核心结论
AI行业正在面临一个根本性的路线分歧：
| 维度 | LLM路线（主流） | JEPA路线（LeCun） |
|---|---|---|
| 核心架构 | Transformer + Next-Token Prediction | Joint Embedding Predictive Architecture |
| 训练方式 | 海量文本生成预测 | 联合嵌入空间中的世界状态预测 |
| 生成方式 | 自回归逐token生成 | 非生成式，在嵌入空间推理 |
| 物理理解 | 隐含学习（可能学会） | 显式编码（设计保证） |
| 计算效率 | 推理成本高（逐个生成） | 规划速度快（嵌入空间操作） |
| 典型玩家 | OpenAI, Anthropic, Google, 国产模型 | Meta (LeCun团队) |
LeCun的最新实验中，极小参数+单张GPU就实现了天然编码物理规律+超快规划。这与当前动辄千亿参数、万张GPU的LLM训练形成了鲜明对比。
LeCun的核心论点
LeCun从LLM热潮初期就反复强调一个问题：
“如果让模型足够大，它最终会理解世界是如何运行的——这个假设从未被证明。”
他的批评可以归纳为三点：
1. 自回归生成的根本缺陷
LLM通过”预测下一个词”来学习，这种方式：
- 只能学到文本的统计规律，无法真正理解物理世界
- 每一步生成都依赖前一步，推理速度线性增长
- 幻觉问题根植于”下一个token概率”的不确定性
2. 嵌入空间推理的优势
JEPA的核心思想是：
- 将世界状态编码为高维嵌入向量
- 在嵌入空间中进行预测和规划
- 不需要逐个生成token，而是直接操作抽象表征
这类似于人类思考的方式——我们不是在脑中”逐字默念”来规划行动，而是在一个抽象的空间中”想象”结果。
3. 计算效率的碾压级优势
LeCun实验中，小参数+单张GPU就实现了：
- 超快规划：嵌入空间操作比逐token生成快几个数量级
- 物理规律天然编码：不需要额外训练，架构本身就倾向于学习物理规律
- 低能耗：不依赖海量算力和数据
为什么现在突然被关注
过去三年，LLM路线一骑绝尘，JEPA的声音被淹没在Scaling Law的狂欢中。但2026年出现了一些转折点：
| 转折信号 | 含义 |
|---|---|
| GPT-5.5/Claude Opus 4.7 训练成本指数增长 | Scaling Law可能正在触及天花板 |
| 四大巨头2026年AI支出$7250亿 | 算力竞赛的财务可持续性存疑 |
| LeCun实验用小参数实现物理编码 | 另一条路可能确实走得通 |
| 社区”LLM够用但不够好”的共识 | 90%场景LLM够用，但关键场景仍有差距 |
技术对比：JEPA vs LLM
LLM路线：
输入文本 → 分词 → Transformer层层计算 → 逐token生成输出 → 解码为文本
↑ 计算密集，每一步都昂贵
JEPA路线：
输入感知 → 编码器提取嵌入 → 在嵌入空间预测/规划 → 解码器输出
↑ 在抽象空间操作，计算量大幅降低| 能力 | LLM | JEPA |
|---|---|---|
| 文本生成 | ★★★★★ | ★★ |
| 代码生成 | ★★★★★ | ★★ |
| 物理推理 | ★★ | ★★★★★ |
| 规划速度 | ★★ | ★★★★★ |
| 训练效率 | ★★ | ★★★★ |
| 泛化能力 | ★★★★ | ★★★★★ |
对行业的影响
如果JEPA被证明可行
- AI成本结构将彻底改写：不需要万张GPU训练，中小公司也能做出强模型
- Agent能力的质变：规划和推理速度提升几个数量级，真正的自主Agent成为可能
- Meta的战略优势：如果JEPA路线走通，Meta将拥有与OpenAI/Google不同的技术壁垒
但现实是
- JEPA目前只在特定任务上展示了优势（物理推理、规划）
- 在文本生成、代码、创意写作等LLM的核心优势领域，JEPA远未成熟
- 从实验室到产品，JEPA可能还需要3-5年的验证期
行动建议
- 研究者：JEPA是一个值得跟踪的方向，但不应该放弃LLM路线——短期内LLM仍是主力
- 投资者：关注Meta在JEPA方向的投入节奏，以及是否出现开源实现
- 开发者：现阶段继续深耕LLM生态，但可以在规划/物理推理场景尝试JEPA的实验性应用
- 企业决策者：LLM已经可以落地，不需要等JEPA——但可以在技术雷达上标记这个方向
LeCun赌的是**“全行业在一条路上卷到头，而另一条路可能更好”**。这个赌注是否正确，2026-2027年会有更多答案。但有一点可以肯定：AI路线之争远未结束。