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

没人配教我做事!杨立昆离职Meta后“火力全开”

编程导航
编程导航
2026-01-04 12:30
阅读 203
编程导航
2026-01-04 12:30
阅读 203

作者 | 辰辰

出品 | 网易科技

离职后的AI教父杨立昆(Yann LeCun),选择亲手撕碎最后的体面。

在接受《金融时报》专访时,他毫不留情地揭开了老东家的伤疤:Meta为了在军备竞赛中追赶OpenAI,不仅内部已被“LLM信徒”彻底洗脑,甚至不惜在旗舰模型Llama 4的测试数据上公然“注水”。这一丑闻直接导致了扎克伯格的震怒,以及老团队的彻底边缘化。

而对于拿着150亿美元空降的28岁新上司汪滔,杨立昆更是直言不讳:“他缺乏经验,根本不懂什么是真正的研究。”他留下了那句充满傲慢的评语:

“你不能指挥一个研究员做什么,你更不能指挥像我这样的研究员做什么。”

当全世界都在为大语言模型疯狂时,65岁的杨立昆选择带着他的“世界模型”方案(AMI Labs)愤而独行。他要证明,在这个被算力堆砌的泡沫时代,真理依然掌握在少数人手中。

这,是一场注定孤独的逆行。

1. 核心问题:道不同不相为谋

杨立昆与Meta的分歧,本质上是“信仰”的冲突。

在扎克伯格和汪滔眼中,只要堆算力、喂数据,大语言模型(LLM)终将进化出超智能。但在杨立昆看来,这完全是痴人说梦。他提出了一个令LLM拥趸们尴尬不已的对比:

“家猫理解物理世界,它有持久的记忆,能规划,懂因果。而LLM只是在语言的牢笼里玩文字接龙。”

杨立昆认为,目前硅谷主流的技术路线已经被“LLM洗脑”了:

· 语言局限性: 仅仅依靠文本无法理解物理规律。

· 黑盒预测: LLM只会基于概率预测下一个单词,缺乏推理深度。

· 缺乏常识: AI应该像婴儿一样通过观察视频、空间数据来学习,而非背诵课本。

“我不会因为某些人觉得我错了就改变想法,”杨立昆斩钉截铁,“我没错。科学家的正直不允许我对这种‘死胡同’保持沉默。”

他的替代方案是 V-JEPA(世界模型)。他认为AI必须学会模拟现实世界的因果关系:“如果你掐我一下,我会疼,下次你靠近我就会躲。这就是心理模型对物理预测产生的反馈。”

杨立昆认为,这种被称为 AMI(高级机器智能) 的逻辑,才是通往AGI的真理。

2. 压垮骆驼的最后一根稻草:Llama 4“造假”风波

让杨立昆决意离职的最终原因,并非科学家标榜的“追求自由”,而是一场极其难看的信任危机。

根据杨立昆的独家爆料,ChatGPT在Meta引发了狂热竞赛,公司领导层决定全力押注大型语言模型Llama。

然而,“我们有很多新想法和非常酷的东西,他们本应该实施。但他们只选择那些本质上安全且经过验证的东西,”杨立昆说。“当你这样做时,你就会落后。”

2025年4月发布的Llama 4实际上是一场惨败。 为了在与OpenAI和Google的军备竞赛中不落下风,Meta内部做出了一个违背科学原则的决定:在基准测试中动用“水军”。

“结果被注水了,”杨立昆在采访中坦言,“团队针对不同的基准测试使用了不同的模型版本,以此来凑出更漂亮的成绩。”

这种“刷榜”行为彻底点燃了扎克伯格的怒火。对于这位追求绝对控制权的CEO来说,数据造假意味着原有的生成式AI(GenAI)团队已经失控。 扎克伯格迅速做出了冷酷的回应:边缘化整个组织,这也直接引发了大量人员离职。

随之而来的,是Meta内部权力的剧烈交替。扎克伯格豪掷150亿美元入股Scale AI,并挖来了28岁的创始人汪滔。

这位在硅谷风头正劲的年轻人,一夜之间成为了杨立昆的新上司。

这种极其尴尬的层级倒挂,让杨立昆感到了一种前所未有的冒犯。他在采访中丝毫不掩饰对汪滔的轻视:“他很年轻,缺乏经验……他完全不懂什么是科学研究,更不懂什么样的工作环境会把真正的天才赶走。”

他直截了当地谈到自己对汪滔领导团队的看法,“你不能指挥一个研究员做什么,你更不能指挥像我这样的研究员做什么。”

虽然扎克伯格仍表示支持世界模型的研究,但杨立昆直言,为推进超级智能而新招募的那群人“已经完全被LLM洗脑了”。

他坦言自己留在公司已变得举步维艰:“我确信Meta内部有很多人(可能也包括汪滔)都希望我闭嘴,不要告诉世界‘LLM是条死胡同’。”

“但我绝不会因为某个家伙觉得我错了就改变主意,”杨立昆斩钉截铁地说道,“我没错。科学家的正直不允许我这么做。”

而且在杨立昆看来,Meta开出了1亿美元的签字费来挖角顶级研究员,这种“金钱至上”的逻辑是对科学研究的另一种亵渎。

3. 理念溯源:在80年代就坚信“智能即学习”的怪人

如果你了解杨立昆的过去,你就会发现他的“顽固”其实是一种跨越时代的韧性。

20世纪60年代,当同龄人还在巴黎郊区踢球时,杨立昆则痴迷于《2001太空漫游》,从此种下了机器智能的种子。80年代,当学术界领袖诺姆·乔姆斯基(Noam Chomsky)宣称“人类语言能力是天生的,不需要学习”时,年轻的杨立昆嗤之以鼻:“一切都是学来的,智能的核心就是学习。”

在那个神经网络被视为“学术禁忌”的寒冬,杨立昆和辛顿、本吉奥三个异类在多伦多抱团取暖。AT&T贝尔实验室期间,杨立昆开发了卷积神经网络(CNN),并将其应用于银行支票阅读系统。那是他第一次感受到“改变世界”的滋味。

2013年,扎克伯格亲自给他打电话“招贤纳士”。为了挖人,扎克伯格甚至邀请他去家里吃私厨准备的“配着上好白葡萄酒的鸡肉”。

杨立昆当时提了三个极为苛刻的条件:

1. 不辞去纽约大学(NYU)的教职。

2. 不搬去加利福尼亚。

3. 所有的研究成果必须公开。

扎克伯格全都答应了。那是AI基础研究实验室(FAIR)诞生的时刻,也是Meta AI的黄金时代。

但当商业竞争的硝烟遮蔽了科学研究的纯粹,杨立昆选择再次成为“孤勇者”。

4. 开启Neolab:65岁再次创业

决意离开Meta后,杨立昆没有选择退休去吹塞纳河的晚风,而是转身创办了AMI Labs(高级机器智能实验室)。

这家被他定义为专注于基础研究的初创实验室(Neolab)还没正式开张,估值就已经喊到了30亿欧元。 杨立昆的目标很明确:用视频数据训练出能够理解物理规律的“世界模型”。

有趣的是,这位灵魂人物拒绝出任CEO: “我是一个科学家,一个梦想家。我太没条理,而且我也太老了,不适合管人。”

他将管理权交给了专业的经理人,自己则守在科学的前沿,试图在12个月内向世界展示“婴儿版”的世界模型。他要向Meta、向汪滔、向整个硅谷证明,谁才是那个真正掌握AI未来钥匙的人。

5. 结语:在这场“集体愚蠢”中保持理性

在巴黎那场漫长采访的最后,餐厅已空无一人。当被问及遗产时,杨立昆的话语中少了一份狂傲,多了一份悲悯:

“我希望增加这个世界的智能总量。有了智能,人类的痛苦就会减少,决策就会更理性。”

他留下的最后一句评价,像是对Meta的嘲讽,也像是对时代的警示:“我们困在愚蠢之中(We suffer from stupidity)。”

杨立昆拒绝了扎克伯格的算力游戏,拒绝了硅谷的造富狂欢,只为了证明一条也许只有他能看见的路。

这一次,这位65岁的“怪人”,能否再次狠狠打脸这个世界?

原文链接: 没人配教我做事!杨立昆离职Meta后“火力全开”
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
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
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。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
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!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230