来源：市场资讯
（来源：图灵人工智能）

2026年7月7日，图灵一条推文及其附带的主倒37分钟视频剪辑，在人工智能领域引发了地震般的戈砸震荡。

发帖人抛出的亿美元证事实极具分量：现代AI奠基人“三巨头”之一，正动用10亿美元真金白银，明L猫都赌注当前被狂热追捧的死路大语言模型（LLM）技术，永远无法通向真正的聪明通用智能。

这条推文迅速获得九千多次浏览、图灵上百次转发与点赞，主倒评论区陷入激烈争论。戈砸有人视其为年度最犀利的亿美元证“看空”宣言，有人则嘲讽其酸葡萄心理。明L猫都但无人敢轻视此言，死路因为发声者履历显赫：Yann LeCun，聪明图灵奖得主、图灵卷积神经网络（CNN）之父，当今几乎所有能理解人类语言的聊天机器人，其底层架构都流淌着他的技术血液。

图灵奖得主的“反水”

@slash1sol 的帖子开门见山，直指核心：

"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"

译文：
「赢得现代AI发明图灵奖的三人之一，如今正赌上10亿美元，认定LLM是一条死路。这并非X平台上普通的怀疑论者，而是所有聊天机器人赖以建立的技术发明者本人。」

LeCun在AI界的地位无需多言。1989年前后，他发表LeNet，奠定了今日图像识别系统的基石。2013年加入Facebook后，他一手创立FAIR（Facebook AI Research），主导开发了Llama系列开源大模型。2019年，他与Geoffrey Hinton、Yoshua Bengio共同荣获图灵奖，被誉为“深度学习的诺贝尔奖”。

然而，正是这十余年间，他始终在做一件看似矛盾的事：一边带领团队构建大模型，一边公开唱反调，直言全行业投入的数千亿美元正走向一条死胡同。

你家猫，比GPT更懂物理

LeCun的观点并非新近提出，新鲜的是他如今愿意为此下重注。

他常举一个生动的例子：一只普通家猫对重力、物体守恒及因果关系的理解，远超任何前沿大模型。

"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."

译文：
「一只家猫对重力、物体和因果关系的理解，胜过任何前沿模型，因为猫是从真实世界里学会的。而LLM，只学过别人写下来的、关于世界的文字。」

猫未读过物理教材，但在跃上桌子前，它已在脑海中模拟落点稳定性。LLM虽阅尽全网物理科普，却连判断一杯水是否会洒出都困难重重。它摄入的仅是被压缩、简化、量化的文本世界，无法触及真实世界中连续、高维、充满触觉反馈的现实。

LeCun常引用一组数据佐证：互联网公开文字总量约20万亿词，压缩后仅约$10^{14}$字节。而一个四岁儿童，仅凭双眼，四年间从现实世界吸收的信息量已远超此数，且具备实时、多模态、带触觉反馈的特征。按人类阅读速度换算，读完同等信息量需耗时40万年。

这并非段子，而是他解释“LLM为何看似聪明却缺乏世界认知”的核心论据。

走出那间办公室

2025年11月，LeCun走进扎克伯格的办公室，提出离职。

他在Meta任职12年，从零构建FAIR，出任首席AI科学家，获图灵奖殊荣，是Meta过去十年最耀眼的科学名片。期间，他几乎从未停止过对公司及行业主流路线的质疑。

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

译文：
「我告诉他，离开Meta，我能做得更快、更便宜、也更好。」

扎克伯格回应干脆：“OK, we can work together.”（好，那我们可以合作。）

四个月后，2026年3月10日，LeCun的新公司Advanced Machine Intelligence Labs（AMI Labs）官宣完成10.3亿美元种子轮融资，估值35亿美元。这是欧洲历史上最大的一笔种子轮融资，全球范围内仅次于Mira Murati的Thinking Machines Lab。

这位65岁的法裔美籍科学家致力于构建他定义的“世界模型”：一种从现实中学习、理解物理规律、具备记忆能力、能对行动后果进行规划的AI系统。这与追求更大参数量的聊天机器人或LLM截然不同。

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

译文：
「如果他是对的，地球上每一个主要的AI实验室，都在建造错误的东西。」

▲ 深度报道还原了那句关键对话："我告诉他，离开Meta我能做得更快更便宜更好"，扎克伯格答"好，那我们可以合作"。

12个人，零产品，10.3亿美元

AMI Labs总部设于巴黎，“ami”在法语中意为“朋友”。初创团队仅约12人，无上线产品，仅凭LeCun的声誉及几篇论文，便撬动了10亿美元级别的信任。

领投方阵容豪华：Cathay Innovation、Greycroft、Hiro Capital、HV Capital，以及贝索斯的私人基金Bezos Expeditions。
跟投方星光熠熠：英伟达、三星、丰田创投、淡马锡。
个人投资者：杰夫·贝索斯、马克·库班、埃里克·施密特、万维网发明人蒂姆·伯纳斯-李，无一缺席。

CEO Alexandre LeBrun曾供职于Meta并创办医疗AI公司Nabla，亲历LLM幻觉在医疗场景中的致命风险。他对TechCrunch自信预言：

"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."

译文：
「我预测'世界模型'会成为下一个流行词。六个月后，每家公司都会自称自己是世界模型公司来融资。」

值得注意的是，英伟达采取了“两头下注”策略：既向训练LLM的实验室出售芯片，又投资LeCun这一“唱反调”的项目。对于芯片巨头而言，无论哪条路线胜出，最终都依赖算力堆叠。

▲ TechCrunch的报道标出了这轮融资的核心数字：10.3亿美元、35亿估值、欧洲最大种子轮。

JEPA：不猜字，猜“接下来会怎样”

LeCun的技术方案名为JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）。

其逻辑与LLM截然不同：
* LLM：根据上文预测下一个词。
* JEPA：观察视频或传感器数据，预测场景的抽象状态变化，而非每一帧的像素细节。

例如，JEPA关注“杯子会掉落”这一因果逻辑，而忽略下落过程中光斑闪烁等不可预测且无意义的噪音。这种设计使JEPA的样本效率比生成式方法高出1.5至6倍，且在标注数据较少时优势更为明显。

Meta官方早在2024年2月便发布了早期版本V-JEPA，论文与代码完全公开，证明该理论并非2026年的临时拼凑，而是经过长期验证的技术路线。

▲ Meta官方在2024年发布的V-JEPA博客：给"世界模型"这套理论留下了一份公开的技术履历。

LeCun至今仍活跃在推特一线，亲自纠正社区对JEPA的误解。今年6月，当有人提出视频世界模型的计算效率思路时，LeCun回复：

"You just rediscovered JEPA ☺️"

译文：
「你刚刚重新发现了JEPA☺️」

这一细节表明，他并非躺在功劳簿上的老教授，而是仍在具体技术细节中较真的实战派。

▲ LeCun亲自下场纠正社区的技术讨论，这个细节比任何采访都能说明他还在一线。

这里隐含着一个经典悖论：计算机科学家Hans Moravec早在1988年就指出，对人类而言简单的事（如感知、运动），机器极难实现；而人类觉得烧脑的事（如下棋、数学），机器却游刃有余。LLM正在攻克“人类觉得难”的部分，却仍卡在“猫都会”的感知与因果门槛上。

桌面底下，还有谁也赌上了同一个方向

LeCun并非孤军奋战，全球范围内已有多个团队探索相似路径：

• 李飞飞的World Labs：专注3D空间世界模型，早期融资已超10亿美元。
• DeepMind：推进Genie项目，生成可交互的虚拟环境。
• Wayve（伦敦）：在自动驾驶领域部署Gaia系统。
• 牛津大学Ingmar Posner团队：致力于因果性更强、可解释的“机制性世界模型”。

这些力量共同指向一个判断：机器人、自动驾驶、工业质检若要真正可靠，前提是AI必须理解“我的行动将如何改变世界”。当前让人形机器人跳舞、打拳的演示，多依赖海量遥操作数据及预设动作序列，一旦进入陌生场景便暴露短板，这正是LeCun反复强调的LLM缺陷。

OpenAI和DeepMind不这么看

面对LeCun的质疑，另一派观点同样强硬：

• OpenAI Sam Altman：认为行业已触及超级智能门槛。
• Anthropic Dario Amodei：预言两年内AI将产出诺贝尔奖级别的科学发现。
• DeepMind Demis Hassabis：亲自反驳LeCun对“通用智能”的部分表述。

实用主义者则指出：LLM已创造数百亿美元收入，拥有亿级用户。理论上未达AGI，不代表当下无用。事实上，许多实验室采取“双轨制”，在LLM基础上外挂世界模型组件作为补丁，以弥补泛化能力差、长程规划难的缺陷。

若LeCun判断失误，代价惨重：10亿美元、顶尖团队及数年的产品空窗期，可能全部投入一条无法落地的长期研究路线，眼睁睁看着OpenAI等公司在千亿融资加持下拉开差距。

十年后，谁会是猜对的那个人

LeCun常引用一句话：“马有用，不代表就该放弃造汽车；一件事现在能用，不代表它就是通往终点的正确道路。”

关于“何为智能”的争论短期内难有定论。是流利说话、写代码、解数学题算智能，还是在真实世界中理解因果、适应陌生场景、承担犯错代价才算智能？这不仅关乎学术圈的面子，更决定未来十年数千亿美元资本的流向，以及机器人真正走进普通家庭还需等待多久。

LeCun已用12人团队、零产品及10.3亿美元现金，押上了自己的答案。这场赌局的最终赢家，或许要等到下一台真正理解物理规律的机器诞生时，才能揭晓。