杨立昆提出H-JEPA新模型：以分层推理挑战主流Agent与RSI路线

事件概述

AI领域知名研究者杨立昆（Yann LeCun）发布了新的世界模型架构 H-JEPA（Hierarchical Joint-Embedding Predictive Architecture）。该模型基于其此前提出的 JEPA（联合嵌入预测架构），通过引入分层结构，在不同时间跨度和抽象层级上预测系统状态。这一技术路线直接挑战了当前 AI 行业主流的 Agent（智能体）叙事和 RSI（递归超级智能）自我进化理念。

核心信息

1. H-JEPA 的技术原理与优势

• 从像素到表征： 不同于传统视频生成模型逐帧预测像素，JEPA 将画面压缩为抽象向量（潜在表征），并在该抽象空间中预测未来。这类似于闭眼下棋，只需知道动作指令即可推演局势变化。
• 分层架构设计： H-JEPA 将多个 JEPA 模块堆叠。底层负责细粒度、短时间的局部预测；高层负责宏观、长时间的目标规划。规划时采用自上而下的方式，高层设定粗略目标，下层逐步细化为具体动作。
• 性能提升： 在 Visual AntMaze 迷宫任务中，单层模型 LeWM 的成功率为 18%，而三层 H-JEPA 提升至 73%。这表明分层结构能有效减少长任务中的预测误差累积。
• 层数限制： 实验显示，并非层数越多越好。在 Push-T 任务中，两层表现最佳，增加至三、四层后成绩反而下降。原因是轨迹较短限制了高层可用的训练数据，导致可迁移数据量急剧减少（四层仅剩约 14%）。

2. 对主流 Agent 叙事的反对

• 反对“拆解试错”： 当前主流 Agent 模式倾向于将长任务拆分为更多步骤，通过大量 Token 消耗和多次尝试来完成任务。杨立昆认为，增加抽象层级比单纯增加步数更有效，能降低规划的计算复杂度。
• 强调“预演后果”： 真正的 Agent 不应是“说一句话、看反应、不行再换”的反馈循环，而应在行动前在潜在空间中模拟短期、中期和长期的连锁反应。无法预先预测行动后果的系统难以成为真正的 Agent。

3. 对 RSI（递归超级智能）的质疑

• 能力边界论： 杨立昆指出，RSI 仅能放大模型已有的基础能力（如语言能力），无法凭空创造出多模态理解或复杂推理能力。物理世界缺乏像代码测试那样清晰的验证标准，因此“自我改进”在开放环境中难以衡量。
• 慢特征坍缩问题： 在 DROID 实验中，若仅让模型预测视频，会出现“慢特征坍缩”，即模型只关注静态背景而忽略动态机械臂。必须人为加入逆动力学约束（推断中间动作）才能恢复规划能力。这说明模型能力的提升依赖于正确的设计约束，而非无限制的递归迭代。
• 数据与表示优先： 决定模型成败的关键在于每一层保留和丢弃的信息是否合理，以及深层模型是否有足够的数据支持，而非递归迭代的次数。

值得关注

H-JEPA 的发布标志着 AI 发展路线的一种分歧：一方主张通过扩大上下文、增加计算量和迭代次数来提升能力（如 OpenAI、Anthropic 的路径）；另一方则主张通过更合理的结构化表示和分层推理来实现更高效、更接近现实世界逻辑的智能。杨立昆的观点强调了“正确地表示世界”是智能的前提，而非仅仅依靠算力的堆砌或递归优化。