什么值得买App下载 App ›
连续签到专享现金活动

泼冷水!图灵奖得主杨立昆:大语言模型只是高级猜词器,缺的是对真实世界的理解

满屏都是GPT又升级了、Claude又刷榜了的消息,但有个图灵奖得主一直在泼冷水——杨立昆说,纯大语言模型根本到不了真正的智能。从2022年开怼到现在,他的核心观点始终没变:LLM只是文字接龙厉害,缺的是对真实世界的理解、因果推理和规划能力。支撑这套判断的证据是什么?他押注的JEPA架构又是什么?先把争议放一边,看看他的逻辑链能不能站住脚。
LLM到底缺什么?杨立昆的六大批评
杨立昆把LLM的本质扒得很透:它就是一个"高级猜词器",在海量文本里找统计规律,预测下一个词该是什么。"LLM像是一个只看过菜单但从未进过厨房的人——它能背诵每道菜的配方,但不知道煎鸡蛋是什么味道。"这不是在贬低它,而是在说它的能力边界在哪。康奈尔大学2025年的研究用L-score量化认知水平,Llama-70B的得分只有1.5,意味着它把信息"压扁"成了token级规律,抽象概念全丢了。杨立昆的观点是:一个人类青少年看20小时驾驶视频就能上车,但LLM"读"了上百万小时的文字描述仍然不会开,因为开车需要的是物理世界模型——预测物体运动、理解三维空间、感知时间流逝,这些是文本给不了的。1
他总结了LLM的四大天生短板:没有对物理世界的抽象世界模型——人看见桌子会自动预判推它会滑动、放重物会下沉,LLM只认识"桌子"这个词;无原生持久记忆——上下文窗口只是临时缓存,超出长度直接遗忘;不具备因果推理与规划能力——只能顺着文字续写,无法推演多步骤未来;输入输出维度严重受限——现实世界是连续高维视觉、听觉、触觉信号,LLM仅靠文字符号丢失99%真实信息。最要命的是幻觉问题:"幻觉不是bug,是它天生的结构缺陷,无论怎么对齐、微调都根除不了。"在他看来,靠堆参数、堆数据解决不了架构层面的问题,这是路线问题,不是工程问题。2
JEPA是什么,它打算怎么补上这些短板
杨立昆的替代方案是JEPA——联合嵌入预测架构。这套思路的核心逻辑是:不在像素空间做生成式预测,而是在抽象表征空间里预测世界的变化。打个比方,LLM的做法是给你一张照片、把右下角16×16像素遮住,让你猜那些像素的具体RGB值——这是256的256次方种可能,比宇宙原子数还多。JEPA的做法是先教会AI什么是"物体""边缘""纹理",然后让它猜测被遮住区域的抽象描述——"这里有一个圆形物体,颜色偏红,表面光滑",这比猜像素值容易几千个数量级。简单说:LLM是学话术,JEPA是学世界运行规律。3
2026年3月,杨立昆团队发布了LeWorldModel(LeWM),首个能从原始像素数据端到端稳定训练的世界模型。整个模型只有2个核心组件、2个损失项、1500万参数,单GPU几小时就能训练完成。做决策规划的速度最高是传统大模型方法的48倍。更关键的是,研究人员能从LeWM的核心特征里精准提取出物体位置、角度、速度这些物理量;当给模型看物体突然瞬移(违反物理规律)的视频时,模型会表现出明显的惊讶,对颜色变化却几乎没反应。这说明它真的在区分"只是外观变了"和"物理规律被打破了",而不仅仅是记住数据里的统计相关性。4
为什么行业还是没放弃LLM
杨立昆的观点引发了不少反驳。支持LLM路线的人认为,工具调用、检索增强、链式推理、多智能体协同正在持续弥补这些短板——单个模型不完美,不代表整个路线走不通。也有从业者指出,数学、代码本身就是符号化语言体系,LLM在其中表现出的能力已经超越"纯粹统计匹配"。此外,MIT麦戈文研究所2026年的脑科学研究发现,人脑逻辑推理不会激活语言脑区,失语人群依旧能完成逻辑任务——这从神经科学角度印证了杨立昆"语言不等于思维"的观点,但也有人认为这只说明语言和推理可以解耦,不等于LLM路线就走不通。5
现实情况是,行业正处于多路线并行的状态。Google DeepMind的CEO明确表示Gemini的演进方向就是"成为世界模型",但不推翻生成式范式,而是在LLM上叠加视觉、空间感知和具身推理能力;小鹏、理想等车企在自动驾驶领域尝试VLA与世界模型结合;英伟达、宇树等公司也在探索端到端VLA与视频生成路径的融合。当前行业共识是:世界模型仍处于早期原型阶段,距离生产落地还要3-5年,技术路线尚未收敛,连统一的评测标准都没有。杨立昆预判的"2027年初行业集体转向"是否会成真,现在还是问号。6
现在怎么判断,看哪些信号
杨立昆这场争论的本质,是争夺"下一代AI该怎么定义"的话语权。他自己也承认,LLM在语言生成、代码编写、工作流自动化领域优势突出,并没有全盘否定它的工具价值。他反对的是"LLM=AGI终局"这个判断——认为它只是阶段性成功,可能像早期飞机工业里的某种方案,短期飞得快、商业价值大,但在更高层级的能力上,先天结构就不对。他的JEPA押注很明确:如果未来3年内能在机器人、工业控制等场景验证"少量交互就能完成复杂规划",整个AI Agent的底层架构将发生根本性变革。5
对普通读者来说,这场争论的直接意义在于:现在把LLM吹成"全能智能"为时尚早,它的强项和短板都很明显——对话、写作、代码辅助这类任务用它没问题,但涉及物理世界的推理、自主规划、对安全性要求高的场景,目前的LLM架构确实存在局限。如果你关注具身智能、机器人、自动驾驶这些方向,世界模型路线值得持续跟踪,但别被"2027年颠覆一切"的激进预判带节奏,技术成熟度、工程落地能力、资本耐心都会影响实际进度。两条路线最终可能走向融合,而不是非此即彼的替代关系。

评论

评论区空态插画

当前文章无评论,是时候发表评论了