世界模型：为啥JEPA比认为是通往AGI最可行、非纯scaling的路线？

JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）是Yann LeCun（图灵奖得主、Meta前首席AI科学家）从2022年开始大力推动的一种非生成式世界模型核心思路。

LeCun说，这被视为“通往AGI最可行、非纯scaling的路线”。

现在（2026年1月）它已经是LeCun新创业公司AMI Labs的基石技术，被视为“通往AGI最可行、非纯scaling的路线”。

JEPA很抽象，因为它不像Sora/Marble/Genie那样直接生成视频/3D世界让你“看到”效果。

它更像AI在脑子里默默构建一个抽象的“世界理解”，不画图、不吐像素，只预测“本质会怎样”。

JEPA像人类“脑补”而不是“重画”

你看到一个人从画面左边走进来，画面突然黑了半秒，你大脑不会去“脑补”每一根头发、每个像素的颜色变化，而是直接知道：“他大概率会继续往右走，姿势差不多，重力往下，脚会碰到地。”

这就是JEPA干的事，它不预测像素/细节（太费劲、太随机），而是预测抽象表示（高层次的“状态”：物体位置、运动方向、物体是否还在、因果关系等）。

生成式模型（像Sora）相当于强迫一帧一帧重画整张图，而JEPA相当于“AI在心里默念：接下来应该是这个意思”。

看视频预测下一步，输入一段视频的前几秒（一个人扔球）。

生成式模型，努力预测下一帧的每一个像素 → 经常模糊、幻觉、物理不对（球突然变大或消失）。

JEPA会把视频编码成一个抽象向量，比如“球在向上飞，速度X，重力影响Y，人手臂姿势Z，然后预测下一个抽象向量会是什么。

它不关心球的精确纹理、光影、背景噪声，只关心“可预测的本质规律”。所以更省算力、更稳、更接近“理解物理”而不是“模仿视频”。

JEPA有三块积木

首先它有两个编码器（Encoders）。一个看“上下文”（已知部分，比如视频前半段），一个看“目标”（要预测的部分，比如后半段）。它们把输入压成同一个“语言”——抽象向量空间。

其次，预测器（Predictor），只看上下文的向量，猜目标的向量应该长啥样。

第三，损失函数，不是比像素（L2距离），而是用能量函数（Energy-Based Model）。

匹配得好→能量低（好），不匹配→能量高（坏）。

训练时，强制模型把“可预测的东西”塞进向量里，把随机噪声/无关细节扔掉。

为什么LeCun说

JEPA是“AGI唯一可行路径”？

预测什么

生成式世界模型预测像素、帧或 3D 点云等细节（高分辨率的原始数据）。
JEPA 路线预测抽象表示或状态（本质的高层次特征和规律）。

计算代价

生成式模型极高，因为每帧都需要生成海量细节，计算资源消耗巨大。
JEPA 路线低很多，只在低维的向量/抽象空间中运算，避免了像素级重建的开销。

处理不确定性
生成式模型容易出现模糊、平均化或幻觉（因为必须“猜”每一个不确定像素）。
JEPA 天然忽略不可预测的部分（如树叶的随机晃动、背景噪声），只关注可预测的核心规律。

学到物理/常识

生成式模型主要靠海量数据通过统计“涌现”出物理规律。

JEPA 通过强制学习可预测规律、更接近因果关系和不变性（invariance），学得更本质、更稳健。

规划/推理能力

生成式模型需要额外添加规划模块，容易出错或不稳定。

JEPA 天生适合规划，因为它在向量/抽象空间中操作，优化轨迹和决策更高效、直接。

当前，演示效果
中，生成式模型看起来很炫，能直接生成视频或交互世界，给人强烈视觉冲击。

JEPA 不炫（没有直接画面输出），但在下游任务（如规划、机器人控制、效率基准）上表现更稳、更高效。

总体来说，生成式模型擅长产生可见、可直接使用的输出（适合演示和某些应用），而 JEPA 更注重高效的“内在理解”和长期推理，被LeCun视为通往真正 AGI/具身智能的潜力路径。

（AI生成，科普学习）

---

原文链接：https://mp.weixin.qq.com/s/QhC4K9j2FwQv13GRTLoi4g

来源：XT