LeCun 抨擊 Hinton 對 LLM 發展的立場

增強重點摘要

•Yann LeCun認為大型語言模型（LLM）缺乏「世界模型」、持久記憶、真正的推理和規劃能力，因此不足以實現通用人工智慧（AGI）。他強調LLM屬於「系統1」（反應式）思維，而實現AGI需要「系統2」（審慎式）思維，這必須建立在對物理世界的內部模型之上。
•Geoffrey Hinton則反駁稱，LLM確實以與人類相似的方式理解語言，透過將詞語轉換為特徵向量並處理複雜的交互作用。他將AI視為一種「異形智慧」，其學習方式不同於人類，能夠在多個模型副本之間即時傳輸知識，這是人類無法做到的。
•LeCun提出了一種替代架構：聯合嵌入預測架構（JEPA），旨在從感官數據（如影片）中學習現實世界的抽象表徵，而非僅僅預測下一個詞元或像素。這種方法旨在建立內部「世界模型」，以實現常識、推理和規劃，這對於機器人技術和實體AI至關重要。
•兩位科學家在哲學層面存在根本分歧：LeCun認為智慧源於對世界建模並預測其未來狀態，而Hinton則認為智慧是透過最小化預測誤差來學習內部表徵而產生的。
•Hinton對AI的潛在風險發出警告，包括超級智能可能控制人類並導致大規模失業，他估計人類在三十年內滅絕的可能性為10-20%。LeCun則駁斥這些擔憂為「完全是胡說八道」，並認為AI科學家在勞動市場影響方面不應被聽信。

技術深入

Yann LeCun對LLM的技術批評：
- 缺乏世界模型： LLM主要基於文本訓練，無法建立對物理世界的內部模型，因此缺乏對物理世界的理解、持久記憶、真正的推理和規劃能力。它們無法預測自身行為的後果。
- 樣本效率低下： LLM需要大量的訓練數據才能學習，而人類和動物能從極少的樣本中學習。
- 僅限於文本數據： LLM主要在文本上訓練，而文本數據所包含的原始信息量遠不如感官輸入（如影片）。
- 預測下一個詞元： LLM的本質是預測序列中的下一個詞元，這導致它們在指數級的選項空間中，正確的機會微乎其微，且無法進行深層次推理或規劃。
- 缺乏「系統2」思維： LeCun將LLM描述為「系統1」反應式思維，缺乏人類的「系統2」慢速、審慎的推理能力。
Yann LeCun提出的替代方案：聯合嵌入預測架構 (JEPA)：
- JEPA旨在從感官數據（如影片、感測器數據）中學習現實世界的抽象表徵，而非預測像素級別的細節或下一個詞元。
- 它通過觀察和交互來學習物理世界的底層規則，建立因果關係的內部模型。
- JEPA能夠在抽象層次上進行預測，例如「物體向左移動」或「物體將會掉落」，從而實現組合式泛化，並支持規劃和推理。
- LeCun認為JEPA對於機器人技術、工業應用以及任何需要在語言之外的物理世界中運行的系統至關重要。
Geoffrey Hinton對LLM的技術觀點：
- 理解語言： Hinton認為LLM確實理解句子，其工作方式（將詞語轉換為特徵向量，計算特徵之間的複雜交互，並預測下一個詞）與人腦理解語言的方式相似。他駁斥了LLM只是「自動完成」的觀點。
- 「異形智慧」： Hinton將AI視為一種「異形智慧」，它以不同於人類的方式學習，例如能夠即時共享知識，這使得它們比任何單一人類知道的事實多出數千倍。
- 反向傳播的優越性： Hinton認為反向傳播可能是一種優越的學習算法。
Geoffrey Hinton的膠囊網路 (Capsule Networks)：
- Hinton在2017年提出了膠囊網路（CapsNet），作為卷積神經網路（CNN）的替代方案，旨在更好地建模層次關係和解決CNN在處理視角變化時的問題（例如「畢卡索問題」）。
- 膠囊網路使用「膠囊」而非單一人工神經元，每個膠囊輸出一個向量，包含觀察的概率和姿態信息，這有助於保留位置和姿態信息，並對旋轉、平移等變換具有魯棒性。
- 膠囊網路通過「路由協議」（routing by agreement）機制，將低層膠囊的信息傳遞給最適合處理它的高層膠囊，形成層次結構。

前景展望基於引用來源的 AI 分析

AI研究將從純粹的語言模型轉向結合物理世界理解和世界模型的混合架構。

LeCun及其支持者強調LLM在物理世界理解和規劃方面的根本性缺陷，推動JEPA等基於感官數據的世界模型研究，以實現更接近人類的通用智能。

關於AI潛在風險的辯論將持續升級，並可能影響AI監管政策的制定。

Hinton對AI的生存風險發出警告，而LeCun則認為這些擔憂被誇大，這種分歧凸顯了AI倫理和治理領域的持續緊張。

時間線

1985-XX

Geoffrey Hinton創建了一個「小型語言模型」，為現代LLM奠定基礎。

1986-XX

Geoffrey Hinton引入了反向傳播算法，廣泛用於訓練神經網路。

2017-XX

Geoffrey Hinton及其團隊發表了關於膠囊網路（CapsNet）的論文，提出了一種新的神經網路模型。

2019-XX

Yann LeCun、Geoffrey Hinton和Yoshua Bengio因其在深度學習領域的貢獻共同獲得圖靈獎。

2022-XX

Yann LeCun首次提出了聯合嵌入預測架構（JEPA）框架。

2024-XX

Geoffrey Hinton因其在玻爾茲曼機方面的工作獲得諾貝爾物理學獎。

2025-11

Yann LeCun離開Meta，創立AMI Labs，專注於世界模型研究。

1985-XX
Geoffrey Hinton創建了一個「小型語言模型」，為現代LLM奠定基礎。
1986-XX
Geoffrey Hinton引入了反向傳播算法，廣泛用於訓練神經網路。
2017-XX
Geoffrey Hinton及其團隊發表了關於膠囊網路（CapsNet）的論文，提出了一種新的神經網路模型。
2019-XX
Yann LeCun、Geoffrey Hinton和Yoshua Bengio因其在深度學習領域的貢獻共同獲得圖靈獎。
2022-XX
Yann LeCun首次提出了聯合嵌入預測架構（JEPA）框架。
2024-XX
Geoffrey Hinton因其在玻爾茲曼機方面的工作獲得諾貝爾物理學獎。
2025-11
Yann LeCun離開Meta，創立AMI Labs，專注於世界模型研究。

LeCun 抨擊 Hinton 對 LLM 發展的立場

30 秒速覽

關鍵要點

深度解析

增強重點摘要

技術深入

前景展望基於引用來源的 AI 分析

時間線

來源 (33)

30 秒速覽

關鍵要點

深度解析

增強重點摘要

技術深入

前景展望基於引用來源的 AI 分析

時間線

來源 (33)

相關動態