智能计算的新纪元：从深度学习到自主机器智能
近年来，智能计算领域取得了显著进展，尤其是在深度学习和大型预训练模型的应用方面。然而，尽管这些技术在某些任务上表现出色，它们仍然无法达到人类或动物的智能水平。图灵奖得主、Meta首席AI科学家杨立昆（Yann LeCun）对此提出了深刻的见解，并提出了自主机器智能的构想，试图从根本上解决当前AI系统的局限性。
深度学习的局限与杨立昆的批评
深度学习作为当前AI技术的核心，已经在图像识别、自然语言处理等领域取得了巨大成功。然而，杨立昆指出，深度学习模型，尤其是大型语言模型（LLMs），虽然在文本生成和推理任务中表现出色，但其本质仍然是基于数据的统计建模，缺乏真正的推理能力。杨立昆甚至认为，当前的AI系统在智能水平上甚至不如一只猫。
他强调，仅仅通过文本训练，AI系统永远无法达到接近人类水平的智能。这是因为文本数据虽然丰富，但其信息密度远低于视觉和物理世界的数据。杨立昆指出，人类和动物通过观察和互动学习世界模型的能力，是当前AI系统所不具备的。
自主机器智能的构想
为了克服这些局限，杨立昆提出了自主机器智能的架构，其核心是目标驱动的AI系统。该架构借鉴了动物大脑的工作机制，包含多个关键模块：
-
感知模块：从环境中获取信息，并对世界状态进行估计。
-
世界模型：用于预测未来的世界状态，并补充感知模块中缺失的信息。
-
短期记忆模块：存储过去、现在和未来的世界状态信息，帮助系统进行推理和规划。
-
执行者模块：生成动作序列，并通过世界模型进行优化。
-
代价模块：衡量智能体的“不舒服”程度，驱动系统采取行动以最小化代价。
杨立昆认为，通过这种分层架构，AI系统可以实现从高层任务到低层子任务的自主拆解，从而更高效地完成复杂任务。
JEPA架构：从生成模型到联合嵌入预测
杨立昆进一步提出了联合嵌入预测架构（JEPA），作为自主机器智能的核心组件。与传统的生成模型不同，JEPA并不试图重建原始信号，而是学习一个抽象表示，并在该表示空间中进行预测。这种方法避免了生成模型在预测未来时面临的复杂性和不确定性，使得系统能够更高效地学习世界的运作规律。
JEPA架构的核心思想是放弃生成模型和概率模型，转而使用基于能量的模型，通过优化推理过程来实现智能行为。杨立昆认为，这种架构更接近人类和动物的学习方式，能够帮助AI系统更好地理解世界并做出决策。
智能计算的未来挑战
尽管杨立昆的构想为智能计算提供了新的方向，但其实现仍面临诸多挑战。首先，如何训练一个能够进行分层规划的世界模型仍然是一个未解难题。其次，自主机器智能系统的安全性、可控性和可解释性也需要进一步研究。此外，智能计算在医疗、自动驾驶等领域的应用，也需要解决数据隐私、伦理等问题。
结论
智能计算正在从深度学习向自主机器智能迈进，杨立昆的构想为这一转变提供了重要的理论框架。通过借鉴动物大脑的工作机制，结合JEPA架构和目标驱动的AI系统，未来的智能计算有望在理解世界、推理和规划方面取得突破。然而，这一过程仍需要大量的研究和实践，才能最终实现人类水平的智能。
相关文章
