标签
Yann LeCun在彭博社采访中解释，LLMs之所以有限，是因为它们只处理符号文本，而现实世界的理解需要儿童自然获得的大量感官数据。他引用莫拉维克悖论来强调这一差距。
Yann LeCun呼应了关于AI权力集中是最大危险的担忧，可能导致少数实体控制信息获取。
Yann LeCun批评当前的LLMs并非真正智能，并描述了他的新公司AMI Labs正在开发的联合嵌入预测架构（JEPA），旨在创建更灵活、能够理解物理世界的人工智能。
Yann LeCun在联合国开源周上表示，开源AI对于全球AI主权至关重要，因为专有AI对于大多数国家和公司来说过于昂贵且集中化。
Yann LeCun称Elon Musk的xAI是'失败之作'，并警告高昂的AI支出可能导致'巨大泡沫破裂'，批评该公司与OpenAI和Anthropic竞争的能力。
这篇文章认为，虽然Yann LeCun在科学上可能是正确的——LLM缺乏真正的智能，但它们的实际效用意味着它们已经在市场上获胜。
Yann LeCun 与合著者发表论文，主张AI行业应放弃通用人工智能（AGI）目标，转而提出超人类适应智能（SAI），专注于超越人类能力的专门化适应。
Yann LeCun 认为真正的 AI 需要的是理解物理世界的世界模型，而不仅仅是语言预测。本文探讨了智能是否可以在没有语言的情况下存在，并建议将两种方法结合起来。
一份精心整理的关于Joint Embedding Predictive Architectures（JEPA）的论文、模型、代码、数据集和学习资源列表，这是Yann LeCun提出的用于世界模型的自监督方法。
本文系统梳理了世界模型（world model）这一概念从1943年Craik的心理隐喻到2024-2026年产业爆发的演进历程，详细介绍了符号AI、深度学习流派（Schmidhuber-Ha、Dreamer系列、JEPA、视频生成方向）的核心理念与代表作品，并指出当前定义混乱、各派竞争的现状。
由 IBM 和 Meta 创立的 AI Alliance 发起了 Project Tapestry，这是一个全球联盟，旨在通过协作构建主权前沿 AI 模型，Yann LeCun 担任首席科学顾问。该计划探索通过汇集数据、算力和专业知识，分布式联盟是否能够与集中式实验室相匹敌。
一篇讨论质疑Yann LeCun对人类学习与AI的对比，认为人类继承了数百万年进化预训练硬编码在基因中，赋予婴儿先进的空间推理基础，而LLMs缺乏这一点。
讨论了 Yann LeCun 近期 arXiv 论文中的 "World Models" 和 JEPA，澄清了它并非 LLM 的替代品，而是一个针对机器人、自动驾驶和工业控制等领域视觉处理优化的模型。
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。
作者讨论了将Yann LeCun的JEPA（联合嵌入预测架构）应用于编码智能体，提出不应将代码视为文本，而应让智能体学习紧凑的状态表示并预测未来状态，可能比当前基于LLM的方法实现数量级的效率提升。
Yann LeCun 认为，LLM 在价值或投资上并非泡沫，因为它们将推动许多实际应用并证明当前基础设施支出的合理性；真正的泡沫在于假设 LLM 能够实现人类级别的思考。
Yann LeCun预测，在未来12-18个月内，将出现一种训练分层世界模型的通用方法，该方法通过视频和真实世界数据学习，帮助机器人、医疗等领域进行规划，并逐步向通用世界模型扩展。
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。
Yann LeCun 指出，LLMs 在语言作为推理基础的领域（如数学和代码）中最强，但它们并非有创造力的数学家、软件架构师或计算机科学家。