图灵奖得主LeCun震撼发声：追逐AGI的企业，均已陷入误区！

来源：徽声在线

在人工智能领域，一个看似无限接近人类极限的巨型模型，往往被视为终极目标。然而，事实真的如此吗？

它或许是个陷阱。

这一观点来自图灵奖得主、Meta首席AI科学家Yann LeCun。在2026年2月末，他与NYU团队在arXiv上发布了一篇引人深思的论文，标题直截了当：《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》（AI必须通过超人类适应性智能实现专业化）。

论文的核心论断简洁而有力：AGI（通用人工智能）的发展路径已经偏离正轨。

▲ X用户@socialwithaayan发布的论文要点摘要迅速走红，收获20万+浏览量和2000+点赞

人类凭什么自诩为“通用智能”的典范？

论文一开篇就挑战了一个几乎被所有人默认的假设——人类是通用智能的标杆。

LeCun团队的回应犀利而深刻：人类从来都不是通用的。我们是进化精心打造的生存专家。

走路、抓取物品、识别人脸、理解语言——这些看似通用的能力，实际上只是因为我们的祖先在非洲草原上依靠它们生存下来。如果一种能力对生存没有帮助，进化根本不会花费精力去完善它。

这就引出了一个经典的悖论：Moravec悖论。

1988年，机器人学家Hans Moravec揭示了一个反直觉的规律：对人类来说轻而易举的事情（如走路、看东西），对计算机来说却异常艰难；而对人类来说困难重重的事情（如下棋、计算概率），计算机却能轻松碾压。

论文以国际象棋为例，进行了生动的阐述。Magnus Carlsen是人类棋手的巅峰，全球公认的天才。然而，在“客观棋力”的衡量标准下，他与现代国际象棋程序之间的差距巨大，令人咋舌。我们之所以认为Carlsen“聪明”，只是因为我们的参照系始终是其他人类。

"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'."

「尽管受过教育的普通人的平均能力确实非凡，但只要让他们像特级大师一样下棋，或像贝多芬一样创作交响乐，就能意识到称这种智能为‘通用’有多傲慢。」

换句话说：我们以自己为标尺，但这把标尺本身就是扭曲的。

▲ 论文arXiv页面，作者为Judah Goldfeder、Philippe Wyder、Yann LeCun、Ravid Shwartz Ziv

AGI的定义，全军覆没

论文中最具冲击力的部分，莫过于一张详尽的表格——Table 1。

LeCun团队将业界最主流的AGI定义一一列出，进行了严格的审视，并给出了三种“死刑”判决：逻辑不一致、技术上不可行、根本无法评估。

先来看OpenAI章程中的经典定义：

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

「在大多数经济上有价值的工作中超越人类的高度自主系统。」

论文的判决：无法评估。因为“经济上有价值的工作”这一范畴在不断扩张，你永远无法穷尽所有可能性。

再来看DeepMind CEO Demis Hassabis的观点：

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

「一个能做人类几乎所有认知任务的系统。」

论文的判决：逻辑不一致。既然说“任何任务”，又加上“认知”的限制，直接排除了运动、感知等物理能力。这算什么通用？

甚至连以严谨著称的François Chollet（ARC基准测试的创造者）的定义也未能幸免。Chollet将智能定义为“技能习得效率”，但他自己也承认，人类认知“仅在有限意义上通用”。论文指出：定义者自己都不相信的定义，怎能作为指引方向的北极星？

总共有7个主流定义，没有一个能够幸免于难。

LeCun团队的结论：AGI这一术语已经严重过载。末日论者用它来渲染恐惧，乌托邦主义者用它来描绘天堂，CEO们用它来融资讲故事。每个人口中的AGI都不是同一回事，但每个人都假装在讨论同一件事。

这种语义上的混乱本身就在制造危险——它模糊了“我们到底在创造什么”和“该如何创造”这两个最关键的问题。

新目标亮相：SAI

在拆解完AGI之后，论文提出了一个替代方案——SAI，Superhuman Adaptable Intelligence（超人类适应性智能）。

SAI的核心转变在于：不再追求“像不像人”，而是关注“学得有多快”。

具体来说，SAI需要同时实现两个目标：

1. 在人类能够完成的重要任务上，学会超越人类

2. 填补人类根本无法做到但同样重要的技能空白

第二点才是真正的突破。当前所有AGI定义都将人类能力视为天花板，但宇宙中存在着大量人类生物性盲区——如高维统计推断、蛋白质折叠空间搜索、极端环境决策等——AI完全可以在这些领域做到人类永远无法企及的事情。

AlphaFold就是最好的例证。

DeepMind的AlphaFold针对蛋白质折叠进行了极端专业化设计和任务特定训练，一举解决了困扰生物学50年的难题。如果让同一个模型同时“折蛋白+聊天+叠衣服”，蛋白质折叠的性能很可能会下降——除非它内部重新发明了专业化模块。

论文用数学语言阐述了同一观点：No Free Lunch定理。没有一个算法能在所有问题上都达到最优。你的假设越针对特定问题，你的性能提升就越大。追求“什么都会”，意味着什么都不精。

在技术路径上，SAI指向了三个方向：

自监督学习（SSL）——利用数据自身的结构作为训练信号，而非依赖人工标注。婴儿观察世界就是大规模SSL加上运动反馈，这是学习“通用知识”最可扩展的方式。

世界模型——让AI在内部模拟“如果我这样做，世界会如何变化”，而非仅仅进行token预测。当前自回归大模型存在一个致命问题：误差会随着预测长度的增加而指数级累积。你让它预测10步还行，100步就完全偏离了轨道。

架构多样性——打破“一个Transformer统治一切”的同质化趋势。JEPA、Dreamer、Genie等都是潜在的路径选择，论文的态度非常明确：不要让任何单一架构垄断AI的未来。

社区反应：争论被推向高潮

论文发布后，X上迅速掀起了热烈的讨论。

▲ AI研究者@rohanpaul_ai发布的论文详细图解线程获得了21万+的浏览量

支持的声音主要集中在“早该有人说这话了”：

"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."

「我同意追错了目标，但说人类‘很差’也有点搞笑——人类大脑干这么多事，耗能还不到一个灯泡。」

——@instantfinality

▲ @instantfinality的回复引出了另一个维度：人类大脑的能效优势

也有人毫不留情地嘲讽：

"Every 6 months Silicon Valley renames AGI, as if renaming it could solve the problem of nobody knowing what it actually is. 'Superhuman Adaptable Intelligence' is either a real breakthrough or AGI with a fake beard."

社区里最有分量的批评来自AI研究老兵Ben Goertzel。他在Substack上发表了一篇长文，标题直截了当：《LeCun的“超人类适应性智能”是AGI的一个特例，而非替代》。

Goertzel承认论文的价值——适应速度作为指标确实有用，专业化作为策略也确实现实。但他认为LeCun的框架过于保守了：仍然以“人类重要任务”作为主要锚点，没有真正跳出人类中心的思维。真正的通用智能应该面向更开放、更广阔的任务空间。

▲ Ben Goertzel在Substack上发表的对SAI论文的系统批评

还有一条评论精准地概括了两个世界的区别：

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

「自然界受生存约束。AI受优化约束。把两者混淆，就是AGI辩论中大量误解的根源。」

——@CarinaN818

LeCun并非一时兴起

如果你认为LeCun是在蹭热点，不妨回顾一下他2022年发表的那篇《A Path Towards Autonomous Machine Intelligence》——整整20多页，提出了JEPA（联合嵌入预测架构）、世界模型、内在动机驱动的学习框架。

那篇论文的核心主张与2026年的SAI论文一脉相承：

纯自回归token预测存在根本局限。AI需要在抽象表征空间进行预测，而非逐像素、逐token硬推。需要世界模型来进行规划和因果推理。需要架构多样性来避免同质化风险。

SAI论文所做的，是将LeCun四年来零散的技术立场整合成一个完整的替代目标，给它取了个名字，然后对着整个行业说：“你们的方向有问题。”

这在AI学术界是一个相当大胆的举动。毕竟，“追求AGI”已经写进了OpenAI的公司章程、DeepMind的使命宣言、投资人的pitch deck和政府的监管框架——整个行业都在围绕这个词运转。

LeCun的论文等于直接掀了桌子。

这场争论为何如此重要

无论你是否同意LeCun的判断，这篇论文都提出了一个无法回避的问题：

当所有人都在匆忙赶路时，有没有人停下来看看方向是否正确？

如果SAI的思路成立，那么当前AI行业的资源配置可能存在严重错位——数十亿美金砸向“打造一个越来越大的通用模型”，而真正的突破可能隐藏在垂直专家系统、世界模型基础设施和模块化组合中。

如果LeCun错了，那么他至少迫使每个人重新审视自己的路线图假设。在一个所有人都在高呼“AGI马上到来”的行业里，这种审视本身就具有巨大的价值。

Yann LeCun用他的图灵奖声誉给出了一个明确的判断：AI的未来属于专业化的超人类适应系统，而非一个试图模仿人类所有能力的巨型模型。

这场争论才刚刚拉开序幕。

想要阅读最新的前沿科技趋势报告，请访问21世纪关键技术研究院的“未来知识库”

未来知识库是“21世纪关键技术研究院”建立的在线知识库平台，收藏的资料范围广泛，包括人工智能、脑科学、互联网、超级智能、数智大脑、能源、军事、经济、人类风险等领域的前沿进展与未来趋势。目前拥有超过8000篇重要资料，每周更新不少于100篇世界范围最新研究资料。欢迎扫描二维码或访问https://wx.zsxq.com/group/454854145828进入。

截止到2月28日，“未来知识库”精选的百部前沿科技趋势报告

（加入未来知识库，全部资料免费阅读和下载）