有人在推特上问Paul Graham：如果你是17岁，会做什么。他的回答不是"赶紧创业"，而是先学会从零构建一个LLM，再用手头能拿到的硬件，尽力训练一个自己够得着的模型。
这条建议发出去没多久，Yann LeCun接了一句，把话题往另一个方向拐：LLM能帮你写文章，却连打扫房间都做不到，与其死磕这条路，不如去研究怎么让机器在物理世界里学会行动。
两人回答的是同一个问题，下的却是两种不同的注：Graham赌的是现有范式里还能挖多深，LeCun赌的是该往范式外面走。这场分歧，对准备进AI这行的年轻人和考虑套壳创业的人，都不是一道无关痛痒的选择题。
速读：两条建议说了什么
Graham的建议拆开看有两层。第一层是理解代码、架构、训练流程，不是停留在概念上。第二层是用能拿到的硬件，把学到的东西落到实操上，训练一个自己力所能及的模型。
他后面补了更关键的一句：不会建议17岁的自己去创业。理由是，与其拿那个年纪懂的那点东西硬凑一个点子，不如先把知识基础打扎实，好点子自然会从深度理解里长出来。
LeCun的回应换了个坐标系。他会先弄清楚LLM为什么能写文章却学不会收拾房间，再把研究方向放在能补上这个短板的方法上——让机器像人一样，能在物理世界里快速试错、快速学动作。
| 人物 | 核心建议 | 关键前提/限制 |
|---|---|---|
| Paul Graham | 从零学建LLM，尽力训练能力所及的模型；不急着创业 | "尽力训练"受限于手头硬件，不是复刻前沿模型 |
| Yann LeCun | 研究LLM为何理解不了物理世界，转向能行动、能试错的架构 | 是他多年主张的研究方向，不是否定LLM本身 |
两条建议放在一起看更直观：
稀缺的到底是什么
好点子该往哪长，这是Graham建议背后真正的判断。这几年app层的AI创业有个常见套路：接一个API、包一个界面、讲一个故事去融资。这类项目复制门槛不高，谁都能抄一份。
更值钱的护城河，更可能来自对训练、架构、数据管道的理解——这是Graham这条建议想指的方向。但这不代表所有应用层创业都注定没价值，执行力、分发渠道、场景积累一样能构成壁垒，只是Graham没细说这层。
现实约束也得说清楚。从零学习构建LLM完全可行，开源代码、论文、课程都摆在那儿，门槛不高。但"训练能力所及的模型"这句话，落到普通17岁少年身上，现实大概是在一块消费级显卡上跑个小模型练手——算力、数据、资金三样东西，个人很难摸到前沿的边。
LeCun这边同理。他点出的是LLM处理已被写下的知识很强，对物理世界的因果、动作、常识几乎无从下手。这是他多年来一直在推的研究方向，不代表他认为LLM这条路已经走到头，更准确的说法是：他判断下一步的红利在LLM框框之外。
对谁意味着什么
准备进AI这行的学生和年轻开发者：可以先啃开源框架和训练代码，把transformer、优化器、数据处理这些环节亲手跑一遍。哪怕只是在小模型和小数据集上练手，也比只会调API更接近Graham说的"从零"。不用焦虑够不够格碰前沿模型，算力门槛摆在那儿，能理解原理比能训练出多大模型更重要。
考虑做大模型应用创业的人：Graham和LeCun的判断在提醒同一件事——只包一层界面的项目，模仿成本太低。真正要想清楚的，是自己的产品依赖模型的哪一层能力，这层能力别人复制起来有多难。如果答案只是"接口好用、界面好看"，这类项目更适合当练手项目，而不是长期押注的方向。
接下来更值得盯的，不是谁说得更对，而是两件事会不会松动：个人能摸到的算力门槛会不会降低，以及LeCun这类物理世界学习的研究，能不能跑出真正好用的原型。这两件事任何一个有突破，今天两人建议的权重都会变。
【锐评】工欲善其事，必先利其器。两人吵的不是该不该学AI，是这把"器"该往LLM里磨，还是往LLM外面凿。