在巴黎举行的AI行动峰会上，Meta首席AI科学家Yann LeCun提出一个问题：“什么才是智能的基本构成？”
在与IBM AI负责人Anthony Annunziata的对话中，他提出四项标准：理解物理世界、拥有持续的记忆、具备推理能力，以及可以进行分层规划。
这四项能力在LeCun看来，是任何一种具备智能的生命体所共有的基础能力。相比之下，当前主流人工智能系统，尤其是以语言模型为代表的架构，在这些方面仍显不足。
这不是他第一次表达类似看法。作为深度学习早期的关键推动者，LeCun一直在强调当前模型能力的局限性。
他一直认为，现有AI模型在“智能”的核心能力上存在结构性缺陷。
“补丁式增强”与架构争议
LeCun指出，目前业界在提升AI功能时，往往采用“组合式”的增强路径。例如，为了让语言模型理解视觉信息，就外接一个视觉系统；为了让模型“记住”过往内容，就增加检索增强生成（RAG）模块；推理能力不足，则通过扩大模型参数来弥补。
在他看来，这些做法更像是“功能层的修补”，而非能力本身的根本突破。
“理解世界不是把一个视觉模型绑在语言模型上那么简单，”LeCun说。他用“hack（补丁）”一词来形容这种工程式集成方式。
Meta近年来持续投入的“世界模型”（world-based models）思路，正是对这种路径的回应。这一类模型的目标不在于生成内容，而是试图建立一种内部的世界表示，通过预测行为与结果之间的关系来实现认知。
LeCun对此有一个具体的定义框架：“你有对世界某一状态的理解，你想象一个可能的动作，然后模型预测在该动作之后，世界会发生什么。”这类似于一种面向动态系统的因果建模方式。
图注：V-JEPA论文：重访特征预测：从视频中学习视觉表征的方法
Meta在2024年发布的V-JEPA模型，是上述思路的初步实现。该模型并非直接生成图像或视频内容，而是试图在抽象层面预测视频中被遮挡或缺失的信息。这种方式类似“填空”，但预测发生在更高层级的表示空间，而非具体像素。
LeCun解释说：“我们不预测像素，而是在抽象表示中进行预测。理想情况下，这种表示会自动过滤掉那些不可预测或无关的细节。”
这一构想与科学研究中“抽象层级”建立的过程相似。正如物理学中通过粒子、原子、分子、材料的层层抽象来理解世界，LeCun认为，AI系统也需要通过构建中间表征来实现有效的认知与推理。
这种方式的优点之一在于，它减少了对海量数据的依赖，并提升了系统对不可预测变化的适应能力。不过，V-JEPA目前仍处于早期阶段，其抽象层级的表达力、泛化能力和可交互性仍需进一步验证。
对主流路径的间接回应
当前，几乎所有主流AI企业都在围绕大模型展开产品构建与能力扩展。OpenAI、Anthropic、Google DeepMind的研究路线大多围绕大语言模型展开，通过RAG、多模态融合或系统集成来增强模型在记忆、推理等方面的表现。
在这个语境下，LeCun所倡导的“世界模型”策略，可以视为对主流趋势的补充乃至修正。他所强调的“具备结构性推理与预测能力的AI”，并不完全依赖大规模的语言语料与模式识别能力，而更注重内在模型结构与表达形式的可解释性和可推理性。
尽管Meta已在该方向上进行尝试，但从V-JEPA本身的功能定义来看，它仍属于“前期架构验证”阶段。模型尚未广泛部署，相关评估标准和实际应用场景也仍在摸索之中。
目前，对世界模型的定义在学界和产业界尚无共识。有观点认为，这类模型最终需结合具身智能，模拟实体与环境的持续交互；也有研究强调，它可以通过抽象表示与模拟环境实现更高效的训练过程。
LeCun本人则强调，真正的挑战在于如何构建一个“足够抽象、又足够有预测力”的中间世界。换言之，不是追求还原世界的所有细节，而是捕捉那些在行动决策中最关键的信息层。
