來源：信號廢墟

一個模仿人類極限的巨型模型，不是天花板。

它是陷阱。

這話來自圖靈獎得主、Meta 首席 AI 科學(xué)家 Yann LeCun。2026 年 2 月底，他和 NYU 團(tuán)隊(duì)在 arXiv 上扔出一篇論文，標(biāo)題直白到刺眼：《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》（AI 必須通過超人類適應(yīng)性智能擁抱專業(yè)化）。

論文的核心判斷只有四個字：AGI 走偏了。

▲ X 用戶 @socialwithaayan 發(fā)布論文要點(diǎn)摘要，迅速獲得 20 萬+ 瀏覽、2000+ 點(diǎn)贊

人類憑什么覺得自己「通用」？

論文上來就挑戰(zhàn)了一個幾乎所有人默認(rèn)接受的假設(shè)——人類是通用智能的標(biāo)桿。

LeCun 團(tuán)隊(duì)的回應(yīng)很尖銳：人類從來都不通用。我們是進(jìn)化打造出的生存專家。

走路、抓東西、識別人臉、理解語言——這些能力"看起來通用"，但它們之所以存在，純粹是因?yàn)樽嫦仍诜侵薏菰?strong>靠它們活下來的。如果一種能力對生存沒用，進(jìn)化根本不會費(fèi)力打磨。

這就引出了一個經(jīng)典悖論：Moravec 悖論。

1988 年，機(jī)器人學(xué)家 Hans Moravec 指出一個反直覺的規(guī)律：對人類容易的事（走路、看東西），對計算機(jī)極難；對人類難的事（下棋、算概率），計算機(jī)反而輕松碾壓。

論文拿國際象棋舉了個扎心的例子。Magnus Carlsen 是人類棋手巔峰，全球公認(rèn)的天才。但放到"客觀棋力"的維度上看，他跟現(xiàn)代國際象棋程序之間的差距，大得令人不適。我們覺得 Carlsen "聰明"，只是因?yàn)槲覀兊膮⒄障涤肋h(yuǎn)是其他人類。

"Although the average ability of an educated human is quite remarkable, one only needs to ask them to play chess like a grandmaster, or compose a symphony like Beethoven, to truly realize the arrogance in calling this intelligence 'general'."

「雖然受過教育的普通人的平均能力確實(shí)非凡，但只要讓他們像特級大師一樣下棋，或像貝多芬一樣寫交響樂，就能意識到稱這種智能為'通用'有多傲慢?！?/p>

換句話說：我們把自己當(dāng)標(biāo)尺，但這把尺本身就是歪的。

▲ 論文 arXiv 頁面，作者為 Judah Goldfeder、Philippe Wyder、Yann LeCun、Ravid Shwartz Ziv

AGI 的定義，全部陣亡

論文最狠的部分，是一張表格——Table 1。

LeCun 團(tuán)隊(duì)把業(yè)界最主流的 AGI 定義拉出來，逐條審判，判了三種"死法"：邏輯不一致、技術(shù)上不可行、根本沒法評估。

先看 OpenAI 章程里那句經(jīng)典定義：

"Highly autonomous systems that outperform humans at most economically valuable work."

「在大多數(shù)經(jīng)濟(jì)上有價值的工作中超越人類的高度自主系統(tǒng)。」

論文的判決：不可評估。因?yàn)?經(jīng)濟(jì)上有價值的工作"這個集合在不斷膨脹，你永遠(yuǎn)測不完。

再看 DeepMind CEO Demis Hassabis 的說法：

"A system that can do almost any cognitive task a human can do."

「一個能做人類幾乎所有認(rèn)知任務(wù)的系統(tǒng)。」

論文的判決：邏輯不一致。說好了"任何任務(wù)"，又加了"認(rèn)知"限定，直接把運(yùn)動、感知這些物理能力排除了。這叫什么通用？

甚至連 Fran?ois Chollet（ARC 基準(zhǔn)測試的創(chuàng)造者、以嚴(yán)謹(jǐn)著稱）的定義也沒逃過去。Chollet 把智能定義為"技能習(xí)得效率"，但他自己也承認(rèn)，人類認(rèn)知"僅在有限意義上通用"。論文指出：定義者自己都不信的定義，怎么拿來當(dāng)北極星？

一共 7 個主流定義，沒有一個活著走出這張表格。

LeCun 團(tuán)隊(duì)的結(jié)論：AGI 這個術(shù)語已經(jīng)嚴(yán)重過載。末日派用它來渲染恐懼，烏托邦派用它來許諾天堂，CEO 們用它來融資講故事。每個人嘴里的 AGI 都不是同一個東西，但每個人都假裝在討論同一件事。

這種語義混亂本身就在制造危險——它模糊了"我們到底在造什么"和"該怎么造"這兩個最關(guān)鍵的問題。

新目標(biāo)登場：SAI

拆完 AGI 之后，論文提出了替代方案——SAI，Superhuman Adaptable Intelligence（超人類適應(yīng)性智能）。

SAI 的核心轉(zhuǎn)變在于：不問"像不像人"，只問"學(xué)得有多快"。

具體來說，SAI 要同時做到兩件事：

1. 在人類能做的重要任務(wù)上，學(xué)會超越人類

2. 填補(bǔ)人類根本做不到但同樣重要的技能空白

第二點(diǎn)才是關(guān)鍵突破。當(dāng)前所有 AGI 定義都把人類能力當(dāng)天花板，但宇宙中存在大量人類生物性盲區(qū)——高維統(tǒng)計推斷、蛋白質(zhì)折疊空間搜索、極端環(huán)境決策——AI 完全可以在這些領(lǐng)域做到人類永遠(yuǎn)做不到的事。

AlphaFold 就是最好的例子。

DeepMind 的 AlphaFold 針對蛋白質(zhì)折疊做了極端專業(yè)化設(shè)計 + 任務(wù)特定訓(xùn)練，一舉解決了困擾生物學(xué) 50 年的難題。如果讓同一個模型同時"折蛋白 + 聊天 + 疊衣服"，蛋白質(zhì)折疊的性能大概率會下降——除非它內(nèi)部重新發(fā)明了專業(yè)化模塊。

論文用數(shù)學(xué)語言說了同一件事：No Free Lunch 定理。沒有一個算法能在所有問題上都最優(yōu)。你的假設(shè)越針對特定問題，你的性能提升就越大。追求"什么都會"，意味著什么都不精。

在技術(shù)路徑上，SAI 指向三個方向：

自監(jiān)督學(xué)習(xí)（SSL）——利用數(shù)據(jù)自身結(jié)構(gòu)當(dāng)訓(xùn)練信號，而非依賴人工標(biāo)注。嬰兒看世界就是大規(guī)模 SSL + 運(yùn)動反饋，這是學(xué)"通用知識"最可擴(kuò)展的方式。

世界模型——讓 AI 在內(nèi)部模擬"如果我這樣做，世界會怎樣變化"，而非只做 token 預(yù)測。當(dāng)前自回歸大模型有一個致命問題：誤差會隨預(yù)測長度指數(shù)級累積。你讓它預(yù)測 10 步還行，100 步就完全跑偏了。

架構(gòu)多樣性——打破"一個 Transformer 統(tǒng)治一切"的同質(zhì)化趨勢。JEPA、Dreamer、Genie 都是候選路徑，論文的態(tài)度很明確：不要讓任何單一架構(gòu)壟斷 AI 的未來。

社區(qū)反應(yīng)：爭論被推到臺前

論文發(fā)出后，X 上迅速出現(xiàn)了大量討論。

▲ AI 研究者 @rohanpaul_ai 發(fā)布論文詳細(xì)圖解線程，獲得 21 萬+ 瀏覽

支持的聲音集中在"早該有人說這話了"：

"I agree with chasing the wrong goal, but saying we're 'terrible' is a bit funny because the human brain does all of this while consuming less energy than a light bulb."

「我同意追錯了目標(biāo)，但說人類'很差'也有點(diǎn)搞笑——人類大腦干這么多事，耗能還不到一個燈泡?！?/p>

——@instantfinality

▲ @instantfinality 的回復(fù)引出另一個維度：人類大腦的能效優(yōu)勢

也有人毫不客氣地嘲諷：

"每 6 個月硅谷就給 AGI 改個名，好像改名就能解決沒人知道這到底是什么的問題。'超人類適應(yīng)性智能'要么是真突破，要么就是帶了假胡子的 AGI。"

社區(qū)里最有份量的批評來自 AI 研究老兵Ben Goertzel。他在 Substack 上寫了一篇長文，標(biāo)題就很直白：《LeCun 的"超人類適應(yīng)性智能"是 AGI 的一個特例，而非替代》。

Goertzel 承認(rèn)論文有價值——適應(yīng)速度作為指標(biāo)確實(shí)有用，專業(yè)化作為策略確實(shí)現(xiàn)實(shí)。但他認(rèn)為 LeCun 的框架太保守了：仍然以"人類重要任務(wù)"作為主要錨點(diǎn)，沒有真正跳出人類中心的思維。真正的通用智能應(yīng)該面向更開放、更廣闊的任務(wù)空間。

▲ Ben Goertzel 在 Substack 上發(fā)表對 SAI 論文的系統(tǒng)批評

還有一條評論精準(zhǔn)地概括了兩個世界的區(qū)別：

"Nature is constrained by survival. AI is constrained by optimization. Confusing the two leads to a lot of the misunderstanding in the AGI debate."

「自然界受生存約束。AI 受優(yōu)化約束。把兩者混淆，就是 AGI 辯論中大量誤解的根源?！?/p>

——@CarinaN818

LeCun 不是突然說這些的

如果你覺得 LeCun 是在蹭熱點(diǎn)，可以回頭看看他 2022 年發(fā)表的那篇《A Path Towards Autonomous Machine Intelligence》——整整 20 多頁，提出了 JEPA（聯(lián)合嵌入預(yù)測架構(gòu)）、世界模型、內(nèi)在動機(jī)驅(qū)動的學(xué)習(xí)框架。

那篇論文的核心主張和 2026 年 SAI 論文一脈相承：

純自回歸 token 預(yù)測有根本局限。AI 需要在抽象表征空間做預(yù)測，而非逐像素、逐 token 硬推。需要世界模型來做規(guī)劃和因果推理。需要架構(gòu)多樣性來避免同質(zhì)化風(fēng)險。

SAI 論文做的事，是把 LeCun 四年來零散的技術(shù)立場整合成一個完整的替代目標(biāo)，給它取了個名字，然后對著整個行業(yè)說："你們的方向有問題。"

這在 AI 學(xué)術(shù)界是一個相當(dāng)大膽的舉動。畢竟，"追求 AGI"已經(jīng)寫進(jìn)了 OpenAI 的公司章程、DeepMind 的使命宣言、投資人的 pitch deck 和政府的監(jiān)管框架——整個行業(yè)都在圍繞這個詞運(yùn)轉(zhuǎn)。

LeCun 的論文等于直接掀了桌子。

這場爭論為什么重要

無論你是否同意 LeCun 的判斷，這篇論文都提出了一個繞不過去的問題：

當(dāng)所有人都在趕路，有沒有人停下來看看方向?qū)Σ粚Γ?/strong>

如果 SAI 的思路成立，那當(dāng)前 AI 行業(yè)的資源配置可能存在嚴(yán)重錯位——數(shù)十億美金砸向"做一個越來越大的通用模型"，而真正的突破可能藏在垂直專家系統(tǒng)、世界模型基礎(chǔ)設(shè)施和模塊化組合里。

如果 LeCun 錯了，那他至少迫使每個人重新檢查自己的路線圖假設(shè)。在一個所有人都在喊"AGI 馬上就到"的行業(yè)里，這種審視本身就有價值。

Yann LeCun 用他的圖靈獎聲譽(yù)給出了一個明確判斷：AI 的未來屬于專業(yè)化的超人類適應(yīng)系統(tǒng)，而非一個試圖模仿人類所有能力的巨型模型。

這場爭論才剛剛開始。

閱讀最新前沿科技趨勢報告，請訪問21世紀(jì)關(guān)鍵技術(shù)研究院的“未來知識庫”

未來知識庫是 “21世紀(jì)關(guān)鍵技術(shù)研究院”建 立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險等等領(lǐng)域的前沿進(jìn)展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進(jìn)入。

截止到2月28日 ”未來知識庫”精選的百部前沿科技趨勢報告

（加入未來知識庫，全部資料免費(fèi)閱讀和下載）