LeCun万字演讲：预测像素是伪命题，JEPA并非凭空而来

只靠语言和 token，AI 永远跨不过物理世界这道门槛。

AI 行业曾迷信 Scaling Law：更大的模型、更多 token、更强的文本推理，仿佛堆大语言模型就能自动通向通用人工智能。但这条路线已撞上天花板：预训练边际收益递减，模型部署到真实世界漏洞百出。

2026 年，“世界模型”接棒成为焦点，却被四条技术路线同时认领，对“理解世界”各说各话。第一条赌涌现：Sora、Genie 等视频生成路线相信下一帧够真，物理规律会从像素中长出。第二条赌几何：李飞飞联合创立的 World Labs 从底层表征锁死三维一致性，直接生成可探索的虚拟世界。第三条赌仿真：英伟达 Cosmos、Omniverse 把显式物理引擎当作机器人练兵场。第四条最反常识：图灵奖得主 Yann LeCun 押注 JEPA，不生成未来，只在抽象表征空间预测未来。

四条路的根本分歧在于：机器要“懂”物理世界，该复刻它，还是推理它？前三条都试图让机器“看见并重建”世界；JEPA 则先丢掉不可预测的细节，只保留可预测、可规划的结构，再在抽象空间预测未来。LeCun 认为“预测像素”本身是伪命题：下一帧拍到什么，取决于镜头外是否有人走进来、光线是否变化，而这些信息在当前帧根本不存在。

在 ECCV 2026 Keynote 演讲中，LeCun 给出比“Scaling Law 还能撑多久”更根本的判断：只靠语言和 token 训练，AI 到不了人类水平智能，也跨不过物理世界门槛。要通往真正的 AGI，必须打破对“生成式”的崇拜，让 AI 从视频、传感器与交互中学习并构建世界模型，再用 JEPA 理解世界、预测行动后果、规划动作序列。

他给出三个建议：别再死磕生成式模型；别再去研究 LLM；转向联合嵌入、抽象表征和世界模型。这本质上是对“智能是什么、AI 该往哪走”的路线重估。计算机视觉研究者最清楚：真实世界远比语言更脏、更连续、更高维。

LeCun 强调，我们远没走到 AI 终点。当下 AI 与动物、人类的学习效率差距巨大。AI 能写代码、做数学、通过律师考试，但能在家干活的通用机器人、真正的 L5 自动驾驶在哪里？在理解物理世界上，AI 仍落后生物界甚远。

为什么大语言模型处理不了图像、视频、传感器等高维连续噪声数据？为什么训练智能体仍靠海量模仿学习，且只对特定任务有效？动物和人类学新任务不需那么多数据，可零样本动用头脑解决。一只猫能借墙反弹跳上高柜，十岁孩子第一次收拾餐桌几乎无师自通，17 岁少年约 20 小时练习就能学会开车且基本不撞车。我们有数十亿小时行车数据，却仍造不出 L5 自动驾驶；接近 L4 的车靠大量工程化设计，而非纯端到端模仿学习。

这引出莫拉维克悖论：计算机能算积分、下棋，却搞不定动物都能做的简单事。LeCun 引用一句话：“智能不是你知道什么，而是遇到没见过的新处境时你做了什么。”真正的智能是面对新问题发明新技能，而非陈述性知识和技能的堆积。衡量智能应看学新任务有多快、能快速学会的任务范围有多广。

人类和动物靠观察学习。婴儿几个月内掌握面孔追踪、生命与无生命区分、客体恒存，重力概念约九个月才理解，惯性更久。LeCun 与同行合写论文指出：世界是混乱的，若智能指快速学新任务，“通用智能”根本不成立。人类自身都不通用，智能极度专门化，每人技能组合不同。AI 的本质不是什么都懂，而是能快速学习、适应新任务。

光靠文本训练，不管模型数学编程考多高分，都不可能达到人类水平智能。典型大语言模型用互联网公开文本训练约 20 万亿词、30 万亿 token，但每个 token 信息量远低于真实世界数据。