AI 失业论战升级:图灵奖得主 LeCun 批 CEO 们对技术革命一无所知!| 【近期发声全汇总】

4 月 20 日至 26 日期间，Yann LeCun密集转发了多篇长文评论。这些评论均围绕他及其团队最新发布的重磅论文——

《LeWorldModel：从像素端到端的稳定联合嵌入预测架构》（简称LeWM）展开。

在「技术极客」第一部分，

我会先用尽量通俗、小白易懂的方式，

 “两步走” 为大家拆解：

• ▸ 这篇论文讲什么？
• ▸ 其核心创新在哪？
• ▸ 它对 AI 行业可能带来什么改变？

然后「第二部分」——

我将 Yann 转发的几篇评论原文一字不漏地附在后面，

方便大家对“这篇论文的技术含义”

与“它在产业中激起的回响”

有一次从点到面、从概念到全局的真切理解。

（ 我的目标是：

让 AI技术小白们 梳理完第一部分生活化讲解 后 ——

能无障碍阅读第二部分长文评论。）

    LeWM 出来了——小模型、单卡、快 48 倍、还能真的懂物理。JEPA 不再只是”理论上优雅”……

How To AI·@HowToAI_

AI 产业观察账号 · 长文型 AI 前沿科普

    Yann LeCun 从头到尾都是对的。而生成式 AI，可能是一条死胡同。    过去三年，整个行业都在做一件事——把 LLM 造得更大。万亿参数。数十亿美元算力。    理论很简单：只要模型够大，它终究会理解世界是怎么运作的。    Yann LeCun 说，这种想法很蠢。    他主张，生成式 AI 从根子上就是低效的。    当一个 AI 在预测”下一个词”、或生成”下一个像素”时，它把海量算力浪费在了表层细节上。    它是在记住模式 (pattern)，而不是在学习现实真正的”物理规律”。    他提出了另一条路：JEPA（Joint-Embedding Predictive Architecture / 联合嵌入预测架构）。    JEPA 不再逼 AI “一像素一像素地把世界画出来”，而是逼它去预测抽象的概念。它预测的是——在一个被压缩过的”思维空间”里，下一步会发生什么。    但多年来，JEPA 一直挂着一个致命缺陷。    它得了一种叫“表征坍塌 (representation collapse)”的病。    因为 AI 被允许去”简化”现实，它就会偷懒——把一切简化得太过火，以至于一只狗、一辆车、一个人，在它眼里长得一模一样。    它什么都没学到。    为了修好这个病，工程师不得不祭出一堆离谱复杂的补丁、冻结编码器、以及巨量的算力开销。    直到今天。    研究者刚放出了一篇论文——《LeWorldModel》(LeWM)。   他们彻底解决了坍塌问题。    他们把那些复杂的工程补丁，替换成了一个单一的、优雅的数学正则化项。    它逼 AI 的内部”思维”，服从一个完美的高斯分布。    AI 再也没法偷懒了。它只能真正去理解”现实的物理结构”，才能做出下一步预测。    这个结果，彻底改写了 AI 的经济学。    LeWM 不需要一台巨型的、中心化的超级计算机。    它只有 1500 万参数。    它在一块普通 GPU 上，几个小时就能训练完。    但它的规划速度，比那些庞大的基础世界模型快了 48 倍。它本质上”懂物理”。它能当场识别出”物理上不可能”的事件。    我们花了几十亿美金，逼一批批巨型服务器农场去”把整个互联网背下来”。    而现在，一个跑在本地、只有 1500 万参数的小模型，才是真正在学习”真实世界”是怎么运作的。

Aakash Gupta·@aakashgupta

产品增长顾问 · 硅谷产业评论常见引用源

    今年早些时候，杨立昆（Yann LeCun）离开了 Meta，因为马克·扎克伯格（Mark Zuckerberg）不愿将公司的赌注押在 JEPA（联合嵌入预测架构）上。

    就在上周，他的团队发布了第一个真正能够从原始像素进行端到端训练的 JEPA。只有 1500 万参数，单块 GPU，几个小时便能完成。这个时机的选择绝非巧合。    四年来，Meta 一直是依托 JEPA 建立的大本营。LeCun 于 2022 年在 FAIR（Meta 人工智能研究院）发表了最初的论文。I-JEPA 和 V-JEPA 都出自他的实验室。

    这种架构本应是摆脱大语言模型（LLM）的”逃生舱”，是通往能真正学习物理规则而非凭空”幻觉”物理规律的机器人的路径。

    然而，之前的每个版本在发布时都很脆弱：停止梯度（Stop-gradients）、指数移动平均（EMA）、冻结预训练编码器。为了防止模型坍缩成毫无意义的垃圾表征，必须手动调整六七个损失项。    Meta 选择继续资助 LLM。Llama 发布了，规模扩大了，但随后被 Qwen 和 DeepSeek 超越。扎克伯格斥资 140 亿美元收购了 ScaleAI 并安置了Alexandr Wang。FAIR 的机器人小组被解散。LeCun 的研究不断赢得论文荣誉，却在产品路线图中节节败退。于是他离开了，创办了 AMI Labs，并公开表示 LLM 是死路一条。    现在，这篇论文出现了：LeWorldModel（Le世界模型）。一个正则化项取代了整堆启发式策略。将潜在嵌入投影到随机方向，运行正态性检验，对偏离高斯分布的情况进行惩罚。模型不可能坍缩，因为坍缩的嵌入从结构上就无法通过该检验。超参数搜索从O(n⁶)的多项式级简化到了O(log n)的对数级。六个可调旋钮变成了一个。    其下游表现足以让机器人领域的资本阶层感到恐惧：  效率： 每份观测数据的 Token 消耗比 DINO-WM 少 200 倍。    速度： 规划时间从每个周期 47 秒降至 0.98 秒。    性能： 在 Push-T 和 3D 方块控制任务中，达到或超越基础模型性能的速度快了 48 倍。    精准： 潜在空间探测器能清晰定位智能体位置、方块速度、末端执行器姿态。

    它能正确地将违反物理规律的事件标记为”令人惊讶”。它在没有被告知物理学存在的情况下，学会了物理。    Figure AI 估值 390 亿美元；特斯拉 Optimus 正在量产；World Labs 融资 2.3 亿美元销售生成式世界模型。人形机器人领域的每个人都在烧钱构建那些每个周期需要规划 47 秒的基础模型管线。而LeCun 的团队刚刚证明，仅用 1500 万参数，在一块 GPU 上花几个小时就能做到。    这是 施乐帕罗奥多研究中心（Xerox PARC） 模式的重演。

    Meta 拥有下一代架构，拥有最顶尖的科学家，却解散了机器人团队，放弃了产品化，并目送其离开。

    三个月后，本该属于 Meta 的实验室发布了这项足以重置机器人成本结构的成果。

   这篇论文的价值，远超亚历山大·王（Alexandr Wang）。

▸I-JEPA / V-JEPA：JEPA 家族的图像版与视频版，分别于 2023、2024 年由 LeCun 在 FAIR 的实验室发布，但都需要大量工程补丁才能稳定训练。

▸FAIR（Fundamental AI Research）：Meta 人工智能研究院，LeCun 于 2013 年创立并长期领导。

▸LLM（Large Language Model）：大语言模型，以 GPT、Llama 为代表，Meta 近年资源倾斜的方向，被 LeCun 多次公开批评为”死路一条”。

▸AMI Labs：LeCun 离开 Meta 后创立的新公司，聚焦先进机器智能，主攻 JEPA + 世界模型路线。

▸末端执行器（end-effector）：机械臂最末端的执行部件，通常是夹爪或手掌，是机器人与物理世界交互的直接接触点。

▸Figure AI / Tesla Optimus / World Labs：当前人形机器人与世界模型赛道的代表公司——Figure AI（美国 AI 机器人初创公司，创始人 Brett Adcock，专注于开发通用人形机器人，目标是打造世界上第一个商业上可行、真正自主的 AI 驱动人形机器人）；特斯拉 Optimus（特斯拉公司开发的通用人形机器人，马斯克称其为“特斯拉未来最重要的产品之一”，潜力远超汽车业务）；World Labs（李飞飞创办的一家专注于空间智能和世界模型的前沿 AI 初创公司，致力于让 AI 真正理解、生成和交互三维物理世界，而不仅仅是处理语言）。

▸Xerox PARC（施乐帕罗奥多研究中心）：1970 年代发明图形界面、以太网、鼠标的传奇实验室，却被母公司施乐全部错失——后被乔布斯”顺走”做成 Mac。业界用它指代”拥有未来却亲手放走”的经典案例。

CG·@cgtwts

创业者 · shitposting & building

扮演Yann LeCun在 Meta 耗费多年心血构建 JEPA公司却一心扑在 Llama 上自己的理念始终复杂且束之高阁机器人研发计划惨遭夭折毅然决定出走，创办 AMI Labs从零开始，打造了一个极其简化的版本仅需普通硬件，数小时即可完成训练删除了所有复杂技巧，回归极简结果：数据效率： 比同类系统减少 200 倍的数据消耗。决策速度： 决策速度快了 50 倍。硬件要求： 在单块 GPU 上即可运行，无需庞大的计算集群。易用性： 训练流程极其简单。核心认知： 深度理解运动、物体与空间。物理直觉： 能够识别违反物理常识的现象。自主学习： 无需明确教导，即可习得现实世界的运行规律。

▸这是一条典型的 X 平台”be like” meme 式讽刺帖，Yann 本人转发，说明他自己也觉得好笑并认同这个梗。

▸帖子把 LeCun 的经历描绘成”怀才不遇 ➔ 愤而离职 ➔ 降维打击“的故事，用幽默的“人生履历体”调侃 LeCun 经历的同时，也狠狠嘲讽过去那种“用核弹炸蚊子”（烧几亿美金训大模型做机器人规划）的 Scaling 路线。

▸这种“技术极客战胜大公司官僚”的叙事，也是 2026 年 AI 圈一个经典的“简化主义 vs 规模主义”之争的缩影。

Junfan Zhu 朱俊帆·@junfanzhu98

AI 研究员 · 世界模型方向 · 长帖技术拆解

⚠️ 精细化解析，非技术爱好者可跳过

    🐦LeWorldModel：从像素学物理——只用两个损失函数的稳定世界模型    三条主流世界模型路线：    1️⃣DINO-WM：用预训练好的 ViT 编码器（来自 ImageNet）→ 提特征 → 接预测器。但编码器是冻结的，没法端到端学习。它的”视觉基因”是为粗分类（猫 vs 狗）调出来的，不是为物理调的——难以分辨毫米级变化（比如 2 毫米的方块位移）。在一个”近视眼”编码器上面套再强的预测器，等于瞎子做物理推理。    2️⃣PLDM：能端到端，但训练不稳定、容易坍缩。它把”奖励”当作预测目标，所以只能在有明确奖励的环境（比如游戏）里用。    3️⃣JEPA（联合嵌入预测架构）：预测下一时刻的隐向量，而不是预测像素。但有两个老大难问题：    ·表征坍缩（编码器把所有输入都映射成同一个常向量，比如全 0）    ·想同时做到”基于像素 + 端到端 + 稳定”几乎不可能    💡LeWM 解决了什么：    👉 让 JEPA 真正能从原始像素稳定地端到端训练    👉 只需一个超参 λ：    · 下一帧嵌入预测损失    · SIGReg（高斯正则化）    🧠#1：真正的端到端    没有冻结的编码器。感知 + 动力学一起进化 → 学到的表征和细粒度物理对齐，而不是和 ImageNet 偏见对齐。    🧠#2：”只”一个超参数    PLDM 需要调 6 个。LeWM 只需要 1 个（λ）→ SIGReg 的权重。即插即用，训练稳定。    ⚠️坍缩问题    编码器可能把所有输入都映射成同一个向量 → 预测变得平凡 → 损失为零 → 模型废了。    🧩SIGReg（高斯积分签名正则化）    核心思路：通过分布约束防止坍缩。    · 随机采样 1024 个方向    · 把嵌入投影成 1024 条一维”影子”    · 每条必须通过 Epps–Pulley 检验 （近似标准正态）    · 损失推动检验统计量 → 0    · 只要有一个方向不达标 ⇒ 惩罚    为什么这样做有效：    Cramér–Wold 定理  → 一个高维分布完全由它在所有一维方向上的投影决定。    👉 强制每个一维投影都是高斯，就能在投影约束下排除一切退化型坍缩    🧪物理探针实验    在 PushT（把方块推到目标位置）任务上训练，然后：    用 线性探针 就能从隐向量里还原出：方块位置、角度、末端执行器位置    👉 物理信息可以被线性解码    🚨 把方块”瞬移”到不合理的位置（违反物理）：    · 嵌入的异常分数瞬间飙升    👉 模型把”物体不能瞬移”这条约束内化了    👉 这不是从像素表层特征推出来的，而是作为隐空间约束编码进去的    📈时间一致性（轨迹直度）    没加任何平滑损失，但隐空间里的轨迹却近似直线    👉 没有先验，纯粹来自“预测下一个嵌入”这一个目标    👉 说明模型学到的是物理一致的运动，而不是模糊插值    ⚡性能    · 规划耗时：0.98 秒 vs DINO-WM 的 47 秒    · 成功率：96% vs PLDM 的 78%    为什么更快？    · DINO-WM：编码器冻结 → 信息损失 → 还要额外在线推理几遍    · LeWM：端到端 → 表征本身就跟任务对齐了    👉 0.98 秒意味着足够快到应对动态障碍和实时控制

    ⚠️局限    · 只有 ~15M 参数（”蚂蚁规模”）→ 在 OGBench-Cube （更复杂的物理）上还做不动    · 还没在真实机器人上测过    🔥LeWM 证明了：    👉 JEPA + SIGReg = 稳定的世界模型    👉 原始像素 → 懂物理的隐空间    👉 极简设计（2 个损失、1 个超参）

    下一步：放大规模 + 部署到真实世界 🤖

▸ 注释

   1️⃣ ViT编码器 (Vision Transformer Encoder)：一种利用 Transformer 架构（最初为文字处理设计）来处理图像的模型。它将图片切成一个个小方块（Patents），像读文章一样“阅读”图片。

   2️⃣ PLDM（Predictive Latent Dynamics Model，预测性隐动力学模型）：一种通过在隐空间（Latent Space）中模拟事物随时间变化规律的 AI 模型。端到端训练的世界模型路线之一。

   3️⃣ Epps–Pulley 检验：统计学里的一种专门用于检测一组数据是否符合正态分布（高斯分布）的统计检验方法。它的特点是不需要预先设定数据的平均值或方差，就能灵敏地判断数据的“分布形状”是否正确。

   4️⃣ Cramér-Wold 定理：数学上的一个基础定理。它指出：一个高维的概率分布，可以由它在所有一维方向上的投影完全确定。LeWM 利用这个定理来防止坍缩。它不直接检查高维数据，而是随机采样 1024 个方向（投影），只要每个方向的投影都符合标准正态分布，就能确保高维表征是丰富且健康的。

   5️⃣ 线性探针：“探针”不是一根实体的、物理意义上的“针”，在计算机科学里，习惯把那种“不破坏主体结构，只是插进去探测内部状态”的代码逻辑称为“Probe”（探针）。线性探针是一段极简的线性数学层（代码），它是评估表征质量的标准方法。具体做法：冻结已经训练好的编码器，只在它输出的隐向量上面接一个线性分类器/回归器，用这个简单线性模型去预测某个目标量（比如方块位置、角度）。如果仅仅通过这个极简线性模型就能从隐向量里读出物理量，说明这些物理信息在隐空间里是显式编码、线性可分的（这个信息已经被编码器整理得明明白白、摆在表面了）；如果读不出来——有两种可能：(a) 信息根本不在隐向量里；或者 (b) 信息在，但被藏得很深。情况 (b) 在工程上等价于”没有真正学到”——因为任何下游任务都要再训练一个复杂网络去把它挖出来，那编码器就没起到”理解”的作用。

   意义所在：一个生活化的比喻——

   想象你雇了个图书管理员（编码器）整理一屋子书。你想测试他整理得好不好。

   线性探针 ≈ 你派一个完全不懂书的实习生进去，告诉他：”桌子最左边那一摞就是历史书。” 如果实习生按这个简单规则就能准确找到所有历史书，说明管理员真的把书按类别摆好了。

   非线性探针（比如多层 MLP）≈ 你派一个很聪明的研究生进去自己摸索。他可能也能找到历史书，但你不知道是因为管理员整理得好，还是研究生自己太聪明硬找出来的。

   研究者用线性探针，就是为了把”探针的功劳”压到最低，让结果反映的纯粹是编码器的质量。

   6️⃣ OGBench-Cube：一个机器人物理推理的基准测试集（benchmark），物理复杂度比 PushT（推方块）更高，它的核心任务通常是要求一个机械臂（或虚拟智能体）在三维空间中对立方体（Cube）进行精准的抓取、推移、堆叠或旋转等。LeWM 在 PushT 上表现优异，但参数量只有 ~15M（”蚂蚁规模”），所以在 OGBench-Cube 这种更难的场景上”还做不动”——这是论文坦诚的局限之一。

Rohan Paul·@rohanpaul_ai

AI 行业分析师 · 实时记录通往 AGI 的赛跑

    Yann LeCun（@ylecun）：硅谷已经彻底对大语言模型（LLM）”中毒”了（”Silicon Valley is completely LLM-pilled“）。    “说到底，如果你真想造出一个具备——哪怕只是猫的智力水平，更不用说达到人类智力水平的系统，你都需要常识。你需要能够预测自己行为的后果的能力。    你需要具备规划的能力。你需要具备推理的能力。    而这些能力，你是无法通过 VLA（视觉-语言-动作模型）、VLM（视觉语言模型）、LLM（大语言模型）或者任何生成式架构获得的。”

▸这是 Yann LeCun 在达沃斯 AI House 论坛上的观点。他用“LLM-pilled”（LLM 成瘾／被 LLM 洗脑）来形容当前硅谷对大语言模型的盲目崇拜——”LLM-pilled”是一个源自《黑客帝国》”红蓝药丸”的俚语，讽刺这些人像吞下了某种让人产生幻觉的药丸。

Big Brain AI·@realBigBrainAI

AI 产业观察账号

    Yann LeCun（AMI Labs 创始人）：”整个 AI 行业都对大语言模型（LLM）到了’嗑药上瘾’（LLM-pilled）的地步。所有人都在做同一件事，所有人都在挖同一条战壕。”    LeCun 解释了为什么没有一家实验室敢于脱离大部队：    “他们在互相挖墙脚。所以他们承担不起尝试不同路线的代价，因为一旦跑偏，就会落后于其他人。结果就是，大家都在做同一件事。”    正是这种“集体盲思”（Groupthink），促使他离开 Meta。    “Meta 也在最近的一系列重组中变得对 LLM 极度痴迷。这没关系，这可能是一个对他们来说合理的战略决策。只是那不是我感兴趣的方向。”    但对 LeCun 来说，问题比”战略分歧”要深得多——    LLMs 漏掉了智能真正运作方式中某种本质的东西：    “我无法想象，如果一个系统不具备预判其行为后果的能力，我们如何能构建出具备自主性的智能体（agentic systems）。我们在现实世界中的行动方式，是建立在能够预测行为后果的基础之上的，正是这种能力让我们能够进行规划。“    他更广泛的批评在于，整个行业误将”语言流利度”当成了”智能”。    “事实证明，语言反而是最容易的那部分。真正难的部分是物理世界。”    这就是为什么即便今天的系统已经能通过律师资格考试、能写代码，我们却依然没有家务机器人，也没有 L5 级全自动驾驶汽车。

▸该发文再次串起了 LeCun 三件事的内在逻辑：① 为什么离开 Meta（产业”集体盲思”，他搞的方向不再被支持）；② 为什么创办 AMI Labs（要跳出 LLM 主流）；③ 为什么要做 LeWorldModel / JEPA（LLM 缺乏”预测行动后果”的能力，而这正是规划与智能的核心）。

互动LeCun 与他人观点的来回“交锋”

Benjamin Todd·@ben_j_todd

80,000 Hours 创始人 · AI 主题 · 漫画作者

    Yann LeCun in 2032（2032 年的 Yann LeCun）    画面下方标题：“LLMs are hitting a wall.“（LLM 撞墙了），署名Benjamin Todd。

▸此人创作漫画，画面背景设定在2032 年纽约，整个城市已被 AI / 机器人重塑。前景里那个穿西装、侃侃而谈的人是未来的 LeCun，他对身边的人说：“LLM 撞墙了。”

▸核心反讽：哪怕到了 2032 年，世界已经被 AI 改造成这副模样，LeCun 还在坚持那句他从 2022 年说到现在的老话，温和调侃 LeCun“年复一年持同一观点”；同时也暗含一个反问：如果 LLM 真撞墙了，怎么世界还是被 AI 改造得这么彻底？

    1. 我从未说过大语言模型（LLM）没用。它们确实有用，特别是加上了现在各种花哨的新功能后。我自己也在用。    2. 但一个机器人高度普及的未来，是不可能建立在那些既不理解物理世界、又无法预见行为后果的 AI 之上的。而大语言模型确实做不到这两点。    3. 说实话，漫画里描绘的未来看起来挺反乌托邦的。但即便是一个非反乌托邦的版本，也同样需要“世界模型”和“零样本规划”能力。    4. 我很少穿西装，而且绝对、从来不打领带。    5. 我这辈子都绝对不会把咖啡杯放在精密设备上面。    6. 但愿到 2032 年，我看起来还能这么年轻。

▸LeCun 转发调侃自己的漫画后评论——前 3 点重申技术立场，后 3 点（西装／咖啡杯／年轻）则是借漫画细节，再次印证缺少”预测模型“的局限性——如果你能预判”杯子倒了”的后果，你物理上就不会把它放那儿（人物形象和年龄预判也是）。而目前的 AI 显然不理解这种物理逻辑。

Elan Barenholtz·@ebarenholtz

认知科学家 · 视觉与表征研究

    这就是 LeCun，从不把自己看得太重，太赞了。    不过话说回来，物理行为当然需要物理知识，但这并不意味着”基本的生成式路线就是错的”。它只是意味着：我们需要把传感器数据和行为输出（也许再加一点强化学习）纳入闭环而已。

▸传感器数据（Sensor Data）：类似机器的”感官“。指机器从外部物理世界获取的原始信号——包括视觉（摄像头像素）、听觉（麦克风波形）、触觉（压力传感器信号），以及空间感（IMU／陀螺仪的加速度数据）。解决”世界现在是什么样？“的问题。没有它，机器就是盲目的。  行为输出（Action Output）：模型对世界做出的”动作“，类似机器的”肌肉“。模型根据计算结果，向执行机构发出的指令——通常表现为控制电机转动的电流大小、机械臂角度、移动方向、抓取力度等。解决”我要如何改变世界？“的问题。 

  强化学习（Reinforcement Learning）：一种”试错式“的训练方式，类似机器的”本能／欲望“——做对了给奖励、做错了给惩罚，模型通过反复尝试自己摸索出最优策略。

▸什么是”纳入闭环”：在传统的 LLM（如 GPT-4）中，过程通常是开环（Open-loop）的：只输入、不接收世界反馈；你问它，它回答。它不需要根据你的表情（传感器数据）实时调整说话的语气，也不需要为它的话产生的后果负责。而“纳入闭环” = 动作执行后，再把世界的新状态送回模型当输入，边做边修正。意味着建立一个”感知 → 动作 → 反馈 → 纠错修正“实时互动的因果链条。  该评论者 Elan 认为：现有生成式模型的本质没问题，只是还需要在此基础上加入”闭环“。

    证明“生成式路径“是错误的，是海量实证的结果：在处理自然传感器数据（如图像和视频）时，联合嵌入架构表现出了对生成式架构（基于重构的架构）的绝对优越性。    这不仅体现在自监督学习领域（在这一领域，I-JEPA、V-JEPA、DINO 等模型的效果远好于 MAE、VAE 等模型），同样也体现在监督学习中：

    你平时用的那些普通的大语言模型（LLM），在处理图像时其实已经在使用联合嵌入架构了——也就是一个视觉编码器（它既不是 LLM，也不是生成式架构）和一个文本编码器，它们通过“对比学习方法（Contrastive method）“训练，从而将图像和文字描述共同映射到一个联合嵌入空间里（例如 CLIP）。    我不想在你面前表现得像”施米德胡伯（Schmidhuber）“那样处处抢功，但我第一篇关于联合嵌入（孪生网络，Siamese nets）的论文早在1993 年的 NIPS上就发表了，当时用的就是对比学习方法。

▸MAE（Masked Autoencoder，掩码自编码器）：一种自监督学习方法（主要用于计算机视觉）。 核心做法是：随机遮挡（mask）图像中大部分区域（通常遮挡 75%），然后让模型仅根据剩余可见部分去重建被遮挡的像素。

  VAE（Variational Autoencoder，变分自编码器）：经典生成式模型，属于自编码器（Autoencoder）家族，但与普通自编码器不同的是：VAE 在编码阶段不输出固定的向量，而是输出一个概率分布（通常是高斯分布）。这样做的好处是：模型不仅能压缩和重建数据，还能在潜在空间（latent space）中进行随机采样，从而生成全新的、与训练数据相似的数据样本。常用于图像生成、数据增强等任务。

  CLIP（Contrastive Language–Image Pre-training，对比语言-图像预训练）：OpenAI 2021 年提出的多模态预训练模型——它同时训练一个图像编码器和一个文本编码器，通过对比学习的方式，让匹配的图像-文本对在向量空间中距离更近，不匹配的则更远。 GPT-4V、Gemini 等多模态大模型的”眼睛“基本都是 CLIP 路线的产物。CLIP 的最大优势是实现了强大的零样本（Zero-Shot）能力 —— 训练时不用具体分类标签，就能让模型根据自然语言描述直接理解和分类图像，广泛应用于图像分类、检索、生成模型的引导（如 Stable Diffusion）等。

▸这三个模型都属于自监督或对比学习范畴，但侧重点不同：

• MAE：重点是视觉表示学习（重建像素）
• VAE：重点是生成新数据（概率建模）
• CLIP：重点是视觉-语言对齐（跨模态理解）
  NIPS（2018年起更名为NeurIPS）：神经信息处理系统大会（Neural Information Processing Systems），机器学习、人工智能和计算神经科学领域最顶尖的国际学术会议之一。

▸Jürgen Schmidhuber（最具争议的人工智能先驱之一），在《39 位 AI 时代全球脑力巅峰》文章中有介绍（第一类中的第五位）。

DL

Daniel Lewis·@daniellewisdl

普通用户

    画面下方标题：”See what world models can do!“（看看世界模型能做到什么！）。

▸一用户续作 Benjamin 的图——同样的 2032 年纽约，但城市变得绿意盎然、整洁有序、机器人与城市和谐共生“

 我已经不胖了 😂

▸LeCun 注意到 Daniel Lewis 这张续作里”未来的自己”变胖了，幽默吐槽。

EZ

Ezgim·@SerkanEzgim

普通用户

    如果我没记错的话，前段时间你说过 LLM 不需要再做学术研究了，关于 LLM 已经没什么可探索的了。我觉得是大家把不同的话题混在一起了——LLM 根本没在撞墙。

   我不是那个意思。

    我想说的是，大语言模型（LLM）目前主要掌握在工业界手中，很大程度是一项工程技术，而且需要极其庞大的计算资源，学术界很难做出实质性的贡献。

    更重要的是，LLM 是当下的技术。学术研究者，尤其是博士生，应该致力于研发下一代技术，即下一个范式。

▸LeCun 区分两个层面：① LLM 作为产品当然没撞墙、还在快速进展；② 但作为研究课题，对学术界已经”关上了门“——因为玩不起算力，且关键创新都在大公司内部。这是他对自己被频繁误解”说 LLM 没用“的澄清。

SR

Simone Romeo·@simone_m_romeo

普通用户

    我猜大家批评你的点在于：2022 年的时候，你没有看到（或者至少没有公开承认）那条平滑且连续的指数曲线——它从当年的 LLM，一路延伸到现在的 agentic 模型（智能体模型）、再延伸到机器人遍地的未来。

▸平滑且连续的指数曲线：指AI能力不是跳跃式、断断续续发展的，而是一条持续向上、指数级增长的平滑曲线。能力的提升也是连贯的、前后高度相关的。

  这段话的杀伤力在于？从 2022 年至今，大家确实看到了 LLM并没有因为“缺乏物理常识”而原地踏步，反而通过大规模的多模态训练（视频、3D 数据）和 Agent 框架，开始进入机器人控制领域了。

  批评者认为，从 ChatGPT（2022年）到现在的 AI Agent，再到未来的机器人，并不是断裂的技术飞跃，而是一条由算力和数据驱动的、连续上升的指数曲线。因此，批判者们认为 LeCun 低估了这种“量变引起质变”的连贯逻辑和速度，缺少这一维度视角。

    大家批评我，是因为他们没看到一件事：所有现实世界中看起来像指数级的增长过程，其实都只是sigmoid 曲线的最初一段。    那些能在较长时间里维持指数形态的过程，本质上是一连串小 sigmoid曲线的叠加，每一段 sigmoid 都对应着一次重大创新。    我只是在说：要让 AI 这条指数曲线继续往上走，下一次重大创新将会是世界模型 + JEPA的登场。    对外行来说，它看起来就像是这条指数曲线又往上爬了一步而已；但对身在其中的我们来说，那将是一次根本性的范式转变（Conceptual Shift）。

▸Yann回击的这段话非常有深意，也非常值得深思，适用于人生各个方面：

   首先，他用一个数学模型”Sigmoid 曲线”优雅反击乐观派们把 AI 发展看成一条连续、平滑、无限向上的指数曲线，Yann 认为，真实世界中没有真正的无限指数增长。所有看起来像指数的曲线，最终都会进入 Sigmoid 曲线 的平滑期（平台期）；而所有看似指数级爆发的过程，实际上都只是 S型曲线（sigmoid）的前半段。

  【Sigmoid 曲线的特点是：前期缓慢 → 中期快速指数式增长 → 后期逐渐放缓并趋于饱和。】

   然后，他解释到 —— 虽然 AI 目前的整体发展确实看起来像一条长期上涨📈的指数曲线，但他认为这不是靠一种技术跑到底的。长期看起来像指数的增长，其实是多个 S 型曲线接力的结果。每当一个技术范式接近饱和（增长放缓），就会出现一次重大创新，开启下一个新的 sigmoid 曲线，从而让整体曲线继续保持向上。

   这句提醒打破了我们长期以来形成的“质变引起量变”的刻板印象：学生时代，我们早已对这六个字烂熟于心，却也常常因此陷入误区：以为只要持续堆积努力、不断增加输入，就自然会迎来突破。

   Yann 作为资深科学家，他的视角提醒我们，在通往“量变”的终点之前，底层的“引擎主体”往往已经产生了多次更迭。如果底层逻辑不升级，光堆量是产生不了奇迹的。马车再怎么改良，也变不成飞机；在学习中，如果只有麻木地刷题，没有深度复盘、内化思考、策略与认知维度的全面升级，那也很快遇到瓶颈、陷入僵局。

   最后，他强调——当 AGI 真的实现时，外行只会感叹“哇，AI 又进步了”，觉得这还是原来那条线；但内行知道，这背后的“发动机”早已迭代，新的Sigmoid曲线已在无声中接替，叠在原有的曲线上，形成持续上升的错觉。而接下来让曲线再次“抬头”的动力，定是世界模型 + JEPA。

LG

longGG123·@longgege_god

普通用户

    你别狡辩了！是你自己说的——LLM 还不如猫聪明！你一直在贬低 LLM。现在的模型确实加了一堆别的技术，但地基还是 LLM。

    我们至今还没有能像猫一样理解物理世界的 AI 系统。    JEPA 正在接近这个目标。    LLM 和其他生成式架构做不到。    生成式架构，特别是那种产出离散 token 的模型（比如 LLM），对于高维、连续、且充满噪声的数据——根本行不通（DO NOT WORK）。

▸离散 token：指将连续的信息切割成一个个孤立、确定的符号单位（如单词、字符或预定义的代码块）。就像是“乐高积木”。LLM 处理世界的方式是把所有东西都变成编号的积木。

▸高维、连续、噪声数据：现实世界的数据（比如视频、机器人感知到的图像、物理运动等）通常是高维度的（信息量极大）、连续的（数据之间没有明确的分界线，是平滑过渡的）、充满噪声的（数据中包含大量与核心逻辑无关的干扰信息。比如你想看清路上的车，但镜头里还有飘过的落叶、闪烁的路灯、雨滴折射等）。 LLM 这类生成式模型擅长处理的是“离散的符号序列”，它们处理复杂、模糊、连续的物理世界数据时，效果很差。用有限的积木去拼凑无限的世界，必然会丢失大量微妙的过渡信息。

HA

hassan·@hbou

普通用户

    你说的“理解“到底是什么意思？目前基于 AI 的产品其实已经有一定的物理感和物理世界感知能力了。

    现在那些 AI 产品看起来”懂物理”，靠的其实是两招：    1.视觉编码器（Vision encoders）——它们不是 LLM，本质上是联合嵌入架构，把图像和文字描述映射到同一个嵌入空间。

    2.痛苦地、暴力地用海量的物理事实陈述句去训练它——你可以训到它对任何具体问题都能”答得头头是道”。但它仍然没有最基本的物理常识。

▸怎么理解“把图像和文字描述映射到同一个嵌入空间”的视觉编码器？

  首先，”嵌入空间”（embedding space）可以看作是一个高维的几何空间。空间里的每一个点都是一个向量。“联合嵌入”指的是：让两种（或多种）不同模态的东西，共享同一个嵌入空间。模型做的事情，就是把各种东西（图片、文字、声音）都翻译成这个空间里的一个点（一个向量）。其关键性质是：语义上越相近的东西，在这个空间里的距离就越近。

  比如：一张猫的图片 → 编码成一个向量点；

          一句 “一只可爱的橘色小猫坐在沙发上” → 编码成另一个向量点。

  如果模型学得足够好，这两个向量点在这个空间里就会离得很近，离”狗”稍远，离”飞机”非常远。

▸ 怎么训练出来的？

  以 CLIP 为例。其训练方式大概是：抓取互联网上 4 亿对”图片 + 配文”的数据。每一对里，图片用一个图像编码器变成一个向量；配文用一个文本编码器也变成一个向量。

  然后训练目标是：让配对的图文向量在空间里靠近，让不配对的图文向量在空间里远离（即对比学习）。训练完之后，你给它一张从没见过的小狗照片，它能把这张照片编码成一个向量，而这个向量恰好会非常接近”一只狗”这句话的向量——所以模型”认出”了狗。达成的结果就是：它能通过文字“理解”图像，也能用图像“解释”文字。

▸LeCun 的论据：“坐标重合”不等于“逻辑理解”。这种架构学到的是”图像表面特征”和”文字标签”的统计关联，而不是物理世界的因果模型。即：它学的是相关性（哪些像素模式经常和哪些词共现），而不是因果性（物体之间的物理作用）。

   总的来说，LeCun 认为下一代 AI 必须能预测世界状态的变化，而不只是匹配静态的图文对。

    我不明白为什么我们要自动给那些所谓的”真诚观点”加分。

    说真的，谁在乎啊？

    如果我真心实意地认为一场”跨维度吸血鬼攻击”迫在眉睫，难道仅仅因为我对这种该死的妄想表现得足够真诚，这观点就变得理智了吗？

    那个往萨姆·奥特曼（Sam Altman）家扔汽油弹的家伙，大概在他的妄想里也是极其”真诚”的。他在试图解决一个虚构的未来问题，代价是在真实世界里制造一个真问题。

    历史上多的是在妄想中保持”真诚”的人。查理·曼森（连环杀手）很真诚。马克思、戈培尔以及历史上所有判断错误的人，在当时也都真诚。

    这就是人类史——满眼妄念（Maya）。

    在判断一个人的主张或预测是否正确时，”真诚”的参考价值绝对为零。

    另一方面，我们也过度迷信——”某人在某领域工作，所以他一定能预测该领域的未来。”

    凭什么？

    如果我是一个造桥工程师，我怎么会知道桥梁在未来会如何影响社会？

    答案是：我不知道。我只管修桥。

    我预测了关于桥梁的事情，这一事实根本无关紧要，因为”造桥”和”预测未来”这两种技能完全不重合。

    我也许拥有很强的预测未来的能力，但这种能力与我是否在这个领域工作完全、彻底无关。

    事实是，我们大多数人对未来的预测纯属扯淡。

    人类在长期预测方面，普遍做得烂透了。

    如果你生活在 1440 年的德国，并对德国社会的未来做出预测，你注定会出错。因为你预测不到印刷术的出现，也预判不了它将如何改变社会的结构和轨迹。

    我们默认给了太多人、太多能力去准确预测任何事情，这简直是过度授信。

    只有极少数人擅长预测，绝大多数人对此都烂透了。

    想知道为什么大语言模型（LLM）在表面语义上看起来很犀利，但在精细颗粒度的内容上却显得空洞吗？

    论文：《From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning》（《从 Token 到思想：LLM 与人类如何在”压缩”与”意义”之间取舍》）

    我们认为原因在于：LLM 过度压缩了。人类会因为细微差别（nuance）而保留一些”低效”的概念；而 LLM 为了更干净、更符合信息论意义上的压缩，会丢弃这些差别。不同的优化目标，会产生不同的表征。

    我们用“信息瓶颈“（Information Bottleneck）的视角分析了 40+ 个模型，还发现：编码器（encoder）在与人类对齐方面，往往比比它大几倍的解码器（decoder）做得更好；并且在训练过程中，语义处理会从深层迁移到中层网络——因为模型逐渐学会了更稀疏的编码方式。

“与人类对齐”：这里的”对齐”不是价值观对齐，而是指概念表征的对齐——也就是：模型脑子里”猫”这个概念的内部向量，和人类对”猫”的认知结构有多像？

为什么”编码器做得更好？”：正是因为上面训练目标的差异 —— 编码器的目标，如 BERT 的 MLM，需要随机遮住一些词，让模型猜。比如”小猫在喝***（遮住部分）”——要猜出”牛奶”。这个任务强迫模型把每个词的语义信息浓缩进它的向量表征，因为下游任务（分类、检索）需要直接读这些向量。表征本身就是产品。解码器的目标，是预测下一个词。这个任务只要求模型最后一层能输出正确的概率分布，中间表征长什么样无所谓——只要最后能算出”下一个词是 X”就行。表征只是手段，不是产品。

  比如一个 70 层的 Transformer，信息从第 1 层流到第 70 层。研究者发现一个普遍规律：

• 浅层（前几层）：处理词法、句法、表层模式（”这是个名词”、”主谓一致”）
• 中层：处理语义、概念关系（”猫和狗都是宠物”）
• 深层（最后几层）：处理任务相关的输出格式（”下一个 token 应该是什么”）“Transformer” 这个词在 AI 语境里特指一种神经网络架构，它的核心操作是把一组向量”变换”成另一组向量——输入一段文字的向量表示，输出一段被理解过的、富含上下文信息的向量表示。现在所有主流大模型（GPT、Claude、Llama、BERT、Gemini……）的底层架构都是 Transformer 或它的变体。 再理解：信息怎么在层之间流动——

   可以想象成一条流水线：输入”小猫在喝牛奶” → 第 1 层（识别这些是名词、动词）→ 第 2 层（开始组合：’小猫’是主语）→ … → 第 35 层（理解整句的语义：这是一个动物进食的场景）→ … → 第 70 层（准备输出：下一个词应该是句号 / “。”）。每过一层，向量里携带的信息就更”高级”一点。

   最后，理解“语义处理从深层迁移到中层网络”——

• 前期：模型刚开始学，很笨，它需要动用所有层级（尤其是最后的深层）去死记硬背数据里的每一个细节。

• 后期：随着训练进行，模型找到了规律。它发现只要在中间层通过一些关键特征就能锁定语义了。

   这说明，模型不再需要到最后一刻才思考，而是在信息处理的一半时，就已经通过稀疏编码（只动用最关键的神经元）锁定了核心意义。这说明模型学会了高效的抽象。

▸ 什么是“稀疏编码”：

• 稠密 (Dense) = 笨： 每个神经元都在乱动，试图记住所有细节。

• 稀疏 (Sparse) = 灵： 只有几个神经元亮起，但它们精准地击中了事物的本质。

  总的来说，通过训练，模型变聪明了，学会了‘抓重点’（稀疏编码），所以它在处理信息的一半时就能‘秒懂’语义（从中层截获），而不需要像新手那样费劲地推导到最后。

    《信息瓶颈》播客新一期上线，这次嘉宾是普林斯顿的 @liuzhuang1234。

    我们聊了：

ConvNeXt 与“架构是否还重要” 

数据集偏差 和“什么才算好数据” 

ImageBind 与 “为什么视觉是跨模态的天然桥梁” 

CLIP 的盲区 

 记忆——智能体热潮背后真正的瓶颈 

 LLM 是否拥有世界模型 

 以及 无归一化的 Transformer 

    视觉社区争论了多年：架构、归纳偏置、self-attention vs 卷积，到底哪个才重要。一番来回之后，我们落到了一个尴尬的位置：ViT 和 ConvNet 调好之后表现差不多。

    我觉得有意思的是——

    一旦达到某个性能水平，更换、调整组件就变得很容易，而结果几乎不变。

    跟 Zhuang 聊这一期时，我一直在想：LLM 现在是不是也一样了？如果今天我们认真投入做一个替代架构，结果会得到一个本质不同的模型，还是只是绕一圈又落回同一条Pareto 曲线上？

    我开始怀疑是后者。

    架构远没有我们以为的那么重要。

    数据、算力，加上几根关键支柱，做了大部分活。

     因压制 AI 而死的人，会比因”想象中的 AI 末日”死的人更多。

    他们会死于——被限制上路的自动驾驶汽车：这些车比人类司机安全 90%。

    他们会死于——那些永远造不出来的疫苗和疗法。

    他们会死于——本可预防的疾病；死于一个被减速的经济。

    还会有人以”狂热分子”的身份死去——因为“反 AI 运动”正在激进化他们的追随者，怂恿其开枪伤人、投掷汽油弹。

 实际上，AI 已经在拯救生命了。

    在多个国家，乳腺 X 光筛查已经由 AI 与放射科医生联合判读，可靠性显著提升。

    在欧盟，每一辆出售的新车都必须配备自动紧急制动系统（AEB）——这就是 AI。它能将正面碰撞事故减少 40%。

    现代 MRI 机器（MRI-Magnetic Resonance Imaging，磁共振成像）都搭载了 AI 技术，将成像时间缩短了 4 倍甚至更多。这还没把现代 AI 推动的医学进步算进来——包括获得诺贝尔奖的蛋白质结构预测（指 AlphaFold）。

    “生存风险”论者（Existential risk mongers）是一个人数虽少、但嗓门极大的“邪教”组织，他们拥有极其高明的网络“草根营销”（astroturfing）技巧。

    政客们从来不会放过任何一个绝佳的虚假危机，这正是为什么这种危机成了伯尼（指伯尼·桑德斯）试图从私有领域夺回生产资料控制权的完美借口。

    想象一下，如果在 1997 年，有主流政客把“天堂之门”（Heaven’s Gate，美国著名的自杀邪教）请上政治舞台会怎样？

    这就是当今美国政治边缘化的现状。

    我们已经陷入了荒诞的深渊（jumped the shark），完全脱离了美国当下的现实主线。

    而导致这种疯狂的并非 AI，而是人类那种老掉牙的幻觉、编故事能力和妄想症。

    社会永远不该针对那些在现实中毫无依据的、虚幻的未来威胁制定政策。AI 已被数十亿人使用，它与人们想象的样子截然不同——我们现在都还活得好好的，而且即便按以往科技革命的标准衡量，AI 产生的问题也少得离谱。

    如果我告诉你有一种技术每年会导致150 万人死亡、5000 万人受伤，你会支持这种技术吗？答案是肯定的，因为那就是汽车。你今天可能就坐过车，接受了这种风险，甚至连想都没想过。

    相比之下，因 AI 而死亡或受伤的人数比例极其微小，甚至连那些案例充其量也只是似是而非。

    事实上，AI 已经挽救了无数生命。它通过辅助研发新冠和流感疫苗，在药物发现领域救人无数；它通过防抱死制动系统（ABS）救人；它通过比人类驾驶员安全 10 倍的自动驾驶汽车救人——然而，你在新闻里读到的关于自动驾驶的唯一内容，却是那些极其罕见的撞了条狗或伤了人的故事。

    如果这听起来很不理智、很疯狂，那是因为事实确实如此。

    我们竟然在担心一种拥有近乎完美安全记录的技术，却对一种每天都在杀人的技术安之若素？

    欢迎来到人类大脑的非理性世界！

    如果那些叫嚣“暂停 AI”的邪教徒得逞了，我们现在还会困在 GPT-2 那个满口胡言的烂摊子里，根本无法取得如今这种更加稳健、高度对齐、既聪明又实用的模型进展。

    这是因为，你不可能靠在脑子里空想，或者在Less Wrong论坛上给其他“精神自嗨者”写几篇愚蠢的文章就能取得进步。

    解决现实世界中的问题，必须依靠不断尝试与纠错（trial and error）。

    让 AI 变得安全的唯一途径，就是在现实世界中去建造它、迭代它。

    别无他法。

    人工智能（AI）经历了史上安全性最高的科技推广过程之一。

    请再读一遍，因为这是事实。

    它正被数十亿人使用，而实际出现问题的比例仅占极小的百分比。

    然而，在许多人眼中，它依然被视为危险或不安全的。

    不断有一群人大声疾呼它所谓的危险，但在最关键的地方——现实世界里——他们却拿不出任何证据。

    那么，现实中到底发生了什么？

    法庭上只有寥寥几起关于早期版本 ChatGPT 的诉讼，指控它过于谄媚、未能识别心理疾病或求助信号。这些案件仍在审理中，结果尚未定论（媒体披露的一些片段虽有负面影响，但并非定论）。

    时间会证明一切。在被证明有罪之前，它是无罪的。诉讼的本质往往是寻找替罪羊，而这些指控在实际审理过程中经常会被驳回。

    但除此之外，还有什么？

    答案是：没多少。

    如果透过历史上其他技术的镜头来看，AI 的事故率可能比割草机还要低。

    当你联想到汽车和飞机等其他技术时，这种担忧就更显得毫无道理——这些技术早期的安全记录简直惨不忍睹。

    AI 的安全记录甚至比核能还要好。

    尽管核能总体上非常安全，但它也发生过三哩岛和福岛等举世震惊的严重事故。

    而 AI 呢？完全没有发生过类似的事情，甚至边儿都沾不上。

    我现在就能听到反对者在说：”那只是目前，走着瞧吧！“

    然而，我们等了一等，再等一等。

    对 AI 的恐惧是一种生命力极其顽强的怪兽。

    尽管在”现实领地”中几乎从未出现过真正的伤害，这种恐惧依然挥之不去。

    自动驾驶汽车显然比人类驾驶更安全。全球每年因人类驾驶导致120 万人死亡、500 万人受伤。

    Waymo自动驾驶汽车的安全性大约是人类的10 倍，伤亡率极低。即便早期的自动驾驶汽车，其安全记录也远好于早期由人类驾驶的汽车——人类驾驶的糟糕记录甚至一直持续到 20 世纪 50 和 60 年代。

    说到汽车，社会实际上曾抵制过让它变得更安全。人们因为要付钱而反对系安全带，他们曾将早期的酒驾法律视为对自由的侵害。

    早期的飞机旅行极度危险。我们花了数十年时间才将其打造成为今天的安全奇迹。

    那么工作岗位呢？

    虽然 AI 高管们在谈论”工作的终结”，但他们却在被认为风险最高的职业——程序员——中招募更多人才，且起薪往往高达 50 万美元。

    对优秀程序员的需求正在上升。

    确实有高管声称因为 AI 而裁员。但深入观察会发现，这大多只是规避劳动法或讨好股东的借口，更多应归因于疫情期间的过度招聘。

告诉股东裁员是因为”AI”，你会被奖励”提高了效率”；如果说是因为自己招错人或决策失误，股价就会被重创。

    事实是，任何在最前沿认真使用 AI 的人都能看到，你必须像哄小孩一样引导、照看它。它无法端到端地完成一份工作，它只能完成任务，仅此而已。

    它当然会变得更好，但它会魔术般地从”任务”跨越到”工作”吗？也许吧。但在我们制定政策之前，我们需要在现实中看到证据。

    那么现实中还有其他问题吗？

    除了我在作品中详述过的两个问题外，别无其他：

    监控与战争武器。

    但这并非新鲜事。AI 只是增强了它们，就像计算机、材料科学和之前的历次科技革命所做的一样。

    请再次拷问自己，真正的现实问题到底在哪？

    又有一群人大声叫嚣着：”等着瞧，我在脑子里构思了这个难题，它是不可避免的，因为我说了算。”

    然而，每天都有数十亿人在毫无障碍地使用这项技术。

    你可能会引用”罗素的火鸡“理论：趋势在断裂前永远是趋势。但证明趋势即将断裂的责任在你。除了人们的臆想，目前没有任何证据。

    人们到底什么时候才能清醒过来，意识到这一切根本毫无道理？

    并不是说不会出问题。而是我们预想的问题（我们已经预想了 100 年的”工作终结”）往往与现实发生的并不相符。问题最后会以完全不同的面貌出现，而你只能在它们出现时再去解决。

    今天的许多政客幻想着，如果当年能通过监管”走在互联网前面”，我们的处境会好得多。

    纯属胡言乱语。当年通过《通信规范法》第 230 条时，国会问得最多的问题还是“什么是互联网？“难道指望这群人能预见到 25 年后的 TikTok？

    不。

    我们必须处理已经出现的问题，而不是处理某些嗓门很大的人承诺会发生的虚幻问题。举证责任在他们身上，写长篇大论、搞”第一性原理思考”或写几本吓人的书，都不能算作任何证据。

    这种认知失调什么时候才会触底，让人们醒悟并说一句”也许我错了”？

    可能永远不会。

    信仰是一种微妙的东西，而错误的信仰在世界历史上造成的问题，远比 AI 将要造成的要多。

    绝不要让批判性思维挡了你那些“极端幻想故事”的路。

    如果你正处于这条滑块的任何一端——那么恭喜你，你可能只是个套在成年人皮囊里的孩子！

    非黑即白的二元论思维，是小孩的专利。

    长大成人之后，就该把这些幼稚玩意儿收起来了。

特朗普在其第二个任期的大部分时间里，一直把盟友政府当成“白吃白住”的租客，觉得他们理应因他没换掉门锁而感恩戴德。

    结果不出所料：盟友们不再守着租约到期，而是开始买自己的房产了。

    现在发生的事情与 2017 年至 2019 年间的那些牢骚有本质不同。

    那时，欧洲领导人仍相信这种关系是周期性的 —— 相信美国最终会清醒过来，旧有的架构也会重新拼合。

    这种信念已经幻灭。

    格陵兰岛事件永久性地改变了一切。取而代之的是结构性的抉择：

    德国进行了自统一前从未有过的规模化重整军备；法国主导的欧洲防务协作正刻意将华盛顿排除在外；韩国在悄然讨论自主核威慑；日本的国防开支也达到了五年前在政治上难以想象的水平。

    这种转变的关键动力在于，它们会产生自身的惯性。

    为了供应欧洲军队而重建的德国军工产业，不会在下一任美国总统打个电话时就刀枪入库；一代习惯了在没有美国指挥整合下运作的欧洲防务策划者，也不会轻易忘掉这套模式；那些改道新走廊的贸易关系，更不会仅仅因为华盛顿某人最终递出橄榄枝，就自发地回到旧路。

    特朗普似乎将美国的力量视为一种静态资产 —— 一种可以为了短期筹码而不断挥霍，却不会削弱其底蕴的资产。

    他的盟友们明白、但他却不明白的一点是：这种资产的核心始终在于“关系”。从盟友们不再相信它的那一刻起，资产负债表就发生了永久性的改变。

    这其中的讽刺近乎古典主义：他本想让盟友为美国的保护支付更多费用，结果却成功说服了他们——从此不再需要这种保护。

    俄罗斯曾在白喉看似被彻底击败之后，放松了疫苗接种标准。结果——15.7 万人感染、5000 人死亡。

    日本在公众信任崩溃后取消了强制接种。风疹卷土重来——新生儿先天失明、失聪。

    尼日利亚抵制脊髓灰质炎疫苗。病毒让 2500 名儿童瘫痪，并扩散到 20 个国家。

    而如今，肯尼迪（RFK Jr.）已从常规接种计划中移除了 6 种疫苗，并撤回了 16 亿美元的全球免疫资金。麻疹已在美国 46 个州出现疫情。

    更聪明的人，更少使用暴力。

    “暴力行为的发生率会随着智商升高而稳步下降：在 IQ 70–79 区间的个体中，有16.3%报告自己有暴力行为；而在 IQ 120–129 区间，这一比例仅为2.9%。”