最近AI圈都在讨论同一件事：图灵奖得主LeCun离开Meta了。

如果你只看到这个新闻本身，可能会觉得这不过是又一次高管变动。
然而当我把他离职后说的那些话串起来看，突然意识到这背后藏着一个更大的问题。

这个问题关乎整个AI行业的走向，也关乎我们每个人对技术未来的判断。

先说导火索。
去年4月，Meta发布了Llama 4，这本该是一次展示技术实力的时刻，结果翻车了。

外界开始质疑Meta在基准测试上动了手脚，也就是为了让成绩好看，团队在不同的测试项目上用了不同版本的模型。
哪个版本在某个测试上跑分高，就用哪个版本去报那项成绩。

这种做法在学术圈有个不太好听的名字，叫「cherry-picking」，翻译过来就是挑樱桃，专挑好看的摘。

之前这只是外界的猜测，现在LeCun站出来了，直接说团队对基准测试结果进行了「捏造」。
这是第一次有内部核心人物亲口承认这件事。

基准测试是整个AI行业的「通用语言」，研究者用它来比较不同模型的能力，投资人用它来判断一家公司的技术水平，开发者用它来决定选用哪个模型。
当这个「通用语言」被污染了，所有基于它做出的判断都会出问题。

接下来发生的事情，就更有意思了。
扎克伯格开始重组团队，他从Scale AI挖来了创始人Alexandr Wang，让他来领导新成立的「超级智能实验室」。

Alexandr Wang今年28岁，而LeCun，65岁，图灵奖得主，Meta首席科学家。
突然之间，一个比自己小37岁的人成了自己的上司。

当被问到怎么看这件事时，LeCun的回答说他习惯和年轻人共事。
当年刚加入Facebook的时候，公司工程师平均年龄27岁，他的年龄是他们的两倍。

但紧接着，他又补了一句：你不能告诉研究人员该怎么做，更不能告诉像我这样的研究人员该怎么做。
这句话听起来是在说自己，实际上，他是在说一个更普遍的问题：外行能不能指导内行？

LeCun对Alexandr Wang的评价是这样的：他学得很快，知道自己不知道什么。但他没有科研经验，不知道如何进行科研，也不知道科研人员会喜欢什么或不喜欢什么。

管理科研人员和管理工程师、产品经理是完全不同的事情。
科研的本质是探索未知，而探索未知这件事，很难用KPI来衡量，也很难用deadline来催促。

LeCun预言，Meta AI接下来会有更多员工离职。
这个预言正在应验。

如果只是管理风格的冲突，或者刷榜丑闻的余波，事情可能还没那么严重。
真正让LeCun无法忍受的，是他认为Meta正在集体沉迷于一条错误的方向。

他的原话是这样的：那批公司为了冲刺超级智能而招来的人，完全被大语言模型洗脑了。
这话说得相当重。

要理解这个分歧，我们得先搞清楚一件事：大语言模型（LLM）的本质是什么？

假设你从来没见过猫，但你读了一万本关于猫的书。
你能描述猫的毛色、叫声、习性，甚至能写出一篇关于猫的论文。

但有一天，一只真猫跳到你面前，你可能根本不认识它。

这就是LLM的局限，它是通过语言来理解世界的。
它知道「猫会跳」这个说法，但它不真正理解「跳」是什么意思，它没有在脑子里模拟过一个物体从A点移动到B点的过程。

LeCun的观点是：语言本身就是束缚。要实现人类水平的智能，必须理解物理世界的运作方式。
换句话说，光会「说」是不够的，还得会「想象」。

这就是他提出「世界模型」概念的原因。

什么是世界模型？
想象一下你在走路，前面有个水坑，你会绕过去，因为你的大脑在你真正踩进去之前，就已经「模拟」了踩进去会发生什么：鞋子会湿，袜子会不舒服，可能还会滑倒。

这个模拟过程，就是世界模型在起作用。
你不需要真的踩进去才知道结果，你的大脑建立了一个关于物理世界的「内部模拟器」，可以预测行动的后果。

但现在的LLM没有这个能力。
它可以告诉你水坑是什么，踩进水坑会有什么后果，但它并没有真正「想象」过这个过程。
它的所有知识都来自语言描述，而不是对世界的直接建模。

LeCun想做的V-JEPA世界模型，就是要给AI装一个「脑内物理沙盒」。

具体怎么做呢？
第一步，用超过100万小时的互联网视频做大规模自监督预训练。
让模型通过观看视频，学会理解物体是什么、它们怎么动、动的规律是什么。

第二步，用少量机器人交互轨迹，让模型学会「如果我这么做，世界会怎么变」。
这就从单纯的「看懂」，进化到了「能规划」。

传统的生成式训练常常逼模型还原每个像素，但JEPA的思路更务实：不抠像素细节，预测「抽象状态」。

打个比方，你看一段视频，一个球从桌子边缘滚落。
普通的视频生成模型会试图预测球落下时每一帧的画面是什么样子。

但世界模型不这么做，它只需要理解：球在桌子边缘，重力会让它往下掉，它会落到地上然后弹几下。

它预测的是「会发生什么」，而不是「看起来像什么」。
这是一个根本性的区别。

你可能会想，这不就是学术圈的路线之争吗？跟我有什么关系？
关系大了。
如果LeCun是对的，那现在所有押注在LLM上的公司，都在往一条死胡同里冲。

当然，这并不是说现有的大语言模型没用。
ChatGPT确实改变了很多人的工作方式，但问题在于，沿着这条路继续走下去，能不能达到真正的超级智能？
LeCun的答案是否定的。

他认为，LLM虽然有用，但从根源上受限。
它能帮你写文章、改代码、回答问题，但它永远不会真正「理解」世界。

这个观点有没有道理？我觉得可以从另一个角度来思考这个问题。

人类婴儿在学会说话之前，就已经对物理世界有了基本的理解。
几个月大的婴儿就知道，一个物体被遮挡住并不代表它消失了。
这种能力不是通过语言学来的，而是通过观察和与世界的互动。

换句话说，人类智能的底层是对世界的物理建模，语言只是在这个基础上建立起来的。
如果这个顺序是对的，那么只通过语言来训练AI，确实可能是本末倒置。