第 2 章——沿着 Yann LeCun 的科研路线走一遍

从高处看这条路

想象 LeCun 多年来在搭一座会思考的积木城。最早的一块积木是“打分尺”：真实相配的东西给低能量，不相配的给高能量。后来他画出整座城市的蓝图：眼睛负责看，世界模型负责想象，目标与代价告诉系统什么更好，行动模块再作选择。I-JEPA、V-JEPA 等工作是在测试其中的“学会有意义的内部表示”这块地基；它们并不等于整座城市。

五个路标，五个不同问题

2006：能量学习。 **能量函数（energy function）**为输入与候选答案的相容程度打分：低能量表示更匹配，高能量表示更不匹配。这样一来，系统可以直接比较抽象表示，不必总为每个像素建立概率生成模型。

**2022：AMI 路线图。**AMI 指 autonomous machine intelligence，即“自主机器智能”。LeCun 的立场论文把感知、世界模型、短期记忆、actor（动作选择模块）、内在代价与 configurator（按任务调节其他模块的机制）放进一个分层架构，并把 JEPA 作为在表示空间做预测的思路。它提出的是研究蓝图，而非一台已经装好所有模块的单模型。

**2023–2025：从图片走向视频和行动。**I-JEPA 从图像上下文预测被遮目标区域的表示；V-JEPA 把特征预测带到视频；V-JEPA 2 将无动作的大规模视频预训练与后续的动作条件模型 V-JEPA 2-AC 区分开来，后者才把预测接入机器人规划。名称接近，计算图和证据范围却不同。

**2025–2026：把防坍塌写进损失。**LeJEPA v3 论证各向同性高斯目标并提出 SIGReg，以分布约束替代教师—学生等防坍塌结构。LeVJEPA 再把这套目标带到视频：单个共享编码器加小投影头，以不变性和 SIGReg 学表征。其 arXiv v1 于 2026-08-27 发布。

因此，这条路线可概括为：先学会给“相容”打分，再在高层表示里预测，再为无标签图像和视频寻找稳定训练法，最后才可能把表征接到动作条件预测与规划。LeVJEPA 位于“高效视频感知地基”这一站；它的因果注意力不自动补出动作、代价和搜索。

给四张卡排队

给下面四张卡排序：LeJEPA/SIGReg、AMI 蓝图、I-JEPA 图像实验、LeVJEPA 视频精简目标。答案按公开时间是：AMI（2022）→ I-JEPA（2023）→ LeJEPA（2025）→ LeVJEPA（2026）。再在最后一张旁写上“编码器，不是完整 agent”。

沿途的一手路标

• LeCun 等：A Tutorial on Energy-Based Learning（2006，作者主页 PDF）
• LeCun：A Path Towards Autonomous Machine Intelligence（2022，OpenReview）
• I-JEPA 论文与 Meta 官方介绍
• V-JEPA 论文与 Meta 官方介绍
• V-JEPA 2 论文与 Meta 官方介绍
• LeJEPA arXiv v3 与 LeVJEPA arXiv v1

走完以后，地图上应留下什么

1. LeCun 的长期路线是从表征与预测走向能推理和规划的 agent。
2. JEPA 是蓝图家族名，I-JEPA、V-JEPA、LeJEPA 和 LeVJEPA 是不同实例。
3. LeVJEPA 目前完成的是视频编码地基；长期愿景里的动作与规划仍在后面的路段。

你站在哪一站？

1. 2006 年的能量函数在问什么？
2. 2022 AMI 文档是完整产品说明还是研究蓝图？
3. V-JEPA 2 的机器人规划能力来自哪一步？