杨立昆：AI智能体失控是工程问题，可通过监督与沙箱设计改进预防
TREE NEWS 报道， 图灵奖得主、AMI Labs创始人杨立昆（Yann LeCun）近日在采访中表示，近期多起AI智能体失控事件，主因并非技术必然走向失控，而是人为监督不足与沙箱隔离设计不完善。他认为，这些问题可以通过工程手段加以预防，而不必诉诸激进监管或暂停研发。
杨立昆同时透露，AMI Labs目前约有60名员工，正基于JEPA（联合嵌入预测架构）开发面向工业应用的世界模型，首款产品将于“近期”推出。这意味着该公司正从研究议程走向商业化落地。
JEPA路线为何值得关注
JEPA与当前主导市场的大语言模型自回归路线存在根本差异。它不预测下一个token，而是在潜在空间中学习世界的抽象表征并做预测。杨立昆长期主张，这种架构样本效率更高、鲁棒性更强，更适合物理世界的推理任务。对于机器人、制造控制、物流调度、自动巡检等工业场景，这一差异并非学术争论：工厂需要理解因果关系、在异常时优雅降级的模型，而不是自信地给出错误动作的系统。
将AI失控定义为工程问题，具有明显的策略含义。它既承认风险真实存在，又拒绝了“暂停研发”的强版本安全主张。如果沙箱隔离、实时监控与人类在环检查点足以约束智能体行为，那么竞争焦点就转向实现质量与验证工具——这正是大厂与初创公司都能角力的领域。
对AI与加密基础设施的启示
- 验证与审计工具价值上升：若缺失的是监督层，日志记录、仿真环境与智能体行为的独立评估需求将快速增长。
- 去中心化算力与数据网络：世界模型训练对算力消耗巨大，链上结算GPU与数据供给的网络，有望成为非LLM架构的底层供给方。
- 智能体问责机制：当智能体进入工业场景、错误将带来物理与财务成本时，链上身份、证明与支付轨道的重要性随之提升。
杨立昆给出的时间表刻意模糊，“近期”留有延期空间，60人团队对标资金雄厚的实验室也构成现实约束。但方向已经清晰：AI竞赛的下一阶段，可能围绕“理解物理世界”的架构展开，而非仅处理文本。关注AI与去中心化基础设施交汇点的投资者与开发者，应持续追踪JEPA类模型能否提供LLM智能体至今难以保证的可靠性。
