從ChatGPT到Optimus都中槍？楊立昆為什麼說現在的AI路線根本錯了？世界模型JEPA才是未來？
最近（大概就在達沃斯論壇那陣子，2026年1月左右），Yann LeCun（楊立昆，圖靈獎得主、卷積神經網路之父、前Meta AI首席科學家，現在自己開AMI Labs）在AI House的閉門會上，直接開砲說：
「目前所有做人形機器人的公司，一家都沒有真正知道怎麼讓這些機器人變得夠聰明、能在真實世界派上用場！」
這話一出，直接戳到Elon Musk（馬斯克）的痛點，因為他把特斯拉的未來很大一部分押在Optimus（擎天柱）人形機器人上。現場影片被截出來傳到X上，有人酸楊立昆「怎麼老是這麼負面、潑冷水」，馬斯克馬上跳出來酸回去：
「Yann覺得自己做不到，就覺得別人也做不到。」
（超酸的嘲諷滿點！）
楊立昆當然不吞這口氣，幾小時後就回擊：
「恰恰相反，我知道我做得到，我也知道怎麼做。只是現在大家賭的那些技術路線（大語言模型那一套）根本走不通。我賭的是JEPA（聯合嵌入預測架構）、世界模型（world models）、跟規劃（planning）。總有一天你們會發現我才是對的。」
這場對嗆不只是兩個大佬的嘴砲，而是AI發展路線的大分水嶺。下面用台灣國語口語風格，加上圖解，來好好拆解楊立昆到底在吵什麼、為什麼他敢這樣硬嗆馬斯克。
第一層：語言其實很「簡單」，生成式AI騙不了真正智能
現在大家看到ChatGPT、Gemini、Claude寫文章、寫程式、翻譯超猛，就覺得「哇，這就是智能啦！」
楊立昆直接潑冷水：語言是人類把真實世界高度壓縮、抽象化後的符號。文字裡面沒有顏色、重量、溫度、物理碰撞的細節。大語言模型只是在學這些符號之間的機率關係，它在玩「統計模仿」，不是真的理解世界。
生成圖片/影片的擴散模型（像Midjourney、Sora）也一樣，試圖像素級預測未來，但真實世界太多隨機細節（風吹樹葉每一片怎麼晃、光影變化），算力爆表也預測不準，最後只能生成「平均模糊版」或看起來漂亮但物理不通的東西。
（這張圖就是世界模型的概念：不是像素級生成，而是抽象預測未來狀態）
第二層：真正智能的基石是「預測性世界模型」，不是生成式
楊立昆的核心主張：智能的核心是腦袋裡有一個能預測「我做這件事，世界會怎麼變」的內部模型。
人類/動物不用真的跳崖，就知道會死，因為腦中模擬過後果。這不是靠生成每一個像素畫面，而是在抽象概念空間裡推演。
他推的JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）就是幹這個的：
- 把輸入（影片/圖片）壓成抽象表示（忽略噪音）
- 在抽象空間預測未來狀態
- 只抓穩定的因果關係（例如「樹在風中搖」），不用管每一片葉子
V-JEPA（視覺版JEPA）已經展現初步物理常識：看到球在空中懸停或杯子穿桌子的違物理影片，預測誤差超大，模型會「驚訝」，就像小寶寶看到魔術一樣。
（JEPA基本架構圖：從過去預測未來抽象表示，不是像素重建）
（另一張JEPA如何通往自主智能的腦圖）
第三層：強化學習只是「櫻桃」，不是蛋糕主體
現在ChatGPT好用是因為RLHF（人類反饋強化學習），但楊立昆說這是本末倒置。
他用經典蛋糕比喻：
- 蛋糕本體（90%）：自監督學習（看世界、自己總結規律，像嬰兒觀察）
- 糖霜（9%）：監督/模仿學習（看專家示範）
- 櫻桃（1%）：強化學習（最後微調）
現在業界拼命找櫻桃、想用櫻桃蓋蛋糕，結果AI常一本正經唬爛，因為沒有底層常識。
（楊立昆的蛋糕比喻：自監督是主體，RL只是小櫻桃）
（另一版強化學習在蛋糕裡的定位）
第四層：未來靠影片+具身互動，不是更多文字
文本資料再多，也輸給影片資料100倍以上資訊量。影片有物理、光影、碰撞、重力，文本是壓縮後的，缺太多細節。
所以單靠文本永遠到不了人類級智能，必須看世界、摸世界（具身機器人）。
這也解釋他為什麼嗆馬斯克：Optimus雖然在做機器人，但如果腦袋還是生成式/語言模型那一套，路就走歪了。
（馬斯克的Optimus，特斯拉最新人形機器人）
（Optimus站姿，超帥但楊立昆覺得「還不夠聰明」）
第五層：楊立昆的堅持 vs. 現在主流
主流：大力出奇蹟、堆算力、堆文本、生成式通吃一切（OpenAI路線）
楊立昆：反過來，從物理世界預測與規劃下手，學抽象表徵、長程規劃、有理解能力。
他離開Meta就是因為覺得公司太「LLM上頭」，現在自己搞世界模型路線。
總結：這不是兩個大佬吵架，是哲學路線之爭——「語言就是思維」還是「物理世界才是思維基礎」？
（楊立昆本人，圖靈獎得主，現在自己搞AMI Labs，眼神超堅定）
（馬斯克，Optimus的頭號推手，表情永遠在「我就是要幹大事」模式）
楊立昆的五重啟發金句（直接抄他的原話風格）
- 「語言其實很簡單，生成式AI永遠騙不了真正智能」 原味金句：「Language is easy. Generative AI is just pattern matching on compressed symbols. True intelligence comes from understanding the physical world, not just predicting the next token.」 → 啟發：別被ChatGPT寫詩寫code騙了，它只是在玩機率遊戲，沒有真的「懂」世界。未來AI要會「感覺」重力、碰撞、因果，而不是只會背文本。
- 「世界模型才是智能的基石，不是生成像素」 原味金句：「The path to human-level AI is through predictive world models in latent space, not generative reconstruction of every pixel. JEPA learns to predict abstract representations, ignoring irrelevant noise — that's how animals and humans do it.」 → 啟發：人類腦袋不是在腦中重播高清影片，而是抽象預測「如果我這樣做，世界會怎樣變」。JEPA就是在學這個！
（JEPA世界模型腦圖：從感知到行動，全靠內部預測，不是像素生成）
- 「強化學習只是櫻桃，別用櫻桃蓋蛋糕」 原味金句：「Reinforcement learning is just the cherry on the cake. 90% is self-supervised learning to build world models by observing the world like a baby does — no labels, no rewards needed. The cake is self-supervision, icing is imitation, cherry is RL.」 → 啟發：現在業界瘋狂RLHF、找人類反饋，其實本末倒置。真正的智能基礎是「自己看世界、自己總結規律」，像嬰兒一樣。
（楊立昆經典蛋糕比喻：自監督是厚厚蛋糕本體，RL只是小小一顆櫻桃）
- 「影片資料資訊量比文本高100倍，未來靠物理世界，不是更多文字」 原味金句：「High-quality video contains 100x more information about the physical world than text. Text is highly compressed and abstracted by humans — you'll never reach human-level intelligence by scaling text alone. We need embodied interaction with reality.」 → 啟發：別再卷語料庫了！真正的金礦在YouTube、監控影片、機器人互動裡。Optimus如果腦袋還是語言模型那一套，楊立昆覺得根本走偏。
（Tesla Optimus最新版：看起來帥，但楊立昆說「還缺真正懂世界的腦袋」）
- 「LLM永遠到不了AGI，我知道怎麼做，總有一天你們會發現我對」 原味金句（對馬斯克回擊）：「Quite the opposite — I know I can do it, and I know how to do it. The current path everyone is betting on (pure scaling of generative models) is a dead end. World models, planning, and JEPA will win. You'll see.」 → 啟發：這句直接對馬斯克開嗆！楊立昆不是在酸，是真的相信另一條路（非生成式、預測式、世界模型），並且已經在自己公司實幹。3-5年內JEPA可能取代LLM成為主流。
最後總結一句超級啟發金句（楊立昆風格）
「別急著堆算力、堆數據、堆生成，先問自己：這個AI真的懂世界嗎？還是只會模仿人類的壓縮版描述？真正的智能，從理解物理現實開始。」
留言
張貼留言