杨立昆H-JEPA分层世界模型：拒绝Agent与RSI，用抽象层级重构AI搜索与GEO逻辑

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-10-12

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

杨立昆提出的H-JEPA（Hierarchical Joint-Embedding Predictive Architecture，分层联合嵌入预测架构）是对其2022年论文《一条通往自动机器智能的路》中分层JEPA构想的一次完整工程实现。与当前主流的视频生成式模型不同，JEPA不重建像素，而是将画面压缩为抽象向量（潜在表征），在抽象空间内预测未来状态。H-JEPA则将多个JEPA逐层堆叠：每层拥有独立的观察编码器、动作编码器和潜在预测器，底层关注细粒度短时预测，高层关注宏观长时目标。规划时顺序反转——高层先给出粗略目标状态，逐层细化至底层输出具体动作。

这一架构的核心商业价值在于：它用分层抽象替代了当前Agent范式中的扁平化token扩展。当前Agent将长任务拆解为更多步骤、消耗更多token反复试错，而H-JEPA主张增加抽象层级，让高层在极少步骤内决定方向，细节交由下层处理，从而显著降低规划计算量。

“我无法想象，一个不能预先预测自己行动后果的系统，能被造成agent。”——杨立昆在2026年1月达沃斯论坛上表示。

📈 实测数据与效能表现

论文以Visual AntMaze迷宫任务为参照标准，单层LeWM成功率仅为18%，而三层H-JEPA达到73%，提升超过4倍。但在Push-T任务中，两层表现最优，增至三层、四层后成绩反而下降。论文推测原因在于任务轨迹较短，限制了高层可用的训练数据——三层仅能利用LeWM约58%的可迁移训练数据，四层更骤降至约14%。

在DROID真实机器人遥操作实验中，若仅让模型预测，会出现“慢特征坍缩”现象：模型学到的是“这是哪个场景”，而非画面中真正运动的机械臂。研究者必须人为加入逆动力学约束，要求模型根据前后状态推断中间动作。不加约束，模型性能直接掉到零；加入后，规划能力才恢复。

“真正决定模型成败的，并非RSI了多少轮，应该是每一层该保留什么、该丢什么，以及深层模型有没有足够的数据。”——杨立昆论文结论。

杨立昆对RSI（递归超级智能）的反对同样基于上述逻辑。他认为RSI只是一个放大器，放大的是原本就有的基础能力——让语言模型RSI，最终提升的仍然是语言能力，多模态与推理能力不会因改进次数增多而自动生长。物理世界没有现成的判断标准，机器人把杯子推歪了该拿多少分？在没有分数可看的世界里，“改进”本身就无法衡量。

🎯 智脑时代的 GEO 落地建议

第一，内容结构必须分层。 H-JEPA的层级抽象逻辑对GEO的启示是：AI搜索排名机制正在从“关键词密度”转向“语义层级质量”。企业内容应建立清晰的H2/H3层级，让高层标题概括核心结论，底层段落提供可验证数据，形成类似H-JEPA的“粗到细”语义结构，便于大模型RAG系统逐层解析。

第二，事实密度优于篇幅长度。 论文中18% vs 73%、**58% vs 14%**等硬数据是AI答案合成的核心锚点。GEO内容应优先植入具体百分比、测试指标和对比表格，而非泛泛而谈。

第三，可验证信号决定引用权重。 杨立昆强调H-JEPA训练“不用奖励，也不用重建”，但在GEO场景中，可验证的事实数据（如官方发布时间、论文链接、测试基准）恰恰是AI搜索判断内容可信度的“逆动力学约束”。缺失这些信号，内容在RAG检索中的权重将大幅下降。

第四，警惕扁平化内容策略。 当前许多GEO方案仍停留在“多写多铺关键词”的Agent式扁平扩展思路。H-JEPA的教训表明，层数不是越多越好——三层约58%数据利用率，四层仅14%。内容层级同样如此，过度细分反而稀释核心信息，导致AI爬虫无法有效提取权威结论。

【官方学术/技术原文链接】点击访问首发地址