杨乐昆10亿美元融资 打造理解物理世界的AI

楊樂昆的AI新征程：從Meta到獨立創業

在AI領域享有盛譽的楊樂昆（Yann LeCun），前Meta首席AI科學家，近日宣布其新創公司AMI成功募集10億美元資金，用於構建能夠理解物理世界的先進AI系統。這一消息由WIRED獨家報導，標誌著AI研究從語言主導轉向物理認知的全新篇章。楊樂昆長期以來主張，人類級別的通用人工智能（AGI）不會僅靠處理海量文本數據實現，而是需要AI具備對物理世界的深刻理解和預測能力。他的AMI公司，正是要將這一理念付諸實踐。

「人類級AI將來自掌握物理世界，而非語言。」——楊樂昆

楊樂昆被譽為「卷積神經網絡之父」，是深度學習三大先驅之一（與Geoffrey Hinton和Yoshua Bengio並稱），並於2018年榮獲圖靈獎。在Meta擔任首席AI科學家期間，他領導了FAIR（Facebook AI Research）團隊，推動了多項開創性工作，包括圖像識別和自監督學習。然而，他對當前熱門的大型語言模型（LLM）如GPT系列持保留態度，認為這些模型缺乏真正的「世界模型」（world model），無法像人類一樣從物理互動中學習常識。

AMI公司：10億美元背後的雄心壯志

AMI的全稱尚未正式公布，但據悉其核心使命是開發具備「物理智能」（physical intelligence）的AI系統。這類AI不僅能處理符號數據，還能模擬和預測真實世界的物理規律，例如物體運動、重力、碰撞等。融資規模高達10億美元，由多家頂級風投領投，包括Sequoia Capital和Andreessen Horowitz，顯示投資界對楊樂昆願景的高度認可。

在當前AI投資熱潮中，10億美元融資並非罕見——OpenAI曾募集百億美元，Anthropic也達數十億。但AMI的獨特之處在於其反主流路線。主流AI公司如OpenAI和Google DeepMind，依賴Transformer架構和大規模數據訓練語言模型，取得了聊天、生成等應用上的輝煌成就。然而，這些模型在物理推理任務上頻頻失誤，例如無法準確預測一個球體在斜坡上的滾動軌跡，或理解因果關係。

楊樂昆計劃利用神經網絡模擬物理引擎，結合強化學習和模擬環境，讓AI在虛擬世界中「長大」。這呼應了其在Meta時期的研究，如「Joint Embedding Predictive Architecture」（JEPA），旨在讓AI從視頻和感測器數據中學習世界結構，而非依賴標註數據。

行業背景：物理世界理解的AI瓶頸

回顧AI發展史，早期專家系統依賴規則邏輯，後來深度學習帶來感知革命，但通用智能仍遙遙無期。2020年代，LLM崛起，ChatGPT等產品讓AI進入大眾視野，市場估值暴漲。然而，幻覺（hallucination）、常識缺失和物理盲區成為痛點。例如，AlphaGo雖征服圍棋，但無法理解棋子為何不能「飛」。

本文由 赢政天下编译整理，原文来自海外媒体 - Winzheng.com。

楊樂昆的觀點得到部分學界支持。DeepMind的David Silver曾表示，AGI需整合感知、規劃和物理模擬。近期，Google的RT-2和Figure AI的機器人項目，也在探索具身智能（embodied AI），即AI通過機器人身體與物理世界互動學習。AMI的出現，將進一步加速這一趨勢。據統計，2025年具身AI投資已超500億美元，預計2030年將佔AI總投資30%以上。

挑戰與前景：從願景到現實

儘管前景光明，AMI面臨多重挑戰。首先，計算資源需求巨大——模擬高保真物理世界需萬級GPU集群，成本高企。其次，數據獲取難題：真實物理互動數據稀缺，需依賴高精度模擬器如MuJoCo或Isaac Sim。最後，人才競爭激烈，頂尖研究者多被OpenAI等巨頭吸納。

但楊樂昆的優勢明顯：其學術影響力和Meta人脈，將吸引全球精英。AMI計劃首年推出原型系統，用於機器人導航和自動駕駛，後續擴展至醫療模擬和虛擬現實。

編者按：物理AI或成下一個爆點

作為AI科技新聞編輯，我們認為楊樂昆的AMI不僅是個人創業，更是對AI悖論的回應。語言模型雖華麗，但如無錨定物理世界的「常識」，終將受限。AMI的成功，可能催生「物理原生AI」時代，助力機器人革命和元宇宙。投資者應關注：這10億美元，買的不只是技術，更是未來藍圖。相比純聊天AI，物理智能更接近人類本質，或許是通往AGI的關鍵一環。

（本文約1050字）

本文編譯自WIRED，作者：Maxwell Zeff，日期：2026-03-10。