•
圖靈獎得主 Yann LeCun：大模型是“死胡同”，下一步押在那一條路？
2025 年 11 月 19 日，圖靈獎得主 Yann LeCun 宣佈：自己將離開 Meta，轉向創辦一家專注 Advanced Machine Intelligence（AMI）的新公司。
這不是普通的高管跳槽。
這點陣圖靈獎得主沒有選擇加入 LLM 的軍備競賽，而是投身一個被冷落多年的方向：世界模型。
LeCun 用了一個極端詞語：大語言模型是通往人類智能的“死胡同”（dead end）。
在 11 月 23 日的一場題為《Do LLMs Understand?》的公開對談中，他直接指出：LLM擅長語言表達，但缺乏對真實世界的理解。
幾乎同時，OpenAI前首席科學家 Ilya Sutskever 在 11 月 25 日的播客中也提出：“Just Add GPUs（拼算力）”的時代結束了。
一周之內，兩位元深度學習先驅不約而同地質疑主流路線。
這不是偶然，而是技術路線集體轉向的訊號：後LLM時代，正在成形。
第一節 | 為什麼他說大模型是死胡同？
在討論世界模型之前，必須先搞清楚：為什麼Yann LeCun 會把 LLM 稱為“死胡同”。
他給出的答案，比外界以為的更系統。
① 模型越來越大，但理解沒有跟上
LeCun 的原話是：LLM 在語言層面表現不錯，但它們並不理解世界。沒有常識，也沒有因果關係，只是大量統計相關性的堆疊。
換句話說：規模能讓模型更像會說話的人，但不能讓它更像懂世界的人。
事實上，Meta 的 Llama 4 就是最好的例證。2025 年 4 月發佈後，它在真實場景中的表現遠不如基準測試，甚至被開發者質疑過度最佳化了評測指標。
正應驗了 LeCun 的判斷：語言流暢度提升了，但世界理解力沒有跟上。
② LLM的能力天花板，已經在實驗室裡顯露
他在公開對話中強調：我們看到性能正在飽和。更大的模型，不一定帶來更高的真實智能。
訓練資料正在逼近極限，算力成本呈指數上漲，而理解力卻沒有同步提升。
這就是他所謂的死胡同：繼續堆算力，邊際收益越來越低。
OpenAI前首席科學家Ilya Sutskever也訪談中表達了類似觀點：單純100倍擴大算力規模，不會帶來質變。
③ 語言只是副產品，物理世界才是智能核心
他的核心觀點是：
語言是人類智能的副產品，不是核心機制。
這句話背後的邏輯是：語言只描述世界的一部分，而真正的智能來自對物理世界的建模、預測和行動。
但LLM做不到這一點。它們連杯子為什麼不會穿過桌子都不理解。它們知道語言中的規律，卻不知道世界的規律。
飛機的設計靈感來自鳥類，但不是簡單模仿鳥類的飛行方式。同樣，智能也不是靠模仿語言表面規律產生的。
④ LLM做不到規劃，更做不到行動
LeCun 的批判重點在於：LLM 只是在對話裡看起來聰明，但在涉及多步驟推理、長期規劃、具身互動時，能力驟降。
他舉了一個刺眼的對比：
- 一個十幾歲的孩子，20小時就能學會開車。 但我們到現在還沒有level 5的自動駕駛。
- 一個孩子第一次就能清理餐桌、裝滿洗碗機。 但我們連能做家務的機器人都沒有。
這些對比說明：智能不是說話的能力，而是行動的能力。而這恰恰是LLM的軟肋。
LeCun 的邏輯不是反對大模型，而是認為：預測語言這條路走不到終點。
要想讓 AI 真正具有理解、推理與行動能力，必須換一套架構。
第二節 | 世界模型：下一代AI要如何看世界？
如果語言模型無法理解世界，那該怎麼建造真正的智能？
LeCun的答案是：讓AI學會看世界。
他指出，未來的AI必須像人類和動物一樣，能夠從多模態輸入中建構出對世界的內部理解，然後基於這個理解預測和行動。
這種能力，GPT-4沒有，Claude、Gemini也都沒有。但貓有，嬰兒有，人有。
① 什麼是世界模型？
LeCun 解釋說：我們用預測下一個詞來訓練語言模型，是因為語言中詞彙有限，可以列舉。但真實世界無限豐富，預測像素等級的未來根本不成立。
真實世界是高維、連續、混沌的感官流。人類不是通過預測下一個字來理解世界，而是通過觀察、記憶、總結，在腦中形成了一個抽象世界的內部投影。
比如：
- 嬰兒不需要有人告訴他重力是什麼，摔幾次東西就懂了
- 貓不需要語言指導，看幾次就知道跳多高能上桌子
- 人類開車20小時就能掌握，靠的不是背規則，而是建立了對速度、距離、慣性的直覺模型
LLM缺的就是這個投影空間，它沒有世界的內部表徵。
這就是LeCun正在建構的新路徑：Joint Embedding Predictive Architecture（JEPA），聯合嵌入預測架構。
② JEPA：一種全新的學習範式
JEPA與LLM的核心差異體現在多個層面。
- 在輸入形式上，LLM只處理語言token，而JEPA可以處理視訊、圖像、感測器等多模態資料。
- 在學習目標上，LLM是預測下一個詞，JEPA則是預測抽象狀態的變化。
- 在學習方式上，LLM依靠離散序列建模，JEPA結合了表徵學習和因果建模。
最關鍵的是，LLM沒有行動能力，而JEPA天然具備規劃和執行介面。
LeCun用了一個形象比喻：用LLM去理解真實世界，就像用聽說來教人開車。你可以背下所有交規，但永遠學不會真正駕駛。因為語言描述不了摩擦力、慣性、視野盲區的感覺，而這些正是行動智能的核心。
③ 從模擬世界開始，訓練下一代AI
LeCun正在AMI推動的，是一種類似動物學習的AI訓練模式：首先在模擬環境中讓AI自主互動，然後從互動中提取因果關係，形成持續記憶，最終具備規劃行動的能力。
這種模式不再依賴更多token，而是依賴更好的世界模型。
他說：我們不需要能背百科全書的AI，我們需要能用眼睛和手理解世界的AI。
如果說 LLM 是語言的大師，世界模型就是物理世界的學徒。
Yann LeCun 選擇押注後者。這不僅是技術路線的分叉，更是對 AGI 本質的重新定義。
第三節 | 不只 LeCun：另一個方向也在探索
在質疑 LLM 這條路的，不只 LeCun 一個人。Sutskever 也認為，縮放時代已經結束，下一代智能需要新的架構基礎。
兩位元深度學習先驅達成了共識，但他們給出的答案完全不同。
① LeCun押注世界模型，Sutskever押注安全超智能
LeCun的方向很明確：讓AI具備對物理世界的理解和行動能力。通過自監督學習、表徵建模、因果預測，建構能夠真正看世界、理解世界的系統。他判斷10年內會出現具身AGI的原型。
Sutskever的關注點在另一邊：當前AI系統的泛化能力遠不如人類，在benchmark上表現出色，但在真實場景中容易陷入錯誤循環。這種脆弱性如果不解決，規模越大風險越高。他創立SSI公司，要在AI能力繼續提升的同時，確保其安全可控。
一句話總結：LeCun 要教 AI 理解世界和行動，Sutskever 要讓 AI 在變強的過程中可控。
② 兩條路線背後的不同關切
這種分歧源於兩人的關注焦點。
LeCun關心的是 AI 如何有效泛化、如何在現實世界中行動。他強調的是：我們缺的不是算力，也不是資料，而是架構。
Sutskever 關心的是 AI 的安全性和可控性。他認為在沒有解決泛化脆弱性之前，單純追求能力提升是危險的。
他們代表了後 LLM 時代的兩個方向：架構創新派和安全優先派。
過去十年，AI 競爭的是模型規模和訓練資料。但當兩位先驅先後離開大廠時，他們告訴我們：規則變了。
下一階段的比拚，是誰先發明新架構、誰的系統既強大又可控。
這是一個時代的落幕，另一個時代的起點。
第四節 | 一場轉向，正在發生
當圖靈獎得主公開質疑主流路線，當 OpenAI 啟動硬體項目、Google 挖來波士頓動力CTO，當數十億美元的投資開始流向具身智能，一個問題浮現出來：後LLM時代，到底會是什麼樣子？
① 工業界的悄然轉向
雖然 LLM 仍在快速發展，但一些關鍵變化已經在發生。
OpenAI的硬體野心正在浮出水面。11月24日，公司確認首個AI硬體原型已完成，這是與蘋果前首席設計師Jony Ive合作的成果。按計畫，這款無螢幕AI裝置將在2年內發佈，徹底改變人與AI的互動方式。
Google的多路線策略同樣值得關注。11月18日發佈Gemini 3 Pro，11月21日又挖來波士頓動力前CTO Aaron Saunders，推動Gemini成為通用機器人控制平台。目標是讓同一個模型適配任何形態的機器人，開箱即用。
李飛飛的World Labs在融資2.3億美元後，11月12日發佈首個商業產品Marble，一個生成式世界模型平台。
具身智能領域更熱鬧：Figure AI 估值390億美元，Tesla Optimus計畫 2026 年開始量產。
這些動作指向一個共識：下一代 AI 不會只存在於對話方塊裡。
② 兩條路線，都需要時間
無論是 LeCun 的世界模型，還是 Sutskever 的安全超智能，都不是短期內能看到成果的方向。
LeCun說需要幾年到十年，Sutskever說需要5到20年。這意味著： 當前的 LLM 仍然是主流應用的基礎。GPT、Claude、Gemini會繼續迭代，繼續服務數億使用者。
但長期的技術制高點，可能不在這條路上。誰先在新架構上取得突破，誰就掌握了下一個十年的話語權。
這是一場需要耐心的馬拉松，而不是百米衝刺。
③ 對創業者和開發者意味著什麼？
LeCun的轉向傳遞了幾個重要訊號：
首先，不要迷信規模。更大的模型不等於更好的智能，架構創新的空間仍然巨大。
其次，垂直場景有機會。世界模型最先落地的可能不是通用 AGI，而是機器人、自動駕駛、工業控制這些需要物理互動的領域。
第三，開源仍然重要。LeCun一直是開放原始碼的堅定支持者，他的新公司AMI會繼續這條路線，這意味著小團隊也有機會參與到新範式的探索中。
最後，要做好長期準備。這不是一兩年就能看到回報的方向，但可能是未來十年最重要的方向。
LeCun 說過：真正的智能不在語言表面，而在對世界的深層理解。
這不是對 LLM 的否定，而是對 AI 未來的更大想像。大模型已經證明了規模的力量，但下一步的突破，可能來自完全不同的架構。
真正的AGI，不會困在對話方塊裡，而會出現在能夠理解世界、執行任務的系統中。
這條路上，探索才剛剛開始。 (AI深度研究員)