来源：信号废墟

　　一个模仿人类极限的巨型模型，不是天花板。

　　它是陷阱。

　　这话来自图灵奖得主、Meta 首席 AI 科学家 Yann LeCun。2026 年 2 月底，他和 NYU 团队在 arXiv 上扔出一篇论文，标题直白到刺眼：《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》（AI 必须通过超人类适应性智能拥抱专业化）。

　　论文的核心判断只有四个字：AGI 走偏了。

　　▲ X 用户 @socialwithaayan 发布论文要点摘要，迅速获得 20 万+ 浏览、2000+ 点赞

　　人类凭什么觉得自己「通用」？

　　论文上来就挑战了一个几乎所有人默认接受的假设——人类是通用智能的标杆。

　　LeCun 团队的回应很尖锐：人类从来都不通用。我们是进化打造出的生存专家。

　　走路、抓东西、识别人脸、理解语言——这些能力\"看起来通用\"，但它们之所以存在，纯粹是因为祖先在非洲草原上靠它们活下来的。如果一种能力对生存没用，进化根本不会费力打磨。

　　这就引出了一个经典悖论：Moravec 悖论。

　　1988 年，机器人学家 Hans Moravec 指出一个反直觉的规律：对人类容易的事（走路、看东西），对计算机极难；对人类难的事（下棋、算概率），计算机反而轻松碾压。

　　论文拿国际象棋举了个扎心的例子。Magnus Carlsen 是人类棋手巅峰，全球公认的天才。但放到\"客观棋力\"的维度上看，他跟现代国际象棋程序之间的差距，大得令人不适。我们觉得 Carlsen \"聪明\"，只是因为我们的参照系永远是其他人类。

\"Although the average ability of an educated human is quite remarkable, one only needs to ask them to play chess like a grandmaster, or compose a symphony like Beethoven, to truly realize the arrogance in calling this intelligence 'general'.\"

　　「虽然受过教育的普通人的平均能力确实非凡，但只要让他们像特级大师一样下棋，或像贝多芬一样写交响乐，就能意识到称这种智能为'通用'有多傲慢。」

　　换句话说：我们把自己当标尺，但这把尺本身就是歪的。

　　▲ 论文 arXiv 页面，作者为 Judah Goldfeder、Philippe Wyder、Yann LeCun、Ravid Shwartz Ziv

　　AGI 的定义，全部阵亡

　　论文最狠的部分，是一张表格——Table 1。

　　LeCun 团队把业界最主流的 AGI 定义拉出来，逐条审判，判了三种\"死法\"：逻辑不一致、技术上不可行、根本没法评估。

　　先看 OpenAI 章程里那句经典定义：

\"Highly autonomous systems that outperform humans at most economically valuable work.\"

　　「在大多数经济上有价值的工作中超越人类的高度自主系统。」

　　论文的判决：不可评估。因为\"经济上有价值的工作\"这个集合在不断膨胀，你永远测不完。

　　再看 DeepMind CEO Demis Hassabis 的说法：

\"A system that can do almost any cognitive task a human can do.\"

　　「一个能做人类几乎所有认知任务的系统。」

　　论文的判决：逻辑不一致。说好了\"任何任务\"，又加了\"认知\"限定，直接把运动、感知这些物理能力排除了。这叫什么通用？

　　甚至连 François Chollet（ARC 基准测试的创造者、以严谨著称）的定义也没逃过去。Chollet 把智能定义为\"技能习得效率\"，但他自己也承认，人类认知\"仅在有限意义上通用\"。论文指出：定义者自己都不信的定义，怎么拿来当北极星？

　　一共 7 个主流定义，没有一个活着走出这张表格。

　　LeCun 团队的结论：AGI 这个术语已经严重过载。末日派用它来渲染恐惧，乌托邦派用它来许诺天堂，CEO 们用它来融资讲故事。每个人嘴里的 AGI 都不是同一个东西，但每个人都假装在讨论同一件事。

　　这种语义混乱本身就在制造危险——它模糊了\"我们到底在造什么\"和\"该怎么造\"这两个最关键的问题。

　　新目标登场：SAI

　　拆完 AGI 之后，论文提出了替代方案——SAI，Superhuman Adaptable Intelligence（超人类适应性智能）。

　　SAI 的核心转变在于：不问\"像不像人\"，只问\"学得有多快\"。

　　具体来说，SAI 要同时做到两件事：

　　在人类能做的重要任务上，学会超越人类

　　填补人类根本做不到但同样重要的技能空白

　　第二点才是关键突破。当前所有 AGI 定义都把人类能力当天花板，但宇宙中存在大量人类生物性盲区——高维统计推断、蛋白质折叠空间搜索、极端环境决策——AI 完全可以在这些领域做到人类永远做不到的事。

　　AlphaFold 就是最好的例子。

　　DeepMind 的 AlphaFold 针对蛋白质折叠做了极端专业化设计 + 任务特定训练，一举解决了困扰生物学 50 年的难题。如果让同一个模型同时\"折蛋白 + 聊天 + 叠衣服\"，蛋白质折叠的性能大概率会下降——除非它内部重新发明了专业化模块。

　　论文用数学语言说了同一件事：No Free Lunch 定理。没有一个算法能在所有问题上都最优。你的假设越针对特定问题，你的性能提升就越大。追求\"什么都会\"，意味着什么都不精。

　　在技术路径上，SAI 指向三个方向：

　　自监督学习（SSL）——利用数据自身结构当训练信号，而非依赖人工标注。婴儿看世界就是大规模 SSL + 运动反馈，这是学\"通用知识\"最可扩展的方式。

　　世界模型——让 AI 在内部模拟\"如果我这样做，世界会怎样变化\"，而非只做 token 预测。当前自回归大模型有一个致命问题：误差会随预测长度指数级累积。你让它预测 10 步还行，100 步就完全跑偏了。

　　架构多样性——打破\"一个 Transformer 统治一切\"的同质化趋势。JEPA、Dreamer、Genie 都是候选路径，论文的态度很明确：不要让任何单一架构垄断 AI 的未来。

　　社区反应：争论被推到台前

　　论文发出后，X 上迅速出现了大量讨论。

　　▲ AI 研究者 @rohanpaul_ai 发布论文详细图解线程，获得 21 万+ 浏览

　　支持的声音集中在\"早该有人说这话了\"：

\"I agree with chasing the wrong goal, but saying we're 'terrible' is a bit funny because the human brain does all of this while consuming less energy than a light bulb.\"

　　「我同意追错了目标，但说人类'很差'也有点搞笑——人类大脑干这么多事，耗能还不到一个灯泡。」

　　——@instantfinality

　　▲ @instantfinality 的回复引出另一个维度：人类大脑的能效优势

　　也有人毫不客气地嘲讽：

\"每 6 个月硅谷就给 AGI 改个名，好像改名就能解决没人知道这到底是什么的问题。'超人类适应性智能'要么是真突破，要么就是带了假胡子的 AGI。\"

　　社区里最有份量的批评来自 AI 研究老兵Ben Goertzel。他在 Substack 上写了一篇长文，标题就很直白：《LeCun 的\"超人类适应性智能\"是 AGI 的一个特例，而非替代》。

　　Goertzel 承认论文有价值——适应速度作为指标确实有用，专业化作为策略确实现实。但他认为 LeCun 的框架太保守了：仍然以\"人类重要任务\"作为主要锚点，没有真正跳出人类中心的思维。真正的通用智能应该面向更开放、更广阔的任务空间。

　　▲ Ben Goertzel 在 Substack 上发表对 SAI 论文的系统批评

　　还有一条评论精准地概括了两个世界的区别：

\"Nature is constrained by survival. AI is constrained by optimization. Confusing the two leads to a lot of the misunderstanding in the AGI debate.\"

　　「自然界受生存约束。AI 受优化约束。把两者混淆，就是 AGI 辩论中大量误解的根源。」

　　——@CarinaN818

　　LeCun 不是突然说这些的

　　如果你觉得 LeCun 是在蹭热点，可以回头看看他 2022 年发表的那篇《A Path Towards Autonomous Machine Intelligence》——整整 20 多页，提出了 JEPA（联合嵌入预测架构）、世界模型、内在动机驱动的学习框架。

　　那篇论文的核心主张和 2026 年 SAI 论文一脉相承：

　　纯自回归 token 预测有根本局限。AI 需要在抽象表征空间做预测，而非逐像素、逐 token 硬推。需要世界模型来做规划和因果推理。需要架构多样性来避免同质化风险。

　　SAI 论文做的事，是把 LeCun 四年来零散的技术立场整合成一个完整的替代目标，给它取了个名字，然后对着整个行业说：\"你们的方向有问题。\"

　　这在 AI 学术界是一个相当大胆的举动。毕竟，\"追求 AGI\"已经写进了 OpenAI 的公司章程、DeepMind 的使命宣言、投资人的 pitch deck 和政府的监管框架——整个行业都在围绕这个词运转。

　　LeCun 的论文等于直接掀了桌子。

　　这场争论为什么重要

　　无论你是否同意 LeCun 的判断，这篇论文都提出了一个绕不过去的问题：

　　当所有人都在赶路，有没有人停下来看看方向对不对？

　　如果 SAI 的思路成立，那当前 AI 行业的资源配置可能存在严重错位——数十亿美金砸向\"做一个越来越大的通用模型\"，而真正的突破可能藏在垂直专家系统、世界模型基础设施和模块化组合里。

　　如果 LeCun 错了，那他至少迫使每个人重新检查自己的路线图假设。在一个所有人都在喊\"AGI 马上就到\"的行业里，这种审视本身就有价值。

　　Yann LeCun 用他的图灵奖声誉给出了一个明确判断：AI 的未来属于专业化的超人类适应系统，而非一个试图模仿人类所有能力的巨型模型。

　　这场争论才刚刚开始。