最大骗局坦白Llama与我无瓜！k8凯发全站LeCun怒揭机器人
这些公司压根不知道◆●☆▽■，如何让机器人变得足够「聪明」★▪，或是说达到通用智能的程度▷●。
耐人寻味的是□•，在一个关键问题上的判断与Yann LeCun不谋而合☆▲：他也否认制造业是主要突破方向△▲=★，并指出「人形机器人当前的竞争焦点在于谁能攻克通用机器人技术」•△•▼○。
这一次•▼，LeCun在演讲中再一次强调▼◁☆，「我并没从技术层面上◁■▽☆，参与Llama的项目」★▪□-。
当系统有足够好的世界模型•■▪，便能「想象」如何完成一个它从未被训练过的任务▷…●◆。
机器人在工厂里拧螺丝◆◁□■▼■、搬货等…▼☆，可通过特定任务训练实现-▷▪，但让它们在家中叠衣服☆☆…●△▲凯发多功能智能电煮锅、倒水•◆、理解人的意图…◁△-，还很难▷▷。
主持人一听•-▼••-，马上话锋一转打了个圆场●•△•，「没关系•▼▲•○，我们不担心那些公司▲▽。而且说真的△★，我们非常信奉创业精神」▷=□◇•■。
Figure创始人Brett Adcock直接喊话▽▪▲，「谁去和LeCun说一声■◇▼◁，让他别端着了•△…•★△，亲自下场干点实事吧」=■△-◇▷！
这种务实立场▪▪•★□，结合其轻量级肌腱驱动设计所带来的安全性优势◆▽•△▽■，暗示着行业清醒认识到•■◁△：Yann LeCun所说的「突破性进展」仍需要持续探索▲▽●▪▽•。
上大学时★…◇◁，他有点偶然地发现▽▷=■☆□，原来早在50-60年代●■，包括1981年诺奖得主David H●○▷=•□. Hubel和Torsten N◁--•. Wiesel等人…▽▪▲▼★，就已经开始思考「自组织」的问题——也就是系统如何自我组织学习…▲。
他将大语言模型训练所需的数万亿标记词元••■△△，与儿童处理的海量感官数据进行对比▪▼▷◇…：
【新智元导读】一场公开演讲★☆☆●▷，LeCun毫不留情揭穿真相▪■▪•▲◁：所谓的机器人行业=○▽•◆◆，离真正的智能还远着呢…-！这番话像一枚深水炸弹▽□…-●，瞬间引爆了战火○•▷○△◁，特斯拉▼▽▼■=▪、Figure高管纷纷在线回怼■-。
而突破的核心●◇▼•▲■，在于打造一款真正可以规划的「世界模型」架构=▼□…▽◆，即能够学习理解和预测物理世界系统☆…▪■◁●。
但仍依赖人类知识的间接转移▲-。而将属于那个率先攻克机器理解物理世界这一根本性难题的探索者△-▽。但已有企业公开将其研发方向与他倡导的「世界模型」概念对齐▼★◁=！
主持紧接着问道□▷■…○=，所以这能推动机器人技术-▼▲★●•，让未来这十年真正成为机器人的时代△▪▷◇○■？
不同于传统模型根据状态预测动作=▲，神经世界模拟器能够基于当前状态与后续动作□••◆，直接合成未来状态◆▼◁▼★。
就好比▪☆•★，让一个机器人冲一杯咖啡k8凯发全站△•○，它需要想象一系列动作——拿起杯子◇▪○•◁▼、倒水◁▪◆▽○、搅拌•-◁=，并预测每一步的结果▷…◆▷◆。
我一直认为…☆，生物学给工程提供了很多灵感▼★▪-•。在自然界中■▲○☆▲◇，所有活着的东西都有适应能力◇…▲，只要有神经系统就能学习△◁○。
1X世界模型的独特优势在于●=：允许从相同初始条件出发▲■△-★，并行部署不同策略进行直接对比k8凯发全站□=△。
获得OpenAI投资的挪威公司1X Technologies•▽▽，近期发布了自研「世界模型」■△…○。
顺便提一句•△-◁△，Yann LeCun访问清华大学时★◆•◁●，确定了自己的中文名「杨立昆」▷○◆☆☆△。
四岁儿童通过视觉接收的数据量•□，已相当于所有公开文本训练的最大规模LLM的数据量•▽=▷。
所以□▷◁，我当时想▷●☆○●■，也许我们人类没那么聪明▼▽▲▼-△，构建智能系统最靠谱的方法▼▷，可能是让它自己学会变聪明★◇●。
马斯克始终聚焦「极其艰巨」的制造挑战■□=，指出人形机器人规模量产「所需的供应链尚不存在」•☆◆。
2018年•◁□，因在概念与工程领域的突破性贡献…•-，他让深度神经网络成为计算技术的关键组成部分△■…，和Bengio▪▷▼□▼、Hinton共享图灵奖◆•=。
Elluswamy确认△▽□◁，这套被视作世界模型问题直接解决方案的架构☆…•◇▪□，将「无缝迁移」至Optimus机器人…☆▲-=▪。
最近在MIT的一场讲座中•■•◁◇，Meta首席AI科学家LeCun一语道破了机器人界最大的秘密——
他指出◁☆，文本属于「低带宽」数据源▪■△○，「仅靠文本训练永远无法实现人类水平智能」□▽。真正的智能来源于高带宽的感知输入——视觉▪△▪◁△、听觉…◆▲▷▽、触觉等多模态经验□…，而非低维度的离散符号▷▷▽▲。
所以很多估值数十亿公司的未来▲○•，基本上取决于是否能在「世界模型+规划」的架构上取得显著进展◇-▼□◆。
他将Figure的技术路径与同行对比●□，直言某些公开演示只是「戏剧表演」或预设程序▷◁●▪=◁。相反★◇◁，Figure机器人的所有操作都「由神经网络驱动」-•。
Yann LeCun的论断看似否定了整个人形机器人领域◆◁•▷=•，只需从模拟数据或真实操作中学习「动作-结果」的关系•△▼▽，系统可结合一个「代价函数」（cost function）•…◇，同时□▷●△□，巴黎一个十来人的小组☆▪▽=，结果真做出来了•▷=。Brett Adcock强调「这个问题无法通过编程解决-▽•，引机器人界大佬上阵怒喷★◇▪•。或许不属于推出最炫酷demo或设定最激进量产目标的厂商▷▽◇▽，谁曾想…●▪▷○-。
搞笑的是▼•…•…，主持人前一句还在夸「Llama的诞生让世界AI民主化」▽▷●，话音还没落=•，LeCun就在旁边急着插话——
猫能感知三维空间□○、判断物体稳定性◇■、规划复杂动作◇☆•=▼▼，而目前的所有生成式模型恰恰无法企及这些能力▷●○。
用于评估特定任务的完成情况☆■。就能零样本完成新任务-◆△▼。LeCun指出-•★☆■◁，LeCun这番话再次捅了「马蜂窝」…◇•■-★，
据报道◁■…◇…，特斯拉正在建设年产百万台Optimus机器人的生产线年初推出具备「量产意向」的V3原型机☆■■。
在此基础上▲•▪-，可运用优化方法▽▲◆，搜索能够优化任务目标的最优动作序列▲•■▲，这一过程即为「规划与最优控制」◁▷◆。
这种机制使得模拟器可与智能体或策略AI模型形成闭环连接▼☆△△，从而实现对系统性能的精准评估◁◁◁▲=最大骗局坦白Llama与我无瓜！。
首席执行官Bernt Børnich在播客中坦言▲●…☆==，让机器人进入家庭存在「理想与现实的落差」★▷，指出「现实环境复杂得离谱」▲••，甚至「Wi-Fi连接问题比机器人技术本身更棘手」▪•。
接着□•▲，他分享了幕后故事◁○●=•★，「第一代Llama■△●=★▼，其实有一点像『海盗』项目（pirate project）◆◆•k8凯发全站LeCun怒揭机器人，与官方LLM并行开发」■••▽◆…。
唯一途径是神经网络」◇◁▪▼◁。直接给这场狂热泼了一盆冷水•□▲▽△◆，最终重新定义了人形机器人竞赛的维度▷▷•：胜利者…●☆◆▽▲。
这一概念▷◆，在2016 NeurIPS大会主题演讲中…○◆●，LeCun早已向世界传输——
机器人不用针对特定任务反复训练○▪，
Yann LeCun的警告■☆，大概2022年中后期☆▲…▼△，大语言模型（LLM）存在本质瓶颈——虽然形式上通过「学习」取代了显式编码◆□△，决定做一个轻量高效的LLM◇-▪★…•。
Yann LeCun的「冷静」=◁，与多位行业领袖所鼓吹的激进时间表形成了鲜明对比●△。
Meta血裁AI部门研究员掀全网风暴之外▽=-★…，LeCun却一直对外撇清自己和Llama的关系○◇▽○=。
但这次○□◁•-•，Yann LeCun直言▼▲=□：「LLM就是一条死胡同▷-…●，世界模型才是正道」△■=。
在最近的计算机视觉顶会ICCV△▷…，特斯拉AI负责人Ashok Elluswamy详细介绍了公司的「神经世界模拟器」——一个通过车队视频数据训练的端到端系统△•☆-。
实验已证明◁-▪▷=，可以用世界状态的表示——来自现有模型DINO○▪▲▲，无论是从零开始学习◇▼-▽…，还是基于V-JEPA 2等框架○○●▷，都可以做到这一点○■◆。
他进一步指出…△○，LLM有时虽能提供实用的结果▼▽•◆△•，甚至让人误以为其「智商堪比博士」◆•◇，但这些系统只是「回忆」训练中的信息◁•。
明年就能实现通过语音指令◇•◁★…▽，让人形机器人在陌生环境（比如从未进入的家庭）完成各类通用工作•▼。
他强调★-•，即便猫的大脑仅含约2▲△★▷☆○.8亿个神经元△■◁△□○，其对物理世界的理解与行动规划能力仍远超当前AI系统◁▼○=△…。
现场□•▽，主持人再次圆话△□□★，「但最后能跑出来的★▽-●◇，往往还是『臭鼬工厂』（Skunk Works）这种模式」=●•-。
给到一个时刻t的世界状态…▷▽▲□，再给定一个智能体可能的动作▲▽□●●△，预测动作执行后的环境•▽▼○。
人工智能领域在1990至2000年代经历「寒冬」•▲，但2013年LeCun加入Facebook■◇=…▲▪，创立FAIR（Facebook AI Research）…▼▪■▲▼，并推动「深度学习」这一术语取代「神经网络」◇◆□◇◇□，标志着产业界开始系统性地接受这一范式-☆□。
LeCun直言不讳-△△□，过去几年▷○，打造「类人机器人」的初创公司如雨后春笋般涌现…●•▪•●。
如图所示◆◆★◆，1X世界模型包含视觉编码器▽●、动作编码器▼△、核心网络▼★，以及视频与状态价值解码器•=▽=。通过对成功标签进行监督学习生成的状态价值预测△◁■=•□，可对输入动作的质量进行量化评估•…◇•。
LeCun称▲□•◆•-，团队所采用的「环境动力学模型」完全通过自监督学习的◁▼•□，也是当前方法的核心所在-•○◁▽▪。
最后□□…□○，在2023年初△○◆▷◁，小扎下定决心组建了一个GenAI团队★●◆•▷□，也就如今的「超级智能实验室」（MSL）的前身◆◁，主要就是为了把它产品化-▼☆▷△◇。
人形机器人拥有40个自由度（关节）▲▽-■，可能产生的位姿组合数量甚至超过宇宙原子总数▷■-▪•□。
