LeCun怒斥Sora是世界模型，自回归LLM太简化了

最近几天，Sora 成为了全世界关注的焦点。与之相关的一切，都被放大到极致。

Sora 如此出圈，不仅在于它能输出高质量的视频，更在于 OpenAI 将其定义为一个「世界模拟器」（world simulators）。

英伟达高级研究科学家 Jim Fan 甚至断言：「Sora 是一个数据驱动的物理引擎」，「是一个可学习的模拟器，或『世界模型』」。

「Sora 是世界模型」这种观点，让一直将「世界模型」作为研究重心的图灵奖得主 Yann LeCun 有些坐不住了。在 LeCun 看来，仅仅根据 prompt 生成逼真视频并不能代表一个模型理解了物理世界，生成视频的过程与基于世界模型的因果预测完全不同。

图源：https://twitter.com/ylecun/status/1758740106955952191

虽然 Sora 的发布让整个 AI 界为之疯狂，但 LeCun 并不看好。他不止一次的公开表达过对自回归和 LLM 的批评，而自回归模型是包括 Sora 等在内的 GPT 系列 LLM 模型所依赖的学习范式，也就是说，从 ChatGPT 到 Sora，OpenAI 都是采用的自回归生成式路线。

然而 LeCun 多次唱衰这种技术路线，他曾表达过一些不满，比如「从现在起 5 年内，没有哪个头脑正常的人会使用自回归模型。」「自回归生成模型弱爆了！（Auto-Regressive Generative Models suck!）」「LLM 对世界的理解非常肤浅。」等言论。

世界模型和自回归 LLM 到底该如何定义？身为全球知名的 AI 研究学者，LeCun 自然不是一位全然的批评家，最近，他给出了世界模型的新定义。在他看来，自回归生成模型仅仅是世界模型的一种简化的特殊情况。与大家在互联网上看到的动不动就是长篇大论的科普不同，LeCun 以一种简单直白的方式给出了世界模型的定义。

图源：https://twitter.com/ylecun/status/1759933365241921817

对于给定的：

• 观察值 x (t)；
• 对世界状态的先前估计 s (t)；
• 动作建议 a (t)；
• 潜在变量建议 z (t)。

世界模型需要计算出：

• 表征：h (t) = Enc (x (t))；
• 给出预测：s (t+1) = Pred ( h (t), s (t), z (t), a (t) )。

其中，

• Enc () 是一个编码器（我们可以理解为一个可训练的确定性函数，例如神经网络）；
• Pred () 是一个隐藏状态预测器（也是一个可训练的确定性函数）；
• 潜在变量 z (t) 代表未知信息，可以准确预测将来会发生什么。z (t) 变量必须从一个分布中进行采样，或者在一组中变化。它参数化了（或分布）一系列可能的预测。换句话说，变量 z (t) 定义了一个可能性空间，我们根据这个空间来预测未来可能发生的情况。

诀窍是通过观察三元组 (x (t),a (t),x (t+1)) 来训练整个模型，同时防止 Encoder 坍缩。

自回归生成模型（例如 LLM，Sora 就是这种路线）是一种简化的特殊情况，原因在于：

1. Encoder 是恒等函数：h (t) = x (t)；

2. 状态是过去输入的窗口；

3. 没有动作变量 a (t)；

4. x (t) 是离散的；

5. 预测器计算 x (t+1) 结果的分布，并使用潜在 z (t) 从该分布中选择一个值。

方程简化为：

s (t) = [x (t),x (t-1),...x (t-k)]

x (t+1) = Pred ( s (t), z (t), a (t) )

在这种情况下不存在坍缩问题。

这可能就是 LeCun 极力反对 Sora 是世界模型这种说法的一个重要原因 —— 它只是世界模型中一种简化的特殊情况。

不过话说回来，Jim Fan 又在 LeCun 的这条推文下方留言，他坚持道：「Sora 本质上是一种无操作（no-op）的世界模型。你可以设置世界的初始状态，在潜在空间中运行模拟，并被动地观察会发生什么。现在没有办法进行积极干预。」

至于 Sora 到底是不是世界模型我们暂且不议，混淆大家多时的「世界模型」的定义，现在终于被 LeCun 讲明白了。