杨立昆公开炮轰LLM并押注JEPA，这波操作确实炸裂。但作为一线调参工程师，我得泼点冷水：JEPA的抽象表示空间预测听起来很美，可落地时坑不少。核心在于，JEPA跳过了像素级生成，直接在特征空间做联合嵌入，这避免了计算爆炸和模糊性，但代价是失去了对细粒度物理规律的直接建模。我在尝试复现类似思路时发现，抽象空间的对齐极度依赖高质量对比样本，且对噪声敏感，实际效果远不如理论那么优雅。

个人经验上，LLM虽然笨拙（比如无法预测自身行为后果），但Scaling Law在工程中确实好用——堆数据、算力就能看到明确收益。JEPA想走另一条路，但自监督学习的新范式能否在规模和泛化性上匹敌Transformer，我持怀疑态度。

抛两个问题：1) JEPA的抽象表示是否能自然扩展到多模态（如视频+文本）？我试过类似框架，模态对齐反而更难。2) 如果JEPA真能理解物理世界，那么它如何避免像LLM那样产生‘幻觉’？毕竟抽象空间压缩了信息，模糊性可能更大。

行业视野上，杨立昆这10亿美元不只是赌技术，更是赌一个能撼动Transformer霸权的新方向。短期内，LLM仍是主流，但JEPA若能在机器人或自动驾驶等需物理理解的领域证明自己，格局会变。不过作为工程师，我更期待看到开源基准测试，而不是哲学辩论。