楊立昆公開(kāi)“手撕”Meta 內(nèi)部環(huán)境：“LLM 吸光了房間里的空氣”，物理世界才是 AGI 的終局

Sora 死后，生成式視頻路線已到頭。

編譯 | 王啟隆

出品丨AI 科技大本營(yíng)（ID：rgznai100）

2026 年 3 月，在新德里的 AI Alliance Global Leadership Reception 上，Christopher Nguyen 邀請(qǐng)到楊立昆聊了一個(gè)對(duì)未來(lái)影響深遠(yuǎn)的話題：今天的 AI 缺了一塊很大的東西，而他想討論的，不只是這塊拼圖究竟是什么，更是 LeCun 正在推進(jìn)的JEPA，是否就是那塊缺失的答案。

一如既往，LeCun 再次表達(dá)了他對(duì) LLM 路線的懷疑，但他這次把另一條技術(shù)敘事講得足夠完整：如果真實(shí)世界的大部分細(xì)節(jié)本來(lái)就不可預(yù)測(cè)，那么 AI 要學(xué)的，可能就不是如何重建一切，而是如何找到那些真正可預(yù)測(cè)、也真正有用的抽象表示。

接下來(lái)的對(duì)話里，他系統(tǒng)解釋了為什么文本可以靠離散 token 預(yù)測(cè)一路推高能力，視頻和真實(shí)世界卻不行；為什么重建式路線會(huì)在現(xiàn)實(shí)信號(hào)上遇到根本限制；以及為什么他相信，真正通向下一代 AI 的，不是把現(xiàn)有生成式方法再往上堆一層，而是去學(xué)習(xí)抽象表示，并在表示空間里做預(yù)測(cè)。

要點(diǎn)速覽

• LeCun 認(rèn)為，LLM 的上限不只是能力問(wèn)題，而是“下一 token 預(yù)測(cè)”這條路線本身不適合真實(shí)世界。

• AI 真正缺的，不是更大的語(yǔ)言模型，而是能學(xué)習(xí)抽象表示、預(yù)測(cè)后果并支持規(guī)劃的世界模型。

• JEPA 的關(guān)鍵，不是重建全部細(xì)節(jié)，而是在表示空間里抓住那些真正可預(yù)測(cè)的結(jié)構(gòu)。

• 在圖像和視頻表示學(xué)習(xí)上，聯(lián)合嵌入方法長(zhǎng)期優(yōu)于重建式方法，這在他看來(lái)已經(jīng)是明確的經(jīng)驗(yàn)結(jié)論。

• 這也是他離開(kāi) Meta、轉(zhuǎn)向 AMI Labs 的原因之一：LLM 已經(jīng)吸走了太多資源，而 JEPA 更重要的應(yīng)用在真實(shí)世界。

接下來(lái)是這場(chǎng)對(duì)話的精編翻譯。

AI 今天真正缺的，不是更多 token，而是世界模型

主持人：在開(kāi)始之前，我先把這場(chǎng)對(duì)話的議程說(shuō)清楚。第一件事比較容易說(shuō)服大家：今天的 AI，確實(shí)缺了一塊非常大的東西。第二件事更難：我希望這場(chǎng)談話至少能開(kāi)始讓大家相信，Yann 正在做的事情，可能就是那塊缺失拼圖的答案。

如果要用最容易理解的方式來(lái)解釋?zhuān)銜?huì)怎么向大家說(shuō)明這兩件事：AI 到底缺了什么？為什么你認(rèn)為 JEPA 是答案？

Yann LeCun：這個(gè)問(wèn)題其實(shí)分成兩個(gè)部分。第一，缺的到底是什么？答案是：世界模型。第二，什么是世界模型，我們又該怎么把它建出來(lái)？

過(guò)去大概 15 年，AI 經(jīng)歷了兩次革命。一次是深度學(xué)習(xí)，另一次當(dāng)然就是 LLM，本質(zhì)上是 GPT 這類(lèi)架構(gòu)推起來(lái)的。GPT 真正重要的，不是 transformer 本身，而是它背后的訓(xùn)練思想：給系統(tǒng)一個(gè)輸入序列，再訓(xùn)練它把這個(gè)輸入序列復(fù)現(xiàn)到輸出上。由于這個(gè)架構(gòu)是嚴(yán)格因果的，它只能看到當(dāng)前位置左邊的符號(hào)，所以它本質(zhì)上是在做“下一 token 預(yù)測(cè)”，也就是下一個(gè)符號(hào)預(yù)測(cè)。

這是一種自監(jiān)督學(xué)習(xí)。你并不是在為某個(gè)具體任務(wù)訓(xùn)練它，而是在讓它學(xué)習(xí)序列中不同符號(hào)之間的依賴關(guān)系。最開(kāi)始其實(shí)也有一些架構(gòu)嘗試在任意方向上做預(yù)測(cè)，但最后真正能擴(kuò)展起來(lái)的，是只做時(shí)間上向未來(lái)的預(yù)測(cè)，也就是 GPT 這條路。

這條路為什么對(duì)文本有效？因?yàn)槲谋臼请x散的，token 的種類(lèi)也是有限的。你永遠(yuǎn)不能確定某串詞后面一定跟哪個(gè)詞，但因?yàn)榭赡艿?token 數(shù)量有限，你可以對(duì)每一種可能性打分，得到一個(gè)在十萬(wàn)級(jí)詞表上的概率分布。

問(wèn)題是，這一套方法一旦離開(kāi)文本，就會(huì)遇到根本困難。我至少花了 15 年在研究，怎么把自監(jiān)督學(xué)習(xí)這套想法用到視頻上。也就是說(shuō)，訓(xùn)練一個(gè)系統(tǒng)去預(yù)測(cè)視頻接下來(lái)會(huì)發(fā)生什么。但最后你會(huì)發(fā)現(xiàn)，這件事根本做不通。

比如我拍一段這個(gè)房間的視頻，鏡頭慢慢轉(zhuǎn)過(guò)去，然后在某一刻停住。我讓系統(tǒng)預(yù)測(cè)接下來(lái)的視頻。它當(dāng)然可以猜到一些大概的東西，比如這是一個(gè)房間，房間里坐著人，前面有桌子。但它絕不可能預(yù)測(cè)出你們每個(gè)人具體長(zhǎng)什么樣，哪些座位有人，地毯的紋理是什么，吊燈的反光是什么樣。現(xiàn)實(shí)世界里，我們觀察到的大部分細(xì)節(jié)，本來(lái)就是不可預(yù)測(cè)的。

如果你硬逼系統(tǒng)去預(yù)測(cè)這些細(xì)節(jié)，唯一的辦法就是再塞給它額外信息，讓它有能力把這些細(xì)節(jié)復(fù)原出來(lái)。這個(gè)額外信息就是潛變量。但問(wèn)題在于，這個(gè)潛變量最后往往承載了絕大部分預(yù)測(cè)所需的信息，于是整件事就失效了。

真實(shí)世界本來(lái)就是這樣。我們當(dāng)然可以預(yù)測(cè)，如果把門(mén)窗都關(guān)上，再把這個(gè)房間里的空氣加熱，溫度和壓強(qiáng)會(huì)怎樣變化，因?yàn)橛?PV=nRT。但你不可能去預(yù)測(cè)每一個(gè)空氣分子的運(yùn)動(dòng)軌跡。分子太多了，不可能逐一模擬。

所以，試圖預(yù)測(cè)數(shù)據(jù)中的所有細(xì)節(jié)——不管是視頻、分子動(dòng)力學(xué)，還是別的連續(xù)世界信號(hào)——這個(gè)想法本身就是錯(cuò)的。

真正可行的做法，是換一種架構(gòu)：不要試圖重建輸入里的每一個(gè)細(xì)節(jié)，而是去學(xué)習(xí)一種抽象表示，并在這個(gè)抽象表示空間里做預(yù)測(cè)。這就是 JEPA，也就是聯(lián)合嵌入預(yù)測(cè)架構(gòu)。

JEPA 的意思是，你訓(xùn)練系統(tǒng)去找到一種盡可能保留輸入信息、但同時(shí)又具有可預(yù)測(cè)性的表示。比如在這個(gè)房間里，溫度和壓強(qiáng)是可以互相預(yù)測(cè)的；空氣分子的具體位置和速度則不行。物理學(xué)家早就把這件事做成了體系：為了做預(yù)測(cè)，他們必須忽略大量細(xì)節(jié)，而這些被忽略掉的東西，叫作熵。

你去模擬機(jī)翼周?chē)目諝饬鲃?dòng)，也不是去追蹤每一個(gè)空氣分子，而是把空氣抽象成速度、密度、溫度，然后解 Navier–Stokes 方程。我們做建模一直都是這樣。量子場(chǎng)太復(fù)雜，于是我們發(fā)明了粒子；粒子太多，于是我們發(fā)明了原子；再往上有分子、蛋白質(zhì)、細(xì)胞、生物體、生態(tài)系統(tǒng)、社會(huì)。每一個(gè)層級(jí)，都是為了在忽略下層細(xì)節(jié)的情況下，保留足夠的結(jié)構(gòu)來(lái)做預(yù)測(cè)。

從這個(gè)意義上說(shuō)，JEPA 其實(shí)是一個(gè)非常簡(jiǎn)單的想法：不要去重建信號(hào)中的一切，而要去尋找一種可以支持預(yù)測(cè)的抽象表示。

如果我把人類(lèi)已經(jīng)收集到的所有木星數(shù)據(jù)都丟給你，這些數(shù)據(jù)本身并不會(huì)自動(dòng)帶來(lái)預(yù)測(cè)能力。比如我問(wèn)你，木星十年后會(huì)在哪，你真正需要的可能只有六個(gè)數(shù)字：三個(gè)位置，三個(gè)速度。其他大量細(xì)節(jié)可能都不重要。它們不是沒(méi)價(jià)值，只是對(duì)這個(gè)問(wèn)題沒(méi)幫助。

如果你用這種方式訓(xùn)練出系統(tǒng)，而且這種系統(tǒng)不再是生成式的，也不再是傳統(tǒng)意義上概率式的——雖然它仍然可以處理不確定性——那你就有可能真正構(gòu)建面向現(xiàn)實(shí)世界的 AI。

再進(jìn)一步，如果這個(gè)系統(tǒng)學(xué)到的不是單純時(shí)間預(yù)測(cè)，而是帶動(dòng)作條件的預(yù)測(cè)：在時(shí)間 t 的世界狀態(tài)下，假設(shè)采取某個(gè)行動(dòng)，那么 t+1 的世界狀態(tài)會(huì)是什么。那它就成了真正的世界模型。你可以用它來(lái)規(guī)劃，規(guī)劃一串最優(yōu)動(dòng)作，以達(dá)成某個(gè)目標(biāo)函數(shù)下的結(jié)果。

大家都在講智能體系統(tǒng)，但其實(shí)沒(méi)有人真正知道怎么把它們建得可靠。至少在我看來(lái)，單靠 LLM 很難做到，因?yàn)?LLM 并沒(méi)有能力預(yù)測(cè)自己行動(dòng)的后果。要做到這一點(diǎn)，你需要的是世界模型。

為什么 LeCun 認(rèn)為生成式路線有根本上限

主持人：這套想法在直覺(jué)上很容易讓人認(rèn)同。我們感知世界的時(shí)候，也不是在腦子里重建聲音、像素和全部細(xì)節(jié)，而是形成某種表示。那問(wèn)題就來(lái)了：為什么不能繼續(xù)擴(kuò)大另一條路線？為什么不能靠更多算力、更多數(shù)據(jù)，把生成式方法繼續(xù)推上去？這到底是規(guī)模問(wèn)題，還是更本質(zhì)的方法問(wèn)題？

Yann LeCun：我認(rèn)為這是生成式方法本身的根本限制。只要你試圖重建信號(hào)里的全部細(xì)節(jié)，這條路就是有問(wèn)題的。

第二個(gè)限制是，為了讓這些生成式模型工作，你通常還得先把信號(hào)離散化，也就是 token 化，把它變成離散符號(hào)序列。你當(dāng)然可以嘗試把視頻也這樣處理，但效果并不好。

在計(jì)算機(jī)視覺(jué)里，我們其實(shí)已經(jīng)積累了很多年經(jīng)驗(yàn)。要用自監(jiān)督的方式學(xué)圖像表示，大體上有兩種路線。第一種是重建：拿一張圖像，做一些破壞，比如遮住一部分、模糊它、改顏色，再訓(xùn)練一個(gè)大網(wǎng)絡(luò)去從這個(gè)被破壞的版本里重建原圖。這在自然語(yǔ)言處理中對(duì)應(yīng)的是 BERT，在視覺(jué)里則有遮罩圖像建模、遮罩自編碼器這些方法。

它們不是完全沒(méi)用，也能學(xué)到一些表示，再拿去做下游監(jiān)督任務(wù)。但還有第二種路線，就是聯(lián)合嵌入。你把原圖和被破壞或變換后的圖都送進(jìn)編碼器里，訓(xùn)練它們?cè)诒硎究臻g中互相可預(yù)測(cè)。換句話說(shuō)，你不要求它把像素重建回來(lái)，而要求它學(xué)會(huì)一種更高層的表示。

這么多年的實(shí)驗(yàn)結(jié)論其實(shí)很明確：聯(lián)合嵌入幾乎每次都比重建更強(qiáng)。不管是 VAE、VQ-VAE、稀疏自編碼器，還是別的重建方法，都沒(méi)有真正比過(guò)這些不試圖重建的方式。

對(duì)我來(lái)說(shuō)，這是一個(gè)非常強(qiáng)的經(jīng)驗(yàn)信號(hào)：對(duì)于自然信號(hào)來(lái)說(shuō)，重建本身就是個(gè)壞主意。

我其實(shí)已經(jīng)和這個(gè)想法生活了 40 年。1987 年我的博士論文里，就在做自編碼器，甚至是去噪自編碼器。1986 年我就在訓(xùn)練這類(lèi)東西。它們當(dāng)然“有點(diǎn)效果”，但遠(yuǎn)遠(yuǎn)談不上真正可行。后來(lái) Geoff Hinton 也一樣，對(duì)這類(lèi)方法的表現(xiàn)并不滿意。

最后我們看到的結(jié)論是：對(duì)于自然信號(hào)，學(xué)習(xí)表示的最好辦法，不是重建，而是不重建。最近幾年，這種聯(lián)合嵌入方法再用到視頻上，也出現(xiàn)了非常好的結(jié)果。

從 collapse 到 DINO：這條路為什么現(xiàn)在才開(kāi)始真正成熟

主持人：但懷疑者會(huì)問(wèn)一個(gè)問(wèn)題：在表示空間里學(xué)習(xí)當(dāng)然聽(tīng)起來(lái)很好，可它很容易塌縮，落到 trivial solution（平凡解，線性系統(tǒng)的解為零向量的情況）。那最近這幾年到底發(fā)生了什么，讓你覺(jué)得這條路真的可以往前走了？

Yann LeCun：這個(gè)問(wèn)題其實(shí)很早就出現(xiàn)了。1993 年我在 Bell Labs 的時(shí)候，就有人找我們做簽名驗(yàn)證。他們的需求很具體：信用卡磁條上只有 80 字節(jié)空間，能不能把簽名的“gist”編碼進(jìn)這 80 字節(jié)里，然后比較兩次簽名是否屬于同一個(gè)人。

當(dāng)時(shí)我的想法是用后來(lái)被叫作孿生神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)：給它兩個(gè)同一個(gè)人的簽名，分別過(guò)同一個(gè)網(wǎng)絡(luò)，再要求它們輸出相同的表示。問(wèn)題是，如果你只這么做，系統(tǒng)最簡(jiǎn)單的解法就是忽略輸入，永遠(yuǎn)輸出一個(gè)常數(shù)表示，這就是塌縮。

后來(lái)我們想到的辦法，就是今天所謂對(duì)比式方法：除了給它同一個(gè)人的兩個(gè)簽名，也給它不同人的簽名，或者真實(shí)簽名和偽造簽名，然后要求這些表示彼此拉開(kāi)。這在簽名任務(wù)上有效，后來(lái)在 ImageNet 這種對(duì)象識(shí)別任務(wù)上也有效，但它不太容易擴(kuò)展，學(xué)到的表示維度通常比較低。

所以很長(zhǎng)一段時(shí)間里，我并不覺(jué)得這會(huì)是自監(jiān)督學(xué)習(xí)的最終答案。直到大概五年前，我的一個(gè)博士后 Stéphane Deny，以及其他一些相關(guān)工作，開(kāi)始用另外一種方法來(lái)避免塌縮。它們不是對(duì)比式方法，而是通過(guò)最大化某種信息量，迫使編碼器輸出的信息保持“有信息”，從而防止系統(tǒng)直接忽略輸入。

這一條路后來(lái)發(fā)展成了 Barlow Twins，之后又有 VICReg，再往后還有基于蒸餾的方法。與此同時(shí)，Meta 那邊也有 DINO、DINOv2、DINOv3。這些結(jié)果讓事情變得很清楚：我們確實(shí)已經(jīng)有辦法避免塌縮，而且這些辦法在圖像表示學(xué)習(xí)上非常有效。

所以我后來(lái)才真正覺(jué)得，這就是未來(lái)應(yīng)該走的方向。當(dāng)然，這里面的理論解釋還沒(méi)有完全建立起來(lái)。為什么這些防塌縮方法能這么有效，我們其實(shí)還沒(méi)有徹底理解。

LLM 已經(jīng)把房間里的空氣吸光了

主持人：過(guò)去 FAIR 一直是很好的研究環(huán)境。扎克伯格也很希望你留下來(lái)。那為什么你最后還是決定離開(kāi) Meta，去做 AMI Labs？在外面到底能做什么，是在 Meta 里面做不了的？

Yann LeCun：至少到去年之前，F(xiàn)AIR 還是一個(gè)非常適合做研究的地方。但過(guò)去這一年，Meta 的重心已經(jīng)明顯轉(zhuǎn)向更短期的目標(biāo)了，本質(zhì)上就是追趕整個(gè) LLM 產(chǎn)業(yè)。這就導(dǎo)致那些更長(zhǎng)期、更激進(jìn)、也更偏離當(dāng)前主流范式的項(xiàng)目，被放到了更次要的位置。

當(dāng)一家整個(gè)公司都在往某個(gè)范式上投入數(shù)千億美元，而你這個(gè) Chief AI Scientist 又到處說(shuō)，單靠放大 LLM 永遠(yuǎn)不可能走到人類(lèi)級(jí) AI，你自然不會(huì)特別受歡迎。

當(dāng)然，Mark Zuckerberg 和 Andrew Bosworth 其實(shí)都對(duì)我在做的項(xiàng)目非常支持。我們當(dāng)時(shí)在 Meta 內(nèi)部把這個(gè)項(xiàng)目叫作 AMI，Advanced Machine Intelligence，后來(lái)這也成了新公司的名字。但我后來(lái)還是去跟 Mark 講，這個(gè)方向在公司內(nèi)部從政治上已經(jīng)很難繼續(xù)推了。因?yàn)?strong>LLM 基本上已經(jīng)把房間里的空氣都吸光了。

這是第一點(diǎn)。第二點(diǎn)是，這些 JEPA 想法真正重要的應(yīng)用，很多都在 Meta 根本不會(huì)碰的地方：工業(yè)流程控制、機(jī)器人、現(xiàn)實(shí)世界系統(tǒng)，還有很多其他應(yīng)用。Meta 的核心業(yè)務(wù)還是連接人與人，而不是這些現(xiàn)實(shí)世界問(wèn)題。

所以，一方面是公司內(nèi)部模式發(fā)生了變化，另一方面是外部應(yīng)用空間太大，再加上融資條件也成熟了，JEPA 的結(jié)果又開(kāi)始真正跑出來(lái)了，這時(shí)候離開(kāi)就變成了一件順理成章的事。

從衛(wèi)星到經(jīng)濟(jì)系統(tǒng)，世界模型真正要去的地方在哪里？

主持人：我們其實(shí)一直在用 Barlow Twins 和 JEPA 訓(xùn)練衛(wèi)星模型，效果非常好，也很簡(jiǎn)單。所以我完全相信你說(shuō)的抽象表示這條路。但現(xiàn)在的問(wèn)題是，我們訓(xùn)練出了一個(gè)很漂亮的模型，它對(duì)太空這個(gè)尺度有效，可它和其他尺度上的 JEPA 模型之間并沒(méi)有真正連接起來(lái)。你覺(jué)得未來(lái)這些模型會(huì)不會(huì)形成某種分層 JEPA，最后在不同尺度之間連起來(lái)？

Yann LeCun：我覺(jué)得最終你確實(shí)需要某種分層 JEPA。低層表示負(fù)責(zé)更短時(shí)、更細(xì)節(jié)的預(yù)測(cè)，但這些預(yù)測(cè)通常會(huì)很快偏離現(xiàn)實(shí)。所以你還需要更高層的表示，去做更長(zhǎng)時(shí)間、更大尺度的預(yù)測(cè)。

高層級(jí)的一個(gè)特點(diǎn)，就是它能在更大的時(shí)間尺度和空間尺度上做預(yù)測(cè)。這其實(shí)也和物理里的很多思想相通，比如重整化群理論，也和卷積網(wǎng)絡(luò)里的池化有某種相似性。

而且不同物理現(xiàn)象之間，本來(lái)就共享很多共性。我覺(jué)得這給了我們一種可能：建出某種更通用的模型，讓一個(gè)領(lǐng)域里形成的“直覺(jué)”，能遷移到另一個(gè)領(lǐng)域里去。比如你如果真的理解流體動(dòng)力學(xué)，哪怕只是高層的直覺(jué)，你既可以用它理解渦噴發(fā)動(dòng)機(jī)，也可以用它理解機(jī)翼，也可以用它理解帆的受力。

我們?nèi)祟?lèi)其實(shí)一直就是這么工作的。甚至貓也是。你的貓對(duì)于自己的身體動(dòng)力學(xué)、摩擦、跳躍這些事，理解得可能比任何你能寫(xiě)出來(lái)的方程都好。它知道什么時(shí)候能跳上去，怎么連續(xù)借力，怎么控制身體，這是一種非常高層但非常有效的世界模型。

主持人：我們會(huì)前還聊到另一個(gè)問(wèn)題，就是經(jīng)濟(jì)模型。如果從政策、預(yù)測(cè)、經(jīng)濟(jì)這些角度看，經(jīng)濟(jì)系統(tǒng)里有公司、個(gè)人、政府、組織這些“微觀主體”，又有國(guó)家、區(qū)域、產(chǎn)業(yè)這樣的“宏觀結(jié)構(gòu)”。你怎么理解這種從微觀到宏觀的問(wèn)題？

Yann LeCun：不管是在物理、經(jīng)濟(jì)學(xué)、社會(huì)科學(xué)還是工程里，最難的問(wèn)題之一，都是怎么從微觀過(guò)渡到中觀，再到宏觀。

在物理里，這件事其實(shí)最近幾年才真正開(kāi)始有一些理論上的突破。比如怎么從分子碰撞推到 Boltzmann 方程，再怎么從 Boltzmann 方程走到 Navier–Stokes 方程。再往上，你又會(huì)遇到更高層的問(wèn)題，比如給定一個(gè)特定翼型和特定速度，怎么直接預(yù)測(cè)升力和阻力。

其實(shí)現(xiàn)在已經(jīng)有人在做這類(lèi)事情：先用 Navier–Stokes 方程或者計(jì)算流體動(dòng)力學(xué)生成訓(xùn)練數(shù)據(jù)，再訓(xùn)練神經(jīng)網(wǎng)絡(luò)去直接預(yù)測(cè)升力和阻力。這樣得到的是一個(gè)可微分模型，你甚至可以直接對(duì)形狀反傳梯度，去優(yōu)化形狀本身。類(lèi)似例子在材料科學(xué)、宇宙學(xué)模擬等很多地方都已經(jīng)出現(xiàn)了。

經(jīng)濟(jì)學(xué)會(huì)更難，因?yàn)槟忝鎸?duì)的不是遵守牛頓定律的分子，而是大量在有限信息下做半理性決策的人和組織。這樣形成的涌現(xiàn)行為，本來(lái)就極難建模。

所以在我看來(lái)，這類(lèi)問(wèn)題最后很可能還是要靠一種數(shù)據(jù)驅(qū)動(dòng)的方法，也就是類(lèi)似 JEPA 的路徑，去找到好的抽象。宏觀經(jīng)濟(jì)學(xué)其實(shí)也一直在做這件事，只不過(guò)是用更高層的抽象，把微觀細(xì)節(jié)進(jìn)一步壓掉。

我覺(jué)得這種方法在經(jīng)濟(jì)學(xué)里會(huì)有很多應(yīng)用，在金融里可能也有應(yīng)用。但金融的問(wèn)題是，大部分?jǐn)?shù)據(jù)本質(zhì)上都是噪音，信噪比非常低。

原視頻鏈接：youtu.be/wDeXfFQcJxk

（投稿或?qū)で髨?bào)道：zhanghy@csdn.net）

"48 小時(shí)，與 50+ 位大廠技術(shù)決策者，共探 AI 落地真路徑"

由 CSDN&奇點(diǎn)智能研究院聯(lián)合舉辦的「全球機(jī)器學(xué)習(xí)技術(shù)大會(huì)」正式升級(jí)為「奇點(diǎn)智能技術(shù)大會(huì)」。

2026 奇點(diǎn)智能技術(shù)大會(huì)將于 4 月 17-18 日在上海環(huán)球港凱悅酒店正式召開(kāi)，大會(huì)聚焦大模型技術(shù)演進(jìn)、智能體系統(tǒng)工程、OpenClaw 生態(tài)實(shí)踐及 AI 行業(yè)落地等十二大專(zhuān)題板塊，特邀來(lái)自BAT、京東、微軟、小紅書(shū)、美團(tuán)等頭部企業(yè)的 50+ 位技術(shù)決策者分享實(shí)戰(zhàn)案例。旨在幫助技術(shù)管理者與一線 AI 落地人員規(guī)避選型風(fēng)險(xiǎn)、降低試錯(cuò)成本、獲取可復(fù)用的工程方法論，真正實(shí)現(xiàn) AI 技術(shù)的規(guī)模化落地與商業(yè)價(jià)值轉(zhuǎn)化。

這不僅是一場(chǎng)技術(shù)的盛宴，更是決策者把握 2026 AI 拐點(diǎn)的戰(zhàn)略機(jī)會(huì)。