FRONTIER · 路线之争
通往自主机器智能之路
A Path Towards Autonomous Machine Intelligence
Yann LeCun
图灵奖得主 · Meta 前首席 AI 科学家 · 纽约大学教授
为什么选它深度学习三巨头之一，公开质疑当前主流路线最坚决的人。收录它是因为：要判断大模型有没有天花板，你需要听到最系统、也最有资格的那个反方立场，而不是社交媒体上的情绪。
如果说 Sutton 那篇是「多喂算力」派的思想源头，这篇就是最系统的反方立场。LeCun 的核心判断是：只靠预测下一个词，永远长不出真正的智能。
他的理由是「世界模型」。人和动物学东西的效率高得惊人——青少年几十小时就能学会开车，而现在的系统要吞掉整个互联网。差别在于人脑里有一个对世界如何运转的内部模型，能在脑子里预演「如果我这样做会发生什么」，不需要真的去撞一次。LeCun 提出的架构里有六个模块（感知、世界模型、代价函数、行动器等），核心是 JEPA：不在像素层面预测未来，而是在抽象表征层面预测——因为预测「路上会有一辆车」是可行的，预测「每个像素的确切颜色」既做不到也没必要。
他还有一个更尖锐的论断：自回归生成模型有先天缺陷。每生成一个词都有出错概率，错误会累积发散，所以这条路上的幻觉不是工程 bug，而是数学性质。
争议在哪。四年过去，LeCun 押注的方向还没有拿出能与大模型正面比较的成果，而他断言做不到的事情——复杂推理、代码、多步任务——大模型一件件做到了不少。但他的核心批评仍然扎在痛处：样本效率、物理直觉、可靠的长程规划，这几项至今没有被真正解决。读这篇，你会更清楚今天关于「LLM 有没有天花板」的争论到底在争什么。
去读原文
本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。
原文OpenReview · A Path Towards Autonomous Machine Intelligence →
本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。 篇目由编辑独立选取，来源均经人工核实。