AI 摘要
快速了解本文
01
杨立昆指出大语言模型无法实现AI真正突破
02
下一代AI需构建理解物理世界的“世界模型”
03
当前AI在物理常识和因果推理上存在根本局限
本摘要由 AI 辅助整理，请以正文内容为准。
01核心观点：LLM并非最终答案
2026年10月，图灵奖得主、卷积神经网络（CNN）重要发明者之一杨立昆（Yann LeCun）在首尔表示，人工智能的下一次重大突破不会来自大语言模型（LLM），而是源于能够理解和预测物理世界的“世界模型”。这位现任AMI Labs创始人兼董事长指出，当前AI在物理常识和因果推理上面临根本局限，必须跨越从“语言统计预测”到“物理世界理解”的鸿沟。
02现实短板：从语言到物理的鸿沟
杨立昆以自动驾驶和机器人为例，直观揭示了当前AI在现实世界中的能力短板。目前，业界尚未开发出无需大量训练就能完成任务的机器人或L5级自动驾驶汽车，而人类青少年只需练习几小时即可学会驾驶，这说明机器理解现实世界远比读懂语言困难。从技术原理来看，大语言模型主要通过海量数据预测下一个词语来生成文本，这种机制在编程、数学等具备高度可预测性的序列任务中表现优异。然而，现实世界的大多数信息缺乏这种线性可预测性，导致大语言模型在理解物理世界时遭遇瓶颈。
03未来路径：构建“世界模型”
为突破这一局限，杨立昆主张开发“世界模型”。与依赖文本统计概率的LLM不同，“世界模型”旨在使AI学习支配现实世界的物理规律和因果关系。通过掌握这些底层逻辑，AI能够准确预测自身行动的结果，并与周围环境进行有效交互，从而推动AI向具备物理常识和泛化能力的方向演进。