独家专访杨立昆：怒批Hinton摆烂退休，揭秘为何出走Meta决战世界模型

导语：解构杨立昆最新访谈：痛批老友摆烂退休，揭秘出走Meta创立AMI的世界模型野心。

曾经的“三巨头”为何分道扬镳？未来路线的终极决裂

在这次信息量巨大的独家特写中，AI领域的先驱者、图灵奖得主杨立昆（Yann LeCun）再次向行业主流开炮。提及吉奥夫·辛顿（Geoffrey Hinton）在GPT-4诞生后态度发生180度转变，甚至声称神经网络模型已非常接近人类智能并具备主观体验时，杨立昆表现得极为费解与不屑。在他看来，昔日好友的这种言论更像是一种功成名就后的”摆烂宣言”：宣布技术路径已经走向胜利，自己可以安心退休，开始在全世界做关于AI安全和末日危险的巡回演讲了。

相同的问题也出现在另一位图灵奖得主约书亚·本希奥（Yoshua Bengio）身上。杨立昆直言，这二人在近两年里才迟迟意识到的所谓安全隐患，自己早就在很多年前公开阐释深刻。面对外界对于他走向孤立、甚至成为科研异类的调侃，他非常犀利地指出，从来不是他游离了队伍，而是其他两位昔日战友变了，偏离了对严谨学术路标的追逐，投靠了煽动技术恐慌的阵营。

告别Meta与FAIR：被LLM军备竞赛裹挟的大厂终局

访谈的另一大焦点，在于杨立昆正式告别Meta并创立了新公司AMI（Advanced Machine Intelligence）。作为Meta基础人工智能研究院（FAIR）长久以来的灵魂人物，他的退出实际上投射出大厂内部科学研究环境受到商业裹挟的巨大震荡。

杨立昆透露，Meta掌门人扎克伯格和集团管理层其实给足了他资源和信任，但不得不面对的事实是，当大厂卷入旷日持久的LLM竞赛时，任何纯粹的、无功利的探索性研究都无法置身事外。伴随2023年初Llama 1的声名鹊起，Meta架构内的Gen AI产品部门应运而生。但紧随其后的是紧绷的产品化步伐，当Llama 4的表现未能完全达到管理层预期时，团队人事和架构便遭到剧烈重组。整个FAIR的探索科研项目在重压之下逐渐靠边站，公司重心全面向追赶其他LLMs竞品倾斜。

在这种背景下，杨立昆深感Meta已不再是推进他所笃信的世界模型项目的合适温床。在他眼中，科学创新的本质其实极为简单：雇佣最有直觉的一流人才，给足研发资源，然后管理者退开，别去妨碍他们。可当千亿庞然大物卷入高摩擦的商业博弈时，自由求索的科研空气已被严重稀释。对于外界关于Scale AI创始人亚历山大·王（Alexandr Wang）是否间接加速了这一倾斜的传言，杨立昆也给出了直率的态度，指出扎克伯格从这名年轻的科技创业家身上看到了年轻时的自己，基于管理层心态的共鸣，最终促使Meta在LLM的工程道路上狂飙不止。

物理天花板难破：为什么大模型没有资格通往AGI？

回归到技术原理层面，杨立昆逻辑清晰地痛斥了目前将LLM包装为通用人工智能（AGI）唯一解药的乱象。他承认大模型是优质的语言辅助与代码编写工具，但从底层物理设计上，它根本无法通往野兽级别的智能，更谈不上人类水平。

“语言是人类精炼简化后的符号表示，它是低维的。但我们所处的真实物理世界，是包含噪声、复杂、连续的高维连续统。这完全不是文字所能表达的层级。”杨立昆明确指出，以自回归（Autoregressive）方式运行的神经网络系统，在逐字预测Token时的硬伤在于，它缺乏对自身言论或策略在现实中所产生后果的模拟能力。简单来说，大模型既没有行动后果的预测机制，也没有基于逻辑搜索的最优解规划系统。一个不知道自己行动后果的系统，在人类行为学中会被视作毫无逻辑的疯子。

类似的问题也出现在谷歌Genie或各路标榜为世界模型的VLA（视觉-语言-动作）学术路线上。依靠简单的模仿学习在边缘试探，系统需要不可估量的信息输入却依然漏洞百出，无法为哪怕是自动驾驶的单一任务提供足够的安全性保障。因而，杨立昆也在访谈中不留情面地向新晋研究者进言：若还在Ph.D阶段，不要盲目跟风做传统的大语言模型研究，因为在没有海量计算集群的大厂面前，在红海中做无实际意义的技术内卷毫无科研价值。

押注JEPA世界模型：AMI图谋重塑未来五年学术分局

不同于硅谷大部分厂商盲从生成式架构的做法，杨立昆出离Meta成立AMI，正是要将世界模型（World Models）与JEPA（联合嵌入预测架构）彻底推向实用与规模化。他坚信在未来五年内，JEPA类的世界模型将正式重塑AI领域的学术共识与工业界形态。

在杨立昆的技术宏图里，实现真正的智能必须具备以下三大特质：

规划评估能力（Planning）：在开始探索动作之前，系统能精确预测自己对外部环境带来的干扰与变化，并能够利用搜索与算法自动过滤失败途径，最终获得一个优化的决策动作链。
物理常识累积（Common Sense）：不同于机械性从千亿人类文本中死记硬背概念，真正的常识应该通过非监督的方式，让系统作为自然观察者去体察真实物理世界的客观规律。
泛化解决未知能力（Adaptation & Zero-Shot）：能够在前所未见的环境里直接完成任务转换，而不需要像传统模仿学习或自回归模型那般，依赖几万次人工数据修正才能勉强应对。

杨立昆创立的AMI正在这条看似冰冷的偏僻小道上快速飞奔。尽管当前的AI行业随着商业化的推进正变得日益封闭，许多初创巨头也在用制造恐惧的方式推动垄断和保护利益，但杨立昆正带领AMI挑战技术上限。他将用客观的事实与未来的科技成果告诉所有人，究竟什么才是真正通向智能深水区的正确解法。