在巴黎舉行的AI行動峰會上，Meta首席AI科學家Yann LeCun提出一個問題：“什么才是智能的基本構成？”

在與IBM AI負責人Anthony Annunziata的對話中，他提出四項標準：理解物理世界、擁有持續的記憶、具備推理能力，以及可以進行分層規劃。

這四項能力在LeCun看來，是任何一種具備智能的生命體所共有的基礎能力。相比之下，當前主流人工智能系統，尤其是以語言模型為代表的架構，在這些方面仍顯不足。

這不是他第一次表達類似看法。作為深度學習早期的關鍵推動者，LeCun一直在強調當前模型能力的局限性。

他一直認為，現有AI模型在“智能”的核心能力上存在結構性缺陷。

“補丁式增強”與架構爭議

LeCun指出，目前業界在提升AI功能時，往往采用“組合式”的增強路徑。例如，為了讓語言模型理解視覺信息，就外接一個視覺系統；為了讓模型“記住”過往內容，就增加檢索增強生成（RAG）模塊；推理能力不足，則通過擴大模型參數來彌補。

在他看來，這些做法更像是“功能層的修補”，而非能力本身的根本突破。

“理解世界不是把一個視覺模型綁在語言模型上那么簡單，”LeCun說。他用“hack（補丁）”一詞來形容這種工程式集成方式。

Meta近年來持續投入的“世界模型”（world-based models）思路，正是對這種路徑的回應。這一類模型的目標不在于生成內容，而是試圖建立一種內部的世界表示，通過預測行為與結果之間的關系來實現認知。

LeCun對此有一個具體的定義框架：“你有對世界某一狀態的理解，你想象一個可能的動作，然后模型預測在該動作之后，世界會發生什么。”這類似于一種面向動態系統的因果建模方式。

圖注：V-JEPA論文：重訪特征預測：從視頻中學習視覺表征的方法

Meta在2024年發布的V-JEPA模型，是上述思路的初步實現。該模型并非直接生成圖像或視頻內容，而是試圖在抽象層面預測視頻中被遮擋或缺失的信息。這種方式類似“填空”，但預測發生在更高層級的表示空間，而非具體像素。

LeCun解釋說：“我們不預測像素，而是在抽象表示中進行預測。理想情況下，這種表示會自動過濾掉那些不可預測或無關的細節。”

這一構想與科學研究中“抽象層級”建立的過程相似。正如物理學中通過粒子、原子、分子、材料的層層抽象來理解世界，LeCun認為，AI系統也需要通過構建中間表征來實現有效的認知與推理。

這種方式的優點之一在于，它減少了對海量數據的依賴，并提升了系統對不可預測變化的適應能力。不過，V-JEPA目前仍處于早期階段，其抽象層級的表達力、泛化能力和可交互性仍需進一步驗證。

對主流路徑的間接回應

當前，幾乎所有主流AI企業都在圍繞大模型展開產品構建與能力擴展。OpenAI、Anthropic、Google DeepMind的研究路線大多圍繞大語言模型展開，通過RAG、多模態融合或系統集成來增強模型在記憶、推理等方面的表現。

在這個語境下，LeCun所倡導的“世界模型”策略，可以視為對主流趨勢的補充乃至修正。他所強調的“具備結構性推理與預測能力的AI”，并不完全依賴大規模的語言語料與模式識別能力，而更注重內在模型結構與表達形式的可解釋性和可推理性。

盡管Meta已在該方向上進行嘗試，但從V-JEPA本身的功能定義來看，它仍屬于“前期架構驗證”階段。模型尚未廣泛部署，相關評估標準和實際應用場景也仍在摸索之中。

目前，對世界模型的定義在學界和產業界尚無共識。有觀點認為，這類模型最終需結合具身智能，模擬實體與環境的持續交互；也有研究強調，它可以通過抽象表示與模擬環境實現更高效的訓練過程。

LeCun本人則強調，真正的挑戰在于如何構建一個“足夠抽象、又足夠有預測力”的中間世界。換言之，不是追求還原世界的所有細節，而是捕捉那些在行動決策中最關鍵的信息層。