杨立昆公开“手撕”Meta 内部环境：“LLM 吸光了房间里的空气”，物理世界才是 AGI 的终局

Sora 死后，生成式视频路线已到头。

编译 | 王启隆

出品丨AI 科技大本营（ID：rgznai100）

2026 年 3 月，在新德里的 AI Alliance Global Leadership Reception 上，Christopher Nguyen 邀请到杨立昆聊了一个对未来影响深远的话题：今天的 AI 缺了一块很大的东西，而他想讨论的，不只是这块拼图究竟是什么，更是 LeCun 正在推进的JEPA，是否就是那块缺失的答案。

一如既往，LeCun 再次表达了他对 LLM 路线的怀疑，但他这次把另一条技术叙事讲得足够完整：如果真实世界的大部分细节本来就不可预测，那么 AI 要学的，可能就不是如何重建一切，而是如何找到那些真正可预测、也真正有用的抽象表示。

接下来的对话里，他系统解释了为什么文本可以靠离散 token 预测一路推高能力，视频和真实世界却不行；为什么重建式路线会在现实信号上遇到根本限制；以及为什么他相信，真正通向下一代 AI 的，不是把现有生成式方法再往上堆一层，而是去学习抽象表示，并在表示空间里做预测。

要点速览

• LeCun 认为，LLM 的上限不只是能力问题，而是“下一 token 预测”这条路线本身不适合真实世界。

• AI 真正缺的，不是更大的语言模型，而是能学习抽象表示、预测后果并支持规划的世界模型。

• JEPA 的关键，不是重建全部细节，而是在表示空间里抓住那些真正可预测的结构。

• 在图像和视频表示学习上，联合嵌入方法长期优于重建式方法，这在他看来已经是明确的经验结论。

• 这也是他离开 Meta、转向 AMI Labs 的原因之一：LLM 已经吸走了太多资源，而 JEPA 更重要的应用在真实世界。

接下来是这场对话的精编翻译。

AI 今天真正缺的，不是更多 token，而是世界模型

主持人：在开始之前，我先把这场对话的议程说清楚。第一件事比较容易说服大家：今天的 AI，确实缺了一块非常大的东西。第二件事更难：我希望这场谈话至少能开始让大家相信，Yann 正在做的事情，可能就是那块缺失拼图的答案。

如果要用最容易理解的方式来解释，你会怎么向大家说明这两件事：AI 到底缺了什么？为什么你认为 JEPA 是答案？

Yann LeCun：这个问题其实分成两个部分。第一，缺的到底是什么？答案是：世界模型。第二，什么是世界模型，我们又该怎么把它建出来？

过去大概 15 年，AI 经历了两次革命。一次是深度学习，另一次当然就是 LLM，本质上是 GPT 这类架构推起来的。GPT 真正重要的，不是 transformer 本身，而是它背后的训练思想：给系统一个输入序列，再训练它把这个输入序列复现到输出上。由于这个架构是严格因果的，它只能看到当前位置左边的符号，所以它本质上是在做“下一 token 预测”，也就是下一个符号预测。

这是一种自监督学习。你并不是在为某个具体任务训练它，而是在让它学习序列中不同符号之间的依赖关系。最开始其实也有一些架构尝试在任意方向上做预测，但最后真正能扩展起来的，是只做时间上向未来的预测，也就是 GPT 这条路。

这条路为什么对文本有效？因为文本是离散的，token 的种类也是有限的。你永远不能确定某串词后面一定跟哪个词，但因为可能的 token 数量有限，你可以对每一种可能性打分，得到一个在十万级词表上的概率分布。

问题是，这一套方法一旦离开文本，就会遇到根本困难。我至少花了 15 年在研究，怎么把自监督学习这套想法用到视频上。也就是说，训练一个系统去预测视频接下来会发生什么。但最后你会发现，这件事根本做不通。

比如我拍一段这个房间的视频，镜头慢慢转过去，然后在某一刻停住。我让系统预测接下来的视频。它当然可以猜到一些大概的东西，比如这是一个房间，房间里坐着人，前面有桌子。但它绝不可能预测出你们每个人具体长什么样，哪些座位有人，地毯的纹理是什么，吊灯的反光是什么样。现实世界里，我们观察到的大部分细节，本来就是不可预测的。

如果你硬逼系统去预测这些细节，唯一的办法就是再塞给它额外信息，让它有能力把这些细节复原出来。这个额外信息就是潜变量。但问题在于，这个潜变量最后往往承载了绝大部分预测所需的信息，于是整件事就失效了。

真实世界本来就是这样。我们当然可以预测，如果把门窗都关上，再把这个房间里的空气加热，温度和压强会怎样变化，因为有 PV=nRT。但你不可能去预测每一个空气分子的运动轨迹。分子太多了，不可能逐一模拟。

所以，试图预测数据中的所有细节——不管是视频、分子动力学，还是别的连续世界信号——这个想法本身就是错的。

真正可行的做法，是换一种架构：不要试图重建输入里的每一个细节，而是去学习一种抽象表示，并在这个抽象表示空间里做预测。这就是 JEPA，也就是联合嵌入预测架构。

JEPA 的意思是，你训练系统去找到一种尽可能保留输入信息、但同时又具有可预测性的表示。比如在这个房间里，温度和压强是可以互相预测的；空气分子的具体位置和速度则不行。物理学家早就把这件事做成了体系：为了做预测，他们必须忽略大量细节，而这些被忽略掉的东西，叫作熵。

你去模拟机翼周围的空气流动，也不是去追踪每一个空气分子，而是把空气抽象成速度、密度、温度，然后解 Navier–Stokes 方程。我们做建模一直都是这样。量子场太复杂，于是我们发明了粒子；粒子太多，于是我们发明了原子；再往上有分子、蛋白质、细胞、生物体、生态系统、社会。每一个层级，都是为了在忽略下层细节的情况下，保留足够的结构来做预测。

从这个意义上说，JEPA 其实是一个非常简单的想法：不要去重建信号中的一切，而要去寻找一种可以支持预测的抽象表示。

如果我把人类已经收集到的所有木星数据都丢给你，这些数据本身并不会自动带来预测能力。比如我问你，木星十年后会在哪，你真正需要的可能只有六个数字：三个位置，三个速度。其他大量细节可能都不重要。它们不是没价值，只是对这个问题没帮助。

如果你用这种方式训练出系统，而且这种系统不再是生成式的，也不再是传统意义上概率式的——虽然它仍然可以处理不确定性——那你就有可能真正构建面向现实世界的 AI。

再进一步，如果这个系统学到的不是单纯时间预测，而是带动作条件的预测：在时间 t 的世界状态下，假设采取某个行动，那么 t+1 的世界状态会是什么。那它就成了真正的世界模型。你可以用它来规划，规划一串最优动作，以达成某个目标函数下的结果。

大家都在讲智能体系统，但其实没有人真正知道怎么把它们建得可靠。至少在我看来，单靠 LLM 很难做到，因为 LLM 并没有能力预测自己行动的后果。要做到这一点，你需要的是世界模型。

为什么 LeCun 认为生成式路线有根本上限

主持人：这套想法在直觉上很容易让人认同。我们感知世界的时候，也不是在脑子里重建声音、像素和全部细节，而是形成某种表示。那问题就来了：为什么不能继续扩大另一条路线？为什么不能靠更多算力、更多数据，把生成式方法继续推上去？这到底是规模问题，还是更本质的方法问题？

Yann LeCun：我认为这是生成式方法本身的根本限制。只要你试图重建信号里的全部细节，这条路就是有问题的。

第二个限制是，为了让这些生成式模型工作，你通常还得先把信号离散化，也就是 token 化，把它变成离散符号序列。你当然可以尝试把视频也这样处理，但效果并不好。

在计算机视觉里，我们其实已经积累了很多年经验。要用自监督的方式学图像表示，大体上有两种路线。第一种是重建：拿一张图像，做一些破坏，比如遮住一部分、模糊它、改颜色，再训练一个大网络去从这个被破坏的版本里重建原图。这在自然语言处理中对应的是 BERT，在视觉里则有遮罩图像建模、遮罩自编码器这些方法。

它们不是完全没用，也能学到一些表示，再拿去做下游监督任务。但还有第二种路线，就是联合嵌入。你把原图和被破坏或变换后的图都送进编码器里，训练它们在表示空间中互相可预测。换句话说，你不要求它把像素重建回来，而要求它学会一种更高层的表示。

这么多年的实验结论其实很明确：联合嵌入几乎每次都比重建更强。不管是 VAE、VQ-VAE、稀疏自编码器，还是别的重建方法，都没有真正比过这些不试图重建的方式。

对我来说，这是一个非常强的经验信号：对于自然信号来说，重建本身就是个坏主意。

我其实已经和这个想法生活了 40 年。1987 年我的博士论文里，就在做自编码器，甚至是去噪自编码器。1986 年我就在训练这类东西。它们当然“有点效果”，但远远谈不上真正可行。后来 Geoff Hinton 也一样，对这类方法的表现并不满意。

最后我们看到的结论是：对于自然信号，学习表示的最好办法，不是重建，而是不重建。最近几年，这种联合嵌入方法再用到视频上，也出现了非常好的结果。

从 collapse 到 DINO：这条路为什么现在才开始真正成熟

主持人：但怀疑者会问一个问题：在表示空间里学习当然听起来很好，可它很容易塌缩，落到 trivial solution（平凡解，线性系统的解为零向量的情况）。那最近这几年到底发生了什么，让你觉得这条路真的可以往前走了？

Yann LeCun：这个问题其实很早就出现了。1993 年我在 Bell Labs 的时候，就有人找我们做签名验证。他们的需求很具体：信用卡磁条上只有 80 字节空间，能不能把签名的“gist”编码进这 80 字节里，然后比较两次签名是否属于同一个人。

当时我的想法是用后来被叫作孪生神经网络的结构：给它两个同一个人的签名，分别过同一个网络，再要求它们输出相同的表示。问题是，如果你只这么做，系统最简单的解法就是忽略输入，永远输出一个常数表示，这就是塌缩。

后来我们想到的办法，就是今天所谓对比式方法：除了给它同一个人的两个签名，也给它不同人的签名，或者真实签名和伪造签名，然后要求这些表示彼此拉开。这在签名任务上有效，后来在 ImageNet 这种对象识别任务上也有效，但它不太容易扩展，学到的表示维度通常比较低。

所以很长一段时间里，我并不觉得这会是自监督学习的最终答案。直到大概五年前，我的一个博士后 Stéphane Deny，以及其他一些相关工作，开始用另外一种方法来避免塌缩。它们不是对比式方法，而是通过最大化某种信息量，迫使编码器输出的信息保持“有信息”，从而防止系统直接忽略输入。

这一条路后来发展成了 Barlow Twins，之后又有 VICReg，再往后还有基于蒸馏的方法。与此同时，Meta 那边也有 DINO、DINOv2、DINOv3。这些结果让事情变得很清楚：我们确实已经有办法避免塌缩，而且这些办法在图像表示学习上非常有效。

所以我后来才真正觉得，这就是未来应该走的方向。当然，这里面的理论解释还没有完全建立起来。为什么这些防塌缩方法能这么有效，我们其实还没有彻底理解。

LLM 已经把房间里的空气吸光了

主持人：过去 FAIR 一直是很好的研究环境。扎克伯格也很希望你留下来。那为什么你最后还是决定离开 Meta，去做 AMI Labs？在外面到底能做什么，是在 Meta 里面做不了的？

Yann LeCun：至少到去年之前，FAIR 还是一个非常适合做研究的地方。但过去这一年，Meta 的重心已经明显转向更短期的目标了，本质上就是追赶整个 LLM 产业。这就导致那些更长期、更激进、也更偏离当前主流范式的项目，被放到了更次要的位置。

当一家整个公司都在往某个范式上投入数千亿美元，而你这个 Chief AI Scientist 又到处说，单靠放大 LLM 永远不可能走到人类级 AI，你自然不会特别受欢迎。

当然，Mark Zuckerberg 和 Andrew Bosworth 其实都对我在做的项目非常支持。我们当时在 Meta 内部把这个项目叫作 AMI，Advanced Machine Intelligence，后来这也成了新公司的名字。但我后来还是去跟 Mark 讲，这个方向在公司内部从政治上已经很难继续推了。因为LLM 基本上已经把房间里的空气都吸光了。

这是第一点。第二点是，这些 JEPA 想法真正重要的应用，很多都在 Meta 根本不会碰的地方：工业流程控制、机器人、现实世界系统，还有很多其他应用。Meta 的核心业务还是连接人与人，而不是这些现实世界问题。

所以，一方面是公司内部模式发生了变化，另一方面是外部应用空间太大，再加上融资条件也成熟了，JEPA 的结果又开始真正跑出来了，这时候离开就变成了一件顺理成章的事。

从卫星到经济系统，世界模型真正要去的地方在哪里？

主持人：我们其实一直在用 Barlow Twins 和 JEPA 训练卫星模型，效果非常好，也很简单。所以我完全相信你说的抽象表示这条路。但现在的问题是，我们训练出了一个很漂亮的模型，它对太空这个尺度有效，可它和其他尺度上的 JEPA 模型之间并没有真正连接起来。你觉得未来这些模型会不会形成某种分层 JEPA，最后在不同尺度之间连起来？

Yann LeCun：我觉得最终你确实需要某种分层 JEPA。低层表示负责更短时、更细节的预测，但这些预测通常会很快偏离现实。所以你还需要更高层的表示，去做更长时间、更大尺度的预测。

高层级的一个特点，就是它能在更大的时间尺度和空间尺度上做预测。这其实也和物理里的很多思想相通，比如重整化群理论，也和卷积网络里的池化有某种相似性。

而且不同物理现象之间，本来就共享很多共性。我觉得这给了我们一种可能：建出某种更通用的模型，让一个领域里形成的“直觉”，能迁移到另一个领域里去。比如你如果真的理解流体动力学，哪怕只是高层的直觉，你既可以用它理解涡喷发动机，也可以用它理解机翼，也可以用它理解帆的受力。

我们人类其实一直就是这么工作的。甚至猫也是。你的猫对于自己的身体动力学、摩擦、跳跃这些事，理解得可能比任何你能写出来的方程都好。它知道什么时候能跳上去，怎么连续借力，怎么控制身体，这是一种非常高层但非常有效的世界模型。

主持人：我们会前还聊到另一个问题，就是经济模型。如果从政策、预测、经济这些角度看，经济系统里有公司、个人、政府、组织这些“微观主体”，又有国家、区域、产业这样的“宏观结构”。你怎么理解这种从微观到宏观的问题？

Yann LeCun：不管是在物理、经济学、社会科学还是工程里，最难的问题之一，都是怎么从微观过渡到中观，再到宏观。

在物理里，这件事其实最近几年才真正开始有一些理论上的突破。比如怎么从分子碰撞推到 Boltzmann 方程，再怎么从 Boltzmann 方程走到 Navier–Stokes 方程。再往上，你又会遇到更高层的问题，比如给定一个特定翼型和特定速度，怎么直接预测升力和阻力。

其实现在已经有人在做这类事情：先用 Navier–Stokes 方程或者计算流体动力学生成训练数据，再训练神经网络去直接预测升力和阻力。这样得到的是一个可微分模型，你甚至可以直接对形状反传梯度，去优化形状本身。类似例子在材料科学、宇宙学模拟等很多地方都已经出现了。

经济学会更难，因为你面对的不是遵守牛顿定律的分子，而是大量在有限信息下做半理性决策的人和组织。这样形成的涌现行为，本来就极难建模。

所以在我看来，这类问题最后很可能还是要靠一种数据驱动的方法，也就是类似 JEPA 的路径，去找到好的抽象。宏观经济学其实也一直在做这件事，只不过是用更高层的抽象，把微观细节进一步压掉。

我觉得这种方法在经济学里会有很多应用，在金融里可能也有应用。但金融的问题是，大部分数据本质上都是噪音，信噪比非常低。

原视频链接：youtu.be/wDeXfFQcJxk

（投稿或寻求报道：zhanghy@csdn.net）

"48 小时，与 50+ 位大厂技术决策者，共探 AI 落地真路径"

由 CSDN&奇点智能研究院联合举办的「全球机器学习技术大会」正式升级为「奇点智能技术大会」。

2026 奇点智能技术大会将于 4 月 17-18 日在上海环球港凯悦酒店正式召开，大会聚焦大模型技术演进、智能体系统工程、OpenClaw 生态实践及 AI 行业落地等十二大专题板块，特邀来自BAT、京东、微软、小红书、美团等头部企业的 50+ 位技术决策者分享实战案例。旨在帮助技术管理者与一线 AI 落地人员规避选型风险、降低试错成本、获取可复用的工程方法论，真正实现 AI 技术的规模化落地与商业价值转化。

这不仅是一场技术的盛宴，更是决策者把握 2026 AI 拐点的战略机会。