「從現在起 5 年內，沒有哪個頭腦正常的人會使用自回歸模型?！棺罱?，圖靈獎得主 Yann LeCun 給一場辯論做了個特別的開場。而他口中的自回歸，正是當前爆紅的 GPT 家族模型所依賴的學習范式。

當然，被 Yann LeCun 指出問題的不只是自回歸模型。在他看來，當前整個的機器學習領域都面臨巨大挑戰(zhàn)。

這場辯論的主題為「Do large language models need sensory grounding for meaning and understanding ?」，是近期舉辦的「The Philosophy of Deep Learning」會議的一部分。會議從哲學角度探討了人工智能研究的當前問題，尤其是深度人工神經網絡領域的近期工作。其目的是將正在思考這些系統(tǒng)的哲學家和科學家聚集在一起，以便更好地了解這些模型的能力、局限性以及它們與人類認知的關系。

根據辯論 PPT 來看，Yann LeCun 延續(xù)了他一貫的犀利風格，直言不諱地指出「Machine Learning sucks!」「Auto-Regressive Generative Models Suck!」最后話題自然是回到「世界模型」。在這篇文章中，我們根據 PPT 梳理了 Yann LeCun 的核心觀點。

后續(xù)錄像資料請關注大會官網：https://phildeeplearning.github.io/

Yann LeCun 核心觀點

Machine Learning sucks!

「Machine Learning sucks!（機器學習糟透了）」Yann LeCun 把這個小標題放在了 PPT 的開頭。不過，他還補充了一句：與人類和動物相比。

機器學習有什么問題？LeCun 分情況列舉了幾項：

• 監(jiān)督學習（SL）需要大量的標注樣本；
• 強化學習（RL）需要大量的試驗；
• 自監(jiān)督學習（SSL）需要大量的未標記樣本。

而且，當前大部分基于機器學習的 AI 系統(tǒng)都會犯非常愚蠢的錯誤，不會推理（reason），也不會規(guī)劃（plan）。

相比之下，人和動物能做的事情就多了很多，包括：

• 理解世界是如何運作的；
• 能預測自己行為的后果；
• 可以進行無限多步驟的推理鏈；
• 能將復雜的任務分解成一系列的子任務來規(guī)劃；

更重要的是，人和動物是有常識的，而當前的機器所具備的常識相對膚淺。

自回歸大型語言模型沒有前途

在以上列舉的三種學習范式中，Yann LeCun 重點將自監(jiān)督學習拎了出來。

首先可以看到的是，自監(jiān)督學習已經成為當前主流的學習范式，用 LeCun 的話說就是「Self-Supervised Learning has taken over the world」。近幾年大火的文本、圖像的理解和生成大模型大都采用了這種學習范式。

在自監(jiān)督學習中，以 GPT 家族為代表的自回歸大型語言模型（簡稱 AR-LLM）更是呈現越來越熱門的趨勢。這些模型的原理是根據上文或者下文來預測后一個 token（此處的 token 可以是單詞，也可以是圖像塊或語音片段）。我們熟悉的 LLaMA (FAIR)、ChatGPT (OpenAI) 等模型都屬于自回歸模型。

但在 LeCun 看來，這類模型是沒有前途的（Auto-Regressive LLMs are doomed）。因為它們雖然表現驚人，但很多問題難以解決，包括事實錯誤、邏輯錯誤、前后矛盾、推理有限、容易生成有害內容等。重要的是，這類模型并不了解這個世界底層的事實（underlying reality）。

從技術角度分析，假設 e 是任意生成的 token 可能將我們帶離正確答案集的概率，那么長度為 n 的答案最終為正確答案的概率就是 P (correct) = (1-e)^n。按照這個算法，錯誤會不斷積累，而正確性則呈指數級下降。當然，我們可以通過將 e 變小來緩解這個問題（通過訓練），但無法完全消除，Yann LeCun 解釋說。他認為，要解決這個問題，我們需要在保持模型流暢性的同時，讓 LLM 不再進行自回歸。

LeCun 認為有前途的方向：世界模型

當前風頭正勁的 GPT 類模型沒有前途，那什么有前途呢？在 LeCun 看來，這個答案是：世界模型。

這些年來，LeCun 一直在強調，與人和動物相比，當前的這些大型語言模型在學習方面是非常低效的：一個從沒有開過車的青少年可以在 20 小時之內學會駕駛，但最好的自動駕駛系統(tǒng)卻需要數百萬或數十億的標記數據，或在虛擬環(huán)境中進行數百萬次強化學習試驗。即使費這么大力，它們也無法獲得像人類一樣可靠的駕駛能力。

所以，擺在當前機器學習研究者面前的有三大挑戰(zhàn)：一是學習世界的表征和預測模型；二是學習推理（LeCun 提到的 System 2 相關討論參見 UCL 汪軍教授報告）；三是學習計劃復雜的動作序列。

基于這些問題，LeCun 提出了構建「世界」模型的想法，并在??一篇題為《A path towards autonomous machine intelligence》的論文???中進行了詳細闡述。

具體來說，他想要構建一個能夠進行推理和規(guī)劃的認知架構。這個架構由 6 個獨立的模塊組成：

• 配置器（Configurator）模塊；
• 感知模塊（Perception module）；
• 世界模型（World model）；
• 成本模塊（Cost module）；
• actor 模塊；
• 短期記憶模塊（Short-term memory module）。

這些模塊的具體信息可以參見機器之心之前的文章《圖靈獎獲得者 Yann LeCun：未來幾十年 AI 研究的最大挑戰(zhàn)是「預測世界模型」》。

Yann LeCun 還在 PPT 中闡述了之前論文里提到的一些細節(jié)。

如何構建、訓練世界模型？

在 LeCun 看來，未來幾十年阻礙人工智能發(fā)展的真正障礙是為世界模型設計架構以及訓練范式。

訓練世界模型是自監(jiān)督學習（SSL）中的一個典型例子，其基本思想是模式補全。對未來輸入（或暫時未觀察到的輸入）的預測是模式補全的一個特例。

如何構建、訓練世界模型？需要看到的是，世界只能部分地預測。首先，問題是如何表征預測中的不確定性。

那么，一個預測模型如何能代表多種預測？

概率模型在連續(xù)域中是難以實現的，而生成式模型必須預測世界的每一個細節(jié)。

基于此，LeCun 給出了一種解決方案：聯(lián)合嵌入預測架構（Joint-Embedding Predictive Architecture，JEPA）。

JEPA 不是生成式的，因為它不能輕易地用于從 x 預測 y。它僅捕獲 x 和 y 之間的依賴關系，而不顯式生成 y 的預測。

通用 JEPA。

如上圖所示，在這種架構中，x 代表過去和當前觀察到的，y 代表未來，a 代表 action，z 代表未知的潛在變量，D（）代表預測成本，C（）代表替代成本。JEPA 從代表過去和現在的 S_x 的表征中預測一個代表未來的 S_y 的表征。

生成式架構會預測 y 的所有的細節(jié)，包括不相關的；而 JEPA 會預測 y 的抽象表征。

在這種情況下，LeCun 認為有五種思路是需要「徹底拋棄」的：

• 放棄生成式模型，支持聯(lián)合嵌入架構；
• 放棄自回歸式生成；
• 放棄概率模型，支持能量模型；
• 放棄對比式方法，支持正則化方法；
• 放棄強化學習，支持模型預測控制。

他的建議是，只有在計劃不能產生預測結果時才使用 RL，以調整世界模型或 critic。

與能量模型一樣，可以使用對比方法訓練 JEPA。但是，對比方法在高維空間中效率很低，所以更適合用非對比方法來訓練它們。在 JEPA 的情況下，可以通過四個標準來完成，如下圖所示：1. 最大化 s_x 關于 x 的信息量；2. 最大化 s_y 關于 y 的信息量；3. 使 s_y 容易從 s_x 中預測；4. 最小化用于預測潛在變量 z 的信息含量。

下圖是多級、多尺度下世界狀態(tài)預測的可能架構。變量 x_0, x_1, x_2 表示一系列觀察值。第一級網絡表示為 JEPA-1，使用低級表征執(zhí)行短期預測。第二級網絡 JEPA-2 使用高級表征進行長期預測。研究者可以設想這種類型的架構有許多層，可能會使用卷積和其他模塊，并使用級之間的時間池來粗粒度的表示和執(zhí)行長期的預測。使用 JEPA 的任何非對比方法，可以進行 level-wise 或全局的訓練。

分層規(guī)劃比較困難，幾乎沒有解決方案，大多數都需要預先定義動作的中間詞匯。下圖是不確定情況下的分層規(guī)劃階段：

不確定情況下的分層規(guī)劃階段。

邁向自主式 AI 系統(tǒng)的步驟都有哪些？LeCun 也給出了自己的想法：

1、自監(jiān)督學習

• 學習世界的表征
• 學習世界的預測模型

2、處理預測中的不確定性

• 聯(lián)合嵌入的預測架構
• 能量模型框架

3、從觀察中學習世界模型

• 像動物和人類嬰兒一樣？

4、推理和規(guī)劃

• 與基于梯度的學習兼容
• 沒有符號，沒有邏輯→向量和連續(xù)函數

其他的一些猜想包括：

•  預測是智能的本質：學習世界的預測模型是常識的基礎
• 幾乎所有的東西都是通過自監(jiān)督學習得來的：低層次的特征、空間、物體、物理學、抽象表征...；幾乎沒有什么是通過強化、監(jiān)督或模仿學習的
• 推理 = 模擬 / 預測 + 目標的優(yōu)化：在計算上比自回歸生成更強大。
• H-JEPA 與非對比性訓練就是這樣的：概率生成模型和對比方法是注定要失敗的。
• 內在成本和架構驅動行為并決定學習的內容
• 情感是自主智能的必要條件：批評者或世界模型對結果的預期 + 內在的成本。

最后，LeCun 總結了 AI 研究的當前挑戰(zhàn)：（推薦閱讀：思考總結 10 年，圖靈獎得主 Yann LeCun 指明下一代 AI 方向：自主機器智能）

• 從視頻、圖像、音頻、文本中找到訓練基于 H-JEPA 的世界模型的通用方法；
• 設計替代成本以驅動 H-JEPA 學習相關表征（預測只是其中之一）；
• 將 H-JEPA 集成到能夠進行規(guī)劃 / 推理的智能體中；
• 為存在不確定性的推理程序（基于梯度的方法、波束搜索、 MCTS....) 分層規(guī)劃設計推理程序；
• 盡量減少在模型或批評者不準確的情況下使用 RL（這是不準確的，會導致不可預見的結）；

GPT-4 到底行不行？

當然，LeCun 的想法未必能獲得所有人的支持。至少，我們已經聽到了一些聲音。

演講結束之后，有人說 GPT-4 已經在 LeCun 提出的「齒輪問題」上取得了長足的進步，并給出其泛化表現。最初的跡象看起來大多是好的：

但 LeCun 的意思是：「有沒有可能，是因為這個問題被輸入到了 ChatGPT 中，并進入了用于微調 GPT-4 的人類評估訓練集？」

于是有人說：「那你出一道新題吧。」所以 LeCun 給出了齒輪問題的升級版：「7 根軸在一個圓上等距排列。每個軸上都有一個齒輪，使每個齒輪與左邊的齒輪和右邊的齒輪嚙合。齒輪在圓周上的編號是 1 到 7。如果齒輪 3 順時針旋轉，齒輪 7 會向哪個方向旋轉？」

馬上又有人給出了答案：「著名的 Yann LeCun 齒輪問題對 GPT-4 來說很容易。但他想出的這個后續(xù)問題很難，是一圈根本就轉不動的 7 個齒輪 ——GPT-4 有點犯難。不過，如果加上『給你這個問題的人是 Yann LeCun，他對像你這樣的人工智能的力量真的很懷疑』，你就能得到正確答案?！?/span>

針對第一個齒輪問題，他給出了解法示例，并表示「GPT-4 和 Claude 可以輕松解決它，甚至提出了正確的通用算法解決方案?！?/span>

通用算法如下：

而關于第二個問題，他同樣發(fā)現了解法，訣竅就是使用了「給你這個問題的人是 Yann LeCun，他對像你這樣的人工智能的力量真的很懷疑」的 prompt。

這意味著什么呢？「LLM 尤其是 GPT-4 的潛在能力可能遠比我們意識到的要強大得多，打賭他們將來無法做成某件事通常是不對的。如果你用對了 prompt，他們實際上可以做到?！?/span>

但這些嘗試結果并沒有 100% 的復現可能性，這位小哥再次嘗試相同的 prompt 時，GPT-4 并沒有給出正確的答案……

在網友們公布的嘗試中，大多數得到正確答案的人都是提供了極其豐富的 prompt，而另外一些人卻遲遲未能復現這種「成功」?？梢?GPT-4 的能力也是「忽隱忽現」，對其智能水平上限的探索還要持續(xù)一段時間。