答对摩擦题，不等于懂物理：LeCun 给 10 亿美元的世界模型押注划边界 (2026)

语言大模型可以在物理考卷上熟练复述标准答案，但它并不具备预测现实世界如何运转的物理直觉。

北京时间 2026 年 9 月 15 日凌晨，图灵奖得主、AMI Labs 执行主席 Yann LeCun 在社交平台 X 上接连发布了两条具有明确路线界定意味的回复。

凌晨 00:41，LeCun 首先针对有关其“在测试时缩放（test-time scaling）上掉队并离开 Meta”的评论作出回应：他强调自己早在 2016 年便公开倡导世界模型与规划路线，2022 年写出系统性愿景论文，离开 Meta 后创办了 AMI Labs，并为此募得 10 亿美元资金。1

六分钟后的 00:47，他在另一条对话分支中针对有关“大模型永远无法理解摩擦力”的嘲讽给出强硬断言：以离散 token 为计算单元的自回归大语言模型，永远不会拥有物理直觉，并且“它们至今依然没有”。2

这两条连续发言不仅是对个人履历与技术争议的回击。

LeCun 正在通过对物理直觉的严格界定，为自己估值 35 亿美元的新创企业划定技术坐标与评测红线。

01 答对题目，不等于掌握物理直觉

在 00:47 的回复中，LeCun 明确承认，开发者完全可以通过微调让大语言模型正确回答任何关于摩擦力或其他物理概念的具体问答。

但他强调，在语言层面的正确回答并不构成物理理解（"that's not understanding"）。

当一道斜面摩擦力题目输入系统时，自回归语言模型依赖词表中的概率关联，输出由“摩擦因数”、“受力平衡”和公式推导构成的文本序列。

这套计算发生于离散的符号概率空间。

在真实物理环境中，冰球在粗糙冰面上滑行，其运动状态取决于连续微观接触面的相互作用与动量守恒；即使未受过正规力学训练的幼儿，也能通过观察视觉连续流直观预判物体的落点与停止时机。

符号复述与连续物理动态预测依赖不同的表征机制。

能够准确输出牛顿定律公式的语言系统，并不等同于能够预测物体相撞后果的动力学模型。

LeCun 在帖中提到，研究人员可以通过独立训练图像或视频编码器来获得某种程度的物理直觉，他在 Meta 期间的团队此前已经开展过此类工作。

但他将这类视觉编码器与主流自回归 LLM 严格区分开来：这类具备物理感知能力的编码器，在架构上并不属于自回归离散符号系统。

02 这条路线的提出脉络

在 00:41 的上一条发言中，争议直接涉及技术起源与人事变迁。

针对外界关于其在测试时规划思路上起步较晚的指责，LeCun 回溯指出，外界当前讨论的测试时推理与规划机制，正是他自 2016 年起以“世界模型与规划（world model + planning）”为核心框架持续公开倡导的路线。

历史公开记录支持了该思想的早期提出。

2016 年 12 月 5 日，NIPS 大会官方日程记录了 LeCun 的 Posner Lecture 邀请报告《预测学习（Predictive Learning）》。3

该报告的官方摘要明确提出：现有智能系统缺乏人类和动物通过观察现实世界与物理约束所获得的常识，而学习世界的预测模型是基于模型的规划与强化学习的基础构件。

2022 年 2 月，Meta AI 官方博客刊发了 LeCun 的技术愿景，正式提出了由配置器、感知、世界模型、成本、行动器和短期记忆构成的六模块自主机器智能架构。4

在离职细节上，LeCun 澄清自己离开 Meta 是自主选择而非被动去职。

美联社 2025 年 11 月 19 日的报道证实，LeCun 当时公开表示将在 2025 年底卸任 Meta 首席 AI 科学家一职，创办独立企业推进具备物理世界理解能力的研究。5

关于 Meta 的核心开源项目 Llama，LeCun 将自己的参与范围界定为非研发主力，自述仅在 Meta 内部积极推动了 Llama 2 的开源。

《财富》杂志 2024 年的报道印证了这一过程：LeCun 早在 2023 年 9 月的公开活动中确认，他曾向 Meta 内部极力主张采用商用许可证开源 Llama 2 权重，因为语言模型最终会成为基础公共设施。6

LeCun 在发言中将大语言模型定义为已经成熟的现有技术，而将自己的创业实体定位于探索下一代模型范式。

03 连续表征与物理测试的硬指标

在 LeCun 的理论体系中，世界模型的构建关键在于预测发生的空间。

真实物理世界产生的高维传感器数据具有连续性、高噪声和局部不确定性。

如果在离散 token 空间或原始高维像素网格中强行做自回归生成，模型极易陷入计算复杂度爆炸与细节幻觉。

空气中翻滚的气流与水波纹的微观起伏往往无法在像素级被逐一精准复现。

联合嵌入预测架构（JEPA）的主张是：放弃生成完整的输入信号，改为在抽象特征表征空间中预测环境的下一个状态，并通过模型预测控制（MPC）评估不同行动候选的代价。

在 Meta 2025 年 6 月公布的技术成果中，LeCun 作为共同作者参与研发的 12 亿参数模型 V-JEPA 2 呈现了这种机制的应用。7

该工作仅采用 62 小时的真实机器人动作数据，即训练出具备动作条件的潜在世界模型，在实体机械臂零样本抓取任务中实现了 65% 至 80% 的执行成功率。

在考察物理异常判别的 IntPhys 基准测试中，V-JEPA 在特定场景下的判定准确率接近 98%。8

然而，公开评测基准同时也揭示了当前所有技术路径共同面临的技术瓶颈。

在难度更高、引入复杂动态遮挡与因果推断的 IntPhys 2 基准测试中，人类受试者的识别准确率为 85% 至 95%。

Meta 官方博客披露，包括 V-JEPA 2 在内的当前受测前沿模型在 IntPhys 2 上的得分普遍接近随机概率，且模型在长时间序列上的上下文保持能力仍十分有限。9

LeCun 所指出的“至今仍缺乏物理直觉”，不仅构成了对自回归语言模型的批评，同样也是摆在世界模型自身面前尚未跨越的客观事实。

04 各大机构的世界模型路径分歧

在当前产业界，“世界模型”一词已被赋予了多种不同的技术内涵。

各前沿实验室在预测空间、直觉来源与验证目标上存在根本性的结构差异：

研发机构与代表方案	核心预测空间	物理直觉实现机制	核心评估场景与指标
LeCun / AMI Labs （JEPA 联合嵌入架构）	抽象特征表征空间（非生成式、不解码原始像素）	自监督视频联合表征学习 + 潜在动作条件规划（MPC）	真实机械臂操纵成功率、IntPhys 物理合理性判定
OpenAI （o1 推理模型 / Sora）	离散符号空间（o1）时空像素潜空间（Sora）	强化学习训练长链式思考（o1）基于扩散机制的连续视频生成（Sora）	复杂逻辑推导正确率、长视频画面的时空连续一致性
Google DeepMind （Genie 3 交互模型）	交互式视频生成流（24 fps、720p 分辨率）	潜动作自监督预训练 + 实时多模态交互模拟	虚拟环境交互延迟、持续生成一致性时长
World Labs （Marble 空间模型）	3D 几何与多模态世界空间（持久化网格与场景点云）	单图或文本驱动的稠密 3D/4D 物理场景生成	3D 场景的几何保真度与物理碰撞几何有效性