再說“JEPA”：楊立昆說，今天的大模型，為何比貓還笨？

上次我們解析了 JEPA的架構和Meta 的構想（ ），這次聽聽楊立昆的直白表述。

在今年初巴黎AI峰會上，圖靈獎得主、Meta首席AI科學家楊立昆（Yann LeCun）投下了一枚重磅炸彈：“如果要研究人類級AI，就別碰大語言模型。”他用一個極具挑釁性的比喻總結了自己的觀點：今天最先進的大模型（LLM），在對世界的理解上，“比貓還笨”。

這番言論無異于在烈火烹油的AI熱潮中潑下一盆冷水。為何一位締造了現代深度學習的巨擘，會對當前最炙手可熱的技術提出如此根本性的質疑？這不僅是一場技術路線之爭，更指向一個深刻的問題：我們今天所追求的“智能”，是否走在正確的道路上？

第一部分：能說會道的“世界文盲”

要理解楊立昆的批判，首先必須剝開大語言模型（LLM）華麗的外殼，審視其技術內核。

LLM的本質是一個基于海量文本數據訓練的“自動補全”大師。無論是GPT-4還是其他同類模型，其核心任務都是在給定一段文本后，以最高的概率預測下一個詞或字符。它們通過學習數萬億詞元（token）之間的統計規律，成為了精通人類語言語法、風格和知識的“博學之士”。

然而，這種精通是表面的。LLM學習的是詞語與詞語之間的關聯，而非詞語所指向的物理世界。它們知道“蘋果”這個詞后面很可能跟著“是紅色的”或“可以吃”，但它們從未真正“見過”一個蘋果，也無法理解“從樹上掉下來”背后蘊含的重力法則。

“沒有世界模型，就沒有規劃。今天的大模型比貓還笨。” —— Yann LeCun

這便是楊立昆所指的致命缺陷：由于缺乏對真實世界的內在模型，LLM無法進行真正的規劃（Planning）和推理（Reasoning）。

• 它們可以“描述”計劃：一個LLM可以為你生成一份完美的“如何從辦公室走到樓下咖啡館”的路線計劃。

• 但它們無法“預演”計劃：它無法像人一樣，在腦海中模擬這個過程——預見到下雨需要帶傘，電梯壞了需要走樓梯，或者咖啡館可能已經關門。這種在心中預演并評估計劃可行性與后果的能力，源于我們對世界運行規律的內在理解，而這正是LLM所缺失的。

ACL 2024的一篇論文也佐證了這一點，研究表明即使是強大的GPT-4，在模擬常識性物理狀態變化時的準確率也僅約60%。它們是能說會道的“世界文盲”，雖然掌握了描述世界的語言，卻對世界本身一無所知。

第二部分：為何貓更“聰明”？——“世界模型”的重要性

楊立昆“比貓還笨”的比喻，看似夸張，實則點明了智能的另一種形態。

一只貓或許無法理解微積分或莎士比亞，但它擁有一個與生俱來的、直覺性的世界模型（World Model）。

• 它理解物理常識：貓知道物體是永存的（藏在毯子下的玩具依然存在），理解重力（松開爪子，東西會掉下去），并對空間有基本的概念。

• 它能夠預測和規劃：當一只貓準備跳上桌子時，它會估算高度、距離，并預測自己需要用多大的力氣才能成功。這個過程不是基于語言，而是基于對物理世界運行規律的本能理解和內部模擬。

這正是楊立昆所推崇的核心理念——世界模型。它是一個智能體內部對現實世界的模擬器，使其能夠：

1. 通過觀察學習世界規律：不僅僅是閱讀文本，而是像嬰兒一樣，通過觀 察 視頻、與環境互動來學習。

2. 在“腦中”進行模擬：在采取實際行動前，可以在內部世界模型中“做夢”或“ 想象 ”，預演不同行動可能帶來的后果。

3. 獲得 真正的理解力與常識 ：基于這種模擬能力，智能體才能 真正獲得關于因果、物理和邏輯的常識 。

從這個角度看，貓的“智能”雖然領域狹窄，但在理解和與物理世界互動這一核心維度上，它確實超越了當前只會“紙上談兵”的大語言模型。

第三部分：超越語言——JEPA與AI的未來

楊立昆的批判并非為了全盤否定，而是為了指明一條更具潛力的道路。在“破”的同時，他也給出了“立”的方案——聯合嵌入預測架構（JEPA, Joint Embedding Predictive Architecture）。

JEPA是構建世界模型的一條具體技術路徑。它的核心思想極具革命性：讓AI在抽象的表征空間（Representation Space）中進行預測，而不是在原始的像素或文本空間。

簡單來說，相比于讓LLM預測下一個“單詞”，或讓視頻模型生成下一幀畫面的每一個“像素”，JEPA的目標是：

• 觀察部分信息 （例如，視頻的一小部分）。

• 預測 另一部分信息的抽象特征 （例如，被遮擋區域里會發生什么事的高層語義）。

這種方法迫使模型去學習世界運行的底層規律和因果關系，而不是糾結于表面細節（比如樹葉的隨機擺動）。這代表了一條與LLM截然不同的AI發展路線圖：

發展路線

大語言模型 (LLM)

世界模型 (JEPA)

學習來源

離散的文本數據（低帶寬）

多模態的感官數據 ，如視頻（高帶寬）

學習目標

預測下一個詞元的統計概率

預測世界狀態的 抽象變化

核心能力

語言的模式匹配與生成

對物理世界的 理解、預測與規劃

智能體形態

博學的“書呆子”

能與世界 互動 的“行動派”

未來的通用人工智能（AGI）不應只是一個知識淵博的“數據庫”，而應是能夠理解并與物理世界互動的、擁有常識的智能體。

結論：回歸智能的本質

楊立昆對大語言模型的尖銳批判，并非否定其在特定任務上的巨大成功，而是警示我們：如果目標是達到人類級別的通用智能，僅靠擴大語言模型的規模是一條死胡同。

通往AGI的真正關鍵，在于讓機器構建起對現實世界的感知、理解和預測能力——即擁有自己的“世界模型”。這需要AI像嬰兒一樣，睜開“眼睛”去觀察世界，而不僅僅是閉門“讀書”。

這不僅是一場技術路線的爭論，更關乎我們對“智能”本質的根本思考。是選擇成為一個能言善辯的“世界文盲”，還是成為一個沉默但深刻的“世界觀察者”？楊立昆給出了他的答案。AI的未來，或許正取決于我們是否敢于跳出語言的牢籠，回歸對真實世界的探索。