为什么 JEPA 可能正是 AI 缺失的“系统2”

你有没有注意到，大脑有时候会走捷径？比如，如果我问你地球绕太阳一圈需要多长时间，你可能会下意识地说：“一天！”——然后立刻反应过来，“等等，这不对，显然是一年！”别担心，你不是一个人，聪明人也会这样。

这是因为我们的大脑有两种思维方式：系统1和系统2。系统1反应快、自动且直觉化，适合快速给出答案，但不适合细致推理。系统2则慢一些，更加深思熟虑、讲逻辑。它就是你脑海里那个能及时纠正系统1小失误的声音。

这个心理学小知识可不只是有趣的冷门知识。它其实和当下人工智能——特别是像GPT-4这样的“大型语言模型”（LLM）——面临的一个大问题非常相似。让我们一起深入聊聊这个类比，放心，不会有太多术语，只有通俗易懂的解释，偶尔还带点幽默。

LLM 在快速生成流畅、类人的文本方面非常强大。无论是头脑风暴、闲聊，还是写点搞笑诗歌，它们都是好帮手。但它们有个明显的弱点：即使错了也很自信。这就像AI版的“自信地说出‘一天’，其实答案是一年”。

可以把LLM看作是“打了激素的系统1”：反应快、联想丰富，但经常不查证事实就下结论。它们之所以会“幻觉”，是因为本质上只是模式匹配器，而不是认真推理者。

最近，我在阅读Meta AI和Yann LeCun的一篇有趣论文《V-JEPA》时，发现了点“大新闻”。JEPA（联合嵌入预测架构）试图构建一种不仅仅是本能反应，而是能像人类系统2那样抽象推理的AI系统。

我这样理解它：

想象你在一个拥挤的房间里。系统1（或者说现在的LLM）可能会试图记住每一张脸、每一个像素，这其实没什么用。毕竟，你通常不会记得随机人群中每个人的长相。你只会记得房间里人很多——也许很热闹，也许很无聊——但绝不会记得每个人的像素级细节。

JEPA模型不会去重建这些精细的细节，而是学习抽象特征。用人话说，JEPA试图记住场景的“要点”或“本质”，而不是无关紧要的细节。它在构建我们所说的“智慧”——一种关于世界如何运作的抽象、通用知识，而不是死记硬背过去的场景。

好问题！我第一次读到这里时，我自己的系统2也上线了：“等等，这种‘智慧’到底是怎么来的？难道是黑魔法？”其实，这更像是巧妙的工程设计，而不是魔法。

简单来说，JEPA的核心机制是：

在训练过程中，预测器会努力向目标编码器的“智慧”靠拢。久而久之，这促使JEPA内化那些通用模式，逐渐形成类似系统2的思考方式。

这个联系让我豁然开朗。现在的AI系统——比如那些带记忆的聊天机器人或者会用工具的LLM——其实都只是给系统1的漏洞打补丁。虽然管用，但本质上还是“头痛医头，脚痛医脚”，漏水还是会发生。

JEPA则完全不同。它是真正试图模拟更深层次的抽象推理——创造出我们可以称之为AI“智慧”的东西。

这为什么重要？如果AI真的拥有了稳定的世界认知，它就不会自信地输出错误答案。相反，它可能会停下来，思考（在内部模拟），然后说：“等等，这和我学到的不符。”

我们人类经常这样——当然，前提是我们的系统2愿意上线（喝点咖啡有帮助）。如果我们希望AI从“聪明的鹦鹉”进化成“真正有思想的伙伴”，它们也需要这种能力。

我们正处于这个激动人心转变的起点。JEPA及其抽象、潜在建模的方法，可能会成为新一代AI的基础——它们思考得更慢，但更聪明，带给我们的不只是流畅文本，还有真正的洞见。

也许未来，不再是更大、更炫的语言模型，而是更有智慧、更善于深思的AI。

嘿，下次有人问你地球绕太阳一圈要多久，深吸一口气，召唤你内心的JEPA，自信地说：“一年——当然啦！”

祝你思考愉快！