Selvkjørende biler: Beviset LeCun bruker mot dagens AI
Yann LeCun har forlatt Meta, grunnlagt sitt eget selskap og hentet inn over en milliard dollar – alt bygget på én overbevisning: dagens AI mangler noe fundamentalt. Selvkjørende biler er hans klareste bevis.
Et problem som ikke løses med mer data
Selvkjørende systemer har blitt trent på milliarder av kjøreeksempler. De er likevel ikke i stand til å håndtere alle situasjoner et menneske navigerer uten problemer.
LeCun bruker dette som et strukturelt argument, ikke et teknisk detaljproblem.
- Et menneske lærer å kjøre på noen få timer og generaliserer umiddelbart til nye situasjoner
- Et selvkjørende system svikter i situasjoner det ikke har sett eksplisitt i treningsdata
- Mer data løser ikke dette – det forskyver bare grensen for hva systemet har sett
Problemet er ikke datamengde. Problemet er at systemene mangler en intern modell av hvordan verden fungerer.
Hva er en world model?
En world model er et AI-system som ikke bare gjenkjenner mønstre fra treningsdata, men forstår fysiske prinsipper, kan forutsi konsekvenser og planlegge fremover.
Et menneske bak rattet forstår instinktivt hva som skjer hvis man svinger for hardt i en sving, møter is på veien, eller et barn løper ut i gata. Det er kausalforståelse – ikke mønstergjenkjenning.
- World models trenes på sansedata som video, ikke tekst
- De bygger en intern representasjon av hvordan omgivelsene utvikler seg
- De kan simulere «hva skjer hvis» uten å ha sett situasjonen før
LeCun mener dette er den eneste arkitekturen som kan gi AI menneskelig generaliseringsevne.
AMI Labs: En milliard dollar på dette argumentet
LeCun forlot Meta sent i 2025 og grunnla AMI Labs i Paris – offisielt lansert mars 2026. Selskapet hentet inn 1,03 milliarder dollar i det som er rekord for en europeisk seed-runde.
Ingen produkter. Ingen inntekter. Bare en arkitekturhypotese og noen av verdens mest sofistikerte investorer.
- Målgruppen er autonome maskiner: robotaxier, droner, kirurgiske roboter
- Kjernearkitekturen er JEPA – Joint Embedding Predictive Architecture
- En ny matematisk bekreftelse av at JEPA faktisk lærer verdensmodeller ble publisert på arxiv 25. mai 2026
LeCun er tydelig på hva han mener om alternativet: LLM-er kan ikke resonnere eller planlegge fordi de mangler en modell av verden.
Selvkjørende biler som lakmustest
Selvkjørende kjøretøy er det tydeligste stedet der gapet mellom mønstergjenkjenning og verdensforståelse er synlig for alle.
Hvis world models er løsningen, vil fremtidens autonome kjøretøy lære effektivt fra langt færre eksempler og håndtere situasjoner de aldri har sett – akkurat som et menneske gjør.
- Tesla og Waymo skalerer videre på eksisterende arkitektur
- AMI Labs satser på at dette ikke er nok for virkelig autonomi
- Hvem som har rett vil sannsynligvis bli avgjort av hvem som løser edge cases i trafikken
Hvorfor dette er viktig
LeCun er ikke en internett-skeptiker uten faglig tyngde. Han vant Turing Award i 2018 og er en av grunnleggerne av moderne dyplæring.
Når han sier at bransjen trenger et paradigmeskifte – og setter over en milliard dollar bak argumentet – er det verdt å ta på alvor.
- Selvkjørende biler er det konkrete eksempelet som gjør argumentet håndgripelig
- World models er den foreslåtte løsningen, nå med matematisk ryggrad
- Debatten handler om hva som faktisk skal til for menneskelig intelligens
Oppsummering
Selvkjørende biler løser seg ikke med mer treningsdata. LeCun mener det krever en helt annen arkitektur – og han har grunnlagt et selskap for å bevise det.
- AMI Labs: 1,03 milliarder dollar, ingen inntekter, én hypotese
- World models vs. LLMs er 2026s viktigste arkitekturdebatt
- Selvkjørende biler er testfeltet der svaret vil bli synlig
