“我们尚未拥有能像老鼠那样理解物理世界的机器人。”人工智能先驱杨立昆（Yann LeCun）直言。
这位前Meta首席AI科学家于2025年离职，创立了先进机器智能实验室（AMI Labs）。他的目标明确：构建超越ChatGPT、Claude和Gemini的新一代人工智能。在他看来，现有大语言模型（LLM）虽擅长编程和文本生成，但因缺乏对现实世界的底层理解，永远无法应对做家务等复杂物理场景。
LLM的局限与“伪智能”
在法国VivaTech科技展期间，杨立昆指出，LLM并非通向类人甚至类动物智能的路径，因为其设计初衷并非处理现实世界数据。“它们只是在积累知识并复述内容，本质上并不聪明。”
他以竖立的笔为例：幼儿皆知松手后笔会倒下，但无法预测具体倒向。LLM却试图基于统计模式给出单一预测，这往往违背物理现实。杨立昆认为，现实行动的结果具有高度不确定性，需要更灵活的AI架构。
为此，AMI Labs正研发名为“联合嵌入预测架构”（JEPA）的系统。该系统通过复杂的数学运算创建现实世界的抽象概念，过滤无用信息，使AI能评估行动后果而非盲目预测细节。例如，JEPA驱动的AI会意识到预测笔的具体倒向并无意义，从而专注于更宏观的物理规律。
资本押注与行业共识
这一技术路线已获资本青睐。今年早些时候，AMI Labs宣布完成超10亿美元种子轮融资，投资方包括英伟达及管理杰夫·贝佐斯私人财富的基金。这是欧洲规模最大的种子轮融资之一。
杨立昆的观点在业界引发共鸣。牛津大学应用人工智能教授英格马尔·波斯纳（Ingmar Posner）指出，未来十年的关键在于“可解释系统”，即AI需理解因果关系及不同行动的潜在结果。
波斯纳团队正研究“机制化世界模型”（Mechanistic World Models），旨在结构化知识以便高效调用。这一概念源于2018年David Ha和Jürgen Schmidhuber的论文，随后催生了谷歌Dreamer等研究。去年，Dreamer变体通过在视频中模拟未来，学会了在《我的世界》中收集钻石。
此外，DeepMind的Genie模型、伦敦Wayve公司的Gaia系统，以及李飞飞2023年创立的World Labs，均在探索世界模型的新路径。
从工业场景到通用智能
尽管人形机器人进展迅速，但训练其安全执行熨烫、整理洗碗机等任务仍困难重重。杨立昆断言：“大语言模型在机器人领域基本无望，单纯扩大规模无法实现超人类智能。”
AMI Labs计划在今年剩余时间完善模型，并于明年率先在工业环境中投入使用。若成功，最终目标是打造只需极少微调即可应用于几乎所有场景的通用智能系统。
对于人类在未来的角色，杨立昆保持乐观。他认为，决定提出问题、建造何物仍是人类的核心价值。未来的人机交互将类似政治领袖与其助手团队的关系——即使助手更聪明，决策权仍掌握在人类手中。
【星途科讯 图文丨伊贝 首发于ZAKER科技，转载请注明出处】
热门跟贴