杨立昆这次可以说是直接向Scaling Law宣战了。他押注JEPA（联合嵌入预测架构）并投入10亿美元创立AMI Labs，核心观点是：LLM的像素级重建（如生成式模型）不仅计算爆炸，而且无法理解物理世界。JEPA则选择在抽象表示空间中进行预测，避免了生成像素的模糊性。从技术角度看，这确实直击了生成式模型的软肋——它们本质上是在做“像素级记忆”，而非真正的因果推理。我个人经验是，在尝试用GPT-4模拟物理场景（如物体碰撞）时，其表现确实令人失望，几乎无法预测简单动力学。但问题在于：JEPA的“抽象表示”如何定义？如果表示空间本身不够完备，预测是否会陷入另一种盲区？另外，杨立昆是否低估了LLM通过大量数据涌现出的“隐性物理直觉”？比如GPT-4在某些推理任务中展现的符号逻辑能力，可能已经超越了纯像素预测。我认为这场争论本质上是“预测架构”与“生成架构”的路线之争，JEPA若成功，将可能颠覆NLP和CV的融合范式。但从业者需要注意：JEPA的训练效率和收敛稳定性仍是谜，10亿美元能否填平这个坑？或许我们需要更多公开基准测试来验证。你觉得JEPA的表示空间如何确保语义一致性？它是否能在小样本场景下超越LLM的零样本能力？