WEDO 行銷日報

Meta 首席科學家論戰大語言模型

Meta 首席科學家 Yann LeCun 認為大語言模型是死路一條，並提出「預測性世界模型」才是通往 AGI 的唯一解，引發業界對於 AI 底層架構的路線之爭。

2026-02-01

Yann LeCun
馬斯克
世界模型
AGI

AI 發展路線的十字路口

LeCun 達沃斯論壇開砲

Meta 首席科學家 Yann LeCun 在達沃斯論壇上公開質疑以 ChatGPT 為首的大語言模型（LLM）路線，認為其無法實現真正的智能。他與馬斯克就「世界模型」與「生成式 AI」展開辯論，預示著未來十年 AI 底層架構的走向。這場論戰凸顯了業界對於 AI 發展路徑的深刻分歧：是依賴大量文本數據訓練，還是模擬人類的物理世界理解能力？

語言只是智能冰山一角

LeCun 認為，將「語言等同於智能」是一個過於簡化的假設。文本數據高度抽象，缺乏物理世界的具體屬性。大語言模型僅能處理符號間的機率關係，無法真正理解現實。影像數據的信息量遠超文本，意味著 AI 若僅依賴文本學習，將難以掌握人類嬰兒輕易獲得的物理常識。這暗示了 LLM 在通往 AGI 的道路上存在瓶頸。

預測性世界模型成解方

LeCun 提倡「預測性世界模型」架構，透過聯合嵌入預測架構（JEPA）在抽象表徵空間進行推演。這種方式類似於人類預測後果，無需生成每個細節。 JEPA 讓 AI 能夠忽略噪音，捕捉穩定的因果關係，並透過觀察大量影片學習物理規則，無需人工標註。這為 AI 的自監督學習提供了新的方向。

重新分配智能學習資源

LeCun 將智能學習比喻為蛋糕，認為自監督學習（90%）應是主體，監督模仿學習（9%）次之，而目前過度重視的強化學習（1%）僅是點綴。業界過度依賴強化學習來「對齊」AI，忽略了底層常識的建立。Meta 實驗室的 V-JEPA 模型驗證了此觀點，其在觀看違反物理定律的影片時會產生高誤差，證明已具備初步的物理直覺。

世界模型策略與執行

JEPA 運作的核心邏輯

聯合嵌入預測架構（JEPA）的核心在於，AI 不是直接預測原始數據，而是在抽象的表徵空間中進行推演。這如同人類在腦中模擬後果，而非生成所有細節。這種架構允許模型忽略不可預測的噪音，例如風吹樹葉的隨機動態，轉而捕捉穩定的因果關係，從而更有效地學習物理世界的規則。

自監督學習的重要性

LeCun 強調自監督學習應佔據 AI 學習資源的絕大部分。透過觀察世界，AI 能夠自主構建模型，無需大量人工標註。這種方式更接近人類的學習方式，能夠讓 AI 掌握更廣泛的知識，並具備更強的適應能力。V-JEPA 模型的實驗結果也印證了自監督學習的有效性。

Meta 的 V-JEPA 模型驗證

Meta 實驗室開發的 V-JEPA 模型在觀看違反物理定律的影片時會產生極高的誤差，這證明其已經初步具備物理直覺。這項實驗結果為預測性世界模型提供了有力的支持，也顯示了自監督學習在構建具備常識的 AI 方面的潛力。未來，V-JEPA 模型有望在更多領域得到應用。

忽略噪音、捕捉因果

預測性世界模型能夠忽略不可預測的噪音，例如風吹樹葉的隨機動態，轉而捕捉穩定的因果關係。這使得 AI 能夠更有效地學習物理世界的規則。這種能力對於機器人在複雜環境中運行至關重要。機器人需要能夠分辨哪些是重要的信息，哪些是無關的噪音，才能做出正確的決策。

大語言模型的潛在風險

純文本路徑的崩潰風險

當前主流 AI 廠家陷入算力競賽，但純文本路徑面臨邏輯崩潰和數據枯竭的風險。缺乏世界模型的 LLM 在處理長篇邏輯時會產生幻覺。高品質文本數據已被挖掘殆盡，而物理世界的交互數據卻極難獲取，這限制了 LLM 的發展。

缺乏物理直覺的隱憂

若將缺乏物理直覺的 LLM 導入機器人，機器人將無法應對複雜多變的現實環境，僅能執行腳本化的動作。這種「腦子是空的」機器人在實際落地時會面臨極高的故障成本與安全風險，難以真正實現智能化。

算力競賽的局限性

主流 AI 廠家透過「大力出奇蹟」的算力競賽來提升模型性能，但這種方式並不能解決 LLM 的根本問題。缺乏世界模型的 LLM 仍然無法真正理解物理世界，其能力也受到數據質量的限制。算力並非萬能，更重要的是找到正確的發展方向。

數據枯竭的挑戰

高品質文本數據已被挖掘殆盡，這意味著 LLM 的訓練將面臨數據瓶頸。與之相比，物理世界的交互數據卻極難獲取。未來，AI 的發展需要尋找新的數據來源，並發展新的學習方法，才能突破數據的限制。

台灣企業的 AI 策略建議

避開算力競賽，聚焦垂直

台灣企業在導入 AI 時，應避開盲目追逐大型語言模型的算力競賽，轉向垂直領域的具身智能應用。應充分利用台灣在半導體與硬體製造方面的優勢，開發整合感測器的邊緣運算設備，收集特定場景的影像數據。

導入預測性架構維護

嘗試導入預測性架構，針對自動化生產線進行預測性維護，而非僅僅使用 AI 撰寫報告。這需要企業建立場景專屬的視覺資料庫，這才是未來五年競爭的真正金礦。

警惕對話介面的迷思

不要迷信「對話介面」就是 AI 的全部，應評估模型是否具備處理物理空間任務的能力。具身智能需要 AI 具備理解和操作物理世界的能力，而不僅僅是進行語言交流。

建立視覺資料庫是關鍵

優先建立場景專屬的視覺資料庫，這才是未來五年競爭的真正金礦。這些資料庫將成為訓練 AI 模型的重要資源，並幫助企業在垂直領域建立領先優勢。台灣企業應積極投入視覺數據的收集和管理。

延伸閱讀與主題指南

這篇深度分析可以延伸到完整指南、趨勢觀點與 WEDO 案例，幫助讀者掌握同一主題的背景與做法。

AI 行銷自動化

AI 行銷自動化是把策略、內容、投放、追蹤與優化整理成可重複執行的流程；它不是單純省人，而是讓行銷決策更快、更一致、更可驗證。

AI 行銷自動化導入指南：流程、工具選型與人機分工 / AI 行銷自動化趨勢觀察
內容行銷

內容行銷不是每天發文，而是把品牌經驗整理成能持續帶來搜尋、信任與轉換的資產。

內容行銷怎麼開始？策略、SEO×AIO 佈局與台灣案例 / 內容行銷與搜尋成長觀察
品牌策略

品牌策略的任務，是把企業能力翻譯成市場能理解、記得並願意選擇的理由。

品牌定位怎麼做？流程、範例與常見錯誤 / 品牌定位與市場信任觀察