LeCun开炮：一个4岁孩子早就证明了The AI Frontier

图灵奖得主 LeCun 开炮：大模型走不到 AGI，

一个 4 岁孩子早就证明了

刚带着 10 亿美元离开 Meta 创业的他，为什么说“机器学习很烂”、“别再搞视频生成”？

一个 4 岁孩子看过的数据，约等于人类 40 万年的全部文字

“在座有不少做机器学习的人吧？我有个坏消息要告诉你们——机器学习，很烂。”

—— Yann LeCun｜图灵奖得主、AMI Labs 创始人、前 Meta 首席 AI 科学家

一个刚刚带着 10 亿美元离开 Meta、自立门户的图灵奖得主，站上讲台，开口第一句话不是“感谢邀请”，而是当着一屋子同行的面说：你们干的这行，很烂。

这就是 Yann LeCun。在硅谷一窝蜂喊着“大模型再 scale 几轮就到 AGI”的时候，他偏偏唱反调：靠把大模型做大，永远到不了人类那种智能。而他用来“证明”这一点的，不是什么复杂的数学，而是一个 4 岁的小孩。

这篇文章，我们就把 LeCun 这场关于“世界模型”的演讲，从头到尾给你讲明白：他为什么看不上大模型，他押注的下一代 AI 长什么样，以及——这事跟正在看文章的你，到底有没有关系。

智能不是“你知道多少”，而是“当你不知道时，你会怎么做”。

一｜“机器学习很烂”：一句开场暴论背后的尴尬

LeCun 的逻辑很简单：把机器的学习能力，和人、和动物比一比，差距大得离谱。人和动物能用极少的样本、极快地学会新任务，而且天生带着“物理常识”——很多事情我们从没见过，第一次也能凑合做对（zero-shot）。机器呢？我们手里那些“强大”的 AI，其实根本搞不定真实世界里那种连续、高维、嘈杂的数据。

这里他点了一个经典悖论——莫拉维克悖论（Moravec's Paradox）：那些对人类来说“难”的事，比如下棋、求积分、证明数学定理，计算机做起来反而轻松；而那些人类觉得“简单”到不值一提的事，对计算机却难如登天。

最扎心的例子，就是开车。

一个少年练几十小时就能上路，自驾系统喂了数百万小时数据还是 L2/L3

任何一个十六七岁的少年，练个 20 来个小时就能把车开得有模有样，遇到没见过的路况也能临场应付。可自动驾驶公司手里攥着数百万小时的训练数据，砸了那么多钱，到现在也没能靠“模仿人类”把车开到同等可靠的程度。否则我们早就有 L5 全自动驾驶了——可现实是，量产车顶多 L2、L3，所谓 Robotaxi 还得靠一堆昂贵的传感器硬撑。

那人和动物，到底是怎么学会这一切的？LeCun 的答案是：靠观察。一个两个月大的婴儿还没法移动物体，却已经能从被抱着移动、视角不断变化中，悟出一件大事——这个世界是三维的。再往后，物体恒存、稳定性、刚性这些概念很快就有了；而像重力、惯性这类“直觉物理”，则要到 9 个月左右才长出来。

你把一个八九个月大的孩子放进餐椅，给他一堆玩具，他多半会一件件地往地上扔，然后目不转睛地看结果——这其实就是在做实验，验证“重力对所有东西都管用”。心理学家测一个婴儿有没有学会某个概念，靠的就是“违反预期”：给六个月的孩子看一辆小车被推下平台却悬空不掉，他毫无反应；给十个月的孩子看同样的画面，他会瞪大眼睛——因为这违背了他刚学会的常识。

🌟AGI 这个词，本身就是无稽之谈。人类的智能其实是“专用”的——它的特征不是“什么都会”，而是“能极快地学会任何新东西”。智能不是知识的堆积，而是适应力。

二｜40 万年 vs 4 年：算给“大模型信徒”的一道数学题

很多人——尤其是美国西海岸那拨人——坚信只要把大模型继续做大、喂点合成数据、在后训练里加点强化学习的小技巧，就能通向 AGI。LeCun 说：不可能。然后，他当场算了一笔账。

同样是 10¹⁴ 字节的数据，文字花了 40 万年，视觉只用了 4 年

大模型这边 训练数据约 20 万亿词 ≈ 30 万亿 token

换算成字节 约 10¹⁴ 字节（整个互联网的公开文本）

人类要读完 得花上 大约 40 万年

一个 4 岁小孩 醒着的时间约 1.6 万小时

通过视觉摄入 约 200 万根视神经、每根每秒约 1 字节 → 也是 10¹⁴ 字节

结论一目了然：一个 4 岁孩子通过眼睛看到的数据量，和人类有史以来全部文字、要读 40 万年才能读完的量，是一个量级。而孩子只用了 4 年。换句话说，光靠“读字”这条路，根本喂不出人类水平的智能。

“那视频不是比文字冗余多了吗？”有人会这么反驳。LeCun 的回答很妙：冗余是特性，不是 bug。要做自监督学习，数据里恰恰需要冗余——没有冗余，你什么都学不到。当然，冗余也别太多就是了。

🌟光靠在文本上训练，我们永远不会得到任何接近人类的智能。这事不会发生。真实世界是混乱的，相比之下，语言反而简单得多。

三｜LLM 的死穴：它只会“往前推”，不会“想”

就算抛开数据量，LeCun 认为大模型的“思考方式”本身也有结构性缺陷。一个聪明的系统，关键看它怎么“推理”。

左：大模型逐层前向传播、逐词输出；右：世界模型在脑内推演、搜索最优行动

大模型的做法：拿一段输入，过一遍固定层数的神经网络，吐出一个 token；再把这个 token 拼回去，吐下一个……这就是“自回归预测”。每个词的计算量都是固定的、有限的。LeCun 说这不是好的推理模型——你让大模型“推理”，其实是在骗它多吐几个词（思维链）。可人类不是这么想事的，我们是在脑子里推演，根本不在“词”的空间里思考。

他主张的做法：你感知到当前世界的状态，然后在脑内“设想”一串动作，把它喂给一个内部的世界模型，让它预测这串动作会带来什么结果，再用一个“目标函数”去衡量任务有没有完成。最后，通过反复优化，搜索出那串“能量最低”、最能达成目标的动作。这就是“用优化来推理”，而不是“用前向传播来推理”——计算上本质更强大。LeCun 早在 2022 年就把这套架构写成了长文放到网上。

这套架构还顺手解决了一个大问题：安全。你可以给系统加上“护栏目标”——无论它想让世界往哪走，都不能伤人、不能造成恶果。因为它除了优化目标和护栏，啥也干不了，所以这种系统理论上无法被越狱。而大模型只能靠微调来“对齐”，总有办法被 jailbreak 绕过去。

一个去巴黎的例子，讲清“分层规划”

LeCun 说，人和动物都会“分层规划”，但机器还不会，这是个完全开放的难题。他举了个特别接地气的例子：他坐在纽约大学的办公室里，想明天出现在巴黎。

他不可能把整趟行程拆成“每 10 毫秒动一下哪块肌肉”来规划——太长了，而且信息根本不够（他都不知道下楼后要等多久才能拦到出租车）。于是他只能分层：高层先定个两步走的大计划——去机场、赶飞机；“去机场”这个子目标，再拆成下楼、拦车、抵达；“下楼”又拆成走到电梯、按按钮、出门……一层层往下，直到某一步简单到你不用动脑、站起来这种事一个“策略”就搞定。

🌟如果你要读 AI / 机器人方向的博士，“分层规划怎么做”是个绝佳的题目——它完全开放，至今没人证明自己真的解决了它。

四｜15 年的失败：为什么“视频生成”根本不是世界模型

说到这，你可能会问：那“世界模型”到底怎么训练？LeCun 在这件事上栽过大跟头——他做了 15 年，头 10 年基本都在失败，因为他一直试图训练“生成式模型”。

生成式那一套，在语言上简直神了：盖住句子里的一些词，让神经网络去还原——BERT 就是这么干的，而大模型是它的特例（只盖最后一个词，专门预测下一个）。可这招一搬到视频上就崩了。

为什么？LeCun 打了个比方：拿摄像机拍这间屋子，慢慢转一圈停下，然后让系统“接着往下预测画面”。它大概能猜到这是个礼堂、有窗户、空间有限……但它绝对没法预测你们每个人长什么样、哪把椅子是空的——信息根本不在那里。一段视频后续的可能性是无穷多的，你逼系统在像素层面去预测“一切”，等于把它逼死。

“那那些能生成漂亮视频的模型算什么？” LeCun 说，那些系统的预测通常发生在“表征空间”，而且它只需要生成一段看起来不错的视频就行，并不需要表示所有可能的视频——那是个简单得多的问题。

他的解法：JEPA——别在像素里死磕，去抽象空间预测

LeCun 的方案叫 JEPA（联合嵌入预测架构）。核心区别：生成式是观察 X、还原出 Y 的所有细节；而 JEPA 是把 X 和 Y都先编码成表征，预测发生在表征空间里。这样系统就能主动“扔掉” Y 里那些根本无法预测的信息，预测变得更抽象、细节更少，但反而更准。

为什么“扔掉细节”反而对？因为人类做科学就是这么干的。原则上你可以用量子场论模拟这间屋子里每个粒子的轨迹，从而推断出谁在听我讲、谁睡着了——但这完全不现实。所以我们发明了一层层抽象：从粒子到原子、分子、蛋白质、细胞、个体、社会……每一层都忽略下面的大量细节，换来更长程的预测能力。设计飞机时你算空气动力学，把空气当成有速度和密度的小立方体，绝不会去模拟每个空气分子的碰撞——那不仅算不动，还会因为细节太多而迅速偏离现实。

🌟世界模型不该是“模拟器”，也绝不该是视频生成。很多人做视频生成还管它叫世界模型——那不是世界模型，那就是视频生成。一句忠告：想造能控制机器人、看懂世界的系统，就别去搞视频生成；想做好看的视频，那才去搞生成。