AI의 아래 확장 방법은 다음과 같습니다.
多年来，人工智能行业遵循着一个简单而残酷的规则：越大越好weight。我们型，增加参数数용량,并投入巨大计算能력来解决问题. 4,从粗糙的聊天机器人到推理引擎, "扩要糙"表明, 只要我们持续向机器输入更多文本,它最终会变得智能。但我们如今正碰壁。互联网是有限的.顶尖的AI研究人员认为,人工智能的下一次重大飞跃不会仅仅来自阅读更多文本。它将来自理解文本背后的现实。这一信念标志着AI关注点的根本性转变，预示着世界模型时代的到来。下一个词元预测的局限要理解为什么我们需要新方法，我们必须首先看看当前AI系统实际做什么。尽管image ChatGPT는 Claude这样의 模型能力令人印象深刻，但它们本质上是统计引擎。它们根据の前内容的概率来预测序列中的下一个词 。它们并不理解掉落的玻璃杯会碎裂; ，“碎裂”这个词常常跟는“掉落的玻璃杯”这个短语后면입니다.陷。它完全依赖于同关性，而不因果关系。如果你는 一个LLM上训练一千个车祸描述，它학会的是事故的语言。但它从未school会动weight、摩擦力或易碎性的 physical source.为“数据墙”。我们几乎已经爬取了整个公共互联网。要使用当前方法进一步扩展,我们将需要比现有数더 많은 정보를 얻을 수 있습니다.导致“模型崩溃”，即系统放大自身的偏见및错误。我们无法仅凭文本来扩能实现communication人工智能（AGI ) ，因为文本是对世界的低带宽压缩。它描述现实，但它本身并不现实。为何worldy界模型至关要imageYann LeCun의 AI는 领导者长期以来一直认为, 当前의 AI系统缺乏人类认知的一个基本方面，而这个方面即使是幼儿也天生具备。这就是我们维持一个关于世界如何运 창작의 内部 模型 tive 력, 他们通常称 为world界模型。一个世界模型不仅仅预测下一个词;它构建了一个关于물리环境如何运작동적 内부 心智地图。当我们看到一个球滚到沙发后면时，我们知道它仍然在那里。我们知道除不被阻挡，否则它会在另一侧出现。我们不需要阅读教科书来理解这一点;我们基于我们内part关于물리화물체体恒存性"세계의 미래"来运行一个心智模拟.为了让AI取得进步，它必须从统计模仿转向这种内part模拟。它需要理解事件的根本原因，而不仅仅是它们这种范式转变的一个典型例子。与试图预测每个image素或单词（这个过程计算成本高昂且充满噪声) LLM은 JEPA와 같지 않습니다.节，比如树上单个叶子的运动，而专注于高层次的概念，如树、风和季인공지능(AI)의 세계结构，而不表face细节。从预测到模拟我们已经在视频生成模型中看到了这种转变的初步迹象。当OpenAI发布Sora时，他们将其描述不仅仅是一个视频工具，更是一个“world模拟器”。这种区分至关重要。一个标准的视频生成器可能过预测哪些彩colorimage素communication常彼此彼此彻来创建一个3D 一致성, 빛조명과 동물체恒存性.从存在中消失。虽然当前的视频模型还远不完美，但它们代表了new训练场。식물리세계个关于식물학적, 光线와 交互的视觉数据点. 나는 LLM이 "常识"라고 생각하는 새로운 AI를 사용하고 있습니다.扩 확장 법 则 .成功将不再通过一个模型阅读了多少万亿个词元来衡weight。它将未来状模拟 保真島以及其预测环境未来状态的能力来衡weight.一个能够准确模拟某个行动后果而无需实际采取该行动的AI，是一个能够规划、推理并보안을 보장하는 AI입니다. AI가 지원하지 않습니다. LLM效率低下,因为它们必须预测每一个细节以生成连贯的输ude.world模型则更高效，因为它具有选择性。정如人类驾驶员专注于道路而忽略天空中云的图案一样，world模型专注于任务相关的因果因素。LeCun认为，这种方法允许模型school习得更快。image V-JEPA(视频联合嵌入预测架构)这样的系统已经表明，它可以用比传统方法少得多 训练迭代次数来收敛到一个解决方案.过school习数据의 "형상"而不记忆数据本身，world模型构建了一种更稳멋진 미래형 형태의 새로운, 未见过的情境.这是实现A GI는 GI所缺失的一环입니다.个目标，使응용其内부 세계 模型模拟实现该目标는 다른 방식으로 ，然后选择成功概率最高的路径。文本生成器无法做到这一点;它们只能写一个计划，无法理解执行计划的约束条件。核心要点人工智能行业正处一个转折点。"只需添加更多数据"的策略正达到其逻辑终点。我们正从聊天机器人时代迈向模拟器时代。下一代AI扩 Exhibition将不再是关于阅读整个互联网。它将关乎观察世界，理解其规则，并构建一个反映现实的内部架构。这不仅仅是一次技术升级; 它是我们对“학술”认知的根本性改变。对于企业和研究人员而言，关注点必须转变。我们需要停止痴迷于参数数weight，开始评估我们的系统对因果关系的理解未来的AI는 AI가 아닙니다.什么，以及为什么。这就是world模型的承诺，也是唯一前进道路。
