7.8
深览指数
科技虎嗅·字母AI··AI 生成
反对Agent，反对RSI，杨立昆新模型反对当下一切AI叙事
杨立昆（Yann LeCun）团队提出的新世界模型H-JEPA，从根本架构上挑战了当前AI领域两大主流叙事：Agent和递归自我改进（RSI）。文章清晰解释了H-JEPA的分层预测原理——高层定方向、底层管细节，这与当前追求长上下文、多步拆解的Agent路径完全相反；同时，H-JEPA不依赖奖励信号，直接指出RSI在缺乏可验证判断标准的物理世界中的局限。文章适合对AI前沿技术路线辩论感兴趣的、有一定技术背景的读者，可快速理解杨立昆为何坚持“世界模型先于一切”。原文 ↗
核心观点
- ▍杨立昆认为当前AI领域的Agent和递归自我改进（RSI）两条路线存在根本缺陷，正确的方向是构建能预先在抽象空间推演后果的世界模型，即H-JEPA。
- ▍H-JEPA的核心优势在于分层推理：高层在粗粒度上做长远规划，底层负责具体动作执行，这种“向上扩张”比Agent的“向外扩张”（增加步数与token）更高效。
- 01在Visual AntMaze迷宫任务中，单层LeWM成功率仅18%，而三层H-JEPA成功率提升至73%。
- 02在短轨迹的Push-T任务中，两层H-JEPA表现较好，但加到三层、四层后成绩反而下降，说明层数并非越多越好，受限于可迁移训练数据量（三层约58%，四层约14%）。
- 03杨立昆在2025年1月达沃斯论坛上指出，LLM能通过律师考试和写代码，但无法处理现实世界复杂问题，因为没有家用机器人或L5自动驾驶，且系统缺乏预判行动后果的能力。
- 04论文强调H-JEPA训练“不用奖励，也不用重建”，全程在表征空间学习预测下一个状态，这与依赖奖励信号的Agent/RL方法相对立。
反方 / 局限
- — H-JEPA的分层结构并非万灵药；在短轨迹任务中，层数增多反而导致性能下降，论文推测是因为高层可用的训练数据剧减（三层仅58%，四层14%），暗示分层策略对任务特性敏感。
- — 文章指出，H-JEPA的逆动力学约束（人为设计，要求模型根据前后状态推断中间动作）是恢复规划能力的关键，没有它模型性能归零——这一定程度上削弱了“无需奖励”的纯粹性，因为该约束本身也是一种外部信号。
杨立昆 (Yann LeCun)H-JEPA (Hierarchical Joint-Embedding Predictive Architecture)JEPAAgent (AI Agent)递归超级智能 (Recursive Superintelligence)田渊栋Meta FAIROpenAIAnthropicVisual AntMazeDROID实验慢特征坍缩从纽约去巴黎
9 分钟 · 5 卡片 · 10 资料
读原文 →