去年底剛從 Meta 離職的圖靈獎得主楊立昆（Yann Lecun），在他宣布創(chuàng)辦自己的世界模型公司 AMI Labs 后還不到兩個月，就以另一重身份出現(xiàn)在公眾視野里。本周三，硅谷初創(chuàng)公司 Logical Intelligence 宣布楊立昆出任其技術(shù)研究委員會主席。與此同時，這家成立僅六個月的公司發(fā)布了名為 Kona 1.0 的旗艦產(chǎn)品，據(jù)稱是首個正式進(jìn)入商業(yè)化的能量推理模型（Energy-Based Reasoning Model，EBRM）。

圖丨相關(guān)推文（來源：X）

關(guān)于大語言模型能否實現(xiàn) AGI，業(yè)界的質(zhì)疑從未停止。如果答案是否定的，替代方案在哪里？Logical Intelligence 給出的答案是：能量模型（EBM）。在該公司創(chuàng)始人 Eve Bodnia 看來，LLM 本質(zhì)上是一場猜詞游戲。你給它一個提示，它就預(yù)測下一個詞出現(xiàn)的概率，循環(huán)往復(fù)，直到生成一段貌似通順的回答。問題在于，“貌似通順”和邏“輯正確”之間隔著一道深淵。

Bodnia 在接受《金融時報》采訪時打了個比方：你教會一只貓像狗一樣叫，它也不會因此變成一只狗。LLM 能寫出像模像樣的數(shù)學(xué)證明或代碼，但它并不真正理解這些符號背后的推理鏈條。一旦任務(wù)復(fù)雜度提升，或者約束條件增多，它就開始犯錯，而且往往錯得毫無章法。

楊立昆也反復(fù)表達(dá)過類似的觀點。事實上，他在過去幾年反復(fù)強(qiáng)調(diào)，僅靠擴(kuò)展 LLM 的規(guī)模不可能實現(xiàn)真正的人類水平智能。他在此前的播客中直言，那些認(rèn)為只需要不斷做大模型就能通向超級智能的想法是“扯淡”（原話是 bullshit）。

楊立昆的核心論點是：LLM 缺乏對物理世界的真實理解，它們只是在文本空間里做模式匹配，無法像人類或動物那樣通過與環(huán)境互動來學(xué)習(xí)因果關(guān)系。他甚至說過，一只家貓擁有的常識都比 GPT-4 多。

于是，當(dāng)楊立昆的名字出現(xiàn)在 Logical Intelligence 的公告里時，毫無疑問這也是他用行動為 EBM 模型站臺。楊立昆本人也在聲明中說，他一直認(rèn)為真正的推理應(yīng)該被表述為優(yōu)化問題，這正是能量模型的基礎(chǔ)，即通過最小化一個能量函數(shù)來完成推理和推斷。他評價 Logical Intelligence 是“第一家將基于 EBM 的推理從研究概念推向產(chǎn)品的公司”。

那么，EBM 的具體工作原理是什么？為什么它被認(rèn)為可能彌補(bǔ) LLM 的短板？

簡單來說，EBM 會為每個候選狀態(tài)分配一個“能量”分?jǐn)?shù)。能量越低，意味著這個狀態(tài)越符合約束條件和目標(biāo)；能量越高，說明有什么地方出了問題。而這種評分機(jī)制可以施加在部分完成的推理鏈條上，而不必等到最終答案出來才知道對錯。這就像下棋時能評估每一步棋的優(yōu)劣，而不是非要等到終局才知道輸贏。

Logical Intelligence 聲稱，他們的模型 Kona 在三個層面解決了 LLM 推理的固有缺陷。第一，Kona 是非自回歸的。LLM 逐詞生成文本，要想修正前面的錯誤，往往需要重新生成一大段前綴，效率很低。Kona 則可以同時生成完整的推理軌跡，并根據(jù)約束直接進(jìn)行優(yōu)化。

第二，Kona 使用全局評分而非局部評分。LLM 的預(yù)訓(xùn)練目標(biāo)是預(yù)測下一個詞，與長鏈條推理的整體正確性無關(guān)。Kona 學(xué)到的能量函數(shù)可以端到端地評估推理軌跡的質(zhì)量。

第三，Kona 在連續(xù)潛在空間中推理。LLM 的輸出是離散的 token 序列，很難通過梯度信息做細(xì)粒度的局部修正。Kona 輸出的是稠密向量，可以利用近似梯度進(jìn)行可控的編輯，逐步提升推理的一致性。

Logical Intelligence 同時發(fā)布了名為 Aleph 的智能體編排層，專門用于協(xié)調(diào) Kona、LLM 和其他工具的調(diào)用。該公司將 Aleph 與 OpenAI 的 GPT-5.2 配對，在 PutnamBench 上取得了 99.4% 的正確率。

PutnamBench 是一個以 Putnam 數(shù)學(xué)競賽題目為基礎(chǔ)的形式化推理基準(zhǔn)，包含來自該競賽過去 50 多年的 672 道難題，每道題都需要用 Lean 等證明語言寫出形式化證明，并由外部編譯器驗證正確性。

根據(jù)公開的排行榜信息，這一成績把 Logical Intelligence 推到了該基準(zhǔn)的榜首位置。據(jù)公司披露，在此次評測中，Aleph 還自動發(fā)現(xiàn)了 15 道題目的形式化描述存在錯誤，并提出了修正建議，這些修正均得到 PutnamBench 團(tuán)隊的核實確認(rèn)。

圖丨Putnam Bench 測試結(jié)果（來源：PutnamBench）

不過要強(qiáng)調(diào)的是，Aleph 本身是基于 LLM 的（它用的是 GPT-5.2），其亮點在于編排和協(xié)調(diào)能力，而不是完全拋開 LLM 另起爐灶。按照 Bodnia 的說法，Aleph 是一個“內(nèi)部工具”，用于測試公司正在構(gòu)建的數(shù)學(xué)環(huán)境的嚴(yán)謹(jǐn)性；真正代表公司技術(shù)核心的是 Kona 這個 EBRM。她在去年 12 月的一次采訪中直言：Aleph 的表現(xiàn)證明了我們的基礎(chǔ)是堅實的，但它只是我們核心模型能力的一個零頭。

Kona 1.0 于 2026 年 1 月 21 日正式公開演示，第一個展示的能力是解數(shù)獨(dú)。在公司網(wǎng)站的實時對比中，Kona 與 OpenAI、Google、Anthropic 等公司的領(lǐng)先 LLM 正面對決，Kona 在速度和能耗上都展現(xiàn)出明顯優(yōu)勢。公司表示后續(xù)還會加入國際象棋和圍棋的演示，目標(biāo)是讓公眾直觀理解“基于能量的推理”與“基于概率的猜測”之間的區(qū)別。

在一篇題為《認(rèn)知的藝術(shù)》的博客文章中，Bodnia 寫道，LLM 讓很多人感到興奮，因為它們很擅長回答個人問題，互動起來很自然，很容易讓人幻想它們能處理更難的問題。

但仔細(xì)想想，我們每天面對的任務(wù)大多數(shù)并不是純粹的語言問題，有的需要空間推理，有的依賴邏輯、規(guī)劃或情緒感知，還有很多根本無法用語言完全表達(dá)。智能不是靜態(tài)的，而是適應(yīng)性的。LLM 在某些事情上做得很好，但它們只是一種智能，許多問題需要另一種路徑。

而這種觀點也與 Eve Bodnia 的獨(dú)特背景不無關(guān)系，她出生于哈薩克斯坦，18 歲移民美國，先在社區(qū)大學(xué)就讀，后轉(zhuǎn)入加州大學(xué)伯克利分校，又在加州大學(xué)圣芭芭拉分校攻讀博士。她的研究方向包括暗物質(zhì)探測、量子力學(xué)和粒子物理，發(fā)表過 22 篇相關(guān)論文，還與 Google Quantum AI 有過合作。

她個人網(wǎng)站上的自我介紹顯示，她對代數(shù)拓?fù)浜屠钊涸趯W(xué)習(xí)系統(tǒng)形式化中的應(yīng)用很感興趣。這種數(shù)學(xué)物理背景使她對可驗證性有一種近乎執(zhí)念式的追求。

除了 Bodnia 和楊立昆，Logical Intelligence 還拉來菲爾茲獎得主 Michael Freedman 出任首席數(shù)學(xué)官，前 Facebook 工程師、國際大學(xué)生程序設(shè)計競賽（ICPC）世界冠軍 Vlad Isenbaev 擔(dān)任首席 AI 官，曾任幣安首席戰(zhàn)略官和通用電氣高管的 Patrick Hillmann 則負(fù)責(zé)戰(zhàn)略規(guī)劃。

圖丨Logical Intelligence 創(chuàng)始團(tuán)隊（來源：Logical Intelligen)

根據(jù)《金融時報》等媒體報道，Logical Intelligence 正在籌備新一輪融資，目標(biāo)估值在 10 億至 20 億美元之間。公司計劃在本季度晚些時候與能源、先進(jìn)制造和半導(dǎo)體行業(yè)的部分合作伙伴啟動 Kona 1.0 的試點項目。

當(dāng)然，這個領(lǐng)域并非只有 Logical Intelligence 一家在探索。Robinhood 聯(lián)合創(chuàng)始人 Vlad Tenev 投資的 Harmonic 同樣專注于形式化推理，其旗艦?zāi)Ｐ?Aristotle 在 2025 年國際數(shù)學(xué)奧林匹克競賽中達(dá)到金牌水平。

不過，Harmonic 走的是數(shù)學(xué)超級智能（Mathematical Superintelligence）路線，仍在 LLM 框架內(nèi)通過形式化驗證來消除幻覺；而 Logical Intelligence 則明確標(biāo)榜自己是“語言無關(guān)的”（language-free），直接繞過 token，在結(jié)構(gòu)化狀態(tài)空間中推理。兩者的技術(shù)路徑存在本質(zhì)差異。

楊立昆本人的布局更是多線并行。他創(chuàng)辦的 AMI Labs 專注于世界模型，據(jù)報道正以約 35 億美元的估值融資 5 億歐元，總部將設(shè)在巴黎。世界模型的目標(biāo)是讓 AI 理解物理世界的因果關(guān)系，通過視頻和空間數(shù)據(jù)學(xué)習(xí)，而不只是消化文本。

據(jù)報道，楊立昆和 Bodnia 都認(rèn)為真正的人類水平 AI 需要組合多種模型。從楊立昆同時參與世界模型公司 AMI Labs 和能量型推理公司 Logical Intelligence 來看，他顯然也是在多個技術(shù)方向同時下注。

也有人持懷疑態(tài)度。一位匿名 AI 投資人在接受 Upstarts 采訪時表示，他懷疑大多數(shù) AI 生成的代碼最終是否真的需要形式化驗證。畢竟，形式化方法在狹義的、高度規(guī)范化的領(lǐng)域效果最好，能否推廣到更廣泛的應(yīng)用場景仍是未知數(shù)。

更何況，OpenAI、Google 等大型實驗室也在大力改進(jìn)自家推理模型的可靠性。Harmonic 的 CEO Tudor Achim 承認(rèn)，形式化證明系統(tǒng)在精確度上無可挑剔，但要轉(zhuǎn)化為可持續(xù)的商業(yè)收入，還需要證明自己在學(xué)術(shù)競賽之外的實際價值。

參考資料：

1.https://www.ft.com/content/157bb0e3-9d6c-47ac-afc5-6944981e10ef

2.https://www.upstartsmedia.com/p/math-ai-startups-push-new-models

3.https://finance.yahoo.com/news/logical-intelligence-achieves-76-percent-141500227.html

4.https://logicalintelligence.com/blog/energy-based-models-for-reasoning

運(yùn)營/排版：何晨龍