Yann LeCun：AI需要物理学才能进化
Yann LeCun：AI需要物理学才能进化
Yann LeCun教授在2025年3月8日的访谈《Father of AI: AI Needs PHYSICS to EVOLVE》中，对人工智能发展现状、未来方向以及自身研究进行了全面的回顾与展望。他深刻阐述了当前AI技术的局限性，并对未来发展方向提出了富有洞见的展望，强调了对物理世界理解的重要性以及开源合作在推动AI进步中的关键作用。
1. 对当前AI的批判性评价
LeCun教授认为当前的AI系统，特别是大型语言模型（LLM），虽然在语言处理方面表现出色，但本质上仍然“很蠢”。它们缺乏对物理世界的理解、持久的记忆、推理和规划能力，这些都是智能行为的必要特征。他认为我们被AI操控语言的能力所迷惑，误以为它们很聪明。
对现有机器学习范式的评价：他将机器学习分为监督学习、强化学习和自监督学习三种范式，并指出：监督学习是经典方法，但需要大量标注数据；强化学习效率低下，在现实世界应用受限；自监督学习在自然语言处理领域取得了显著成功，但无法有效处理物理世界中的复杂信息。
莫拉维克悖论：他提及莫拉维克悖论，指出计算机擅长处理抽象任务（如下棋），却难以完成看似简单的物理任务（如抓取物体），这突显了当前AI在处理复杂感官输入方面的不足。
2. 对AI未来发展方向的展望
构建更强大的AI系统：LeCun教授及其团队致力于设计一种新型AI系统，该系统能够理解物理世界，拥有持久记忆，并具备推理和规划能力。他认为，这样的系统将具备类似恐惧、兴奋等情绪，因为这些情绪是系统对结果的预期。但强调不会人为赋予AI诸如愤怒、嫉妒等复杂情绪或意识。关于意识的定义和测量，他持谨慎态度。
克服感官输入处理的挑战：他指出，人类通过感官获得的信息量远大于通过语言获得的信息量。要实现人类水平的AI，必须让系统理解现实世界，而理解现实世界远比理解语言困难得多。这需要解决如何高效地处理复杂感官输入（如视觉信息）的问题。
信息量与学习效率：他用数据量对比说明，人类幼童在头四年通过视觉系统获取的信息量与当前最大的LLM训练数据量相当，这说明仅依靠文本数据无法实现人类水平的AI。
3. 对自身研究的回顾
深度学习的贡献：LeCun教授回顾了他与Hinton教授在2015年发表的深度学习综述论文，指出该论文并非提出新的算法，而是总结了深度学习的有效性及其应用前景，从而推动了深度学习的普及。他更强调其在80年代和90年代的工作为深度学习奠定了基础。
卷积神经网络 (CNN)：他重点介绍了他发明的卷积神经网络，指出其在图像识别、语音识别等领域的广泛应用。
对Transformer架构的补充：他介绍了其团队提出的JEPA（联合嵌入预测架构），这并非Transformer的替代方案，而是对现有自回归解码器模型的补充，旨在更好地处理非离散数据，例如视频数据。
4. 对AI产业发展趋势的分析
开源与合作：LeCun教授强调开源研究和软件的重要性，认为全球合作才能加速AI发展。他以PyTorch为例，说明开源技术如何推动整个AI产业的进步。
对DeepL等中国模型的评价：他肯定了DeepL等中国模型的贡献，认为这体现了全球AI研究的合作性质，而非简单的竞争。
巨额投资与基础设施：他指出，当前AI产业的巨额投资主要用于构建AI服务的运行基础设施，而非模型训练本身。
5. 对未来AI发展和个人职业生涯的反思
他认为，未来十年将是机器人技术的十年，但要实现真正灵活的机器人，需要AI在理解物理世界、推理和规划能力方面取得突破。他反思了自己在过去对自监督学习的忽视，认为这导致了在深度学习发展上的延误。