杨立昆Yann LeCun 认为语言模型不能通往AGI，而维特根斯坦等哲学家早就基于语言指明了人类思想智能方向，既然此路不通，当然要仙人指路指出新的通往AGI道路，以带领Meta下次突破。
在2025年2月10日和11日在巴黎举行的人工智能峰会上，杨立昆阐述了通过摆脱目前 AI 研究中流行的某些架构和方法，向人类级人工智能 (AGI) 迈进的愿景。下面是对所提到的关键架构和方法的解释：
1.生成模型
生成模型是一种机器学习系统，它学习数据的底层模式以生成新的类似数据。示例包括 GAN（生成对抗网络）、VAE（变分自编码器）和扩散模型。这些模型预测像素或标记空间中的数据，通常侧重于重建缺失的细节。
杨立昆主张放弃这些模型，转而采用联合嵌入架构，这种架构侧重于学习抽象表示和语义关系，而不是生成低级细节，从而有可能避免过度拟合不相关特征等问题[2][8][19]。
2.概率模型
概率模型使用统计推断根据概率进行预测，考虑到数据的不确定性。例子包括贝叶斯网络和隐马尔可夫模型。
杨立昆 建议用基于能量的模型 (EBM)取代它们，EBM 定义了一个标量能量函数来表示输入和输出之间的兼容性。EBM 更灵活，可以统一概率和非概率方法，同时避免与概率方法相关的一些计算挑战[5][6][16]。
3. 对比方法
对比学习侧重于通过最小化正对（相似数据）之间的距离和最大化负对（不相似数据）之间的距离来区分相似和不相似的数据点。虽然对比学习对于表征学习很有效，但它在计算上可能很昂贵，并且在高维数据上扩展性较差。
杨立昆 提倡使用正则化方法，以最小化表征空间中低能量区域的体积，从而有可能简化训练并提高可扩展性[43][62][64]。
4.强化学习（RL）
强化学习通过与环境的反复试验来训练代理，优化操作以最大化累积奖励。虽然强化学习在游戏和机器人等领域取得了成功，但它可能存在样本效率低下的问题，并且难以进行长期规划。
杨立昆 建议改用模型预测控制 (MPC)，它涉及使用系统动态的预测模型在有限的时间范围内优化操作。对于某些应用来说，MPC 更具确定性和效率，但缺乏强化学习对高度动态环境的适应性[53][55][74]。
重点
杨立昆强调将重点放在诸如联合嵌入预测架构 (JEPA) 之类的架构上，这种架构优先考虑语义抽象而不是像素级生成，基于能量的建模以提高灵活性，正则化以提高效率，以及用于规划任务的模型预测控制。
他的挑衅性言论 — — “如果你对人类级别的人工智能感兴趣，就不要攻读大语言模型” — — 反映了人们对大型语言模型实现 AGI 的能力的怀疑，因为它们依赖生成方法而不是构建强大的世界模型[14][19][64]。
网友：
1、杨立昆属于第四阵营：AGI 将源自杨立昆的点子，而非其他可能的来源。
2、他的观点是不是在说：这样做就像是在我们还没造出F1赛车引擎之前，就逼着我们去养马配种？我觉得这个比喻从抽象的角度来看挺有意思的，但我觉得它并不能很好地解释“蛮力”这个概念。
如果我们把养马理解成通过自然选择慢慢进化的过程，那么确实，经过几十亿年的时间，我们最终得到了F1引擎这样的高科技。
所以，虽然从马到F1引擎听起来很离谱，但我们确实通过一个不断优化的过程，从单细胞生物进化成了F1引擎这样的复杂存在。
我们有理由相信，通过这种方式“蛮力”实现人工通用智能（AGI），和人类意识在几十亿年间慢慢出现的过程，其实没什么本质区别。
其实大模型是马车。当然，从抽象的角度看，这是迈向汽车的一步，但绝对不可能达到汽车的水平，那就是用蛮力强迫马匹。
3、人们总是说大语言模型(LLM) 从根本上来说存在局限性，而基于大模型的人工智能 (AI) 却在不断进步，而其他所有一般人工智能研究领域都已经原地踏步 50 年了。