LeCun团队新论文：模仿人类智能搞AI，照猫画虎死胡同

AI圈追逐多年的通用人工智能（AGI），可能从一开始就走偏了。

图灵奖得主Yann LeCun在最新论文中提出，未来AI的发展方向不应该是模仿人类，而是另一条路线——

超人类适应性智能（Superhuman Adaptable Intelligence, SAI）。

在这个框架里，AI的发展目标发生了三个关键变化：

• 不再以人类为参照系。
• 拥抱专业化，在具体领域实现超人类能力。
• 衡量智能的核心指标，从“会多少技能”变成“学习新技能的速度”。

换句话说，SAI不再追求“像人一样聪明”，而是关注一件更底层的事情：

系统适应新任务的速度。

值得一提的是，LeCun在论文中还提出了一个颇为有趣的观点：人类本身其实也并不“通用”。

我们所谓的“通用能力”，很大程度上只是生物进化的结果——

人类在漫长的进化过程中，逐渐获得了一套适者生存的能力组合。

迈向超人类适应性智能 (SAI)

按照论文中的定义：超人类适应性智能（Superhuman Adaptable Intelligence, SAI）指的是一种系统：

能够通过快速适应，在人类能完成的任务上超越人类，同时也能解决大量人类从未涉足的任务领域。

这里有一个关键转变。过去AI的发展逻辑是：把人类当作智能的标尺。

只要机器能做到“人类水平”，就算成功，比如图灵测试。

但LeCun团队认为，这种思路本身就存在问题，论文中有一句非常直接的话：

将智能锚定在人类基准线上，与通往超人类能力的路径是正交的。

换句话说：如果目标只是“达到人类水平”，反而可能限制AI的发展。

从这个视角来看，真正值得优化的，并不是模型完成某个固定任务的能力，而是：

系统适应新任务的速度。

因为一旦把“模仿人类”当作目标，AI的任务空间其实就被人为限制了——

人类能做什么，AI就学什么，但人类能力本身只是生物进化的结果，并不代表智能的全部可能。

更合理的路径是让AI围绕明确目标不断优化，并通过自我博弈、进化搜索和大规模仿真持续提升能力。

而这一观点，也与Richard S. Sutton在《The Bitter Lesson》中提出的观点相呼应——

真正推动AI进步的，往往不是模仿人类的技巧，而是规模化计算与通用学习方法。

在这种框架下，AI并不需要模仿人类，也可以在许多任务上直接超越人类表现。

相反，如果过度关注“人类水平”，不仅会误导研究目标，还会把AI的发展限制在以人类为中心的任务空间里。

为什么AI不该模仿人类？

作为迈向超人类智能的一个重要前提，论文中还有一个非常有意思的观点：人类其实并没有我们想象的那么“通用”。

人脑并不是为了数学、编程或科学研究设计的。它最初的目标只有一个：在原始森林里活下去。

换句话说，人类的智能本质上是进化塑造的一种生存工具。

自然选择和进化优化了我们的能力，让我们擅长视觉感知、行走。

这些能力在我们看来非常“通用”，只是因为它们对生存至关重要，一旦离开这个进化舒适区，我们在其他认知任务上其实表现的并不好。

比如，计算复杂概率、高维优化、大规模逻辑搜索，在这些任务，人类的表现远远不如计算机。

最经典的例子就是国际象棋。顶级棋手在人类中显得极其聪明，但面对计算机时早已没有胜算。

这其实说明了一件事：所谓“AGI”，很大程度上是一种错觉，我们只是无法看见自己的生物学盲区。

而这个问题，就是锯齿的智能，或者所谓的莫拉维克悖论（Moravec’s Paradox）。

简单来说：人类觉得最简单的事情（比如走路、抓东西），对计算机来说反而最难；

而人类觉得困难的事情，比如：下棋、数学计算，对计算机却非常容易。

原因很简单，那些“简单”的能力，其实是人类数百万年进化的结果，它们实际上一点也不简单，只是我们习以为常。

所以论文得出的结论也很直接：

如果未来AI只是复制人类这种“生存型智能工具箱”，那将是一条错误的技术路线。

专业化，才是智能进化的常态

那既然人类的“通用性”本身就是一种盲区，那么真正正确的方向是什么？

Yann LeCun在论文中援引了生物学和机器学习领域的经验，给出的答案是：

专业化，才是智能进化的常态。

从生物学角度来看，专业化本就是常态。在资源有限、环境复杂的情况下，进化会不断推动系统向特定能力方向优化。

AI系统其实也面临同样的压力。

如果某个领域的任务非常重要成本、精度、可靠性，任何达不到要求的模型，都会被更专业的系统取代。

现实世界已经有很多这样的例子。最典型的就是AlphaFold。

这个系统专门针对蛋白质结构预测设计，通过任务特定的架构、数据和训练策略，实现了巨大的突破，直接改变了整个生物学领域。

这也体现了机器学习中的一个基本规律：算法的成功，往往来自于它与问题结构（目标分布）的匹配。

如果一个模型既要：叠衣服、开车、写代码、预测蛋白质结构那么它很可能在所有任务上都只能做到“差不多”。

这也是为什么LeCun在论文中说：

帮我们折叠蛋白质的AI，不应该是帮我们折叠衣服的那个AI！

这在机器学习里有一个经典现象：负迁移（Negative Transfer）。

当多个任务争夺同一套模型容量时，它们的梯度可能互相冲突，反而拖累性能。

因此，从工程和理论角度看：强行追求通用性，往往是一条低效的路线。

LeCun的答案：SSL + 世界模型

那么问题来了。如果不追求AGI，该怎么追求SAI？

LeCun团队给出的技术路线是三个关键词：

自监督学习 + 世界模型 + 模块化系统。

首先是自监督学习（Self-Supervised Learning）。这种方法不依赖人类标注，而是从大量真实世界数据中学习底层结构。

其次是世界模型（World Models）。也就是让AI在内部构建一个“世界的模拟器”，像人类一样：预测未来、进行规划、在脑中模拟行动结果。

这样系统就可以在没有明确训练的情况下完成新任务。

最后是模块化架构。论文明确反对一种观点：不存在一个“统治一切”的模型架构，尤其是自回归范式的下一个token预测。

未来AI更可能是一系列相互协作的系统，而不是一个万能模型。

作者介绍

这篇论文的第一作者是来自哥伦比亚大学的博士生Judah Goldfeder，师从Hod Lipson教授。

此前，他曾在谷歌、推特、Meta等机构实习，研究兴趣主要集中在强化学习、算法博弈论、多智能体人工智能、无监督表征学习、多任务学习以及几何学习等方向。

论文的其他作者还包括Philippe Wyder，同样师从Hod Lipson教授，以及图灵奖得主Yann LeCun。

此外，作者团队中还有来自纽约大学数据科学中心的助理教授兼Faculty Fellow的Ravid Shwartz-Ziv。

他主要从事人工智能前沿研究，重点关注大语言模型（LLMs）及其应用。

参考链接

[1]https://x.com/rohanpaul_ai/status/2029533545161740321

[2]https://arxiv.org/abs/2602.23643

文章来自于“量子位”，作者 “henry”。