倒计时3周离职！LeCun最后警告：硅谷已陷入集体幻觉

　　新智元报道

　　编辑：桃子 好困

　　【新智元导读】LeCun不忍了，三周后从Meta「提桶跑路」，临走前狠扇了硅谷所有人一巴掌：你们信奉的大模型全是泡沫，根本通往不了AGI！

　　大模型是一条死路，无法通往AGI！

　　在今天的最新一期深度访谈中，LeCun直言不讳指出：

　　所谓的ASI路线——不断训练LLM，用更多合成数据喂模型，雇上几千人在后训练阶段「管教」系统，再折腾出一些RL的新技巧。

　　在我看来，完全是胡说八道！

　　这条路根本行不通，而且永远都不可能成功。

　　任职12年，即将暴走Meta的65岁图灵奖得主，在公众场合的观点愈加偏激了。

　　这场近2小时的对谈中，LeCun的观点一针见血——

　　硅谷对不断「堆大」LLM的痴迷是一条死路；

　　搞AI最难的问题在于，它依旧是「阿猫阿狗」的智能，而非类人的水平。

　　如今，他正把一生的学术声誉押注在一条截然不同的AI路线之上，即「世界模型」。

　　访谈中，LeCun还分享了创业公司AMI（Advanced Machine Intelligence）正在构建的「世界模型」——

　　在抽象表征空间中进行预测，而不是简单地像素级输出。

　　几天前，LeCun在与谷歌DeepMind大佬Adam Brown一场激辩中，同样提出他的经典论点：

　　LLM没那么聪明，毕竟一只猫或一个孩子仅用少得多的数据就能理解世界。

　　Token预测全是泡沫，物理世界才是真相。

　　有网友辣评道，「Meta在AI领域失败，LeCun是罪魁祸首」。

　　还有人表示，「LeCun很聪明，在Meta保持沉默现在开始发声了」。

　　65岁创业，再造一个FAIR

　　播客开场，主持人问道，「从Meta这样大公司跳出来，从0起步，是什么感觉」？

　　LeCun坦言，虽然他此前也参与过创业，但这次的AMI意义非凡。这次的独特之处在于一种新现象，即投资者也愿意为其买单。

　　这要是放在以往，是不可能的。

　　历史上，像贝尔、IBM、施乐PARC这样的大实验室，都一同垄断了企业的财力。

　　如今，行业风向正在转变。FAIR通过开源推动了生态的发展，但近年来越来越多实验室选择闭源，OpenAI、谷歌，甚至Meta也不例外。

　　在LeCun看来，这种闭源趋势，不利于真正突破性的研究。

　　因此，他决定在Meta外部创办AMI，专注于「世界模型」，并计划延续开放研究的传统。

　　除非你把论文发表出来，否则就不能称之为真正的研究。要不然，你很容易陷入一种自欺欺人的状态。

　　看得出，LeCun这番言论一定程度上，暗示28岁上司Alexandr Wang的做法——

　　此前曾爆出，FAIR实验室想要发论文，必须经过MSL批准后才可以。

　　LeCun再次强调，「如果真的想要突破，需要让你的员工发表论文。没有别的办法。这是目前很多行业正在遗忘的事情」。

　　下一步，AMI的目标不仅是研究，还会打造实际的产品，比如与世界模型、规划有关的，并成为智能系统的核心供应商。

　　接下来的话题，又回到了LeCun老生常谈的事情。

　　LeCun放话：LLM走不通

　　他明确表示，当前的LLM或基于LLM的AI智能体，处理语言尚可，但在可靠性、数据效率、多模态处理上远远不足。

　　我已经说了快十年了，世界模型才是解决这一问题的「正确方法」。

　　「世界模型」能够预测一个动作或一系列动作的后果，然后系统通过优化得出一系列动作，即找出哪一系列动作能最好地完成设定的任务，这就是「规划」。

　　因此，LeCun认为，智能的一个重要部分是能够预测行动的后果，然后将其用于规划。

　　「世界模型」是设计用来处理，高维、连续和嘈杂的模态数据，LLM完全不行。

　　真正有效的方法是，学习一个抽象的表示空间，消除关于输入的不可预测的细节，并在表示空间中进行预测。

　　这就是，JEPA（联合嵌入预测架构）的想法。

　　论文地址：https://arxiv.org/pdf/2509.14252

　　将近有20年的时间，LeCun一直确信，构建智能系统的正确途径是通过某种形式的「无监督学习」。

　　他回顾了自己的研究历程——

　　早在2000年代初中期，便开始探索无监督学习，并尝试通过自编码器（Autoencoders）来学习表示，但发现表示包含关于输入的所有信息是个错误。

　　后来，他意识到需要「信息瓶颈」（Information Bottleneck），限制表示的信息量。

　　2015年，ResNet（残差网络）出世，彻底解决了深层网络架构训练问题，也是从这时起，LeCun开始重新思考：

　　如何推动实现人类水平的AI？

　　他意识到，强化学习等方法，基本上无法scaling，且样本效率极低，于是开始聚焦「世界模型」。

　　最初尝试，他在像素级预测视频，但发现这行不通，真正的突破在于表示层（Representation Level）进行预测。

　　JEPA的发展克服了早期孪生网络（Siamese Networks）的模型坍塌（Collapse）的问题，通过Barlow Twins、VICReg优化表示空间。

　　最近的Latent Euclidean JEPA，进一步推进了这一思路。

　　论文地址：https://arxiv.org/pdf/2511.08544

　　对于LLM局限背后的原因，LeCun分享了数据质量方面的「苦涩的教训」（Bitter Lesson）。

　　训出一个性能还不错的LLM，需要互联网上大约30万亿Token（约10^14字节）的文本数据。

　　LLM需要巨大的内存，来存储这些孤立的事实。

　　相较之下，这仅相当于大约15,000小时的视频——YouTube上30分钟的上传量。

　　一个4岁孩子醒着时看到的视觉信息，大约是16,000小时。

　　去年发布的V-JEPA 2模型，就是在相当于一个世纪时长视频数据上训练的，虽然字节数更多，但视频数据的冗余性正是自监督学习所需的。

　　现实世界数据的结构比文本丰富得多，这也是为什么LeCun坚称，只靠文本训练永远无法达到人类水平的AI。

　　关于理想化的「世界模型」，LeCun回应了主持人对《星际迷航》全息甲板（Holodeck）的比喻：

　　人们误以为，「世界模型」必须重现世界所有的细节，这不仅错误，还会有害。

　　「世界模型」是在抽象表示空间中的模拟器，只模拟现实中相关的部分。

　　不仅如此，LeCun相信合成数据很有用。但有些基本概念是我们通过经验习得的，而不是天生的。

　　然而，LLM并不真正理解这些，只是被微调出来给出正确答案，更像是「反刍」而非真懂。

　　炮轰硅谷单一文化

　　针对硅谷LLM狂热的文化，LeCun的批评尤为尖锐。

　　他指出，AI行业存在一种危险的「羊群效应」——

　　竞争太过激烈，大家都害怕走偏路线而落后，于是OpenAI、谷歌、Meta、Anthropic等科技巨头几乎都在做同一件事。

　　那便是，疯狂堆叠LLM。

　　这导致，硅谷形成了「单一的文化」，甚至这背后多少带着点优越感。

　　LeCun警告，一旦深陷「战壕」，就只能拼命往前冲，因为谁也承担不起被竞争对手甩开的风险。

　　但更大的风险是，被完全不同方向、出乎意料的一套技术颠覆，它甚至可能解决完全不同的问题。

　　JEPA的理念，即所谓的「世界模型」，恰恰与这条主流路线完全不同，能处理LLM很难应付的数据。

　　LeCun甚至毫不客气地说——

　　如果你不想变成硅谷口中「被LLM洗脑了」（LLM-pilled）的人，便不会相信这样一条路径：

　　只要不停地训练LLM，用更多合成数据，去授权更多数据，再雇上成千上万的人来做后训练，在强化学习（RL）上不断加点新花样，你就能一路走到ASI。

　　我认为这完全是扯淡，这条路根本不可能成功！

　　「没错，你必须逃离那种文化」。

　　他还透露，即使在硅谷的各家公司内部，也有不少人心里很清楚：这条路走不通！

　　因此，摆脱这种单一文化，正是LeCun创办AMI的动因之一。

　　他透露，AMI这家公司是全球性的，总部将设在巴黎，其全球其他几个地方，包括纽约设立分办公室。

　　AGI是胡扯

　　「类人AI」还需5-10年

　　当被问及AGI时间线，LeCun先澄清：不存在「通用智能」这种东西！

　　这个概念完全没有意义，因为它是被设计用来指代人类水平的智能，但人类智能是超级专业化的。

　　所以AGI这个概念完全是胡扯。

　　话又说回来，他还是认为，我们会拥有在所有领域都和人类一样好或更好的机器。

　　「但这不会是一个单一事件，这将是非常渐进的」。

　　他乐观地预测道，如果未来两年，能在JEPA、世界模型、规划等方向取得重大进展。

　　我们可能在5-10年内，看到接近人类智能，也许是狗的智能水平的AI。

　　但这已是极度乐观。

　　更现实的是，AI历史上多次出现未预见的障碍，需要我们发明新概念实现超越。

　　那可能需要20年，甚至更久。

　　有趣的是，LeCun认为最难的部分不是从狗到人类，而是达到狗的水平——

　　一旦你达到了狗的水平AI，你基本上就拥有了大部分要素。

　　从灵长类动物到人类，除了大脑的大小差异之外，还缺的是「语言」。

　　语言基本上由韦尼克区（Wernicke area）以及布罗卡区（Broca area）处理。

　　而LLM已经在语言编码/解码上表现不错，或许能充当大脑的韦尼克区和布罗卡区。

　　LeCun称，我们现在正在研究的是前额叶皮层，那是「世界模型」所在的地方。

　　离职Meta，三周倒计时

　　访谈中，LeCun还谈及了Meta AI的重组。

　　他表示，Alexandr Wang并非接替他的位置，而是统管Meta所有AI相关研发和产品，包括四个主要部门：

　　FAIR（长期研究）

　　GenAI Lab（专注前沿LLM构建）

　　AI基础设施

　　模型转化为实际产品的部门

　　重磅的是，LeCun透露，自己将在Meta再待三个星期。（估计1月初，正式告别Meta了）

　　FAIR现在由纽约大学Rob Fergus领导，正被推向「更短期的项目」——

　　较少强调发表论文，更多专注于协助GenAI Lab进行LLM和前沿模型的研究。

　　GenAI Lab也有一个首席科学家，专注于LLM，其他组织更像是基础设施和产品。

　　看得出，Meta重组重心完全放在了LLM，这也是LeCun选择出来创业的部分原因。

　　此外，LeCun还点评了一些大模型公司，包括SSI、Physical Intelligence、Thinking Machines等。

　　Ilya创立的SSI，甚至包括他们的投资人，都不知道这家公司要做什么。

　　给年轻人的建议：别学CS

　　访谈的最后，主持人问道，「如果你今天重新开始AI职业生涯，会专注哪些技能和方向」？

　　LeCun的回答直击要害，学习那些「保质期长」（long shelf life）的知识，以及能让你「学会如何学习」的东西。

　　因为技术演变得太快了，你需要具备快速学习的能力。

　　他开玩笑地说，「保质期长的东西，往往不是计算机科学」。

　　所以，作为一个计算机科学教授，我劝大家别学计算机科学。

　　不过，LeCun还是给出了一些具体的建议，其中包括：

　　深入学习数学（微积分、线性代数、概率论）、建模基础，尤其是能与现实世界联系的数学（工程学科中常见）；

　　电气工程、机械工程等传统工程专业，能提供控制理论、信号处理、优化等对AI极有用的工具；

　　物理学也是绝佳选择：物理学的核心就是「如何表征现实以建立预测模型」——这正是智能的本质；

　　计算机科学只需学到能熟练编程和使用计算机的程度（即使未来AI写代码，你仍需懂底层）；

　　别忘了学点哲学。

　　LeCun强调，这些基础能让你在AI快速变化中始终站稳脚跟，而不是被短期热点牵着鼻子走。

　　参考资料：

　　https://x.com/ziv_ravid/status/2000654377258745912?s=20

　　https://www.the-information-bottleneck.com/ep20-yann-lecun/

　　https://youtu.be/ykfQD1_WPBQ