人工智能的“人类梦”还有多远？杨立昆点破数学障碍与新出路

当Meta首席AI科学家预言“自回归大模型几年后注定淘汰”，我们该往何处寻找真正的机器智能？

周末听了Meta首席AI科学家、图灵奖得主杨立昆（Yann LeCun）在美国数学学会（AMS）吉布斯讲座上的演讲（注：吉布斯讲座是AMS自1923年设立的顶级讲座，历届讲者包括冯·诺依曼、爱因斯坦等巨匠），演讲内容对于本数学学渣来说着实不浅，演讲中他揭示的AI困境与出路，对于我们这些关注AI落地的从业者需要理解的底层逻辑很有启迪之意。

一、 当前AI的“天花板”

杨立昆对未来十年构建接近人类水平的AI助手（他称之为AMI *法语发音”朋友“的意思* - Advanced Machine Intelligence ，而非AGI）充满信心，认为它们将通过智能眼镜等设备融入日常生活。但他也毫不客气地给当前主流AI，尤其是风光无限的大型语言模型（LLMs）泼了盆冷水：“目前的机器学习状态很糟糕”，尤其在学习效率上被人类和动物甩开几条街。

1. 低效的学习“三板斧”：

• 监督学习 (Supervised Learning)：像手把手教小孩。需要大量精确标注的“输入-输出”配对（如图片和标签）。效率低，成本高。

• 强化学习 (Reinforcement Learning)：像训狗，只给“好/坏”的笼统反馈。需要海量试错，杨立昆直言它“只适用于游戏，或者可以在计算机上快速模拟的事物”。现实世界玩不起。

• 自监督学习 (Self-supervised Learning)：当前LLM的基石，看似革命性，实则暗藏巨大隐患（后面详说）。

2. LLMs：辉煌下的致命伤
LLMs的核心是自回归预测 (Auto-regressive prediction)。简单说，就是像“传话游戏”：模型根据已看到的词序列（“从前有座__”），预测下一个最可能的词（“山”），如此反复生成整个文本。它通过在海量文本（万亿级Token）上训练庞大的神经网络，最小化预测误差。

虽然效果惊艳（能写诗、编程、聊天），杨立昆却断言：“我的预测是，自回归大型语言模型注定失败。几年后，没有人会理智地使用它们。” 原因在于其根本缺陷：

• 发散过程 (Divergent Process)：想象一棵大树，每个分叉代表一个可能的词（约10万个选择）。每次预测都有微小出错概率（E）。即使E很小，随着生成的词数（N）增加，整个序列完全正确的概率是 (1-E)^N — 呈指数级暴跌！这就是LLM时不时“胡说八道”（幻觉/Hallucination）的数学根源。误差累积如同滚雪球，偏离正确答案的“小树枝”越来越远。