#62: 图灵奖得主杨立昆：LLM永远无法实现真正的AI智能

📝 本期播客简介本期节目邀请到Meta首席AI科学家、图灵奖得主Yann LeCun，由Alex Kantrowitz主持，深入探讨了当前AI发展的挑战与未来方向。LeCun以他犀利而坦率的风格指出，现有的大型语言模型(LLM)虽然在信息检索和复述方面表现优异，但缺乏真正的理解和创新能力。他认为，仅靠扩大LLM规模和增加数据量永远无法达到人类水平的智能，我们需要一个全新的AI架构范式。节目重点讨论了他的研究团队正在开发的JEPA技术框架，这是一种非生成式的联合嵌入预测架构，能够帮助AI系统在抽象层面上理解世界运作方式。此外，LeCun还分享了他对开源AI模型的看法，认为开源世界的创新速度正在超越专有模型。👨‍🔬 本期嘉宾Yann LeCun，Meta首席AI科学家，图灵奖得主，被誉为AI教父。他是深度学习领域的先驱，多年来致力于研发能够理解物理世界的AI系统。作为计算机视觉和机器学习领域的顶尖科学家，LeCun的研究对推动AI从基于文本的模型向能够理解和模拟物理世界的智能系统转变具有重要意义。⏱️ 时间戳00:00:00 节目介绍：跨国串门计划与本期内容概览00:01:12 大型语言模型的局限：LeCun认为LLM缺乏理解和创新能力00:02:03 嘉宾介绍：META首席AI科学家Yann LeCun00:03:03 AI的本质与大语言模型的区别：LLM主要功能是复述和检索00:04:56 科学发现与AI创新：为什么AI还没能做出科学发现00:07:05 推理与思维链条：LLM的推理能力局限性分析00:09:18 人类思维与AI思维的差异：人类在脑海中直接推理的能力00:10:52 LLM遇到的收益递减问题：模型已训练了上万亿个token00:12:10 系统一和系统二理论：意识思考与潜意识自动化的区别00:14:06 AI投资与技术发展时间线：投资是否值得的思考00:16:56 Meta的AI战略：预计到年底将拥有10亿Meta AI用户00:18:32 AI系统部署的实际困难：从演示到实用的挑战00:19:55 AI历史上的起伏：专家系统热潮的兴衰与教训00:22:24 物理世界理解实验：纸张和立方体的思考实验00:26:16 AI系统的物理学习能力：婴儿如何用有限数据学习物理规律00:31:19 视频生成系统的局限：为什么生成模型不等于理解世界00:32:35 自监督学习原理：破坏输入并训练重建它的过程00:35:36 JEPA技术框架介绍：非生成式的联合嵌入预测架构00:40:12 开源AI模型的优势：DeepSeek等开源模型的快速创新00:43:21 节目结束与告别🌟 精彩内容大型语言模型的局限性: LeCun详细解释了LLM虽然在信息检索方面很强，但缺乏真正的理解能力和创新思维，无法像人类那样提出创新问题JEPA技术框架: LeCun介绍了他团队正在开发的非生成式联合嵌入预测架构，能够帮助AI系统在抽象层面理解世界运作方式AI对物理世界的理解: 通过纸张和立方体的实验，LeCun展示了当前AI系统对物理世界理解的局限数据量与智能的关系: LeCun计算出4岁儿童接收的视觉数据量与最大LLM训练数据量相当，但儿童的物理理解能力远超AI开源vs专有模型: LeCun认为开源世界的创新速度更快，全球各地的优秀科学家共同推动技术进步🌐 播客信息补充翻译克隆自：Why Can't AI Make Its Own Discoveries? — With Yann LeCun本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的使用 AI 进行翻译，因此可能会有一些地方不通顺如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight 备注跨门串门儿计划 加听友群BGM: 月代彩 - Chandrasekhar Limit  侵删

There are no comments yet.

Please log in to write the first comment.