夜雨聆风“我们把基准建在了错误的物种身上。”
2026年3月6日，这句话很快在X平台传开。图灵奖得主Yann LeCun领衔的四人团队，在arXiv投下一篇论文，直指整个AI行业追逐了二十年的“圣杯”——通用人工智能（AGI）——根本就是一个定义混乱、方向错误、以人类为中心的幻觉。
帖子当天就冲到2000多赞、20万浏览。发帖人@socialwithaayan用了三个字总结：“It's the trap.”
它要做的，是从根上把AI的北极星拔掉，换一颗新的。
▲ @socialwithaayan 的BREAKING帖引爆讨论，附论文3张关键图——语义地图、任务空间Venn、自回归发散曲线。2056赞，20万+浏览。
人类从来就不是“通用”的，别再自恋了
论文的第一个论点就杀气腾腾：人类智能在任何有意义的意义上，都不是通用的。
你觉得自己“什么都能学会”？那是进化给你制造的错觉。
在国际象棋世界里，Magnus Carlsen是人类天花板。但把他放到一个需要同时处理高维统计、长程因果推理、跨尺度模拟的任务面前——他的“通用智能”瞬间变成摆设。论文说得更直接：人类大脑是进化为了生存和繁殖打磨出来的专用系统。把它当成宇宙通用计算器，属于一厢情愿。
这就是Moravec悖论的核心：人类觉得“简单”的事（走路、抓杯子、听懂讽刺）——其实是亿万年进化硬编码的超级计算；人类觉得“难”的事（下棋、解方程、找规律）——反而是计算机的舒适区。
你不是全能选手。你只是在你的生态位里活得很好的专家。
这也意味着，整个AI行业把“像人一样”当成终极目标，从一开始就瞄错了靶子。
"The AI that helps us fold proteins should not be the same AI that helps us fold clothes."
「帮我们折叠蛋白质的AI，跟帮我们叠衣服的AI，就不该是同一个东西。」
AlphaFold能在蛋白质结构预测上碾压人类科学家，靠的是针对物理化学特性的专用架构+专用数据+专用目标函数。把它拉去“兼职叠衣服”？负迁移（Negative Transfer）会让两项任务一起烂掉。多任务共享参数时，梯度互相冲突，容量互相稀释——数学上这是必然。
论文的结论很冷：模仿人类极限的巨型模型，就是陷阱本身。把靶子放在错误物种身上，天花板自然也是错的。
▲ arXiv论文首页，标题《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，四位作者：Goldfeder、Wyder、LeCun、Shwartz-Ziv。
SAI换了整个坐标系，远不是AGI改个名那么简单
那么LeCun团队给出的新北极星是什么？
SAI——Superhuman Adaptable Intelligence，超级适应智能。
定义拆开来看：能在人类能做的任何重要任务上学会超越人类，并且能填补人类根本做不了的技能空白。
两个关键词。第一，“重要任务”——聚焦有实际价值的领域，划掉漫无边际的全任务覆盖。第二，“适应”——衡量标准从“存量技能清单”切到了“增量学习速度”，看你多快能掌握一件完全陌生的任务。
论文里用了一个变量τ（tau）来刻画这个“适应速度”：给一个新任务域，测量AI从零到超人表现需要的样本数量、时间或算力。τ越小，SAI越强。
这是一个完全不同的评估维度。用论文作者之一的Ravid Shwartz-Ziv在X上的解读来说：“别再列能力清单了。真正的智能，看你学得有多快。”
▲ 合著者Ravid Shwartz-Ziv发长帖解读论文核心：人类非通用、SAI核心指标是适应速度、反对自回归单一架构。
论文里放了一张“语义地图”（Fig.1），用两个轴把市面上所有关于AGI的定义做了分类。纵轴从“纯执行表现”到“学习/适应能力”，横轴从“通用/开放域”到“以人为中心/经济价值”。三个簇直接暴露了当前行业的认知分裂：
- 认知镜像派（Cognitive Mirrors）
：目标就是造一个“数字人”，以人类能力为天花板。 - 经济引擎派（Economic Engines）
：盯住的是“最有经济价值的劳动”，本质上是自动化机器。 - 适应性通才派（Adaptive Generalists）
：追求学习新任务的能力本身，SAI就落在这个区域。
这三个方向在同一个“AGI”标签下混战，不出问题才怪。
▲ ArXivIQ深度解读，用五色框标出论文核心立场：[Pos#1]人类非通用 → [Pos#2]通用非必要 → [Pos#3]AGI无共识 → [Pos#4]现有定义不足 → [Pos#5]聚焦SAI+SSL+世界模型。
自回归模型的命门，论文用一条曲线画出来了
技术层面的攻击也很精准。
论文Fig.3画了一条让所有LLM信仰者坐不住的曲线：P(correct) = (1-ε)^n。
什么意思？自回归模型每一步的预测误差ε，会在长序列中指数级累积。预测第1步正确率还行，预测第100步时，正确率已经跌到灾难级。这就是为什么纯next-token模型在长程规划、多步推理、真实世界交互中频频翻车。
论文的替代方案指向LeCun团队多年力推的方向：世界模型（World Models）+ 自监督学习（SSL）+ 模块化架构。
它跳过了像素/token层面的“猜下一个词”式操作，直接进入抽象的潜在表征空间，模拟“如果我这么做，世界会怎样”。人类下棋时脑子里浮现棋局变化的“心智模拟”，就是世界模型的原型。
SSL作为获取通用知识的基底（不需要海量人工标注，已经在视觉和语言上做到SOTA），配合在latent空间做因果预测的JEPA架构，再搭上专业化系统通过路由/组合实现任务广度——这才是论文暗示的技术路径。
论文给出的答案是“专家网络+协调层”，用一套架构吞下所有任务的思路，行不通。
Goertzel的反击：“你在重新发明我的旧概念”
这篇论文一进入AGI社群，很快就引来回应。
3月7日，AGI这个术语的早期贡献者、SingularityNET CEO Ben Goertzel发帖开火。他的核心论点毫不含糊，直接引用了自己早年提出的EPGI框架来覆盖SAI的几乎所有假设。“SAI是AGI的一个特例。” 在Goertzel看来，LeCun所做的工作本质上是在重新打包旧概念，换标签不换药。
Goertzel在Substack长文中展开了他的论据：他早年提出的EPGI（Efficient Pragmatic General Intelligence）框架已经覆盖了SAI的核心假设——在资源有限的前提下追求实用任务上的高效智能。SAI只是在这个框架上加了一层“人类重要任务”的特殊参数化。
他同时指出了论文的两个重大遗漏：
第一，安全约束缺失。如果快速适应“重要任务”延伸到高风险场景，谁来定义哪些任务“可以变强”、哪些不行？
第二，缺少开放增长的路径。如果SAI困在人类定义的“重要任务”局部最优里，它怎么向更广义的超智能演进？
学术上，这是定义权的争夺。实践上，这是两条完全不同的路线图之争。
▲ Goertzel在Substack发文直指“SAI是AGI特例而非替代”，追溯到其EPGI框架，要求加入安全约束与开放演化。
但客观地说，Goertzel的攻击也有其软肋。他批评LeCun“重新发现”了EPGI，但这恰恰说明SAI并非空穴来风——它本身就扎根于广义智能理论的数学土壤里，只是选择了更可操作、更可测量的切面。
LeCun团队的聪明之处恰恰在于此：用一个可以证伪的、工程上能推进的定义，取代一个越描越大的概念黑洞。
▲ SingularityNET官方下场呼应Goertzel，为争议注入更多组织声量。
36氪的“折衣服”金句，中文媒体也跟进了
这篇论文的中文媒体报道来得很快。
36氪/量子位的文章用了一个极其传神的比喻把论文带入大众视野：“帮我们折蛋白质的AI，不该是帮我们折衣服的AI。”
文章同时点出了论文对中文AI语境的特殊价值：在偏重“应用落地优先”与“具身智能、机器人、科学发现”的讨论环境里，SAI这条路比AGI更务实——它鼓励垂直领域的超人表现、快速适配新场景，用不着花十年去造一个“数字人”。
但也有人担忧：如果SAI这个方向过于强调“只做窄的”，会不会在长线前沿上失去竞争力？
▲ 36氪报道，用Moravec悖论+AlphaFold案例+“不要只当数字人”框架，将论文引入中文读者视野。
这场定义之战才刚开始
把整件事放大了看，这远不止是一篇论文。
LeCun团队在做的，是用一套“专业化+适应速度”的话语体系，去争夺被Scaling Lab们（OpenAI、Anthropic、DeepMind部分路线）把持了多年的AI终极目标定义权。这与LeCun多年来反纯LLM Scaling、推JEPA+世界模型的技术路线完全一致。
对AI产业而言，如果SAI成为新共识，影响是全方位的：
- 资源分配
：更偏向为高价值垂直任务构建专家模块和共享世界模型层，继续一味训练更大的通用基座可能会退到次要位置。 - 评估体系
：衡量标尺从“会做多少题”切到“学新东西多快”。 - 投资逻辑
：AGI概念股故事遇冷，垂直SaaS、机器人、科学计算AI受益。 - 公众讨论
：减少围绕AGI的极端想象，聚焦可证伪的“更快学会有用技能”。
但Goertzel提出的安全与开放增长问题不会被轻易绕过。谁来定义“重要的任务”？快速适应的能力会不会被用于危险领域？ 这些问题如果没人回答，SAI可能只是下一个让所有人各说各话的空壳。
一个可能的未来是两条路线融合：SAI成为通向更高级智能的中间里程碑，Scaling继续做底层算力支撑，世界模型+模块化架构补上结构化推理和快速适应的能力。但术语战争也完全可能继续升级——新定义不断出现，公众更困惑，外界理解成本也会随之上升。
不管最终谁能赢下定义之战，这篇论文至少做对了一件早就该做的事：
它把“人类不是宇宙智能的天花板”这个事实，从哲学闲聊变成了可操作的工程方向。
——
