LeCun再批大模型：堆参数不如学理解

打开AI对话框问一个常识问题，背后是数十亿参数在调用训练时记住的海量文本。Yann LeCun最近在X上指出，大语言模型（LLM）能回答大量问题，靠的就是这种对陈述性知识的积累，这也是它们需要海量参数和内存的根本原因。

他提出了另一条路径：用理解替代知识积累。JEPA（联合嵌入预测架构）就是这种思路的产物——通过学习数据的内在相似结构，而不是死记硬背所有内容，来实现对世界的建模。不同的JEPA系统有不同侧重，I-JEPA主要学习视觉表征，V-JEPA 2则可以预测世界的变化。

@ylecun 认为：JEPA世界模型可以用比LLMs少得多的内存和训练数据发挥作用，因为它的核心是理解而非记忆。

这不是LeCun第一次公开唱反调。自2022年起，他就反复强调AI行业痴迷于扩展LLMs的方向是错误的，认为当前整个领域陷入了基于文本的世界模拟，而非构建能够理解物理世界的系统。

@ylecun 还转发了Arjun Jain的一段反思：Jain提到自己在Vapnik学派（核方法、统计边界理论）的博士训练中，曾被教导认为神经网络是炼金术，LeCun是错的。这段被转发的文字，恰好折射出AI领域两条路线长期的对立。

这条推文获得了3883个赞、391次转发，浏览量超过34万，收藏数达到1797。在大模型参数竞赛愈演愈烈的当下，LeCun的声音依然能引发大量关注。

对普通使用者来说，这意味着什么？如果JEPA路线最终走通，未来的AI助手可能不需要动辄几百GB的内存，也不需要吃掉海量文本数据才能工作。它可能更像一个真正理解物理世界规律的伙伴，而不是一个读过整个图书馆的超级记忆体。

但问题依然悬而未决：理解和记忆之间，真的是非此即彼的替代关系吗？还是说，足够大的记忆本身就能涌现出某种理解？