LeCun哈佛演讲PPT放出：唱衰自回归LLM指明下一代AI方向
机器如何能像人类和动物一样高效地学习？机器如何学习世界运作方式并获得常识？机器如何学习推理和规划……
然而，知名 AI 学者、图灵奖获得者 Yann LeCun 并不这么认为，他一直唱衰自回归 LLM。近日 LeCun 在哈佛大学的演讲内容深入探讨了这样一些问题，内容长达 95 页，可谓干货满满。
LeCun 给出了一个模块化的认知架构，它可能构成回答这样一些问题的途径。该架构的核心是一个可预测的世界模型，它允许系统预测其行动的后果，并规划一系列行动来优化一组目标。
目标包括保证系统可控性和安全性的护栏。世界模型采用了经过自监督学习训练的分层联合嵌入预测架构（H-JEPA）。
开始部分，LeCun 介绍了目标驱动的人工智能。LeCun 指出与人类、动物相比，机器学习真的烂透了，一个青少年可以在大约 20 小时的练习中学会开车，小朋友可以在几分钟内学会清理餐桌。
相比之下，为了可靠，当前的 ML 系统要通过大量试验进行训练，以便在训练期间可以覆盖最意外的情况。尽管如此，最好的 ML 系统在现实世界任务（例如驾驶）中仍远未达到人类可靠性。
我们距离达到人类水平的人工智能还差得很远，需要几年甚至几十年的时间。在实现这一目标之前，或许会先实现拥有猫类（或者狗类）级别智能的 AI。LeCun 强调 AI 系统应该朝着能够学习、记忆、推理、规划、有常识、可操纵且安全的方向发展。
LeCun 再一次表达了对自回归 LLM 的不满（从 ChatGPT 到 Sora，OpenAI 都是采用的自回归生成式路线），虽然这种技术路线已经充斥了整个 AI 界，但存在事实错误、逻辑错误、不一致、推理有限、毒性等缺陷。此外，自回归 LLM 对潜在现实的了解有限，缺乏常识，没有记忆，而且没办法规划答案。
在他看来，自回归 LLM 仅仅是世界模型的一种简化的特殊情况。为实现世界模型，LeCun 给出的解决方案是联合嵌入预测架构（JEPA）。
LeCun 花了大量篇幅介绍 JEPA 有关技术，最后他给出了简单的总结：放弃生成模型，支持联合嵌入架构；放弃概率模型，支持基于能量的模型（EBM）；放弃对比方法，支持正则化方法；放弃强化学习，支持模型 - 预测控制；仅当规划无法产生结果时才使用强化学习来调整世界模型。
在开源问题上，LeCun 认为开源 AI 不应该因为监管而消失，人工智能平台应该是开源的，否则，技术将被几家公司所掌控。不过为了安全起见，大家还要设置共享护栏目标。
对于 AGI，LeCun 认为根本不存在 AGI，因为智能是高度多维的。虽然现在 AI 只在一些狭窄的领域超越了人类，毫无疑问的是，机器最终将超越人类智能。
LeCun 指出 AI 系统应该朝着能够学习、记忆、推理、规划、有常识、可操纵且安全的方向发展。在他看来，与人类和动物相比，机器学习真的烂透了，LeCun 指出如下原因：
与此不同的是，动物和人类可以很快地学习新任务、了解世界如何运作，并且他们（人类和动物）都有常识。
随后，LeCun 表示人类需要的 AI 智能助理要达到人类级别。但是，我们今天距离人类水平的人工智能还差得很远。
举例来说，17 岁的少年能够最终靠 20 小时的训练学会驾驶（但 AI 仍然没有无限制的 L5 级无人驾驶），10 岁的孩子可以在几分钟内学会清理餐桌，但是现在的 AI 系统还远未达到。现阶段，莫拉维克悖论不断上演，对人类来说很容易的事情对人工智能来说很难，反之亦然。
自监督学习已经被大范围的使用在理解和生成文本，图像，视频，3D 模型，语音，蛋白质等。大家熟悉的研究包括去噪 Auto-Encoder、BERT、RoBERTa。
LeCun 接着介绍了生成式 AI 和自回归大语言模型。自回归生成架构如下所示：
自回归大语言模型（AR-LLM）参数量从 1B 到 500B 不等、训练数据从 1 到 2 万亿 token。ChatGPT、Gemini 等大家熟悉的模型都是采用这种架构。
LeCun 认为虽然这些模型表现惊人，但它们常常会出现愚蠢的错误，比如事实错误、逻辑错误、不一致、推理有限、毒性等。此外，LLM 对潜在现实的了解有限，缺乏常识，没有记忆，而且没办法规划答案。
LeCun 进一步指出自回归 LLM 很糟糕，注定要失败。这些模型不可控、呈指数发散，并且这种缺陷很难修复。
虽然自回归 LLM 在协助写作、初稿生成、文本润色、编程等方面表现出色。但它们经常会出现幻觉，并且在推理、规划、数学等方面表现不佳，需要借助外部工具才能达成目标。用户非常容易被 LLM 生成的答案所迷惑，此外自回归 LLM 也不知道世界是如何运转的。
LeCun 认为当前 AI 技术（仍然）距离人类水平还很远，机器不会像动物和人类那样学习世界的运作方式。目前看来自回归 LLM 无法接近人类智力水平，尽管 AI 在某些狭窄的领域超过了人类。但毫无疑问的是，最终机器将在所有领域超越人类智慧。
在 LeCun 看来，目标驱动的 AI 即自主智能（autonomous intelligence）是一个很好的解决方案，其包括多个配置，一些模块可以即时配置，它们的具体功能由配置器（configurator）模块确定。
配置器的作用是执行控制：给定要执行的任务，它预先配置针对当前任务的感知（perception）、世界模型（world model）、成本（cost）和参与者（actor）。
关于这部分内容，你们可以参考：目标驱动的 AI 中最复杂的部分是世界模型的设计。
LeCun 指出生成架构不适用于图像任务，未来几十年阻碍AI发展的真正障碍是为世界模型设计架构以及训练范式。
训练世界模型是自监督学习（SSL）中的一个典型例子，其基本思想是模式补全。对未来输入（或暂时未观察到的输入）的预测是模式补全的一个特例。在这项工作中，世界模型旨在预测世界状态未来表征。
LeCun 给出的解决方案是联合嵌入预测架构（JEPA），他介绍了联合嵌入世界模型。
LeCun 强调 JEPA 不是生成式的，因为它不能轻易地用于从 x 预测 y。它仅捕获 x 和 y 之间的依赖关系，而不显式生成 y 的预测。下图显示了一个通用 JEPA 和生成模型的对比。
LeCun 认为动物大脑的运行可以看作是对现实世界的模拟，他称之为世界模型。他表示，婴儿在出生后的头几个月通过观察世界来学习基础知识。观察一个小球掉几百次，普通婴儿就算不了解物理，也会对重力的存在与运作有基础认知。
LeCun 表示他已经建立了世界模型的早期版本，能够直接进行基本的物体识别，并正致力于训练它做出预测。
演讲中还介绍了一种基于能量的模型（EBM）架构，如图所示，数据点是黑点，能量函数在数据点周围产生低能量值，并在远离高数据密度区域的地方产生较高能量，如能量等高线所示。
训练 EBM 有两类方法：对比方法和正则化方法，前者对维度扩展非常糟糕，
下图是 EBM 与概率模型的比较，能得出概率模型只是 EBM 的一个特例。为什么选择 EBM 而不是概率模型，LeCun 表示 EBM 在评分函数的选择上提供了更大的灵活性；学习目标函数的选择也灵活性更好。因而 LeCun 更加支持 EBM。
接着 LeCun 介绍了他们在 ICLR 2022 上提出的 VICReg 方法，这是一种基于方差 - 协方差正则化的自监督学习方法，通过约束嵌入空间中样本的方差和协方差，使得模型能够学习到更具代表性的特征。
相较于传统的自监督学习方法，VICReg 在特征提取和表示学习方面表现更好，为自监督学习领域带来了新的突破。
此外，LeCun 还花了大量篇幅介绍 Image-JEPA、Video-JEPA 方法及性能，感兴趣的读者能自行查看。
最后，LeCun 表示他们正在做的事情包括使用 SSL 训练的分层视频 JEPA（Hierarchical Video-JEPA），从视频中进行自监督学习；对目标驱动的 LLM 进行推理和规划，实现这一步需要在表示空间中规划并使用 AR-LLM 将表示转换为文本的对话系统；学习分层规划，就 toy 规划问题对多时间尺度的 H-JEPA 进行训练。
