把世界上所有的图片都识别成同一个常数，在数学上是一个零误差的完美预测

把世界上所有的图片都识别成同一个常数，在数学上是一个零误差的完美预测。 这不是系统报错，是过去几年困扰顶级 AI 架构师的致命梦魇。 它在算法世界里有一个名字：特征坍塌。 2022 年，图灵奖得主 Yann LeCun 提出了一套架构：联合嵌入预测架构，也就是 JEPA。 LeCun 当时公开向生成式 AI 宣战。 他的理由很犀利： 传统的生成模型在像素空间里预测，把大把算力浪费在树叶摆动、水面波纹这些微观噪点上。 智能的本质，不该是给每个像素画素描。 它应该直接在高度抽象的隐空间里做预测。 看完上半段视频，预测下半段的抽象概念。 听起来无懈可击。 但这套架构一跑起来，立刻撞上了一堵墙。 既然预测发生在抽象的特征空间，神经网络立刻找到了走捷径的终极办法。 它把所有的输入，无论是猫、狗、汽车还是一张白纸，全部映射为同一个零向量。 预测器输入零，目标也是零，两者之间的距离是完美的零。 损失函数直接降到最低。 模型向你交出一份满分答卷，实际上整个神经网络彻底摆烂，变成了一块死铁。 这就是特征坍塌。 为了不让模型钻这个数学空子，工程师们在过去几年里打满了眼花缭乱的补丁。 为了不让两边串通，有人强行切断一侧的梯度更新。 为了不让特征缩成一点，有人发明了动量编码器 EMA，让网络的一半慢吞吞地跟着另一半动。 还有人写出复杂的方差协方差惩罚项 VICReg，用外力硬生生把特征向量往四周扯开。 每一项补丁都在起作用。 但每一个补丁，都透着一股工程妥协的味道。 它们像是一群经验丰富的工匠，在一座随时会倒塌的危楼四周，拼命加装钢架和木桩。 2026 年的 ICML 会议上，牛津学者 Moritz Gögl 和 Christopher Yau 拿出了一篇论文。 他们把这层窗户纸彻底捅破了。 他们问了一个直击要害的问题： 为什么预测模型非要用这么多人工补丁，来对抗坍塌？ 答案藏在一个被忽视的数学事实里。 LeCun 当年宣称 JEPA 是一种完全独立于概率生成模型的新物种。 但数学推导表明，这根本不是什么结构上的断裂，只是一种修辞上的包装。 标准的 JEPA 架构，本质上只是耦合隐变量模型在变分推断下的一个确定性特例。 它本该是一个完整的概率模型。 由于在设计时去掉了概率似然，原本应该由数学公式自然维持的平衡被打破了。 失去了数学引力，系统只能靠人工搭脚手架来防塌。 两位学者做了一件事：把这套架构重新写回变分推断的框架里，构造出了 Var-JEPA。 他们只用了一个统一的数学目标：单证据下界，也就是 ELBO。 奇迹就在这里发生。 当目标函数回到了严密的概率公式，内部的熵与散度项，像自然界的斥力一样发挥作用。 它们天然阻止了所有特征缩成同一个点。 动量编码器不要了。 梯度截断不要了。 人工调参的方差惩罚项全被扔进了垃圾桶。 模型彻底告别了特征坍塌。 它还顺手解锁了一项标准 JEPA 梦寐以求的能力：在抽象特征空间里，直接度量自身判断的不确定性。 知道自己知道什么，也知道自己对什么没有把握。 工程上那些让人焦头炼额的修修补补，往往只是因为底层的数学拼图少了一块。 当你需要用五个复杂的补丁去维持一个系统的稳定时，问题大概率不在工程实现上。 而在最初的理论地基里。 把地基补齐的那一刻，所有的脚手架都会自己掉下来。