• 人類智能并非通用智能。
  我們的大腦是進化的產物，只擅長解決對生存有用的問題，而不是真正“通用”的計算……

在最新一檔播客節目中，Meta首席AI科學家&圖靈獎得主LeCun發表了如上觀點。

他表示，AGI（通用人工智能）一詞非常具有誤導性，但人類智能本質是非通用的，它非常專業。

更有意思的是，當大家都在談論生成式AI時，他卻憑借直覺大膽預測：下一代AI的突破可能基于非生成式。

同時他還再次cue到了DeepSeek，并直言對于這個走紅硅谷的新事物，他們這些長期深耕AI領域的人實則并不感到意外。

整場節目中，LeCun與兩位主持人的討論涵蓋了從大語言模型 (LLMs) 的局限性到人工智能研究的下一個范式轉變等主題，重點關注了推理、規劃和世界建模等概念。

省流版如下：

• LeCun直覺認為，下一代AI的突破可能基于非生成式；
• 否認AGI會在未來兩年內實現，但十年內可能取得重大進展；
• 人類和動物的智能核心，不是語言，而是對物理世界的建模和行動規劃；
• 創新可以來自世界任何角落；
• 智能眼鏡代表著AI技術落地的一個重要方向。

與此同時，量子位在不改變原意的基礎上，對部分問題進行了翻譯整理。

“下一代AI可能基于非生成式”

Q：如何看待一邊是收益遞減，一邊是企業們紛紛押注生成式AI？

LeCun：毫無疑問，生成式AI很有用，尤其是編程助手之類的。近來人們正在討論Agent系統，但它還并不完全可靠。

從技術演示到實際部署需要巨大跨越，類似10年前自動駕駛的困境——初期演示驚艷，但規模化落地極難。

過去七十年，人工智能領域一直在重復這樣的歷史：人們提出一個新范式，然后宣稱這將達到人類智能水平，但每次都被證明是錯誤的。要么缺乏泛化性，要么被證明只擅長某個子任務而非通用任務。

所以，我們應該對它們進行大量投資，尤其是投向運行它們的大量基礎設施。實際上，大量資金都涌向了AI基礎設施，這并非為了訓練AI，而是為了讓其運行起來服務潛在數十億用戶。

如今，如果我們需要達到人類智能水平，我們需要發明新技術。我們還遠未達到這一水平。

Q：人工智能下一步何在？應該把資源投向哪里？

LeCun：3年前我寫了一篇文章《A Path Towards Autonomous Machine Intelligence》（通往自主機器智能的道路），闡述了未來十年AI研究的方向。

我認為，未來的AI必須具備幾個關鍵能力：

• 理解物理世界——不僅僅是處理符號或文本，而是真正“懂”現實世界的運作規律；
• 具備推理和規劃能力——能夠像人類一樣思考“如果這樣做，會發生什么”，并制定策略；
• 擁有持久記憶——不是簡單的數據存儲，而是能像人類一樣長期積累和調用經驗；
• 安全可控——AI必須嚴格遵循我們設定的目標，不能偏離或“自作主張”。

人類和動物的大腦里都有一個“世界模型”——它讓我們能預測現實世界的運行方式。比如，你扔出一個球，不用計算拋物線，大腦就能預測它的落點。這種能力讓我們能規劃行動，比如：“如果我現在左轉，會不會撞到那輛車？”

在AI領域，我們希望能讓機器也學會這種模型。但問題是：如何讓AI像嬰兒一樣，通過觀察世界來自主學習？

LLM的成功證明了自監督學習的強大——讓AI通過預測文本的下一個token來學習語言規律。但同樣的方法直接套用到視覺（比如預測視頻的下一幀）卻行不通，因為現實世界的可能性太多，無法像文字那樣用概率分布建模。

我們提出的解決方案是JEPA（聯合嵌入預測架構），它不直接生成像素級的預測，而是在一個更抽象的“表征空間”里進行推理。這有點像人類的大腦——我們不會在腦子里渲染每一幀畫面，而是用更高效的方式理解世界。

有趣的是，現在大家都在談論生成式AI，但我的直覺是，下一代AI的突破可能會來自非生成式模型。

這就是我的思考方向——LLM的爆發沒有改變它，反而讓我更堅信：AI的下一個突破，在于讓機器真正“理解”世界，而不僅僅是生成內容。

“AI的未來是像動物一樣思考”

Q：如何看待AGI？

LeCun：我堅信未來必然會出現全面超越人類智能的機器系統——這不是能否實現的問題，而是時間問題。

當前AI已經在特定領域展現出超越人類的能力（比如圍棋、圖像識別），但真正的挑戰在于構建能夠像生物一樣適應現實世界的智能體。

我必須指出，“AGI”這個詞具有誤導性。 它暗示人類智能是“通用”的，而實際上，人類智能極其專業化。我們的大腦是進化的產物，只擅長解決對生存有用的問題，而不是真正“通用”的計算。

我們覺得自己“通用”，只是因為我們對無法理解的問題根本意識不到。所以，我更傾向于用“高級機器智能（AMI）”這個概念，它在Meta內部也被稱為“Ami”（法語“朋友”的意思），而不是誤導性的“AGI”。

我不認為AGI（或AMI）會在明年或未來兩年內實現。但十年內，我們可能會取得重大進展。當然，這取決于我們能否填補當前缺失的關鍵技術。

歷史告訴我們，AI的突破總是比預期更難。比如，深度學習在20世紀80年代就被提出，但直到2010年后才真正爆發。所以，我保持謹慎樂觀——我相信我們能成功，但絕不會像某些人想象的那么快。

今天的AI（比如大語言模型）在某些任務上表現驚人，比如通過律師考試（本質是信息檢索）、生成代碼（語法嚴格，相對容易）、總結和改寫文本。

但它們有一個致命缺陷：無法解決從未見過的新問題。比如，讓最好的大語言模型去做最新的奧數題，它們幾乎得零分，因為它們沒有訓練過類似的題目。

更關鍵的是，它們沒有真正的推理能力。所謂的“思維鏈”（Chain-of-Thought）只是讓模型生成更多文本，而不是像人類那樣進行抽象推理。

人類和動物（比如貓、老鼠）的智能核心，不是語言，而是對物理世界的建模和行動規劃。例如：

• 空間推理：如果我讓你想象一個立方體旋轉90度，你能在腦中模擬，而不需要語言描述；
• 分層規劃：如果我要從紐約去巴黎，我不會一步步計算“先邁左腳還是右腳”，而是抽象成“打車→機場→飛機”；
• 動作學習：貓能學會開門、松鼠能記住藏食物的位置，它們沒有語言，但能通過觀察和嘗試掌握復雜技能。

這才是真正的智能，而今天的AI完全做不到這一點。

要讓AI達到動物（甚至人類）的智能水平，我們需要：

1、建立世界模型：讓AI能模擬物理規律（比如重力、物體互動）；
2、分層行動規劃：像人類一樣，從高層次目標分解到具體動作；
3、非語言推理：真正的智能不依賴語言，而是基于抽象表征；
4、適應不確定性：現實世界是混亂的、連續的，不像語言那樣結構化。

如果能讓AI達到貓的智能水平，就已經是巨大突破。 今天的AI能在棋盤上擊敗人類，但一只貓對物理世界的理解，仍然遠超最先進的大語言模型。

我們離真正的人類級AI還有距離，但方向是明確的：不是讓AI更擅長語言，而是讓它像動物一樣理解世界、規劃行動。這需要全新的架構，而不僅僅是更大的語言模型。

我相信，未來十年，我們會看到重大進展——但絕不會是“突然覺醒”的超級AI，而是逐步接近生物智能的機器。

“我們對DeepSeek的出現并不意外”

Q：Meta的人工智能策略是怎樣的？

LeCun：作為Meta的AI負責人，我想分享一下我們決定開源LLaMA系列模型的戰略思考。

這個決定源于幾個關鍵考量：首先，從倫理角度來看，開源是正確的事情。LLaMA 2采用開源模式發布后，直接推動了整個AI生態系統的爆發式增長。這不僅惠及企業和初創公司，更重要的是讓學術界能夠真正參與到前沿研究中來。要知道，大學和研究機構通常根本沒有資源來訓練自己的基礎模型。

我們的開源策略實際上產生了兩個顯著效果：它確實影響了少數幾家閉源商業公司的利益（大家都知道是哪幾家），但它同時為成千上萬的企業和研究者創造了機會。

在教育領域，正如Jeff教授提到的，LLaMA讓大學能夠運行、研究和改進這些模型。這種開放創新模式正是AI領域最需要的。

有些人可能會問：Meta為什么要免費開放這么重要的技術？

這其實與我們的商業模式有關：我們不像某些公司直接靠AI技術本身盈利，Meta的核心收入來自廣告。而廣告業務依賴于基于這些技術構建的高質量產品、社交網絡的網絡效應以及用戶規模和參與度。

所以，開源不僅不會損害我們的商業利益，反而能幫助我們建立更強大的生態系統。當更多人使用和改進這些技術時，最終也會反哺我們的產品。

在追求人類級AI的道路上，開源是加速突破的關鍵。這可能是人類面臨的最重大科技挑戰之一，沒有任何一家公司能壟斷所有創新。最近DeepSeek等開源項目的突破就證明了這一點——它們讓硅谷大吃一驚，但我們這些長期參與開源的人并不感到意外。

我堅信以下幾點：

• 創新可以來自世界任何角落
• 沒有人能壟斷好點子（除了那些自我感覺特別良好的人）
• 過去十年AI的快速發展，很大程度上要歸功于代碼和知識的開放共享

在Meta，我們將繼續堅持開源策略，因為這是推動AI技術進步、實現真正創新的最佳途徑。我們期待與全球的研究者和開發者一起，共同邁向更智能的未來。

“智能眼鏡成技術落地重要方向”

Q：如何看待智能眼鏡等設備的出現？

LeCun：我認為智能眼鏡代表著AI技術落地的一個重要方向。

在我看來，未來的AI助手應該具備以下特點：

• 全天候陪伴：像真正的助手一樣隨時待命；
• 多感官交互：能夠”看到”和”聽到”用戶所處的環境（在獲得許可的前提下）；
• 專業化分工：不是單一助手，而是一組各有所長的虛擬助手團隊。

有趣的是，很多人擔心AI比人類聰明會帶來威脅，但我認為這反而是賦能。就像在科研或企業管理中，最理想的情況就是能找到比自己更優秀的人才一起工作。

最后，關于開源的重要性，我想強調就像Linux改變了互聯網基礎設施一樣，開源AI將重塑整個行業格局。

我預見未來會有成千上萬種不同的AI助手，它們將基于像Meta這樣的大公司提供的開源基礎模型，由全球各地的開發者進行定制開發。這種模式不僅能避免技術壟斷，更能促進真正的創新。