我首先问LeCun 博士，为什么他总是提到家猫，毕竟我们应该追求的是人类级别的智能。他微笑着提醒我们，猫的大脑约有8至9亿个神经元（人类约有860亿个），但猫仍然能够规划、记忆、在物理世界中导航，并完成大多数机器人无法做到的事情。他指出，当今的大型语言模型的参数数量或许可以媲美猫的突触数量，但仍然缺乏猫所具备的常识。

语言 ≠ 智能

这是当天最发人深省的观点之一。我们以为，一个系统听起来越像人类，它就越聪明，但LeCun 博士直接挑战了这一假设。今天最"像人类"的系统，依然可能无法真正理解这个世界。

"智能根本不需要语言。你不需要语言也能拥有智能。"

基准测试可能是一个陷阱

我们热衷于考试（学术界尤其如此😅），但他认为我们衡量的根本就是错误的东西。

"智能不是一系列技能的集合。它是处理新情况的能力。"

这也正是为什么自动驾驶和家用机器人至今仍然难以实现。他将这一差距定义为模式模仿与真实世界理解之间的鸿沟："总会出现不在你训练集里的新情况。第五级自动驾驶……并不存在。"

缺失的一环：世界模型

那么出路在哪里？LeCun博士认为，我们需要的不是更多的数据和更大的模型，而是一种全新的学习方式——不是通过撞车一百万次来学习，而是通过预测后果来学习，就像人类和动物一样。

"我们有一个心理模型……一个世界模型。给定当前的世界状态……你能预测t+1时刻的状态吗？"

这正是通往真正智能的路径，不是更大的语言模型，而是能够理解、预测并与现实世界互动的系统。

就业、治理，与开源

当然，大会并不只停留在技术层面。在关于工作、社会服务和心理健康的讨论中，焦虑情绪真实可感。杨立昆对就业问题提供了一种有益的重新定位："大多数工作都会受到影响……但大多数工作不会消失。AI将听命于我们。"

最后，有一句话让我久久无法忘怀，如同一记震耳欲聋的收官之语：

"仅凭文本训练，我们永远无法达到人类级别的智能。这永远不会发生。"

在我们梦想人工超级智能之前，我们仍然需要攻克"猫级人工智能"。这是一个令人谦卑的基准，也是一种呼吁——呼吁我们投资于专注于常识与具身智能的研究，而不仅仅是一味地扩大模型规模。

如果你当时在场——或者一直在远程关注这项工作——你认为在下一波浪潮来袭之前，大学和社会最需要解决的一个问题是什么？

作者：Dr. Ruopeng An

编辑：Fan Zhang