近日，圖靈獎得主 Yann LeCun 在一場播客中猛烈抨擊矽谷主流的「大模型」路線，稱以堆疊更大模型、投入更多數據與大量人工後訓練來通往 AGI「完全是胡扯」，並主張規模（scaling）無法彌補架構上的根本問題。
DeepMind 創辦人 Demis Hassabis 隨即反駁，指出 LeCun 混淆了「普適智能（universal intelligence）」與「通用智能（general intelligence）」的概念，認為人腦本身即為高度通用的系統，且從理論上只要給予足夠資源，通用系統能學習任何可計算的東西，因此不能簡單否定以 scaling 為主的路徑。馬斯克亦轉發言論並站在 Hassabis 這一方。
LeCun 提出資訊論與計算複雜性的論證作為支撐，舉例估算視覺系統與人腦的位元上限：假設視覺系統約有 100 萬 根神經纖維，將訊號二值化後相當於從 100 萬 位映射到 1 位的布爾函數，其可能函數數量為 2^(2^1000000)；而以人腦估算若有約 10^11 個神經元、10^14 個突觸、每突觸以 32 位元表示，連接資訊上限約 3.2×10^15 位元，對應函數空間上限為 2^(3.2×10^15)，兩者相差極大，LeCun 以此論證「通用」一詞在工程與資訊論意義上的限制。
實務層面上，LeCun 已宣布將離開 Meta，創辦 AMI Labs，轉而押注一條不同於主流大模型的「世界模型」路線；報導指出 AMI Labs 目前以約 35 億美元估值進行約 5 億歐元的融資。此舉被視為他「賭上後半生」的重大職業選擇。
這場由兩位頂級科學家展開的公開論戰，被視為折射出未來五到十年 AI 研究與產業路線的分歧：是繼續以規模化與大模型為核心推進，還是轉向更強調模型結構、世界模型與目標驅動的架構；答案有望在未來數年逐步顯現。