技术换挡时要换组织
world model已经从探索研究进入技术放大和产品化阶段，但Meta的资源集中在追赶LLM，目标应用也主要不在其业务范围内。Yann LeCun因此离开Meta创办独立公司，让技术路线与组织目标重新匹配。
org-and-talentagi-roadmap
跳到 00:04:21 
DEPTH PROFILE
杨立昆
Yann LeCun
AI 研究者
AMI Labs 执行董事长、NYU 教授，前 Meta 首席 AI 科学家
研究者对齐美国生态
- 28
- 观点
- 4
- 精选
- 1
- 访谈
EDITOR'S SELECTION
代表观点
4 条经过五问筛选的核心判断
用选址隔离行业从众
竞争压力会让公司害怕落后，最终都去挖同一条沟。为降低Silicon Valley同质化研究的影响，Yann LeCun把公司总部设在Paris，并把美国办公室设在New York。
org-and-talenttaste
跳到 00:20:37 AI基础平台终将走向开放
互联网基础设施曾由proprietary Unix主导，最终却被Linux取代，平台层具有走向开放的历史趋势。封闭模型还面临公开文本耗尽的问题，Yann LeCun也曾承担内部阻力推动LAMA 2开源。
open-source
跳到 00:33:28 用公开愿景吸引自愿追随
研究领导不一定依靠职权分配任务，可以公开完整技术愿景，让认同路线的人主动加入。Yann LeCun公开了自己的world model构想，随后吸引学生、FAIR团队和公司领导层支持，研究者参与是因为认同方向，而不是因为他是上级。
org-and-talentopen-sourceagi-roadmap
跳到 01:05:28 ALL INSIGHTS
全部观点
按当前资料入库顺序排列
01
LLM不是通往人类智能的路
LLM擅长语言操作，但现实世界高维、连续、嘈杂，远比语言复杂。next-token inference既不能预测行动后果，也不通过搜索进行规划，因此不足以支撑人类级甚至动物级智能。
agi-roadmapagent-nativeverifiability
跳到 00:02:38 02
一年半内将验证世界模型方法
现有视频方法已经取得结果，小规模实验也显示出更理想的训练方向。Yann LeCun预计，一年到十八个月内将形成适用于多种模态的 hierarchical world model 方法，并展示机器人、工业控制或医疗用例。
agi-roadmapagent-native
跳到 00:25:23 03
世界模型转向将在2027年明朗
world model正在研究界升温，机器人行业也迫切需要比VLA和LLM更可靠的方案。Yann LeCun预计，到2027年初，改变现有范式的必要性会变得明显，但届时未必已有完整解法。
agi-roadmapagent-native
跳到 00:27:20 04
预测现实应进入表征空间
现实结果存在无法消除的细节不确定性，系统不可能准确预测每个像素。相比生成像素，在抽象表征空间预测更适合学习图像和视频，joint embedding的实验表现也优于生成式方法。
agi-roadmapagent-native
跳到 00:11:29 05
预测方式应匹配数据形态
离散语言只有有限的候选token，适合自回归生成式预测，这也是LLM成功的特殊条件。连续的现实数据不具备这种结构，应先学习表征，再在表征空间进行预测。
continual-learningagi-roadmap
跳到 01:12:30 06
有效的方法也要追问原理
处理joint embedding的representation collapse时，暂时有效并不代表方法足够好。若目标不可监测、机制无法解释或难以扩展，就应继续寻找显式regularizer等更可控的方案。
continual-learningverifiability
跳到 01:15:35 07
机器人不能只靠模仿学习
imitation learning需要为每项任务收集大量示范数据，成本高且容易变得脆弱。具备world model的机器人可以预测行动结果并规划，从而用更少数据迁移到新任务，甚至实现zero-shot解决。
agent-nativecontinual-learning
跳到 00:16:20 08
用人类学习速度检验AI路线
人类通常只需十几到二十小时就能学会驾驶，而依赖imitation learning的系统用了数百万小时数据仍未实现Level 5自动驾驶。下一代系统应以接近人类的数据效率为目标，而不是继续依赖海量示范或合成数据。
continual-learningverifiabilityagi-roadmap
跳到 00:18:32 09
先在复杂工业系统落地
通用机器人仍是长期目标，短期更适合处理无法用少量方程描述的工业系统。可以从数据中训练action-conditioned dynamics model，预测控制变量的影响，再针对具体目标优化控制。
agent-nativeverifiability
跳到 00:22:03 10
技术换挡时要换组织
world model已经从探索研究进入技术放大和产品化阶段，但Meta的资源集中在追赶LLM，目标应用也主要不在其业务范围内。Yann LeCun因此离开Meta创办独立公司，让技术路线与组织目标重新匹配。
org-and-talentagi-roadmap
跳到 00:04:21 11
用选址隔离行业从众
竞争压力会让公司害怕落后，最终都去挖同一条沟。为降低Silicon Valley同质化研究的影响，Yann LeCun把公司总部设在Paris，并把美国办公室设在New York。
org-and-talenttaste
跳到 00:20:37 12
AI助手必须保持多样化
当信息获取越来越由AI assistant中介，少数美国或中国公司训练的模型会把有限的语言、文化、价值观和政治立场带给全球用户。开放且可本地调整的基础模型，才能让不同地区保留自己的表达和选择。
open-source
跳到 00:28:32 13
共享参数而非集中数据
全球协作训练不必要求贡献者交出本地数据，可以只交换参数并逐步向共识模型收敛。这样既能汇聚不同地区的知识，又能保留数据控制权，并允许各方按自身语言、文化和价值观进行fine-tuning。
open-source
跳到 00:31:28 14
AI基础平台终将走向开放
互联网基础设施曾由proprietary Unix主导，最终却被Linux取代，平台层具有走向开放的历史趋势。封闭模型还面临公开文本耗尽的问题，Yann LeCun也曾承担内部阻力推动LAMA 2开源。
open-source
跳到 00:33:28 15
LLM更适合可验证任务
代码和形式数学把语言本身作为推理载体，生成结果还能通过运行程序或检查证明来验证。LLM可以在token空间搜索这些任务，但同一方法不适用于缺少明确验证机制的领域。
ai-codingverifiability
跳到 00:36:38 16
AI会编程但不会做架构
LLM能解决给定问题和生成代码，却不等于能创造数学概念、设计软件架构或决定应该构建什么。人的工作会向更高抽象层上移，把具体实现交给LLM辅助。
ai-codingtaste
跳到 00:37:08 17
AI风险重点不是机器接管
更现实的风险是人类恶意使用AI、财富进一步集中以及社会不平等加剧，而不是AI自主接管世界。治理资源应优先处理这些已有明确社会机制的风险，而非只围绕末日场景配置。
agi-roadmap
跳到 00:43:49 18
当前LLM天生不适合安全agent
当前LLM无法彻底消除幻觉，prompt也只是借助训练分布软性引导行为，没有硬约束保证任务被正确执行。agent若不能预测行动后果，就可能造成数据或金钱损失，因此这一安全缺陷无法在现有范式内彻底修复。
verifiabilityagent-native
跳到 00:45:38 19
答对旧题不等于能力突破
模型后来答对一个公开失败案例，可能只是因为题目进入了后续fine-tuning数据。评估能力进步时，应先排查benchmark污染和记忆效应，不能把单题表现改善直接当成推理能力提升。
verifiability
跳到 00:47:25 20
安全约束要写进系统构造
objective-driven AI先用world model预测候选行动，再通过cost function、搜索优化和低层约束选择行动。模型与目标函数仍可能出错，但安全条件应让系统在构造上无法违反，而不是依赖训练后大概率听从prompt。
agent-nativeverifiability
跳到 00:48:25 21
个体化治疗需要动态模型
患者或细胞的状态未必符合已有治疗模板，需要先建立其动态模型。系统再预测不同干预的后果，寻找能把患者或细胞带到目标状态的行动序列。
agent-nativeunderstanding
跳到 00:51:09 22
书本知识不等于医疗能力
LLM可以复述医学书本中的知识，但医生不能只靠读书培养。residency、听诊和直接检查患者带来的经验判断，也是诊断与治疗能力不可缺少的部分。
understandingverifiability
跳到 00:52:42 23
研究到产品之间需要中间层
探索研究、技术放大和产品工程是不同阶段，不能让研究成果直接承受三个月产品期限。组织需要一支贴近研究、又能继续验证和放大技术的团队，否则大量项目会死在交接环节。
org-and-talent
跳到 00:05:23 24
封闭发表会扼杀突破研究
突破创新依赖开放发表和科学交流。企业限制中期成果公开，会降低对顶尖研究者的吸引力，也让研究人员获得更少资源和反馈，从而形成不利于突破的环境。
org-and-talentopen-source
跳到 00:53:41 25
顶尖研究者需要少管多给
突破研究首先要招聘能够判断该研究什么的人，因为选题能力本身就是核心稀缺资源。组织应提供他们成功所需的资源，然后减少管理干预。
org-and-talenttaste
跳到 00:00:03 26
博士选题要避开算力竞赛
博士生不应把主要精力放在已经进入大规模GPU竞赛的当前LLM路线，因为高校资源很难推动frontier。更值得投入的是下一代AI系统，而不是只做解释现有模型的描述性研究。
understandingagi-roadmap
跳到 01:01:08 27
不擅长管理就主动让位
建立FAIR并管理四年半后，Yann LeCun主动退出管理岗位，因为管理并非自己的优势，也挤压了个人研究时间。组织建立起来后，应把职责交给更擅长管理的人，自己回到最能产生价值的位置。
org-and-talenttaste
跳到 00:00:19 28
用公开愿景吸引自愿追随
研究领导不一定依靠职权分配任务，可以公开完整技术愿景，让认同路线的人主动加入。Yann LeCun公开了自己的world model构想，随后吸引学生、FAIR团队和公司领导层支持，研究者参与是因为认同方向，而不是因为他是上级。
org-and-talentopen-sourceagi-roadmap
跳到 01:05:28 EVIDENCE
访谈来源
观点所依赖的证据层
一手音视频
查看来源 ↗Ep 86: Yann LeCun on Leaving Meta, Breaking The LLM Paradigm, & Why Hinton is Wrong
2026-05-15 · 82 分钟 · EN