图灵奖得主杨立昆、菲尔兹奖得主Freedman同时加盟，全球首家能量模型商业化公司诞生

去年底刚从 Meta 离职的图灵奖得主杨立昆（Yann Lecun），在他宣布创办自己的世界模型公司 AMI Labs 后还不到两个月，就以另一重身份出现在公众视野里。本周三，硅谷初创公司 Logical Intelligence 宣布杨立昆出任其技术研究委员会主席。与此同时，这家成立仅六个月的公司发布了名为 Kona 1.0 的旗舰产品，据称是首个正式进入商业化的能量推理模型（Energy-Based Reasoning Model，EBRM）。

关于大语言模型能否实现 AGI，业界的质疑从未停止。如果答案是否定的，替代方案在哪里？Logical Intelligence 给出的答案是：能量模型（EBM）。在该公司创始人 Eve Bodnia 看来，LLM 本质上是一场猜词游戏。你给它一个提示，它就预测下一个词出现的概率，循环往复，直到生成一段貌似通顺的回答。问题在于，“貌似通顺”和逻“辑正确”之间隔着一道深渊。

Bodnia 在接受《金融时报》采访时打了个比方：你教会一只猫像狗一样叫，它也不会因此变成一只狗。LLM 能写出像模像样的数学证明或代码，但它并不真正理解这些符号背后的推理链条。一旦任务复杂度提升，或者约束条件增多，它就开始犯错，而且往往错得毫无章法。

杨立昆也反复表达过类似的观点。事实上，他在过去几年反复强调，仅靠扩展 LLM 的规模不可能实现真正的人类水平智能。他在此前的播客中直言，那些认为只需要不断做大模型就能通向超级智能的想法是“扯淡”（原话是 bullshit）。

杨立昆的核心论点是：LLM 缺乏对物理世界的真实理解，它们只是在文本空间里做模式匹配，无法像人类或动物那样通过与环境互动来学习因果关系。他甚至说过，一只家猫拥有的常识都比 GPT-4 多。

于是，当杨立昆的名字出现在 Logical Intelligence 的公告里时，毫无疑问这也是他用行动为 EBM 模型站台。杨立昆本人也在声明中说，他一直认为真正的推理应该被表述为优化问题，这正是能量模型的基础，即通过最小化一个能量函数来完成推理和推断。他评价 Logical Intelligence 是“第一家将基于 EBM 的推理从研究概念推向产品的公司”。

那么，EBM 的具体工作原理是什么？为什么它被认为可能弥补 LLM 的短板？

简单来说，EBM 会为每个候选状态分配一个“能量”分数。能量越低，意味着这个状态越符合约束条件和目标；能量越高，说明有什么地方出了问题。而这种评分机制可以施加在部分完成的推理链条上，而不必等到最终答案出来才知道对错。这就像下棋时能评估每一步棋的优劣，而不是非要等到终局才知道输赢。

Logical Intelligence 声称，他们的模型 Kona 在三个层面解决了 LLM 推理的固有缺陷。第一，Kona 是非自回归的。LLM 逐词生成文本，要想修正前面的错误，往往需要重新生成一大段前缀，效率很低。Kona 则可以同时生成完整的推理轨迹，并根据约束直接进行优化。

第二，Kona 使用全局评分而非局部评分。LLM 的预训练目标是预测下一个词，与长链条推理的整体正确性无关。Kona 学到的能量函数可以端到端地评估推理轨迹的质量。

第三，Kona 在连续潜在空间中推理。LLM 的输出是离散的 token 序列，很难通过梯度信息做细粒度的局部修正。Kona 输出的是稠密向量，可以利用近似梯度进行可控的编辑，逐步提升推理的一致性。

Logical Intelligence 同时发布了名为 Aleph 的智能体编排层，专门用于协调 Kona、LLM 和其他工具的调用。该公司将 Aleph 与 OpenAI 的 GPT-5.2 配对，在 PutnamBench 上取得了 99.4% 的正确率。

PutnamBench 是一个以 Putnam 数学竞赛题目为基础的形式化推理基准，包含来自该竞赛过去 50 多年的 672 道难题，每道题都需要用 Lean 等证明语言写出形式化证明，并由外部编译器验证正确性。

根据公开的排行榜信息，这一成绩把 Logical Intelligence 推到了该基准的榜首位置。据公司披露，在此次评测中，Aleph 还自动发现了 15 道题目的形式化描述存在错误，并提出了修正建议，这些修正均得到 PutnamBench 团队的核实确认。

图丨Putnam Bench 测试结果（来源：PutnamBench）

不过要强调的是，Aleph 本身是基于 LLM 的（它用的是 GPT-5.2），其亮点在于编排和协调能力，而不是完全抛开 LLM 另起炉灶。按照 Bodnia 的说法，Aleph 是一个“内部工具”，用于测试公司正在构建的数学环境的严谨性；真正代表公司技术核心的是 Kona 这个 EBRM。她在去年 12 月的一次采访中直言：Aleph 的表现证明了我们的基础是坚实的，但它只是我们核心模型能力的一个零头。

Kona 1.0 于 2026 年 1 月 21 日正式公开演示，第一个展示的能力是解数独。在公司网站的实时对比中，Kona 与 OpenAI、Google、Anthropic 等公司的领先 LLM 正面对决，Kona 在速度和能耗上都展现出明显优势。公司表示后续还会加入国际象棋和围棋的演示，目标是让公众直观理解“基于能量的推理”与“基于概率的猜测”之间的区别。

在一篇题为《认知的艺术》的博客文章中，Bodnia 写道，LLM 让很多人感到兴奋，因为它们很擅长回答个人问题，互动起来很自然，很容易让人幻想它们能处理更难的问题。

但仔细想想，我们每天面对的任务大多数并不是纯粹的语言问题，有的需要空间推理，有的依赖逻辑、规划或情绪感知，还有很多根本无法用语言完全表达。智能不是静态的，而是适应性的。LLM 在某些事情上做得很好，但它们只是一种智能，许多问题需要另一种路径。

而这种观点也与 Eve Bodnia 的独特背景不无关系，她出生于哈萨克斯坦，18 岁移民美国，先在社区大学就读，后转入加州大学伯克利分校，又在加州大学圣芭芭拉分校攻读博士。她的研究方向包括暗物质探测、量子力学和粒子物理，发表过 22 篇相关论文，还与 Google Quantum AI 有过合作。

她个人网站上的自我介绍显示，她对代数拓扑和李群在学习系统形式化中的应用很感兴趣。这种数学物理背景使她对可验证性有一种近乎执念式的追求。

除了 Bodnia 和杨立昆，Logical Intelligence 还拉来菲尔兹奖得主 Michael Freedman 出任首席数学官，前 Facebook 工程师、国际大学生程序设计竞赛（ICPC）世界冠军 Vlad Isenbaev 担任首席 AI 官，曾任币安首席战略官和通用电气高管的 Patrick Hillmann 则负责战略规划。

图丨Logical Intelligence 创始团队（来源：Logical Intelligence）

根据《金融时报》等媒体报道，Logical Intelligence 正在筹备新一轮融资，目标估值在 10 亿至 20 亿美元之间。公司计划在本季度晚些时候与能源、先进制造和半导体行业的部分合作伙伴启动 Kona 1.0 的试点项目。

当然，这个领域并非只有 Logical Intelligence 一家在探索。Robinhood 联合创始人 Vlad Tenev 投资的 Harmonic 同样专注于形式化推理，其旗舰模型 Aristotle 在 2025 年国际数学奥林匹克竞赛中达到金牌水平。

不过，Harmonic 走的是数学超级智能（Mathematical Superintelligence）路线，仍在 LLM 框架内通过形式化验证来消除幻觉；而 Logical Intelligence 则明确标榜自己是“语言无关的”（language-free），直接绕过 token，在结构化状态空间中推理。两者的技术路径存在本质差异。

杨立昆本人的布局更是多线并行。他创办的 AMI Labs 专注于世界模型，据报道正以约 35 亿美元的估值融资 5 亿欧元，总部将设在巴黎。世界模型的目标是让 AI 理解物理世界的因果关系，通过视频和空间数据学习，而不只是消化文本。

据报道，杨立昆和 Bodnia 都认为真正的人类水平 AI 需要组合多种模型。从杨立昆同时参与世界模型公司 AMI Labs 和能量型推理公司 Logical Intelligence 来看，他显然也是在多个技术方向同时下注。

也有人持怀疑态度。一位匿名 AI 投资人在接受 Upstarts 采访时表示，他怀疑大多数 AI 生成的代码最终是否真的需要形式化验证。毕竟，形式化方法在狭义的、高度规范化的领域效果最好，能否推广到更广泛的应用场景仍是未知数。

更何况，OpenAI、Google 等大型实验室也在大力改进自家推理模型的可靠性。Harmonic 的 CEO Tudor Achim 承认，形式化证明系统在精确度上无可挑剔，但要转化为可持续的商业收入，还需要证明自己在学术竞赛之外的实际价值。

参考资料：

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

运营/排版：何晨龙