只靠语言和 token，AI 永远跨不过物理世界这道门槛！
AI 行业的主叙事，曾被 Scaling Law 垄断：更大的模型、更多的 token，更强的文本推理，仿佛只要把语言模型继续堆大，通用人工智能就会自动到来。
但这条路线撞上了天花板：预训练的边际收益肉眼可见地递减；模型一旦部署到真实世界，漏洞百出。
2026 年，“世界模型”接棒 Scaling Law，成了牌桌上最拥挤的筹码。然而，这个词本身，同时被四条技术路线认领，而它们对“理解世界”这件事，几乎各说各话。
第一条赌涌现：Sora、Genie 这类视频生成路线相信，只要下一帧逼得够真，物理规律就会自己从像素里长出来。第二条赌几何：李飞飞联合创立的 World Labs，从底层表征就锁死三维一致性，直接生成可自由探索的虚拟世界。第三条赌仿真：英伟达 Cosmos、Omniverse，把显式物理引擎当作机器人的练兵场。
第四条路最孤峭，也最反常识：2018 年图灵奖得主、深度学习三位“教父”之一 Yann LeCun，押注 JEPA（联合嵌入预测架构），它不生成未来，只在抽象表征的空间里预测未来。
四条路的根本分歧，本质上在于一个问题：机器要“懂”物理世界，究竟该去复刻它，还是去推理它？
前三条都在不同程度上试图让机器“看见并重建”世界；JEPA 却选择另一条路——编码器先丢掉那些根本不可预测的细节，只保留可预测、可规划的结构，然后在抽象表征空间里预测未来。
在 LeCun 眼里，连“预测像素”这件事本身都是伪命题：你把摄像头对准房间一角开始录像，下一帧会拍到什么，取决于镜头外有没有人走进来、光线会不会变化。而这些信息，在“当前帧”里根本不存在。
在 ECCV 2026 Keynote 演讲《World Models: Enabling the next AI revolution》中，LeCun 给出的，是一个比“Scaling Law 还能撑多久”更根本的判断：只靠语言和 token 训练，AI 到不了人类水平智能，也跨不过物理世界这道门槛。
在 LeCun 看来，如果我们要通往真正的通用人工智能（AGI），就必须打破对“生成式”的崇拜。
真正的下一章，是让 AI 系统从视频、传感器与交互中，学习并构建世界模型；再用 JEPA 去理解世界，去预测行动后果，去规划出实现目标的动作序列。
在Keynote的最后，LeCun给出了三个与众不同、甚至堪称“暴论”的建议：
1.别再死磕生成式模型了。
2.别再去研究 LLM 了。
3.转向联合嵌入，转向抽象表征，转向世界模型。
可以说，这次演讲，本质上是对“智能是什么、AI 该往哪走”的一次路线重估。
而台下的听众，比谁都更该听懂这句话。作为计算机视觉的研究者，他们最清楚：真实世界远比语言更脏、更连续、更高维。LeCun 要讲的，正是如何让 AI 真正“看懂”并“应对”它。
以下是 Yann LeCun 在 ECCV 2026 大会发表的 Keynote 演讲，AI 科技评论基于原英文演讲内容进行了不改变原意的编辑。
我们离 AGI ，还差得远
感谢大家的到来。确实如主持人所说，我是一位天文摄影爱好者，一有时间就会拍摄星空，我的演讲封面就是我的 51 和 42号作品。但我今天不是来讲天文的，我是来聊世界模型的。
我想开门见山地说一句：我们远没有走到 AI 的终点，甚至远没有走到计算机视觉的终点——否则你们也不会坐在这里。我们远远没有搞定 AI。
如果你去听硅谷里最乐观、也最悲观的那批人的说法，好像“我们已经实现 AGI 了”，但不管他们嘴里的 AGI 到底是什么，我今天的演讲，就是要告诉你们：并非如此。一句话总结我的态度：当下的人工智能，还差得远（AI sucks）。
当我们把 AI 系统的能力、尤其是它的学习效率，跟动物和人类的学习能力放在一起比，差距大到根本不在一个量级。
AI 确实能写代码、做数学、通过律师考试、赢得数学奥林匹克。但一个能在家里干活的通用机器人样板，到底长什么样？一辆真正的 L5 级全自动驾驶汽车，又在哪里？
在理解物理世界这件事上，AI 系统比起生物界，仍然落后得不是一星半点。这一点不用我多解释，你们都是计算机视觉的研究者，最清楚真实世界有多“脏”，它比语言要混乱得多。
这就引出一连串尖锐的问题：为什么今天人们口中的“AI”，也就是那些大语言模型聊天机器人，处理不了图像、视频、传感器读数这类高维、连续、充满噪声的数据？为什么今天一谈到“智能体系统”，训练它们的唯一办法还是靠海量数据做模仿学习？
然而，这种训练方法需要的数据量惊人，而且只对能收集得到数据的那个特定任务有效。对比而言，动物和人类学习新任务，根本不需要那么多数据：我们面对全新情况时，可以零样本（0-shot）、动用脑子去“吃透”这个问题，而不必事先受训、专门练习怎么解决它。
这种能力从何而来？也许来自我们常说的常识。
AI 系统确实有一种非常基础的常识，但和我们在人类乃至普通动物身上看到的那种常识，完全不是一回事。
一只普通的家猫，能做出出乎意料的动作。比如借着墙和家具的反弹力，跳到很高的柜子顶上，非常聪明。我们现在能造出拥有这种身体能力的机器人，却没法让它们“聪明”到足以自主完成这些事。一个十岁的孩子，即便第一次被人要求收拾餐桌、用洗碗机，几乎不用怎么学就能无师自通。可我们至今还造不出这样的 AI。
再举一个更硬核的例子：一个 17 岁的少年，大概用 20 个小时的实际练习就能学会开车，并且在练习时基本不会撞车；而我们手里其实有来自行车记录仪、各类传感器的数十亿小时数据，以及人类专家司机对应的操作指令。我们想用模仿学习和端到端方法，让 AI 学会自己开车。
结果呢？我们至今造不出 L5 水平的自动驾驶汽车。那些接近 L4 水平的车，靠的并不是海量数据的模仿学习，而是内置了大量工程化设计，比如显式建好的世界模型。当然也有人在推端到端学习，比如 Wayve 那几家公司，但我们还没到那一步。
这就让我们一再撞上一个悖论——莫拉维克悖论（Moravec's Paradox，1988），说的是：计算机能算复杂的积分、找路径、下棋，可连动物都能做的简单事，它却搞不定。这逼着我们去追问：智能到底是什么？
我很喜欢一句常被安在约翰·凯奇名下的话——其实不是他本人说的，而是他的追随者把他的思想浓缩成的一句话：“智能不是你知道什么，而是当你遇到一个没见过的新处境时，你做了什么。”
换句话说，就是：面对一个任务，你用头脑把它解决了，这才是智能。如果你是预先训练好才完成它的，那你只是在套用配方，那不是智能，只是陈述性知识和技能的堆积。
今天社区里、乃至整个社会，常把“陈述性知识和单项技能的堆积”误当成智能。真正的智能，是面对新问题时发明新技能、解决新问题的能力——这既定义了人类行为，也定义了非人类动物的行为。
所以，衡量智能应该看两件事：第一，学一个新任务有多快。需要试多少次才能成功，甚至可能一次都不用试，直接就会，这就是零样本学习；第二，能快速学会的任务范围有多广。
人类的特征，正是适应力极强、学得快，能迅速应对新处境。
智能的本质：人类自身都不“通用”，
AI 也不该追求“通用”
那么人类和动物到底是怎么学的？学习的基础是什么？发展心理学家曾把婴儿的发育过程整理成图表，标出他们在出生后第几个月，开始掌握关于物理世界的基本概念。语言能力和社会交往能力，也有类似的发育时间表。
比如面孔追踪，几乎从零个月就开始了——婴儿会被运动和面孔吸引，几分钟内就能识别脸；又比如他们学会区分“有生命”和“无生命”物体，发生在头三到四个月；意识到客体恒存（东西被挡住也依然存在），也发生在早期几个月。随后，他们会开始拥有“稳定性”、“支撑”等概念。
但“每个不受支撑的物体都会下落”这种重力概念，则要花更长的时间（大约九个月），他们才能理解；而惯性，也就是我们说的直觉物理，他们需要学得更久。
这些是怎么学会的？很大一部分靠观察。有些研究运动控制的心理学家坚称，婴儿无时无刻不在“互动”。但话说回来，三个月大之前的婴儿几乎没法影响世界：他们只会比划，很难抓东西。那么，前面三个月里发生的，到底是什么类型的学习？
我和社区里一位同行合写过一篇论文，核心论点是：世界是混乱的，所以，如果“智能”指的是快速学会新任务的能力，那么“通用智能”这个概念根本不成立。
我们人类，自身都没有办法做到“通用”。
人类智能极度专门化——在所有可被数学枚举的问题里，人类能解的只是极小一部分；就说日常的视觉任务，在所有可能的视觉任务中，人类也只能做极小的一部分。
而且，我们每个人的技能组合都不同，这意味着我们在各自领域都是“专才”。就算从人类内部来看，我们也不是通用的。我能学着吹萨克斯、弹电钢琴，但无法成为 McCoy Tyner 那样的爵士钢琴大师。
每个人都能学一些东西，但没人能样样精通。
所以我们必须接受：AI 的本质不是什么都懂，而是能快速学习、快速适应新任务。
当然，我是做机器学习的，这么说可能显得有点“职业病”，但事实就是如此。
对应的问题便是：AI 靠什么原理学习，又需要什么数据？这话对你们来说其实不新鲜——你们都是做计算机视觉的，本来就明白：
光靠文本训练，不管模型在数学和编程上考多高的分，都不可能达到人类水平智能。
我把这笔账算得更具体一点。
先看大语言模型的预训练数据。一个典型的大语言模型，如果把互联网上所有公开文本都拿来训练，大约是 20 万亿个词，换算成 token 大约是 30 万亿个。每个 token 大约占两到三个字节，乘下来，总量大约是 10¹⁴ 字节。这个数字是什么概念？如果让一个人把这些文本全部读完，大约要花 40 万年。
再看一个人类小孩。我们的视网膜分辨率很高，大约有六千万到一亿个感光细胞，但信号在传给大脑之前会被压缩：每只眼睛大约通过 100 万根视神经纤维输出，两只眼睛加起来约 200 万根。每根纤维大约每秒传输 1 字节。一个四岁孩子，在生命头四年里累计清醒的时间大约是 6 万小时。把这两个数乘起来：200 万根纤维 × 每秒 1 字节 × 6 万小时，得到的信息量大约也是 10¹⁴ 字节。
也就是说，一个四岁孩子通过视觉和触觉，所接收到的数据量，已经和互联网上所有公开文本的总量相当。
所以，AI 只靠文本训练，信息量远远不够，更别说达到人类水平智能。“我们需要视觉”这件事，对你们、对我，都是好消息。
从 token 预测到世界模型：
System 2 缺位与十年布道
接着来看第二个问题：智能系统里应该发生什么样的“推断”？我们能不能造一个系统，让输入数据向前穿过一堆神经网络层，最后只输出一个 token（比如一个离散的词），就当作完成了推断呢？
神经网络正是这么做的：给它喂一段文本，它让文本向前穿过巨大的神经网络，然后输出下一个 token。但这不是智能行为，它本质上只是被动反应；
在生成一个 token 的那一瞬间，网络内部没有任何推理或思考。
大语言模型做了两件事来弥补这一点。
第一，它生成比必要多得多的 token，这叫思维链（Chain of Thought）。通过产生大量 token，它增加了得出答案时的计算量。但如果你只让它回答“是”或“否”，它内部根本没有可以展开的思考机制。
第二，它生成很多不同的 token 序列，再用某种方式挑出其中最好的。只要生成的输出能被验证对错，这招就极其高效。所以它适用于代码和数学：你生成一个证明，可以逐步验证；生成一个程序，可以跑起来看结果。
于是系统能评估自己的输出，再迭代改进自己——这正是大语言模型在数学上那么强的原因。
但只要一碰到真实世界，验证就变得极慢，几乎不可压缩。
机器人领域里，可以用模拟器应用某些情况，比如让机器人走路、跑步，这些简单动作还行得通，但操纵物体就不行了。
那怎么优化？我的解法是：
更强大的推断模式。
不应该只是让网络前馈计算、直接吐出答案，而应该是：答案不再由网络直接生成，而是被当作输入送进网络，让网络给它打分。
具体说：网络会算出一个标量，衡量“当前这个候选答案，对观察到的输入来说有多好”。这个分数叫能量（Energy）。这个能量函数的输出越小，说明答案越好。然后，系统在外部通过搜索和优化，不断尝试不同的候选答案，让网络给它们打分，最后找出能量最低的那个——也就是最好的答案。
这在概率推断里是经典套路。传统的推断从来都包含某种搜索与优化：不是一步给出答案，而是反复提出候选、评估、再改进。
它天生就比“贪婪地吐一串离散 token”更强大。
而这，就引出了“世界模型”这个概念。
因为，如果系统要搜索出一个对应输入的“好输出”，而这个输出是一个动作，比如机器人的一个动作，或者一串动作序列，那么它就必须能够预测自己动作的后果。这就是世界模型。
世界模型，简单而言就是一个训练好的系统：给定 t 时刻的世界状态，再给定一个你想象中智能体要采取的动作，它就能预测采取这个动作后世界会变成什么样。
接着，你把预测结果喂给一个目标函数，也就是代价函数。它输出一个标量，衡量任务完成得怎么样：任务完成了就是 0，越没完成数值越大。
系统要做的，就是通过优化，搜索出一串能最小化这个代价的动作。
这比大语言模型那种贪心地逐个生成 token 的方式，要强大得多。
从心理学的角度看，这种“用你心里的世界模型去想象动作的后果，从而规划出达成目标的动作序列”的过程，
正是人类所说的 System 2，也就是你面对新处境、需要动用全部脑力时的决策与行动方式。
相比之下，System 1 是更被动的反应式行动：你清楚该做什么，不需要想。今天的机器人大多属于 System 1；只有那些带运动规划、能预测后果的机器人，才更接近 System 2。
这套思路，我已经倡导了大约十年。2016 年，我在 NIPS（后来更名为 NeurIPS）做主旨演讲时就说过：AI 的未来是世界模型，那才是我们该攻克的下一个前沿。后来我又花了几年，才把这些想法整理成一篇完整的论文，题为《A Path Towards Autonomous Machine Intelligence》（通往自主机器智能之路）。那篇论文是四年前发布的，感兴趣可以去读。我在 YouTube 上也做过几次演讲。
此后，我们朝这个方向，又走了很远的一段路。大约一个月前，我创立了一家公司，名叫Advanced Machine Intelligence（AMI Labs），就是为了真正加速这个方向的进展。
世界模型的建构：
安全护栏与层级化规划
世界模型会预测动作的后果，并搜索能优化目标的动作。这里除了主要目标，通常还需要设置其他目标函数，这些设置可以视作“护栏”（Guardrails）。
这正是所有关注 AI 安全的人会感到欣慰的地方：你可以通过施加这些护栏，把安全硬编码（Hardwire）直接写进系统。
为什么？因为这个架构从设计上，让模型只能完成你给定的任务，而且必须在优化过程中满足“护栏”目标，让它根本没有“越狱”的入口。它不像大模型那样从根本上不可控，只能靠各种