LeCun团队炮轰AGI：人类智能非通用，SAI才是AI新目标
“我们把目标设定在了错误的物种身上。”
2026年3月6日，这番言论迅速在X平台上引发关注。图灵奖得主Yann LeCun领衔的四人团队，在arXiv投下一篇论文，直指整个AI行业追逐了二十年的“圣杯”——通用人工智能（AGI）——根本就是一个定义混乱、方向错误、以人类为中心的幻觉。
该帖子迅速获得了超过2000个点赞和20万次浏览。发帖人@socialwithaayan用三个字总结：“It's the trap.”
他们的目标是从根本上动摇AI的指引方向，确立一个新的目标。
▲ @socialwithaayan 的BREAKING帖引爆讨论，附论文3张关键图——语义地图、任务空间Venn、自回归发散曲线。2056赞，20万+浏览。
论文开篇便直击要害：在任何一个有意义的层面上，人类智能都不是真正通用的。
你以为自己“学什么都会”？这只是进化给你制造的一种错觉。
以国际象棋为例，Magnus Carlsen是人类的巅峰，但如果让他处理高维统计、长程因果推理或跨尺度模拟的任务——他的“通用智能”瞬间变成摆设。论文直言不讳：人类大脑是进化为生存和繁衍而设计的专用系统。试图将其作为通用的宇宙计算器，纯属一厢情愿。
这正是Moravec悖论的精髓：人类觉得简单的事（如走路、拿杯子）其实是进化赋予的超级计算能力；而觉得困难的事（如下棋、解方程）反而是计算机的强项。
你并非无所不能，只是在特定的生态位中表现得很好的专家。
这也意味着，整个AI行业将“像人一样”作为终极目标，从一开始就找错了靶子。
"The AI that helps us fold proteins should not be the same AI that helps us fold clothes."
“协助我们折叠蛋白质的AI，不应与协助我们折叠衣服的AI是同一个东西。”
AlphaFold之所以能碾压人类科学家预测蛋白质结构，靠的是针对物理化学特性的专用架构+专用数据+专用目标函数。把它拉去“兼职叠衣服”？负迁移会让两项任务一起烂掉。多任务共享参数时，梯度互相冲突，容量互相稀释——数学上这是必然。
论文得出的结论颇为冷酷：模仿人类极限的巨型模型本身就是个陷阱。把目标放在错误的物种身上，天花板自然也是错的。
▲ arXiv论文首页，标题《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》，四位作者：Goldfeder、Wyder、LeCun、Shwartz-Ziv。
那么LeCun团队提出的新目标是什么？
SAI——超级适应智能，Superhuman Adaptable Intelligence。
定义拆开来看：能在人类能做的任何重要任务上超越人类，并且能填补人类根本无法完成的技能空白。
核心在于两个关键词。第一是“重要任务”，即聚焦于具有实际价值的领域，摒弃漫无边际的全任务覆盖。第二是“适应”，即衡量标准从“现有技能清单”转变为“增量学习速度”，看你多快能掌握一件完全陌生的任务。
论文引入变量τ（tau）来衡量这种“适应速度”：针对一个新任务域，测量AI从零开始达到超人表现所需的样本量、时间或算力。τ越小，SAI越强。
这是一个全新的评估维度。正如合著者Ravid Shwartz-Ziv所言：“别再罗列能力清单了，真正的智能体现在学习速度有多快。”
▲ 合著者Ravid Shwartz-Ziv发长帖解读论文核心：人类非通用、SAI核心指标是适应速度、反对自回归单一架构。
论文展示了一张“语义地图”，将市面上关于AGI的定义进行了分类。纵轴从“纯执行表现”到“学习/适应能力”，横轴从“通用/开放域”到“以人为中心/经济价值”。三个簇直接暴露了当前行业的认知分裂：
这三个方向在同一“AGI”标签下混乱共存，难怪会出问题。
▲ ArXivIQ深度解读，用五色框标出论文核心立场：[Pos#1]人类非通用 → [Pos#2]通用非必要 → [Pos#3]AGI无共识 → [Pos#4]现有定义不足 → [Pos#5]聚焦SAI+SSL+世界模型。
在技术层面，论文也进行了精准打击。
论文Fig.3展示了一条让LLM信仰者难以接受的趋势：P(correct) = (1-ε)^n。
这意味着自回归模型的预测误差ε会在长序列中指数级累积。预测第1步正确率尚可，但预测第100步时，正确率已跌至灾难级别。这就是为什么纯next-token模型在长程规划、多步推理、真实世界交互中频频翻车。
论文提出的替代方案指向LeCun团队长期倡导的方向：世界模型、自监督学习（SSL）及模块化架构。
它跳过像素/token层面的“猜下一个词”操作，直接进入抽象的潜在表征空间，模拟“如果这样做，世界会怎样”。人类下棋时脑子里浮现棋局变化的“心智模拟”，就是世界模型的原型。
SSL作为获取通用知识的基底，配合在潜在空间做因果预测的JEPA架构，再加上通过路由/组合实现任务广度的专业化系统——这才是论文暗示的技术路径。
论文认为“专家网络+协调层”的思路无法解决所有问题。
这篇论文一经发布，便在AGI社群中引发了激烈反响。
3月7日，AGI术语的早期贡献者、SingularityNET CEO Ben Goertzel发文反驳。他的核心论点毫不含糊，直接引用了自己早年提出的EPGI框架来覆盖SAI的几乎所有假设。“SAI是AGI的一个特例。”在Goertzel看来，LeCun所做的工作本质上是在重新打包旧概念，换标签不换药。
Goertzel在Substack长文中展开了他的论据：他早年提出的EPGI框架已经覆盖了SAI的核心假设——在资源有限的前提下追求实用任务上的高效智能。SAI只是在这个框架上加了一层“人类重要任务”的特殊参数化。
他同时指出了论文的两个重大遗漏：
第一，安全约束缺失。如果快速适应“重要任务”延伸到高风险场景，谁来定义哪些任务“可以变强”、哪些不行？
第二，缺少开放增长的路径。如果SAI困在人类定义的“重要任务”局部最优里，它怎么向更广义的超智能演进？
学术上，这是定义权的争夺。实践上，这是两条完全不同的路线图之争。
▲ Goertzel在Substack发文直指“SAI是AGI特例而非替代”，追溯到其EPGI框架，要求加入安全约束与开放演化。
然而，Goertzel的批评也有其局限性。他指责LeCun“重新发现”了EPGI，但这恰恰证明SAI并非空穴来风——它本身就扎根于广义智能理论的数学土壤里，只是选择了更可操作、更可测量的切面。
LeCun团队的高明之处恰恰在于此：用一个可以证伪的、工程上能推进的定义，取代一个越描越大的概念黑洞。
▲ SingularityNET官方下场呼应Goertzel，为争议注入更多组织声量。
这篇论文的中文报道迅速跟进。
36氪/量子位用“折蛋白质与折衣服”的比喻，将论文引入大众视野。
文章同时指出，在注重应用落地和具身智能的中国AI语境下，SAI比AGI更务实——它鼓励垂直领域的超人表现、快速适配新场景，用不着花十年去造一个“数字人”。
但也有担忧：过于强调“窄”的SAI，是否会在长线前沿竞争中处于劣势？
▲ 36氪报道，用Moravec悖论+AlphaFold案例+“不要只当数字人”框架，将论文引入中文读者视野。
从宏观角度看，这不仅仅是一篇论文。
LeCun团队正试图用“专业化+适应速度”的话语体系，夺回被Scaling Lab们把持了多年的AI终极目标定义权。这与LeCun多年来反纯LLM Scaling、推JEPA+世界模型的技术路线完全一致。
对AI产业而言，如果SAI成为新共识，将对AI产业产生全方位影响：
但Goertzel提出的安全与开放增长问题不容忽视。谁来定义“重要任务”？快速适应能力是否会被用于危险领域？这些问题如果没人回答，SAI可能只是下一个让所有人各说各话的空壳。
未来的可能性是两条路线融合：SAI作为通向更高级智能的里程碑，Scaling提供算力支撑，世界模型+模块化架构补足推理和适应能力。但术语战争也完全可能继续升级——新定义不断出现，公众更困惑，外界理解成本也会随之上升。
无论定义之战的最终结果如何，这篇论文至少正确地做了一件早就该做的事：
它将“人类不是宇宙智能的天花板”这一事实，从哲学闲聊转化为可操作的工程方向。
——