图灵奖得主 LeCun 开炮： 大模型走不到 AGI， 一个 4 岁孩子早就证明了

图灵奖得主 LeCun 开炮：
大模型走不到 AGI，
一个 4 岁孩子早就证明了

刚带着 10 亿美元离开 Meta 创业的他，为什么说“机器学习很烂”、“别再搞视频生成”？

一个刚刚带着 10 亿美元离开 Meta、自立门户的图灵奖得主，站上讲台，开口第一句话不是“感谢邀请”，而是当着一屋子同行的面说：你们干的这行，很烂。

这就是 Yann LeCun。在硅谷一窝蜂喊着“大模型再 scale 几轮就到 AGI”的时候，他偏偏唱反调：靠把大模型做大，永远到不了人类那种智能。而他用来“证明”这一点的，不是什么复杂的数学，而是一个 4 岁的小孩。

这篇文章，我们就把 LeCun 这场关于“世界模型”的演讲，从头到尾给你讲明白：他为什么看不上大模型，他押注的下一代 AI 长什么样，以及——这事跟正在看文章的你，到底有没有关系。

智能不是“你知道多少”，
而是“当你不知道时，你会怎么做”。

一｜“机器学习很烂”：一句开场暴论背后的尴尬

LeCun 的逻辑很简单：把机器的学习能力，和人、和动物比一比，差距大得离谱。人和动物能用极少的样本、极快地学会新任务，而且天生带着“物理常识”——很多事情我们从没见过，第一次也能凑合做对（zero-shot）。机器呢？我们手里那些“强大”的 AI，其实根本搞不定真实世界里那种连续、高维、嘈杂的数据。

这里他点了一个经典悖论——莫拉维克悖论（Moravec's Paradox）：那些对人类来说“难”的事，比如下棋、求积分、证明数学定理，计算机做起来反而轻松；而那些人类觉得“简单”到不值一提的事，对计算机却难如登天。

最扎心的例子，就是开车。

任何一个十六七岁的少年，练个 20 来个小时就能把车开得有模有样，遇到没见过的路况也能临场应付。可自动驾驶公司手里攥着数百万小时的训练数据，砸了那么多钱，到现在也没能靠“模仿人类”把车开到同等可靠的程度。否则我们早就有 L5 全自动驾驶了——可现实是，量产车顶多 L2、L3，所谓 Robotaxi 还得靠一堆昂贵的传感器硬撑。

那人和动物，到底是怎么学会这一切的？LeCun 的答案是：靠观察。一个两个月大的婴儿还没法移动物体，却已经能从被抱着移动、视角不断变化中，悟出一件大事——这个世界是三维的。再往后，物体恒存、稳定性、刚性这些概念很快就有了；而像重力、惯性这类“直觉物理”，则要到 9 个月左右才长出来。

你把一个八九个月大的孩子放进餐椅，给他一堆玩具，他多半会一件件地往地上扔，然后目不转睛地看结果——这其实就是在做实验，验证“重力对所有东西都管用”。心理学家测一个婴儿有没有学会某个概念，靠的就是“违反预期”：给六个月的孩子看一辆小车被推下平台却悬空不掉，他毫无反应；给十个月的孩子看同样的画面，他会瞪大眼睛——因为这违背了他刚学会的常识。

二｜40 万年 vs 4 年：算给“大模型信徒”的一道数学题

很多人——尤其是美国西海岸那拨人——坚信只要把大模型继续做大、喂点合成数据、在后训练里加点强化学习的小技巧，就能通向 AGI。LeCun 说：不可能。然后，他当场算了一笔账。

结论一目了然：一个 4 岁孩子通过眼睛看到的数据量，和人类有史以来全部文字、要读 40 万年才能读完的量，是一个量级。而孩子只用了 4 年。换句话说，光靠“读字”这条路，根本喂不出人类水平的智能。

“那视频不是比文字冗余多了吗？”有人会这么反驳。LeCun 的回答很妙：冗余是特性，不是 bug。要做自监督学习，数据里恰恰需要冗余——没有冗余，你什么都学不到。当然，冗余也别太多就是了。

三｜LLM 的死穴：它只会“往前推”，不会“想”

就算抛开数据量，LeCun 认为大模型的“思考方式”本身也有结构性缺陷。一个聪明的系统，关键看它怎么“推理”。

大模型的做法：拿一段输入，过一遍固定层数的神经网络，吐出一个 token；再把这个 token 拼回去，吐下一个……这就是“自回归预测”。每个词的计算量都是固定的、有限的。LeCun 说这不是好的推理模型——你让大模型“推理”，其实是在骗它多吐几个词（思维链）。可人类不是这么想事的，我们是在脑子里推演，根本不在“词”的空间里思考。

他主张的做法：你感知到当前世界的状态，然后在脑内“设想”一串动作，把它喂给一个内部的世界模型，让它预测这串动作会带来什么结果，再用一个“目标函数”去衡量任务有没有完成。最后，通过反复优化，搜索出那串“能量最低”、最能达成目标的动作。这就是“用优化来推理”，而不是“用前向传播来推理”——计算上本质更强大。LeCun 早在 2022 年就把这套架构写成了长文放到网上。

这套架构还顺手解决了一个大问题：安全。你可以给系统加上“护栏目标”——无论它想让世界往哪走，都不能伤人、不能造成恶果。因为它除了优化目标和护栏，啥也干不了，所以这种系统理论上无法被越狱。而大模型只能靠微调来“对齐”，总有办法被 jailbreak 绕过去。

一个去巴黎的例子，讲清“分层规划”

LeCun 说，人和动物都会“分层规划”，但机器还不会，这是个完全开放的难题。他举了个特别接地气的例子：他坐在纽约大学的办公室里，想明天出现在巴黎。

他不可能把整趟行程拆成“每 10 毫秒动一下哪块肌肉”来规划——太长了，而且信息根本不够（他都不知道下楼后要等多久才能拦到出租车）。于是他只能分层：高层先定个两步走的大计划——去机场、赶飞机；“去机场”这个子目标，再拆成下楼、拦车、抵达；“下楼”又拆成走到电梯、按按钮、出门……一层层往下，直到某一步简单到你不用动脑、站起来这种事一个“策略”就搞定。

四｜15 年的失败：为什么“视频生成”根本不是世界模型

说到这，你可能会问：那“世界模型”到底怎么训练？LeCun 在这件事上栽过大跟头——他做了 15 年，头 10 年基本都在失败，因为他一直试图训练“生成式模型”。

生成式那一套，在语言上简直神了：盖住句子里的一些词，让神经网络去还原——BERT 就是这么干的，而大模型是它的特例（只盖最后一个词，专门预测下一个）。可这招一搬到视频上就崩了。

为什么？LeCun 打了个比方：拿摄像机拍这间屋子，慢慢转一圈停下，然后让系统“接着往下预测画面”。它大概能猜到这是个礼堂、有窗户、空间有限……但它绝对没法预测你们每个人长什么样、哪把椅子是空的——信息根本不在那里。一段视频后续的可能性是无穷多的，你逼系统在像素层面去预测“一切”，等于把它逼死。

“那那些能生成漂亮视频的模型算什么？” LeCun 说，那些系统的预测通常发生在“表征空间”，而且它只需要生成一段看起来不错的视频就行，并不需要表示所有可能的视频——那是个简单得多的问题。

他的解法：JEPA——别在像素里死磕，去抽象空间预测

LeCun 的方案叫 JEPA（联合嵌入预测架构）。核心区别：生成式是观察 X、还原出 Y 的所有细节；而 JEPA 是把 X 和 Y都先编码成表征，预测发生在表征空间里。这样系统就能主动“扔掉” Y 里那些根本无法预测的信息，预测变得更抽象、细节更少，但反而更准。

为什么“扔掉细节”反而对？因为人类做科学就是这么干的。原则上你可以用量子场论模拟这间屋子里每个粒子的轨迹，从而推断出谁在听我讲、谁睡着了——但这完全不现实。所以我们发明了一层层抽象：从粒子到原子、分子、蛋白质、细胞、个体、社会……每一层都忽略下面的大量细节，换来更长程的预测能力。设计飞机时你算空气动力学，把空气当成有速度和密度的小立方体，绝不会去模拟每个空气分子的碰撞——那不仅算不动，还会因为细节太多而迅速偏离现实。

五｜机器第一次“懂”了常识：那颗消失的球

光说理论没意思，LeCun 亮出了一个让他自己都觉得“第一次见到”的结果。团队把 JEPA 用到视频上（VJEPA），训练它根据被遮挡的视频去预测完整视频的表征。训练完之后，他们做了件有意思的事——

给系统看一段视频，实时监控它内部的“预测误差”。正常的物理画面，它很淡定，误差平平。可一旦画面里出现“不可能”的事——比如一个球扔出去之后凭空消失——它的预测误差瞬间飙到天上。

是不是很眼熟？这跟前面那个盯着“悬空小车”瞪大眼睛的十个月婴儿，是一模一样的反应。LeCun 说，这是他第一次看到一个完全自监督的系统，自己长出了某种程度的常识——它能告诉你“什么可能发生、什么不可能”。

还有更妙的。还记得婴儿“靠视角变化悟出世界是三维的”吗？团队拿 VJEPA 2.1 学到的表征，在上面接了个小模块去“从单张图预测深度”——结果出奇地好，甚至比专门的 DINOv3 还强。也就是说，这系统只是被训练去“填补视频里的空白”，就自己理解了“世界是三维的”、自己有了“物体”的概念。

六｜LeCun 的四个“放弃”：这场豪赌跟你有关吗？

演讲最后，LeCun 给了一串“反向建议”，几乎把硅谷主流路线全得罪了一遍。他自己也笑说：所以我在硅谷不太受欢迎。

说这些不是嘴上痛快。他是真金白银押上了。据公开报道，LeCun 已于 2025 年 11 月宣布离开工作了 12 年的 Meta，与 Alexandre LeBrun 共同创办了一家叫 AMI Labs（Advanced Machine Intelligence，缩写恰好是法语“朋友”）的公司，主攻方向正是世界模型、面向真实世界的物理 AI。

但请保持清醒：这是一场“开放的豪赌”，不是定论

作为长期跟踪行业的人，我得给这份“暴论”做点平衡。LeCun 的判断有它的锋利之处，但远没到“盖棺定论”：第一，他自己也承认“分层规划”是完全没解决的难题，整套世界模型的宏图，还有关键拼图没拼上；第二，JEPA 这套方法目前大多还在“需要 scale up”的阶段，真正被大规模验证的是 DINO、VJEPA 这类蒸馏方法；第三，大模型在语言、代码、知识工作上的实用价值，是实打实的，并不会因为“通不到 AGI”就失去意义。

换句话说，这更像是两条技术路线的长期对赌：一边相信“把语言模型继续做大”，一边相信“必须让 AI 扎进物理世界、靠观察学习”。资本已经用 10 亿美元给后者投了票，但谁对谁错，要用未来几年的产品和论文来回答。

尾声｜真正的智能，是“不知道时你会做什么”

绕了一大圈，LeCun 其实想说的，是一句被归到心理学家皮亚杰名下的话（虽然他本人可能从没真说过）：智能不是你知道什么，而是当你不知道时，你会怎么做。

大模型是“陈述性知识”的惊人集合——它知道得太多了。但 LeCun 提醒我们，知道得多，和“聪明”是两回事。那个把玩具一件件扔下餐椅、专注观察重力的婴儿，没读过一个字，却在用最朴素的方式做着最了不起的事：理解这个世界为什么是它现在的样子。

如果这篇让你对“大模型是不是终点”有了新的想法
转发给还在纠结这个问题的朋友
我们一起，把 AI 看得更清楚一点。