AI界當代最著名巨擘之一、Meta的AI實驗室靈魂人物Yann LeCun，長期致力于讓機器對世界的運轉理念有基礎了解，也就是讓AI獲得常識。LeCun過去的做法，是用視頻選段訓練神經網絡，讓AI逐個像素地預測日常活動視頻下一幀將會出現啥。不出人意料地，他自己承認這途徑撞上了鐵板。在數月到一年半之間的思考后，LeCun對下一代AI有了新的想法。

AI新路徑

在《MIT科技評論》的采訪中，LeCun勾勒出他的新研究路徑，稱如此會給機器賦予探索世界的常識基礎。對LeCun而言，這就是打造AGI（通用人工智能）的第一步。能像人一樣思考的機器，在AI業界誕生時就是指導性愿景，同時也是爭議最大的理念之一。

不過LeCun的新路徑或許還很不完備，引來的疑問可能比獲得的答案還要多。最大的疑問在于，LeCun自己承認了他還不知道如何造出自己所描述的那種AI。此路徑的核心是個能以與之前不同方法審視、學習真實世界的神經網絡。LeCun終于放棄了讓AI逐個像素猜下一幀視頻，只讓新的神經網絡學會完成任務必備的關鍵知識。

然后LeCun打算將這個神經網絡與另一個被稱為「配置器」的神經網絡配對。「配置器」專管決定哪些細節是主神經網絡必須學會的、并照此來自動調節主系統。對LeCun來說，AGI是人類與未來科技互動的不可或缺部分。當然此展望和他押注全副身家搞元宇宙的東家Meta公司不謀而合。

LeCun說，在10-15年間，取代現在智能手機地位的將是AR眼鏡。AR眼鏡上就必備能輔助人類日常活動的虛擬智能助手。如果這些助手要起最大作用，那必然或多或少要跟得上人腦智能才行。

「世界模型」是AGI核心

LeCun最近熱衷的「世界模型」，按他說就是大多數動物大腦的基礎運轉模式：為真實世界跑個模擬。動物從嬰兒期開始就用預估-試錯方法來發育智能。幼孩們通過觀察真實世界的運動與挫折，在生命的前幾個月就發育出了智能的基礎。

觀察一個小球掉個幾百次，普通嬰兒就算沒上過基礎物理課、學過牛頓三定律，也對重力的存在與運作有基礎認知。所以這種直覺性/默會性推理，被常人稱作「常識」。人類就是通過常識來認知真實世界的大多數可能未來與不可能幻想，來預見自己的行為后果并據此做出決策。如此的人智既不需要像素級精確細節，也不需要完備的物理學參數庫。就算有人沒有視力、或者是個文盲，一樣可以正常發揮智能。

但教機器學會常識就很難。當下的神經網絡要被展示數千次示例后，才能開始模糊發現內含規律模式。LeCun表示，智能的基礎是預測即刻未來的常識能力。不過在放棄讓AI逐像素預測后，LeCun表示要換個思路。LeCun打了個比方：想象下你捏根鋼筆懸空放手，常識告訴你這根鋼筆必然會墜落，但掉落的精確位置則不在人智預測范圍內。按過去的AI開發模式，AI要跑復雜的物理學模型，來預測鋼筆是否會墜落、同時求得墜落的精確位置。

現在LeCun努力讓AI只預測出鋼筆會墜落的常識結論，至于精確位置不在求解范圍內。LeCun說這就是「世界模型」的基本模式。

LeCun表示他已經造出了可以完成基礎客體識別的「世界模型」早期版本，現在在致力于訓練它學會上述常識性預測。

不過「配置器」在此中的功用，LeCun說自己還沒搞明白。LeCun想象中的「配置器」AI，是整個AGI系統的控制元件。它將要決定「世界模型」在任何時刻需要做出何等常識性預測、并調適「世界模型」為此該處理的細節數據。LeCun現在堅信「配置器」必不可少，但不知道怎么訓練一個神經網絡來做到這效果。

「我們需要摸索出可行的技術清單來，而這個清單現在還不存在。」在LeCun的愿景中，「配置器」和「世界模型」是未來AGI基礎認知架構的兩大核心部分，在此之上才能發展出感知世界的認知模型、驅使AI調整行為的激勵模型等等。LeCun稱，如此神經網絡就能做到每部分都在成功模擬人腦。比如「配置器」和「世界模型」起了前額葉的作用，激勵模型是AI的杏仁體，等等。

認知架構、不同層面細節的預測模型，這些都是多年來業界中既有的一派觀點。不過當深度學習成為AI業界主流后，很多此類老點子就顯得過時。現在LeCun重拾傳統智慧：「AI研究界把這些東西忘掉好多了。」

大模型和強化學習都是死路

之所以重走舊路，是因為LeCun堅信現在的業界主流路徑已經走進死胡同。關于如何做出AGI來，現在AI業界有兩種主流觀點。

一是很多研究者堅信到搞出烏龍的路徑：就像OpenAI家的GPT系列和DALL-E系列那樣，模型越大越好，大到超過臨界點，AI就覺醒人智了。

二是強化學習：不斷地試錯，并按試錯結果獎懲AI。這是DeepMind家做各種棋牌AI、游戲AI的路數。這種路徑的信徒認為，只要獎勵激勵設定對頭，強化學習終將造出真正AGI。

Lecun表示在座的兩種人都是垃圾：「無限擴張現有大語言模型的量級，最后就能做出人類水平的AI？這種荒唐論調，我一秒鐘都沒信過。這些模型就只能單純捯飭各種文本與圖像數據，完全沒有真實世界的直接體驗。」「強化學習要用巨量數據才能訓練模型執行最簡單任務，我不認為這種辦法有機會做出AGI來。」

業內人對LeCun的觀點有支持也有反對。如果LeCun的愿景實現，AI將會成為不亞于互聯網的下一代基礎高性能技術。但他的聲張并不包括自家模型的性能、激勵機制、控制機制等等。不過這些缺陷都是小事，因為不管褒貶，業內人士一致認為要面臨這些短板還是久遠以后的事。因為即使LeCun也沒法在當下馬上做出AGI來。

Lecun自己也表示承認此形勢，他稱自己只希望為新的理論路徑播種、讓后來者于此基礎上建構出成果。「達到此目標，需要太多人付出太多努力。我現在提出這些，只是因為我認為這條路才是最終的正路。」就算做不到這點，LeCun也希望說服同行不要單單死盯著大模型和強化學習，最好打開思路。「我討厭看到大家浪費時間。」

業界反應：褒貶皆有

另外一名AI界泰斗、與LeCun交情好的Yoshua Bengio表示樂見老友圓夢。「Yann說這些已經說了有日子了，不過看到他整全性地把各種言說歸納到一處，我還是蠻高興的。然而這些只是研究方向申請而非結果呈報，大家通常只在私底下分享這些，公開聊的風險挺大。」

DeepMind里牽頭開發游戲AI AlphaZero的David Silver不贊成LeCun對自己項目的批評，不過歡迎他實現愿景。

「LeCun描述的世界模型的確是個令人興奮的新點子。」加州圣菲研究所的Melanie Mitchell則贊成LeCun：「業界真的不常在深度學習社群里看到這種觀點。但大語言模型真的既缺記憶，又沒有能擔綱的內在世界模型骨干。」

谷歌大腦的Natasha Jaques不同意：「大家已經看到大語言模型極具效率，也混雜了相當多人類知識。沒語言模型，我怎么升級LeCun提出的這個世界模型？就算人類學習，途徑也不止親身經歷，還包括口口相傳。」