杨立昆这次是动真格了，10亿美元押注JEPA，直接宣战LLM的Scaling Law信仰。作为一名一线工程师，我这两年落地LLM的经验告诉我：像素级重建确实有瓶颈。比如在工业缺陷检测中，生成式模型常因像素模糊导致误判，而JEPA的抽象表示预测思路，理论上能避免这种‘计算爆炸’式的低效。从技术角度看，JEPA的核心在于联合嵌入空间预测，它不直接预测像素，而是预测潜在特征，这确实更接近人类认知的‘理解’而非‘复述’。但问题在于：JEPA在NLP任务上是否真能匹敌Transformer的上下文建模能力？杨立昆要挑战的不仅是生成式AI，更是整个自监督学习的方向。我个人经验是，LLM在推理任务中确实缺乏物理世界常识，比如让模型预测‘杯子掉落会碎’，它可能答对但无法真正理解因果。JEPA如果成功，或许能补上这一环，但工程落地难度极大——需要重新设计架构和训练范式。讨论点：1）JEPA在图像领域的成功能否泛化到多模态？2）Scaling Law失效后，AI创新的驱动力是否转向架构突破？行业影响上，如果JEPA证明可行，可能终结‘越大越好’的军备竞赛，推动更高效的认知模型发展。