Yann LeCun: LLMs er ikke veien til menneskelig intelligens
På en slide ved Brown University i 2026 stod det med store bokstaver og rød tekst: «IF YOU ARE INTERESTED IN HUMAN-LEVEL AI, DON'T WORK ON LLMs.» Mannen bak meldingen er Yann LeCun – Turing Award-vinner, grunnlegger av AMI Labs, og en av pionerene bak moderne dyp læring.
Hva LLMs faktisk gjør – og ikke gjør
LeCuns argument er ikke at store språkmodeller er ubrukelige. Det er at de er feil verktøy for det langsiktige målet.
LLMs er trent på tekst og er gode til å manipulere og generere språk. Men virkeligheten er ikke tekst.
- Et menneske vet at glass faller og knuser uten å ha lest det
- Et barn lærer at vann er vått gjennom sanseerfaring, ikke setninger
- En selvkjørende bil trenger å forstå fysikk, ikke statistiske mønstre i biltekst
LeCun definerer intelligens som «evnen til å løse nye problemer uten forutgående trening» – og mener LLMs ikke besitter denne evnen.
Tre konkrete mangler
LeCuns kritikk er ikke filosofisk – den er teknisk.
Hallusinering som strukturell svakhet
LLMs optimerer for sannsynlig tekst, ikke sannhet. Det gjør hallusinering til et arkitekturproblem, ikke et treningsproblem.
Romlig resonnering og fysisk kausalitet
Systemene sliter med å planlegge flertrinns handlinger i den virkelige verden. «Hvor er min hjemmerobot som kan rydde huset?» spør LeCun – og svaret er at LLMs ikke kan gi det.
Manglende generaliseringsevne
Hvert nytt domene krever ny finjustering. Et menneske generaliserer fra lite data til nye situasjoner. LLMs gjør det ikke pålitelig.
Alternativet: world models og JEPA
LeCun foreslår en arkitektur som ikke predikerer neste token, men lærer abstrakte representasjoner av hvordan verden fungerer.
JEPA – Joint Embedding Predictive Architecture – tar to relaterte input, som påfølgende videoframes, og predikerer den abstrakte representasjonen av den ene fra den andre. Systemet lærer hva verden gjør uten å måtte rekonstruere hvert piksel.
- Trenes på sansedata som video, ikke tekst
- Bygger intern modell av fysikk og kausalitet
- Kan forutsi konsekvenser og planlegge fremover
AMI Labs, som LeCun grunnla etter å ha forlatt Meta i 2025, har hentet inn 1,03 milliarder dollar på denne hypotesen.
Hva skiller dette fra vanlig AI-kritikk?
LeCun er ikke en utenforstående kritiker. Han er Turing Award-vinneren som hjalp til med å bygge grunnlaget for moderne dyp læring.
Og han setter ikke bare ord på kritikken – han setter penger bak den.
- AMI Labs: 1,03 milliarder dollar, rekord for europeisk seed-runde
- Investorer inkluderer Cathay Innovation, Greycroft og Hiro Capital
- Målet er å bli «den viktigste leverandøren av intelligente systemer»
Sam Altman og OpenAI mener skalering av eksisterende arkitektur er veien til AGI. LeCun mener det er en blindvei. Begge leirer er godt finansiert – og begge kan ikke ha rett.
Hvorfor dette er viktig
Debatten om LLMs vs. world models er ikke akademisk. Den definerer hvilke selskaper og arkitekturer som vil dominere neste fase av AI.
- Hvis LeCun har rett, er dagens LLM-investeringer delvis misplassert
- Hvis skaleringsteoretikerne har rett, er AMI Labs en kostbar omvei
- Svaret vil bli synlig i roboter, selvkjørende biler og autonome agenter – ikke i tekstbenchmarks
Oppsummering
LeCun skiller mellom det LLMs faktisk er gode til og det som kreves for menneskelig intelligens. Påstanden er ikke at LLMs er verdiløse – men at de er en blindvei mot det langsiktige målet.
- World models vs. LLMs er 2026s viktigste arkitekturdebatt
- AMI Labs har milliardfinansiering og ingen produkter – ennå
- Testfeltet er den fysiske verden, ikke tekstgenerering
Det er ikke uenighet om detaljer. Det er uenighet om retning.
