چه ویژگی‌هایی مشترک تمامی موجودات هوشمند است؟ بر اساس نظریه‌ی یان لوکن، مدیر ارشد هوش مصنوعی در متا، چهار ویژگی کلیدی وجود دارد. در نشست «قومیّت هوش مصنوعی» در پاریس در اوایل سال جاری، رهبران سیاسی و کارشناسان هوش مصنوعی گرد هم آمدند تا درباره‌ی توسعه‌ی هوش مصنوعی بحث کنند. در طول این رویداد، لوکن تعریفی بنیادی از هوش به رهبر هوش مصنوعی بی‌ام‌آی‌ام، آنتونی آنزوییاتا، ارائه داد. او توضیح داد: «چهار ویژگی اساسی رفتار هوشمندانه وجود دارد که هر حیوانی—حتی حیواناتی کمی هوشمند—و قطعاً انسان‌ها دارند. اینها شامل درک دنیای فیزیکی، داشتن حافظه ماندگار، توانایی استدلال، و قدرت برنامه‌ریزی است، به‌خصوص برنامه‌ریزی سلسله‌مراتبی برای انجام اقداماتی پیچیده. » لوکن اشاره کرد که هوش مصنوعی، به ویژه مدل‌های زبان بزرگ، هنوز به این سطح نرسیده است و گنجاندن این قابلیت‌ها نیازمند تغییر در روش‌های آموزش آن‌ها است. این امر توضیح می‌دهد که چرا بسیاری از شرکت‌های برتر فناوری در حال حاضر در حال افزودن قابلیت‌های جدید به مدل‌های موجود هستند تا در عرصه‌ی هوش مصنوعی پیشتاز شوند. او گفت: «برای درک دنیای فیزیکی، یک سیستم بصری جداگانه آموزش می‌دهید و آن را به مدل زبان بزرگ اضافه می‌کنید. برای حافظه، از تکنیک‌های تولید افزوده‌‌ی بازیابی (RAG) استفاده می‌کنید، یا کمی حافظه‌ی پیوندی اضافه می‌کنید، یا مدل را بزرگ‌تر می‌کنید. » (RAG تکنیکی است که در متا توسعه داده شده تا مدل‌های زبان بزرگ را با ادغام منابع دانشی خارجی بهبود بخشد. ) با این حال، لوکن تمام این تلاش‌ها را صرفاً «ترفندهای موقتی» می‌داند. او بارها درباره رویکرد جایگزین به نام «مدل‌های مبتنی بر جهان» صحبت کرده است، که روی سناریوهای واقعی آموزش دیده و توانایی‌های شناختی بالاتری نسبت به تشخیص الگوهای ساده دارند.

در گفت‌وگو با آنزوییاتا، او درباره این مفهوم توضیح داد: «شروع می‌کنید با داشتن تصویری از وضعیت جهان در زمان معین T، تصور یک اقدام، و سپس مدل جهان پیش‌بینی می‌کند که چگونه وضعیت جهان در واکنش به آن اقدام تغییر می‌کند. » با این حال، از آنجایی که جهان با احتمالات بی‌شماری و غیرقابل پیش‌بینی تغییر می‌یابد، تنها راه عملی برای آموزش چنین مدلی‌ها، استفاده از انتزاع است. متا در حال حاضر در حال بررسی این مفهوم با V-JEPA است، مدلی که در فوریه به صورت عمومی منتشر شد. این مدل به عنوان یک مدل غیرتولیدی توصیف می‌شود که با پیش‌بینی قسمت‌های گمشده یا ماسک‌شده در ویدئوها، یاد می‌گیرد. «ایده اصلی این است که مستقیم در سطح پیکسل پیش‌بینی نکنید. در عوض، سیستم را بر روی یک نمایش انتزاعی از ویدئو آموزش می‌دهید و اجازه می‌دهید در آن سطح پیش‌بینی کند. در بهترین حالت، این نمایش، جزئیات غیرقابل پیش‌بینی را فیلتر می‌کند»، لوکن این‌گونه توضیح داد. این رویکرد مشابه شیوه‌ای است که شیمیدانان سلسله‌مراتب بنیادی برای اجزای سازنده‌ی ماده برقرار کردند. «ما انتزاعاتی ایجاد کردیم: ذرات، بر فراز آنها اتم‌ها، سپس مولکول‌ها، و در نهایت مواد»، او گفت. «هر لایه بالاتر، بخش زیادی از اطلاعات بی‌فایده در لایه‌های پایین‌تر را فیلتر می‌کند، بسته به وظیفه‌ای که داریم. » در اصل، معنای این است که ما دنیای فیزیکی را با ساخت سلسله‌مراتب‌هایی درک می‌کنیم که این امر بنیادین برای هوشمندی است.