LeCun 的两个赌注：把'LLM 是死路'和'AI 是泡沫'拆开看

先说结论

这半年 LeCun 的声量越来越大，但很多转述把他的话搅成了一锅粥。其实他在讲两件互相独立的事：一是"大语言模型在科学上是条死路，通不到真正的智能"；二是"整个 AI 行业在经济上是个快撑不住的泡沫"。这两句话可以一真一假、可以都真、也可以都假——它们没有必然的因果关系。把它们捆在一起当一个论断接受或反驳，是这轮讨论里最常见的思维偷懒。而且别忘了：他 3 月刚为自己的世界模型公司融了约 10 亿美元，他既是评论员，又是下注人。

事情是怎么发生的

时间线值得摆清楚。2025 年底，LeCun 离开工作十二年的 Meta；2026 年 3 月 9 日，他的 AMI Labs 拿下约 10.3 亿美元种子轮、35 亿美元投前估值，号称欧洲史上最大种子轮，背后是贝索斯、英伟达、三星、Toyota Ventures 等。

科学主张这条线，最完整的一手表述来自 1 月 MIT Technology Review 的专访。他说 LLM “能把语言玩得很好，但它们无法真正推理或规划，因为它们缺一个关于世界的模型”；关于 scaling，他直接判定"人们有种错觉，觉得只要不断放大就能到人类水平智能，这根本是错的"。他的替代方案是 JEPA——在抽象表征空间里预测世界如何变化，用视频、音频、传感器数据训练，而不是文本。AGI 时间表？“不会是明年、也不是两年后，得等一些重大的概念性突破。”

金融主张这条线，最新的一手引述是 6 月 18 日巴黎 VivaTech 场边的 CNBC 采访。他说 AI 服务"运行成本下降得远不够快，这些公司都在亏钱，普通用户的使用其实是投资人在买单，这撑不了多久"，接着抛出那句被到处引用的话——要么涨价、要么砍成本，“否则就会有一次大的泡沫爆炸”。同一场他还顺手把马斯克的 xAI 称作"某种意义上的失败"，理由是创始团队走光了。

到 7 月中，StartupHub 等把这些串成"LeCun 对阵 Hinton/Bengio"的叙事。有意思的是他自己不认这个框架：“我从来没有和 Hinton、Bengio 分道扬镳，是他们变了。”

为什么重要

因为这是一次难得的、可以练习"怎么读大人物公开表态"的样本。三个层次要分开：

第一层，科学判断（LLM 有没有世界模型、能不能规划）——这是可被研究证伪的经验问题，Anthropic 那边最近还放出所谓 Claude 内部"全局工作空间"的证据在对着干。谁对，实验会说话。

第二层，产业判断（单位经济学是否成立、泡沫会不会破）——这是财务和市场问题，跟第一层没关系。哪怕 LLM 真能通向 AGI，只要烧钱速度超过收入，泡沫照样能先破一轮；反过来，哪怕 LLM 是死路，只要成本曲线压得住，行业也未必崩。

第三层，说话人的位置——他押了 10 亿美元赌 LLM 是死路，他和马斯克宿怨多年。这不使他的话变假，但要求我们把"论证"和"利益"分开称重。

我的正反评价

正面：LeCun 最锋利的地方在于把"感知与常识对机器最难、语言反而相对容易"这件事（Moravec 悖论）反复顶到台面上。对做影像、做物理世界感知的人，这直觉是对的——纯文本训练出来的系统，谈物理头头是道，却预测不了一个动作的物理后果。他那句单位经济学的追问也很实在：成本降得不够快，投资人补贴用户，这不是永动机。

反面：他把"scaling 的确定失败"讲得过于笃定，而这恰恰是他自己批评别人时用的那种"确定性"。JEPA 到今天仍是有前景的路线，不是已兑现的胜利——用一个未证的方案去宣判另一个方案死刑，逻辑上并不比"scale is all you need"更稳。再者，把"科学死路"和"金融泡沫"绑在一句 pitch 里讲，方便传播，却模糊了两者本可以分别验证的边界。

对研究、教学和影像系统的启发

给研究：写 related work 和做技术选型时，强制自己把"科学可证伪的主张"和"商业/资源可行性主张"分栏列，别让一个响亮的判断替你做完两道题。对我们做 AWB/ISP/光谱这种要落到硬件和数据的方向，这尤其要命——一个方法"原理上更对"和"在你的算力与数据预算里能跑出来"是两件事。

给教学：这是绝好的批判性阅读材料。给学生三句 LeCun 原话，让他们标注哪句是经验命题、哪句是市场判断、哪句受说话人利益影响——比空讲"要独立思考"有用得多。

给影像系统：LeCun 押注的世界模型，本质是"用视频与传感器数据学世界动态"，这跟计算摄影、多光谱感知的长期方向是同源的。真正值得长期跟踪的，不是他嘴上赢没赢 Hinton，而是 JEPA 这类非文本、以感知为中心的表征，未来一两年能不能在真实物理任务上拿出可复现的数字。到那时，谁对谁错，才轮到实验来收尾。