杨立昆：生成式AI是死胡同，世界模型才是未来

1956年盛夏，达特茅斯学院的那场学术研讨会，正式开启了人类探索“人工智能”的历史。 七十年后，在这座见证AI诞生的礼堂里，图灵奖得主、纽约大学教授、Meta前首席AI科学家、AMI Labs创始人兼董事长杨立昆（Yann LeCun）获颁“AI七十年杰出贡献奖”。 获奖后，杨立昆发表了长达一小时的演讲。 演讲中他指出，通用智能的真正钥匙不在语言里，而在对物理世界的抽象建模中。

他系统性阐述了基于“联合嵌入预测架构”（JEPA）的分层世界模型，呼吁整个行业彻底推倒现有范式，迈向由真实物理常识驱动的下一代自主机器智能。 本期内容来自达特茅斯学院AI@70大会，2026年10月29日演讲，原视频时长64分钟。 以下为精选演讲内容，全文约7600字，阅读时长约5分钟。 今天，我想聊聊AI的未来，也会穿插谈谈现状与历史。 我的核心判断是：AI若想取得实质突破，必须依赖全新的理论概念。 现有的技术路线根本没有解决问题。

尽管硅谷一些极其乐观的CEO天天高调吹捧，但我们距离真正的人类水平智能——也就是某些人所谓的AGI——还差得十万八千里。 我很讨厌AGI这个说法，稍后我会解释原因。 至于“什么必须保留给人类”这类哲学问题，除非待会儿提问环节有人专门问起，否则我今天就不展开回答了。 一、现在的AI到底有多弱？ 开门见山地说：目前的AI其实很差劲。 过去七十年里，我们确实让机器变得更聪明、更实用。 现在的系统能写代码、能过司法考试、能在国际奥数竞赛中拿金牌，甚至能证明悬而未决数十年的数学难题。 可我们的家务机器人呢？

L5完全自动驾驶汽车又在哪里？ 一个都没有。 这恰恰说明：现有AI能熟练处理离散符号、语言、代码和数学，可一旦面对真实物理世界，便立刻手足无措。 真实世界复杂、混乱且充满噪声，当前的AI架构对此基本束手无策。 它根本无法消化图像、视频、音频这类高维连续信号。 虽然有些系统能处理一部分图像或声音，但所用技术完全不能同日而语。 当前各家AI公司的标准做法，无非是在大语言模型（LLM）周围生搬硬套各种外挂模块：加个工具调用插件，焊上几个视觉编码器，再拼装一层语音识别。 LLM依旧稳居核心。

我们手里根本没有一种通用的学习机制，能让系统自主理解高维、连续且混乱的现实信号。 再看那些所谓的智能体。 它们主要依赖“模仿学习”来复刻人类行为，动辄需要吞下海量样本，或者依赖算力堆砌的模拟环境。 更致命的是，它们完全不具备预判自身行为后果的能力。 这在现实中极其危险——如果你连自己迈出一步会导致什么都无法预判，便随时可能闯下大祸而不自知。 这引出了一连串问题：为什么AI无法在没有海量训练样本的情况下，零样本解决新问题？ 为什么机器至今没有常识？ 答案很简单：语言是高度抽象、被高度简化的符号，而真实世界极其复杂。

别说达到人类智能了，如今的机器人连猫狗对物理世界的理解水平都达不到。 一个十岁小孩第一次听大人吩咐就能把餐桌收拾利落，没有任何AI能做到这一点。 自动驾驶领域积累了人类数十亿小时的行车视频，照理说用神经网络模仿人类驾驶早该成功了，但事实证明，纯粹的“模仿学习”在这条路上彻底走不通。 目前最先进的自动驾驶依旧卡在第四级（L4），必须依赖特定区域、严苛工程系统、高精地图以及激光雷达的辅助，根本实现不了全场景通用的L5自动驾驶。

我们一再撞上“莫拉维克悖论”——这是机器人专家汉斯·莫拉维克在1988年提出的洞见：对人类和动物极其简单的本能，对AI而言宛如天堑； 反倒是人类觉得极难的事情，AI处理起来轻而易举。 这就逼着我们重新审视一个根本问题：究竟什么是智能？ 我们日常接触各类AI助手，很容易产生它们具有智能的错觉。 但实际上，除了在编程和纯数学领域偶有亮点，它们并不算真正聪明。 它们擅长的是知识检索与记忆拼贴——囤积海量的陈述性知识，并在恰当时候“反刍”出来。 可记忆不等于智能。

有一句流传甚广的话算在发展心理学家皮亚杰名下，其实他本人从没明确这么说过，但这确实是他的意思：“智能，不是看你掌握了多少既有知识，而是看你面对完全未知的境况时如何应对。 ” 我很喜欢这句话。 当你身处全新境遇，没有任何历史训练数据供你照搬，你必须调动全部心智去推理、去寻找破局路径。 现在的AI只会把已有知识“反刍”出来，除了代码、数学这类很窄的领域，并不能真正创造新知识。

因此，衡量智能的尺度，绝不该是一堆技能列表，也不该是回答问题的流利度，而是系统学习一项新技能或掌握新任务的速度——甚至能否无需预先训练，直接零样本搞定。 再来看看人类和动物是如何学习的。 人类婴儿在出生后几个月内便能迅速建立起对世界的基础认知。 两个月大时，婴儿就能区分生物与非生物，并懂得“物体恒存”的概念； 他们很早就明白桌子与椅子的类别差异，即便此时他们连名字都不会叫。 至于重力、惯性、动量守恒这类“直觉物理常识”，婴儿大概要到九个月大才能自然领悟。 这种常识的形成并不全靠动手试错。

在出生后的头三四个月里，婴儿连身体都无法自主控制，他们建立物理认知主要靠观察周围世界。 这揭示了另一个事实：当前大语言模型的预训练语料，几乎涵盖了互联网上所有能找到的公开文本，总量约为20万亿词（2×10¹³词），换算成Token约30万亿，折合约10¹⁴字节。 普通人读完这些文本大概需要四十万年。 然而，一个四岁小孩清醒的时间总共约1.6万小时。 人眼拥有两百万根视神经纤维，每根每秒向大脑传递约1字节视觉信息。 按这个通量粗略计算，一个四岁小孩通过双眼和触觉接收到的物理数据，就已经达到了10¹⁴字节。

换句话说，一个四岁幼儿感知世界的数据规模，就已经堪比整个互联网的所有文本。 指望单靠文本训练就让机器通向人类水平智能，从物理信息量的维度看就注定破灭。 单纯的大语言模型永远不可能实现人类级别的认知能力。 二、思维模式的死胡同：前向计算vs.优化搜索 我们的大脑在思考时，究竟在运行何种推断机制？ 是像前馈神经网络一样，把信号向前推进一遍就得出结论吗？ 显然不是。 面对复杂问题，我们会驻足深思，耗费更多时间去推敲。 除了某些烂熟于心的习惯动作，人类行动前必然会推演预测。 大语言模型完全不是这样运作的。

它将一串词输入Transformer架构，逐层向前推进，最后吐出一个Token。 这是纯粹的前向计算。 你哪怕问它一个极度复杂的命题，只要让它回答“是”或“否”，它耗费的算力与回答一个常识问题毫无差别。 为了弥补这一硬伤，业内想出了“思维链”这种打补丁的办法：引导模型输出大段文字，以此伪装成思考步骤。 但这并不是真正意义上的推理机制。 回溯经典人工智能、贝叶斯模型或控制理论，推断从不是单一的前向信号传递，而是一个搜索与优化的过程。 系统感知世界，提取当前状态，并在脑海中假想一个动作。

随后，它借助一个目标函数来核验：假想的动作能否达成预定目标？ 你可以把这个目标函数理解为一个标量评估器，它输入当前观察和备选输出，打出一个分数，衡量该输出与当前观察的适配度。 因此，真正的推断过程是：系统在可能采取的行动空间中持续搜索与优化，找出能将目标函数代价降至最低的最佳动作，最终将其付诸实施。 从计算本质而言，基于优化的推断远胜于纯粹的前向计算。 虽然在理论上，你可以援引1989年乔治·西本科（他今天恰好就在台下）提出的著名定理——两层神经网络是通用函数逼近器，因而任何计算都能被单次前向传播替代。

但在现实工程中，如果只用两层网络去拟合复杂搜索，所需的参数规模将膨胀至不可思议的量级，完全失去实用价值。 这就引出了认知科学中常说的“系统1”与“系统2”： ● 系统1：靠直觉即刻完成，前向推进，适用于轻车熟路的机械动作； ● 系统2：全力调动心智，通过优化与搜索反复审视后果，应对未知与复杂规划。 若想让AI产生真正的智能跃迁，核心攻坚方向必须是系统2。 三、破局方案：目标驱动型架构与世界模型 为了实现系统2，我构思了数十年，并在2022年系统性地梳理出了一套完整理论——《迈向自主机器智能之路》。

我将这套全新的设计方案称为目标驱动型架构。 整个框架的核心逻辑十分明晰： 系统在时刻t接收物理世界的观察输入X(t)； 通过训练好的感知编码器，提取出当前世界的状态表征； 随后，该状态被送入世界模型。 世界模型本质上是一个可训练的神经网络函数。 它的核心任务是：根据当前状态与系统假想的一个候选动作a(t)，预测出物理世界在下一时刻的状态S(t+1)。 接着，这一预测状态被输入目标函数。 目标函数负责裁判任务完成度：若任务达成，代价值为零； 偏离目标越远，给出的惩罚分值越高。

系统的运作核心，便是在动作空间中反复搜索、优化，寻找到一组能让综合代价最小化的动作序列。 如果我们希望系统不伤及无辜，还可以引入“护栏目标”。 只要世界模型能预判行动的后果，我们就能在预测状态之上架设安全惩罚项。 例如对厨房助理机器人设定底层物理红线：无论如何规划动作，只要身旁有人且手里握着菜刀，就绝不能挥舞手臂。 这样便从底层数学约束上赋予了机器内在的安全性。 这套理念在经典控制工程中被称为模型预测控制，其思想早在上世纪五六十年代便已确立。

如今的全新之处在于：我们必须用深度神经网络在抽象表征空间中自主训练出这个世界模型。 而要实现真正的自主推断，我们还必须攻克一个过去被视作无解的难题——分层规划。 人脑中从来不存在单一通用的世界模型。 我们需要在不同时间尺度和抽象层级上建立多重模型：有的负责预测未来两百毫秒的肢体反馈，有的推演未来几分钟的路线，有的则规划未来一年的安排。 如果我现在身处纽约大学办公室，计划明天赶到巴黎，我绝不可能用肢体肌肉的微观神经信号来规划整个跨国行程。

我必须在极高的抽象层面做分步推演： 1.第一层规划极度抽象：先去机场，再搭乘航班。 两步即可闭环。 2.拆解子目标“去机场”：步行到