图灵奖得主 LeCun：人类智能不是通用智能，下一代 AI 可能基于非生成式

人类的智能并非真正的通用智能。

我们的思维是经过进化而来的，主要擅长解决那些对生存至关重要的问题，而不是实施真正“通用”的计算……

在最近的一期播客中，Meta的首席AI科学家和图灵奖获得者LeCun发表了这一观点。

他提到，AGI（通用人工智能）这一说法极具误导性，因为人类的智能本质上是非通用的，非常专业化。

更值得一提的是，在大家热议生成式AI之际，他却凭直觉大胆地预测：下一代AI的突破可能将基于非生成式。

他还再度提到了DeepSeek，并坦言对于这一在硅谷掀起热潮的新事物，长期从事AI领域的人们并不感到意外。

在节目中，LeCun与两位主持人的讨论内容涵盖了从大型语言模型（LLMs）的局限性到人工智能研究未来的范式转变，重点关注了推理、规划及世界建模等概念。

简洁版要点如下：

• LeCun直觉认为，下一代AI的突破可能基于非生成式；

• 不认为AGI会在未来两年内实现，但在十年内可能取得重大进展；

• 人类与动物智能的核心不在于语言，而是在于对物理世界的建模与行动规划；

• 创新可以在世界的任何地方诞生；

• 智能眼镜是AI技术落地的一个重要方向。

与此同时，量子位在不改变原意的基础上，对部分问题进行了翻译整理。

“下一代 AI 可能基于非生成式”

Q：如何看待收益递减的情况下，企业纷纷押注生成式AI？

LeCun：毫无疑问，生成式AI非常有用，特别是在编程助手等方面。最近人们在讨论Agent系统，但它还不够可靠。

从技术演示到实际应用之间需要巨大的跨越，类似于十年前自动驾驶的困境——初期演示令人惊艳，但大规模落地异常艰难。

在过去七十年里，人工智能领域一直在重复这样的历史：人们提出一个新范式，然后宣称这将达到人类智能的水平，但每一次都被证明是错误的。要么缺乏泛化能力，要么只擅长某个子任务，而非通用任务。

因此，我们应该大力投资于它们，尤其是配套的大量基础设施。实际上，资金大量涌向AI基础设施，并非为了训练AI，而是为了支撑潜在的数十亿用户服务。

如今，如果我们想达到人类智能的水平，我们需要发明新的技术。我们距离这个目标还有相当长的路要走。

Q：人工智能下一步将如何发展？资源应当投向何处？

LeCun：三年前我写过一篇文章《A Path Towards Autonomous Machine Intelligence》（通往自主机器智能的道路），阐明了未来十年AI研究的方向。

我认为，未来的AI必须具备以下几个关键能力：

• 理解物理世界——不仅仅是处理符号或文本，而是真正“理解”现实世界的运行规律；

• 具备推理和规划能力——能够像人类一样思考“如果这样做，会发生什么”，并制定行动策略；

• 拥有持久记忆——不是简单的数据存储，而是能够像人类一样长期积累和调用经验；

• 安全可控——AI必须严格遵循我们设定的目标，不能偏离或自作主张。

人类和动物的大脑中都存在一个“世界模型”，这使得我们能够预测现实世界的行为。例如，当你投掷一个球时，无需计算抛物线，脑海中就能预测其落点。这种能力让我们能够规划行动，比如：“如果我现在左转，会不会撞到那辆车？”

在AI领域，我们希望让机器也能学习这种模型。但问题是：如何让AI像婴儿一样，通过观察世界进行自主学习？

LLM的成功证明了自监督学习的力量——通过预测文本的下一个token来学习语言规律。但同样的方法直接应用于视觉（例如，预测视频的下一帧）却不奏效，因为现实世界的可能性实在太多，无法像文字那样用概率分布建模。

我们提出的解决方案是JEPA（联合嵌入预测架构），它并不直接生成像素级的预测，而是在更抽象的“表征空间”中进行推理。这有点像人类的思维——我们不会在脑中渲染每一个画面，而是以更高效的方式理解世界。

有趣的是，尽管大家都在谈论生成式AI，但我的直觉是，下一代AI的突破可能会出现在非生成式模型中。

这是我思考的方向——LLM的激增并没有改变这一点，反而让我更加坚信：AI的下一个突破在于让机器真正“理解”世界，而不仅仅是生成内容。

“AI的未来是像动物一样思考”

Q：您如何看待AGI？

LeCun：我深信未来必定会出现超越人类智能的机器系统——这并不是能否实现的问题，而是时间的问题。

目前，AI在特定领域表现出超越人类的能力（如围棋、图像识别），但真正的挑战在于构建能够像生物一样适应现实世界的智能体。

值得指出的是，“AGI”这个词具有误导性，暗示了人类智能的“通用性”，而实则人类智能极其专业化。我们的脑海是进化的结晶，仅擅长处理那些与生存相关的问题，而不是解决真正“通用”的计算任务。

我们之所以认为自己是“通用”的，只是因为对那些无法理解的问题缺乏意识。因此，我更倾向于使用“高级机器智能（AMI）”这个概念，在Meta内部也称之为“Ami”（法语中意为“朋友”），而非误导性的“AGI”。

我不认为AGI（或AMI）会在明年或未来两年内实现。但十年内，我们或许能取得重大发现，当然，这取决于我们是否能够填补当前所缺失的关键技术。

历史告诉我们，AI的突破往往比预期更为艰难。例如，深度学习虽然在20世纪80年代就被提出，但直到2010年后才真正崛起。因此，我保持谨慎乐观——我相信我们能成功，但绝对不会像某些人所想象的那样迅速。

当今的AI（例如大型语言模型）在某些任务上表现优异，比如通过律师考试（本质上是信息检索）、生成代码（语法上相对严格，较易实现）、总结及重写文本。

但它们存在一个致命的缺陷：无法处理从未见过的新问题。例如，让性能最佳的大型语言模型尝试解答最新的奥数题，它们几乎得零分，因为没有接受过类似的训练。

更为关键的是，它们缺乏真正的推理能力。所谓的“思维链”（Chain-of-Thought）只是在让模型生成更多文本，而不是像人类那样进行抽象推理。

人类和动物（如猫、老鼠）的智能核心，实际上并不在于语言，而是对物理世界的建模和行动规划。例如：

• 空间推理：如果我让你想象一个立方体旋转90度，能够脑中模拟，而无需语言描述；

• 分层规划：如果我要从纽约去巴黎，我不会一步步计算“先迈左脚还是右脚”，而是抽象为“打车 → 机场 → 飞机”；

• 动作学习：猫能够学会怎样开门，松鼠能记住藏食物的位置，它们虽然没有语言，但能够通过观察和尝试掌握复杂的技能。

这才是真正的智能，而当前的AI完全无法做到这一点。

要让AI达到动物（甚至人类）的智能水平，我们需要：

• 1、建立世界模型：使AI能够模拟物理规律（如重力、物体互相作用）；

• 2、分层行动规划：像人类一样，从高层次目标分解为具体行动；

• 3、非语言推理：真正的智能不依赖于语言，而是基于抽象表征；

• 4、适应不确定性：现实世界是混沌和连续的，远不如语言那样结构化。

如果能够让AI达到猫的智能水平，那已是巨大的突破。今天的AI虽然能在人类棋手面前获胜，但一只猫在对物理世界的理解上，依然远超最先进的大型语言模型。

我们距真正的人类级AI还有距离，但方向已清晰：不在于让AI更加擅长语言，而是让其像动物一样理解世界和规划行动。这需要全新的架构，而不仅仅是构建更大的语言模型。

我相信，未来十年，我们将见证重大的进展——但绝非是“突然觉醒”的超级AI，而是逐步逼近生物智能的机器。

“我们对DeepSeek的出现并不感到意外”

Q：Meta的人工智能策略是什么？

LeCun：作为Meta的AI负责人，我想分享一下我们决定开源LLaMA系列模型的一些战略思考。

这一决定基于几个关键考量：首先，从伦理角度来看，开源是正确的选择。LLaMA 2采用开源方式发布后，直接推动了整个AI生态系统的飞速发展。这不仅惠及企业与初创公司，更重要的是让学术界能够真正参与前沿研究。要知道，大学和研究机构通常并没有资源来训练自己的基础模型。

我们的开源策略实际上产生了两个显著的效果：它确实影响了少数几家封闭源代码的商业公司的利益（大家都知道是哪些公司），但同时也为成千上万的企业和研究者创造了机会。

在教育领域，正如Jeff教授所提到的，LLaMA使大学能够运行、研究并改进这些模型。这种开放的创新模式正是AI领域最为需要的。

有些人可能会问：Meta为何要免费开放这么重要的技术？

这与我们的商业模式密切相关：我们不像某些公司直接依靠AI技术本身盈利，Meta的核心收入来自广告。我们的广告业务依赖于基于这些技术构建的高质量产品、社交网络的网络效应及用户的规模与参与度。

因此，开源不仅不会损害我们的商业利益，反而能助力我们建立一个更强大的生态系统。当越来越多的人使用和改进这些技术时，最终也会反馈到我们的产品中。

在追求人类级AI的道路上，开源是促成突破的关键。这可能是人类面临的最重大科技挑战之一，没有任何一家公司能垄断所有的创新。最近DeepSeek等开源项目的进展便证明了这一点——尽管让硅谷大吃一惊，但我们这些长期参与开源的人并不感到意外。

我坚信以下几点：

• 创新可以来自世界各个角落

• 没有人能够垄断优秀的创意（除非是那些自我感觉良好的人）

• 过去十年AI的快速发展在很大程度上得益于代码与知识的开放分享

在Meta，我们会继续坚守开源策略，因为这正是推动AI技术进步与取得真正创新的最佳途径。我们期待与全球的研究者和开发者共同迈向更智能的未来。

“智能眼镜是技术落地的重要方向”

Q：您如何看待智能眼镜等设备的出现？

LeCun：我认为，智能眼镜象征着AI技术落地的一个重要方向。

在我看来，未来的AI助手应当具备以下特点：

• 全天候陪伴：像真正的助手一样随时待命；

• 多感官交互：能够”看见”和”听到”用户当前的环境（在获得许可后）；

• 专业分工：不是单一助手，而是一组各具专长的虚拟助手团队。

有趣的是，很多人担心AI的聪明会对人类构成威胁，但我认为这反而是一种赋能。就像在科研或企业管理中，理想的情况是能够找到比自己更优秀的人才一起合作。

最后，关于开源的重要性，我想强调，正如Linux改变了互联网基础设施一样，开源AI将重塑整个行业格局。

我期望未来将会出现成千上万种不同的AI助手，它们将基于像Meta这样的大公司提供的开源基础模型，由全球各地的开发者进行定制。这种模式不仅能避免技术垄断，更能促进真正的创新。

参考链接：

• [1]https://www.youtube.com/watch?v=BytuEqzQH1U

• [2]https://jasonhowell.substack.com/p/meta-ai-chief-yann-lacun-human-intellig

• [3]https://aiinside.show/episode/yann-lecun-human-intelligence-is-not-general-intelligence

本文来自微信公众号：量子位（ID：QbitAI），作者：一水