人形机器人：AI领域的挑战与未来

人形机器人，真的能成为AI的下一个大突破吗？

近期，在MIT的一场讲座中，Meta首席AI科学家LeCun揭示了机器人界的一个重要真相——

这些公司尚未掌握如何让机器人变得足够『聪明』，即达到通用智能的程度。

要让家用机器人成为现实，AI领域还需要一系列突破。

机器人在工厂执行特定任务相对容易，但在家中执行复杂任务，如叠衣服、倒水和理解人的意图，仍是一个巨大的挑战。

LeCun将这一差距比作『窄智能』和『通用智能』之间的鸿沟。

突破的关键在于构建一个能够学习、理解和预测物理世界系统的『世界模型』架构。

这番话在机器人界掀起了轩然大波，LeCun直接给这场狂热泼了一盆冷水，引来了众多机器人界大佬的反驳。

特斯拉Optimus AI负责人Julian Ibarz直言，他不同意LeCun的观点。

在特斯拉内部，我们已经有了一个非常明确的思路来实现通用人形机器人。

Figure创始人Brett Adcock更是直接喊话，「谁去和LeCun说一声，让他别光说不练，亲自下场干点实事吧」！

Yann LeCun：

LLM只是记忆力好，智商还不如猫

Yann LeCun一直站在时代的前沿，但似乎每次他的观点都是正确的。

在1987年，他在现在的索邦大学（Sorbonne）获得博士学位，论文标题为《Connectionist Learning Models》。

论文的核心是建立了神经网络中反向传播算法的理论基础。

而在当时，大多数人还在研究专家系统。

他如何想到这个研究方向的？这又如何影响了他以后的职业发展？

在MIT演讲中，Yann LeCun回顾了他如何踏上人工智能研究之路。

上大学时，他偶然发现早在50-60年代，包括1981年诺奖得主David H. Hubel和Torsten N. Wiesel等人，已经开始思考『自组织』的问题。

这一方向后来催生了『机器可以学习』的早期想法。

他当时觉得这个想法特别迷人，而且初生牛犊不怕虎——

我一直认为，生物学给工程提供了很多灵感。在自然界中，所有活着的东西都有适应能力，只要有神经系统就能学习。

所以，我当时想，也许我们人类没那么聪明，构建智能系统最靠谱的方法，可能是让它自己学会变聪明。

也许正是这种『愣头青』的心态让他走上了机器学习这条路。

从LLM到世界模型：AI的下一个大突破

在演讲中，Yann LeCun再次强调了他的观点：LLM是一条死胡同，世界模型才是正道。

他指出，文本属于『低带宽』数据源，「仅靠文本训练永远无法实现人类水平智能」。真正的智能来源于高带宽的感知输入——视觉、听觉、触觉等多模态经验。

四岁儿童通过视觉接收的数据量，已相当于所有公开文本训练的最大规模LLM的数据量。

LeCun进一步指出，尽管LLM有时能提供实用的结果，但这些系统只是『回忆』训练中的信息。

产业界在行动：机器人的世界模型

Yann LeCun的冷静观点与多位行业领袖的激进时间表形成了鲜明对比。

Figure AI表现得尤为激进，其CEO Brett Adcock近期宣称明年就能实现人形机器人在陌生环境中完成各类通用工作。

我们的信心源自公司对软件与智能难题的攻关。

彩蛋：Llama与我无瓜

在演讲中还有一个大彩蛋。LeCun一直对外撇清自己和Llama的关系。

他还分享了幕后故事，「第一代Llama其实有点像『海盗』项目。」