LeCun：追求AGI的公司，全都走进了「陷阱」信号废墟
一个模仿人类极限的巨型模型，不是天花板。
这话来自图灵奖得主、Meta 首席 AI 科学家 Yann LeCun。2026 年 2 月底，他和 NYU 团队在 arXiv 上扔出一篇论文，标题直白到刺眼：《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》（AI 必须通过超人类适应性智能拥抱专业化）。
论文的核心判断只有四个字：AGI 走偏了。
▲ X 用户 @socialwithaayan 发布论文要点摘要，迅速获得 20 万+ 浏览、2000+ 点赞
人类凭什么觉得自己「通用」？
论文上来就挑战了一个几乎所有人默认接受的假设——人类是通用智能的标杆。
LeCun 团队的回应很尖锐：人类从来都不通用。我们是进化打造出的生存专家。
走路、抓东西、识别人脸、理解语言——这些能力"看起来通用"，但它们之所以存在，纯粹是因为祖先在非洲草原上靠它们活下来的。如果一种能力对生存没用，进化根本不会费力打磨。
这就引出了一个经典悖论：Moravec 悖论。
1988 年，机器人学家 Hans Moravec 指出一个反直觉的规律：对人类容易的事（走路、看东西），对计算机极难；对人类难的事（下棋、算概率），计算机反而轻松碾压。
论文拿国际象棋举了个扎心的例子。Magnus Carlsen 是人类棋手巅峰，全球公认的天才。但放到"客观棋力"的维度上看，他跟现代国际象棋程序之间的差距，大得令人不适。我们觉得 Carlsen "聪明"，只是因为我们的参照系永远是其他人类。
"Although the average ability of an educated human is quite remarkable, one only needs to ask them to play chess like a grandmaster, or compose a symphony like Beethoven, to truly realize the arrogance in calling this intelligence 'general'."
「虽然受过教育的普通人的平均能力确实非凡，但只要让他们像特级大师一样下棋，或像贝多芬一样写交响乐，就能意识到称这种智能为'通用'有多傲慢。」
换句话说：我们把自己当标尺，但这把尺本身就是歪的。
▲ 论文 arXiv 页面，作者为 Judah Goldfeder、Philippe Wyder、Yann LeCun、Ravid Shwartz Ziv
AGI 的定义，全部阵亡
论文最狠的部分，是一张表格——Table 1。
LeCun 团队把业界最主流的 AGI 定义拉出来，逐条审判，判了三种"死法"：逻辑不一致、技术上不可行、根本没法评估。
先看 OpenAI 章程里那句经典定义：
"Highly autonomous systems that outperform humans at most economically valuable work."
「在大多数经济上有价值的工作中超越人类的高度自主系统。」
论文的判决：不可评估。因为"经济上有价值的工作"这个集合在不断膨胀，你永远测不完。
再看 DeepMind CEO Demis Hassabis 的说法：
"A system that can do almost any cognitive task a human can do."
「一个能做人类几乎所有认知任务的系统。」
论文的判决：逻辑不一致。说好了"任何任务"，又加了"认知"限定，直接把运动、感知这些物理能力排除了。这叫什么通用？
甚至连 François Chollet（ARC 基准测试的创造者、以严谨著称）的定义也没逃过去。Chollet 把智能定义为"技能习得效率"，但他自己也承认，人类认知"仅在有限意义上通用"。论文指出：定义者自己都不信的定义，怎么拿来当北极星？
一共 7 个主流定义，没有一个活着走出这张表格。
LeCun 团队的结论：AGI 这个术语已经严重过载。末日派用它来渲染恐惧，乌托邦派用它来许诺天堂，CEO 们用它来融资讲故事。每个人嘴里的 AGI 都不是同一个东西，但每个人都假装在讨论同一件事。
这种语义混乱本身就在制造危险——它模糊了"我们到底在造什么"和"该怎么造"这两个最关键的问题。
新目标登场：SAI
拆完 AGI 之后，论文提出了替代方案——SAI，Superhuman Adaptable Intelligence（超人类适应性智能）。
SAI 的核心转变在于：不问"像不像人"，只问"学得有多快"。
具体来说，SAI 要同时做到两件事：
在人类能做的重要任务上，学会超越人类
填补人类根本做不到但同样重要的技能空白
第二点才是关键突破。当前所有 AGI 定义都把人类能力当天花板，但宇宙中存在大量人类生物性盲区——高维统计推断、蛋白质折叠空间搜索、极端环境决策——AI 完全可以在这些领域做到人类永远做不到的事。
AlphaFold 就是最好的例子。
DeepMind 的 AlphaFold 针对蛋白质折叠做了极端专业化设计 + 任务特定训练，一举解决了困扰生物学 50 年的难题。如果让同一个模型同时"折蛋白 + 聊天 + 叠衣服"，蛋白质折叠的性能大概率会下降——除非它内部重新发明了专业化模块。
论文用数学语言说了同一件事：No Free Lunch 定理。没有一个算法能在所有问题上都最优。你的假设越针对特定问题，你的性能提升就越大。追求"什么都会"，意味着什么都不精。
在技术路径上，SAI 指向三个方向：
自监督学习（SSL）——利用数据自身结构当训练信号，而非依赖人工标注。婴儿看世界就是大规模 SSL + 运动反馈，这是学"通用知识"最可扩展的方式。
世界模型——让 AI 在内部模拟"如果我这样做，世界会怎样变化"，而非只做 token 预测。当前自回归大模型有一个致命问题：误差会随预测长度指数级累积。你让它预测 10 步还行，100 步就完全跑偏了。
架构多样性——打破"一个 Transformer 统治一切"的同质化趋势。JEPA、Dreamer、Genie 都是候选路径，论文的态度很明确：不要让任何单一架构垄断 AI 的未来。
社区反应：争论被推到台前
论文发出后，X 上迅速出现了大量讨论。
▲ AI 研究者 @rohanpaul_ai 发布论文详细图解线程，获得 21 万+ 浏览
