Meta AI专家：2025年多数AI技术难达真实

前言

在人工智能（AI）领域，深度学习的浪潮已席卷全球，从大型语言模型（LLM）如GPT-3的突破性进展，到自动驾驶技术的飞速迭代，无数研究者相信AI正朝着通用智能的方向迈进。2025年，图灵奖得主、Facebook母公司首席科学家雅恩·勒昆（Yann LeCun）却投下了冷眼。他认为，当前绝大多数AI方法仍停留在“模拟智能”的层面，真正的智能仍遥不可及。勒昆的质疑并非空穴来风，而是基于对深度学习、强化学习乃至整个AI研究范式的深刻反思。他呼吁学术界和产业界重新审视AI的基本假设，甚至主张放弃某些已被证明低效的框架，转而探索更接近人类认知的路径。这一观点不仅挑战了主流AI的乐观预期，更引发了对“智能”本质的重新思考。

深度学习的局限：符号化与直观推理的脱节

近年来，基于Transformer架构的大型语言模型（LLM）成为AI领域的明星选手。支持者们坚信，通过海量数据的标记化和巨型模型的训练，AI能够从离散预测中脱颖而出，终实现类人智能。勒昆对此表示认可，但强调这只是“未来智能系统的一个重要组成部分”。他认为，当前模型缺乏“必要的部分”——即对现实世界的直观理解和推理能力。

“我们将所有东西标记化，并训练巨型模型进行离散预测，AI由此脱颖而出。”
——勒昆的这番话直指当前深度学习的核心矛盾：模型擅长处理符号化数据，却难以把握高维连续变量之间的复杂依赖。尽管GPT-3能生成流畅的文本，却能被简单的逻辑陷阱误导，这正是缺乏常识推理能力的体现。

勒昆认为，卷积神经网络（CNN）在图像识别领域的成功，很大程度上源于其对局部特征的捕捉能力，但这与人类通过整体感知理解世界的直觉相去甚远。相比之下，人类的学习更多依赖于观察而非试错，而当前的强化学习（RL）模型却将后者奉为圭臬。

“我们的大部分学习并不是通过采取实际行动来完成的，而是通过观察来完成的。”
——勒昆的这一观点直接挑战了DeepMind等机构的RL研究范式。AlphaZero或许能在棋盘上击败人类，但它在现实世界中的泛化能力却极其有限。自动驾驶领域同样如此，Wayve等公司试图通过“喂给神经网络大量数据”来实现L5级自动驾驶，但勒昆认为这种做法“过于乐观”。

常识与系统化理解的缺失

勒昆指出，当前AI的缺陷不仅在于缺乏推理能力，更在于对“常识”的忽视。自动驾驶系统若仅依赖深度学习，极易陷入“过拟合”陷阱——在特定场景下表现，却无法应对未知的突发状况。“你知道，我认为我们完全有可能在没有常识的情况下拥有L5级自动驾驶汽车，但你必须在设计方面做出努力。”

他的批评直指AI研究的根本问题：研究者们急于构建复杂的模型，却忽略了智能的核心要素——对世界运行规律的系统性理解。勒昆以火箭与梯子的比喻生动地说明这一矛盾：“我们必须后退一步，然后说：‘好吧，我们建造了梯子，但我们想去月球，而这个梯子不可能把我们带到那里。’”

重新定义智能：变量小化与概率框架的反思

勒昆认为，AI系统必须具备推理能力，而实现这一目标的关键在于“将某些潜在的变量小化”。通过这种方式，系统能够规划行动、预测结果，从而逼近人类式的逻辑推理。当前主流的概率框架难以处理高维连续变量之间的依赖关系，因此勒昆主张放弃这一范式。

生成模型（如VAE）因过度依赖对复杂事件的预测，反而消耗大量资源。“系统将不得不投入太多的资源去预测那些很难预测的事情，可能会消耗太多的资源。” 勒昆的解决方案是转向更简洁的框架，例如基于变量小化的推理模型，以实现更高效的智能表达。

超越深度学习：迈向系统化智能的新路径

勒昆的批判并非否定深度学习的价值，而是呼吁研究者们跳出“技术至上”的思维定式。他强调，真正的智能需要结合多种方法，包括符号推理、常识学习和动态规划。“我们的智能机器甚至还没有达到猫的智能水平。我们为什么不从这里开始呢？”

这一观点为AI领域指明了新的方向：研究者们需要重新审视智能的本质，从人类认知的底层逻辑出发，而非盲目追求模型规模。通过结合图神经网络（GNN）与知识图谱，或许能够弥补当前模型的常识缺失；而基于变量小化的推理模型，则可能为复杂决策提供更可靠的框架。

AI革命的下一站

勒昆的批评并非意在扼杀AI的进步，而是提醒人们：“智能”不是简单的数据拟合，而是对世界规律的深刻理解。在2025年，AI领域已积累了足够的技术积累，但真正的突破仍需范式创新。从放弃过时的框架，到探索更接近人类认知的路径，AI革命的下一站，或许就在勒昆所倡导的“系统化智能”之中。