“当前AI连猫的智慧都不如！”杨立昆呼吁放弃强化学习与概率模型

最新推荐文章于 2025-07-13 20:12:35 发布

原创最新推荐文章于 2025-07-13 20:12:35 发布 · 607 阅读

CC 4.0 BY-SA版权

文章标签：

部署运行你感兴趣的模型镜像

杨立昆（Yann LeCun）是人工智能领域的先驱之一，现任Meta首席AI科学家、纽约大学教授，2018年因在深度学习领域的开创性贡献（尤其是卷积神经网络的研究与应用）与Yoshua Bengio、Geoffrey Hinton共同获得图灵奖，被誉为“卷积网络之父”。

他出生于法国，早年在巴黎第六大学获得计算机科学博士学位，后师从Geoffrey Hinton完成博士后研究，奠定了其在神经网络领域的学术地位。

作为Meta AI研究的核心领导者，杨立昆长期致力于推动机器智能的边界。他不仅是技术理论的奠基者（如反向传播算法、自监督学习框架的提出），也是技术落地的实践者，曾参与开发DjVu图像压缩技术、Lush编程语言等。

近年来，他聚焦于突破现有AI系统的局限性，主张从“暴力计算”转向“物理世界理解”，并提出下一代AI的核心架构——“世界模型”（World Model）。

在学术立场上，他以直言著称，多次公开批评当前主流的大语言模型（如GPT系列）缺乏对物理世界的常识理解，认为其智能水平甚至不及家猫。

同时，他呼吁行业放弃对生成式模型、强化学习等技术的过度依赖，转向更接近人类认知的推理架构（如能量基模型和联合嵌入预测架构）。

他的观点兼具批判性与前瞻性，既揭示了AI发展的技术瓶颈，也为未来十年机器智能的演进绘制了清晰的路线图。

对当前AI技术的批判与反思

生成式模型的局限性

杨立昆指出，以GPT为代表的大语言模型（LLM）依赖自回归生成模式，通过预测下一个词元（token）构建输出，但这种方式存在根本性缺陷：

推理发散性：生成过程中错误会指数级累积，导致“幻觉”（即输出不合理内容）。
缺乏物理世界理解：尽管模型在语言处理、考试解题等任务中表现优异，但无法像人类或动物一样通过少量经验学习物理常识（如物体恒常性、重力），更难以完成如收拾餐桌、驾驶汽车等需要与环境交互的任务。
数据效率低下：四岁儿童通过视觉输入（约10^14字节）即可形成对世界的基础认知，而大模型需消耗同等量级的文本数据却仍无法实现类似理解。

对强化学习与概率模型的质疑

他认为强化学习依赖试错机制，难以应用于复杂现实场景，而概率模型在预测不确定性时效率不足。因此，他呼吁“放弃生成式模型、概率模型、对比方法和强化学习”。

构建“世界模型”与能量基推理系统

杨立昆提出，下一代AI需基于世界模型（World Model），能够预测物理世界行为并规划行动。其核心架构包括：

联合嵌入预测架构（JEPA）：通过抽象表示空间预测视频中的关键变化，而非逐帧生成，从而提升对物理规律的理解。
能量基模型（Energy-Based Models）：通过能量函数衡量输入与输出的兼容性，允许系统根据问题复杂度动态调整推理时间，模拟人类“系统二”的理性思考过程。
层次化规划能力：从宏观目标（如“去巴黎”）到微观动作（如“按下电梯按钮”）的分层规划，解决当前机器人技术中动作分解的难题。

高级机器智能（AMI）的愿景

杨立昆反对“通用人工智能（AGI）”的表述，主张以**高级机器智能（AMI）**为目标，其核心特征包括：

多模态与节能技术

他预测未来AI需整合视觉、听觉等多模态数据，并开发更高效的算法以降低能耗。Meta正探索核能作为低排放能源支持大规模计算，同时推动模型小型化与硬件优化。

开源与协作的必要性

杨立昆强调，实现人类水平的AI助手需全球协作，避免少数公司垄断技术。开源平台能促进文化多样性，确保AI系统适配不同语言、价值观与社会需求。
伦理与安全的平衡
他反对过度监管技术研发，主张将监管重心置于应用层面。同时，通过“护栏目标”（Guardrail Objectives）硬编码约束AI行为，确保安全性。
对中国AI发展的评价
杨立昆赞赏中国科学家与企业的创新能力，特别提及DeepSeek模型的高效表现，认为中国在AI领域正迅速崛起。