最近大家是不是被各种 AI 实验室、创业公司、投资人和科技巨头的信息轰炸得有点头大？
最近大家是不是被各种 AI 实验室、创业公司、投资人和科技巨头的信息轰炸得有点头大？但你注意到没有，这些人——真的是所有人——其实都在押同一个注：生成式 AI（Generative AI）。
现在 AI 和生成式 AI 基本快成同义词了。这套叙事几乎吞掉了所有关注、资本和市场动能，好像除了生成式 AI 之外，其他一切都无关紧要。
但如果……我们全都搞错了呢？
Meta 现在出来放话，说 大语言模型（LLM）不会是机器智能的核心基石。这几乎等于在否定过去几年里 AI 领域几乎每一笔投资背后的核心假设。为啥？接着看。
生成式 AI：通往 AGI 的捷径还是大坑？
简单来说，Meta 最近抛出了对现状的第一次真正挑战：一个非生成式的 AI 世界模型，居然拿到了多个领域的 SOTA（state-of-the-art，最先进成绩）。而且他们还明确表示，大家都做错了，所有人都在把注押在了错误的地方。
那什么是世界模型？为啥它这么重要？
通俗讲，世界模型基于人脑的主动推断原理，也就是大脑会在我们心里建一个"内在世界的模型"，用它预测现实世界接下来会发生什么。这套机制是人类在这个复杂多变、信息不完全的世界上能活下来的底层逻辑。
如果你觉得这些术语有点绕，别急，我给你讲得更简单点。
世界模型到底是啥？
Meta 的研究员希望打造的这个"世界模型"，说白了就是给机器装上"常识引擎"。（这是 Meta 首席科学家 Yann LeCun 的原话）
那什么是"常识"？
从我们很小的时候开始，就会形成一些对世界预期的直觉。比如婴儿很早就会发现：把球扔上天，它会掉下来。没人会指望那球悬在空中不动，因为我们知道重力的存在。
这些直觉构成了我们所谓的"常识"。常识让我们在复杂世界中能预判下一步，提高生存几率。
你知道悬崖边再多走一步会出事，或者在车前那辆车急刹时，大脑会瞬间指挥腿去踩刹车。
所以，大脑的世界模型其实是一个对世界的简化表达，它保留了关键要素，忽略不重要的信息，这样它才能高效预测下一步会发生啥。
换句话说，拥有一个世界模型，至少证明你对这个世界有一定程度的理解。
科学家们想训练世界模型的原因也就显而易见了：一个懂世界的 AI，才是通向通用人工智能（AGI）的最短路。 这也是很多大厂实验室的终极目标，比如 Google DeepMind 的创始人兼 CEO Demis Hassabis 就公开说过，他们追求的不是推理模型，不是垂直领域代理，而是能给机器带来常识的世界模型。
但如今大家的希望，都押在了 ChatGPT 或 Gemini 能带我们实现这个愿景上。问题来了：
这种思路本身是不是有缺陷？生成式模型能靠"生成"去理解世界吗？
ChatGPT 有世界模型吗？
过去很长时间，主流观点是像 ChatGPT 这样的生成式模型，可以通过"生成"世界来理解世界。
只要模仿足够多真实世界的数据（文字、视频），模型就能掌握世界的本质。
有产品这么干过吗？
当然有，比如 Google 的 Genie 2。它接收一段视频和用户操作，然后生成接下来的画面，用于预测游戏环境中接下来会发生啥。
比如，前一帧显示船在水上，用户点击右键，那下一帧就生成船往右开。
听上去很合理吧？为了生成接下来会发生的事，模型必然得理解对吧？
答案是：也许，但也可能完全不是那么回事。
为什么生成像素没那么靠谱？
最大的质疑是：没必要生成场景里的每个细节才能理解它。
至少人脑不是这么干的。我们不需要在脑海里画出树上每片叶子的细节，就能知道那是棵树。
你闭上眼睛想象棵树，你脑海里的"树"是什么样？肯定是简化过的轮廓，而不是一片片叶子的精确样貌。
咱们看到右边这张简笔画一样的图，也能立马认出这是树。
因为大脑只存下了"足够认出它是树"的关键部分。
所以，如果世界模型的任务是捕捉每样东西的本质特征，而不是存下宇宙中每个物体的毫米级细节，那训练 AI 每次都去生成完整细节就没啥意义了。
这时候，JEPA 就登场了。
非生成式的新路
JEPA 的核心理念是：理解不需要复刻。
人脑预测世界，也不是靠先画出来。
JEPA 的背后逻辑
JEPA 的思路 更像人类：它在抽象的表示空间里做预测。
意思是它不是生成模型，不负责画画、生成，而是在内部做预测，像我们大脑一样。
为啥要这么干？
简单：因为这样预测更轻松。
不要求模型生成每个细节，它只需要知道大概会发生啥。比如球会落地，而不是落地时的精确角度、速度、阴影形状。
换句话说，理解球会落地，不需要先模拟整个世界的画面。人脑没这么干，因为那没必要。
JEPA 的训练方法很有意思，它用视频片段，先遮住一部分像素，然后要求模型还原出来。重点不在像素，而在理解原视频的含义。
它的目的就是逼模型去习惯现实中那些"看不全"的场景。
什么是狗？
如果让机器人学会分辨狗，你是让它生成一只超细节的狗，还是教它狗的基本特征（四条腿、毛茸茸、有尾巴）？
显然是后者。
因为如果学得太细，一旦它看到一只不完全符合标准的狗，它反而分不出来。
这就是智能：抽象出关键模式，从而做出正确判断。
而这种训练方式可以让模型在信息不全时也有能力识别，比如看到狗从墙角探出头，它也知道那是狗。
结果
JEPA 模型表现很好，它可以捕捉复杂动作并做出预测：
或者预测机器人下一步要干嘛：
重点是：它不用画出来就知道会发生什么。
这就是对生成式 AI 的公开挑战：大型语言模型可能并不是 AI 的智能引擎。
语言是交流工具，不是智能引擎？
如果 AI 行业真改用 JEPA 这套架构，那对现在一众 AI 实验室的估值就是致命打击。
语言模型仍然重要，因为它是机器跟人交流的桥梁。
但未来 AI 系统真正的智能引擎，可能是非生成式的世界模型，而不是 GPT、Gemini 这样的生成语言引擎。
目前大语言模型的热度短期不会退，OpenAI 也不可能立刻拥抱 JEPA。
但 Meta 已经让怀疑者拿下了第一分。
如果 JEPA+LLM 的组合真被 Meta 玩明白了，接下来谁输谁赢，可就说不准了。
专注搞钱与健康 | "欢迎关注、点赞、分享"
爆料 / 交流 / 合作：请加微信 ifloop
若群满：请加微信 ifloop（备注加群）
推荐阅读
没有评论:
发表评论