图灵奖得主"倒戈"：砸10亿美元证明「LLM是死路」，猫都比ChatGPT聪明

来源：市场资讯

（来源：图灵人工智能）

一条发布于2026年7月7日的推文，配着一段37分钟的视频剪辑，把AI圈吵开了锅。

发帖人抛出的事实分量十足：现代AI发明者三人组里的一个，正拿着10亿美元，赌所有人现在追捧的技术，到不了真正的智能。

九千多次浏览，上百条转发和点赞，评论区吵得不可开交。有人说这是今年AI圈最锋利的一次看空，也有人骂他吃不到葡萄嫌葡萄酸。但没人能把这当玩笑话打发，说这话的人履历摆在那：他叫Yann LeCun，图灵奖得主，卷积神经网络的发明者，今天几乎每一个能听懂人话的聊天机器人，骨子里都流着他的血。

图灵奖得主的"反水"

@slash1sol的帖子开门见山：

"ONE OF THE THREE PEOPLE WHO WON THE TURING AWARD FOR INVENTING MODERN AI IS NOW BETTING A BILLION DOLLARS THAT LLMs ARE A DEAD END. NOT A SKEPTIC ON X -- THE MAN WHOSE WORK EVERY CHATBOT IS BUILT ON TOP OF"

「赢得现代AI发明图灵奖的三人之一，如今正赌上10亿美元，认定LLM是一条死路。这并非X上随便哪个怀疑论者，而是所有聊天机器人赖以建立的技术发明者本人。」

LeCun这个名字，在AI圈从来不陌生。1989年前后他发表LeNet，奠定了今天几乎所有图像识别系统的底层结构。2013年他加入Facebook，一手创立FAIR（Facebook AI Research），带队做出了Llama系列开源大模型。2019年，他和Geoffrey Hinton、Yoshua Bengio一起拿下图灵奖，业内称之为"深度学习的诺贝尔奖"。

也正是这十几年里，他一直在做一件挺拧巴的事：一边带队做大模型，一边公开唱反调，说全行业砸进去的几千亿美元，走的是一条死胡同。

你家猫，比GPT更懂物理

LeCun这套判断压根不新鲜，新鲜的是他现在愿意拿真金白银去赌。

他讲过无数遍的一个比方，很形象：一只普通家猫，对重力、对"东西掉了会碎"、对因果关系的理解，甩开任何一个前沿大模型好几条街。

"A house cat understands gravity, objects and cause-and-effect better than any frontier model, because a cat learned the world. An LLM only ever learned text about it."

「一只家猫对重力、物体和因果关系的理解，胜过任何前沿模型，因为猫是从真实世界里学会的。而LLM，只学过别人写下来的、关于世界的文字。」

猫没读过物理教材，但它跳上桌子之前，脑子里已经在算这一跳能不能落稳。LLM读过全网几乎所有的物理科普，却连一杯水会不会洒都判断不准，它吃进去的，永远是被压缩、简化、量化过的文字世界，真实世界那团连续、高维、湿漉漉的现实，它够不着。

LeCun喜欢摆一组数字：互联网上公开的全部文字，大约20万亿词，压成字节也就10的14次方。一个四岁小孩，单靠一双眼睛，四年里从这个世界吸收的信息量，早就把这个数字甩在身后，而且是实时、多模态、带触觉反馈的那种输入。按人类阅读速度换算，读完同等信息量的文字，得花上40万年。

这并非抖机灵的段子，是他解释"LLM为什么听起来聪明却不理解世界"的核心论据。

走出那间办公室

2025年11月的某一天，LeCun走进扎克伯格的办公室，说自己要走了。

他在这家公司待了整整12年，从零建起FAIR，做到首席AI科学家，拿到图灵奖，是Meta过去十几年最响亮的一张科学名片。也是在这12年里，他几乎没停止过一件事：公开质疑公司和整个行业押上的这条路线。

"I told him I can do this faster, cheaper, and better outside of Meta."

「我告诉他，离开Meta，我能做得更快、更便宜、也更好。」

扎克伯格的回应很干脆，"OK, we can work together."「好，那我们可以合作。」

四个月后，2026年3月10日，LeCun的新公司Advanced Machine Intelligence Labs（AMI Labs）官宣：完成10.3亿美元种子轮融资，估值35亿美元。这是欧洲历史上最大的一笔种子融资，放到全球范围，也只输给Mira Murati的Thinking Machines Lab。

这位65岁的法裔美籍科学家要做的，是他自己定义的"世界模型"：一种从现实里学习、能理解物理、保有记忆、能对行动后果做规划的AI系统，跟更好的聊天机器人、更大的语言模型完全是两码事。

"If he is right, every major AI lab on the planet is building the wrong thing."

「如果他是对的，地球上每一个主要的AI实验室，都在建造错误的东西。」

▲ 深度报道还原了那句关键对话："我告诉他，离开Meta我能做得更快更便宜更好"，扎克伯格答"好，那我们可以合作"。

12个人，零产品，10.3亿美元

AMI Labs总部设在巴黎，"ami"在法语里就是"朋友"的意思。团队初期只有大约12人，没有一款产品上线，靠的是LeCun的声誉和几篇论文，撬动了10亿美元级别的信任。

领投方名单同样吓人：Cathay Innovation、Greycroft、Hiro Capital、HV Capital，还有贝索斯的私人基金Bezos Expeditions。跟投名单里，英伟达、三星、丰田创投、淡马锡挨个报到。个人投资者里，杰夫·贝索斯、马克·库班、埃里克·施密特、万维网发明人蒂姆·伯纳斯-李，一个不落。

CEO是Alexandre LeBrun，做过Meta，也创办过医疗AI公司Nabla，那段经历让他亲眼见识过LLM幻觉在医疗场景里能有多危险。他对着TechCrunch撂下一句挺自信的话：

"My prediction is that 'world models' will be the next buzzword. In six months, every company will call itself a world model to raise funding."

「我预测'世界模型'会成为下一个流行词。六个月后，每家公司都会自称自己是世界模型公司来融资。」

值得玩味的是，英伟达这次两边都投了钱：一边给训练LLM的实验室卖芯片，一边又把钱投进了LeCun这个唱反调的项目。芯片商谁赢都无所谓，反正无论哪条路线跑通，都得靠算力堆出来。

▲ TechCrunch的报道标出了这轮融资的核心数字：10.3亿美元、35亿估值、欧洲最大种子轮。

JEPA：不猜字，猜"接下来会怎样"

LeCun给出的技术方案，有个绕口的名字：JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）。

拆开看，逻辑并不复杂。LLM干的活，是根据上文猜下一个词。JEPA换了个玩法：盯着一段视频或一堆传感器数据，学着预测"接下来这个场景会往哪个方向变"，但它猜的并非每一帧的像素细节，而是一段被压缩过的、抽象的"状态"。

杯子会往下掉，这是JEPA想抓住的重点；杯子下落过程中反射的光斑怎么闪，这种没法预测、也没必要预测的噪音，它索性跳过。这套设计让JEPA的样本效率比生成式方法高出1.5到6倍，标注数据越少，差距越明显。

Meta官方在2024年2月就公开发布了早期版本V-JEPA，论文和代码全都摆在台面上，两年多前就跑通了真实实验，这套理论有据可查，并非2026年临时拼凑的说法。

▲ Meta官方在2024年发布的V-JEPA博客：给"世界模型"这套理论留下了一份公开的技术履历。

有意思的是，LeCun本人到现在还在推特上手把手纠正社区对JEPA的理解。今年6月，有人在讨论视频世界模型的计算效率时提了个思路，LeCun回了一句：

"You just rediscovered JEPA ☺️"

「你刚刚重新发现了JEPA☺️」

一万两千次浏览，两条评论，六十五个赞，数字不算惊人，但态度说明问题，这并非一位躺在功劳簿上讲情怀的老教授，他还在场上，还在具体的技术细节里较真。

▲ LeCun亲自下场纠正社区的技术讨论，这个细节比任何采访都能说明他还在一线。

这里还藏着一个经典悖论。计算机科学家Hans Moravec早在1988年就发现：对人类轻而易举的事，看懂一张照片、走路不摔跤、伸手接住一个杯子，机器做起来极难；反倒是下棋、解数学题这些人类觉得烧脑的活，机器做得游刃有余。LLM正在把"人类觉得难"的那部分攻克得又快又好，却仍卡在"猫都会"的那道坎上。

桌面底下，还有谁也赌上了同一个方向

把镜头拉远，会发现LeCun并非孤军奋战。

李飞飞的World Labs走的是相近路子，专攻3D空间世界模型，早期融资同样已经跨过10亿美元门槛。DeepMind有自己的Genie项目，能生成可交互的虚拟环境。伦敦的Wayve在自动驾驶领域跑Gaia系统。牛津大学Ingmar Posner的团队，则在死磕更强调因果、可解释的"机制性世界模型"。

这几股力量凑在一起，指向同一个判断：机器人、自动驾驶、工业质检要真正靠谱，前提是AI得先弄明白"我这么做，世界会怎么变"。眼下那些让人形机器人跳舞、打拳的演示，靠的是海量遥操作数据加提前编排好的动作序列，换个陌生场景立刻露馅，这恰恰是LeCun反复强调的短板。

OpenAI和DeepMind不这么看

把话说到这份上，自然要面对另一头的火力。

OpenAI的Sam Altman觉得行业已经滑向超级智能的门槛；Anthropic的Dario Amodei放话，两年内AI能做出诺贝尔奖级别的科学发现。DeepMind的Demis Hassabis更是亲自下场，反驳过LeCun对"通用智能"这个概念的部分表述。

实用主义者的算盘也打得精：LLM已经创造了数百亿美元收入，用户数以亿计。理论上到不了AGI，不等于现在没用。世界模型自己同样没绕开泛化能力差、长时程规划难这些老问题，不少实验室干脆两边都布局，在LLM外面再挂一个世界模型组件当补丁。

一旦LeCun判断错了，代价同样惨重：10亿美元、一整支顶尖团队，还有好几年不出产品的时间窗，都可能砸在一条走不通的长期研究路线上，眼睁睁看着OpenAI这类公司在千亿级融资的加持下继续拉开身位。

十年后，谁会是猜对的那个人

LeCun有句话常挂在嘴边：马有用，不代表就该放弃造汽车；一件事现在能用，不代表它就是那条通往终点的正确道路。

这场关于"什么才算智能"的争论，短期内不会有答案。是流利地说话、写代码、解数学题算智能，还是在真实世界里理解因果、适应陌生场景、承担犯错代价才算智能，这个问题，决定的不光是学术圈的面子，也决定接下来十年，几千亿美元资本会流向哪里，机器人真正走进普通家庭还要等多久。

LeCun已经用12个人、零产品、10.3亿美元现金，把自己的答案押了上去。这场赌局最后谁赢，大概要等下一台真正理解物理规律的机器，自己给出答案。