LeCun和哈薩比斯「吵」起來了：「通用智能」到底存不存在？

編輯｜+0

今天 AI 圈最大的熱鬧莫過于 LeCun 和哈薩比斯在推上「吵」了起來。

事情的起因，源于 Yann LeCun 最近的一次「火力全開」。前段時間，一位博主發布了一段 LeCun 的訪談剪輯，LeCun 在播客節目中表示：「通用智能」不存在，是徹頭徹尾的胡說八道。

• 播客地址：https://www.youtube.com/watch?v=7u-DXVADyhc

他的觀點很犀利：我們之所以會有「通用」的錯覺，是因為陷入了幸存者偏差，我們只能意識到那些我們能想象出的問題，卻忽略了海量位于人類認知盲區之外的、我們根本無法構想的任務。人類在棋類等任務上表現差勁，并且動物在許多其他領域勝過我們。

以下是 LeCun 的原話：

根本就不存在所謂的通用智能（general intelligence）。這個概念完全講不通，因為它實際上是被設計用來指代人類水平的智能的。
但人類智能其實是高度專用化的。好吧，我們確實能很好地應對現實世界，比如導航以及諸如此類的事情。我們也能很好地應對其他人，因為這是我們進化的結果。但在國際象棋方面，我們卻表現得很差。所以，實際上有很多任務我們都做不好，而在這些方面很多其他動物都比我們要強得多。
這意味著什么呢？這意味著我們是專用的。我們自以為是通用的，但這僅僅是一種錯覺，因為所有我們能理解的問題，恰恰都是我們能構想出來的，對吧？反之亦然。所以，我們只是在所有我們要能想象到的問題上是「通用」的。明白嗎？但其實還有很多問題是我們根本無法想象的。
對此有一些數學論證，除非你問我，否則我不打算在這里深入探討。總之，所謂的通用智能這個概念，完全是無稽之談（BS）。

該帖引發了廣泛的討論，支持者稱其為「現實主義」和「人間清醒」。

批評者則認為其用夸張言論博取關注。

本來大家以為這只是 LeCun 的日常輸出，沒想到引來了另一位大佬：Google DeepMind 的掌門人 Demis Hassabis。

今天，Hassabis 引用了該帖，直接正面硬剛。這一下子就把討論熱度拉滿了（近 700 萬圍觀）。

他認為LeCun 混淆「通用智能」和「普適智能」。雖然「天下沒有免費的午餐」（沒有算法能完美解決所有問題），但人類大腦和 AI 基礎模型近似于圖靈機。只要給夠時間、內存和數據，理論上啥都能學。

最精彩的是他對「下棋」的回應：人類大腦的出廠設置明明是為了在大草原上「采集和狩獵」的，結果我們用這套硬件不僅發明了國際象棋，還造出了波音 747。這難道還不算「通用」得令人驚嘆嗎？

以下是 Hassabis 的原話：

Yann 在這一點上完全錯了，他混淆了通用智能（general intelligence）與普適智能（universal intelligence）。
大腦是我們目前在宇宙中已知的最精妙、最復雜的現象，而且它們實際上具有極高的通用性。
顯然，人們無法繞過無免費午餐定理，因此在一個實際且有限的系統中，針對正在學習的目標分布，總是必須存在一定程度的專業化。
但關于通用性的重點在于：從理論上講，在圖靈機的意義上，這樣一個通用系統的架構只要給予足夠的時間和內存（以及數據），就能夠學習任何可計算的事物。而人類大腦（以及 AI 基礎模型）都是近似的圖靈機。
最后，關于 Yann 對國際象棋選手的評論，人類最初能發明國際象棋（以及現代文明的所有其他方面，從科學到波音 747！），這本身就令人驚嘆，更不用說像 Magnus 這樣的人能達到如此輝煌的水平了。他可能不是嚴格意義上的最優解（畢竟他的記憶有限，決策時間也有限），但考慮到我們的大腦原本是為了狩獵采集而進化的，他和我們所能做到的事情簡直不可思議。

許多人同意 Hassabis 的觀點，認為人類大腦的適應性和創造力證明其通用性。

也有許多中立的討論。

LeCun 本人也很快回復了 Hassabis。

LeCun 并沒有退讓，他認為這不僅是詞匯定義的問題，更是數學事實：理論上可行不代表實際上有意義。就像視神經傳遞的信息量是巨大的，能在這么龐大的數據里找到規律，人類能理解的那一小部分世界，在數學概率上簡直微乎其微。

比起驚嘆于人類「能造波音 747」，LeCun 更傾向于感嘆人類「居然能在充滿隨機熵的宇宙里理解這么一點點東西」，這才是奇跡，但這依然改變不了我們高度「專用」的本質。

以下是 LeCun 的原話：

我認為分歧主要在于詞匯的定義。我反對使用「通用」（General）一詞來指代「人類水平」（Human Level），因為人類是極度專業化（Specialized）的。
你可能不同意人類思維是專業化的這一觀點，但事實的確如此。這不僅關乎理論上的能力，更關乎實際效率。
顯然，一個受過恰當訓練且擁有無限紙筆的人腦是圖靈完備的。但在處理絕大多數計算問題時，它的效率極低，這使得在資源受限的情況下（例如下國際象棋），人腦的表現是高度次優的。
讓我打個比方：理論上，一個雙層神經網絡可以以任意精度逼近任何函數。但在實踐中，幾乎每一個有意義的函數都需要在隱藏層中包含數量大到不切實際的單元。因此，我們使用多層網絡（這實際上正是深度學習存在的根本原因）。
再看另一個論點：視神經擁有 100 萬根神經纖維。讓我們做一個簡化的假設，即信號是二元的。因此，視覺任務就是一個從 1E6 比特到 1 比特的布爾函數。
在所有可能的此類函數中，大腦能夠實現的比例是多少？答案是：微乎其微的一部分。 100 萬比特的布爾函數總數是 2^(2^1E6)，這是一個難以想象的巨大數字，大約是 2^(1E301030) 或 10^(3 x 1E301029)。
現在，假設人腦有 1E11 個神經元，也許有 1E14 個突觸，每個突觸用（比如說）32 比特表示。那么，指定整個連接組所需的總比特數最多為 3.2E15。這意味著整個人腦可表示（可計算）的布爾函數總數最多為 2^(3.2E15)。
與 2^(1E301030) 相比，這是一個極小的數字。我們不僅不是通用的，而且是極其專業化的。
可能的函數空間是巨大的。我們之所以沒有意識到這一點，是因為這些函數中的大多數對我們來說都難以理解地復雜，看起來完全是隨機的。
我喜歡阿爾伯特·愛因斯坦的這句名言：「這個世界最不可理解的事情，就是它是可以理解的。」 在世界所有可能的隨機組織方式中，我們實際上能找到一種方法去理解其中的一小部分，這真是令人難以置信。
我們不理解的部分，我們稱之為熵。宇宙中的大部分信息內容都是熵：那些我們要么無法用微弱的思維去理解，要么選擇忽略的事物。

這場神仙打架，自然少不了各路大佬的圍觀。

謝賽寧顯然是支持 LeCun 的。他推薦了 Frans de Waal 的書《Are We Smart Enough to Know How Smart Animals Are?》（我們足夠聰明到知道動物有多聰明嗎？），表示這本書徹底改變了他對人類智能和動物智能的看法，讓他感到更謙卑。

他的潛臺詞很明顯：人類別太自戀了，動物的智能遠比我們以為的要復雜，這種「通用性」的優越感該放放了。

黑天鵝理論（指極不可能發生，實際上卻又發生的事件）之父 Nassim Nicholas Taleb 從哲學角度切入，認為 LeCun 實際上是在闡述 Quine 的經驗主義教條在 AI 領域的投射。他認為任何智能都是「領域特定」的，逃不開進化和結構的束縛。

馬斯克依舊保持了他的簡潔風格，轉發并評論：「Demis 說得對。」

頂級免疫學家 Derya Unutmaz 則覺得 LeCun 陷入了概念混亂。

不過，兩位大佬的爭論看似圍繞「定義」，實質上反映的是對 AGI（通用人工智能）發展路徑的不同判斷。

Hassabis 的立場更接近于通用計算主義：只要系統在架構層面具備足夠的通用性（例如近似圖靈機），并在現實約束下不斷擴展算力、數據和訓練時間，其能力邊界可以持續外推。從這個角度看，人類大腦雖然并非為下棋或工程設計而進化，但依然能夠發展出科學、工程與復雜文明，這本身被視為通用智能的一種體現。

LeCun 則強調實際可實現性與效率約束：在他看來，理論上的可計算并不等同于現實中的有效學習。智能系統無論是生物還是人工，都必須在極其有限的資源下運行，因此必然高度依賴結構、歸納偏置和與物理世界相匹配的表征方式。與其追求抽象意義上的「全能」，不如構建能夠高效理解和預測現實世界的世界模型。

因此，這場分歧并不簡單是「誰對誰錯」，而是兩種研究范式的差異：一方更關注通用架構在規模化后的潛力上限，另一方更關注在現實環境中可擴展、可學習、可泛化的具體機制。

在 AGI 尚未真正實現之前，這兩條路徑很可能會長期并行、相互借鑒。爭論本身，或許正是推動這一領域前進的重要動力之一。

https://x.com/demishassabis/status/2003097405026193809

https://x.com/slow_developer/status/2003183759445885409?s=20