关于 Yann LeCun
Yann LeCun 是 Meta 的首席 AI 科学家,也是图灵奖得主(2018 年,与 Geoffrey Hinton 和 Yoshua Bengio 共同获得)。他在 1980-90 年代开创了卷积神经网络,现在是 AI 最直言不讳的 LLM-only 方法到 AGI 的怀疑论者之一。
职业亮点
- Meta(2013 年至今):首席 AI 科学家,AI 研究副总裁
- AMI(2025):高级机器智能初创公司联合创始人
- 图灵奖(2018):与 Hinton 和 Bengio 共同获得深度学习奖
- 纽约大学(2003 年至今):计算机科学银教授
- 贝尔实验室(1988-2002):发明卷积神经网络
重要观点
关于 LLM 不足
LeCun 的逆向论点:
“You cannot get to human-level AI through text alone. Training an LLM requires 30 trillion tokens - effectively all internet text. That same 10^14 bytes represents just 15,000 hours of video - 30 minutes of YouTube uploads.”
“你不能仅通过文本达到人类级别的 AI。训练 LLM 需要 30 万亿个 token——实际上是所有互联网文本。同样的 10^14 字节只代表 15000 小时的视频——30 分钟的 YouTube 上传。“
关于世界模型(JEPA)
他的替代方法:
“JEPA predicts in abstract representation space, not pixel space - eliminates unpredictable details while preserving structure for planning.”
“JEPA 在抽象表示空间中预测,而不是像素空间——消除不可预测的细节同时保留用于规划的结构。“
关于开放研究
“You cannot call it research unless you publish - internal hype creates delusion. Scientists need external validation.”
“除非你发布,否则你不能称之为研究——内部炒作会产生妄想。科学家需要外部验证。“
关键语录
- “LLM 无法让我们达到人类级别的 AI。”
- “在视频上训练的世界模型,而不是文本。”
- “除非你发布,否则你不能称之为研究。“
相关阅读
Video Mentions
视觉 vs 文本的数据效率
你不能仅通过文本达到人类级别的 AI。训练 LLM 需要 30 万亿个 token——所有互联网文本。同样的数据只是 15000 小时的视频——30 分钟的 YouTube 上传。
开放研究哲学
AMI 将公开发布,因为除非你发布,否则你不能称之为研究——内部炒作会产生妄想。
联合嵌入预测架构
JEPA 在抽象表示空间中预测,而不是像素空间——消除不可预测的细节同时保留结构。