LeCun演讲揭示AI局限，预测像素是伪命题，JEPA开启新路径

在2026年9月于瑞典马尔默举行的ECCV大会上，深度学习领域的领军人物、图灵奖得主Yann LeCun发表了一场题为《World Models: Enabling the next AI revolution》的Keynote演讲。这场演讲不仅引发了计算机视觉领域从业者的强烈共鸣，也为人工智能的发展方向提供了重要启示。

LeCun首先指出，尽管近年来大模型和Scaling Law取得了显著进展，但AI系统在理解和应对真实物理世界方面仍存在根本性障碍。他以预测像素为例，解释了这种看似简单的任务实际上包含了大量不可预测的变量，"你把摄像头对准房间一角开始录像，下一帧会拍到什么，取决于镜头外有没有人走进来、光线会不会变化。而这些信息，在‘当前帧’里根本不存在。"

围绕这一核心观点，LeCun详细阐述了当前AI技术面临的四大挑战：

预测像素本质上是一个伪命题，因为真实世界的连续性和高维性远超语言模型的处理能力；

现有生成式模型（如Sora、Genie）虽然能生成逼真的图像序列，但缺乏对物理规律的真正理解；

依赖显式物理引擎的仿真方法（如英伟达Omniverse）虽然精确，但计算成本高昂且难以扩展；

当前主流AI系统仍然过度依赖语言和token，无法有效处理高维连续数据（如图像、视频、传感器输出等）。

针对这些问题，LeCun提出了他的解决方案——JEPA（Joint Embedding Predictive Architecture）。与传统生成式模型不同，JEPA不试图生成未来画面，而是通过编码器丢弃那些不可预测的细节，只保留可预测、可规划的结构，在抽象表征空间中进行预测。这种方法避免了直接预测像素的困境，转而在更高层次的语义空间中寻找规律。

"我们不能继续死磕生成式模型，也不能再研究LLM了，"LeCun在演讲最后给出了三个极具争议性的建议：转向联合嵌入，转向抽象表征，转向世界模型。他认为，只有当AI系统能够从视频、传感器与交互中学习并构建世界模型时，才能真正实现通用人工智能（AGI）。

为了验证这一理论，LeCun团队进行了多项实验。其中一项实验显示，当给同一组模型加上外部诚实包装（允许模型说'我不知道'）后，正确率反而从43.9%下降到了21.3%，但胡编率（自信地答错）从25.8%降到了7.4%。这表明，单纯依靠外部规则并不能解决AI系统的根本问题，关键在于让模型真正理解世界。

"真正的下一章，是让AI系统从视频、传感器与交互中，学习并构建世界模型；再用JEPA去理解世界，去预测行动后果，去规划出实现目标的动作序列。"LeCun的演讲不仅揭示了当前AI技术的局限性，更为下一代AI系统的发展指明了方向。这一理论框架的提出，可能将重新定义人工智能的研究范式，推动行业向更深层次的通用智能迈进。