再次支持杨立昆关于AI的预测

神哥说：当你走进一个餐厅的包间，你会直接走向一个还空着的位子，而不会计算所有可能的路线，directly.

人类的进化也充满Zen 禅意；

杨立昆（Yann LeCun 图灵奖得主在1980年代发明了CNN）用一个17岁少年的故事告诉所有人：人类学开车可能只需要20小时（但神哥认为这里省略掉了人类几万年进化的能力），但Tesla用几百万小时的训练看起来已经接近自动驾驶了，但背后还是有一个大模型的致命问题：不能预测每一个动作的结果。

【LLM弱点是复杂并不可预测物理后果】

LLM（大语言模型）当然很有用，但是它非常的臃肿和占用资源，它并不简洁。对的路一定是简洁的。

这个哲学判断是非常精准的，宇宙中的简洁即是一种美。

人类如果说短的进化史，按6万年计算，其智能发展过程不是按照LLM的训练方式去完成的，而是会形成直觉和预测能力，这里的预测是后果预测，和LLM的符号概率预测是两码事。

因为人类进化有个非常重要的基准，一切以节约资源为原则，包括思考所消耗的能量，人类智能通过一碗米饭就可以支撑巨大的算力以及经过学习后就可以迅速掌握千万种概率中最符合真实世界的情况的物理能力。

比如我面前有一杯水，我现在用手拿起来，因为我知道它有几百克并且拿起它轻而易举；
我开车如果看到马路右侧的人行道上有一个无人看管的2岁小孩，我会预测他是否会跑到路边而进行防御性的驾驶，尽管这种概率并不高，但这是形成的肌肉记忆给予的直觉，且并不消耗我的脑力；
飞驰人生三中，那个桥段，发动机低温，沈腾找到一个石头撞击散热器，使得散热器失效而维持发动机温度，这种决策是LLM做不出的，因为AI预测不出来车撞上的是石头还是树叶，不知道障碍物的总质量，碰撞的动能并由此产生破坏车辆散热器需要恰到好处；

【所以】

LLM本质是符号的概率预测器，它几乎没有可能产生自我意识。

LLM很有用，但不是通往人类智能的路径。

就像我以前所说的，通过巨大的资源投入，使它表面在某些程度上像个人，即“类人”。但类人不是人。

Yan LeCun 说的更激进一点：他要专门做一件事，证明chatGPT、claude、Gemini、全都是死路一条。

【AI的赌注不忘底层逻辑】

因为资本需要看到每个季度的回报和可预测性；

所以整个行业的“聪明人”把所有的资源投入到LLM里面，在“屎上雕花”，努力使得马车的轮子越来越圆而不是想去做发动机。

Yann LeCun打算用JEPA （联合嵌入预测架构）它不基于语言、不是生成式、不输出文字也不输出图像。

语言：

语言是人类创造的符号，脱离了人类智能它也仅仅是符号。

语言即世界，这是维特根斯坦说的，语言的边界就是世界的边界。但这背后有人类智能在帮助解释和理解，而并非语言符号本身有物理意义。符号和物理之间，存在着人类智能作为编译器。

“LLM擅长操纵语言，但其它基本啥都不行”

“我无法想象，怎么会有人在没有【预测后果】的情况下，去构建Agent系统”

如今Yann LeCun融资10亿美元，去证明这件事了。

【繁荣悖论】目前最要命的是：LLM投入越多人才，越多资金，就越输不起；并且抑制其它的可能路径。

【CNN transformer在医学影像中仍旧非常有用】

影像，是一个一个像素组成的，有灰度，有权重，是确定的。通过输入输出改善图像的质量，并不违背和凭空产生，那么它就是有用和有益的。

例如磁共振普遍使用的深度学习加速技术，其本质就是短时间采集一个比较烂的图像，用蒸馏训练好的模型进行再现（而不能严格说是重建）一个优质的图像；

它不能放之四海而皆准，但在局部确实兑现了它“效率工具”的意义。

所以之前也做过猜测，光子计数CT做训练源头，产生模型去支持和它尺寸接近的EID探测器CT，进行范化迁移来降低噪声提高分辨率，也并非绝无可能。

但是你让LLM去做人的事情，我还是感到是死胡同。