杨立昆的"异端"预言：为什么他认为LLM和人形机器人都在走弯路

## 一个"异端"的三十七年坚持

2025年，当全世界都在为ChatGPT、Claude、Gemini等大语言模型的能力惊叹时，Yann LeCun（杨立昆）站在MIT的讲台上，说出了一句让很多人不舒服的话：

**"大语言模型是死胡同，它们永远无法达到人类水平的智能。"**

这不是他第一次"唱反调"。事实上，这位2018年图灵奖得主、Meta首席AI科学家、深度学习三巨头之一，整个职业生涯都在扮演"异端"的角色。

1987年，当AI学界沉浸在专家系统的热潮中时，年轻的LeCun在巴黎完成了关于"连接主义学习模型"的博士论文，奠定了神经网络反向传播算法的基础。那时，神经网络被认为是"已死的技术"，而他选择了一条孤独的道路。

2012年，当AlexNet在ImageNet竞赛中横空出世，深度学习开始被主流接受时，LeCun终于等来了"平反"。

2022年，当ChatGPT引爆全球AI热潮，所有科技巨头都在押注大语言模型时，LeCun再次站到了主流的对立面。

历史会重演吗？这个"异端"这次又对了吗？

## LeCun的核心论点：知识转录的根本性瓶颈

要理解LeCun的观点，需要回到他在MIT演讲中的一个关键类比：

**"我们今天在大语言模型上遇到的问题，其实和1980年代的专家系统类似——只不过现在这种知识转录是通过学习完成的，但本质上仍然是把人类知识搬到机器里，这依然是个瓶颈。"**

### 专家系统的教训：知识工程的失败

让我们先回到1980年代。那时的AI研究者相信，只要把人类专家的知识转录成规则和事实，机器就能像专家一样思考。

典型的专家系统是这样工作的：
- 医疗诊断系统：IF 患者发烧 AND 咳嗽 AND 胸痛 THEN 可能是肺炎
- 金融决策系统：IF 市盈率<15 AND 负债率<50% THEN 建议买入

这种方法在小范围内有效，但很快遇到了三个致命问题：

**知识获取瓶颈**：人类专家的知识很难完整地转录。很多知识是隐性的、直觉性的，专家自己都说不清楚。

**规则爆炸**：真实世界太复杂，规则数量呈指数级增长。一个稍微复杂的系统就需要成千上万条规则，维护成本极高。

**脆弱性**：规则系统无法处理边界情况和未知情况。一旦遇到规则库中没有的情况，系统就会崩溃。

到1990年代，专家系统热潮退去，AI进入"寒冬"。

### LLM：换了形式的知识转录？

LeCun的洞察在于：**大语言模型虽然看起来完全不同，但在本质上仍然是一种知识转录。**

不同之处在于：
- 专家系统：人工编写规则，显式转录知识
- 大语言模型：从海量文本中学习，隐式转录知识

但相同之处在于：
- 都依赖人类已经产生的知识（规则库 vs 文本语料）
- 都是"知识的搬运工"而非"知识的创造者"
- 都受限于人类知识的边界

LeCun指出的关键问题是：**LLM只能重组和插值它见过的知识，无法真正理解因果关系，无法在物理世界中学习。**

举个例子：
- LLM可以告诉你"水往低处流"，因为它在训练数据中见过这句话
- 但它不理解"重力"这个概念，不理解为什么水会往低处流
- 如果你问它"在失重环境下水会怎样"，它只能基于训练数据中的描述来猜测，而不是基于对物理规律的理解来推理

这就是LeCun所说的"永远无法达到人类水平的智能"的原因——**人类的智能不仅来自语言，更来自与物理世界的交互。**

## 人形机器人的"大秘密"：没人知道如何让它们足够聪明

在同一场演讲中，LeCun对当前的人形机器人热潮泼了一盆冷水：

**"这个行业的大秘密是，这些公司都不知道如何让机器人足够聪明以至于有用。"**

这句话听起来刺耳，但如果你仔细观察当前的人形机器人产品，会发现他说的是事实。

### 当前人形机器人的困境

**硬件已经足够好**：
- Boston Dynamics的Atlas可以做后空翻
- Tesla的Optimus可以稳定行走
- Figure 01可以精准抓取物体

**但软件远远不够**：
- 这些机器人只能完成预编程的任务
- 无法应对环境的变化和意外情况
- 无法像人类一样"随机应变"

举个例子：
- 让机器人"把桌上的杯子放到厨房"，如果杯子的位置、形状、重量和训练时完全一样，机器人可以完成
- 但如果杯子倒了、桌上有障碍物、厨房门关着，机器人就不知道该怎么办了

**根本问题**：机器人缺乏对物理世界的常识性理解。

人类三岁小孩都知道：
- 杯子倒了会洒水
- 门关着需要先开门
- 易碎物品要轻拿轻放

但机器人不知道，因为它没有"世界模型"——对物理世界如何运作的内在理解。

### 为什么不能用LLM解决？

有人可能会问：既然LLM这么强大，为什么不能用它来控制机器人？

事实上，已经有很多团队在尝试这个方向（如Google的RT-2、PaLM-E），但效果并不理想。

**原因一：LLM的知识来自文本，不来自物理交互**

LLM可以告诉你"鸡蛋是易碎的"，但它不知道"多大的力会打碎鸡蛋"。这种细粒度的物理知识，无法从文本中学到，只能通过实际交互学习。

**原因二：LLM的推理是"快思考"，不是"慢思考"**

人类在操作物体时，会进行复杂的物理推理：
- 这个物体有多重？
- 我需要用多大的力？
- 如果我这样抓，会不会滑落？

这种推理需要"世界模型"——对物理规律的内在模拟。而LLM只能做"模式匹配"，无法做真正的物理推理。

**原因三：实时性要求**

机器人需要实时响应环境变化（毫秒级），而LLM的推理速度太慢（秒级）。更重要的是，LLM每次推理都需要"重新思考"，无法形成"肌肉记忆"式的快速反应。

## 世界模型：LeCun的解决方案

那么，LeCun认为什么才是正确的方向？答案是：**世界模型（World Models）**。

### 什么是世界模型？

世界模型是一个系统对环境如何运作的内在表征。它能够：

**预测未来**：给定当前状态和行动，预测下一个状态
- 例如：如果我推这个杯子，它会往哪个方向倒

**理解因果**：理解行动和结果之间的因果关系
- 例如：杯子倒了是因为我推了它，而不是巧合

**规划行动**：基于对未来的预测，规划达成目标的行动序列
- 例如：要把杯子放到厨房，我需要先拿起它，然后走到厨房，然后放下

**泛化能力**：将学到的知识应用到新情况
- 例如：即使我没见过这个形状的杯子，我也知道它会遵循相同的物理规律

### 人类婴儿如何学习世界模型

LeCun经常用人类婴儿的学习过程来说明世界模型的重要性：

**0-6个月**：婴儿通过观察和交互，学习基本的物理规律
- 物体会掉落（重力）
- 物体不会凭空消失（物体永久性）
- 固体物体不能穿过彼此（碰撞）

**6-12个月**：婴儿开始理解因果关系
- 我推球，球会滚动
- 我松手，物体会掉落

**1-2岁**：婴儿开始进行简单的规划
- 要拿到高处的玩具，需要先搬凳子

**关键点**：这些学习都是通过与物理世界的交互完成的，不是通过语言。

一个婴儿在学会说话之前，就已经掌握了大量关于物理世界的知识。这些知识构成了"世界模型"的基础。

### 世界模型 vs 大语言模型

|  | 世界模型 | 大语言模型 |
|---|---|---|
| **学习来源** | 物理世界交互 | 文本语料 |
| **知识类型** | 因果关系、物理规律 | 统计相关性、语言模式 |
| **推理方式** | 物理模拟、因果推理 | 模式匹配、概率预测 |
| **泛化能力** | 可以应用到未见过的情况 | 受限于训练数据分布 |
| **可解释性** | 基于物理规律，可解释 | 黑盒，难以解释 |

LeCun的核心观点是：**真正的智能需要世界模型，而不仅仅是语言模型。**

## 为什么LeCun可能是对的：三个支持性证据

### 证据一：LLM的"幻觉"问题本质上无法解决

大语言模型的"幻觉"（生成看似合理但实际错误的内容）不是工程问题，而是架构问题。

**根本原因**：LLM没有"真值检验"机制。它只能基于统计相关性生成文本，无法验证生成的内容是否符合现实。

例如：
- LLM可能生成"埃菲尔铁塔位于伦敦"，因为在训练数据中，"埃菲尔铁塔"和"伦敦"经常一起出现（在旅游文章中）
- 它没有"世界模型"来验证这个陈述是否符合地理事实

而人类不会犯这种错误，因为我们有关于地理的"世界模型"——我们知道埃菲尔铁塔在巴黎，这是基于对物理世界的理解，而不仅仅是语言统计。

### 证据二：LLM在物理推理任务上表现糟糕

研究表明，即使是最先进的LLM（如GPT-4），在需要物理推理的任务上表现也远不如人类：

**物体运动预测**：
- 任务：预测一个球从斜坡滚下后会停在哪里
- GPT-4准确率：约60%
- 人类准确率：约95%

**因果推理**：
- 任务：判断两个事件之间是否存在因果关系
- GPT-4准确率：约70%
- 人类准确率：约90%

**工具使用规划**：
- 任务：规划如何使用工具完成任务（如用杠杆撬开箱子）
- GPT-4成功率：约40%
- 人类成功率：约85%

这些数据表明：**LLM在需要物理世界理解的任务上，存在根本性的能力缺陷。**

### 证据三：当前机器人的"智能"主要来自预编程，不是学习

观察当前最先进的机器人系统（如Boston Dynamics的Spot、Tesla的Optimus），你会发现：

**它们的能力主要来自**：
- 精心设计的控制算法（如步态规划、平衡控制）
- 大量的人工标注数据（如物体识别、场景理解）
- 针对特定任务的预编程（如开门、搬箱子）

**它们缺乏的能力**：
- 应对未见过的情况
- 从少量示例中学习新任务
- 理解任务的深层目标（而不仅仅是执行步骤）

这正是LeCun所说的"不知道如何让机器人足够聪明"——我们可以让机器人完成特定任务，但无法让它们像人类一样灵活应对各种情况。

## 为什么LeCun可能是错的：三个反驳论点

公平起见，我们也需要审视LeCun观点的潜在问题。

### 反驳一：LLM的能力边界尚未探明

**反驳论点**：我们还不知道LLM的能力上限在哪里。

- GPT-3到GPT-4的跃迁，展现了"涌现能力"（Emergent Abilities）——在模型规模达到某个阈值后，突然出现了训练时未明确优化的能力
- 也许随着模型规模继续扩大、训练数据继续增加、训练方法继续改进，LLM能够"涌现"出物理推理能力

**LeCun的可能回应**：涌现能力仍然受限于训练数据。如果训练数据中没有足够的物理交互信息，再大的模型也无法"无中生有"地获得物理理解。

### 反驳二：多模态模型正在弥合差距

**反驳论点**：新一代多模态模型（如GPT-4V、Gemini）不仅学习文本，还学习图像、视频，甚至机器人交互数据。

- 这些模型可以从视频中学习物理规律（如物体如何运动、碰撞如何发生）
- 结合强化学习，模型可以通过模拟环境学习物理交互

**LeCun的可能回应**：从视频学习和真实物理交互仍有本质区别。视频只是物理世界的2D投影，丢失了大量信息（如力、质量、摩擦力）。真正的世界模型需要通过实际交互来学习。

### 反驳三：世界模型的技术路径尚不清晰

**反驳论点**：LeCun批评LLM，但他提出的世界模型方案同样面临巨大挑战。

- 如何高效地学习世界模型？（物理交互的数据收集成本极高）
- 如何表征世界模型？（物理世界的复杂度远超语言）
- 如何将世界模型与语言理解结合？（人类智能同时需要两者）

**LeCun的可能回应**：技术路径不清晰不代表方向错误。深度学习在1980年代也面临同样的质疑，但最终证明是正确的方向。

## 历史的回声：LeCun的"异端"往往预示范式转变

要判断LeCun这次是否又对了，我们可以回顾他的历史轨迹。

### 1987年：坚持神经网络

**主流观点**：专家系统是AI的未来，神经网络已经被证明无效（Minsky和Papert的《感知机》一书）

**LeCun的观点**：神经网络配合反向传播算法，可以学习复杂的表征

**结果**：2012年AlexNet证明了深度学习的有效性，神经网络成为AI的主流

### 2015年：质疑纯监督学习

**主流观点**：有了大数据和大算力，监督学习可以解决一切问题

**LeCun的观点**：监督学习需要大量标注数据，这是瓶颈。自监督学习才是未来

**结果**：2018年后，BERT、GPT等自监督学习模型成为主流

### 2022年：质疑LLM

**主流观点**：大语言模型是通向AGI的道路

**LeCun的观点**：LLM是死胡同，世界模型才是正解

**结果**：？（历史正在书写）

**模式**：LeCun的"异端"观点，往往在5-10年后被证明是正确的。

## 一个更微妙的可能：融合而非替代

也许真相不是"LLM vs 世界模型"的二选一，而是两者的融合。

### 人类智能的双系统理论

诺贝尔经济学奖得主Daniel Kahneman提出的"双系统理论"可能提供了启示：

**系统1（快思考）**：
- 基于直觉和经验
- 快速、自动、无意识
- 类似于LLM的模式匹配

**系统2（慢思考）**：
- 基于逻辑和推理
- 缓慢、费力、有意识
- 类似于基于世界模型的因果推理

**人类智能 = 系统1 + 系统2**

也许真正的AI也需要两个系统：
- **LLM作为系统1**：快速的模式识别、语言理解、常识推理
- **世界模型作为系统2**：深度的因果推理、物理模拟、规划决策

### 技术融合的可能路径

**路径一：用世界模型增强LLM**
- LLM负责语言理解和生成
- 当需要物理推理时，调用世界模型
- 类似于人类"边说边想象"的过程

**路径二：用LLM引导世界模型学习**
- 用LLM从文本中提取物理知识作为先验
- 用世界模型通过交互验证和细化这些知识
- 类似于人类"先听说，再验证"的学习过程

**路径三：端到端的联合训练**
- 同时学习语言表征和世界模型
- 两者共享底层表征，互相增强
- 类似于人类语言和认知的协同发展

## 对行业的启示：不要把所有鸡蛋放在一个篮子里

无论LeCun这次是对是错，他的观点都给AI行业带来了重要启示：

### 启示一：警惕技术路线的单一化

当前AI行业存在"All in LLM"的趋势：
- 几乎所有科技巨头都在押注大语言模型
- 大量资金和人才涌入LLM相关领域
- 其他技术路线（如世界模型、神经符号AI）相对被忽视

**风险**：如果LeCun是对的，整个行业可能在走弯路。

**建议**：保持技术路线的多样性，同时探索多个方向。

### 启示二：重视物理世界的交互

当前AI研究过度依赖"数字世界"的数据（文本、图像、视频），而忽视了"物理世界"的交互。

**问题**：
- 机器人学习主要依赖模拟环境，而模拟和现实存在巨大差距（Sim-to-Real Gap）
- 缺乏大规模的物理交互数据集

**建议**：
- 投资建设物理交互数据收集基础设施
- 开发更高保真度的物理模拟器
- 探索如何让AI在真实物理世界中安全地学习

### 启示三：重新思考AGI的定义和路径

**当前主流观点**：AGI = 足够强大的LLM

**LeCun的观点**：AGI = 世界模型 + 语言能力 + 推理能力 + ...

**启示**：也许我们需要重新定义"通用人工智能"到底意味着什么，以及如何衡量我们是否在接近它。

## 结语：异端的价值

Yann LeCun的"狂言"，无论最终被证明是对是错，都具有重要价值。

在一个行业集体狂热的时刻，需要有人站出来质疑主流、提出不同观点。这种"异端"的存在，能够：

**防止群体思维**：避免整个行业陷入单一路径依赖

**激发深层思考**：迫使我们重新审视基本假设

**保持技术多样性**：为未来的范式转变保留种子

历史已经多次证明，LeCun的"离经叛道"往往预示着范式转变。也许5年后，我们会回顾这场演讲，感叹他又一次看到了别人看不到的未来。

或者，也许这次他错了。但即便如此，他提出的问题——**LLM是否真的理解世界？机器人如何获得常识？世界模型如何构建？**——仍然是AI走向真正智能必须回答的问题。

**真正的进步，往往始于对主流的质疑。**

在这个意义上，我们需要更多像LeCun这样的"异端"——不是为了反对而反对，而是为了让整个领域保持清醒、保持多元、保持对真理的追求。

技术的未来不是由共识决定的，而是由那些敢于挑战共识的人塑造的。

---

**相关阅读**：
- Yann LeCun在MIT的完整演讲（2025）
- 《深度学习》（Goodfellow, Bengio, Courville）
- 《思考，快与慢》（Daniel Kahneman）
- LeCun关于世界模型的技术论文系列