2026 年 3 月，AI 圈被一条融资消息搅动：深度学习三巨头之一、图灵奖得主 Yann LeCun 创立的 AMI Labs（Advanced Machine Intelligence Labs）完成了一笔 10.3 亿美元的种子轮融资，投前估值高达 35 亿美元。这在欧洲初创企业历史上是最大的一笔种子轮——而这家公司当时只有十几名员工，还没有发布任何产品。投资人名单里出现了贝索斯探险（Bezos Expeditions）、英伟达、三星、丰田、Eric Schmidt、Mark Cuban、Tim Berners-Lee 这些名字。他们下注的，不是一款已经跑通商业闭环的应用，而是一个科学判断：LeCun 认为，正在驱动 ChatGPT、Claude、Gemini 的那套自回归大语言模型技术，是一条通往人类级智能的死路。
速览卡：这位大佬和他说了什么
| 项目 | 内容 |
|---|---|
| 大佬 | Yann LeCun（杨立昆） |
| 身份 | Meta 前首席 AI 科学家、纽约大学教授、2018 图灵奖得主（与 Hinton、Bengio 共享） |
| 出处 | AMI Labs 融资公开报道（TechCrunch/Crunchbase）、BBC 采访、RAISE Summit 2026 炉边谈话 |
| 时间 | 2026 年 3 月融资官宣；7 月接受 BBC 采访；2026 年 RAISE Summit 主旨分享 |
| 核心观点 | 自回归「预测下一个 token」无法产生理解因果的系统，LLM 对人类级智能是「死路」，5 年内将被多数应用淘汰；出路是 JEPA 世界模型 |
LeCun 说了什么
LeCun 对这个行业的批评持续了很多年，但 2026 年他把这套观点从「推特论战」升级成了一场真金白银的豪赌。他的核心论点不是增量式的改良建议，而是架构层面的根本性否定：
自回归式的「预测下一个 token」不可能产生理解因果关系的系统。这就是他为什么反复把 LLM 称为通往人类级智能的「死路」（dead end），并给出五年内将在多数应用中被淘汰的判断。
在 2026 年 RAISE Summit 的炉边谈话里，他把这个判断说得更细。LeCun 认为，大语言模型本质上被限制在「离散的符号序列」上，它无法捕捉物理世界的复杂度。这造成了一个显著的性能鸿沟：LLM 能在智力任务上表现出色（比如通过律师资格考试），却在物理任务上寸步难行（比如家用机器人、L5 级自动驾驶）。原因在于，LLM 依赖的是对下一个 token 的自回归预测——这对文本和代码有效，但对视频彻底失效，因为物理现实中绝大多数的像素级细节本身就是不可预测的。
训练一个系统去预测视频里的每一个像素，是一个「无解的任务」——因为那些随机且不可预测的细节（比如人群里某个人的具体动作），根本无法从先前的上下文里被预测出来。
所以他提出的替代方案是 JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）：不要预测像素本身，而是把输入和目标信号都编码进一个抽象的表示空间，在这个抽象空间里做预测。这样系统就能自动过滤掉那些不可预测的噪声细节，专注于场景底层的结构——学习的是「完形」（gestalt），而不是纹理。
背景：为什么要押注一个「反主流」的判断
要理解这场十亿美元豪赌的分量，得先看清楚 2025 到 2026 年行业里发生了什么。
LeCun 在 2025 年 11 月宣布离开 Meta，结束了他长达 12 年的首席 AI 科学家任期。这 12 年里，他创立了 FAIR（Meta 的基础 AI 研究实验室），并与 Hinton、Bengio 一起在 2018 年获得图灵奖。他的离开并非和平分手那么简单——公开信息显示，这是一次「战略方向上的分歧」：随着 JEPA 系列世界模型在 Meta 内部越做越成熟，Meta 却在 2025 年重组了 AI 业务，把重心转向追赶行业主流的 LLM 路线——而这恰恰是 LeCun 认为的「歧路」。
离开后的动作快到令人咋舌。2025 年 12 月，AMI Labs 在巴黎注册成立；2026 年 1 月公司公开，最初计划融资约 5 亿欧元、估值 30 亿欧元；到 3 月，融资额翻倍还多，以 10.3 亿美元、35 亿美元投前估值收官，由 Cathay Innovation、Greycroft、Hiro Capital、HV Capital、Bezos Expeditions 联合领投。这意味着投资人的热情让公司可以「挑投资人」，而不是被投资人挑。
一个值得注意的细节：LeCun 没有担任 CEO。他是执行主席（executive chairman），同时继续在纽约大学当教授，并在 2026 年 8 月成为 224 Ventures 的合伙人。这个安排本身就是一种信号——他更想做一个「科学愿景的布道者」，而不是一家公司的日常操盘手。
为什么投资人愿意为一个「科学判断」而非「商业成果」买单？因为 LeCun 的判断背后，是一套被反复论证的技术逻辑。
核心观点展开：为什么 LeCun 说 LLM 是死路
LeCun 的论证可以拆成三个层次：数学上的发散、数据效率上的鸿沟、以及任务类型的结构性局限。
第一，自回归预测在数学上是「发散」的。当前主流的 LLM 都是自回归模型——根据前面的 token 预测下一个 token，再把预测结果拼回去继续预测。问题在于，这个过程本质上是一个发散过程：在一个分支因子高达 10 万的「可能续写树」里，即使每个 token 的错误率极小，随着序列变长，整个序列「保持正确」的概率会指数级衰减。这就是为什么 LLM 在长程任务上会「跑偏」、会「幻觉」——不是数据不够，而是机制本身决定了错误会累积。LeCun 的判断是，这种发散无法靠「喂更多数据」来修复，只会被延缓。
第二，感官数据与文本数据之间存在数量级鸿沟。这是 LeCun 反复使用的一个类比：公开文本大约有 100 万亿 token（约 10^14 字节），一个人类要读完这些文本需要 40 万年。但一个四岁儿童，仅仅通过「睁眼看世界」，他的视觉皮层接收到的数据量（按字节算）就已经达到了同等量级。换句话说，一个小孩在 16000 小时的清醒时间里，通过视神经摄入的信息量，就超过了人类迄今为止产生的全部文本。而这套视觉、触觉数据带来的是文本根本无法传达的东西：关于重力、惯性、物体永久性的「直觉物理」（intuitive physics）。LeCun 的经典比喻是：一只猫只有 8 亿个神经元（人脑的百分之一），却能掌握这些物理原理——而这些对当前的计算机系统来说仍然是巨大挑战。语言，是理解物理世界时带宽最低的媒介之一。
第三，LLM 在物理世界任务上存在结构性局限。LeCun 指出的那个「性能鸿沟」——能通过律师考试、却做不了简单家务——并非偶然。因为通过律师考试需要的是对语言符号的操作，而做家务需要的是对物理世界的因果理解。一个 LLM 可以流畅地说出「如果我把玻璃杯掉在地上会碎」，但它「知道」的只是「玻璃杯」「掉」「碎」这些词之间的统计关联，而不是玻璃杯和地面的物理关系。LeCun 的说法是：它知道「桌子」这个词后面常常跟着「在上面」，却不知道如果猫跳上桌子，桌子会支撑住它。
这套论证直接导向 JEPA 的必然性：与其浪费算力去预测每一帧视频里的每一个像素（绝大多数细节本来就不可预测、也不重要），不如让系统在抽象的表示空间里做预测，从而学到「这个世界是怎么运作的」。
JEPA 是什么：从「生成」到「理解」的范式转换
JEPA（Joint Embedding Predictive Architecture）是 LeCun 提出的架构方向，可以理解为对当下「生成式 AI」（GenAI）主流的正面挑战。
在传统的生成式模型里（包括自回归 LLM 和扩散模型），系统被训练去重建或预测原始信号本身——下一个 token、下一帧的每一个像素。LeCun 认为这既浪费又不可行：一棵树上的叶子具体怎么晃动，既无法预测，也不值得预测。JEPA 的做法是两步：先把输入（当前的视频/传感器观测）编码进一个抽象的表示空间，再把目标（未来的观测）也编码进同样的空间，然后让系统在这个「表示空间」里做预测。通过忽略「噪声」、聚焦「底层结构」，模型学到的是场景的本质，而不是表面纹理。
这样做带来两个关键优势。一是计算效率：不用为不重要的像素细节浪费算力，自监督学习也省去了「重建」这一步的开销。二是更接近生物学习的方式：人类婴儿大约用 9 个月就能掌握重力和惯性，靠的不是逐像素预测视频，而是从观察数据中预测「行为的后果」——这正是 JEPA 想复现的学习路径。
AMI Labs 当前公开的成果里，VJEPA 2.1 已经展示出一些能力：能理解视频中的物理规律，能检测出画面中「不可能发生的事件」，并且在极少的微调下就表现出某种形式的「常识」。但这些目前更多停留在「理论论文」层面——截至 2026 年年中，AMI 发布的是 JEPA 的理论论文，还没有公开权重或 demo。LeCun 在 7 月对 BBC 表示，模型会在年底前继续打磨，工业应用则希望在 2027 年落地。
行业内的讨论与不同声音
LeCun 的判断在行业里激起的不是沉默，而是一场公开的分歧。最直接的反驳来自 OpenAI、Anthropic、Google DeepMind 的掌舵人——他们全部公开否定了 LeCun 的论点。这意味着行业正在运行一场「数十亿美元级别的自然实验」：到底哪条架构路线能赢，要靠真金白银和时间来投票。
对 LeCun 的批评，大致集中在几个方面。
一是「证据不足」。有观察者指出，AMI 目前只发表了理论论文，没有可验证的权重或 demo，因此「世界模型替代 LLM」更像是一个尚未兑现的承诺。批评者认为，Transformer 的「算力堆叠」至少已经在 MMLU 这类基准上被反复验证过——加 GPU 就能看到分数上涨——而 JEPA 的优化景观要敏感得多，规模化远不像 Transformer 那么「直来直去」。
二是「chain-of-thought 是否已经解决了推理」。针对 LLM 缺乏规划能力的批评，有人反驳说思维链（CoT）已经是一个有效手段。但 LeCun 的态度很明确：CoT 只是一个「hack」——它逼迫一个计算量固定的模型在某道题上多花几个 token，并不代表真正的内部优化或规划。
三是「世界模型是否只是又一个专门工具」。有分析把这场争论类比为 1980 年代 RISC 与 CISC 的架构之争：LeCun 在推广一种更高效、更「RISC 化」的认知模型，对抗的是当下「CISC 化」的 LLM 及其规模优势。但历史也提醒我们，胜利并不总是属于更「优雅」的一方。
不过，LeCun 的主张也获得了一个现实层面的背书：世界模型成了 2026 年上半年最热门的融资赛道，投向该领域的资金超过了 30 亿美元——AMI Labs、World Labs 之外还有一大批新玩家。与此同时，LeCun 还在推广一个名为「Project Tapestry」的去中心化开源倡议：让各个国家、大学、机构在本地用自己的数据训练，只聚合参数、不上传原始数据，从而构建本地化的基础模型，避免被少数美国或中国的专有引擎垄断全球信息。
横向扩展：世界模型、具身智能与「预测世界」这条主线
LeCun 的世界模型主张，其实可以放进一个更大的知识框架里理解。
在认知科学里，「世界模型」（world model）是一个有据可考的概念——大脑会维护一个对外部环境的内部模拟，用来预测行为的后果并做规划。LeCun 的 JEPA，本质上是把「预测」从 token 空间搬到表示空间，让「预测」这件事真正对应到「物理世界的因果」上。这与强化学习里的「模型基方法」（model-based RL）一脉相承：Sutton 那篇著名的《苦涩教训》（The Bitter Lesson）强调算力与学习、而非手工知识——但学习「世界如何运转」而非「下一个词是什么」，恰恰是两者可以对话的地方。
「预测世界」这条主线，也把 LLM 之外的几个前沿方向串了起来：具身智能（机器人需要理解物理后果才能可靠地规划动作）、视频理解（从连续视觉信号中学习物理规律）、以及自动驾驶（L5 需要的不只是识别物体，而是预测场景如何演化）。LeCun 的逻辑是，这些被 LLM 卡住的方向，恰恰需要一个「理解物理世界」的模型才能解锁。这也是为什么他反复强调：欧洲在「世界模型」这条赛道上反而有优势——因为硅谷的巨头们正把资源都押在「缩放 LLM」这条战壕里。
值得一提的是，LeCun 对「AI 自主」的关切，让这场技术争论带上了地缘色彩。他主张的 Project Tapestry，目标是让 AI 不那么依赖少数几家美国或中国的专有引擎，避免「全球信息食谱」被几个引擎垄断，从而保住语言和文化的多样性。AMI Labs 也刻意把自己定位成一个「中立、全球化」的实体：总部在巴黎，在纽约、蒙特利尔、新加坡设办公室，明确在美国西海岸和中国「零存在」，投资人也刻意做到 40% 欧洲、33% 美国、27% 亚洲的平衡分布。
总结与启示
LeCun 的这场十亿美元豪赌，本质上回答的是一个被行业刻意回避的问题：当所有人都在「缩放」上卷得精疲力尽时，这条路的尽头到底是什么？
他的判断未必正确——事实上，OpenAI、Anthropic、DeepMind 的掌门人全都投了反对票，而反对者手里也有「CoT 有效」「缩放仍有回报」这些实打实的证据。但 LeCun 的价值不在于「说对了」，而在于他提供了一个足够有分量的「反方基准」：他逼着整个行业去回答，当前的自回归范式到底是通往 AGI 的高速路，还是又一个会撞墙的局部最优。
对从业者而言，这件事有几点值得记下。其一，不要被「大就是好」的叙事锁死，架构层面的质疑同样值得认真对待——哪怕是错的，它也会逼你把「为什么选这条路」想清楚。其二，「预测」的形式决定了「智能」的形态：预测 token 得到的是语言能力，预测世界状态得到的是物理理解，两者可能不是谁替代谁，而是各司其职。其三，融资数字本身也是一种信号——当世界模型赛道上半年涌入 30 亿美元时，无论 LeCun 最终对错，这个方向都已经从「学术主张」变成了「资本下注」的战场。
最后，这场豪赌最值得玩味的一点或许是：一位已经功成名就的图灵奖得主，本可以安享「深度学习之父」的名声，却选择在 65 岁之后重新下场，押上自己的信誉去挑战一个千亿美元级别的产业共识。这本身，就是技术圈最稀缺的东西——一个愿意在共识最喧嚣的时候说「我们可能都走错了」的人。
参考来源
- AMI Labs 融资报道：AI2.work《Yann LeCun’s World Models Bet: Inside the $1B Case Against LLMs》
- RAISE Summit 2026 炉边谈话：Newsfilter《Fireside Chat with Yann LeCun, Executive Chairman of AMI Labs》
- TeraBox Blog《Yann LeCun: The Path to Human-Level AI Beyond LLMs》
- Convergence Era News《LeCun’s World-Model Push Signals AI Paradigm Shift》
- Singularity Moments《LeCun is betting the farm on JEPA and it might actually save us》
