Ep 86: Yann LeCun on Leaving Meta, Breaking The LLM Paradigm, & Why Hinton is Wrong

你是 AI 的教父之一。你怎么看这里这条进步路径？

五年内彻底统治世界。获得突破性研究成果的最佳方式，就是雇来最好的人，然后你他妈的别挡路。请原谅我的粗话。

你与另外两人共同获得了 Turing Award。你们的观点是从什么时候开始出现分歧的？

在 2023 年。

你是怎么知道

是时候

离开 Meta 的？听起来你在一段时间里一直在反复思考其中的一些事情。

关于我的角色、我和 Alex 的关系，以及 Meta 是如何运行 AI 的，外界一直有很大的误解。

过去一年里，有没有哪一件事是你改变了看法的？

我的意思是，整个这个想法——

Jan Lakun 是 AI 的教父级人物之一。他绝对是这个领域的传奇，也是我长期以来一直非常敬佩的人。所以，能请他来到 Unsupervised Learning，真的是一种难得的享受。他在很多方面一直是 LMs 的著名怀疑者，因此我们深入聊了 LLMs 能做什么、不能做什么、他所看到的一些局限，以及他为什么最终决定去探索一种不同的 architecture（架构）。我们也谈到了他在 Meta 的经历，比如他为建立 Fare 感到自豪的事情、过去几年是如何发展的，以及最终是什么促使他离开、出来创办了自己的公司 Ami。

我觉得，能听到 Jan 对当下 AI ecosystem（生态系统）中正在发生的一切的看法，真的非常吸引人——包括基础研究与推动 LLMs 前进之间的这种张力，以及这种情况如今如何在许多组织中上演；还有他对于整个领域未来走向的判断。他绝对是这个领域的巨擘，而当我开始做这个 podcast（播客）时，我就希望我们能请到像他这样的嘉宾。所以这真的是一种难得的享受。我想大家一定会很喜欢我们这次的对话。闲话少说，下面有请 Jan。

Jan，真的非常高兴请到你。你是 AI 的教父级人物之一。我觉得，多年前我刚开始做这个 podcast 的时候，真的就在希望，有一天我们也许能请到像你这样的人。

你知道，我不太喜欢这个说法，因为我住在 New Jersey。在 New Jersey，“godfather” 这个词可不是同一个意思。

很公平，很公平。显然，你当年在所有人都怀疑 neural nets（神经网络）的时候押注它们，这件事已经成了传奇；而我感觉，今天你在很多方面又做出了类似的押注——站在 LMs 以及如今许多人所信奉的主流 generative architectures（生成式架构）的对立面。你最近也围绕这个主题创办了一家新公司。所以，我们今天这场对话的目标，是让听众更充分地了解 Ami、你在那里的工作、你在 Tapestry 的一些工作、你为什么认为这个领域在某些 generative models（生成模型）上走错了方向，以及也想听听你对这个领域如何发展至今、你在 Meta 的那段经历等等的回顾。

对一集 podcast 来说，目标还真是挺谦虚的。我觉得，从 Amit 开始会很合适，因为这家公司感觉像是你接下来技术主张最清晰的表达。所以，你最近刚刚创办了这家公司。它聚焦于 world models（世界模型）以及扩展 JEPR architecture，而这个架构显然是你在 Meta 时期开创的。我想请你谈一谈这种架构的起源，以及你在多大程度上是从人脑及其工作方式中获得启发的。

首先，我想说，就 LLM（large language models，大语言模型）本身而言，它们并没有什么问题。你知道，LLM 是很多非常有用的 AI 产品的基础，我们所有人都在用，包括我自己。对，它们很棒，至少在它们擅长的事情上是这样。只是，它们并不是通向 human level 或 human-like intelligence，甚至 animal-like intelligence 的路径。这就是我的观点。

好吗？我不是说它们没用，对吧？我只是说，它们不是通向那种目标的路径。

你知道，我的意思是，我还参与帮助构建了一些最早期的重要 open source 模型。

对，当然。所以，什么是 AMI？AMI 实际上代表 advanced machine intelligence。而它的副标题，或者说口号，如果你愿意这么叫的话，就是：面向真实世界的 AI。

所以，基本上，人们今天所熟悉的很多 AI 技术，都很擅长处理语言操作，不管是人类语言、computer code、mathematics，还是 legalese（法律行话）——后者几乎都快算不上真正的人类语言了。

很遗憾，很多人类语言就是被这样使用的。

对，确实如此。可惜的是，language 在某种意义上非常特殊，而且它特别适合那类近来非常成功的 architectures，也就是 large language models、GPT 风格的 architectures。但真实世界呢？比如说，对物理世界的理解呢？

结果是，reality 比 language 复杂得多，因为它是 high-dimensional 的，是 continuous 的，是 noisy 的，是 messy 的。而要训练一个系统去理解真实世界，要困难得多得多。

所以这才是真正我们要追求的东西。这也是我职业生涯大部分时间一直在追求的事，尤其是在过去五六年里明显加快了推进速度，并且在过去两年取得了显著进展。因此，围绕这件事真正做一家 startup（初创公司）是合理的，相当于把它切换到高速档，全力推进。到去年年底时也已经很清楚，Meta 确实不是做这件事的合适地方。这也是为什么我离开并创办了 Amin Labs。

我觉得这是一个很有意思的趋势，几乎在各个地方都能看到：感觉有很多人从一些大公司或 research labs（研究实验室）里 spin out（分拆出来），因为他们对某个特定的研究方向非常兴奋。而你在 Fair 的经历又给了你一个很有意思的观察视角：这些公司里几乎总存在这样一种张力——一方面是尽可能去探索更多不同的研究方向，另一方面是，嘿，有些东西真的开始奏效了，这就是我们未来六个月、十二个月要卖的东西，那就去专注做这个。

我很好奇你对这件事的看法，以及你在整个行业里都观察到了什么。

这个权衡其实很奇怪。基本上存在两种模式，对吧？一种是大量探索性研究，很多直接的研究方向。对吧？

有时候某个东西看起来似乎行得通了，你就需要把它继续往前推进。而这时候它已经不再是研究了。我的意思是，做这件事的人可能还是 researchers（研究人员），或者至少媒体上还是这么称呼他们。但实际上，它已经越来越变成 engineering（工程）了，变成在为产品做推进。对吧？

这种情况在 Meta 发生过很多次，因为一些最初始于 FAIR 的东西就是这样。比如在 2023 年初，基本上就是那时候，由 FAIR 开发的 LAMA——LAMA one——展现出了很大潜力。于是 Meta 成立了一个完整的组织 Gen AI，想把它变成真正落地的东西，做成一系列产品，并推出了 Lama two、Lama three、Lama four。后者多少有点令人失望。因为 Mark Zuckerberg 对它不满意，他基本上把整个组织重启了一遍，重新做了架构调整，又招了新的人，等等。但过去一年里还发生了一件事：公司 Meta 基本上意识到，他们已经有一点落后了。

所以，这就让整体战略重新聚焦到如何追赶整个行业上。而它带来的一个令人遗憾的副作用是，很多探索性研究基本上不再被赋予高优先级了。我的意思是，这倒不直接涉及我当时在做的那些 stuff（工作内容）以及 world models（世界模型），因为 Mark 本人、CTO Andrew Bosworth，以及公司里的不少其他人，都对那个项目非常感兴趣，也真的相信它的长期影响力。但公司其他部分则完全把注意力放在 LLMs（大语言模型）上，这也让我清楚地意识到，Meta 已经不再是推动那个项目的合适地方了。后来我们也开始拿到不错的结果，所以事情就很明确了：我们必须完成从 research（研究）到真正开发这项技术、把它 scale up（规模化）、并基于它构建产品的转变。

我们也意识到，大多数应用场景很可能是 Meta 并没有特别感兴趣的那些方向。我们一直在做的这类东西，很多应用其实都在工业领域，比如 manufacturing industry（制造业）之类的地方。

很显然，你们某种程度上是在探索 world model（世界模型），以及更广义上的那个方向。我觉得也有一些人是从更偏 generative（生成式）的方法切入 world model 这条路线的。所以你会看到一些团队，比如 Google 的一些人，在做 Genie 和 video models；也有一些人在机器人这边构建 VLA；还有 Fei Fei 在做那种 3D spatial models（3D 空间模型）。

当你回头看那些让你对 JEPA models 感到兴奋的证据体系，并把它们和更主流那些人所做的方法作比较时，你觉得我们今天在这些架构和路线的对比上，大概处在什么阶段？

好的。所以现在 world model 正迅速变成一个 buzzword（流行术语）。对吧？当然在研究领域是这样，在某种程度上工业界也是如此。

如果你愿意这么说的话，现在大致有两个阵营。我先不谈 VLA，因为现在大家已经很清楚地看到，VLA 这条路走不通，基本上并没有真正奏效。VLA 就是 vision language action models（视觉-语言-动作模型），对吧？

所以，本质上就是用 LLM 技术来训练一个系统，让它输出 action（动作），比如去控制机器人之类的。对吧？也就是 vision 输入、language 输入、action 输出，也许还会有 language 输出。现在这基本已经被视为失败了：可靠性不够高，需要的训练数据太多，诸如此类。好。

然后就是 world models。好，那么什么是 world model？在非常宽泛的层面上，world model 是一种能让 agentic system（智能体系统）预判自身行为后果的东西。对吗？

也就是，预测自己行动会带来什么后果。从我的角度看，我无法想象，一个 agentic system 如果不具备预测自身行为后果的能力，你要怎么去设想构建它。我的意思是，这几乎是最核心的能力。对吧？我们人在世界中行动时，就具备这种能力。

而当我们采取行动却不去考虑后果时，我们就是在冒很大的风险。而且很多时候，别人会觉得我们是白痴。眼下的国际政治舞台上，这样的例子多得很——有些人完全没有能力预测自己行为的后果。所以，这就是 world model。它本质上也就只是这个。

对吧？就是能够预测你自己行为后果的能力。如果你有这种能力，那你就能规划出一连串动作来完成一项任务，也就是满足一个目标。而你做到这一点，是靠规划、推理，靠一个 search（搜索）和 optimization（优化）的过程。你不是像我们现在做的 VLA 那样，通过一种自回归的方式一个接一个地预测动作来做到这一点。

你是通过搜索一串能够完成你为自己设定任务的动作序列来做到的。所以，这背后的 blueprint（蓝图）和目前 LLMs 能做的事情完全不同。LLMs 没有预测自己行为后果的能力，也没有任何规划能力，因为它们的 inference（推理）是通过预测下一个 token（词元）来进行的。对吧？不是通过 search。

好吗？所以在这里，你就得到了我认为智能行为必不可少的两个特征：第一，能够预测自己行为的后果；第二，能够通过 optimization、通过 search 来进行规划，找到一组好的动作序列，从而产生正确结果。然后还有第三个特征，就是你如何预测自己行为的后果。好吧。比如说，如果我面前有一个水瓶——我意识到有些人只是听这段内容，看不到画面。

所以我面前有一个打开了、没盖盖子的水瓶。如果我从底部推它，它会在桌面上滑动；如果我从靠近顶部的地方推它，它很可能会翻倒。我们没法精确预测这个瓶子会怎么倒、朝哪个方向倒。我们也没法精确预测它会怎么滑动，比如水会怎么洒出来，桌子是不是有一点倾斜，于是水会大致朝某个方向流，而不是另一个方向。

我们不可能在 pixel（像素）级别上预测这些事情。所以，我们关于世界的心理模型是在做预测，但它是在一种抽象的表征层级上进行预测。

所以，当你在研究这种架构时，其中很多想法是受人脑启发的吗？我是说，很显然，你表述这些事情的方式，和我们实际做事的方式完全一致。

对，或者至少是受 cognitive science（认知科学）启发。对吧？至于你是否能把这些东西转化成一种 neural architecture（神经架构）之类的实现，那中间还有很大的鸿沟。好吧。

所以，没错，cognitive science 的确是一部分动机，或者说，心理学家所谓的 system two（系统二）也是一种启发。它表达的是这样一种观念：当你以一种深思熟虑、会反省的方式行动时，你会先想象、预测自己行为的后果，再据此进行规划；这和 system one 相反，在 system one 里，你只是以反应式、凭直觉的方式行动。所以，是的，这里面确实有启发来源。但同时，也有大量经验性证据表明，你并不想去生成 pixels。好吗？我对通过预测来学习世界模型这个问题感兴趣已经很久了，大约五年前我突然想通了一件事：所有那些在学习图像和视频表征方面取得成功的架构，都是 non-generative（非生成式）架构。

而所有那些 generative（生成式）的方法，基本上都失败了。对吧？所以 VAE，也就是 variational autoencoders（变分自编码器），或者更广义地说 autoencoders（自编码器），本来是一种很自然的思路，用来学习输入的抽象表示。对吧？你把一张图像送进一个 neural net（神经网络）的输入端，然后训练它在输出端把这个输入原样重现出来——当然这里用的是一个很大的 neural net。

但如果你只是这么做，你的 neural net 不会做出任何有意思的事情。它学到的只会是 identity function（恒等函数）。对，完全没意思，行不通。

比如说，如果你训练一个 VAE 去学习图像的表示，你确实会得到点什么，但效果真的不怎么样。sparse autoencoders（稀疏自编码器）也是一样。然后还有另一组技术，它有点源自一种叫 denoising autoencoder（去噪自编码器）的方法。masked autoencoder（掩码自编码器）就是它的一个版本。BERT 则是它在 NLP（自然语言处理）里的一个版本。

也就是说，你拿一张图像，用某种方式把它破坏掉，然后训练这个大型 neural net 去恢复原始图像、原始图像。fair 当时有一个很大的项目就是做这个，叫 MAE，mass auto encoder。结果非常令人失望。算力花了很多，但结果并不算特别好，也谈不上令人满意。与此同时，一些同样在做 MAE 的人，以及 Paris 和 New York 的另外一些人，在研究别的技术：不用 generative architecture（生成式架构），而是用 joint embedding architecture（联合嵌入架构）。

也就是，拿一张图像，用某种方式把它破坏一下，然后把这两张图分别送进 encoders（编码器），接着尝试根据被破坏图像的表示，去预测原始图像的表示。这就是 JPA。对。明白吗？所以 JPA 的意思是 joint emitting predictive architecture。

对吧？你有一个 encoder 观察到一种观测，另一个 encoder 得到另一种观测。你用一个 predictor（预测器）去根据第二个表示，预测第一个表示。而结果证明，这些技术在表示图像和视频方面要好得多。所以像 Dino、Dino v one、v two、v three——这个项目现在还在 fair 的 Paris 团队继续做——还有像 iJEPA，以及 VJEPA 这样的项目。

再往前还有像 SimSIAM、MoCo，以及一大堆不同的技术，大多来自 Meta。当然其他团队也提出过不少别的方法。但事实证明，相比预测像素，这是一种好得多的图像表示学习方式。对。所以我脑子里一下子就想通了——当然不只是我一个人这么想——这才是正确方向，而预测像素基本上是一条没什么前途的路。

你知道，现在会发布很多 robotics（机器人）demo。嗯。来自一些 model companies（模型公司）的那些 demo 看起来越来越令人印象深刻，而且你知道，它们似乎开始有点像 planning（规划）和 reasoning（推理）了——比如它们以前可能没见过某个房间，或者没见过某个任务的具体版本，但依然能够把这个任务执行出来。那我想问的是，对于那些看到这些东西、并觉得“我们好像正通过某些 generative approaches（生成式方法）朝着真正的进展前进”的听众，你会怎么说？

嗯，确实有真正的进展，而且其中一些 demo 的确非常令人印象深刻。但它们是用海量数据训练出来的，这些数据要么来自当前的操作过程，要么就是，你知道的，人类拿着手中物体进行动作的数据。对。对。Grippers（夹持器）。

就是那种，你知道的，Grippers？然后你会为此收集数据，或者只是，嗯，追踪一个人的手和手指动作，再把这些转化成某种给机器人的指令。所以这些东西大多是用 imitation learning（模仿学习）训练的。对吧？再加上一点点 reinforcement learning（强化学习）来做微调，而且大多数是在 simulation（仿真）里完成的。

所以这里的问题在于，你需要大量数据来把这些系统训练到能够进行模仿。而这会变得很昂贵，并且还有点脆弱，意思是说，你得为机器人想要解决的每一个任务都收集大量数据。相较之下，如果系统有一个 world model（世界模型），能够让你预测某个动作的结果，那它就可以直接规划一个动作去解决新任务，而不必真的为完成这个任务专门训练。因此，基于 world model 的系统所能获得的泛化程度会大得多，也就是能覆盖宽得多的任务谱系，同时所需训练数据也会少于一个用 imitation learning 再加微调训练出来的系统。

毫无疑问，这些方法都需要数据。我想，泛化这个问题确实才是最大的那个问题，对吧？我觉得有些人已经展示过一些结果，说明在任务 A 上变得更好会有助于任务 B，但很明显，这些架构上仍然存在一个巨大的、尚未回答的问题。

我的意思是，任务之间确实会产生这种协同效应。所以，你训练系统去解决的任务越多，它之后能够用少量数据学会的新任务也就越多，不管你用的是什么技术。但对 world model 的期待在于，系统可以 zero-shot（零样本）解决新任务，而这是人类完全做得到的。对吧？很多动物也是如此。

所以这才是真正的希望所在：用少量训练数据，甚至完全不用训练数据，就能解决更多得多的问题，也许再加上一点点 RL（强化学习）风格的微调。对。比如说，一个 17 岁的少年为什么能在十几个小时，或者二十个小时内学会开车？我们已经拥有数百万小时的人类驾驶训练数据了，却依然没有 level five 自动驾驶汽车。

对吧？所以很显然，单靠 imitation learning 甚至连 autonomous driving（自动驾驶）这个任务本身都做不好。

对。我想，这最终会是一场竞赛：一边是发展出其中某些能力的能力，这可能需要时间和大量数据；另一边则是这种架构。我感觉现在有一种愿景，是利用 video models（视频模型）直接生成海量 synthetic data（合成数据）用于 simulation（仿真）。而且你知道，即便这些视频模型从 physics（物理）角度看并不完美，它们似乎也已经足够有帮助，足以改进真实物理世界中的 robotics（机器人技术）。你怎么看这些方法？

很明显，我认为 NVIDIA 一直在把重心放在那里。Google 看起来也在往那条路上走。

我算是在再问你一次那个问题：你知道，为什么一个 17 岁的孩子不能在二十个小时内学会开车？你不需要数百万小时的 demonstration（示范），也不需要 synthetic data（合成数据）。这些你都不需要。所以，你知道，我想要的是一个能以那样的速度学习的系统。如果我们攻克了这一点，那我们就不需要，你知道，生成数据了。

对吧？我的意思是，我们也许需要在 simulation（仿真）中训练一个系统，但不需要像当前系统那样投入同样多的时间或试验次数。对。归根结底，这其实是一个 data efficiency（数据效率）的问题。

你知道，我之前在播客里采访过 Jerry Toric。他当时在 OpenAI，后来出来创办了自己的 lab（实验室）。你能感觉到一种类似的张力：我觉得他实际上甚至可能也会同意，你知道，如果你继续按照我们现在这种方式扩展 RL（强化学习），你会继续得到非常令人印象深刻的结果。但我觉得他的感觉是，天啊，这件事一定有某种效率高得多的做法。这很有意思。这是一种很有意思的张力，因为你可以想象，如果你是 OpenAI，而且你知道某件事会继续奏效——你可以持续扩展它，它也会持续变得更好。

但从商业角度来看，未必有很强的动力去做数据效率更高的事情。

对。其他公司其实也没有动力去做任何不同的事，因为他们都在追同一件事——他们承担不起落后于其他人的代价。对吧？所以他们都在做同样的事情。对。

而且这里面还有一点这种，你知道，某种从众行为，主要是在 Silicon Valley，每个人都在挖同一条沟。

对。

所以，你知道，我是有意把 Emilabs 的总部设在 Paris 的。对。美国办公室则放在 New York，而不是 Silicon Valley。

这很有意思，因为我觉得它确实把当今更广泛生态系统中的一种关注点凸显了出来。你可以想象另一种立场是：当然，也许外面有一些数据效率更高的方法，但几乎谁会在乎呢，因为我们完全可以继续扩展现有方法，并获得越来越好的结果。显然，我也理解为什么大家会被这些其他 architecture（架构）所吸引：一方面，这些模型确实可能带来全新的能力；另一方面，作为研究者，发现这些新东西本身也是一种乐趣。

这是一种押注。对。但我们其实相当有信心，因为我们已经有结果了。

对，确实如此。那当你考虑 EME 技术最让你兴奋的那些初始应用空间时，哪些方向最吸引你？你觉得这项技术会走向哪里？你又最期待什么？

嗯，我的意思是，AI 用于现实世界。比如说，你的 domestic robot（家用机器人）在哪里？你的 level five self driving car（L5 级自动驾驶汽车）在哪里？还有——这就是

我什么时候才能有一个 domestic robot（家用机器人）？我对这个很期待。

这还要再过几年。好吗？尽管现在有大量公司在造机器人，但这些公司实际上都还不知道该怎么让机器人变得足够聪明、聪明到真正有用。

对吧？或者说，聪明到能让人放心它和家里的婴儿待在一起之类的。

当然还远远达不到那种程度。但即便只是相对狭窄的 manufacturing task（制造任务），对吧？我的意思是，除了通过 imitation learning（模仿学习）去完成少数几个任务之外，他们其实都还不知道怎样才能把这件事做得可靠。

那么，我们该如何让这些东西变得有用呢？这其实算是一个相对长期的目标。短期来看，工业界有大量应用场景需要这样一种系统——一种智能系统——它能够预测：如果我改变这个复杂系统中的某个控制变量，会发生什么；无论这个系统是 jet engine、chemical plant、power plant、某条 manufacturing line、一个 patient，还是一个 human cell。对吧？这类系统都足够复杂，无法用少量方程来刻画其行为。

对吧？所以传统的建模方法是行不通的。你需要做的是训练一个 neural net（神经网络）、一个 deep learning system（深度学习系统），让它从数据中建模这个系统的 dynamics（动力学）。最终你得到的是对这个过程、这个系统的一个 phenomenological model（现象学模型）。如果它是 action-conditioned，那么你基本上就得到这个系统的一个 world model（世界模型），它能够让你为了任何既定目标对其进行最优控制。

我认为，这在工业中的应用数量之多，简直令人难以想象。

你觉得未来几年里，JEPPY models 会发展到什么程度？有没有什么你会指出来的里程碑？或者说，你对这条进展路径的整体看法是什么？

好吧，几年这个时间稍微有点短。要说五年，那基本上就是彻底统治世界了。

好的。所以大概是在五年内走向统治世界的路上。

我的意思是，这显然有点玩笑成分，但这是 Linus Torvalds 的一句话。对吧？人们问他，你做 Linux 的目标是什么？他说是彻底统治世界。而他实际上真的做到了。

嗯，这么说很公允。

粗略地说，世界上每一台电脑都在运行 Linux。对吧？所以这算是个玩笑。但归根结底，我认为这就是未来智能系统的蓝图。LLM（大语言模型）仍然会有一小块位置，比如说，基本上作为一种语言接口，但我们正在设计的是具备思考能力的系统。

它们一开始可能还不具备说话或听的能力，但它们会负责思考。然后你可以在这个基础之上，再加上说话和听的能力。

我相信你和团队一定都在积极推进这件事，想要拿出一些早期的 proof points（验证性证据）。而且显然，你们已经做出了一些成果。你怎么看这条通往未来五年“统治世界”的道路上的中间步骤——也就是你们能够逐步展示些什么？

是这样的，我认为，在一年左右的时间内，我们会拥有一套通用的方法论，用来在非常广泛的模态上训练分层的 world models（世界模型）。我们知道，借助一些我们并不完全满意的技术，我们可以在视频上做得不错，因为那些技术有一些短板。但与此同时，我们也已经有了某种小规模的方法演示，而我们认为那才是真正想要的方向。所以我们需要把那套方法扩展起来，让它达到与其他那些虽然没那么令人满意、但在视频等任务上表现还不错的技术同样的性能水平；同时也要把它应用到其他类型的数据集上，比如我们会从 industry partners（产业合作伙伴）那里拿到的数据。好吗？

所以我们会展示，我们能够训练 world models，或许还包括 action-conditioned world models（动作条件世界模型），它们可以让我们针对多种不同用例进行规划。其中一些会是 robotics（机器人），一些会是各种类型的工业过程控制，也许还有一些会在 health care（医疗健康）领域，因为我们在那方面也有合作。对，对。

在那个领域里。这应该会在一年到十八个月内实现。然后我们会和合作伙伴一起，把这套方法论和这些模型推进到那些用例中去，其中有些合作伙伴本身已经是我们公司的 investors（投资人）了。你知道的，并借此积累经验，去构建某种程度上可以说是 somewhat universal world model（某种较为通用的世界模型）。

我的意思是，你显然以前就有过这样的经历：做出这种非常逆势的押注，把赌注押在 neural nets（神经网络）上，而且历史已经充分证明你是对的。我想，当你看待这一次的押注时——而我觉得，如果你去问今天 AI 各个前沿领域里的大多数人，他们可能会认为这仍然是逆势的——你觉得要在多长时间内，大家才会明显看出来，这条路其实是对的？

我觉得这件事可能会比预期发生得更快，因为，你可以看到，world model（世界模型）已经开始变成一个 buzzword（流行热词）了。对吧？至少在研究层面是这样，而且它也开始逐渐渗透到产业界。对。很多人也开始意识到，VNA 很糟糕，而且，LLM 对真实世界数据并不好用。产业界其实已经意识到这一点了，至少在用户侧肯定如此。

我认为，正因为 robotics 行业的重要性，很多人都在努力弄清楚：我们到底该怎么走到那一步？怎么才能让那些机器人变得有用？所以我觉得，人们已经开始意识到，你需要改变一种 paradigm（范式），而且这个过程此时此刻就正在发生。我想，到了 2027 年初，这一点会对所有人都变得完全显而易见。对。

当然，这并不意味着到那时我们就一定已经有了解决方案。我们希望会有，但你知道，还得走着看。

我想，换个话题，聊聊 LM 这一边，你提到过你和 Tapestry 正在做的一些工作，我觉得这对我们的听众会非常有意思。所以也许你可以稍微讲一讲。

好的。这个方向和 AmyLabs 算是有一点正交，也就是不完全在同一条线上。

好像你手头的事还不够多似的。