Yann LeCun（杨立昆）
从卷积网络、能量模型到 JEPA，梳理 Yann LeCun 对机器智能、世界模型、开源与 AI 风险的公开论证。
核心认知
- 01
当前 LLM 不是完整智能架构
LeCun 认为，当前自回归 LLM 在物理世界理解、持久记忆、推理和规划方面仍很初级；这不等于否认它们的现实用途。
Yann LeCun: Meta AI, Open Source, Limits of LLMs, AGI & the Future of AI一手采访
- 02
世界知识主要来自观察与行动
他的核心假设是，常识来自对世界的观察和交互，自监督学习是获得这种背景知识的重要路径。
Self-supervised learning: The dark matter of intelligence官方Yann LeCun: Meta AI, Open Source, Limits of LLMs, AGI & the Future of AI一手采访
- 03
JEPA 在表征空间做预测
JEPA 不要求重建全部可见细节，而是在学习到的表征空间预测被遮蔽或未来状态；V-JEPA 2 又把这一路线推进到动作条件规划。
Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture官方V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning官方
- 04
技术判断与治理立场不是一条推论
编者将反自回归路线、开放权重主张与生存性风险判断分开评估；三者分别依赖技术、制度和风险假设。
Yann LeCun: Meta AI, Open Source, Limits of LLMs, AGI & the Future of AI一手采访
章节导航
- 人物小传与路线演变从早期卷积网络到 FAIR、JEPA 与 AMI Labs，按公开履历梳理研究路线。
- 技术谱系：从卷积、能量模型到 JEPA提炼原型技术章的主线，并把已核实论文与作者解读分开。
- 愿景与路线：从世界模型到自主机器智能梳理 LeCun 对世界模型、推理和规划的公开路线，并标明尚未兑现的环节。
- 世界观：语言、常识与智能讨论 LeCun 为什么强调观察学习、物理接地和抽象表征。
- 开源、安全与争论将 LeCun 的开源、安全和监管观点与技术路线分开呈现。
- 行业对照与前沿印证用近年的论文结果检验 LeCun 路线中已获支持与仍待证明的部分。
- 金句与引语索引展示已核实短引语，并说明未核实条目为何不能作为原话使用。
- 术语与阅读说明汇总专题核心术语、证据等级和阅读边界。
- 方法论与勘误说明迁移范围、检索方法、复核过程与后续勘误方式。
信源分级概览
导读
本专题由原型首页、八个公开章节和研究复核记录迁移而来。它不是“LeCun 反对 LLM”的金句合集，而是一条从卷积网络、能量模型、自监督学习到 JEPA 与自主机器智能的技术—认知—治理链。
一句话理解
LeCun 的核心赌注是：高级机器智能需要从观察和行动中学习一个可用于预测与规划的世界模型；语言模型会成为重要组件和产品基础设施，但仅靠 next-token prediction 不足以提供可靠物理常识、持久状态和长程规划 [1] [2]。
这套路线的正面实现是 JEPA：不要求重建全部可见细节，而在学习到的表征空间预测目标 [3]。V-JEPA 2 又把视频表征接入动作条件预测与短程 MPC，使“世界模型用于规划”从纲领进入有限实证 [4]。
四条阅读主线
结构先验
从卷积网络到图网络，LeCun 的公开研究长期强调：学习系统不是越少结构越好，而是要把任务中的对称性和局部性写进架构 [5] [6]。
推断即优化
EBM 用标量能量表示变量配置的相容性；推断对未观测变量最小化能量，学习则压低正确配置、抬高错误配置的能量。概率归一化是可选建模要求，不是 EBM 定义本身 [7]。本专题不把这一已核实定义外推为原型所述的 AMI 模块结构。
从无标签观察学习
2016 年后，自监督从研究方向变成完整纲领；2021 年的“暗物质”文章把常识、联合嵌入和潜变量世界模型连在一起 [2]。I-JEPA、V-JEPA 与 V-JEPA 2 是这条路线的连续实证 [3] [8] [4]。
技术路线与治理立场分开
“当前 LLM 不是完整智能架构”“开放权重有助于分散信息权力”“高级 AI 生存风险被高估”是三类不同判断。前者依赖技术证据，第二条依赖制度权衡，第三条还依赖能力进展、目标可指定和部署可控等额外前提 [1]。
章节导航
- 人物小传与路线演变：从 Bell Labs、NYU、FAIR 到 AMI Labs，兼顾主线与被压扁的技术支线。
- 技术谱系：反向传播、卷积、OBD、EBM、DrLIM、生成支线、VICReg、JEPA 与 V-JEPA 2。
- 愿景与路线：从可核实的能力缺口、观察学习与有限规划证据重建路线；原型中的 AMI 模块细节暂不归于 LeCun。
- 语言、常识与智能：LLM 四项缺口、自回归误差、蛋糕理论、接地、AGI／AMI、生成与判别。
- 开源、安全与争论：目标驱动安全、工具趋同性、开放权重、监管边界与对立观点。
- 行业对照与前沿印证：把问题、原因、处方分开，评估 JEPA、生成式世界模型与混合路线。
- 金句与引语索引：只展示已逐字核对的原话，并列出待核查条目。
- 术语与阅读说明：术语、节点、功劳归属、证据等级、FAQ 与阅读路径。
- 方法论与勘误：盘点、转换、删除、复核和后续勘误机制。
当前证据结论
| 判断 | 当前状态 | 主要依据 |
|---|---|---|
| 表征预测可学习有用图像与视频特征 | 有较强实证 | I-JEPA、V-JEPA [3] [8] |
| 表征预测可进入短程动作规划 | 局部支持 | V-JEPA 2-AC [4] |
| 重建与感知目标可能错配 | 有理论与实验支持 | ICML 2024 [9] |
| 观察学习足以形成开放世界常识 | 尚未证明 | 当前任务范围有限 |
| JEPA 普遍优于生成式世界模型 | 尚未证明 | 缺统一预算与任务对照 |
| 原型所述 AMI 六模块是否形成完整系统 | 无法核实 | lecun.com 未提供 AMI 原文；当前可访问材料只支持部件级表征学习与有限规划 |
| 显式成本与护栏足以解决高级 AI 安全 | 尚未证明 | 规格游戏、模型利用与冲突仍在 |
本专题不做什么
- 不使用人物照片、Logo、机构宣传图和原型 SVG 装饰；
- 不把 FAIR 或 Meta 团队成果改写为 LeCun 个人成果；
- 不把原型中文节译升级为英文逐字原话；
- 不把 2025–2026 预印本当作已获独立复现的定论；
- 不把融资、估值、团队人数和产品预测写成技术证据；
- 不声称已穷尽其全部论文、访谈与公开发言。
参考来源
- [1]Yann LeCun: Meta AI, Open Source, Limits of LLMs, AGI & the Future of AI（在新窗口打开）一手采访↩
- [2]Self-supervised learning: The dark matter of intelligence（在新窗口打开）官方↩
- [3]Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture（在新窗口打开）官方↩
- [4]V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning（在新窗口打开）官方↩
- [5]Yann LeCun — A.M. Turing Award Laureate（在新窗口打开）官方↩
- [6]Spectral Networks and Locally Connected Networks on Graphs（在新窗口打开）官方↩
- [7]A Tutorial on Energy-Based Learning（在新窗口打开）官方↩
- [8]Revisiting Feature Prediction for Learning Visual Representations from Video（在新窗口打开）官方↩
- [9]How Learning by Reconstruction Produces Uninformative Features For Perception（在新窗口打开）官方↩