Zdobywca nagrody Turinga, Yann LeCun, twierdzi, że dzisiejsze najbardziej znane systemy sztucznej inteligencji nie są drogą do naprawdę inteligentnych maszyn. W swoim paryskim startupie Advanced Machine Intelligence Labs (AMI Labs) były główny naukowiec zajmujący się sztuczną inteligencją Meta buduje zasadniczo inny rodzaj modelu, którego zadaniem jest zrozumienie świata fizycznego w sposób, w jaki potrafią to szczur lub małe dziecko.

W rozmowie z BBC na marginesie konferencji VivaTech w Paryżu LeCun argumentował, że duże modele językowe, takie jak ChatGPT, Claude i Gemini, mają rzeczywiste zastosowania, ale mają twardy sufit. Aby uzyskać więcej informacji na temat relacjonowania branży sztucznej inteligencji kształtowania sposobu, w jaki badacze i inwestorzy myślą o tych ograniczeniach, szersza debata na temat tego, co nastąpi po erze LLM, stała się jednym z najważniejszych pytań w tej dziedzinie.

„Nie mamy robotów, które rozumieją świat fizyczny prawie tak dobrze jak szczur” – powiedział LeCun. W 2025 r., po dziesięciu latach pracy na stanowisku głównego naukowca zajmującego się sztuczną inteligencją, opuścił Facebooka, Meta, i założył AMI Labs, aby rozwijać alternatywną architekturę.

Dlaczego LeCun twierdzi, że kursy LLM nie wystarczą

LeCun twierdzi, że LLM wyróżniają się dobrze zdefiniowanymi, przewidywalnymi zadaniami, takimi jak kodowanie, rozwiązywanie problemów matematycznych i generowanie tekstu. Twierdzi jednak, że te mocne strony przesłaniają głębsze ograniczenia: systemy manipulują wzorcami statystycznymi, a nie rozumują na temat rzeczywistości.

„Zasadniczo gromadzą wiedzę” – powiedział o LLM. „Mogą coś zwrócić, można je wytrenować w zwracaniu, ale nie są szczególnie bystre. Nie mają podstawowego zrozumienia”.

Aby zilustrować tę lukę, LeCun ustawia pióro pionowo na czubku i puszcza. Zauważa, że ​​nawet małe dziecko wie, że pióro się przewróci, ale żaden człowiek nie próbowałby przewidzieć dokładnego kierunku upadku, ponieważ wynik jest naprawdę niepewny. Z kolei LLM próbowałby wygenerować pojedynczą prognozę w oparciu o wzorce w swoich danych szkoleniowych. Ta prognoza prawie na pewno byłaby błędna, ponieważ model nie uwzględnia sytuacji fizycznej; tworzy coś, co wygląda statystycznie wiarygodnie.

„LLM są w dużej mierze beznadziejne dla robotyki” – stwierdził bez ogródek LeCun. „Twierdzenie, że w jakiś sposób poprzez zwiększenie skali LLM osiągniemy nadludzką inteligencję, jest po prostu nieprawdą”.

Jak działa JEPA

Architektura opracowywana przez AMI Labs nosi nazwę Joint Embedding Predictive Architecture (JEPA). Zamiast przewidywać następne słowo lub piksel, JEPA tworzy abstrakcje prawdziwego świata, które pozwalają rozważyć możliwe wyniki działania.

Tworzenie tych abstrakcji wymaga złożonej matematyki, ale zasada jest prosta: model odfiltrowuje niepotrzebne szczegóły, pozostawiając jedynie użyteczne reprezentacje świata. W przykładzie pióra system oparty na JEPA zrozumiałby, że przewidywanie dokładnego kierunku upadku jest bezcelowe i zamiast tego reprezentowałby sytuację na poziomie abstrakcji, która faktycznie ma znaczenie przy podejmowaniu decyzji.

Takie podejście umieszcza AMI Labs w rosnącym ruchu wokół tak zwanych modeli świata, których celem jest zapewnienie systemom AI wewnętrznej symulacji zachowania środowisk, dzięki czemu mogą planować i działać, a nie tylko generować tekst.

Pole konkurencyjne

Inwestorzy obstawiają, że LeCun coś kombinuje. Na początku 2026 roku firma AMI Labs ogłosiła, że ​​zebrała ponad 1 miliard dolarów (760 milionów funtów) w rundzie finansowania zalążkowego, do której sponsorami byli między innymi amerykański gigant chipowy Nvidia i fundusz zarządzający prywatnym majątkiem założyciela Amazona, Jeffa Bezosa. Była to jedna z największych rund zalążkowych w historii europejskich startupów.

AMI Labs nie jest osamotnione w wyścigu. Na Uniwersytecie Oksfordzkim profesor Ingmar Posner kieruje laboratorium stosowanej sztucznej inteligencji i kieruje mniej więcej dziesięcioosobowym zespołem, który spędził cztery lata nad alternatywnym podejściem, które nazywa „mechanistycznym modelem świata”, który porządkuje wiedzę w taki sposób, aby sztuczna inteligencja mogła ją skutecznie przywoływać, łączyć i modyfikować.

„Moim zdaniem następna dekada będzie naprawdę poświęcona systemom, które potrafią wyjaśnić” – powiedział Posner BBC. „Potrzebujesz modeli, które odpowiedzą na pytania takie jak: co się liczy? Co jest przyczyną czego? Co by się stało, gdybym zrobił coś innego?”

Ten rodowód wywodzi się z wpływowego artykułu Davida Ha i Jürgena Schmidhubera z 2018 r., w którym argumentowano, że postęp w obliczeniach i uczeniu maszynowym może pozwolić sztucznej inteligencji uczyć się zadań wyłącznie na podstawie wyuczonej mentalnej symulacji świata. Od tego czasu pomysł stał się katalizatorem znaczących badań, w tym opracowanego przez Google modelu świata Dreamer, którego odmiana nauczyła się zbierać diamenty w Minecrafcie, wyobrażając sobie przyszłe scenariusze. DeepMind firmy Alphabet kontynuuje prace nad modelem Genie, Wayve z siedzibą w Londynie ma system o nazwie Gaia, a pionier sztucznej inteligencji Fei-Fei Li założył World Labs w San Francisco w 2023 r., aby realizować podobne cele.

Imperatyw robotyki

Nacisk na modele światowe jest w dużej mierze napędzany przez przemysł robotyki, który wpompował miliardy dolarów w humanoidalne roboty, których fizyczne wyczyny z roku na rok stają się coraz bardziej imponujące. Jednak szkolenie tych maszyn w zakresie bezpiecznego wykonywania zadań domowych, takich jak prasowanie czy ładowanie zmywarki, pozostaje trudne i kosztowne, a LeCun upiera się, że obecne modele sztucznej inteligencji nigdy nie będą wystarczająco dobre dla tego środowiska.

LeCun powiedział, że AMI Labs spędzi resztę 2026 roku na udoskonalaniu swojego modelu i ma nadzieję rozpocząć wdrażanie go w warunkach przemysłowych w 2027 roku. Jeśli to się powiedzie, ambicje znacznie wzrosną.

„W końcu będziemy mieli rodzaj ogólnych systemów wywiadowczych, które można zastosować w niemal każdym miejscu na świecie przy minimalnym przeszkoleniu lub dostrojeniu” – powiedział.

Jeśli chodzi o to, co stanie się z ludźmi w przyszłości, LeCun jest optymistyczny. Ludzie nadal będą decydować, co zbudować i jakie zadać pytania, powiedział, podczas gdy sztuczna inteligencja będzie działać jako kompetentny zastępca.

„Nasza interakcja z przyszłymi systemami sztucznej inteligencji, nawet jeśli będą mądrzejsze od nas, będzie przypominać interakcję między kapitanem branży lub przywódcą politycznym a ich personelem asystentów, z których wielu jest mądrzejszych od nich”.

Wyprzedź sztuczną inteligencję

Przejście od modeli językowych do modeli światowych mogłoby na nowo wytyczyć konkurencyjną mapę sztucznej inteligencji. Śledź najnowsze osiągnięcia AI w miarę ich rozwoju.

Przeczytaj więcej aktualności o sztucznej inteligencji →