LeCun创立的世界模型初创公司AMI（Advanced Machine Intelligence）正式公布最新研究成果。在联合纽约大学、巴黎INRIA和布朗大学发布的论文中，团队推出了面向视觉规划的分层世界模型——H-JEPA。
H-JEPA通过逐层堆叠多个JEPA模块，使各层能在各自的表征空间中预测不同时间跨度的状态。在规划过程中，高层负责制定粗略计划并将预测的中间状态作为子目标传递给低层，低层则接力细化，最终生成可执行动作。这种分工机制使得世界模型既能兼顾长远目标规划，又能精准处理即时动作。
实验数据显示，在Visual AntMaze仿真迷宫任务中，三层H-JEPA的成功率达到73%，远超单层模型的18%。同时，分层模型在多项仿真任务中以更少的计算量实现了更优性能。
延续LeCun一贯的开源理念，团队同步公开了代码及预训练模型权重，方便研究者直接加载复现。
世界模型为何需要分层规划？
这一构想源于LeCun长期以来的研究主张。早在202年担任Meta首席AI科学家期间，他便提出分层JEPA概念，旨在让模型在不同抽象层级和时间尺度上进行预测，并通过分层规划将复杂目标转化为具体动作。
以从纽约前往巴黎为例：宏观规划关注目的地、航班和时间；微观执行则聚焦于离开办公室、下楼、打车等具体步骤；而在行走瞬间，注意力进一步细化至脚下台阶和迈步动作。不同层级对应不同的时间跨度与信息密度。
△ AI生成示意图
这种特性同样适用于机器人控制。高层需理解任务目标与环境关系，低层则掌控具体动作与身体细节。若缺乏分层机制，四足机器人可能因腿部姿态与目标画面的细微差异，误判自身与目标的距离。
核心挑战在于：如何让不同层级学习适配的信息表征，并将高层计划有效转化为低层动作？
H-JEPA的技术实现路径
H-JEPA在每一层配置了三个关键组件：
- 状态编码器：提取当前环境表征。最低层直接读取图像，高层则基于下层表征进行抽象，保留该时间尺度下的关键信息。
- 动作编码器：描述动作带来的变化。低层表示具体动作，高层将连续动作压缩为粗粒度变化。
- 预测器：结合当前状态与动作预测未来状态。各层级覆盖不同时间跨度，实验中相邻高层的一步对应低层的两步预测。
模型采用端到端训练，不同层级通过子目标衔接。高层预测的中间状态成为低层的子目标，低层将预测状态转换至高层表征空间进行比较，并据此调整动作。
为解决世界模型训练中的表征坍塌问题（即编码器将所有输入压缩为同一向量导致信息丢失），H-JEPA沿用了LeCun团队在LeJEPA中提出的SIGReg技术，对表征分布进行约束。
H-JEPA以今年LeWorldModel采用的方法为底层，向上扩展更多JEPA层，形成共同训练、由上至下规划的结构。实验观察发现，在迷宫任务中，高层逐渐弱化腿部姿态等非关键信息，但仍保留机器人位置等核心要素。
值得注意的是，分层结构并非层数越多越好。在Push-T任务中，两层模型表现最佳，增加至三、四层后性能反而下降，原因可能是短任务轨迹限制了高层的训练数据获取。
LeCun的AI路线坚持
H-JEPA延续了JEPA（联合嵌入预测架构）的核心主张：在表征空间中完成预测。与传统LLM预测下一个token或视觉模型逐个生成像素不同，视觉JEPA先将图像编码为内部表征，再预测目标部分的表征。
LeCun坚信，理解世界、预测后果及规划能力是实现人类级智能的关键。在今年的ECCV会议上，他再次强调：“如果你对人类级AI感兴趣，就不要研究LLM。”尽管他承认LLM工具的价值，但认为其本身无法通向真正的人工智能。
这一理念也构成了AMI的创业基石。今年3月，AMI完成10.3亿美元融资，投前估值达35亿美元。公司由LeCun任董事长，Alexandre LeBrun任CEO，谢赛宁任首席科学家。目前，公司官网主要展示技术方向与团队信息，尚未推出面向公众的产品。
与此同时，李飞飞创办的World Labs已于9月28日与AMD达成约82亿美元的全股票收购协议。随着竞争对手取得里程碑式进展，LeCun及其团队在世界模型领域的成果落地备受业界期待。