圖靈獎得主"倒戈"：砸10億美元證明「LLM是死路」，貓都比ChatGPT聰明

來源：市場資訊

（來源：圖靈人工智能）

一條發布于2026年7月7日的推文，配著一段37分鐘的視頻剪輯，把AI圈吵開了鍋。

發帖人拋出的事實分量十足：現代AI發明者三人組里的一個，正拿著10億美元，賭所有人現在追捧的技術，到不了真正的智能。

九千多次瀏覽，上百條轉發和點贊，評論區吵得不可開交。有人說這是今年AI圈最鋒利的一次看空，也有人罵他吃不到葡萄嫌葡萄酸。但沒人能把這當玩笑話打發，說這話的人履歷擺在那：他叫Yann LeCun，圖靈獎得主，卷積神經網絡的發明者，今天幾乎每一個能聽懂人話的聊天機器人，骨子里都流著他的血。

圖靈獎得主的"反水"

@slash1sol的帖子開門見山：

"ONE OF THE THREE PEOPLE WHO WON THE TURING AWARD FOR INVENTING MODERN AI IS NOW BETTING A BILLION DOLLARS THAT LLMs ARE A DEAD END. NOT A SKEPTIC ON X -- THE MAN WHOSE WORK EVERY CHATBOT IS BUILT ON TOP OF"

「贏得現代AI發明圖靈獎的三人之一，如今正賭上10億美元，認定LLM是一條死路。這并非X上隨便哪個懷疑論者，而是所有聊天機器人賴以建立的技術發明者本人。」

LeCun這個名字，在AI圈從來不陌生。1989年前后他發表LeNet，奠定了今天幾乎所有圖像識別系統的底層結構。2013年他加入Facebook，一手創立FAIR（Facebook AI Research），帶隊做出了Llama系列開源大模型。2019年，他和Geoffrey Hinton、Yoshua Bengio一起拿下圖靈獎，業內稱之為"深度學習的諾貝爾獎"。

也正是這十幾年里，他一直在做一件挺擰巴的事：一邊帶隊做大模型，一邊公開唱反調，說全行業砸進去的幾千億美元，走的是一條死胡同。

你家貓，比GPT更懂物理

LeCun這套判斷壓根不新鮮，新鮮的是他現在愿意拿真金白銀去賭。

他講過無數遍的一個比方，很形象：一只普通家貓，對重力、對"東西掉了會碎"、對因果關系的理解，甩開任何一個前沿大模型好幾條街。

"A house cat understands gravity, objects and cause-and-effect better than any frontier model, because a cat learned the world. An LLM only ever learned text about it."

「一只家貓對重力、物體和因果關系的理解，勝過任何前沿模型，因為貓是從真實世界里學會的。而LLM，只學過別人寫下來的、關于世界的文字。」

貓沒讀過物理教材，但它跳上桌子之前，腦子里已經在算這一跳能不能落穩。LLM讀過全網幾乎所有的物理科普，卻連一杯水會不會灑都判斷不準，它吃進去的，永遠是被壓縮、簡化、量化過的文字世界，真實世界那團連續、高維、濕漉漉的現實，它夠不著。

LeCun喜歡擺一組數字：互聯網上公開的全部文字，大約20萬億詞，壓成字節也就10的14次方。一個四歲小孩，單靠一雙眼睛，四年里從這個世界吸收的信息量，早就把這個數字甩在身后，而且是實時、多模態、帶觸覺反饋的那種輸入。按人類閱讀速度換算，讀完同等信息量的文字，得花上40萬年。

這并非抖機靈的段子，是他解釋"LLM為什么聽起來聰明卻不理解世界"的核心論據。

走出那間辦公室

2025年11月的某一天，LeCun走進扎克伯格的辦公室，說自己要走了。

他在這家公司待了整整12年，從零建起FAIR，做到首席AI科學家，拿到圖靈獎，是Meta過去十幾年最響亮的一張科學名片。也是在這12年里，他幾乎沒停止過一件事：公開質疑公司和整個行業押上的這條路線。

"I told him I can do this faster, cheaper, and better outside of Meta."

「我告訴他，離開Meta，我能做得更快、更便宜、也更好。」

扎克伯格的回應很干脆，"OK, we can work together."「好，那我們可以合作。」

四個月后，2026年3月10日，LeCun的新公司Advanced Machine Intelligence Labs（AMI Labs）官宣：完成10.3億美元種子輪融資，估值35億美元。這是歐洲歷史上最大的一筆種子融資，放到全球范圍，也只輸給Mira Murati的Thinking Machines Lab。

這位65歲的法裔美籍科學家要做的，是他自己定義的"世界模型"：一種從現實里學習、能理解物理、保有記憶、能對行動后果做規劃的AI系統，跟更好的聊天機器人、更大的語言模型完全是兩碼事。

"If he is right, every major AI lab on the planet is building the wrong thing."

「如果他是對的，地球上每一個主要的AI實驗室，都在建造錯誤的東西。」

▲ 深度報道還原了那句關鍵對話："我告訴他，離開Meta我能做得更快更便宜更好"，扎克伯格答"好，那我們可以合作"。

12個人，零產品，10.3億美元

AMI Labs總部設在巴黎，"ami"在法語里就是"朋友"的意思。團隊初期只有大約12人，沒有一款產品上線，靠的是LeCun的聲譽和幾篇論文，撬動了10億美元級別的信任。

領投方名單同樣嚇人：Cathay Innovation、Greycroft、Hiro Capital、HV Capital，還有貝索斯的私人基金Bezos Expeditions。跟投名單里，英偉達、三星、豐田創投、淡馬錫挨個報到。個人投資者里，杰夫·貝索斯、馬克·庫班、埃里克·施密特、萬維網發明人蒂姆·伯納斯-李，一個不落。

CEO是Alexandre LeBrun，做過Meta，也創辦過醫療AI公司Nabla，那段經歷讓他親眼見識過LLM幻覺在醫療場景里能有多危險。他對著TechCrunch撂下一句挺自信的話：

"My prediction is that 'world models' will be the next buzzword. In six months, every company will call itself a world model to raise funding."

「我預測'世界模型'會成為下一個流行詞。六個月后，每家公司都會自稱自己是世界模型公司來融資。」

值得玩味的是，英偉達這次兩邊都投了錢：一邊給訓練LLM的實驗室賣芯片，一邊又把錢投進了LeCun這個唱反調的項目。芯片商誰贏都無所謂，反正無論哪條路線跑通，都得靠算力堆出來。

▲ TechCrunch的報道標出了這輪融資的核心數字：10.3億美元、35億估值、歐洲最大種子輪。

JEPA：不猜字，猜"接下來會怎樣"

LeCun給出的技術方案，有個繞口的名字：JEPA（Joint Embedding Predictive Architecture，聯合嵌入預測架構）。

拆開看，邏輯并不復雜。LLM干的活，是根據上文猜下一個詞。JEPA換了個玩法：盯著一段視頻或一堆傳感器數據，學著預測"接下來這個場景會往哪個方向變"，但它猜的并非每一幀的像素細節，而是一段被壓縮過的、抽象的"狀態"。

杯子會往下掉，這是JEPA想抓住的重點；杯子下落過程中反射的光斑怎么閃，這種沒法預測、也沒必要預測的噪音，它索性跳過。這套設計讓JEPA的樣本效率比生成式方法高出1.5到6倍，標注數據越少，差距越明顯。

Meta官方在2024年2月就公開發布了早期版本V-JEPA，論文和代碼全都擺在臺面上，兩年多前就跑通了真實實驗，這套理論有據可查，并非2026年臨時拼湊的說法。

▲ Meta官方在2024年發布的V-JEPA博客：給"世界模型"這套理論留下了一份公開的技術履歷。

有意思的是，LeCun本人到現在還在推特上手把手糾正社區對JEPA的理解。今年6月，有人在討論視頻世界模型的計算效率時提了個思路，LeCun回了一句：

"You just rediscovered JEPA ??"

「你剛剛重新發現了JEPA??」

一萬兩千次瀏覽，兩條評論，六十五個贊，數字不算驚人，但態度說明問題，這并非一位躺在功勞簿上講情懷的老教授，他還在場上，還在具體的技術細節里較真。

▲ LeCun親自下場糾正社區的技術討論，這個細節比任何采訪都能說明他還在一線。

這里還藏著一個經典悖論。計算機科學家Hans Moravec早在1988年就發現：對人類輕而易舉的事，看懂一張照片、走路不摔跤、伸手接住一個杯子，機器做起來極難；反倒是下棋、解數學題這些人類覺得燒腦的活，機器做得游刃有余。LLM正在把"人類覺得難"的那部分攻克得又快又好，卻仍卡在"貓都會"的那道坎上。

桌面底下，還有誰也賭上了同一個方向

把鏡頭拉遠，會發現LeCun并非孤軍奮戰。

李飛飛的World Labs走的是相近路子，專攻3D空間世界模型，早期融資同樣已經跨過10億美元門檻。DeepMind有自己的Genie項目，能生成可交互的虛擬環境。倫敦的Wayve在自動駕駛領域跑Gaia系統。牛津大學Ingmar Posner的團隊，則在死磕更強調因果、可解釋的"機制性世界模型"。

這幾股力量湊在一起，指向同一個判斷：機器人、自動駕駛、工業質檢要真正靠譜，前提是AI得先弄明白"我這么做，世界會怎么變"。眼下那些讓人形機器人跳舞、打拳的演示，靠的是海量遙操作數據加提前編排好的動作序列，換個陌生場景立刻露餡，這恰恰是LeCun反復強調的短板。

OpenAI和DeepMind不這么看

把話說到這份上，自然要面對另一頭的火力。

OpenAI的Sam Altman覺得行業已經滑向超級智能的門檻；Anthropic的Dario Amodei放話，兩年內AI能做出諾貝爾獎級別的科學發現。DeepMind的Demis Hassabis更是親自下場，反駁過LeCun對"通用智能"這個概念的部分表述。

實用主義者的算盤也打得精：LLM已經創造了數百億美元收入，用戶數以億計。理論上到不了AGI，不等于現在沒用。世界模型自己同樣沒繞開泛化能力差、長時程規劃難這些老問題，不少實驗室干脆兩邊都布局，在LLM外面再掛一個世界模型組件當補丁。

一旦LeCun判斷錯了，代價同樣慘重：10億美元、一整支頂尖團隊，還有好幾年不出產品的時間窗，都可能砸在一條走不通的長期研究路線上，眼睜睜看著OpenAI這類公司在千億級融資的加持下繼續拉開身位。

十年后，誰會是猜對的那個人

LeCun有句話常掛在嘴邊：馬有用，不代表就該放棄造汽車；一件事現在能用，不代表它就是那條通往終點的正確道路。

這場關于"什么才算智能"的爭論，短期內不會有答案。是流利地說話、寫代碼、解數學題算智能，還是在真實世界里理解因果、適應陌生場景、承擔犯錯代價才算智能，這個問題，決定的不光是學術圈的面子，也決定接下來十年，幾千億美元資本會流向哪里，機器人真正走進普通家庭還要等多久。

LeCun已經用12個人、零產品、10.3億美元現金，把自己的答案押了上去。這場賭局最后誰贏，大概要等下一臺真正理解物理規律的機器，自己給出答案。