90后的世界观世界1. 事件背景：一场跨越三十年的学术争议
2024年3月31日，深度学习领域掀起了一场轩然大波。LSTM之父Jürgen Schmidhuber在社交媒体上发布了一条看似简单却极具冲击力的推文，直接指控图灵奖得主Yann LeCun的最新研究成果JEPA（Joint Embedding Predictive Architecture）抄袭了他1992年提出的PMAX（Predictive Minimum Description Length）方法。这条推文迅速在AI学术界引发热议，不仅因为两位主角都是深度学习领域的泰斗级人物，更因为这一指控触及了学术圈最敏感的原创性问题。
Schmidhuber的推文只有寥寥数语："Yann LeCun的JEPA，就是我在1992年发表的PMAX"，并附上了原始论文的引用编号。这种简洁直接的指控方式反而增强了其杀伤力，就像在平静的湖面投下了一颗深水炸弹。特别值得注意的是，这一指控的时间点非常微妙——LeCun刚刚在2025年成立了新公司AMI，其核心技术正是被指控的JEPA架构，公司估值据传已达数十亿美元。Schmidhuber的言外之意很明显：这家被资本热捧的AI公司，其核心技术不过是三十年前旧方法的翻版。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术对比：PMAX与JEPA的相似性分析
2.1 PMAX方法的核心思想
要理解这场争议的技术实质，我们需要先剖析PMAX方法的核心机制。PMAX全称为Predictive Minimum Description Length，是Schmidhuber在1992年提出的一种预测性编码框架。其基本思想可以概括为：
-
双网络架构：系统包含两个神经网络，一个作为自动编码器（Autoencoder），负责将输入数据编码为潜在表示；另一个作为预测器（Predictor），学习从相关但不相同的输入预测第一个网络的潜在表示。
-
最小描述长度原则：整个系统优化的目标是找到最能压缩数据描述的表示形式，这与信息论中的MDL（Minimum Description Length）原则一脉相承。
-
预测性编码：系统不是简单地重建输入数据，而是学习预测另一种相关视角下的数据表示，这种跨视角预测能力正是其强大之处。
Schmidhuber特别强调，PMAX不是单一算法，而是一个方法家族，可以衍生出多种具体实现形式。在其1992年的论文中，他已经展示了如何将这一框架应用于时序数据预测、图像理解等多个领域。
2.2 JEPA的技术细节
Yann LeCun提出的JEPA（Joint Embedding Predictive Architecture）是近年来备受关注的自监督学习框架，被认为是构建"世界模型"的重要技术路径。其核心设计包括：
-
联合嵌入空间：将不同视角或时间点的输入映射到同一个潜在空间，使相似概念的表示相互靠近。
-
潜在预测机制：训练一个预测器，能够根据当前时刻的潜在表示预测未来时刻的表示，而不是直接预测原始输入。
-
能量最小化：通过设计特定的损失函数，使得正确预测的能量低于错误预测，从而引导网络学习有意义的表示。
从技术描述来看，JEPA确实与PMAX有着惊人的相似性——都是通过预测潜在空间的变化来学习数据表示，都采用双网络架构（编码器+预测器），都强调跨视角/跨时间的预测能力。
2.3 关键相似点对比
为了更清晰地展示两者的关系，我们整理了一个技术对比表格：
| 特征维度 | PMAX(1992) | JEPA(2020s) |
|---|---|---|
| 架构设计 | 自动编码器+预测器双网络 | 编码器+预测器双网络 |
| 学习目标 | 最小化描述长度 | 最小化能量函数 |
| 预测对象 | 潜在空间表示 | 潜在空间表示 |
| 应用场景 | 时序预测、图像理解 | 自监督学习、世界建模 |
| 数学形式 | 基于信息论 | 基于能量模型 |
| 训练方式 | 梯度下降 | 梯度下降+对比学习 |
从技术本质看，两者的核心创新点都是"不直接预测原始数据，而是预测潜在表示的变化"，这一思想在1992年的PMAX中已经完整呈现。当然，JEPA在实现细节上有所发展，比如使用了更现代的对比学习技术，但基础框架的相似性确实难以忽视。
3. 学术优先权之争的历史脉络
3.1 这不是第一次争议
值得注意的是，这并非Schmidhuber第一次质疑深度学习领域的原创性归属。在过去二十多年里，他多次公开表示自己在深度学习发展史上的贡献被系统性低估。几个典型案例包括：
-
LSTM与梯度消失问题：虽然LSTM被广泛使用，但Schmidhuber认为其解决RNN长期依赖问题的重要性未被充分认可。
-
神经网络复兴：在2000年代神经网络遭遇寒冬时，Schmidhuber团队是少数坚持研究的团体之一，他认为这段历史被主流叙事忽略。
-
Attention机制：Schmidhuber指出其团队在1990年代就提出了类似attention的思想，早于后来Transformer中的创新。
这些争议反映了一个深层问题：在技术快速迭代的AI领域，如何公平地认定和追溯创新源头？当某个思想以新形式重新出现时，应该如何看待其与早期工作的关系？
3.2 学术界的"重新发现"现象
Schmidhuber在争议中引用了一篇Nature文章的观点："聪明的抄袭者最危险——他们用不同的话改写之前的发现，故意隐藏想法来源，然后在随后的年份里强力声称自己发现了新现象。"这段话尖锐地指出了学术界的一个潜在问题：由于文献浩如烟海，研究者很可能"重新发现"已有成果却不自知，或者选择性地忽略前人工作。
这种现象在AI领域尤为突出，因为：
- 技术迭代速度快，早期论文容易被遗忘
- 同一思想可能以不同术语出现在不同子领域
- 实现技术的进步（如算力提升）可能使旧思想突然变得实用
3.3 独立发现 vs 学术失范
面对这类争议，学术界通常考虑以下几个因素来判断是否构成抄袭：
-
相似度阈值：核心思想有多大程度的重叠？是整体框架相同还是局部相似？
-
引用行为：后来者是否合理地引用和讨论了前人工作？是否存在刻意回避？
-
改进程度：新工作是否带来了实质性进步？还是仅仅改换了表述方式？
-
社区认知：该领域的专家群体如何评价两者的关系？
在PMAX与JEPA的案例中，争议焦点集中在：LeCun是独立发展了这一思想，还是有意无意地借鉴了Schmidhuber的工作而未给予足够认可？从目前公开资料看，LeCun在介绍JEPA的论文和演讲中确实没有提及PMAX，这成为Schmidhuber指控的主要依据。
4. 对AI研究生态的深层影响
4.1 创新评价体系的挑战
这一事件暴露出当前AI研究生态的几个系统性问题：
-
历史记忆短暂：由于领域发展过快，许多有价值的历史工作被遗忘，导致"重复发明轮子"现象。
-
资本影响力扩大：当学术思想与商业利益结合时，原创性认定可能受到非技术因素干扰。
-
评价标准模糊：对于"什么是真正的新贡献"缺乏明确共识，导致争议频发。
4.2 对青年研究者的启示
这一案例给年轻AI研究者提供了几个重要教训：
-
文献调研要深入：不仅要看最近几年的热门论文，还要追溯关键思想的演化历史。
-
引用要诚实全面：对明显相关的前人工作，即使不是直接基础也应适当讨论。
-
创新定位要准确：在论文中清晰界定哪些是前人工作，哪些是自己的新贡献。
-
学术声誉要珍惜：在快速变化的领域，长期积累的学术诚信比短期影响力更重要。
4.3 技术发展的连续性认知
这一争议也促使我们反思如何理解技术发展的连续性。AI领域的进步往往呈现"螺旋上升"特点：
- 同一核心思想可能在不同时期以不同形式重现
- 早期理论受限于当时的技术条件而未能充分发展
- 后来的实现突破可能使旧思想焕发新生
因此，简单地用"抄袭"或"创新"来定性可能过于二元化，更合理的态度是承认技术发展的累积性，同时确保关键思想源头得到应有的认可。
5. 行业反思与未来展望
5.1 建立更好的学术溯源机制
为了避免类似争议，AI社区可能需要：
- 建立更完善的概念溯源工具，帮助研究者追踪关键思想的演变
- 在顶级会议中引入"历史视角"环节，邀请先驱者回顾领域发展
- 开发智能文献系统，自动识别和关联相似思路的不同表述
5.2 重新评估"创新"的定义
这一事件也促使我们重新思考：在AI领域，什么样的工作才算真正的创新？是全新的思想，还是旧思想在新条件下的成功实现？是理论突破，还是工程上的有效应用？学术界和产业界可能需要就这一问题达成更清晰的共识。
5.3 对AI创业热的冷思考
LeCun的AMI公司估值传闻也反映了当前AI创业的一个现象：资本常常追捧"新概念"，而忽略这些概念可能有着深厚的历史渊源。投资者和技术评估者需要：
- 深入理解技术的历史脉络
- 区分真正的突破与包装创新
- 关注可持续的技术价值而非短期热点
在技术发展日新月异的AI领域，保持对历史的尊重和对原创的敬畏，或许是避免类似争议的最好方式。