若 LLM 僅依賴文本數據，它在理解和應對真實世界問題時可能面臨哪些挑戰？

LLM 在理解和應對真實世界問題時面臨的挑戰

大型語言模型（LLM）主要依賴文本數據進行學習，這使得它們在理解和應對真實世界問題時面臨多重挑戰。楊立昆（Yann LeCun）提出的「世界模型」概念，與 LLM 形成鮮明對比，突顯了 LLM 在物理世界理解上的局限性。

缺乏對物理世界的感知與理解

LLM 通過分析大量文本學習語言模式，但缺乏對現實世界的基本感知和理解能力。這使得 LLM 在處理需要實際經驗和物理知識的問題時表現不佳。例如，LLM 可能無法理解簡單的物理定律，或者難以預測在特定環境下會發生什麼。楊立昆認為，這種缺陷使得 LLM 難以達到人類智慧的水平，甚至不如貓。

無法進行有效的預測和規劃

由於 LLM 缺乏對世界運作方式的內在理解，它們很難進行有效的預測和規劃。與之相反，「世界模型」旨在通過學習視覺和空間數據中的因果關係，使 AI 能夠預測未來狀態，從而更好地規劃和執行行動。LLM 在沒有實際經驗的情況下，很難對真實世界的問題做出準確的判斷和決策。

與 Meta AI 發展路線的分歧

Meta 公司在 AI 發展路線上對 LLM 的過度重視，也突顯了 LLM 在實際應用中可能存在的局限性。楊立昆與 Meta 在 AI 發展策略上的分歧，反映了學界和業界對於 LLM 是否能夠真正實現通用人工智慧的質疑。Meta 對基礎 AI 研究團隊（FAIR）的資源削減，以及對 LLM 的持續投入，表明 Meta 正在將資源集中於文本數據處理，而忽略了對物理世界理解的重要性。