核心事件：LeCun 正式提出 JEPA 作为世界模型核心架构

2026 年欧洲计算机视觉大会（ECCV 2026）上，图灵奖得主、深度学习三位奠基人之一 Yann LeCun 发表演讲《World Models: Enabling the next AI revolution》，系统阐释其十年来对世界模型与自主智能路径的思考。他明确否定当前主流的生成式世界模型路线，尤其批评“预测像素”为不可能完成的任务，并重申联合嵌入预测架构（JEPA）才是通往真正通用人工智能（AGI）的可行路径。LeCun 同时宣布成立 Advanced Machine Intelligence（AMI Labs）公司，加速该技术路线的工程落地。

挑战主流：为何“预测像素”不可行？

LeCun 指出，当前多数团队尝试用视频生成模型（如 Sora、Genie）构建世界模型，本质上是在像素层面预测未来。他认为该思路存在根本缺陷：摄像头捕捉的当前帧，并不包含决定下一帧内容的全部信息——例如镜头外有人走动、光线变化等外部因素，导致像素级预测任务本身无解。即使加入 VAE 或隐变量缓解模糊性，模型仍只是“凭空想象”未来，无法理解物理世界的底层规律。

他以自动驾驶为例：若训练系统预测车内摄像头下一帧画面，模型被迫学习树叶微动、水塘涟漪或行人衣物褶皱等不可控细节，这些信息对决策无关紧要，却消耗大量模型容量与训练数据，反而损害其表征能力。

JEPA 架构：在抽象空间做可规划预测

JEPA 的设计哲学是“丢掉不可预测的细节”。其工作流程是：先用编码器将原始输入（如图像帧、动作指令）映射到紧凑的表征空间，再在该空间中预测后续状态。这一变换过程天然过滤掉高维噪声与不可观测变量，使预测问题变为可解。

该架构天然适配层级化规划（Hierarchical Planning）需求。LeCun 强调：人类规划旅程不会逐毫秒规划肌肉收缩，而是在高层（如“抵达机场”）、中层（如“打车”）、底层（如“起身”）多级抽象间切换。JEPA 的表征空间支持这种分层建模：高层表征保留可规划的核心结构，低层表征负责细节执行。

关键对比：文本训练 vs 视觉-物理经验

LeCun 通过信息量对比揭示当前范式的先天不足：

• 大语言模型典型预训练数据约 30 万亿 token（约 10¹⁴ 字节），相当于人类需 40 万年读完
• 一个四岁儿童通过视觉与触觉接收的信息量已达约 10¹⁴ 字节（视网膜后约 200 万根视神经纤维 × 每秒 1 字节 × 6 万小时清醒时间）

这意味着仅靠文本数据的模型，其学习信息上限远低于人类婴儿。他特别强调：计算机视觉研究者最清楚物理世界比文本更“脏”、连续且高维，这也是大语言模型部署到真实世界时漏洞百出的根本原因。

落地建议

• 适合探索者：对世界模型、具身智能、机器人决策规划感兴趣的研究团队，可重点关注 JEPA 在表征不变性设计与分层优化方面的实现细节
• 建议再等等：期待端到端自动驾驶或家庭服务机器人的落地应用者，应理性看待当前技术成熟度——LeCun 自认 L5 自动驾驶尚未解决，行业仍需显式物理引擎与工程化世界模型的阶段性方案

写在最后

LeCun 的演讲实质是针对 AI 发展路径的一次路线重估。他将“生成式”熟能生巧的陈述性知识与“推断式”即兴解决新问题的能力明确区分开来，后者才是智能的本质。若 JEPA 路线得以验证，未来数年智能体将从“像素拟合者”转向“物理规律推理者”，其影响或将重塑整个具身智能研发范式。