图灵奖得主、前Meta首席AI科学家杨立昆（Yann LeCun）在结束约12年的Meta生涯后，正将其职业生涯的下一篇章押注于人工智能领域最具争议的方向之一：世界模型。2026年5月下旬，这项豪赌迎来了首次严峻的技术审视。
杨立昆担任执行董事长的巴黎初创公司AMI Labs，致力于构建一种能学习物理现实规律而非仅预测文本序列的AI系统。其核心论点在于，当前主导行业的大语言模型（LLM）无法独立演进至人类水平的智能。随着两篇预印本论文的发布，AMI Labs首次公开界定了其技术架构的能力边界，以及理想与现实之间的巨大差距。
10.3亿美元种子轮：欧洲创业史最大赌注
对于关注前沿AI资本流向的市场而言，AMI Labs的估值逻辑具体而激进。2026年3月9日，该公司宣布完成10.3亿美元种子轮融资，投前估值达35亿美元。据报道，这是欧洲创业史上规模最大的种子轮融资。
截至6月初，AMI Labs尚无成熟产品落地，团队规模仅十余人，研发周期以年计。因此，5月下旬发布的这两篇论文，成为外界评估其高估值背后科学基础是否稳固的首个严谨信号。
技术路线：JEPA架构对抗LLM范式
AMI（Advanced Machine Intelligence）的核心技术基石是联合嵌入预测架构（JEPA）。这是杨立昆在2022年大语言模型热潮前夕提出的框架。与试图重建每个像素或令牌的生成式模型不同，JEPA将输入编码为抽象表示，并在潜在空间中进行预测，丢弃不可预测的表面细节，保留高层结构。
杨立昆在接受采访时直言：“世界是不可预测的。如果你试图构建一个能预测未来每一个细节的生成式模型，它将会失败。”他认为，JEPA这种“预测表征而非原始输出”的设计，理论上允许系统像婴儿学习重力一样掌握环境基本规则，从而进行规划。
杨立昆对LLM的批评并非行业共识，但他立场鲜明。他指出LLM“局限于离散的文字世界”，受困于莫拉维克悖论，无法真正推理或预测行为后果。他预测，到2027年初，机器人领域将意识到必须摆脱以LLM为中心的架构。AMI Labs的日常运营由连续创业者亚历山大·勒布伦（Alexandre LeBrun）负责，公司总部设在巴黎，并计划在纽约、蒙特利尔和新加坡设立办事处。
最新研究：理论可行，但现实脆弱
5月下旬发布的两篇预印本论文，分别从理论证明和实证测试两个维度，揭示了世界模型的现状。
在理论层面，由杨立昆等人提交的《LeJEPA何时学到世界模型？》一文，利用Lean 4定理证明助手形式化证明了LeJEPA架构可实现“线性可识别性”。这意味着在特定条件下——如潜在变量遵循高斯分布、训练数据广泛且均匀地探索状态空间时——系统能恢复出物体位置、速度等真实隐藏变量，而非仅仅捕捉统计捷径。然而，这一保证具有严格的条件限制，目标导向的训练数据可能导致系统进入保证失效的区域。
在实证层面，由米拉（Mila）研究所团队发布的stable-worldmodel基准测试结果则更为冷峻。测试显示，当前世界模型依然极度脆弱。在一个标准的物体推送任务中，某测试模型在清洁条件下的成功率约为50%；一旦代理颜色改变，成功率骤降至12%；背景颜色改变时，成功率仅为6%；若添加视觉干扰物，所有基线模型全面崩溃。更关键的是，研究发现预测准确率并非规划成功的良好指标，模型往往依赖背景颜色而非几何结构进行判断。
全球竞赛：李飞飞与DeepMind的同场竞技
AMI Labs并非唯一看好物理世界模拟的机构。斯坦福大学教授李飞飞创办的World Labs在结束隐身模式后估值已达50亿美元，其推出的Marble系统专注于生成物理连贯的3D世界；谷歌DeepMind则通过Genie系列探索生成式交互环境。尽管路径不同——World Labs侧重空间智能与3D生成，AMI Labs侧重基于JEPA的预测规划——但各方均坚信仅靠语言模型不足以实现通用智能。
AMI Labs背后的投资者阵容豪华，包括贝索斯探险基金、英伟达、三星、淡马锡、丰田创投，以及埃里克·施密特、马克·库班、蒂姆·伯纳斯-李等个人。据报道，该轮实际筹集资金约8.9亿欧元。
面对最新的测试结果，AMI Labs管理层保持清醒。勒布伦坦言，这是一家“始于基础研究”的公司，而非能在三个月内发布产品的应用型初创企业。公司计划开源大部分代码并继续发表论文，这与杨立昆长期倡导的开放研究理念一致。目前的结论很明确：数学上可行的路径已现，但从可行性迈向可靠性，仍需解决严峻的鲁棒性难题。
【星途科讯 图文丨怀瑾】
热门跟贴