LeCun團隊極具前瞻性論文，提出超人類適應性智能

算泥社區是集 “AI 大模型開發服務 + 算法 + 算力” 于一體的開源生態社區，歡迎關注！

LeCun團隊剛剛成立的新公司，融資10.3億美元：。

在世界模型領域，打破了人工智能教母李飛飛創立的World Labs公司最高紀錄，引起了不小的轟動。

LeCun可以說是AI領域的“異類”。當前風頭無兩LLM，在他看來注定沒有未來。

LeCun團隊在研究什么呢？

人工智能界長期以來對通用人工智能的執念，深深扎根于一個自大，且站不住腳的錯覺之上，那就是誤以為人類自身的智能是全能通用的。

LeCun團隊發文，徹底撕開了這層偽裝，提出了超人類適應性智能（Superhuman Adaptable Intelligence, SAI）這一全新概念。

他們強烈呼吁整個行業徹底放下對通用智能的盲目崇拜，轉而張開雙臂去擁抱專業化。

通過自監督學習和世界模型構建起多元化的底層架構，把寶貴的計算資源好鋼用在刀刃上，才是推動技術真正實現高效適應與進化的正途。

認清人類智能的專業化本質

大眾總是習慣性地將人類智能視為通用智能的終極黃金標準。

一個受過良好教育的普通人能夠解開復雜的代數方程式，能夠動手修好漏水的水管，能夠規劃一趟完美的跨國旅行，還能在棋盤上排兵布陣。

看著這些跨度極大的技能表現，人們很自然地得出了人類擁有通用智能的結論。

這其實陷入了用人類自身的狹隘標準來定義通用，再反過來沾沾自喜吹捧人類真正通用的死循環陷阱之中。

大自然的進化歷程，早就將人類精細打磨成了高度適應地球特定生態環境的專業化生物。

我們天生就無比精通的那些技能，往往并不是因為它們在數學邏輯上有多簡單，純粹是因為它們對人類在物理世界生存繁衍至關重要。

有些對我們猶如喝水呼吸般自然的動作，在冷冰冰的計算機代碼看來卻猶如登天般困難。

著名的莫拉維克悖論精準地揭示了這個巨大的認知盲點。

讓一個笨重的機器人，像普通人類那樣在崎嶇的山路上直立行走并時刻保持完美的身體平衡，需要消耗龐大且極度復雜的計算資源。

而在人類看來必須絕頂聰明才能掌握的國際象棋，用簡單的幾行基礎代碼就能讓計算機徹底吃透并橫掃天下。

這恰恰證明了人類深陷在自我編織的通用幻覺里無法自拔。

人類那雙只盯著生存法則的眼睛，根本無法察覺到自身存在著龐大到令人絕望的認知盲區。

只要讓人類去毫無依托地心算超大矩陣乘法，或者像某些海洋生物那樣利用聲波進行精準的回聲定位，人類自稱通用的底氣立刻就會煙消云散。

以公認的國際象棋大師馬格努斯卡爾森為例來剖析。

世人都把他捧上神壇，認為他代表了人類大腦適應國際象棋復雜規則的最高巔峰。

用絕對冷酷客觀的數字標準來衡量，卡爾森下棋的真實水平真的算不上有多么出神入化。

隨便一臺現代普通家用電腦運行的基礎開源下棋軟件，就能不費吹灰之力將其徹底擊潰。

我們之所以覺得卡爾森是個千年一遇的天才，純粹是因為普通人類在這個非生存必需的任務上表現得實在太差勁了。

人類根本算不上什么包羅萬象的通用智能代表，僅僅只是一群針對特定生存環境經過億萬年微調的高級自適應專家。

科技界有一些極具影響力的領軍人物，對此拋出了截然不同的反駁意見。

馬斯克和哈薩比斯等人堅稱，人類的大腦本質上就像是一臺完美無瑕的圖靈機。

只要給足充裕到永遠用不完的時間與海量的數據，人腦理論上能夠學會處理任何可計算的任務。

他們深信大腦是已知宇宙中最精致復雜且通用的神奇現象。

把時間撥回嚴酷的現實世界，這種只存在于真空球體里的理論假設完全忽略了現實中難以跨越的物理限制。

真實世界里的人類被有限的記憶容量死死困住，被極度短促的生命周期牢牢局限，更被狹窄的注意力帶寬無情束縛。

浩瀚無垠的宇宙中存在著龐大到完全無法想象的函數空間。

人類大腦傾盡全力所能理解和處理的問題，僅僅是其中微乎其微的一粒宇宙塵埃。

我們之所以覺得自己無所不能，恰恰是因為我們那有限的視野，根本看不見那些遠遠超出人類感知維度的未知深海。

現存通用人工智能定義的諸多漏洞

想要準確無誤地測量一臺機器的智能水平，是一項艱巨的世紀挑戰。

過去幾十年來，學術界常常采用基于語言對話的圖靈測試作為試金石。

讓機器躲在幕后拼命偽裝成人類去欺騙真實的測試者，或者用復雜的常識推理挑戰來評估其對自然語言的理解力。

蘋果公司聯合創始人史蒂夫·沃茲尼亞克曾提出過一個非常接地氣且廣為流傳的咖啡測試。

他要求一臺機器走進一間完全陌生的民居廚房里，自己摸索著找到咖啡豆、研磨機和水，最終完整煮出一杯合格的咖啡。

光靠屏幕上滔滔不絕的漂亮文字輸出，絕對不足以被稱為真正的智能，真正的智能必須能夠在未知的物理環境中自如穿梭并解決實際問題。

在仔細審視當前的行業現狀時，各種關于AGI（通用人工智能）的定義，如同各種調料混雜的大雜燴般讓人眼花繚亂。

主流的各種定義基本都可以被清晰地歸納到兩個維度的坐標系上。

第一個核心維度探討智能能力的真正來源，探討機器究竟是能夠自主學習掌握新任務，還是僅僅只能開箱即用完成出廠預設的固定動作。

第二個核心維度則探討智能能力的輻射范圍，探討機器是能完成宇宙中任何可能的事情，還是僅僅局限于完成任何人類覺得重要的事情。

通過這張清晰的語義地圖可以看出，現有大量關于AGI（通用人工智能）的定義往往經不起嚴密的邏輯推敲。

一個有價值的科學目標，必須首先在理論上具備完全的可行性。

沒有任何一種放之四海而皆準的算法，能夠在不付出額外代價的情況下完美解決所有問題。

系統的計算資源和能量池在這個宇宙中永遠是有限的。

把有限的能量試圖均勻分散到無限數量的任務中去，每一項獨立任務能分到的能量最終必然會無限趨近于零。

宣稱能搞定任何可計算任務的宏大定義，在殘酷的工程實踐中根本沒有任何落地的可能。

很多行業巨頭的定義總是把目光死死盯在人類這一個物種身上。

僅僅把模仿人類行為作為終極目標的系統，絕對配不上通用這兩個字。

茫茫宇宙中存在著海量人類肉身完全做不到，但對人類文明發展極具實用價值的艱深任務。

徹底拋棄人類中心主義的傲慢態度，去奮力開拓非人類智能的廣闊空間才顯得更有價值。

表格清晰地羅列了目前主流定義陷入的死胡同。

語義在定義整個科研領域的終極目標時極為關鍵。

對通用二字的嚴重誤解非常危險，它會徹底掩蓋實現智能的真實路徑。

更糟糕的是，那些不能被精確量化和客觀評估的定義毫無實際用處。

無法衡量進步速度的指標根本無法指導具體的工程開發。

一個不夠精確且帶著玄學味道的定義，只會把寶貴的科研資金引入歧途。

順應法則擁抱專業化的必由之路

專業化絕對不是大自然在漫長進化過程中的一次偶然意外。

它是資源極度緊缺、目標彼此沖突以及環境優勝劣汰下一種可預測的必然結果。

一種生物如果妄想在所有極端環境中都如魚得水，它體內攜帶的那套為了兼顧一切而妥協的雜交基因特質，最終會讓它在任何一個特定的殘酷環境里都表現得平庸。

提升某一個生態位的優異表現，付出的沉重代價往往是削弱其他方面的生存能力。

自然選擇的無形之手，總是偏愛并重獎那些根據當地生存法則進行過銳度微調的極致設計方案。

人類的商業市場也是完全一致的運作邏輯，達不到專業性能門檻的平庸實體總會被無情清洗出局。

人工智能系統在演進道路上同樣逃不過這條冰冷殘酷的自然鐵律。

成本高昂到無法承受、運行狀態極度不穩定或者在關鍵業務領域精度不夠的模型，注定會被那些與特定領域高度匹配的專業系統無情拋棄。

在機器學習嚴密的數學邏輯里，算法要在某個問題上大顯身手，就必須對目標分布做出深刻且帶有偏見的假設。

打個最通俗的比方，就像是你試圖打造一把能搞定世間一切工作的超級瑞士軍刀。給它加上了伐木的鋸子、理發的剪刀甚至開飛機的操控桿后，它最終只會變得無比沉重臃腫。

當你真正只需要切開一塊鮮嫩的牛排時，這把超級軍刀的切割效率會被一把幾十塊錢的專業廚師刀徹底碾壓。

強行追求大一統的通用性，在工程實踐中完全是一場極度消耗算力的災難。

多任務學習表面上看非常美好，但當大量不同性質的任務激烈爭奪有限的神經網絡表示能力，或者產生相互沖突抵消的優化梯度時，就會引發嚴重的負遷移效應。

現代那些在排行榜上大殺四方的先進模型，其實早就學聰明了。它們在內部搭建了復雜的路橋系統，遇到具體的特定指令就迅速切換路由給垂直的專家子網絡。

它們表面上看起來像是一個無所不能的通才，撕開外表里面其實坐著一屋子互不干擾的高度專業化專家。

經典的規劃問題一旦把場景鋪展到毫無邊界的任意環境中，計算復雜度就會出現恐怖的爆炸式增長。

限定好環境邊界和動作空間的專業智能體能夠充分利用局部的結構特征，巧妙地避開最壞情況的算力黑洞。

AlphaFold的驚世突破就是一個完美教科書級別的鮮活案例。它通過專注的特定領域訓練和精心雕琢的微觀架構設計，在蛋白質結構預測領域創造了不可思議的奇跡。

設計一個既能精確折疊微觀蛋白質，又能靈活折疊陽臺晾曬衣物的人工智能系統，只會讓計算參數在兩個完全不相干的領域來回撕扯。

專注的專業化系統還能讓機器爆發出獨特的社會價值。

人類在漫長的進化中形成了大量根深蒂固的認知偏差和捷徑啟發式思維。

這些本能在古老的原始叢林里很管用，但在面對現代高維統計推斷和復雜機制建模時卻錯漏百出。

這就給人工智能創造了絕佳的切入機會。

精心設計的專業AI系統能夠精準地出擊，完美彌補人類在這些復雜領域里的天生軟弱。

清醒認識到人類自身的狹隘性并充分利用專業化的巨大優勢，能夠讓機器以前所未有的速度填補人類能力的廣闊空白。

超人類適應性智能開啟多元未來

基于專業化帶來的巨大優勢，專家們正式向全球業界提出了SAI這一極具前瞻性的燈塔指標。

SAI巧妙地避開了去無止境地羅列具體任務清單這種愚蠢做法。

它把評判的核心標準牢牢鎖定在面對具有人類實用價值的任務時，機器展現出的適應能力上。

這既坦然接受了專業化分工的絕對必要性，又完美避開了自吹自擂通用性的邏輯陷阱。

SAI不僅能迅速適應并超越人類精通的所有任務，更能在人類認知領域之外開拓出極具實用價值的全新領地。

評判這種智能高低的核心指標只有一個，那就是智能體獲取全新技能和學習陌生任務的絕對速度。

只要耗時越短，其展現出的智能水平就越高。

習慣拿人類有限的表現作為衡量機器進步的永恒標尺，是短視的行為。

依靠自我對弈和在龐大模擬環境中進行海量進化搜索的人工智能系統，早就用震撼的戰績證明了無需死板模仿人類也能達到超凡入圣的極高境界。

把智能看作一張固定不變的技能核對表是徒勞無功的苦役。

技能的空間是無限膨脹的，挨個測試每一項具體技能永遠沒有盡頭。

將核心指標從單純的性能比拼迅速轉移到適應能力的進化速度上，這為尋找新一代技術底座指明了清晰的方向。

SSL（自監督學習）徹底展現出了作為極速適應底層基石的龐大潛力。

在變幻莫測的真實世界里，想要人工去獲取海量且精準標注的數據簡直比登天還難。

SSL（自監督學習）徹底擺脫了對昂貴人工標簽的深度依賴，直接深入數據內部的隱藏結構中自動汲取豐富的知識營養。

大量嚴謹的研究清晰證實，即使在有充裕標注數據的情況下，SSL（自監督學習）的表現也毫不遜色甚至遠遠超越了傳統的監督學習。

人類復雜的大腦絕對不是一塊沒有任何縫隙的鐵板，而是一個由無數不同分工的子系統精密咬合嵌套而成的龐大立體網絡。

這就注定了絕不可能只靠單一的一套底層架構，或者一個孤立的模型就能包打天下。

人工智能要實現快速的適應能力，必須要依靠多模態的協同和豐富的架構多樣性。

當前行業內大家一窩蜂地去內卷自回歸大語言模型，雖然共享開源工具鏈帶來了短暫的研發狂歡，但卻極大地壓縮了技術探索的廣袤空間。

自回歸模型在預測過程中，不可避免地會遭遇致命的指數級發散災難。

隨著預測步驟的不斷拉長，每一次微小的預測誤差都會像滾雪球一樣在后續步驟中被瘋狂成倍放大。

這種不斷復合累加的細微錯誤，最終會導致長期的邏輯推理鏈條變得脆弱甚至徹底斷裂。

這就需要整個人工智能行業放棄在最底層的像素級別或者Token級別死磕。

構建強大的世界模型，直接在更宏大的潛在空間層面進行全局預測，才是徹底破解當前技術僵局的終極密匙。

物理世界的隨機性實在太龐雜了，執著于預測每一個無關緊要的像素細節浪費算力且毫無現實意義。

讓機器學會提煉出一套緊湊，且能深刻反映系統動態規律的內部底層表征，它就能在虛擬的數字大腦中進行精準的未來模擬推演。

這就是機器能夠實現在完全陌生的環境中進行零樣本極速適應的核心底牌。

多元化的世界模型，能夠有效地對抗行業內日益嚴重的同質化僵局，促使有限的計算資源被精準投放到真正產生巨大社會效用的專業領域中。

那個精準地折疊出無數生命蛋白質結構的AI，絕不應該被派去處理家里的衣服折疊的瑣事。

參考資料：

https://arxiv.org/pdf/2602.23643