2025年初，亚马逊创始人贝佐斯和投资人马克·库班联手投出超过10亿美元，押给一家只有12名员工、零产品的创业公司。被投的不是大语言模型（LLM，即预测下一个词的大规模神经网络），而是图灵奖得主杨立昆（Yann LeCun）坚信的另一条路。
这笔钱赌的是：过去三年所有人追捧的"更大模型=更强智能"，可能是条死胡同。
LLM的天花板，LeCun三年前就说了
如果你用过ChatGPT、Claude或Gemini，你接触的是现代AI的主流范式——大语言模型。过去三年的叙事很简单：模型越大，能力越强，颠覆越快。但LeCun的质疑从未停止。
作为深度学习三巨头之一，LeCun的核心论点是：大语言模型在架构上就不足以支撑真正的智能。它们擅长预测下一个词，却不理解物理世界，无法规划、推理或建立持久的知识表征。一个系统能流畅描述"如何系鞋带"，却永远无法真正学会这个动作——这就是LeCun眼中的根本缺陷。
他的替代方案是"世界模型"（World Model）：让AI像婴儿一样，通过观察世界、预测后果、验证假设来学习，而非消化互联网文本。这种架构强调因果推理和物理直觉，而非统计模式匹配。
12人团队凭什么值35亿？
接受这笔投资的是AMI Labs（Advanced Machine Intelligence Labs），2025年初估值35亿美元。团队规模：12人。产品状态：零。
这种配置在AI融资史上近乎荒诞。对比OpenAI同期数百人的研究团队和持续迭代的产品管线，AMI Labs像一家理论物理研究所——资本买的不是现金流，是对范式转移的期权。
贝佐斯和库班的组合耐人寻味。前者掌握全球最大的云计算基础设施和物流数据，后者以激进押注颠覆性技术闻名。他们的共同判断是：如果LeCun是对的，当前所有LLM应用都可能成为过渡性技术，就像功能机之于智能手机。
数据科学家为什么该关心
这场争论的吊诡之处在于：它几乎不出现在产品发布会或基准测试榜上。大多数从业者忙于调用API、优化提示词、处理RAG（检索增强生成，即让模型查资料再回答）的幻觉问题——这些工作都建立在LLM架构之上。
但LeCun的批评直指这些工作的天花板。如果世界模型路线成功，当前投入大量资源的微调工程、提示工程、安全对齐技术，可能都需要重新设计。数据科学家的技能栈将面临一次痛苦的迁移。
更现实的威胁是时间窗口。AMI Labs的融资表明，顶级资本已经开始为"后LLM时代"布局。如果世界模型在三年内取得突破，今天的大模型应用开发者可能像2012年的诺基亚工程师——技术能力仍在，但赛道换了。
LeCun本人对此的表述很直接：「我们不是在改进ChatGPT，我们在尝试做完全不同的事情。」
这笔10亿美元押注的真正问题或许是：当12人团队的估值超过多数上市AI公司，市场到底在定价什么——是技术的确定性，还是对当前范式集体焦虑的保费？
热门跟贴