近年来，尽管我们推动的开放研究曾影响整个领域，但如今包括谷歌、OpenAI 甚至 Meta 在内的许多实验室正转向封闭。因此，我认为现在正是时候在 Meta 之外继续推进我所专注的研究方向。

Allen Roush：那我想确认下，您的公司 AMI（先进机器智能）是否计划以开放的方式进行研究？

Yann LeCun：是的。就拿上游研究来说，我认为，除非公开发表成果，否则不能称之为真正的研究。如果你只是自己想出一个东西，觉得它前所未有的好，却不提交给学界检验，那很可能只是错觉。

我在很多工业研究实验室都多次见过这种现象：内部对一些项目过度追捧，却没有意识到别人已经在做更出色的工作。所以，如果你要求科学家发表工作，首先，这会激励他们做出更好的研究——研究方法会更严谨，结果会更可靠。这对他们自身也有益，因为一个研究项目对产品产生影响，常常需要数月、数年甚至数十年。你不可能告诉研究人员“来为我们工作，但别透露你的研究内容，或许五年后你就能对某个产品产生影响”——这在期间他们无法获得足够的动力去做真正有用的工作，而只会倾向于做有短期影响的事情。

因此，如果你真的想要取得突破，就必须允许人们发表。没有其他途径。而这是目前很多行业都在忘记的一点。

Allen Roush：AMI（先进机器智能）它会推出产品吗？它仅专注于研究，还是有更广泛的规划？

Yann LeCun：不，远不止于此。它最终是要推出实际产品的。这些产品将围绕世界模型和规划等核心技术展开。我们的雄心是，未来能成为智能系统的主要供应商之一。

我们认为，当前基于大语言模型的架构，虽然在语言处理上尚可，但其构建的智能体系统并不理想。它们需要海量数据来模仿人类行为，且可靠性有限。

要解决这个问题，正确的方法——也是我近十年来一直主张的——是构建能够预测 AI 行为后果的模型。然后，系统通过优化计算，找出最优行动序列来完成任务，这就是规划。我认为，智能的核心在于能预测自身行动的后果，并用于规划。

这正是我多年来专注的方向。我们结合了纽约大学和 Meta 的研究项目，已经取得了快速的进展。现在，是时候将这些构想变为现实了。

Ravid Shwartz-Ziv：那么，您认为目前还缺少哪些关键部分？为什么这个过程花了这么长时间？毕竟，正如您所说，您已经为此研究了许多年，但它目前依然没有超越大语言模型，对吧？

Yann LeCun：世界模型与大语言模型是两回事。它旨在处理高维度、连续且含噪声的数据模态，而大语言模型对此完全无能为力——它们处理图像或视频表征的效果并不理想。通常，AI 的视觉能力是分开训练的，并不属于 LLM 架构的一部分。

所以，要处理这类数据，你不能使用生成模型，尤其不能使用那些将数据“切分”成离散符号的生成模型。大量实证表明，这行不通。

真正有效的方法是：学习一个抽象的表征空间。这个空间会滤除输入中大量无法预测的细节（包括噪声），然后在这个表征空间内进行预测。这就是 JEPA（联合嵌入预测架构）的核心思想。

让我回溯一下这段研究历程。我大概在近 20 年前就确信，构建智能系统的正确途径是某种形式的无监督学习。

在 21 世纪初，我开始以此为方向探索。当时的主流思路是训练自编码器来学习表征：编码器将输入转化为表征，再解码还原，以确保表征包含输入的全部信息。但后来发现，这种“表征必须包含全部信息”的直觉是错的，它并非好方法。那时我们并不知晓，尝试了多种方案，例如受限玻尔兹曼机、去噪自编码器，而我主攻稀疏自编码器——通过高维稀疏表征来构建信息瓶颈，限制表征中的信息量。

我和一些学生（包括后来成为 DeepMind 首席技术官的 Koray Kavukcuoglu）围绕此做了不少博士研究。我们当时的核心目标，是希望通过这种自编码器预训练来搭建非常深的神经网络。

然而，事情出现了转折。随着归一化、ReLU 激活函数等技术的出现，以及数据集规模的扩大，我们发现在完全有监督的方式下也能成功训练相当深的网络。于是，自监督/无监督学习的想法就被暂时搁置了。后来，ResNet 在 2015 年出现，基本解决了训练极深架构的问题。

但也是在 2015 年，我开始重新思考如何迈向人类级别 AI 这个初心。我意识到，强化学习等方法在样本效率上极低，难以扩展。于是，“世界模型”的想法——即系统能预测自身行动后果并进行规划——开始真正成型。

我在 2016 年 NIPS 大会的主题演讲中，就以此为核心主张。随后，我和学生开始在视频预测等领域进行具体研究。但我们（包括当时的整个领域）犯了一个同样的根本性错误：试图在像素级别进行预测。这在视频这样的高维连续空间里是几乎不可能的。

我知道因为预测本质是非确定性的，所以模型需要潜变量来表征未知信息。我们为此实验了多年，也探索了扩散模型、基于能量的模型等训练非确定性函数的方法。

最终，我领悟到根本的出路是放弃像素级预测。关键在于运行一个表征，并在表征层面进行预测，滤除所有无法预测的细节。

但我早期没有深入探索这种方法，是因为担心一个重大问题：坍缩。简单来说，如果你仅以最小化预测误差为目标来端到端地训练整个系统（编码器+预测器），系统会找到一个“作弊”的捷径：忽略输入，直接输出恒定的表征，使预测问题变得 trivial。这个问题在 90 年代研究连体网络（即联合嵌入架构的早期形式）时我就已经知晓。

Allen Roush：回到上世纪 90 年代，其实当时和现在用的还是同一个术语。直到最近，人们仍然在这些网络里使用它。

Yann LeCun：没错，这个概念本身至今依然是成立的。你可以把问题抽象成这样：有一个 X 和一个 Y，把 X 看作是 Y 的某种退化、变换或被破坏后的版本。然后你把 X 和 Y 同时送入编码器，并告诉系统：X 和 Y 本质上是同一个事物的两个视角，因此它们对应的表征应该是相同的。

问题在于，如果你只是简单地训练两个共享权重的神经网络，让它们对同一对象的略微不同版本输出相同的表示，系统很快就会“塌缩”，学不到任何有用的东西。因此，你必须确保系统能够从输入中尽可能多地提取信息。

我们当年在 1993 年提出 Siamese Network 的时候，采用的核心思路是加入一个对比项（contrastive term）。也就是说，除了相似样本对，你还引入不相似的样本对，通过训练让系统在相似样本上拉近表示，在不相似样本上拉远表示。最终形成一个代价函数：相似样本吸引，不相似样本排斥。

这个想法最初来自一个非常实际的需求。有人找到我们，说能不能把手写签名编码成少于 80 个字节？如果可以，就能把签名写进信用卡的磁条里，用于信用卡签名验证。于是我们设计了一个神经网络，输出 80 个变量，每个变量量化成 1 个字节，通过对比学习来训练它。结果效果非常好。

但后来他们把方案拿给业务部门看，得到的反馈却是：“我们干脆让用户输入 PIN 码好了。”这对我来说是一次非常典型的教训：技术上可行，并不意味着商业上会被采纳。我当时就觉得这件事本身有点不靠谱，因为欧洲已经在使用智能卡了，技术路径完全不同。

到了 2000 年代中期，我和两位学生重新回到这个方向，提出了新的目标函数。这就是后来人们所说的对比学习方法：正样本、负样本，正样本对应低能量，负样本对应高能量，能量本质上就是表征之间的距离。我们在 2005 年和 2006 年的 CVPR 上发表了两篇论文，作者包括 Raia Hadsell（现在是 DeepMind 基础研究部门负责人）以及 Sumit Chopra（现为纽约大学教授，研究医学影像）。

这些工作在社区中引起了一定关注，也让对比学习重新“活”了过来，但效果依然不算理想。比如在图像任务中，这类方法学到的表示维度往往很低。即便在 ImageNet 上训练，表征的有效维度也就两三百，这在当时是相当令人失望的。

大约五年前，我在 MIT 的一位博士后 Stefan（Stefano）提出了一个我最初并不看好的想法：直接最大化编码器输出的信息量。我之所以怀疑，是因为早在 1980 年代，Geoff Hinton 就做过类似尝试——信息量本身是很难最大化的，因为我们通常只有上界，没有可计算的下界。

但 Stefan 提出了一个方法，后来被称为 Barlow Twins，名字来自一位提出信息最大化思想的理论神经科学家。结果这个方法居然真的奏效了。这让我意识到：这个方向值得深入推进。

随后，我们又提出了 VICReg（Variance–Invariance–Covariance Regularization），结构更简单，效果反而更好。最近我和 Randall 还讨论了一个可以进一步工程化的方案，叫 SigReg，整个系统被命名为 Lojic-JEPA。SigReg 的核心思想，是约束编码器输出的向量分布接近各向同性高斯分布。

这个领域正在快速发展，我认为未来一两年内还会有显著进展。这是一条非常有前景的技术路线，用来训练能够学习抽象表征的模型，而抽象表征恰恰是关键。

大模型现在缺失的关键要素是什么

Ravid Shwartz-Ziv：在你看来，现在还缺失的关键要素是什么？是更多算力，还是更好的算法？你是否认同“苦涩的教训”（Bitter Lesson）？另外，你怎么看 2022 年之后互联网数据质量下降的问题？有人把 LLM 之前的数据称为“低背景辐射钢铁”，你认同这种说法吗？

Yann LeCun：我觉得自己基本上不太受这个问题的影响。原因很简单：如果你要训练一个性能还算过得去的大语言模型，就必须使用几乎整个互联网中所有可获取的文本数据，再加上一些合成数据和授权数据。两三年前，一个典型模型的预训练规模大约是 30 万亿 token。一个 token 大概 3 个字节，这相当于 10¹⁴ 字节的数据量。

这意味着什么？意味着模型必须具备极大的存储能力，因为文本中包含的是大量相互孤立的事实。文本冗余度并不高，本质上是“记忆型”数据，因此你需要非常大的网络来存储并复述这些事实。

现在我们对比一下视频数据。10¹⁴ 字节的视频，大约相当于 1.5 万小时的视频内容。这听起来很多，但实际上只是 YouTube 半小时的上传量，也差不多是一个四岁孩子一生中清醒时间看到的视觉信息总量。四年的清醒时间，大约就是 1.6 万小时。

而现实世界的视频数据，结构要比文本丰富得多。我们现在已经有视频模型，比如去年发布的 V-JEPA 2，它使用的训练数据相当于一个世纪的视频量，而且全部是公开数据。尽管视频在字节层面更冗余，但正是这种冗余，使得自监督学习成为可能。

如果数据是完全随机的，自监督学习是无法进行的。你必须依赖冗余结构。正因如此，真实世界的数据，尤其是视频，远比文本更有学习价值。这也是我一直坚持的观点：仅靠文本训练，永远不可能达到人类水平的智能。

Allen Roush：那在“世界模型”和“现实 grounding”这个问题上，你怎么看？有人认为世界模型就是一个高度逼真的模拟器，比如像《星际迷航》里的全息甲板（Holodeck），你认同这种理想吗？

Yann LeCun：这是一个非常好的问题，因为它直指问题的核心，也恰好说明了我认为当前主流认知有多么偏离方向。

很多人以为，世界模型就是对现实世界每一个细节的完整复刻，本质上是一个模拟器。由于深度学习的流行，大家自然会想到用神经网络来做模拟，尤其是视频生成，看起来非常炫酷。

但问题在于：一个视频生成模型，并不保证它真正理解了世界的底层动力学。它可能只是学会了表面统计相关性。认为模型必须复现现实的每一个细节，这是一个错误，甚至是有害的想法。

举个例子：计算流体力学（CFD）。我们用超级计算机模拟飞机周围的气流，把空间切成小立方体，在每个立方体里记录速度、密度、温度等变量，然后解偏微分方程。即便如此，这种模拟在湍流等混沌情况下也只是近似正确。

但你要注意，这已经是对真实物理过程的高度抽象了。真实世界中，气流是由分子碰撞产生的，但没有人会去逐分子地模拟，那样的计算量是不可承受的。

再往下推，你可以说应该用量子场论来描述一切，但那同样是不现实的。我们既无法测量宇宙的波函数，也无法提供所需的计算资源。

所以我们做了什么？我们发明了抽象层级。从粒子、原子、分子，到细胞、器官、个体、社会、生态系统。每一层抽象都会忽略下层的大量细节，而正是这种忽略，使我们能够进行更长期、更稳定的预测。

世界模型也一样。它不需要是现实的逐像素模拟器，而是在抽象表征空间中，只模拟与任务相关的那部分现实。

如果我问你：100 年后木星在哪里？你并不需要关于木星的全部信息，只需要 6 个数字：三个位置坐标，三个速度分量，其余信息都无关紧要。

合成数据和模拟环境对大模型意味什么

Allen Roush：那你怎么看合成数据和模拟环境？比如游戏数据，是否会引入偏差？

Yann LeCun：合成数据当然是有价值的。孩子通过游戏学到大量知识，本质上也是在受控的模拟环境中学习。

但确实要警惕某些模拟的失真。例如很多视频游戏里的物理效果是为了“好看”，而非真实。这种偏差如果不加控制，可能会影响模型在现实世界中的泛化能力。

关键不在于是否使用模拟，而在于你在哪个抽象层级上训练模型。很多基础的世界规律——物体会一起移动、会下落、不会同时出现在两个地方——都是在非常抽象的层面上学到的，而不是通过语言学到的。

大语言模型并不真正理解这些规律，它们只是被微调到给出“看起来正确”的答案。这是复述，不是理解。

而这些概念，是可以通过非常简单、抽象的环境学会的，比如二维冒险游戏。即便环境并不完美，但它们仍然能教会模型一些极其基础、却至关重要的世界结构。

Ravid Shwartz-Ziv：所以你认为，这条路还能继续推进吗？

Yann LeCun：可以，而且必须继续推进。真正重要的，是让模型学会抽象世界的结构，而不是背诵世界的表象。这才是通向真正智能系统的唯一道路。

在围棋和象棋这样的游戏中，机器显然已经远远超过人类了。原因之一是机器在博弈树搜索上的速度极快，也具备人类根本不可能拥有的记忆容量。人类根本无法进行真正的广度优先搜索。

AlphaGo 出现之前，人们曾认为顶级围棋选手距离“理想棋手”（他们称之为“神”）也许只差两三子。但事实证明并非如此——即便是世界最顶级的人类棋手，也需要让八到九子才能与机器对抗。

Allen Roush：我很荣幸能和你讨论游戏 AI 的问题。我有两个延伸问题。第一个，你提到人类在象棋等任务上其实非常不擅长。我了解到这常被称为“莫拉维克悖论”：人类在漫长的进化过程中擅长身体运动和感知，但从未进化出下棋能力。你是否认同这个解释？

 

第二个问题与电子游戏有关。很多玩家——包括我自己——都感觉游戏里的敌人 AI 在过去 20 年几乎没有进步，最好的例子仍然是 2000 年代初的《光环 1》和《FEAR》。你认为实验室里的 AI 研究，什么时候才能真正影响游戏体验，而不是只体现在生成式 AI 上？

Yann LeCun：我以前也是玩家，虽然不算沉迷，但我的家庭几乎完全浸在这个圈子里——我有三个三十多岁的儿子，他们共同经营一家游戏设计工作室。所以我对这个行业并不陌生。

你的观察是对的。事实上，不只是游戏，动画电影制作也是类似的情况。尽管物理模拟已经相当精确，但很多动画工作室并不会使用最真实的物理模拟，因为他们更需要的是“可控性”，而不是绝对的物理准确性。

游戏同样是一种创作行为，创作者希望控制剧情走向、NPC 的行为方式，而不是让一切完全由 AI 自由演化。目前的 AI 技术在“保持可控性”方面仍然存在挑战，这也是游戏行业对深度 AI 应用保持谨慎的原因之一。

至于你提到的莫拉维克悖论，它依然完全成立。这一观点大约是在 1988 年提出的，其核心问题是：

为什么我们认为高度“智能”的任务（比如下棋、做积分）可以轻松交给计算机，而那些我们完全不觉得是“智能”的能力——比如猫走路、避障、捕猎——却极其难以让机器掌握？

即便到了今天，四十多年过去了，我们仍然无法让机器人具备猫的灵活性、创造性和适应能力。问题不在于硬件，我们完全可以造出这样的机器人，而在于我们无法让它们“足够聪明”。

正因为如此，那些宣称“一两年内实现 AGI”的说法，在我看来是完全脱离现实的幻想。真实世界的复杂度，远不是通过对世界进行 token 化、再喂给语言模型就能解决的。

“通用智能”简直是胡扯

Ravid Shwartz-Ziv：那你对 AGI 的时间表怎么看？你是偏乐观还是偏悲观？在当前关于 AI 风险的讨论中，你更接近哪一派？

Yann LeCun：首先我要明确一点：“通用智能”这个概念本身就是站不住脚的。

它本质上是以“人类智能”为参照定义的，但人类智能本身高度专用化。我们擅长在现实世界中行动、与他人互动，但在下棋等任务上却表现糟糕；而很多动物在某些方面远胜人类。

我们之所以误以为自己是“通用的”，只是因为我们只能理解自己能够想象的问题。

因此，与其讨论“通用智能”，不如讨论“人类水平智能”：机器是否会在所有人类擅长的领域达到或超过人类？答案是肯定的，而且在某些领域已经发生了——例如机器可以在上千种语言之间进行双向翻译，这是任何人类都无法做到的。

但这个过程不会是一个突发事件，而是一个渐进的过程。

未来几年，我们可能在世界模型、规划能力等方面取得关键性进展。如果一切顺利、没有遇到尚未意识到的根本性障碍，最乐观的情况是：在 5 到 10 年内，我们或许能看到接近人类，或者至少接近“狗水平”的智能系统。

但这只是最乐观的估计。历史告诉我们，AI 发展中总会出现新的瓶颈，可能需要 20 年甚至更久才能突破。

Ravid Shwartz-Ziv：那你认为，从现在到“狗水平智能”，是否比从“狗”到“人类”更难？

Yann LeCun：恰恰相反，最难的部分是达到“狗水平”。

一旦你达到这个阶段，绝大多数核心要素就已经具备了。从灵长类到人类，真正新增的关键能力，可能主要是语言。而语言在大脑中只占据极小的区域，我们已经在这方面做得相当不错。

某种意义上，未来的语言模型可能扮演人脑中布罗卡区和韦尼克区的角色。而我们当前真正缺失的，是相当于“前额叶皮层”的能力——也就是世界模型、规划与行动能力。

Allen Roush：这就引出了一个绕不开的问题：安全。如果 AI 达到“狗水平”，它在嗅觉等感知能力上可能已经远超人类，这只是潜在冲击的冰山一角。再加上“超级说服”“AI 精神错乱”等现象，你是否担心 AI 会变得失控？

Yann LeCun：我当然理解这些担忧，而且我本人也亲身经历过相关事件。有一次在 NYU 校园，我遇到一名情绪严重不稳定的人，他携带危险物品，被警方带走。还有高中生给我写信，说他们被“AI 灭世论”吓到，甚至不再上学。

这些现象说明，恐惧本身也会造成真实伤害。但历史告诉我们，任何强大的技术都会带来利弊。

以汽车为例，早期汽车极其危险，但通过安全带、溃缩区、自动刹车系统等技术演进，如今已经大幅降低了死亡率。欧盟强制配备的自动紧急制动系统，已被证明能减少 40% 的正面碰撞事故。

AI 也是如此。它既可能带来风险，也已经在医疗影像等领域挽救了大量生命。

当 AI 发展到某一阶段，要暂停吗？

Allen Roush：你与 Hinton、Bengio 在 AI 未来问题上的立场有所不同。你认为会不会有一天，AI 发展到某个阶段，必须暂停推进，转而只关注安全？

Yann LeCun：安全必须与发展同步进行，而不是先停下来等“绝对安全”。

我常用喷气发动机作比喻：第一代喷气发动机根本不安全、不可靠，但正是在不断工程改进中，才达到了今天这种可以连续飞行 17 小时的可靠性。AI 也会走类似的路径。我们会逐步构建具备规划与行动能力的系统，同时在非常底层引入明确的安全约束。

比如，家用机器人必须始终避开人类、不能伤害人；手持刀具时必须限制动作幅度。这些都可以通过低层规则明确约束。所谓“回形针最大化”的极端案例，在工程上其实非常容易避免。

Ravid Shwartz-Ziv：有人认为，大语言模型可以通过微调来避免生成危险内容，但现实是，它们总是可以被“越狱”，总能找到某些提示词绕过限制。无论我们禁止它们做什么，总会有漏洞。你怎么看？

Yann LeCun：我同意你的判断，这正是我反对继续依赖 LLM 的原因。我们不应该再指望通过微调语言模型来解决安全问题，而应该转向我之前提到的那类以目标驱动（objective-driven）为核心的 AI 架构。

在这种架构中，系统具备以下几个关键能力：

第一，它拥有世界模型，能够预测自身行为可能带来的后果；

第二，它可以规划一系列行动来完成任务；

第三，也是最关键的，它必须受到一整套硬性约束的限制，确保无论采取什么行动、预测到什么世界状态，都不会对人类造成危险，也不会产生负面副作用。

这类系统在设计层面就是安全的。因为它的输出不是靠“微调”或“内容过滤”，而是通过在满足约束条件的前提下，优化目标函数得出的。换句话说，它在结构上就不具备“逃逸”的可能性，这是一种先天安全的设计，而不是事后修补。

Allen Roush：目前在 LLM 领域，也有一些限制输出空间的技术，比如只允许模型在一个非常有限的输出集合中生成内容，这种方法在扩散模型中也有应用。你认为这些方法在现实中真的显著提升了模型的可用性吗？

Yann LeCun：它们确实有一定帮助，但代价极其高昂，所以这种做法极其荒谬。这类方法的基本做法是：先让模型生成大量候选输出，再用一个过滤或排序系统进行打分，挑出“最不糟糕”“毒性最低”的那个结果。

问题在于，这种方式本质上是暴力搜索，计算成本高得离谱。除非你有某种真正意义上的目标函数或价值函数，能够在生成过程中就把系统引导到“高质量、低风险”的输出，否则这种做法永远都会非常昂贵、低效，也不可规模化。

“Alex Wang 不是科学家，他没有接替我”

Allen Roush：我们稍微换一个话题。很多观众也关心一些更偏“人和组织”的问题。比如，在 Meta 内部，Alex Wang 似乎正在接管你过去的角色，你怎么看 Meta 未来的 AI 方向？

Yann LeCun：他并不是在“接替我”。Alex Wang 负责的是 Meta 所有 AI 相关的研发与产品整体运作，而不是科研本身。他并不是研究员或科学家，而是一个全面统筹的人。

在 Meta 的“超级智能实验室”体系下，大致可以分为四个部分：第一是 FAIR，负责长期基础研究；第二是 TBD Lab，主要做前沿模型，几乎完全聚焦大语言模型；第三是 AI 基础设施，包括软件和硬件；第四是产品部门，把前沿模型做成真正可用的产品，比如聊天机器人，并集成到 WhatsApp 等应用中。Alex 统管这四个方向。

我本人是 FAIR 的首席 AI 科学家，但我很快就会离开 Meta——大概再待三周左右。

Ravid Shwartz-Ziv：FAIR 的定位是否也在发生变化？

Yan LeCun：是的。FAIR 目前由我们在 NYU 的同事 Rob Fergus 领导。在 Joel Pineau 离开后，FAIR 被明显推向更短期、更偏应用的研究方向，发表论文的重要性下降，更多是为 TBD Lab 的大模型工作提供支持。这也意味着 Meta 整体正在变得更“封闭”。

有些研究团队也被重新归类，比如做 SAM（Segment Anything）的团队，现在已经归到产品部门，因为他们做的是更偏向对外、实用型的技术。

关于“世界模型”创业公司的看法

Allen Roush：你如何看待其他试图构建世界模型的公司？比如 Physical Intelligence、Thinking Machines，或者 SSI？

Yan LeCun：说实话，大多数我也不太清楚他们具体在做什么。SSI 已经成了一个行业笑话——几乎没人知道他们在干什么，包括他们自己的投资人。这只是传言，我不确定真假。

Physical Intelligence 的方向，我倒是了解一些。他们主要做的是几何一致的视频生成：场景具有持久的三维结构，你转身再回来，物体不会凭空变化。这仍然是一种生成像素的思路，而我刚刚才花了很长时间解释，为什么我认为“生成像素”本身是个错误方向。

Allen Roush：有没有你比较认可的世界模型实践？

Yan LeCun：有一家叫 Wayve（WA-Y-V-E）的公司，总部在牛津，我是他们的顾问。他们在自动驾驶领域构建了一个世界模型：先学习一个表示空间，再在这个抽象空间中做时间预测。

他们做对了一半：对的地方在于，预测应该发生在表示空间，而不是像素空间；问题在于，他们的表示空间仍然主要通过重建训练得到，这一点我认为是错误的。

尽管如此，他们的系统整体效果非常好，在这一领域已经走得相当靠前。

此外，NVIDIA 和 Sandbox AQ 也在谈类似方向。Sandbox AQ 的 CEO Jack Hidary 提出“大型定量模型”，而不是语言模型，本质上就是能够处理连续、高维、噪声数据的预测模型——这与我的主张高度一致。

Google 也做了很多世界模型，但主要仍是生成式路径。Danijar Hafner 的 Dreamer 系列模型其实走在一条正确道路上，只可惜他已经离开 Google 创业了。

Ravid Shwartz-Ziv：你曾严厉批评硅谷过度聚焦大语言模型。这是否也是你选择在巴黎启动新公司的原因之一？你认为这种现象会改变吗？

Yan LeCun：我先澄清一点：我创办的是一家全球性公司，只是其中一个办公室在巴黎，在纽约等地也有布局。

硅谷存在一个非常典型的现象：因为竞争极端激烈，所有公司都被迫做同一件事。如果你走一条不同的技术路线，就有“掉队”的巨大风险。这种环境会催生一种技术单一化（monoculture）。

OpenAI、Meta、Google、Anthropic，几乎所有公司都在做同样的事情。

结果就是：大家拼命在同一条战壕里向前冲，却很容易被来自“完全不同方向”的技术突破所颠覆。

我所关注的世界模型与目标驱动架构，本质上是为了解决语言模型根本不擅长的问题：连续、高维、噪声数据，比如视频、物理世界感知。这些领域里，LLM 的尝试几乎都失败了。

在硅谷，有一种说法叫“你是否已经被 LLM 洗脑”。很多人坚信，只要不断扩大模型规模、生成更多合成数据、加强 RL 微调，就一定能走向超级智能。我认为这是彻底错误的。

你必须跳出这种文化。而事实上，在硅谷的大公司内部，也有不少人私下认同这一点——我现在正在把他们招过来。

为什么 65 岁仍然创业？

Ravid Shwartz-Ziv：你已经 65 岁，拿过图灵奖、女王奖，完全可以退休。为什么现在还要创业？

Yan LeCun：因为我有使命感。我一直认为，提升世界上的“智能总量”是一件内在正确的事情。智能是这个世界上最稀缺、最被需要的资源，这也是为什么人类投入如此多的成本去教育。

无论是帮助人类更聪明，还是用机器来增强人类智能，本质上都是在服务同一个目标。当然，强大技术必然伴随风险，但那是工程和治理问题，而不是不可逾越的根本障碍。

我一生的研究、教学、公共传播，几乎都围绕着同一件事：让人类变得更聪明。而机器智能，本质上也是这个目标的一部分。

Ravid Shwartz-Ziv：有没有什么你一直没来得及写下的想法，或者职业上的遗憾？

Yan LeCun：太多了。我整个职业生涯都在后悔一件事：没有花足够时间把自己的想法写下来，结果经常被别人抢先。

反向传播就是一个例子。我其实很早就有类似思路，但没有及时完整发表。不过我并不纠结。科学思想几乎从来不是孤立产生的，从想法到论文、到理论、到应用、到产品，本身就是一个漫长而复杂的链条。

“世界模型”这个概念也并不新。早在 1960 年代，控制论和航天工程就已经在使用世界模型来规划火箭轨道。所谓系统辨识，更是 1970 年代的老概念。

真正的难点，从来不在“最早提出”，而在于把一个想法真正变成可工作的系统。

参考链接：

https://www.youtube.com/watch?v=7u-DXVADyhc