圖靈獎得主 LeCun 扔出重磅論文：追求 AGI 的公司，全都走進了「陷阱」！

　　來源：信號廢墟

　　一個模仿人類極限的巨型模型，不是天花板。

　　它是陷阱。

　　這話來自圖靈獎得主、Meta 首席 AI 科學家 Yann LeCun。2026 年 2 月底，他和 NYU 團隊在 arXiv 上扔出一篇論文，標題直白到刺眼：《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》（AI 必須通過超人類適應性智能擁抱專業化）。

　　論文的核心判斷只有四個字：AGI 走偏了。

　　▲ X 用戶 @socialwithaayan 發布論文要點摘要，迅速獲得 20 萬+ 瀏覽、2000+ 點贊

　　
人類憑什么覺得自己「通用」？

　　論文上來就挑戰了一個幾乎所有人默認接受的假設——人類是通用智能的標桿。

　　LeCun 團隊的回應很尖銳：人類從來都不通用。我們是進化打造出的生存專家。

　　走路、抓東西、識別人臉、理解語言——這些能力"看起來通用"，但它們之所以存在，純粹是因為祖先在非洲草原上靠它們活下來的。如果一種能力對生存沒用，進化根本不會費力打磨。

　　這就引出了一個經典悖論：Moravec 悖論。

　　1988 年，機器人學家 Hans Moravec 指出一個反直覺的規律：對人類容易的事（走路、看東西），對計算機極難；對人類難的事（下棋、算概率），計算機反而輕松碾壓。

　　論文拿國際象棋舉了個扎心的例子。Magnus Carlsen 是人類棋手巔峰，全球公認的天才。但放到"客觀棋力"的維度上看，他跟現代國際象棋程序之間的差距，大得令人不適。我們覺得 Carlsen "聰明"，只是因為我們的參照系永遠是其他人類。

"Although the average ability of an educated human is quite remarkable, one only needs to ask them to play chess like a grandmaster, or compose a symphony like Beethoven, to truly realize the arrogance in calling this intelligence 'general'."

　　「雖然受過教育的普通人的平均能力確實非凡，但只要讓他們像特級大師一樣下棋，或像貝多芬一樣寫交響樂，就能意識到稱這種智能為'通用'有多傲慢?！?/p>

　　換句話說：我們把自己當標尺，但這把尺本身就是歪的。

　　▲ 論文 arXiv 頁面，作者為 Judah Goldfeder、Philippe Wyder、Yann LeCun、Ravid Shwartz Ziv

　　
AGI 的定義，全部陣亡

　　論文最狠的部分，是一張表格——Table 1。

　　LeCun 團隊把業界最主流的 AGI 定義拉出來，逐條審判，判了三種"死法"：邏輯不一致、技術上不可行、根本沒法評估。

　　先看 OpenAI 章程里那句經典定義：

"Highly autonomous systems that outperform humans at most economically valuable work."

　　「在大多數經濟上有價值的工作中超越人類的高度自主系統。」

　　論文的判決：不可評估。因為"經濟上有價值的工作"這個集合在不斷膨脹，你永遠測不完。

　　再看 DeepMind CEO Demis Hassabis 的說法：

"A system that can do almost any cognitive task a human can do."

　　「一個能做人類幾乎所有認知任務的系統?！?/p>

　　論文的判決：邏輯不一致。說好了"任何任務"，又加了"認知"限定，直接把運動、感知這些物理能力排除了。這叫什么通用？

　　甚至連 Fran?ois Chollet（ARC 基準測試的創造者、以嚴謹著稱）的定義也沒逃過去。Chollet 把智能定義為"技能習得效率"，但他自己也承認，人類認知"僅在有限意義上通用"。論文指出：定義者自己都不信的定義，怎么拿來當北極星？

　　一共 7 個主流定義，沒有一個活著走出這張表格。

　　LeCun 團隊的結論：AGI 這個術語已經嚴重過載。末日派用它來渲染恐懼，烏托邦派用它來許諾天堂，CEO 們用它來融資講故事。每個人嘴里的 AGI 都不是同一個東西，但每個人都假裝在討論同一件事。

　　這種語義混亂本身就在制造危險——它模糊了"我們到底在造什么"和"該怎么造"這兩個最關鍵的問題。

　　新目標登場：SAI

　　拆完 AGI 之后，論文提出了替代方案——SAI，Superhuman Adaptable Intelligence（超人類適應性智能）。

　　SAI 的核心轉變在于：不問"像不像人"，只問"學得有多快"。

　　具體來說，SAI 要同時做到兩件事：

　　在人類能做的重要任務上，學會超越人類

　　填補人類根本做不到但同樣重要的技能空白

　　第二點才是關鍵突破。當前所有 AGI 定義都把人類能力當天花板，但宇宙中存在大量人類生物性盲區——高維統計推斷、蛋白質折疊空間搜索、極端環境決策——AI 完全可以在這些領域做到人類永遠做不到的事。

　　AlphaFold 就是最好的例子。

　　DeepMind 的 AlphaFold 針對蛋白質折疊做了極端專業化設計 + 任務特定訓練，一舉解決了困擾生物學 50 年的難題。如果讓同一個模型同時"折蛋白 + 聊天 + 疊衣服"，蛋白質折疊的性能大概率會下降——除非它內部重新發明了專業化模塊。

　　論文用數學語言說了同一件事：No Free Lunch 定理。沒有一個算法能在所有問題上都最優。你的假設越針對特定問題，你的性能提升就越大。追求"什么都會"，意味著什么都不精。

　　在技術路徑上，SAI 指向三個方向：

　　自監督學習（SSL）——利用數據自身結構當訓練信號，而非依賴人工標注。嬰兒看世界就是大規模 SSL + 運動反饋，這是學"通用知識"最可擴展的方式。

　　世界模型——讓 AI 在內部模擬"如果我這樣做，世界會怎樣變化"，而非只做 token 預測。當前自回歸大模型有一個致命問題：誤差會隨預測長度指數級累積。你讓它預測 10 步還行，100 步就完全跑偏了。

　　架構多樣性——打破"一個 Transformer 統治一切"的同質化趨勢。JEPA、Dreamer、Genie 都是候選路徑，論文的態度很明確：不要讓任何單一架構壟斷 AI 的未來。

　　社區反應：爭論被推到臺前

　　論文發出后，X 上迅速出現了大量討論。

　　▲ AI 研究者 @rohanpaul_ai 發布論文詳細圖解線程，獲得 21 萬+ 瀏覽

　　支持的聲音集中在"早該有人說這話了"：

"I agree with chasing the wrong goal, but saying we're 'terrible' is a bit funny because the human brain does all of this while consuming less energy than a light bulb."

　　「我同意追錯了目標，但說人類'很差'也有點搞笑——人類大腦干這么多事，耗能還不到一個燈泡?！?/p>

　　——@instantfinality

　　▲ @instantfinality 的回復引出另一個維度：人類大腦的能效優勢

　　也有人毫不客氣地嘲諷：

"每 6 個月硅谷就給 AGI 改個名，好像改名就能解決沒人知道這到底是什么的問題。'超人類適應性智能'要么是真突破，要么就是帶了假胡子的 AGI。"

　　社區里最有份量的批評來自 AI 研究老兵Ben Goertzel。他在 Substack 上寫了一篇長文，標題就很直白：《LeCun 的"超人類適應性智能"是 AGI 的一個特例，而非替代》。

　　Goertzel 承認論文有價值——適應速度作為指標確實有用，專業化作為策略確實現實。但他認為 LeCun 的框架太保守了：仍然以"人類重要任務"作為主要錨點，沒有真正跳出人類中心的思維。真正的通用智能應該面向更開放、更廣闊的任務空間。

　　▲ Ben Goertzel 在 Substack 上發表對 SAI 論文的系統批評

　　還有一條評論精準地概括了兩個世界的區別：

"Nature is constrained by survival. AI is constrained by optimization. Confusing the two leads to a lot of the misunderstanding in the AGI debate."

　　「自然界受生存約束。AI 受優化約束。把兩者混淆，就是 AGI 辯論中大量誤解的根源?！?/p>

　　——@CarinaN818

　　LeCun 不是突然說這些的

　　如果你覺得 LeCun 是在蹭熱點，可以回頭看看他 2022 年發表的那篇《A Path Towards Autonomous Machine Intelligence》——整整 20 多頁，提出了 JEPA（聯合嵌入預測架構）、世界模型、內在動機驅動的學習框架。

　　那篇論文的核心主張和 2026 年 SAI 論文一脈相承：

　　純自回歸 token 預測有根本局限。AI 需要在抽象表征空間做預測，而非逐像素、逐 token 硬推。需要世界模型來做規劃和因果推理。需要架構多樣性來避免同質化風險。

　　SAI 論文做的事，是把 LeCun 四年來零散的技術立場整合成一個完整的替代目標，給它取了個名字，然后對著整個行業說："你們的方向有問題。"

　　這在 AI 學術界是一個相當大膽的舉動。畢竟，"追求 AGI"已經寫進了 OpenAI 的公司章程、DeepMind 的使命宣言、投資人的 pitch deck 和政府的監管框架——整個行業都在圍繞這個詞運轉。

　　LeCun 的論文等于直接掀了桌子。

　　這場爭論為什么重要

　　無論你是否同意 LeCun 的判斷，這篇論文都提出了一個繞不過去的問題：

　　當所有人都在趕路，有沒有人停下來看看方向對不對？

　　如果 SAI 的思路成立，那當前 AI 行業的資源配置可能存在嚴重錯位——數十億美金砸向"做一個越來越大的通用模型"，而真正的突破可能藏在垂直專家系統、世界模型基礎設施和模塊化組合里。

　　如果 LeCun 錯了，那他至少迫使每個人重新檢查自己的路線圖假設。在一個所有人都在喊"AGI 馬上就到"的行業里，這種審視本身就有價值。

　　Yann LeCun 用他的圖靈獎聲譽給出了一個明確判斷：AI 的未來屬于專業化的超人類適應系統，而非一個試圖模仿人類所有能力的巨型模型。

　　這場爭論才剛剛開始。