剛剛，圖靈獎得主與諾獎得主吵起來了！

大約一周前，圖靈獎得主、「深度學習之父」Yann LeCun在一期播客中「宣告」了大模型的「死刑」，直接把當下最主流的AI路線罵成了「胡扯」。

Yann LeCun在《The Information Bottleneck》播客中表示，大模型通往AGI的道路完全行不通

在播客中，他沒有委婉質疑，也沒有持保留意見，而是毫不留情地全盤否定：

所謂通往超級智能的路線，無非就是繼續堆大語言模型、用更多合成數據去喂模型、再雇成千上萬的人在后訓練階段手把手地「教」系統，順便在強化學習（RL）上搞點小修小補；在我看來，這完全是胡扯。這條路根本不可能走得通。

作為深度學習的奠基者之一，LeCun推翻了幾乎是當下整個AI產業一致下注的方向。

這等于說，你們都別干了，前面死路一條。

作為當前大模型路線的重要領軍者，DeepMind創始人Hassabis立刻站出來反駁LeCun的觀點。

他認為LeCun混淆了「通用智能」（General Intelligence）與「普適智能」（Uniwersal Intelligence）的概念，忽略了一個核心事實——人類大腦本身就是高度通用的系統，盡管它在具體任務上并非最優。

馬斯克轉帖并站隊Hassabis，認為他說得完全正確。

Hassabis的反駁將問題從「大模型行不行」引向了一個更根本的問題：

我們到底在討論什么樣的智能？

LeCun在Hassabis的反駁帖子下面留言，認為二者的分歧主要在于用詞。

他還用數學、計算復雜性來證明自己的觀點：

人類大腦本身其實是高度特化（專門化）的系統，因此不能用「通用」來指代「人類水平」。

更讓這場辯論富有戲劇性的，是LeCun即將離開Meta，創辦AMI Labs，押注一種完全不同于大模型的路線。

而辯論另一方Hassabis，他所領導的DeepMind正在大模型通往AGI的道路上加速前進。

所以，這不只是觀點之爭，也是關系到未來十年AI技術路線的一場豪賭。

LeCun

大模型并不能實現AGI

在LeCun看來，當前硅谷主流的通往超級智能的路線，在理論和實踐上都站不住腳。

他認為這條路線，本質上是在用「規模」掩蓋「結構上的問題」。

通過把模型堆得更大，用更多數據喂它，然后再用人工后訓練一點點糾偏。

短期內這的確會讓模型更強，但這并不意味著你正在逼近真正的通用智能。

此外，他還反對用「通用」這個詞去指代「人類智能」。

他認為人類本身其實是高度、甚至極端專門化的。

一個訓練充分、擁有無限紙筆的人類大腦，在理論上是「圖靈完備」的。

但在現實中，我們幾乎在所有計算問題（比如下棋）上的效率都低得驚人。

一個幾十歐元的棋類引擎，就能穩定擊敗世界頂級棋手。

這不是因為人類不聰明，而是因為在資源受限的情況下，我們的計算方式本身就高度次優。

LeCun還提出了一個非常「工程師」的比喻。

在理論上，一個只有兩層的神經網絡，可以把任何函數逼近到任意精度。

但在現實中，真正有意義的函數，往往需要多到不可接受的隱藏單元。

所以我們才需要采用多層網絡，這正是深度學習存在的根本原因。

接著，他又舉了另一個例證。

假設視覺系統有大約100萬根神經纖維。

哪怕我們極端簡化，把信號當作二進制，一個視覺任務也相當于：從100萬比特映射到1比特的布爾函數。

這類函數的總數是多少？

2^(2^1000000)。

這是一個幾乎無法書寫、無法想象的數字。

而人類大腦呢？

假設有1011個神經元、101?個突觸，每個突觸用32比特表示，整個連接組最多也只有3.2×101?比特。

這意味著，人類大腦整體能表示的布爾函數總數，上限不過是： 2^(3.2×101?)。

這和2^(2^1000000) 相比，這個數字幾乎可以忽略不計。

當然，LeCun的推斷只是一個信息論意義上的上界估算，而非嚴格的神經可計算性證明。

但他由此得出的結論也很殘酷。

他認為我們不僅談不上「通用」，而且在可能函數空間里，是極端地、荒謬地專門化的存在。

我們之所以感覺不到，是因為絕大多數函數，對我們來說復雜到完全像隨機噪聲。

于是，我們把它們叫作「熵」，然后選擇忽略。

正因如此，LeCun非常欣賞愛因斯坦那句著名的話：「世界上最不可理解的事情，就是世界居然是可以被理解的」。

他認為宇宙中絕大多數的信息內容都是熵，是那些我們用自己貧弱的心智根本無法理解，所以只能選擇忽略的東西。

Hassabis反擊

你打錯了靶心

Hassabis并沒有直接否定LeCun的數學推斷，只是說他打錯了靶心——混淆了「通用智能」與「普適智能」的概念。

LeCun所否定的只是「普適智能」，即在所有任務上，都達到接近最優的性能。

而「通用智能」則是另外一件事，它是指同一個系統，能否在完全不同的任務之間遷移、學習、適應。

從這個角度看，圖靈機是一個很好的理論假設。

Hassabis認為大腦是目前在宇宙中所知道的最精妙、也最復雜的現象（至少到現在為止），而且它們本身就是高度通用的。 

受到無免費午餐定理（No Free Lunch Theorem）的限制，任何現實、有限的系統中，都會不可避免地圍繞正在學習的目標分布產生一定程度的專門化。

但「通用性」的核心在于：

從理論上講，一個通用系統的架構，只要給它足夠的時間、內存（以及數據），就可以學習任何可計算的東西。

在人們常用的計算理論類比中，人類大腦常被視為近似圖靈完備的系統，Hassabis認為人腦和基于Transformer的基礎模型，同樣都是近似圖靈機的系統。

Hassabis也回應了LeCun關于棋手的評論。

他認為人類能夠發明出國際象棋本身就是一個奇跡，何況我們還能在此基礎上達到像國際象棋棋手之一Magnus Carlsen那樣的頂尖水平。

更不用說現代文明的其他一切：如從科學發現到制造747客機等。

Hassabis表示人腦或許并不是嚴格意義上的最優解（畢竟記憶有限、決策時間也有限），但考慮到人類大腦原本只是為狩獵采集而進化的，它所取得的上述成就堪稱不可思議。

因此，Hassabis認為人腦本就是一個宇宙級的「通用AI」，具備無限學習潛能，而人類文明創造力，則是大腦高度通用性的最強證明。

五年后

答案或將浮出水面

真正讓這場爭論變得引人注目的，是LeCun與Hassabis二人在AI界的巨大影響力，以及他們背后所代表的截然不同的技術路線。

LeCun宣布即將離開Meta后，就馬不停蹄地為「下一場戰役」做準備。

與此同時，他也選擇要遠離硅谷的一切。

在他看來，硅谷正被「LLM」洗腦的單一文化，從Meta到OpenAI、谷歌、Anthropic，基本上所有人都在做同樣的事情。

因此，在斷定大模型此路不通后，LeCun決定創辦自己的研究型初創公司AMI Labs，專注于構建「世界模型」。

目前AMI Labs正在以35億美元估值融資5億歐元。

這也意味著LeCun把自己整個后Meta的職業生涯都押注在了與硅谷主流AI路線截然不同的一個方向判斷上：

大模型不是通往通用智能的正確路徑。

與LeCun的選擇和判斷相對應的，是Hassabis帶領的DeepMind實現了AlphaGo、AlphaFold、Gemini……等一系列歷史性的突破。

他還因為AlphaFold在蛋白質結構預測領域的革命性貢獻，與John Jumper、David Baker共同獲得了2024年諾貝爾化學獎。

這些技術突破，在不同任務上采用了不同但可遷移的學習范式，正在一步步探索通往AGI的可能性。

前不久，Hassabis還斷言「擴規模」是通往通用人工智能（AGI）的關鍵組件，甚至可能就是全部路徑。

他認為要實現AGI，當下主流大模型必須把「擴規模」（更多數據、更多算力、更大的模型）這件事推到極致。

沿著這一路線，在完成一兩次關鍵性突破后，Hassabis認為我們可能在5–10年后迎來「完整的AGI」。

當LeCun認為靠野蠻堆算力行不通，轉而押注「世界模型」時，Hassabis仍然堅信Transformer和Scaling Law是通往AGI的必由之路。

五年后，我們可能會發現其中一方是對的，也許他們會在某個意想不到的地方匯合。

無論結果如何，爭論的意義也許不在「普適智能」「通用智能」的名詞之爭，而是啟發我們如何理解「智能」本身。

畢竟，在很大程度上，這還是一條充滿未知的探索之路。