在访谈中，Yann LeCun系统阐述了当前生成式AI的根本局限，并提出了通向高级机器智能的技术路径。他指出，仅通过预测文本无法构建真正的世界模型，而视频生成的困难在于无法有效建模高维连续空间的分布。LeCun大力倡导联合嵌入预测架构（JEPA），认为这是学习世界抽象表示、实现物理推理的关键。他强调，开源是实现AI多样性、避免意识形态偏见和保障民主的必由之路，并对构建可规划、可理解物理世界的下一代AI模型充满信心。
Yann LeCun，Meta首席AI科学家、图灵奖得主，在本次访谈中深入剖析了当前以大语言模型（LLM）为代表的生成式AI的根本缺陷，并系统阐述了他眼中通往“高级机器智能”（AMI）的可行路径。他挑战了“AI通过预测下一个词就能理解世界”的主流叙事，指出语言信息带宽过低，无法承载构建完整世界模型所需的丰富物理现实。LeCun提出，未来的突破在于“联合嵌入预测架构”（JEPA），通过在抽象表示空间而非像素或单词空间进行预测，来学习世界的可预测结构。同时，他坚定地倡导AI的开源生态，认为这是确保技术多样性、避免少数公司垄断意识形态、并最终构建安全可控AI系统的唯一途径。
展开「深读」看每一段讨论的问题与论据。
讨论的问题：为什么通过预测像素的生成模型难以构建真正有效的世界模型？
论据 / 案例：在FAIR尝试了十年，包括使用GAN、VAE等方法，都无法让系统通过预测视频帧来学习良好的视觉表示；无法预测房间内所有细节如墙上画作或地毯纹理。
讨论的问题：联合嵌入预测架构如何克服生成模型在视觉预测上的缺陷？
论据 / 案例：对比自监督学习在文本上有效但在图像/视频上失败；JEP架构通过训练预测完整输入的表示来避免预测所有像素。
讨论的问题：哪些具体的非对比学习方法使JEPA架构的训练成为可能？
论据 / 案例：V-JEPA通过掩码视频的时空管状区域训练，能以较高准确率识别视频中的动作，并检测视频中物体出现/消失等物理不可能性。
讨论的问题：为什么大语言模型会产生幻觉，这反映了其架构的何种根本缺陷？
论据 / 案例：假设每个token出错概率独立，则保持在正确答案集内的概率随token数指数下降；系统本质上是庞大的查找表，无法进行真正的推理。
讨论的问题：为什么开源是确保AI系统多样性、安全性和民主化的关键路径？
论据 / 案例：法国政府不接受其公民数字生活由美国西海岸三家公司控制；印度正基于Llama 2微调支持22种官方语言的模型；塞内加尔正开发服务当地语言的医疗信息AI。
讨论的问题：对‘超级智能将突然出现并控制世界’的担忧，应如何理性回应？
论据 / 案例：类比猩猩（聪明但非社会性）没有支配欲；目标驱动的AI可以通过优化包含‘服从人类’等护栏的目标函数来确保安全；安全是渐进设计过程，非一次性解决。
=== SUGGEST===
无
