WAIC中的“不和諧”聲音

優秀項目推薦：端側“自進化”AI模型（天使輪）、具身智能機器人&操作系統（圖靈獎）、新構型eVTOL飛機（8月整機下線，年底首飛）、具身智能數據仿真（A+輪）、商業航天地面通信設備（A輪B輪）、遙算一體SAR衛星載荷（Pre-A輪）、人形機器人壓力傳感器（B輪可落產能）、AI4S/生命科學類項目征集……歡迎深入交流。

所謂的“不和諧”聲音，指的是學術獨立聲音。

2024年圖靈獎得主RichardSutton，在WAIC主旨演講中直言：當前LLM只是“人類知識搬運工”，AI必須進入“經驗時代”，直接挑戰了“大參數等于強智能”的主流敘事。

北京通用AI研究院的朱松純教授，更直接指出四輪資本泡沫，認為“算力信仰、數據信仰、大模型信仰”正在被現實擊破。

1986年圖靈獎得主JohnHopcroft，則認為AI終極比拼是人才而非算力，高校評價體系才是創新的真正瓶頸。

還有微博上的獨立評論一針見血——“自主Agent到底是判斷力還是高級腳本”。

截圖摘自問諫咨詢的《WAIC 2026大會的AI產業深度洞察報告》

確實，現在的AI神經網絡，并非我們生物學中的神經網絡。

大模型在訓練完成的那一刻，不管是千億還是萬億參數，它的參數就固定了。

此后無論你跟它聊多少輪，它回答得多漂亮，只要版本固定了，模型大腦里的權重連接，一個都不會變。

而人類的大腦呢？雖然工作機理目前還是個黑盒子，但可以確定的是，你正在讀這段文字的這一秒，大腦里有數以億計的突觸正在調整、增強、重新建立鏈接……

大腦是一個每時每刻都在"訓練"的系統，大模型是一個訓練完就固化不變的系統。這也是RichardSutton所謂的當前LLM只是“人類知識搬運工”的最基本底層邏輯。

2025年11月，圖靈獎得主Yann LeCun宣布離開Meta，創辦了一家叫AMI（Advanced Machine Intelligence）的公司，專攻世界模型方向。

LeCun曾說過，他在職業生涯中見過三次"當前主流技術將帶我們走向人類智能"的幻覺。1950年代有通用問題求解器，1980年代有專家系統，這次的LLM是第三次，每次都有人說"十年內超級智能機器就要來了"。

LeCun對LLM的判斷更激進，用了"dead end"這個詞——大語言模型在通往人類水平智能的道路上，是一條死路。

他的邏輯鏈條很清晰，LLM的本質是什么？預測下一個token。通過海量文本訓練，學會統計相關性，然后生成看起來像人話的輸出，但"看起來像人話"和"理解這個世界"是兩碼事。

如果Transformer不是終局，未來的路在哪里？

嘗試路線一：世界模型與JEPA架構。

這是LeCun押注的方向。他提出的聯合嵌入預測架構（Joint Embedding Predictive Architecture，JEPA），思路跟LLM完全不同，更側重于物理世界的模擬和預測。

LLM在token空間做預測，JEPA在抽象表征空間做預測。LLM要預測下一個詞是什么，JEPA要預測的是——在看過一段視頻之后，接下來會發生什么，但不是在像素層面重建每一幀，而是在一個抽象的語義空間里預測關鍵信息。

嘗試路線二：強化學習與經驗驅動智能。

這是圖靈獎得主，"強化學習之父"Sutton堅守的陣地。在他看來，智能的本質是"與世界交互以達成目標"。你需要一個目標，需要一個獎勵信號，然后通過不斷試錯來優化策略。

這恰恰是LLM缺失的。LLM沒有目標，沒有獎勵，它只是在做文本接龍。它不知道自己說的是對是錯，因為它沒有任何機制去判斷。

強化學習天然就是"從經驗中學習"的框架，DeepSeek之所以能轟動全球，靠的就是RL中的正反饋循環。

嘗試路線三：類腦計算與脈沖神經網絡。

人腦功耗約20瓦。訓練GPT-4耗電約50千兆瓦時，夠5000戶美國家庭用一年。這個能耗差距，不是幾個數量級的問題，是根本性的架構差異。

類腦芯片模擬生物神經元的結構：用脈沖信號代替連續數值，用事件驅動代替時鐘驅動，用存算一體代替馮·諾依曼架構的存算分離。

更妙的是，類腦芯片支持片上學習。也就是說，芯片在推理的同時就能更新參數，真正實現"邊用邊學"。

嘗試路線四：神經符號混合AI。

這條路線試圖把深度學習的感知能力與符號AI的推理能力結合起來。

深度學習擅長模式識別——認貓認狗、聽聲辨字；符號AI擅長邏輯推理——如果A大于B，B大于C，則A大于C。

當前的LLM本質上是概率擬合系統，看著后視鏡開車，它能告訴你"通常情況下"答案是什么，但無法保證邏輯上的絕對正確，而符號推理可以。把兩者捏在一起，或許能既看得見又想得通。

……

這么多科技大神，這么多判斷，本身就說明一件事：

當前AI，離終局還遠著呢。

Transformers很偉大，但它可能只是人類通往真正人工智能路上的一塊墊腳石，而不是終點站。