杨立昆H-JEPA开源 公开反对Agent/RSI路线

时间：2026 年 10 月 12 日（arXiv 论文提交于 10 月 5 日，钛媒体当日独家深度解读） 地点：美国纽约 / 法国巴黎（论文作者机构：纽约大学 + Advanced Machine Intelligence + 巴黎 INRIA + 布朗大学） 人物：杨立昆（Yann LeCun，图灵奖得主、Meta 前首席 AI 科学家、AMI 创始人）、Wancong Zhang、Basile Terver、Michael Rabbat、Randall Balestriero 事件详情：杨立昆参与创办的世界模型公司 Advanced Machine Intelligence（AMI）联合纽约大学、巴黎 INRIA 与布朗大学，正式开源论文《H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning》，并同步放出代码与预训练权重（GitHub: kevinghst/H-JEPA，93 个权重上传 Hugging Face）。H-JEPA 是一种"分层世界模型"，把多个 JEPA 一层层堆叠，每一层在各自学到的潜在表征空间里预测不同时间跨度之后的状态，规划时自顶向下：高层先定粗略目标，再把中间状态当子目标交给低层细化，最终输出可执行动作。在 Visual AntMaze 仿真迷宫任务里，三层 H-JEPA 把规划成功率从单层的 18% 抬到 73%，同时规划计算量更低；配合逆动力学约束，这一思路还能直接迁移到 DROID 真实机器人视频。论文、代码与权重同日开源，研究者可一键复现分层规划实验。 背景：早在 2022 年还在 Meta 任首席 AI 科学家时，杨立昆就在论文《A Path towards Autonomous Machine Intelligence》中提出过"分层 JEPA"构想，但四年间始终没有完整可复现的实现。H-JEPA 是这一思路首个端到端、可训练、可迁移版本。论文同时与当下两大 AI 主流叙事正面对撞：其一是反对 Agent 叙事，杨立昆主张 Agent 不应"先说一句看反应、不行再换"，而应在说出话之前就在潜在空间里"预演一遍"行动后果，主张向上扩张抽象层级而非向外扩张 token 与步数；其二是 RSI 叙事，杨立昆认为递归自我改进只是放大器，反复训练语言模型仍只补语言能力，缺的多模态、物理常识、推理不会自动长出，物理世界没有现成评分信号，"改进"也就无从衡量。论文还披露了 Push-T 任务中三层、四层反而掉点的反例，提示层数并非越多越好。 影响：H-JEPA 的开源把分层世界模型从概念变成了可复现的工程实现，给 LeCun 路线的反对者提供一个实证工具：一是让"层次化 vs 扁平化"成为可在四套仿真环境 + 真实机器人视频上对比的实验变量；二是 Visual AntMaze 18% 飙到 73% 的跃迁，证明向上加层级在长时序任务上比向外加步数更划算，对 OpenAI、Anthropic 等持续扩 token、扩步数的路径构成直接挑战；三是代码与权重全开源，叠加 SIGReg 正则化等可调组件，让学界能更快验证或反驳其"训练无需奖励、无需重建像素"的核心论断；四是杨立昆借论文对 Agent 与 RSI 的公开反对，加剧了世界模型路线与 LLM 路线、AGI 路线之间的路线之争。 总结：杨立昆用一篇 H-JEPA 论文与一次放出的代码权重，把分层世界模型从四年构想变成可复现实验，并借此公开质疑当下 Agent 与 RSI 两条主流叙事，主张 AI 应先学会正确表示物理世界，再谈改进自己。Visual AntMaze 上从 18% 飙升到 73% 的三层架构，是给"分层向上"路线打出的第一张实证底牌。 参考来源： 钛媒体：https://www.tmtpost.com/8165030.html Neodrop 转载量子位：https://neodrop.ai/post/qkqIKZwX5Ak arXiv 论文：https://export.arxiv.org/abs/2610.06805 ArxivLens 论文详情：https://arxivlens.com/PaperView/Details/h-jepa-end-to-end-learning-of-hierarchical-world-models-for-visual-planning-9737-d43a2d09 DeepPaper 论文：https://arxiv.deeppaper.ai/papers/2610.06805v1 独立技术博客深度解读：https://ai.thesatyajit.com/articles/h-jepa