勒昆在首尔阐述世界模型与产业合作路线

2026年10月12日，Yann LeCun（杨·勒昆）以AMI Labs创始人兼董事长身份，在首尔中区威斯汀朝鲜酒店参加“产业AI全球合作”记者会。活动由产业AI公司Aitomatic与国际产业AI会议IIAC 2026组委会共同主办，AI Alliance和ASI Foundry共同承办，为翌日在东京举行的会议讨论韩国制造业与全球AI研发的合作。面对韩国银行近期遭遇AI辅助攻击所引发的安全提问，勒昆重申，失控论夸大了风险，并提出以世界模型预测行动后果、以目标和安全约束控制行为的研发方向。会上，他介绍了AMI Labs正在推进的相关技术研发，并建议韩国用制造经验参与下一阶段的AI发展。

安全争论落在部署环节

勒昆把近期AI智能体安全事故归因于部署企业的网络安全经验不足，以及沙箱设计不当。智能体是能调用工具、代用户执行任务的AI；沙箱则是限制程序访问范围的隔离环境。据DigitalToday报道，他认为已经存在的隔离技术没有得到妥善应用，这类问题可以修复。他同时承认，现行大语言模型很容易被诱导产生开发者不希望出现的回答，无法靠穷尽所有提问来保证输出安全。

这场争论有明确的现实起点。韩国金融委员会确认，9月30日新韩银行发生信息泄露，其他主要金融机构随后也遭到攻击；10月2日，监管部门召开紧急会议，要求全面检查对外开放系统的认证和访问控制。10月7日，CrowdStrike发布调查，称攻击者的开放目录中留有Claude Code会话记录与ARTEX配置文件，显示其借助AI渗透测试工具侵入韩国金融机构。10月12日，勒昆在记者会上回应了由这些事件引出的AI安全与控制问题。

勒昆把AI安全视为需要设计和验证的工程问题。他用航空发动机说明，复杂且涉及重大风险的技术，也可以通过精细设计获得较高安全性；他认为，智能进步来自多项创新逐步积累，突然出现人类水平智能并接管世界的情景接近科幻。不过，他没有把工程可解等同于实施容易。据DigitalToday报道，他明确表示，安全约束必须能够保证安全，这仍是一项需要解决的工程任务。

世界模型预判行动结果

勒昆提出的替代路线，要解决的是AI如何在行动前理解后果。按照他在记者会上的解释，大语言模型（LLM）主要通过预测后续词元学习文本规律；JEPA（联合嵌入预测架构）则在提取重要特征的表示空间中预测世界状态，不要求把画面每个细节都重建出来。他认为，文本处理、数学和编程中的表现，不能直接证明系统已经具备在物理环境中可靠行动的能力。

在这套设想中，世界模型学习环境如何变化，以及某项行动会带来什么结果。系统获得当前状态和目标后，利用预测来规划行动顺序，再按预设的安全约束限制选择。这里的“目标导向型AI”，意味着目标和约束参与行动决策，而非仅在生成回答后筛查文字。勒昆介绍JEPA时强调重要特征，目的就是避免把难以预测的视觉细节全部变成预测任务；但模型必须保留足以判断行动后果的信息。

他以机器人尚不能像10岁儿童那样在没有专门训练的情况下完成家务为例，说明现实任务仍有明显障碍。他希望世界模型能帮助系统适应新的任务，这属于研发目标。安全性同样依赖预测是否准确：据DigitalToday报道，勒昆承认，如果AI错误预测现实世界，原本被判为安全的行动实际上也可能危险。因此，他提出的安全约束并不等于已经完成了现实场景的安全验证。

这一方向已有资金和组织承载。AMI Labs在3月10日发布的启动公告中称，已募集10.3亿美元，计划开发具备世界理解、持久记忆、推理与规划能力，并且可控、安全的系统，团队从启动时就在巴黎、纽约、蒙特利尔和新加坡开展工作。首尔记者会上，勒昆介绍了公司正在推进的JEPA路线。融资与研发计划说明项目已进入组织建设和技术开发阶段，公告中的能力描述则是公司愿景，不能当成已交付产品的性能。

工厂知识进入合作议程

记者会的产业议程把这条路线带到了韩国工厂。Aitomatic联合创始人兼CEO Christopher Nguyen强调，AI需要在实际环境中学习专家判断和操作经验，企业必须投入时间，让系统适应自己的现场。他介绍的“数字工程师”旨在把熟练人员的经验转化为支持产业决策的AI智能体。对制造企业而言，参与部署和学习的过程，也是在积累属于自身的知识，而非只采购一个外部软件接口。

AI Alliance共同主席Anthony Annunziata在同场介绍Project Tapestry，主张参与机构保留敏感原始数据，通过共享学习结果共同建设基础语言模型，再加入各企业的工艺知识。Nguyen表示，参与者可以继续训练公共模型，现场知识定制出的最终成果由参与者拥有。会上，Tapestry承担的是基础语言模型的联合研发安排；这项合作建议的落点，是企业如何分享共性技术并保留自身工艺知识。

Tapestry公开的首个技术里程碑于9月1日完成，包含两项概念验证。印度BharatGen与澳大利亚Monash University的团队使用OLMo 2 7B进行本地文化数据微调，周期性合并压缩后的参数更新，不交换训练数据。另一项实验在悉尼和弗吉尼亚的独立AWS计算站点，使用OLMo 3 7B进行继续预训练，经俄亥俄协调节点合并参数，原始数据留在训练站点。这两项概念验证表明，跨机构训练可以在原始数据留在本地的条件下进行，尚不能据此视为韩国工厂的部署成果。

产业投入回到实际任务

对产业投入，Nguyen在记者会上把重点放在实际发生学习的现场，要求企业同时投入安全和管理体系，尽早部署并反复应用AI。勒昆则强调，韩国已有良好的科学技术高等教育基础，应吸引海外研究人员，并加快基础研究、技术开发与技术转移通向产品的过程。这些建议把下一轮AI发展具体落到了研究人才、技术转移和生产接入上，安全管理则须与现场学习同步推进。

由此可以推断，世界模型若要进入制造业，算力规划必须同时考虑学习环境、预测行动和验证安全约束的任务。首尔记者会没有给出AMI系统的训练算力、部署成本或能耗数据，不能据此判断这条路线会降低数据中心需求。已经明确的产业选择，是把计算资源与现场数据、模型评估和数据控制安排一起规划；扩大模型规模本身，无法替代对真实行动结果的检验。