Vítěz Turingovy ceny Yann LeCun říká, že dnešní nejslavnější systémy umělé inteligence nejsou cestou ke skutečně inteligentním strojům. Ve svém pařížském startupu Advanced Machine Intelligence Labs (AMI Labs) bývalý hlavní vědec společnosti Meta v oblasti umělé inteligence staví zásadně odlišný druh modelu, který má porozumět fyzickému světu tak, jak to dokáže krysa nebo batole.

V rozhovoru pro BBC na okraj konference VivaTech v Paříži LeCun tvrdil, že velké jazykové modely jako ChatGPT, Claude a Gemini mají skutečné využití, ale tvrdý strop. Chcete-li se dozvědět více o pokrytí odvětví AI, které utváří způsob, jakým výzkumní pracovníci a investoři přemýšlejí o těchto limitech, širší debata o tom, co přijde po éře LLM, se stala jednou z nejzávažnějších otázek v této oblasti.

"Nemáme roboty, kteří by byli téměř tak dobří v chápání fyzického světa jako krysa," řekl LeCun. V roce 2025 opustil vlastníka Facebooku Meta v roce 2025 po deseti letech jako jeho hlavní vědec AI a založil AMI Labs, aby se věnoval alternativní architektuře.

Proč LeCun říká, že LLM nestačí

LeCun tvrdí, že LLM vynikají v dobře definovaných, předvídatelných úkolech, jako je kódování, řešení matematických problémů a generování textu. Tvrdí však, že tyto silné stránky zakrývají hlubší omezení: systémy spíše manipulují se statistickými vzory než uvažováním o realitě.

"V podstatě jen shromažďují znalosti," řekl o LLM. "Mohou něco regurgitovat, vy je trénujete, aby regurgitovali, ale nejsou nijak zvlášť chytří. Nemají základní porozumění."

Pro ilustraci mezery LeCun vyrovná pero svisle na jeho špičce a pustí ho. Dokonce i batole ví, že se pero převrhne, poznamenává, ale žádný člověk by se nepokusil předvídat přesný směr, kterým spadne, protože výsledek je skutečně nejistý. Naproti tomu LLM by se pokusil vygenerovat jedinou předpověď založenou na vzorcích ve svých trénovacích datech. Tato předpověď by byla téměř jistě chybná, protože model neuvažuje o fyzické situaci; produkuje to, co vypadá statisticky věrohodně.

"LLM jsou pro robotiku z velké části beznadějné," řekl LeCun bez obalu. "Tvrzení, že pouhým rozšiřováním LLM dosáhneme super lidské inteligence, to se prostě nestane."

Jak JEPA funguje

Architektura, kterou AMI Labs vyvíjí, se nazývá Joint Embedding Predictive Architecture (JEPA). Spíše než předpovídání dalšího slova nebo pixelu vytváří JEPA abstrakce skutečného světa, které mu umožňují zvážit možné výsledky akce.

Vytváření těchto abstrakcí vyžaduje složitou matematiku, ale princip je přímočarý: model filtruje zbytečné detaily a ponechává pouze užitečné reprezentace světa. V příkladu pera by systém založený na JEPA pochopil, že předpovídat přesný směr pádu je zbytečné, a místo toho by představoval situaci na úrovni abstrakce, která je pro rozhodování skutečně důležitá.

Tento přístup staví AMI Labs do rostoucího hnutí kolem takzvaných světových modelů, jejichž cílem je poskytnout systémům umělé inteligence interní simulaci toho, jak se prostředí chová, aby mohly plánovat a jednat spíše než pouze generovat text.

Konkurenční pole

Investoři sázejí, že LeCun na něčem je. Začátkem roku 2026 společnost AMI Labs oznámila, že získala více než 1 miliardu dolarů (760 milionů liber) v počátečním kole financování, s podporovateli včetně amerického čipového gigantu Nvidia a fondu, který spravuje soukromé bohatství zakladatele Amazonu Jeffa Bezose. Bylo to jedno z největších startovacích kol v historii evropských startupů.

AMI Labs není v závodě zdaleka sama. Profesor Ingmar Posner na Oxfordské univerzitě řídí laboratoř Applied AI Lab a vede zhruba desetičlenný tým, který strávil čtyři roky alternativním přístupem, který nazývá „mechanistický model světa“, který strukturuje znalosti tak, aby je umělá inteligence mohla efektivně vyvolat, kombinovat a upravovat.

"Můj názor je, že příští desetiletí bude skutečně o systémech, které dokážou vysvětlit," řekl Posner BBC. "Potřebujete modely, které dokážou odpovědět na otázky jako: Na čem záleží? Co je příčinou? Co by se stalo, kdybych udělal něco jiného?"

Tato linie sahá až k vlivnému článku z roku 2018 od Davida Ha a Jürgena Schmidhubera, kteří tvrdili, že pokroky ve výpočetním a strojovém učení by mohly umožnit AI učit se úkoly čistě z naučené mentální simulace světa. Tento nápad od té doby katalyzoval významný výzkum, včetně modelu světa Dreamer společnosti Google, jehož varianta se sama naučila sbírat diamanty v Minecraftu představováním si budoucích scénářů. DeepMind společnosti Alphabet pokračuje v práci se svým modelem Genie, londýnský Wayve má systém nazvaný Gaia a průkopník umělé inteligence Fei-Fei Li založil v roce 2023 World Labs v San Franciscu, aby sledoval podobné cíle.

Imperativ robotiky

Tlak na světové modely je z velké části poháněn robotickým průmyslem, který nalil miliardy dolarů do humanoidních robotů, jejichž fyzické výkony jsou každým rokem působivější. Ale trénovat tyto stroje, aby bezpečně prováděly domácí úkoly, jako je žehlení nebo plnění myčky nádobí, zůstává obtížné a nákladné a LeCun trvá na tom, že současné modely umělé inteligence nikdy nebudou pro toto prostředí dost dobré.

LeCun řekl, že AMI Labs stráví zbytek roku 2026 vylepšováním svého modelu a doufá, že jej začnou nasazovat v průmyslovém prostředí v roce 2027. Pokud se to osvědčí, ambice se značně rozšíří.

"Nakonec budeme mít jakési obecné generické zpravodajské systémy, které lze použít téměř na cokoli na světě s minimálním školením nebo jemným doladěním," řekl.

Pokud jde o to, co se v budoucnu stane s lidmi, LeCun je sangvinik. Lidé se podle něj stále rozhodnou, co postavit a jaké otázky položit, zatímco AI funguje jako schopný náměstek.

"Naše interakce s budoucími systémy umělé inteligence, i když jsou chytřejší než my, bude jako interakce mezi kapitánem průmyslu nebo politickým vůdcem s jejich asistenty, z nichž mnozí jsou chytřejší než oni."

Udržujte si náskok před AI

Posun od jazykových modelů ke světovým modelům by mohl překreslit konkurenční mapu umělé inteligence. Sledujte [nejnovější vývoj AI] (https://aibuzzwire.news), jak se rozvinou.

Přečtěte si další zprávy o AI →