LeCun团队新论文：照猫画虎死胡同

AI圈追逐多年的通用人工智能（AGI），可能从一开始就走偏了。

图灵奖得主Yann LeCun在最新论文中提出，未来AI的发展方向不应该是模仿人类，而是另一条路线——

超人类适应性智能（Superhuman Adaptable Intelligence, SAI）。

在这个框架里，AI的发展目标发生了三个关键变化：

不再以人类为参照系。

拥抱专业化，在具体领域实现超人类能力。

衡量智能的核心指标，从“会多少技能”变成“学习新技能的速度”。

换句话说，SAI不再追求“像人一样聪明”，而是关注一件更底层的事情：

系统适应新任务的速度。

值得一提的是，LeCun在论文中还提出了一个颇为有趣的观点：人类本身其实也并不“通用”。

我们所谓的“通用能力”，很大程度上只是生物进化的结果——

人类在漫长的进化过程中，逐渐获得了一套适者生存的能力组合。

迈向超人类适应性智能 (SAI)

按照论文中的定义：超人类适应性智能（Superhuman Adaptable Intelligence, SAI）指的是一种系统：

能够通过快速适应，在人类能完成的任务上超越人类，同时也能解决大量人类从未涉足的任务领域。

这里有一个关键转变。过去AI的发展逻辑是：把人类当作智能的标尺。

只要机器能做到“人类水平”，就算成功，比如图灵测试。

但LeCun团队认为，这种思路本身就存在问题，论文中有一句非常直接的话：

将智能锚定在人类基准线上，与通往超人类能力的路径是正交的。

换句话说：如果目标只是“达到人类水平”，反而可能限制AI的发展。

从这个视角来看，真正值得优化的，并不是模型完成某个固定任务的能力，而是：

系统适应新任务的速度。

因为一旦把“模仿人类”当作目标，AI的任务空间其实就被人为限制了——

人类能做什么，AI就学什么，但人类能力本身只是生物进化的结果，并不代表智能的全部可能。

更合理的路径是让AI围绕明确目标不断优化，并通过自我博弈、进化搜索和大规模仿真持续提升能力。

而这一观点，也与Richard S. Sutton在《The Bitter Lesson》中提出的观点相呼应——

真正推动AI进步的，往往不是模仿人类的技巧，而是规模化计算与通用学习方法。

在这种框架下，AI并不需要模仿人类，也可以在许多任务上直接超越人类表现。

相反，如果过度关注“人类水平”，不仅会误导研究目标，还会把AI的发展限制在以人类为中心的任务空间里。

为什么AI不该模仿人类？

作为迈向超人类智能的一个重要前提，论文中还有一个非常有意思的观点：人类其实并没有我们想象的那么“通用”。

人脑并不是为了数学、编程或科学研究设计的。它最初的目标只有一个：在原始森林里活下去。

换句话说，人类的智能本质上是进化塑造的一种生存工具。

自然选择和进化优化了我们的能力，让我们擅长视觉感知、行走。

这些能力在我们看来非常“通用”，只是因为它们对生存至关重要，一旦离开这个进化舒适区，我们在其他认知任务上其实表现的并不好。

比如，计算复杂概率、高维优化、大规模逻辑搜索，在这些任务，人类的表现远远不如计算机。

最经典的例子就是国际象棋。顶级棋手在人类中显得极其聪明，但面对计算机时早已没有胜算。

这其实说明了一件事：所谓“AGI”，很大程度上是一种错觉，我们只是无法看见自己的生物学盲区。

而这个问题，就是锯齿的智能，或者所谓的莫拉维克悖论（Moravec’s Paradox）。

简单来说：人类觉得最简单的事情（比如走路、抓东西），对计算机来说反而最难；

而人类觉得困难的事情，比如：下棋、数学计算，对计算机却非常容易。

原因很简单，那些“简单”的能力，其实是人类数百万年进化的结果，它们实际上一点也不简单，只是我们习以为常。

所以论文得出的结论也很直接：

如果未来AI只是复制人类这种“生存型智能工具箱”，那将是一条错误的技术路线。

专业化，才是智能进化的常态

那既然人类的“通用性”本身就是一种盲区，那么真正正确的方向是什么？

Yann LeCun在论文中援引了生物学和机器学习领域的经验，给出的答案是：

专业化，才是智能进化的常态。

从生物学角度来看，专业化本就是常态。在资源有限、环境复杂的情况下，进化会不断推动系统向特定能力方向优化。

AI系统其实也面临同样的压力。

如果某个领域的任务非常重要成本、精度、可靠性，任何达不到要求的模型，都会被更专业的系统取代。

现实世界已经有很多这样的例子。最典型的就是AlphaFold。

这个系统专门针对蛋白质结构预测设计，通过任务特定的架构、数据和训练策略，实现了巨大的突破，直接改变了整个生物学领域。

这也体现了机器学习中的一个基本规律：算法的成功，往往来自于它与问题结构（目标分布）的匹配。

如果一个模型既要：叠衣服、开车、写代码、预测蛋白质结构那么它很可能在所有任务上都只能做到“差不多”。

这也是为什么LeCun在论文中说：

帮我们折叠蛋白质的AI，不应该是帮我们折叠衣服的那个AI！

这在机器学习里有一个经典现象：负迁移（Negative Transfer）。

当多个任务争夺同一套模型容量时，它们的梯度可能互相冲突，反而拖累性能。

因此，从工程和理论角度看：强行追求通用性，往往是一条低效的路线。

LeCun的答案：SSL + 世界模型

那么问题来了。如果不追求AGI，该怎么追求SAI？

LeCun团队给出的技术路线是三个关键词：

自监督学习 + 世界模型 + 模块化系统。

首先是自监督学习（Self-Supervised Learning）。这种方法不依赖人类标注，而是从大量真实世界数据中学习底层结构。

其次是世界模型（World Models）。也就是让AI在内部构建一个“世界的模拟器”，像人类一样：预测未来、进行规划、在脑中模拟行动结果。

这样系统就可以在没有明确训练的情况下完成新任务。

最后是模块化架构。论文明确反对一种观点：不存在一个“统治一切”的模型架构，尤其是自回归范式的下一个token预测。

未来AI更可能是一系列相互协作的系统，而不是一个万能模型。

作者介绍

这篇论文的第一作者是来自哥伦比亚大学的博士生Judah Goldfeder，师从Hod Lipson教授。

此前，他曾在谷歌、推特、Meta等机构实习，研究兴趣主要集中在强化学习、算法博弈论、多智能体人工智能、无监督表征学习、多任务学习以及几何学习等方向。

论文的其他作者还包括Philippe Wyder，同样师从Hod Lipson教授，以及图灵奖得主Yann LeCun。

此外，作者团队中还有来自纽约大学数据科学中心的助理教授兼Faculty Fellow的Ravid Shwartz-Ziv。

他主要从事人工智能前沿研究，重点关注大语言模型（LLMs）及其应用。