2026年3月6日，一条X帖在48小时内冲到20万浏览、两千多赞。帖子的开头毫不客气：
"🚨BREAKING: Yann LeCun just dropped a paper that should make every AI lab rethink its roadmap. One brutal conclusion: chasing AGI is the wrong goal."
「Yann LeCun刚刚发了一篇论文，结论残酷到足以让所有AI实验室重新审视自己的路线图——追逐AGI，从一开始就追错了。」
发帖人是Muhammad Aayan，配了三张论文截图。而论文的作者栏里，第三个名字谁都认识：Yann LeCun，图灵奖得主、前Meta首席AI科学家。
论文的标题已经亮出了全部底牌：《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》——AI必须拥抱专业化，通过超级可适应智能（SAI）来定义自己的未来。
▲ Muhammad Aayan的源帖，三张论文截图配bullet point总结，迅速引爆AI圈
人类根本不通用，你只是活下来的专家
论文开门见山，第一个论点就冲着AI行业最底层的假设去了。
所有人都在说AGI——“通用人工智能”，能做人类能做的任何事。但这个假设成立吗？人类自己，真的是“通用”的吗？
LeCun团队的答案：从来不是。
"Evolution has honed humanity over time to be highly specialized in the domain of skills necessary for survival in the physical world."
「进化把人类打磨成了高度专业化的生存机器，我们擅长的事，只是对活下去至关重要的那一小撮技能。」
走路、看东西、理解面部表情——这些事你天天做，觉得稀松平常。但”通用”只是错觉，真相是亿万年进化把这几件事硬编码进了你的神经系统。你的大脑从一出生就在为这些事情优化。
而一旦出了这个生存舒适区，人类就原形毕露。
这就是著名的莫拉维克悖论（Moravec's Paradox）：对人“容易”的感知、运动，对计算机极难；对人“难”的数学推理、棋类博弈，对计算机极容易。
你以为自己很全面，其实只是感知不到自己的盲区。
Magnus Carlsen下棋烂透了？论文用一个例子杀死了人类中心主义
如果说前面还只是理论陈述，论文接下来的例子，直接把“人类是通用智能”这个信念怼到了墙角。
"Magnus Carlsen is widely regarded as the greatest chess player of all time... But is Magnus actually any good at chess? When compared with the best computers, the answer is clearly no."
「Magnus Carlsen被公认为史上最伟大的人类棋手。但他在国际象棋上真的很厉害吗？和最强的计算机比，答案显然是否定的。」
全世界最强的人类棋手，在AI面前根本不够看。为什么我们觉得他“厉害”？因为所有评价的参照系都是人类自己。
论文把这叫做“人类中心偏见”——每当你把“人类水平”当作天花板，你实际上是在围绕一个连下棋都下不过计算机的物种建基准。
我们围绕错误的物种，建造了AI的全部标尺。
这句话不是修辞，它是论文的核心诊断结论：AGI这个标签最致命的问题只有一个——参照系从头就是歪的。野心大小反而是次要的。
▲ 论文用这张语义地图把混乱的AGI定义做了二维分类：Adaptive Generalists、Cognitive Mirrors、Economic Engines三大阵营，SAI被标在"可适应+人类内外重要任务"区域
AGI的定义本身，就是一笔烂账
论文干的第三件事，是把市面上所有主流AGI定义拉出来做了一张摸底调查表。
结果非常难堪。
OpenAI的章程定义——"在大多数经济价值工作上超越人类"：这明确以人类经济子集为界，凭什么叫“通用”？
Hassabis的定义——"能做人类能做的几乎任何认知任务"：排除了物理运动、排除了非人类领域，而且仍然以人类为锚。论文指出这“不一致”（Not Consistent）。
Legg-Hutter的通用智能——定义在“所有可计算环境”上：理论上不可行，因为没有免费午餐定理（No Free Lunch）决定了不存在一个在所有问题上都最优的算法。
论文的结论锋利而明确：聚焦“人类能做”的定义，永远无法自称“通用”；纯性能定义根本无法评估真实进步；真正靠谱的唯一指标，只有适应新任务的速度。
▲ arXiv论文页，2026年2月27日提交。作者列表：Goldfeder（哥大博士生，一作）、Wyder、LeCun、Shwartz-Ziv
新目标叫SAI：不问“能不能”，问“多快能学会”
论文提出的替代方案——Superhuman Adaptable Intelligence（SAI，超级可适应智能）——核心定义如下：
"Intelligence that can learn to exceed humans at anything important that we can do, and that can fill in the skill gaps where humans are incapable."
「能够通过学习，在人类能做的任何重要任务上超越人类，同时填补人类无法胜任的技能空白。」
跟AGI比起来，SAI做了三刀切开：
第一，不以人类水平为终点。超越人类和锚定人类是两件正交的事。你可以先超越，也可以从一开始就瞄准人类不可达的空间。
第二，核心可衡量指标变了。不搞静态技能checklist，直接看学习新任务的速度。一个系统能在多短时间内掌握一个陌生任务并做到超人类水平——这才是真实可测的工程指标。
第三，拥抱专业化，拒绝“一个模型通吃”。论文原话："The AI that helps us fold proteins should not be the same AI that helps us fold clothes!" ——帮你折叠蛋白质的AI，不该同时替你叠衣服。
这个思路其实一点都不新。AlphaFold就是专业化胜利的教科书案例：它不会写诗、不会聊天、不会开车，但它在蛋白质结构预测上做到了全人类科学家加起来都做不到的事。
LeCun团队把这类案例从“特殊例外”重新定义为“应该成为的新常态”。
▲ The Decoder的报道直接引用了Magnus棋例和语义地图，称SAI为“AGI的务实替代框架”
技术路线：自监督+世界模型+多样性，不是一条道走到黑
SAI不只换目标，也换路径。论文的Section 5开出了三张技术药方。
自监督学习（SSL）：GPT时代已经证明了不靠海量标注就能从数据内在结构学出通用知识。论文认为这是通往SAI的必由之路。
世界模型（World Model）：LeCun多年来一直在推的JEPA方向——在表征空间而非像素或token空间做预测。论文直接警告自回归模型的长时程预测误差会指数级发散（Figure 3），所以“更大参数、更多token”不是万能解药。
多样性而非同质性："Homogeneity kills research." 同质性扼杀研究。当前LLM/LMM一家独大的格局，论文认为是局部最优解，不是终局。SAI鼓励模块化、路由、不同模态的专家系统并存。
这不是反“苦涩教训”（Bitter Lesson），论文的立场更精确：缩放仍然需要强结构假设和专业化分配来配合。
Goertzel当场回怼：SAI是AGI的特例，不是替代
论文发出的第二天，反对声就来了。
Ben Goertzel——SingularityNET CEO、AGI领域最有分量的老炮之一——发帖直怼：
"LeCun's 'Superhuman Adaptable Intelligence' is a special case of AGI, not an alternative."
「LeCun的SAI是AGI的一个特殊案例，换了个名字而已。」
▲ Goertzel的批判帖直指核心：SAI只是AGI在特定假设下的参数化，不是替代
Goertzel在Substack长文里展开了更系统的反驳：SAI在现有AGI理论框架（特别是他的EPGI——高效实用通用智能）中，只是一个特定参数化版本。它缺少两个关键考量：安全性约束和开放式能力增长机制。
Gary Marcus也下场点赞，评论了一句"so par for the course"——对LeCun来说，这是常规操作。
这个反驳有没有道理？坦率说，有。
SAI确实没有解决“超人类智能的安全边界”问题。论文聚焦在目标定义和衡量指标上，对对齐（alignment）和开放式演化几乎没着墨。Reddit上也有人吐槽：“换个名字解决不了根本问题”（虽然配了论文本身的分析被赞超过这句）。
但反过来想——LeCun团队可能一开始就没打算写一篇安全论文。他们要解决的是另一个痼疾：AGI这个标签已经烂到没人说得清自己在讨论什么的程度，继续拿它当北极星就是在浪费全行业的时间。
LeCun不是突然转向，他已经在这场牌桌上坐了四年
如果你觉得这篇论文很突然，那说明你没关注LeCun过去四年都在说什么。
2022年，他发表《A Path Towards Autonomous Machine Intelligence》，核心架构就是世界模型+规划+目标驱动——跟今天SAI的技术底座如出一辙。
过去几年，他在X上反复敲打同一个观点：最好的世界模型不在像素级别生成视频，用JEPA在表征空间做预测。他公开说过当前LLM不是通往真正智能的唯一路径。他一直在反对“硅谷同质化”——所有人都在追同样的Scaling Law，没人去想架构创新。
这篇SAI论文，本质上是他把四年来的技术哲学打包成了一个可替代AGI的目标定义。它不是一纸空谈，它是路线图。
最后
这篇论文不会让OpenAI停训GPT-6，不会让Anthropic放弃Claude，也不会让Google DeepMind把Gemini拆成专家系统。短期内，AGI这个标签太值钱了，没人会主动换招牌。
但它撕开了一个真实的裂口：当“通用人工智能”变成一个连定义都无法统一的融资话术，整个行业的基准、评测、路线图，踩的到底是什么？
LeCun的回答是：踩在一个连正确的物种都没选对的幻觉上。
SAI能不能取代AGI，不是这篇论文说了算。但它至少把一个问题推到了台面上：你是想造一个会叠衣服的AI，还是想造一个会折叠蛋白质的AI？这两个目标，从一开始就不该用同一个词来命名。