最近，Meta首席人工智能科学家杨立昆（Yann LeCun）在麻省理工学院（MIT）的一场演讲中，对当前如火如荼的人形机器人行业泼了一盆冷水。这位图灵奖得主、深度学习先驱毫不客气地指出：绝大多数人形机器人公司“根本不知道”如何让机器人变得真正“通用有用”。他的这番言论不仅直指行业痛点，更引发了学术界与工业界关于AI发展路径的激烈争论。
杨立昆是谁？
他是当今人工智能领域最具影响力的科学家之一。作为卷积神经网络（CNN）的奠基人之一，他的研究成果直接推动了现代计算机视觉和深度学习的爆发。如今，他担任Meta（原Facebook）的首席AI科学家，同时也是纽约大学教授。多年来，他一直对大语言模型（LLM）能否通向人类级智能持怀疑态度，这次对人形机器人行业的批评，正是他长期技术立场的自然延伸。
在MIT的演讲中，杨立昆明确划清了“专用任务”与“通用智能”之间的鸿沟。他说：“我们可以训练机器人完成特定任务，比如在工厂里拧螺丝、搬运零件，但如果你想要一个能在家里帮你做饭、收拾房间、应对各种突发状况的家庭机器人，那还需要AI领域的一系列根本性突破。”他强调，这些突破的核心，是一种他称之为“世界模型”（world model）的新一代AI架构。
那么，什么是“世界模型”？
简单来说，就是让机器像人类一样，通过观察和互动，在大脑中构建一个关于物理世界的内部模型。这个模型能预测“如果我推这个杯子，它会倒；如果地板是湿的，我走路要小心”。这种常识性推理能力，正是当前机器人最缺乏的。
杨立昆指出，现在的AI，尤其是大语言模型，只是在处理“低带宽”的文本数据——它们读过万亿个单词，却从未真正“看”过世界。
他打了个生动的比方：“一个四岁小孩通过视觉接收到的数据量，已经相当于训练最大语言模型所用的全部公开文本数据。”换句话说，人类智能的根基不是文字，而是感官体验，尤其是视觉和动作交互。因此，他认为，仅靠文本训练永远无法达到人类水平的智能。
为了解决这个问题，杨立昆和他的团队正在研发一种名为V-JEPA（视频联合嵌入预测架构）的新型自监督学习系统。这个系统不生成图像或视频，而是学习在抽象空间中预测视频下一帧会发生什么。通过这种方式，AI可以逐步建立起对物理规律、物体属性和因果关系的理解，从而获得“一点点常识”，并具备零样本任务规划能力——也就是说，即使从未见过某个任务，也能靠推理完成。
这一观点直接挑战了当前人形机器人热潮中的主流技术路线。比如Figure AI公司CEO布雷特·阿多克（Brett Adcock）就曾高调宣称，他们的机器人明年就能在从未去过的家庭环境中执行通用任务。有趣的是，阿多克也承认制造不是瓶颈，“人形机器人的竞赛，关键是谁能率先解决通用机器人问题”。但他显然认为这个“解决”已经近在咫尺，而杨立昆则认为还远未到来。
这种分歧很快演变成一场公开交锋。
当Humanoids Daily在X平台（原Twitter）上转发杨立昆的批评时，阿多克直接回怼：“有人该告诉杨立昆，从他的高台上下来，亲手干点实事。”这句话赤裸裸地揭示了学术研究者与产品工程师之间的文化鸿沟：一方追求基础理论的突破，另一方则急于将技术商业化落地。
不过，并非所有人都站在阿多克这边。挪威公司1X Technologies的做法，恰恰印证了杨立昆的思路。这家由OpenAI投资的公司最近发布了自家的“世界模型”——一个可控制动作的模拟器，被他们称为“数据驱动的数字孪生”。通过这个系统，1X可以在虚拟环境中预测机器人动作的结果，快速测试AI策略，而无需反复进行昂贵又耗时的实体实验。
更关键的是，1X的CEO伯恩特·伯尼奇（Bernt Børnich）对现实挑战有着清醒认知。他在播客中坦言：“现实世界真的难到离谱，连Wi-Fi信号不稳定这种小事，都可能比机器人本身更难搞。”这种务实态度，与杨立昆强调“基础突破尚未完成”的警告不谋而合。1X还采用轻量化的肌腱驱动设计，强调安全性，显示出他们并不急于大规模部署，而是专注于构建真正可靠的智能系统。
特斯拉的路径则另辟蹊径。
埃隆·马斯克（Elon Musk）一方面承认人形机器人量产面临“供应链几乎不存在”的制造难题，计划在2026年初推出年产百万台的Optimus V3原型；另一方面，特斯拉AI负责人阿肖克·埃卢斯瓦米（Ashok Elluswamy）透露，公司正在开发一个“神经世界模拟器”——一个端到端的系统，利用特斯拉车队收集的海量视频数据进行训练。这个模拟器将直接用于Optimus机器人，被视为对“世界模型”问题的实际回应。
由此可见，尽管各家策略不同，但顶尖玩家其实都在向同一个方向靠拢：从纯文本AI转向基于感官输入的具身智能（embodied intelligence）。
杨立昆的批评，并非否定整个行业，而是提醒大家：硬件可以先行，但没有真正的“世界理解能力”，再酷炫的人形机器人也只是高级玩具。
这场争论的本质，其实是AI发展范式的分水岭。过去几年，大语言模型凭借惊人表现主导了AI叙事，但越来越多专家意识到，仅靠语言无法构建通用智能。真正的智能必须扎根于对物理世界的感知、预测和互动。杨立昆所倡导的“非生成式、自监督、基于视频的世界模型”，或许正是通往这一目标的关键路径。
对投资者和创业者而言，杨立昆的警告值得深思：人形机器人赛道虽热，但真正的护城河不在电机、减速器或外观设计，而在底层AI架构的创新。谁能率先让机器“理解”世界，谁才能笑到最后。否则，即便造出千台万台机器人，也可能只是堆在仓库里的昂贵摆设。
总结来看，这场由杨立昆点燃的讨论，不仅揭示了当前人形机器人行业的技术短板，更重新定义了竞争的核心——不再是“谁先量产”，而是“谁先拥有常识”。在这个意义上，他的“冷水”浇得恰到好处，或许正是行业从狂热走向成熟的开始。