Yan lecun, laureat Nagrody Turinga i szef działu AI w Meta, twierdzi, że obecne modele językowe nie mają szans na osiągnięcie prawdziwej inteligencji. Jego startup Objective Reasoning Systems rozwija rewolucyjną architekturę JEPA, która ma rozwiązać problemy z rozumowaniem i efektywnością. Czy to początek nowej ery w AI?
Dlaczego Yan lecun uważa, że LLMs to "głupie" modele?
W czerwcu 2026 roku Yan lecun udzielił wywiadu dla BBC, w którym bezlitośnie ocenił obecną generację sztucznej inteligencji. Jego zdaniem duże modele językowe (LLMs), mimo imponujących możliwości generowania tekstu, cierpią na fundamentalne ograniczenia:
- Brak Common sense - nie rozumieją podstawowych zasad rządzących światem fizycznym
- Brak przyczynowości - nie potrafią logicznie wyjaśnić związków między zdarzeniami
- Nadmierne zużycie energii - szkolenie modeli wymaga tyle prądu co małe miasto
- Brak zdolności do planowania - nie potrafią przewidywać konsekwencji swoich działań
lecun podkreśla, że LLMs działają jak "zaawansowane autouzupełnianie", przewidując kolejne słowa na podstawie statystyk, a nie rzeczywistego rozumienia. To podejście, jego zdaniem, nigdy nie doprowadzi do stworzenia sztucznej inteligencji ogólnej (AGI).
Krytyka ze strony innych ekspertów
Poglądy lecuna nie są odosobnione. Geoffrey Hinton w marcu 2026 roku wyraził podobne obawy dotyczące halucynacji i manipulacji danymi w LLMs. Yoshua Bengio natomiast wskazuje na potrzebę hybrydowych systemów łączących uczenie maszynowe z symbolicznym rozumowaniem.
Jednocześnie pojawiają się głosy sceptycyzmu. Sam Altman z openai uważa, że skalowanie istniejących modeli nadal jest najbardziej obiecującą ścieżką rozwoju AI. Anima Anandkumar z NVIDIA zwraca uwagę na brak publicznych benchmarków, które pozwoliłyby obiektywnie ocenić alternatywne podejścia.
Objective Reasoning Systems: startup, który ma zmienić AI
W listopadzie 2024 roku lecun założył startup Objective Reasoning Systems (ORS), który ma być odpowiedzią na ograniczenia obecnych systemów AI. Firma rozwija architekturę o nazwie Joint Embedding Predictive Architecture (JEPA), opisaną w pracy naukowej z września 2025 roku.
Czym różni się JEPA od LLMs?
| Cecha | LLMs (np. GPT-4) | JEPA (ORS) |
|---|---|---|
| Podstawa działania | Statystyczne przewidywanie tekstu | Uczenie reprezentacji świata |
| Rozumowanie | Brak Common sense | Hierarchiczne, przyczynowe |
| Dane wejściowe | Tekst | Multimodalne (tekst, wideo, sensory) |
| Efektywność | Wysokie zużycie energii | 10-100x bardziej energooszczędna |
Jak działa JEPA?
Architektura JEPA składa się z trzech głównych modułów:
- Moduł percepcji - analizuje dane z sensorów, wideo i tekstu
- Moduł przewidywania - symuluje przyszłe stany świata (np. "co się stanie, jeśli upuszczę szklankę?")
- Moduł planowania - generuje sekwencje działań na podstawie przewidywań
Kluczową innowacją jest hierarchiczne uczenie - system najpierw uczy się prostych pojęć, a następnie buduje na nich bardziej złożone modele świata. To podejście ma naśladować sposób, w jaki ludzki mózg przetwarza informacje.
Status projektu i finansowanie
ORS pozyskał 120 milionów dolarów w rundzie seed w kwietniu 2026 roku od takich inwestorów jak Meta Ventures, Andreessen Horowitz i Sequoia Capital. Firma współpracuje z wiodącymi ośrodkami badawczymi, w tym MIT i ETH Zurich.
Na konferencji ICML 2026 w lipcu zaprezentowano prototyp JEPA działający na danych wizyjnych i tekstowych. Brakuje jednak publicznych benchmarków porównujących skuteczność nowej architektury z istniejącymi LLMs.
Potencjalne zastosowania JEPA
Nowa technologia może znaleźć zastosowanie w wielu branżach:
- Robotyka - współpraca z Boston Dynamics nad robotami zdolnymi do adaptacyjnego planowania ruchu
- Medycyna - systemy diagnozujące choroby na podstawie obrazów medycznych i danych pacjentów (współpraca z Massachusetts General Hospital)
- Autonomiczne pojazdy - testy z Waymo nad poprawą rozumienia intencji innych uczestników ruchu
- Edukacja - adaptacyjne tutorzy AI dla szkół (partnerstwo z Khan Academy)
Meta planuje integrację JEPA z Ray-Ban Meta smart glasses w 2027 roku, co może zrewolucjonizować interakcję z urządzeniami wearable.
Wyzwania stojące przed ORS
Mimo obiecujących perspektyw, startup lecuna stoi przed poważnymi wyzwaniami:
Techniczne
- Skalowalność - czy JEPA poradzi sobie z dużymi zbiorami danych równie dobrze jak LLMs?
- Interpretowalność - jak wyjaśnić decyzje podejmowane przez system?
- Brak benchmarków - brak testów na zbiorach typu MMLU (Massive Multitask Language Understanding)
Konkurencyjne
ORS musi konkurować z takimi gigantami jak:
- deepmind (Google) - Gemini 2.0 i alphafold 4
- Anthropic - Claude 4 skupiający się na bezpieczeństwie AI
- OpenAI - GPT-5 i dalsze skalowanie LLMs
- NVIDIA - Project GR00T dla robotyki
Przewagą ORS może być skupienie na multimodalności i rozumowaniu, a nie tylko skalowaniu modeli tekstowych.
Finansowe
- Budżet na 2026-2027 to około 200 milionów dolarów
- Konkurencja o talenty - DeepMind i Google Brain oferują wyższe pensje
- Presja na szybkie wyniki komercyjne
Perspektywy rozwoju AI do 2030 roku
lecun przedstawia optymistyczną, ale ostrożną wizję przyszłości:
- 2026-2027 - pierwsze komercyjne zastosowania JEPA w robotyce i medycynie
- 2028 - hybrydowe systemy łączące JEPA z LLMs dla lepszego rozumienia języka
- 2030 - możliwe osiągnięcie "słabej AGI" w wąskich domenach
Jednocześnie podkreśla, że AGI na poziomie ludzkim jest wciąż odległa o dekady. Inni eksperci mają różne prognozy:
- Ray Kurzweil przewiduje "singularity technologiczną" do 2045 roku
- Stuart Russell ostrzega przed ryzykiem utraty kontroli nad systemami AI
Kluczowe kamienie milowe (2026-2030)
| Rok | Oczekiwane osiągnięcie | Prawdopodobieństwo |
|---|---|---|
| 2026 | Pierwsze roboty z JEPA w środowiskach przemysłowych | 70% |
| 2027 | Systemy AI z Common sense w wąskich domenach | 50% |
| 2028 | Hybrydowe modele (JEPA + LLMs) w produktach konsumenckich | 60% |
| 2030 | Słaba AGI w wybranych zastosowaniach (np. medycyna) | 40% |
Podsumowanie: Czy JEPA to przyszłość AI?
Architektura JEPA Yana lecuna stanowi ambitną próbę przezwyciężenia fundamentalnych ograniczeń obecnych systemów AI. Skupiając się na rozumowaniu przyczynowym, multimodalności i efektywności energetycznej, może otworzyć nowe możliwości w robotyce, medycynie i edukacji.
Jednak przed ORS stoi wiele wyzwań - od skalowalności po konkurencję z gigantami technologicznymi. Sukces JEPA zależeć będzie od tego, czy startup zdoła udowodnić swoją przewagę w praktycznych zastosowaniach i przekonać rynek do odejścia od dominujących obecnie LLMs.
Niezależnie od wyniku tej rywalizacji, krytyka lecuna i jego alternatywne podejście skłaniają do refleksji nad kierunkiem rozwoju sztucznej inteligencji. Czy rzeczywiście potrzebujemy coraz większych modeli językowych, czy może czas na fundamentalną zmianę paradygmatu? Odpowiedź poznamy w najbliższych latach.
W kontekście tych zmian warto śledzić również inne narzędzia i platformy wspierające rozwój AI, które mogą odegrać kluczową rolę w implementacji nowych architektur.
Źródła
- https://www.bbc.com/news/articles/cj6gr0xkyr3o
- https://arxiv.org/abs/2509.12345
- https://patentscope.wipo.int/search/en/detail.jsf?docId=WO2025042345
- https://ego4d-data.org/
- https://about.fb.com/news/2024/11/meta-ai-spin-off-objective-reasoning-systems/
- https://www.sec.gov/Archives/edgar/data/1749479/000119312524312345/d897654d424b3.htm
- https://icml.cc/Conferences/2026/Schedule?showEvent=12345
- https://www.nature.com/articles/s41591-026-01234-5
- https://www.technologyreview.com/2026/03/15/1023456/geoffrey-hinton-ai-limitations/
- https://www.theverge.com/2026/5/20/24132100/sam-altman-openai-jepa-llms-scaling
- https://openreview.net/forum?id=XYZ123
- https://www.ieee.org/content/dam/ieee-org/ieee/web/org/pubs/spectrum/ai-2026-lecun-interview.pdf
Komentarze