核心内容摘要
三生有幸，姐妹情深——妈妈与姨妈们为我庆生的温馨记忆
文章来源大数据文摘仅作分享。
在巴黎举行的AI行动峰会上Meta首席AI科学家Yann LeCun提出一个问题“什么才是智能的基本构成”在与IBM AI负责人Anthony Annunziata的对话中他提出四项标准理解物理世界、拥有持续的记忆、具备推理能力以及可以进行分层规划。
这四项能力在LeCun看来是任何一种具备智能的生命体所共有的基础能力。
相比之下当前主流人工智能系统尤其是以语言模型为代表的架构在这些方面仍显不足。
这不是他第一次表达类似看法。
作为深度学习早期的关键推动者LeCun一直在强调当前模型能力的局限性。
他一直认为现有AI模型在“智能”的核心能力上存在结构性缺陷。
“补丁式增强”与架构争议LeCun指出目前业界在提升AI功能时往往采用“组合式”的增强路径。
例如为了让语言模型理解视觉信息就外接一个视觉系统为了让模型“记住”过往内容就增加检索增强生成RAG模块推理能力不足则通过扩大模型参数来弥补。
在他看来这些做法更像是“功能层的修补”而非能力本身的根本突破。
“理解世界不是把一个视觉模型绑在语言模型上那么简单”LeCun说。
他用“hack补丁”一词来形容这种工程式集成方式。
Meta近年来持续投入的“世界模型”world-based models思路正是对这种路径的回应。
这一类模型的目标不在于生成内容而是试图建立一种内部的世界表示通过预测行为与结果之间的关系来实现认知。
LeCun对此有一个具体的定义框架“你有对世界某一状态的理解你想象一个可能的动作然后模型预测在该动作之后世界会发生什么。
”这类似于一种面向动态系统的因果建模方式。
图注V-JEPA论文重访特征预测从视频中学习视觉表征的方法Meta在2024年发布的V-JEPA模型是上述思路的初步实现。
该模型并非直接生成图像或视频内容而是试图在抽象层面预测视频中被遮挡或缺失的信息。
这种方式类似“填空”但预测发生在更高层级的表示空间而非具体像素。
LeCun解释说“我们不预测像素而是在抽象表示中进行预测。
理想情况下这种表示会自动过滤掉那些不可预测或无关的细节。
”这一构想与科学研究中“抽象层级”建立的过程相似。
正如物理学中通过粒子、原子、分子、材料的层层抽象来理解世界LeCun认为AI系统也需要通过构建中间表征来实现有效的认知与推理。
这种方式的优点之一在于它减少了对海量数据的依赖并提升了系统对不可预测变化的适应能力。
不过V-JEPA目前仍处于早期阶段其抽象层级的表达力、泛化能力和可交互性仍需进一步验证。
对主流路径的间接回应当前几乎所有主流AI企业都在围绕大模型展开产品构建与能力扩展。
OpenAI、Anthropic、Google DeepMind的研究路线大多围绕大语言模型展开通过RAG、多模态融合或系统集成来增强模型在记忆、推理等方面的表现。
在这个语境下LeCun所倡导的“世界模型”策略可以视为对主流趋势的补充乃至修正。
他所强调的“具备结构性推理与预测能力的AI”并不完全依赖大规模的语言语料与模式识别能力而更注重内在模型结构与表达形式的可解释性和可推理性。
尽管Meta已在该方向上进行尝试但从V-JEPA本身的功能定义来看它仍属于“前期架构验证”阶段。
模型尚未广泛部署相关评估标准和实际应用场景也仍在摸索之中。
目前对世界模型的定义在学界和产业界尚无共识。
有观点认为这类模型最终需结合具身智能模拟实体与环境的持续交互也有研究强调它可以通过抽象表示与模拟环境实现更高效的训练过程。
LeCun本人则强调真正的挑战在于如何构建一个“足够抽象、又足够有预测力”的中间世界。
换言之不是追求还原世界的所有细节而是捕捉那些在行动决策中最关键的信息层。
注头图来源于Meta Platforms文章仅作分享如有侵权请联系后台删除。