鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

不跟你们卷LLM了!AI教父杨立昆要单飞创业

编程导航
编程导航
2025-11-17 12:30
阅读 268
编程导航
2025-11-17 12:30
阅读 268

“我认为并不是所有人都错了。事实上,越来越多的人开始认同我对人工智能未来的看法。”

当“AI教父”、图灵奖得主杨立昆(Yann LeCun)说出这句意味深长的话时,一场与硅谷主流路线的“决裂”已然公开化。

据可靠消息,这位Meta首席AI科学家被曝正计划离职创业。这不仅仅是一次普通的“跳槽”,而是一场酝酿已久的“理念之战”:他要挑战的,是整个硅谷当前都为之“痴狂”的大语言模型(LLM)。

在杨立昆看来,当前主流的LLM路线是一条“死胡同”。他要亲手打造的,是能像人类婴儿一样感知物理世界的“世界模型”。杨立昆此举,被视为对AI发展航向的一次“重磅纠偏”,也预示着AI领域可能迎来一场颠覆性的技术大洗牌。

第一部分:“世界模型”——AI的“下一个大事件”

杨立昆此次创业的核心,是他长期倡导的“世界模型”。

传统的LLM像个“文字控”,靠“啃”海量文本数据长大,成了“纸上谈兵”的“语言大师”。但杨立昆的“世界模型”,目标是让AI通过观看图像、视频和感知空间数据,亲身体验和理解物理世界。

他梦想中的“世界模型”,不仅能对“世界当前状态”进行“实时估计”,还能“预测执行一系列动作后世界将产生的最终状态”。这旨在让AI拥有规划、推理和理解“因果关系”的能力,而不仅仅是基于模式识别进行预测。

“我家那只猫都比现在的LLM聪明!”

这句经典调侃,直指当今LLM对物理世界理解的“硬伤”。杨立昆曾抛出一个思维实验:让LLM想象一个立方体旋转90度后的样子,他断言LLM根本做不到,因为它缺少对物理世界的“心智模型”和“空间推理”能力。

此外,他承诺,这种新系统还将拥有更强大的“安全特性”,因为控制AI的方式将被“内置”于其对世界的因果理解中,而不是像现在这样依赖外部的“补丁”。

第二部分:为何“分道扬镳”?——路线之争与权力更迭

杨立昆的这次“出走”,背后是他长期以来对LLM路线“深思熟虑”的“叛逆”,以及Meta内部一系列令人不安的变动。

理念决裂:“教父”眼中,LLM是条“死路”

最根本的原因,在于他与Meta当前AI战略的深刻分歧。

杨立昆的观点非常明确:LLM就像个“语言大师”,但在面对真实物理世界时,却是个“小白”。 它们只会“预测下一个词”,却不知道“如何举起一个杯子”。在他看来,这是AI走向真正智能的“最大障碍”。

“扩展LLM无法达到人类水平的AI!”

这是杨立昆多次在公开场合的“硬核表态”。他认为,无限堆砌算力和数据,只会让LLM变得更像一个“记忆力超群的复读机”,而无法产生真正的“推理能力”和“世界观”。

在他看来,LLM甚至连家猫的智能都无法比拟。

这句经典调侃,精准地道出了LLM在“常识”和“因果”方面的短板。杨立昆认为,动物通过观察和行动,能迅速建立对物理世界的“因果模型”,而LLM离这种能力还“差了十万八千里”。

在上个月麻省理工学院的一次研讨会上,这位65岁的科学家更是放出“狠话”:“我一直在硅谷……包括在Meta内部,树敌不少。因为我曾说,在三到五年内,世界模型将成为AI架构的主导模型,任何神志清醒的人都不会使用我们今天拥有的这类LLM。”

当他的“世界模型”愿景,与公司全力押注的“大模型”航向出现根本“鸿沟”时,选择“另起炉灶”,去追逐心中的“真理”,也就成了必然。

权力更迭:“老帅”被“小将”管,这谁受得了?

除了理念不合,Meta内部的“权力斗争”和人事变动,或许是压垮骆驼的最后一根稻草。

· “边缘化”早已开始 随着Meta的战略重心全面转向LLM,杨立昆这位“老将”在公司内部显得有些“格格不入”。他于2018年便卸任管理职务,转而担任一名进行长期研究的“个体贡献者”——这个职位听起来更像“荣誉顾问”。更“扎心”的是,他并未参与创建Meta首个开源大语言模型Llama的团队,此后也未曾参与其开发的日常运营。

· “小将”逆袭“老帅” 今年夏天,年仅28岁的Scale AI创始人汪滔(Alexandr Wang)被任命为Meta的新任首席AI官,直接成了杨立昆的“顶头上司”! 紧接着,公司又引入了另一位更年轻的首席科学家赵晟佳,其职位也在杨立昆之上。

虽然CEO马克·扎克伯格七月份曾发文安抚,称“杨立昆的角色没有变化”,但“冰山之下”的暗流涌动,岂是几句话就能掩盖的?

· “AI部门裁员”雪上加霜 有现任和前任员工透露,近几个月来,杨立昆所在的AI部门还面临裁员和资源减少,在内部声望也有所下降。 这种“屋漏偏逢连夜雨”的局面,无疑加速了杨立昆“出走”的决心。

第三部分:一个“孤独先知”的传奇

杨立昆的职业生涯,本身就是一部AI领域的“特立独行史”。

当机器学习还无人问津时,他便以此为博士课题。他曾在“AI教父”杰弗里·辛顿的实验室工作,后在贝尔实验室协助开发了银行广泛使用的手写识别技术。

他拥有电气工程的本科学位,通过大量阅读物理学等跨界知识来丰富自己。2013年,扎克伯格亲自招募他领导Meta的基础AI研究实验室(FAIR)。 2018年,他与辛顿和约书亚·本吉奥共同获得了计算机科学的最高奖项——图灵奖。

第四部分:并非“孤军奋战”,“世界模型”或成新风口

值得注意的是,杨立昆的探索并非“孤军奋战”。

AI领域的另一位顶尖学者、ImageNet的创造者李飞飞,也对“世界模型”寄予厚望。她的新公司World Labs最近发布的模型Marble,就是一个能够理解并生成3D环境的“世界模型”。

李飞飞也曾表示,未来可能需要“超越Transformer架构”去探索新的模型,这与杨立昆的理念不谋而合。

两位AI“天花板”级别的大佬,不约而同地将目光投向了超越LLM的“世界模型”,这或许预示着,在LLM的“狂欢”之后,AI行业将迎来一场更深层次的“范式革命”。(小小)

原文链接: 不跟你们卷LLM了!AI教父杨立昆要单飞创业
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题