人物觀點｜楊立昆為什麼認為，AI 的下一步是要能更懂世界？
人物觀點｜楊立昆為什麼認為，AI 的下一步是要能更懂世界？
楊立昆（Yann LeCun）不只質疑大型語言模型（LLM）能否一路擴張成人類水準智慧，更把 AI 的問題設定往前推了一層，認為真正有用的智慧，不能只會生成語言與影像，還必須理解現實世界、預測行動後果，並在抽象表徵中規劃下一步。
楊立昆真正反對的，不是 LLM，而是把流暢回答當成理解世界
多數人談 AI 的下一步時，仍習慣從大型語言模型出發：模型更大、推理更長、多模態能力更完整、工具使用更成熟，是不是就會一步步接近人類水準智慧？
楊立昆近期的回答很直接：他不認為這條路足夠。
《WIRED》2026 年 3 月報導指出，楊立昆在談到新公司 Advanced Machine Intelligence（AMI）時表示，多數人類推理建立在物理世界，而不是語言之上；他也批評，把 LLM 能力一路延伸到人類水準智慧的想法是「complete nonsense」。
他並不是否認 LLM 在寫作、摘要、程式輔助、對話與工具操作上的價值。他真正質疑的是另一件事：如果模型主要學會的是預測下一個字詞、Token 或像素，它是否真的理解世界如何運作？
這也是他近期反覆劃下的邊界：能生成內容，不等於能理解現實；能生成影片，不等於擁有世界模型。楊立昆在 2026 年 2 月於 Mila World Modeling Workshop 的 keynote 後說明，世界模型需要 JEPA，而不是生成式架構；合格的世界模型，也不是影片生成系統。
01｜三句看懂：楊立昆要劃分「會生成」與「會理解」
楊立昆認為，LLM 很有用，但單靠擴大 LLM，不足以走向人類水準智慧。AI 若要更接近真正的理解，需要能學習現實世界的抽象表徵，具備記憶、推理、規劃，並能預測行動後果的世界模型。根據路透社（Reuters）報導指出，AMI 的定位正是圍繞推理、規劃與世界模型，作為對當前 LLM 路線的一種替代方法。
這就把 AI 競爭從「誰的聊天模型更強」，推向「AI 是否理解情境、後果與行動」。在內容生成、客服、文件處理場景中，LLM 已經能創造明確價值；但在機器人、自駕、製造、醫療與高風險決策場景，會回答問題不代表能可靠行動。
因此，不需要把楊立昆的觀點簡化成「LLM 沒用」，也不要把世界模型想成已經成熟落地的產品。他提醒產業，不要把語言流暢度誤認為理解能力；AI 下一階段的關鍵，可能從內容生成走向世界表徵、因果預測與行動規劃。
02｜他不是旁觀者批評 LLM，而是深度學習代表人物押注另一條路
楊立昆不是從旁觀者角度批評 LLM。他的判斷來自三個身分交會。
第一，他是深度學習的代表人物之一。2018 年，他與傑佛瑞·辛頓（Geoffrey Hinton）、約書亞·本吉歐（Yoshua Bengio）共同獲得 ACM A.M. Turing Award，被視為推動現代深度學習發展的重要人物。
第二，他曾長期在 Meta 主導 AI 研究。路透社報導指出，楊立昆 2013 年加入 Meta 的前身 Facebook，協助創立 Facebook AI Research（FAIR），並在 2025 年底離開 Meta，轉向創辦聚焦 Advanced Machine Intelligence 的新創公司。
第三，他現在不只是提出觀點的人，也是 AMI 這條路線的關鍵推動者。路透社 2026 年 3 月報導指出，AMI 由 Meta 前首席 AI 科學家楊立昆創辦，募得 10.3 億美元，投前估值 35 億美元，目標是商業化圍繞推理、規劃與世界模型的 AI 系統；投資方 Cathay Capital 的公告也指出，這筆資金將支持長期研究、全球招募，以及開發能學習真實世界抽象表徵的智慧系統。
楊立昆目前不是只在學術場域提出技術批評，而是用一家新公司押注另一條 AI 路線。也因此，他的觀點具有啟發性，同時也帶有明確立場：他需要證明世界模型不只是研究主張，也能成為下一代 AI 系統的基礎。
03｜這不是一句反 LLM 名言，而是一套逐漸成形的技術路線
楊立昆近期觀點，明確批評「持續擴大 LLM 就能達到人類水準智慧」這種想法，也明確切開世界模型與影片生成系統的差異。
而楊立昆的核心關切，不在於否定語言模型的短期實用性，而是質疑語言模型是否足以支撐對現實世界、行動後果與長期規劃的理解。
他正在把 AI 的主戰場，從語言流暢度推向世界表徵與行動可靠性。這個推論有其合理性，但仍需要 AMI 未來提出可驗證產品、公開評測或實際場景成果。
換句話說，楊立昆不是只問：「模型會不會回答？」
他更在意的是：「模型知道自己的回答，如何連回現實世界嗎？」
這個問題在純文字場景中可能不明顯。AI 協助寫摘要、草擬信件、整理文章時，使用者還能透過人工審查修正錯誤。但在機器人、智慧製造、自駕車、醫療輔助與實驗室自動化等場景，AI 需要預測行動會造成什麼後果。這時，單靠語言能力可能不夠。
04｜楊立昆的觀點，可以整理成五個判斷
如果把他的近期訪談、AMI 路線、公開發言與長期開放 AI 立場放在一起，可以整理成五個判斷。
1. LLM 有用，但不是通往人類水準智慧的充分路徑
楊立昆並不是否認 LLM 的價值。LLM 已經在寫作、摘要、程式輔助、客服、知識整理與人機互動界面上展現實用性。真正的分歧在於：這些能力是否足以一路延伸成接近人類的智慧？
他的答案是否定的。
他的核心判斷是，LLM 的強項在於語言模式、內容生成與對話能力，但人類智慧不只建立在語言上。人類會理解物理世界，知道物體會掉落、路徑會被阻擋、工具有用途、行動會產生後果。這些能力，不一定會因為語言資料與模型規模放大，就自然出現。
對讀者來說，這個觀點的價值在於提醒我們：評估 AI 時，不要只看它回答得多流暢，而要看它是否真的理解任務場景。寫文章、整理會議、產生客服回覆，LLM 可能已經很有用；但若要控制機器人、調度產線、處理醫療輔助或自駕移動，光靠語言流暢度就遠遠不夠。
2. AI 下一階段需要世界模型，不是只靠語言模型
世界模型可以先用一句話理解：讓 AI 在內部形成對現實變化的抽象理解，用來預測後果與規劃行動。
這類模型不只是回答問題，還要理解世界狀態、預測情境如何變化，並判斷某個行動可能造成什麼後果。Cathay Capital 對 AMI 的公告也把它描述為能學習真實世界抽象表徵、支援可靠智慧系統的方向，但這仍屬公司與投資方敘事，不能直接視為技術已成熟的證明。
這個觀點改變的是 AI 問題設定。主流產品敘事常問：模型能不能回答更難的問題？能不能處理更長的上下文？能不能更快產出內容？楊立昆則把問題改成：模型能不能理解現實？能不能預測後果？能不能規劃行動？
3. 世界模型不是影片生成，也不宜直接等同於數位孿生
很多人聽到「世界模型」，會立刻想到兩種東西：一種是能生成逼真影片的 AI，另一種是把工廠、城市、設備或流程完整建成數位孿生的系統。
前半段是楊立昆明確劃開的邊界。他在 LinkedIn 提到，世界模型需要 JEPA，而不是生成式架構；他也特別指出，合格的世界模型不是影片生成系統。
這句話的重點是生成看起來合理的影像，不等於真的理解世界。
至於「數位孿生」可能會與世界模型有交會，但不能直接畫上等號。數位孿生更像工程場域中的系統映射與模擬工具；楊立昆所談的世界模型，重點在於讓 AI 學到可支撐推理與行動的抽象表徵。
4. 楊立昆押注 JEPA，而不是傳統生成式架構
楊立昆的技術路線，不只是說 AI 需要世界模型，更進一步主張：世界模型不應該主要走傳統生成式架構，而應使用 JEPA。
JEPA 是 Joint Embedding Predictive Architecture。可以先用一句話理解：不要求模型生成所有細節，而是學會哪些抽象特徵足以預測未來。
這裡的差異很關鍵。傳統生成式模型常被訓練去重建或生成資料，例如下一個字、下一個像素、下一段影像。這種方式很適合做內容生成，但如果目標是行動規劃，完整生成所有細節可能不是最有效的方法。
JEPA 的想法更接近：忽略不必要的細節，抓住對未來判斷有用的抽象結構。
例如，一個機器人要拿起桌上的杯子，不需要生成桌面每一個像素的未來畫面。它更需要知道杯子的位置、材質、可抓取區域、手臂路徑、障礙物、重心變化，以及行動失敗的可能原因。
不過，JEPA 是楊立昆押注的技術路線，並不代表它已被證明是世界模型的唯一正解。
5. AI 不該被少數公司與單一路線定義
楊立昆的第五個觀點，不只是 JEPA 技術論證本身，還是他長期開放 AI 立場與近期 AMI 押注所共同呈現出的產業判斷。
《WIRED》報導指出，楊立昆認為人工智慧太強大，不應由任何單一私人公司控制；他也主張 AI 的使用應由民主程序決定，而不是由少數科技公司主管單方面決定。
這個觀點與前面四個技術觀點其實是連在一起的。
如果 AI 的未來只被少數大型公司定義，產業就容易跟著最有資源的技術路線走。當 OpenAI、Anthropic、Google、Meta 等公司把大量資源投入 LLM 與聊天式產品時，其他路線可能被市場忽略。楊立昆創辦 AMI，也可解讀為他希望替後 LLM 路線保留更大的實驗空間。
這不是說大型科技公司的 LLM 路線沒有價值，也不是說開源一定比較安全。楊立昆長期支持開放研究與開源 AI，而 AMI 的世界模型路線，正好讓他在產業競爭中提出另一種 AI 發展方向。
05｜生成得像，不代表理解得深
楊立昆看見的現象，是 AI 產業容易把「會生成」誤認為「會理解」。
現在的模型可以生成文章、程式碼、圖片、影片，也可以在對話中呈現流暢邏輯。對一般使用者而言，這很容易形成一種直覺：模型說得越像人，就越接近人的智慧。
但楊立昆近期一直在切開這兩件事。
世界模型的目標，不是把世界每一個像素重建出來。它更像是建立一套可用於判斷的內在表徵：什麼狀態會導致什麼變化？採取某個行動後，環境可能如何回應？哪些細節可以忽略，哪些結構必須保留？
這也是 JEPA 路線的關鍵。真正有用的智慧，未必是把世界完整生成出來，而是抓住足以支撐推理與行動的結構。
06｜世界模型要成為 AI 下一步，必須先跨過三道門檻
楊立昆的觀點有洞察，但它還不是已被證明的產業結論。若世界模型要成為 AI 下一步，至少需要跨過三道門檻。
第一，語言不是智慧的全部載體
人類當然會透過語言思考，但人類對世界的理解並不只來自語言。小孩在學會完整語言之前，就已經能理解物體會掉落、門可以被推開、某些動作會導致危險。楊立昆的觀點成立，必須預設這類非語言的世界理解，是智慧不可或缺的一部分。
第二，抽象表徵比完整生成更接近行動需求
如果 AI 要規劃行動，它不一定需要生成每一個像素，而是需要知道哪些狀態、因果關係與限制會影響決策。這也是楊立昆強調世界模型不等於影片生成的原因。
第三，世界模型可以被訓練到足夠穩定且可驗證
這是最難的部分。Cathay Capital 對 AMI 的說法，是開發能學習現實世界抽象表徵、預測情境演變、支援行動規劃的系統；路透社則指出，AMI 希望將推理、規劃與世界模型商業化。這些都能說明 AMI 的方向，但還不能證明技術已經成熟或可大規模部署。
因此，楊立昆的觀點不是已被證明的產業答案，而是一個正在被他用研究、募資與創業押注的技術判斷。
07｜楊立昆的判斷有洞察，但也不能低估 LLM 的現實價值
我們不能因楊立昆的觀點，而解讀成「LLM 已死」以下有四個觀點可以參考。
第一，從企業應用角度看，LLM 路線仍有很強的可組合性。
今天的 LLM 已不只是純文字模型，而是逐漸與工具、記憶、搜尋、程式執行、多模態輸入、外部資料庫與 agent 架構整合。即使 LLM 本身不是完整世界模型，它仍可能成為更大系統中的協調層。
第二，市場常常先接受「不完美但有用」的工具。
企業並不一定追求哲學上更接近人類智慧的 AI。許多場景只要模型能降低成本、縮短時間、輔助決策，就已經有商業價值。對內容、客服、行銷、文件處理與知識管理而言，LLM 的短中期價值仍很明確。
第三，世界模型本身仍有定義混亂與驗證困難。
「世界模型」這個詞在產業中已被不同公司用於影片生成、模擬器、機器人訓練、具身 AI、自駕系統與科學模型。楊立昆努力切開 world model 與 video generation，但市場仍可能把這些概念混在一起。
第四，AMI 的商業化路徑還需要被證明。
募得 10.3 億美元、投前估值 35 億美元，代表資本市場願意押注這條路線；但資金規模不等於技術成熟，也不等於產品已經通過第三方驗證。對讀者而言，這是一個值得追蹤的技術方向，不是可以立刻採購的成熟答案。
08｜對企業真正有用的，是分辨 AI 在生成，還是在理解
對企業、主管、創業者與知識工作者來說，楊立昆的觀點最有價值之處，不是要大家立刻轉向世界模型，而是提供一個判斷 AI 能力的方式。
當你評估一個 AI 系統時，可以先問：它只是會產出內容，還是真的理解情境？
如果你的場景是寫文章、整理會議、摘要文件、產生客服回覆，LLM 可能已經足夠有用。你需要處理的是資料品質、流程整合、人工審核與責任歸屬。
但如果你的場景涉及機器人、自動化設備、產線調度、倉儲搬運、醫療輔助、自駕移動、實體場域安全，問題就不同了。這類系統需要理解環境狀態、預測行動後果，並在不確定情境下做出可靠選擇。
因此，當你評估一個 AI 系統時，可以問五個問題：
它是在生成內容，還是在理解情境？
它能不能預測行動後果？
它的世界模型是可用於規劃，還是只是生成漂亮畫面？
它依賴的是逐步生成細節，還是能抓住抽象表徵？
我的 AI 策略是否過度依賴少數公司與單一路線？
它是在生成內容，還是在理解情境？
它能不能預測行動後果？
它的世界模型是可用於規劃，還是只是生成漂亮畫面？
它依賴的是逐步生成細節，還是能抓住抽象表徵？
我的 AI 策略是否過度依賴少數公司與單一路線？
這五個問題，比單純問「哪個模型最強」更有價值。
09｜採用楊立昆的觀點前，先問三個判斷問題
1. 他的觀察場景，和我的決策場景是否相同？
楊立昆談的是通往更高階智慧的底層架構問題。如果你正在處理的是文件、行銷、客服、知識管理，LLM 的能力可能已經足以創造價值。不要因為他批評 LLM 路線，就低估當前工具的實用性。
2. 他的立場讓他看見什麼，也可能忽略什麼？
他看見的是語言模型在世界理解、物理直覺、長期規劃上的限制。他可能較少處理的是，企業市場常常先採用「不完美但有用」的工具。企業採用 AI 時，通常不會等到人類水準智慧出現，才開始改變流程。
3. 這個觀點未來可以如何被驗證？
可以觀察三件事：AMI 是否推出可公開測試的模型或產品；世界模型是否在機器人、製造、醫療或自駕等場景展現明顯優勢；JEPA 或類似架構是否能在公開評測中證明，比純生成式路線更適合規劃與行動。
總結｜楊立昆的觀點是在提醒我們重新定義「AI 真的懂了嗎？」
楊立昆近期的觀點價值，在於提醒我們重新區分兩種能力：一種是生成語言與內容的能力，另一種是理解世界、預測後果與規劃行動的能力。
前者已經改變許多知識工作，後者可能決定 AI 能否真正走進實體場域與高風險決策。
但這個觀點不應被過度解讀。LLM 不會因為楊立昆的批評而失去商業價值，世界模型也不會因為 AMI 募得高額資金就自動成為下一代標準。較成熟的態度，是把這個觀點當成一個辨識 AI 能力邊界的方法。
未來可觀察的指標很清楚：AMI 是否能把世界模型做成可驗證產品，JEPA 是否能在實際任務上證明優勢，產業是否開始用「情境理解、後果預測、行動規劃」來評估 AI，而不是只看模型回答得多流暢。
讀者可以自問一個問題：我現在使用或採購的 AI，究竟是在幫我生成內容，還是在幫我理解情境與判斷後果？
這兩者之間的差距，可能正是楊立昆想提醒整個產業看見的地方。
文/ 睿客
FAQ:
Q1｜楊立昆的核心觀點是什麼？
楊立昆的核心觀點是：LLM 很有用，但單靠擴大 LLM，不足以通往人類水準智慧；AI 下一階段需要能理解現實世界、保留記憶、推理、規劃並預測行動後果的世界模型。依據是《WIRED》對他的訪談，以及路透社對 AMI 技術方向的報導。限制在於，這仍是他的技術判斷與創業押注，尚未等同於產業共識。對讀者而言，這提醒我們不要把語言流暢度直接視為理解能力。
Q2｜為什麼他的身分會影響這個判斷？
楊立昆曾長期在 Meta 主導 AI 研究，也是深度學習代表人物之一，現在又以 AMI 創辦人身分押注世界模型。這讓他的觀點同時具有研究權威、產業經驗與創業立場。限制在於，他現在的身分也使他的觀點帶有推動 AMI 技術路線的立場。對讀者而言，應該重視他的技術洞察，也要保留對公司敘事的判斷。
Q3｜他如何看 LLM？
他並非單純否定 LLM，而是質疑 LLM 是否能單獨承擔人類水準智慧所需的世界理解、長期記憶與行動規劃。《WIRED》引述他批評，把 LLM 能力一路延伸到人類水準智慧的想法是「complete nonsense」。限制在於，LLM 正在與工具、搜尋、記憶、多模態與 agent 系統整合，實務上不該把 LLM 看成封閉的單一模型。對讀者而言，較好的用法是把 LLM 當成知識與互動界面，而不是把它誤認為完整的世界理解系統。
Q4｜什麼是世界模型？
在楊立昆近期語境中，世界模型指的是能學習現實世界抽象表徵、理解情境、預測後果並支援規劃的 AI 系統。依據是 AMI 投資方公告對其研究方向的描述，以及楊立昆對世界模型與影片生成系統差異的說明。限制在於，「世界模型」在產業中用法分歧，有些公司把它用於影片生成、模擬器或具身 AI 訓練，因此需要先釐清定義。對讀者而言，判斷關鍵是：這個系統能否支援決策與行動，而不只是生成逼真內容。
Q5｜楊立昆為什麼強調 JEPA？
楊立昆認為世界模型應該在抽象表徵空間中學習預測，而不是依賴生成式架構逐步生成所有細節。他在 LinkedIn 提到，自己於 Mila World Modeling Workshop 的 keynote 中說明，世界模型需要 JEPA，而不是生成式架構。限制在於，JEPA 仍屬研究與架構路線，未來是否成為主流，還需要更多公開成果與實際應用驗證。對讀者而言，這提供一個理解後 LLM 路線的關鍵詞：AI 不一定要生成所有東西，才算理解世界。
Q6｜這個觀點最容易被誤讀成什麼？
最容易被誤讀成「LLM 沒用」或「世界模型已經準備好取代 LLM」。依據是楊立昆近期評論聚焦於 LLM 通往人類水準智慧的限制，而 AMI 公開說法則是長期研究與新型系統開發。限制在於，目前沒有足夠公開證據證明世界模型已全面優於 LLM。對讀者而言，正確理解是：LLM 仍有短中期商業價值，但若任務涉及實體世界與行動後果，就需要更嚴格的能力判斷。
Q7｜台灣企業可以如何使用這個觀點？
台灣企業可以把這個觀點用於 AI 採購與導入判斷：先分清楚自己要的是內容生成、知識整理、流程協助，還是情境理解、後果預測與實體行動。多數企業目前可用的成熟工具仍以 LLM 與多模態模型為主，世界模型尚未成為普遍採購選項。對企業主管而言，這不是要立刻改採世界模型，而是避免把會回答的 AI 誤認為會理解現場的 AI。
Q8｜未來可以用哪些指標驗證楊立昆的判斷？
可以觀察 AMI 是否推出可公開測試的模型或產品、JEPA 是否在世界建模與規劃任務中展現優勢、世界模型是否在機器人、製造、自駕或醫療等場景取得比 LLM 更可靠的成果。依據是 AMI 目前對外宣稱的研究方向，以及楊立昆在 Mila World Modeling Workshop 中對世界模型訓練的技術主張。限制在於，募資與媒體關注不能直接代表技術成功。對讀者而言，真正該追的是可驗證成果，而不是概念熱度。
參考資料：
Yann LeCun Raises $1 Billion to Build AI That Understands the Physical World。
Ex-Meta AI chief Yann LeCun’s AMI raises $1.03 billion for alternative AI approach。
Advanced Machine Intelligence（AMI）is Enabling the Next AI Revolution。
World Modeling Workshop Keynote: JEPA vs Generative Architectures。
閱讀推薦：
人物觀點｜Nathan Lambert 為什麼認為，中國開放模型生態可能正在降低 AI 研發試錯成本？
人物觀點｜黃仁勳為何反對 AI 失業恐慌？真正的斷點是職涯入口被重寫
人物觀點｜李飛飛押注空間智慧：AI 下一步不能只靠更會說話
精選解讀｜Alex Karp 為何說只剩兩種人更不怕 AI：白領工作的價值，正在被重新定價
精選解讀｜馬斯克把「富足未來」講成算式，但真正的瓶頸在電力、監理與交付責任
新聞速讀｜輝達黃仁勳：美中脫鉤「不符合常識」，世界需要兩國把關係處理好
精選解讀｜當楊立昆把「世界模型」搬出 Meta，AI 的下一場賭注不再只是把語言做得更像人
新聞速讀｜馬克．安德森談 Meta Prompt，教你把 AI 用成世界級教練
新聞速讀｜Hugging Face 執行長示警：大型語言模型過熱，AI 生態正重新洗牌
新聞速讀｜Elon Musk 勾勒 AI 社會願景：工作可選、金錢重要性下降
新聞速讀｜Nvidia 黃仁勳指出 AI 將重塑所有職務內容，全球進入工作再定義周期
精選解讀｜Sam Altman 預測：AGI 有望於 2030 年前超越人類智慧
版權聲明與授權須知
本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。
如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。
AI 協作聲明：
本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。
JUDGEMENT
We help you make better judgement about AI.
不是更快知道 AI 新聞，而是更早做出你能承擔後果的判斷。
InfoAI 存在的目的
是把 AI 的變化，轉換成可被理解、可被評估、可被行動的判斷框架。