辛顿与杨立昆是师徒，同获 2018 年图灵奖，又都对「下一代 AI 的表示学习怎么走」给出了公开主张。两人分歧最醒目的一处公开落点，在监督学习与自监督学习的分量判断上。这篇只对照两人的公开演讲、公开论文与公开访谈，把主张摆在一起，不做高下结论——路线对错留给时间与公开实验。
先看两人公开履历的交集
公开履历显示，杨立昆在多伦多大学做过博士后，与辛顿合作，时间在 1980 年代末；此后两人一个在多伦多大学、一个在纽约大学与 Meta，各自带队推进。2018 年，两人与本吉奥共享图灵奖，公开公告口径指向深度学习领域的基础贡献，见2018 年图灵奖一篇。两人的人物专篇分别是辛顿与杨立昆，本文不重复履历，只对照主张。
杨立昆的公开主张：自监督与世界模型
杨立昆的公开表态有一条清晰的线。2016 年前后的公开演讲里，他反复使用一个比喻：如果把智能比作蛋糕，监督学习只是糖霜，强化学习是樱桃，蛋糕本体是无监督或自监督学习——机器应该主要靠观察自己学，训练信号由数据自身构造（公开演讲口径）。2022 年他公开发表长篇技术报告，提出 JEPA 架构与世界模型的构想，主张让机器通过自监督学习掌握对物理世界的常识预测；2023 年以来，他在公开场合多次表示自回归式的大语言模型存在局限（公开表态口径）。以上均为他的公开主张表述。
辛顿的公开主张：分布式表示与替代训练
辛顿的公开主张落在另一个方向。贯穿他数十年公开论文的核心观点是：智能的关键在于学到的分布式表示——把概念编码成向量与特征，让网络自己学出好的表示；反向传播成为标准训练方法的那段历史见反向传播一篇。2022 年他公开 Forward-Forward 方案，探索反向传播之外的训练可能；2023 年以来的公开访谈中，他对大型语言模型的公开评价是其理解能力可能被批评者低估（公开表述口径）。在监督与自监督的问题上，他的公开表态更侧重表示本身的质量，而非训练信号的来源。
| 公开主张 | 提出者 | 载体 | 公开时间 |
|---|---|---|---|
| 监督学习只是糖霜，蛋糕本体是无监督或自监督 | 杨立昆 | 公开演讲 | 2016 年前后 |
| JEPA 架构与世界模型 | 杨立昆 | 长篇技术报告 | 2022 年 |
| Forward-Forward 训练方案 | 辛顿 | 公开方案 | 2022 年 |
| 大语言模型的理解能力可能被批评者低估 | 辛顿 | 公开访谈 | 2023 年以来 |
公开分歧的两个落点
把两人公开主张摆在一起，分歧集中在两处。第一处是对自回归大语言模型的公开评价：杨立昆公开认为其路线存在根本局限，需要世界模型与规划能力；辛顿公开认为其理解能力被低估。第二处是对下一代架构的公开主张：杨立昆公开押注 JEPA 与世界模型，辛顿公开探索 Forward-Forward 这类替代训练思路。需要强调的是，以上均为公开表态的对照，双方各自的实验证据仍在推进，相关路线尚无公认的裁决性结果，本文不做高下结论。
共同点与核对方法
共同点同样清楚：两人都公开承认纯监督学习的局限，都长期投入表示学习，都在公开场合强调「机器怎么学好表示」这个问题还没有到终局；两人也都是经由反向传播一脉进入深度学习的。读这类分歧有一个可操作的核对办法：让 Kimi 分别整理两人近年的公开演讲要点，让 DeepSeek 对照各自公开论文的关键词列表，再回到公开演讲视频逐条核对——交叉核对公开主张，是读人物分歧最省力的方式。
两人公开主张对照速查
- 交集：多伦多大学博士后合作（公开履历）；2018 年共享图灵奖（公开公告）
- 杨立昆：自监督学习是主体（蛋糕比喻，公开演讲）；JEPA 与世界模型（2022 公开技术报告）
- 辛顿：分布式表示是核心（公开论文）；Forward-Forward 探索替代训练（2022 公开方案）
- 分歧落点：对自回归大语言模型的公开评价不同
- 说明：本文只对照公开主张，不做高下结论
再多说几句辛顿与杨立昆
- 自监督学习和监督学习差在哪？：监督学习用人工标注的答案训练模型；自监督学习让模型从数据自身构造训练信号，例如预测被遮住的部分，定义以公开教材为准。
- JEPA 是什么？：杨立昆 2022 年公开技术报告中提出的架构构想，主张让模型在抽象表示层面做预测，细节以公开报告为准。
- 谁的主张会胜出？：本文无法回答，也不应回答——两人的分歧属于尚在演进的科学问题，公开对照的目的在于提供判断的坐标，结论以未来的公开实验证据为准。
