图灵奖得主怒揭人形机器人行业秘密：全网没有一家公司知道怎么造“大脑”！|人形|图灵奖|机器人

镜头前，杨立昆（Yann LeCun）穿着一件蓝衬衫，戴一副黑框眼镜，背景是浅棕色的简约布景。
他语气平静，像是在讲一件早就想说、终于逮到机会说出口的事。

几秒钟后，整个人形机器人行业被他架在了火上。

捅破行业窗户纸的那句话

这段彭博电视的访谈片段，被创业者兼投资人 Karl Mehta 剪出来发到 X 上，配文直接把标题定成了"秘密"：

"But the secret of the industry is that none of the companies at the moment that are building robots, like humanoid robots, none of those companies has any idea how to make those robots smart enough to be useful."

“但这个行业的秘密是：目前所有在造机器人，比如人形机器人，的公司，没有一家知道该如何让这些机器人足够聪明、真正有用。”

更狠的一句补刀紧跟其后：你见过的每一个人形机器人演示，都是一具在等待大脑的身体。
机器人领域的赢家，将由谁先交付智能来决定。

▲ 这条转发很快在 X 上引来争论，评论区分成两派。

杨立昆早就说过类似的话，只是这次赶上人形机器人演示视频刷屏，杀伤力格外不同。
工厂搬运、仓库分拣、家庭陪伴的宣传片轮番轰炸社交平台，机器人能走、能跳、能翻跟斗；
芯片公司和整机厂商反复暗示"具身智能"近在眼前。
普通人很容易被说服：硬件的难关已经过去，剩下的不过是把模型调大一号。

杨立昆偏要在这时候泼一盆冷水。

查到源头，原话比剪辑版扎实得多

社交媒体上的爆款金句，通常是二手剪辑，容易被断章取义。
但这次往回查，源头站得住脚。

2026 年 1 月 22 日，《麻省理工科技评论》刊出对刚离开 Meta 的杨立昆的长篇专访。
记者问到人形机器人热潮，他答得毫不客气：

"So the secret of all the companies getting robots to do kung fu or dance is they are all planned in advance. But frankly, nobody，absolutely nobody，knows how to make those robots smart enough to be useful. Take my word for it."

“所以所有让机器人表演功夫或跳舞的公司，秘诀就是动作全都提前规划好了。但坦白讲，绝对没有人知道怎么让这些机器人聪明到真正有用。相信我。”

▲ 记者追问下的完整回答，比社交媒体上流传的版本多了不少限定条件。

他接着抛出一个类比：每个任务都需要海量遥操作数据，环境稍微一变就不会了。
十七岁的孩子二十小时练习就能学会开车，运动神经并不比别人出众，只是上车前脑子里已经装了十几年"世界怎么运转"的经验。
真正通用的家用机器人，需要的正是这种理解力，参数表堆得再大也换不来。

问题来了：这只是一个"退休老教授"的固执己见，还是真有分量的判断？

泼冷水的人，自己下了十亿美元的注

答案藏在杨立昆的履历里。
他并不属于圈外看热闹的评论员那一类。

这位图灵奖得主曾长期领导 Meta 的 FAIR 实验室，是卷积神经网络与自监督学习的奠基人物之一。
离开 Meta 后，他一头扎进筹备已久的新公司，AMI Labs（Advanced Machine Intelligence），同时在纽约大学任教，把全副精力扑在他推崇十五年的方向上：世界模型（world models）。

2026 年 3 月，AMI Labs 宣布完成 10.3 亿美元种子轮融资，投前估值约 35 亿美元。
CEO Alexandre LeBrun 半开玩笑地说，"世界模型"很快会变成下一个融资热词，每家公司都会往自己身上贴这个标签。
但他认为 AMI 的差异在于真正较真：学习的素材是现实本身，而非语言文字。

▲ "Real World. Real Intelligence." ，AMI Labs 把这句话印在了星云背景的宣传图上。

这也是公众把"泼冷水"和"自卖自夸"联系在一起的原因。
批评所有人形机器人公司不会造大脑的人，同时在融资建设他心目中的大脑。
支持者说这是研究者拿真金白银为自己判断背书；
怀疑者提醒，世界模型这条路，眼下还没有谁真正跑通。

这话也有人不认同

如果只听杨立昆一个人的判断，未免太单薄。
科技观察者 Robert Scoble 在评论区给出了不同角度的说法：

"That isn't quite true. They have a pretty good idea of what it will take. All of them that I meet with say they don't have nearly enough data to make the world models good enough to do such a thing and that making a generalized humanoid will take five to seven years. But it is sort of true, since none of them are there today."

“这话不完全对。他们相当清楚需要什么：都说远没有足够数据把世界模型做好，通用人形机器人还需要五到七年。但某种意义上又是对的，因为今天没有一家真正做到。”

▲ 争论的焦点从"谁在装傻"变成了"差距到底还有多大"。

这条回复并未推翻杨立昆的核心判断，只是把"绝对没有人知道"软化成"知道方向但缺数据"。
换算成时间表，五到七年，其实并不比"泼冷水"乐观多少：方向已知和能力落地之间，隔着的正是行业不愿写进融资 PPT 的那段距离。

跳出社交媒体，专业圈子怎么说

社交平台的吵架容易变成情绪站队，真正扎实的佐证来自专业媒体。

2026 年 4 月，IEEE Spectrum 专访了丰田研究院 CEO Gill Pratt，当年 DARPA 机器人挑战赛的关键推动者，亲历过 2015 年前后机器人摔倒集锦的至暗时刻。
他的判断和杨立昆结构上呼应：身体这些年已经练得足够扎实，大脑才是那个还在拼命追赶的部分。
他把多数系统比作见招拆招的"系统一"，真正带想象、带推演的"系统二"仍未解决。

▲ Pratt 曾亲手推动过 DARPA 挑战赛，如今他把矛头指向同一个瓶颈。

他还抛出一个警告：人形机器人可能正接近"过高期望的顶峰"，紧随其后往往是幻灭低谷，自动驾驶十年前就走过这条路，"马上就来"喊了一轮又一轮，真正的商业问题才后知后觉浮现。

《量子杂志》的调查报道把镜头对准一个尴尬细节：旗舰人形机器人至今没法可靠应对一段楼梯或一扇陌生房门。
这是十年前 DARPA 挑战赛的噩梦关卡，至今未被真正解决。
研究者说，流畅步态多半来自仿真训练出的强化学习策略；
真正难的是接触丰富的操作，白板写字不戳破笔尖，拧瓶盖要感知阻力。
这要求把"力"当第一等公民去建模，不能只靠位置误差顺带估算。

家猫、十岁孩子和一句更狠的补刀

如果说楼梯和房门是工程层面的证据，杨立昆本人更喜欢用一套更直觉的标尺来说明差距有多大：

"Yet we still don't have level-5 self-driving cars, and certainly not self-serving cars that can learn to drive in a few hours of practice like any teenager. We don't even have domestic robots that can do what 10-year olds can do the first time we ask them. We don't even have robots that are nearly as smart as a house cat. The G in AGI is nonsense."

“可我们仍然没有 L5 级全自动驾驶汽车，更谈不上像任何青少年那样练几小时就能学会开车的车。像十岁孩子那样、第一次被要求就能完成家务的家用机器人，我们也拿不出来；至于接近家猫那么聪明的机器人，更是想都别想。AGI 里的那个 G，根本是胡说。”