一水 發自 凹非寺量子位 | 公眾號 QbitAI
人類智慧並非通用智慧。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發表瞭如上觀點。
他表示，AGI（通用人工智慧）一詞非常具有誤導性，但人類智慧本質是非通用的，它非常專業。
更有意思的是，當大家都在談論生成式AI時，他卻憑藉直覺大膽預測：下一代AI的突破可能基於非生成式。
同時他還再次cue到了DeepSeek，並直言對於這個走紅矽谷的新事物，他們這些長期深耕AI領域的人實則並不感到意外。
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) 的侷限性到人工智慧研究的下一個正規化轉變等主題，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的突破可能基於非生成式； -
否認AGI會在未來兩年內實現，但十年內可能取得重大進展； -
人類和動物的智慧核心，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； -
智慧眼鏡代表著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可能基於非生成式”
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，尤其是程式設計助手之類的。近來人們正在討論Agent系統，但它還並不完全可靠。
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——初期演示驚豔，但規模化落地極難。
過去七十年，人工智慧領域一直在重複這樣的歷史：人們提出一個新正規化，然後宣稱這將達到人類智慧水平，但每次都被證明是錯誤的。要麼缺乏泛化性，要麼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，尤其是投向執行它們的大量基礎設施。實際上，大量資金都湧向了AI基礎設施，這並非為了訓練AI，而是為了讓其執行起來服務潛在數十億使用者。
如今，如果我們需要達到人類智慧水平，我們需要發明新技術。我們還遠未達到這一水平。
Q：人工智慧下一步何在？應該把資源投向哪裡？
LeCun：3年前我寫了一篇文章《A Path Towards Autonomous Machine Intelligence》（通往自主機器智慧的道路），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字，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，會發生什麼”，並制定策略； -
擁有持久記憶——不是簡單的資料儲存，而是能像人類一樣長期積累和呼叫經驗； -
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”。
人類和動物的大腦裡都有一個“世界模型”——它讓我們能預測現實世界的執行方式。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，透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透過預測文字的下一個token來學習語言規律。但同樣的方法直接套用到視覺（比如預測影片的下一幀）卻行不通，因為現實世界的可能性太多，無法像文字那樣用機率分佈建模。
我們提出的解決方案是 JEPA（聯合嵌入預測架構），它不直接生成畫素級的預測，而是在一個更抽象的“表徵空間”裡進行推理。這有點像人類的大腦——我們不會在腦子裡渲染每一幀畫面，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，在於讓機器真正“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慧的機器系統——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、影像識別），但真正的挑戰在於構建能夠像生物一樣適應現實世界的智慧體。
我必須指出，“AGI”這個詞具有誤導性。 它暗示人類智慧是“通用”的，而實際上，人類智慧極其專業化。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，我更傾向於用“高階機器智慧（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，這取決於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年後才真正爆發。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麼快。
今天的AI（比如大語言模型）在某些任務上表現驚人，比如透過律師考試（本質是資訊檢索）、生成程式碼（語法嚴格，相對容易）、總結和改寫文字。
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字，而不是像人類那樣進行抽象推理。
人類和動物（比如貓、老鼠）的智慧核心，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，但能透過觀察和嘗試掌握複雜技能。
這才是真正的智慧，而今天的AI完全做不到這一點。
要讓AI達到動物（甚至人類）的智慧水平，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：真正的智慧不依賴語言，而是基於抽象表徵；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達到貓的智慧水平，就已經是巨大突破。 今天的AI能在棋盤上擊敗人類，但一隻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慧的機器。
“我們對DeepSeek的出現並不意外”
Q：Meta的人工智慧策略是怎樣的？
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。
這個決定源於幾個關鍵考量：首先，從倫理角度來看，開源是正確的事情。LLaMA 2採用開源模式釋出後，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讓大學能夠執行、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為什麼要免費開放這麼重要的技術？
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。而廣告業務依賴於基於這些技術構建的高質量產品、社交網路的網路效應以及使用者規模和參與度。
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等開源專案的突破就證明了這一點——它們讓矽谷大吃一驚，但我們這些長期參與開源的人並不感到意外。
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，很大程度上要歸功於程式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，共同邁向更智慧的未來。
“智慧眼鏡成技術落地重要方向”
Q：如何看待智慧眼鏡等裝置的出現？
LeCun：我認為智慧眼鏡代表著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； -
多感官互動：能夠”看到”和”聽到”使用者所處的環境（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。
最後，關於開源的重要性，我想強調就像Linux改變了網際網路基礎設施一樣，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，它們將基於像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製開發。這種模式不僅能避免技術壟斷，更能促進真正的創新。
參考連結：[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