@paul_cal: > "推理"系统生成大量标记序列并选择最佳的一个。抱歉 Yann，Fable 或 Astra 不是这样工作的…
摘要
@paul_cal 反驳 Yann LeCun 关于AI推理系统的观点，声称 Fable 和 Astra 比 LeCun 所暗示的更有效地利用自回归方法。
查看缓存全文
缓存时间: 2026/09/21 15:41
“推理”系统会生成大量标记序列，并从中选出最佳序列。
抱歉，扬，Fable 和 Astra 并非如此运作。推理、规划与自我纠正能力，其适应自回归特性的程度远超你的想象。
扬·勒坤（@ylecun）： 它们做不到。 现代人工智能系统背后的大型语言模型是自回归的，但现代人工智能系统本身并非如此。 “推理”系统会生成大量标记序列，并从中选出最佳序列。 这是一种非自回归的搜索形式。当前人工智能系统做错的是它们
相似文章
@Kseniase_: EBM强势回归！@ylecun多年来一直指出：AI推理需要先检查结构再作答的系统……
Aleph 是一个新型形式化推理AI系统，在主要基准测试中领先，证实了 Yann LeCun 对基于能量模型（EBM）的AI推理的强调。
Hinton 与 LeCun 之争再现：近期推理模型是否证明了 LeCun 一直以来对自回归 LLM 的观点是正确的？
AI 先驱 Geoffrey Hinton 与 Yann LeCun 之间关于自回归 LLM 效能的争论再次浮出水面，近期推理模型的进展重新引发了仅靠 Transformer 是否足以实现类人推理的讨论。
@cerebras: https://x.com/cerebras/status/2067357992929153268
关于AI推理模型的经济性和性能影响的分析，表明启用推理可以将准确率提高10-20%，但消耗的token数量增加5-10倍，并讨论了不同的推理类型及其应用。
@ylecun: 人们意识到，人工智能远不及人类的智能和学习能力。然而，它们已经变得非常有用...
Yann LeCun 观察到，当前的人工智能系统虽然远未达到人类水平的智能和学习能力，但通过积累大量陈述性知识来弥补自身在常识、推理和规划能力上的不足，已经变得非常有用，这一现象引发了关于AI能力的讨论。
AI推理是否因错误的原因而正确？
《Quanta Magazine》的一篇文章探讨了AI推理研究的混乱现状，权衡了关于大型推理模型能力的相互矛盾的证据，以及它们的行为对真正推理意味着什么。