エンジニアリング哲学：Yann LeCun、世界をオープンに学習させる

要点

• 世界を、ほぼ独力で学習する。 LeCunの中核的な賭けは、知能とは機械が観察を通じて世界の仕組みを学ぶこと——自己教師あり学習——から生まれ、人間によるラベルはその上に薄く添えられる飾りにすぎない、というものです。有名な「ケーキ」の比喩は、その比率を文字どおりに示しています。土台の大部分が自己教師あり学習、上のアイシングが教師あり学習、てっぺんのさくらんぼが強化学習です。
• 畳み込みが視覚を学習可能にした。 Bell Labs時代、彼は手書き数字にバックプロパゲーションを適用し（1989年）、畳み込みネットワークのLeNetファミリーを構築しました。LeNet-5（1998年）は商用展開され、2001年までに米国の小切手のおよそ10%を読み取るアーキテクチャとなりました。
• オープンな研究はスローガンではなく方法論である。 Facebook／MetaのFAIR創設ディレクター（2013年）および最高AI科学者として、彼は論文公開とオープンソース化を既定路線にしました——I-JEPAのコードとチェックポイントは論文と同時に公開されています——オープンな科学のほうが秘匿より速く複利で積み上がる、という確信にもとづく判断でした。
• LLMには懐疑的な楽観主義者。 HintonおよびBengioと2018年のチューリング賞を共同受賞したLeCunは、自己回帰型の言語モデルは人間レベルのAIへ向かう道の「降り口（オフランプ）」だと主張します。本道はJEPAのような世界モデルを通る、というのが彼の見立てです。2025年11月、彼はまさにそれを実現するためMetaを去りました。

原則

「LLMをスケールさせるだけでは人間レベルのAIには到達しません」——それらは「世界を真に理解しているのではなく、単にテキストを予測しているだけ」なのです。——Yann LeCun、Meta退社に際して、2025年¹⁰

この一文の下に横たわる原則はLLMの時代よりも古く、LeCunは40年にわたって一貫して保持してきました。機械は人間のラベルを口移しで与えられるのではなく、観察したものを予測することでほぼ独力で世界の仕組みを学ぶべきであり、その方法をめぐる科学はオープンな場で進めるべきだ、という原則です。動物が知っていることの大半は、教師なしで習得されます。赤ん坊は、支えのない物体が落ちること、遮蔽された物体もそこに在り続けること、世界には安定した構造があることを、誰かがひとつでも名前を教えてくれるはるか前に学びます。生の、ラベルのない、高帯域の感覚入力から世界の構造を吸収する——この種の学習こそが知能の大部分であり、教師あり学習と強化学習はその上に載る比較的薄い層にすぎない。それがLeCunの賭けです。

これが、最も多く引用される彼の一節「ケーキ」の中身です。「知能をケーキにたとえるなら、ケーキの大部分は自己教師あり学習、その上のアイシングが教師あり学習、てっぺんのさくらんぼが強化学習です」⁵。彼は2016年に当初「教師なし（unsupervised）」と述べ、2019年までに意図的に「自己教師あり（self-supervised）」へと訂正しました。この精度の違いは重要です。仕組みそのものを名指すからです——データが自ら自分のラベルを供給する。入力の一部を隠し、残りからそれを予測する。世界そのものが教師なのです⁵。この比喩における比率が、議論の全体だと言ってよいでしょう。ケーキの大部分が自己教師ありなのだとすれば、人間が書いた次のトークンを予測するよう訓練された巨大システムにひたすら労力を注ぐ分野は、彼に言わせればアイシングを最適化していることになります。

原則の後半はオープン性です。LeCunは、AI研究は公開され、再現可能で、オープンソース化されたときに最も速く進むという信念の上に、自らのキャリアと研究所を築きました。最先端の成果を囲い込もうとする業界の本能に、真っ向から反する確信です。この前半と後半はつながっています。真の知能への道が長く不確かであるなら、単独の研究所がそれを歩き通せるはずはなく、どのアーキテクチャが本当に世界を学習するのかを知る唯一の方法は、それを公開して誰もが検証できるようにすることだからです。世界を、オープンに学習する——予測をエンジンに、オープン性を方法として。

背景

Yann André Le Cunは1960年7月8日、パリ近郊のソワジー＝ス＝モンモランシーに生まれました¹。1987年にピエール・エ・マリー・キュリー大学（現在はソルボンヌ大学の一部）で博士号を取得。その学位論文には、後にこの分野を規定することになるバックプロパゲーションの初期形態がすでに含まれていました¹。コネクショニズムがまだ市民権を得ていなかった時代からの筋金入りのコネクショニストであり、AI研究の他の大半がそれを見限っていたまさにその時期に、脳に似た学習ネットワークの研究を続けていたのです。

1988年、彼はAT&T Bell Laboratoriesに入所します。最も重大なエンジニアリングが生まれた場所です¹。Bell Labsは彼に、理論をこねるだけでなくネットワークを実際に動かすための、本物のデータと理由を与えました。米国郵政公社の手書き数字、続いて銀行小切手に書かれた金額です。制約は容赦ないものでした——数字を幻覚する小切手リーダーは金銭的損失に直結します——そしてその制約が、画像を無差別なピクセルの寄せ集めとして扱うのではなく、画像の構造を真剣に受け止めるアーキテクチャへと彼を押しやりました。

Bell Labsを離れた後、2003年にNYUへコンピュータサイエンスの教授として移ります¹。そして2013年12月、Mark ZuckerbergがFacebook AI Research（FAIR）の立ち上げと指揮を任せる形で彼を招き、同社の最高AI科学者となりました。NYUの非常勤教授を兼ねながら、10年以上その職にあり続けます¹¹⁰。FAIRは、科学は共有されるべきだという彼の信念を直接体現した、この時代で最も多産なオープン産業研究所のひとつになりました。その在任は2025年11月に終わります。彼は自ら世界モデルのスタートアップを創設するために去ったのです——LLMをめぐる賭けのどちら側に立っているかを、これ以上なく明確に示す行動でした¹⁰。

仕事

畳み込みネットワークとLeNet——世界の小切手を読む（1989年〜1998年）

LeCunのキャリアの中心にある技術的アイデアは畳み込みニューラルネットワークです。なぜそれが重要なのかを最も明快に感じ取るには、実際に動くところを見るのが一番でしょう。すべてのピクセルをすべてのニューロンにつなぐ素朴なネットワークは、巨大であると同時に構造に対して盲目です。画像の左上にある一筆と、右下にある同じ一筆が同種のものだという概念を、まったく持ちません。福島邦彦のネオコグニトロンを踏まえ、脳の視覚野に着想を得たLeCunの洞察は、小さなフィルター（カーネル）を画像上でスライドさせ、あらゆる位置で同じわずかな重みを計算させることでした。こうすればネットワークは特徴を一度学習するだけで、どこにあってもそれを検出できます⁷。下のウィジェットがまさにその演算です。エッジ検出カーネルを選び、それが数字の上を走査する様子を眺めれば、一致するパターンが現れた場所で「特徴マップ」が点灯するのがわかります。

歴史は具体的です。1989年、Bell LabsでLeCunらは、バックプロパゲーションのアルゴリズムを実用課題に適用した最初の事例を生み出しました——米国郵政公社の郵便物から手書きの郵便番号を認識するという課題で、これがLeNet-1となるプロトタイプです²。10年近い改良を経て到達したのが、画期的な1998年の論文「Gradient-Based Learning Applied to Document Recognition」でした。LeCun、Léon Bottou、Yoshua Bengio、Patrick Haffnerによるこの論文はLeNet-5を記述し、文書認識において勾配ベースの学習が手作業で設計された特徴抽出器を置き換えられることを論証しました³。

これはベンチマーク上の物珍しさではありませんでした。NCRは1996年6月からLeNetベースの小切手リーダーを商用展開し、2001年時点でこのシステムは1日あたり約2000万枚——米国の全小切手のおよそ10%——を読み取っていたと推定されています²。ニューラルネットワークが分野の大部分からまだ相手にされていなかった時期に、LeCunのそれは一国の小切手の10分の1を静かに読み取っていたわけです。彼がその問題のために設計したアーキテクチャ——畳み込み、プーリング、階層に積み上げられた学習済み特徴——は、構造的には現代のコンピュータビジョンを動かしているものと同じアイデアです。

オープンな研究とFAIR

2013年にFAIRを立ち上げたとき、LeCunは企業研究所としては自明とは言えない選択をしました。成果はオープンにする。論文を公開し、コードをリリースし、モデルを共有する¹¹⁰。オープンな研究所は最良の研究者を惹きつけ（彼らは自分の仕事が見られ、引用されることを望みます）、分野全体を加速させ、そして——付随的にではなく——自分が作ったものを世界が監査し改良できるようにする。そういう賭けでした。

これはオープンソースはセキュリティ境界ではないという考え方の哲学的な従兄弟にあたります。オープン性は正しさを保証するものではなく、正しさが発見されるための仕組みなのです。LeCunはそれを科学に当てはめました。どのアーキテクチャが本当に世界の構造を学習するのかは、密室で頭をひねっても知りようがありません。公開し、他者が再現するか反証するかし、真実が精査を生き延びる。2023年のMetaによるI-JEPAの公開は、そのパターンの縮図です——訓練コードとモデルのチェックポイントが論文と同時に出ました。数か月遅れでもなく、永久に出ないのでもなく⁸。最先端の研究所が自らの最良の成果をますます企業秘密として扱う時代にあって、LeCunのオープンな姿勢は、知識がどのように複利で積み上がるかについての、意図的で反主流的な立場表明です。

自己教師あり学習——ケーキ

LeCunの思想の最も深い部分は、同時に最もキャッチーな包装をまとった部分でもあります。彼は長年、この分野は知能の比率を取り違えていると主張してきました。そしてその主張を、食べ物で伝えたのです。2016年初頭のNYU「Future of AI」講演と同年のNeurIPS基調講演で、彼はケーキを掲げました。「知能をケーキにたとえるなら、ケーキの大部分は教師なし学習、その上のアイシングが教師あり学習、てっぺんのさくらんぼが強化学習です」⁵。2019年までに、彼は「教師なし」を意図的に「自己教師あり」へと改めます。入力の一部を隠し、残りからそれを予測するようモデルを訓練することで、データが自ら教師信号を供給する形態です⁵。

この改訂は化粧直しではありません。エンジンを名指す行為です。「教師なし」はラベルの不在を述べているにすぎません。「自己教師あり」は積極的な仕組みを述べています。観察された世界そのものが、訓練信号になるのです。彼の主張では、これこそが人間や動物が知識の圧倒的大部分を獲得するやり方です——誰もラベルを貼ってくれない、常識としての物理と構造。彼はそれを「知能のダークマター」と呼びます。教師あり手法と強化学習が上から装飾を加えているにすぎない、ラベルのない膨大な学習の塊です⁵。比率についての彼の見立てが正しいなら、AIにおける最重要の研究課題は、より大きなラベル付きデータセットでも、より多くの報酬信号でもなく、より優れた自己教師あり目的関数——世界を眺めることで世界を学ぶこと——になります。

世界モデルとJEPA——LLM懐疑の立場

LeCunの最も公然とした、そして最も異論を招く立場は、ケーキから直接導かれます。真の知能の大部分が世界の構造の自己教師あり学習なのだとすれば、人間が書いた次のトークンを予測するためだけに訓練されたシステムが学んでいるのは、世界のモデルではなく語のモデルであり、その土台の限界をそのまま引き継ぐことになります。彼は率直にこう述べています。自己回帰型のLLMは人間レベルのAIへ向かう道の「降り口」であり、有用ではあるが本道ではない。「LLMをスケールさせるだけでは人間レベルのAIには到達しません」⁹¹⁰。

彼が提案する代替案が、2022年のポジションペーパー「A Path Towards Autonomous Machine Intelligence」で導入されたJoint Embedding Predictive Architecture（JEPA）です⁶。鍵となるのは、予測をどこで行うか。生成モデルは欠落した入力をピクセル単位で再構成しようとするため、予測不可能な細部のモデリングに容量を浪費します。生成モデルが手の指の本数といったものに悪名高いほど苦戦するのは、そのためです⁸。JEPAは代わりに抽象的な表現空間で予測します。予測できない細部は無視し、場面の構造的で低エントロピーな規則性に集中できるわけです⁶⁸。MetaのI-JEPA（2023年）は、この構想の上に築かれた最初の具体的な画像モデルであり、オープンな形で公開されました⁸。

同じ「ゴッドファーザー」との対比は、本シリーズで最も鮮烈なものです。Geoffrey Hintonは同じチューリング賞を分かち合い、同じ孤独な数十年を信念とともに過ごし、そして2023年、この技術は危険かもしれないと警告する側へ転じました。LeCunは三人のなかの楽観主義者です——AIの安全性に懐疑的なのではなく、現行アーキテクチャの天井に懐疑的なのです——そして2025年11月、彼はその確信にキャリアを賭けました。Metaを去り、パリでAdvanced Machine Intelligence（AMI）Labsを創設したのです。より大きな言語モデルではなく、世界モデルを明確な軸に据えたスタートアップです¹⁰。ゴッドファーザーが二人、賞はひとつ、メッセージは正反対。Hintonはうまくいきすぎるかもしれないから減速せよと言い、LeCunはこの道は皆が思っている場所には通じていないと言い、別の道を指し示します。

方法

方法は、小切手リーダーから世界モデルのスタートアップまで一貫しています。問題の構造が要求するアーキテクチャを作ること、ラベルなしで可能なかぎり多くを学習させること、そしてそれをオープンな場で行うこと。

構造をアーキテクチャに埋め込む。 畳み込みが機能するのは、画像についての真実——並進不変性——をネットワークの配線そのものに焼き込み、モデルにゼロから学ばせずに済ませているからです。この教訓は一般化できます。問題について何かを知っているなら、データが教えてくれるのを期待するのではなく、それをアーキテクチャに組み込むこと²³。

データ自身を教師にする。 ラベルは希少で高価ですが、生の観察はいくらでもあります。入力の一部を隠し、残りからそれを予測するという自己教師ありの姿勢が、システムが知るべきことの大部分をLeCunが学習させようとする方法です。人間による監督は最初にではなく、最後に手を伸ばすもの⁵。

ピクセル空間ではなく表現空間で予測する。 予測できない細部のモデリングに容量を使わないこと。JEPAの中心的なエンジニアリング判断は、抽象的な表現を予測し、予測不可能なものを意図的に捨てることにあります——そもそも何をモデル化する価値があるのかについての規律です⁶⁸。

それを公開する。 オープンな論文、オープンなコード、オープンなモデル。科学はオープンな場で複利的に積み上がり、秘密のなかでは停滞する——LeCunはそう確信し、業界最大級の研究所のひとつを10年にわたってその原則で運営しました¹⁸¹⁰。

証拠が支持するなら、流行らない立場を貫く。 彼は冬の時代を通じてニューラルネットワークを信じ続け、いま業界全体が資本を注ぎ込むなかでLLMは回り道だという立場を取っています。誇大宣伝の頂点で声高な懐疑派であろうとする意志は、誰も見向きもしなかった時期に畳み込みにとどまり続けたのと同じ筋肉です⁹¹⁰。

影響の連鎖

彼を形づくった人々

福島邦彦。 福島のネオコグニトロン（1980年）——大脳皮質に着想を得た、層状で位置ずれに強い視覚ネットワーク——は畳み込みネットワークの直接の祖先です。LeCunはそこにバックプロパゲーションによるエンドツーエンド学習を加え、手で調整するアーキテクチャを、自らフィルターを学習するアーキテクチャへと変えました。（直接的影響）

David HubelとTorsten Wiesel。 ノーベル賞に輝いた二人の視覚野の神経科学——局所的な特徴を検出する単純細胞、位置をまたいでプーリングする複雑細胞——は、畳み込みとプーリングが形式化した生物学的な設計図です。LeCunはHintonと同じく、脳が実際にどう見ているかから推論しました。（形成的影響）

コネクショニストのバックプロパゲーション系譜。 LeCunは1987年の学位論文でバックプロパゲーションの初期形態を編み出し、1986年にRumelhart-Hinton-Williamsの研究が世に知らしめたのと同じエンジンに到達しました。彼はコネクショニズムの綱領を、それが深く時代遅れとされていた時期に受け継ぎ、拡張したのです。（直接的影響）

彼が形づくった人々

現代のコンピュータビジョン。 医療スキャンを読むもの、運転の知覚スタックを支えるもの、スマートフォンのカメラを動かすもの——あらゆる畳み込み視覚システムは、構造的にLeNetの子孫です。彼はこの分野に貢献しただけではなく、その基礎となるアーキテクチャを供給しました。

自己教師ありへの転回。 ラベルなしデータからの学習へと業界全体が舵を切った動き——マスク付き事前学習、対照学習、結合埋め込み目的関数——は、LeCunの「ケーキ」という枠組みと、知能の大部分はここに宿るのだと主張し続けた10年を、まっすぐに貫いています。

FAIR出身の一世代。 最大級のオープンな産業研究所を率いることで、LeCunは一世代の研究者が成果をどう公開し共有するかを形づくり、最も秘密主義的な最先端研究所の外側にいま存在するオープンモデルの生態系の、多くの種を蒔きました。

貫くもの

LeCunは本シリーズの深層学習の枝におけるコンピュータビジョンの根であり、そこから最も素直に伸びる線はAndrej Karpathyへ向かいます。Karpathyの仕事は、畳み込みが切り開いた学習された視覚の領域のど真ん中にあり、その「Software 2.0」という捉え直し（ネットワークとはデータからコンパイルされたプログラムである）は、手作業で設計された小切手リーダーから学習されたそれへ、というLeCunの一手を自然に一般化したものです。最も鋭い対比は、チューリング賞の共同受賞者Geoffrey Hintonとの間にあります。二人の「ゴッドファーザー」は賞を、孤独な数十年を、そして脳に似た学習への賭けを共有しながら、現在をめぐって袂を分かちました。憂慮する側のHintonは2023年にGoogleを去り、これは強力すぎるかもしれないと警告しました。楽観主義者のLeCunは2025年にMetaを去り、支配的なアーキテクチャは十分に強力ではないと論じ、別のものを作りに行きました。Hintonが結果を恐れるのに対し、LeCunは経路に異を唱えるのです。道は二つ、山はひとつ。Hintonは危険が本物であることを信じ、LeCunはオープンに学習された世界こそが道であることを信じています。（シリーズの架け橋）

ここから受け取るもの

LeCunから手放さずにいる教訓は、自分が本当に理解している部分は、アーキテクチャに担わせるべきだということです。畳み込みが機能するのは、10億の事例が並進不変性を教えてくれるのを期待する代わりに、それをネットワークに組み込んでいるからです——そしてこれはまさに、私がシステムを設計するときに手を伸ばす一手でもあります。その領域について確かだと分かっていることがあるなら、運任せにせず構造の側に書き込む。美意識を技術的な体系として扱う——立ち上がってくれることを願う雰囲気ではなく、擁護できる体系として扱う——のと同じ本能です。既知の制約は、出力が行儀よく振る舞ってくれますようにという祈りにではなく、検証できる設計の側に置くこと。

より難しい教訓は、LLMへの懐疑のほうです。LeCunは誇大宣伝の絶対的な頂点に立ち——業界全体も、資本も、注目も、すべてが言語モデルのスケーリングに向いているなかで——公の場で、それは降り口だと言っています。彼は間違っているかもしれません。要点は、異論を唱えることに高い代償が伴う場面で、彼が反対の声になることを厭わないという点であり、しかもそれが反主流を好む本能ではなく、表現空間での予測という具体的な技術的論証に錨を下ろしているという点です。それは証拠のゲートを、コンセンサスそのものに向けた姿勢だと言えます。「皆が沸き立っているのだからこれが本道に違いない」ではなく、「このアーキテクチャは実際に何を学習していて、それは私たちが求めているものなのか」と問うのです。そして私が最も直接に受け取るのはオープン性のほうです——誰が正しいかは、仕事を公開し、検証にさらすことで分かる、という確信。だからこそ私は品質だけが変数であると考え、その仕事が存在するに値するかを問うSteveテストを、主張するものではなく精査に委ねるものとして扱っています。LeCunは生涯で二度、ラベルを暗記するのではなく世界を学習することに、しかもそれを誰もが見える場所で行うことに、キャリアのすべてを賭けました。

FAQ

Yann LeCunのエンジニアリング哲学とは何ですか？

世界を、オープンに学習させることです。LeCunは、知能とはほぼ自己教師ありのものだと主張します。観察したものを予測することで機械が世界の構造を学び、人間のラベルや報酬信号はその上に載る薄い層にすぎない、という見方です。これは、自己教師あり学習が大部分、教師あり学習がアイシング、強化学習がさくらんぼだという彼の「ケーキ」の比喩に凝縮されています⁵。彼はこれに、オープンな研究への傾倒を組み合わせます。科学が再現され検証されうるよう、論文、コード、モデルを公開するということです¹⁸。彼のエンジニアリング上の特徴は、既知の構造をアーキテクチャに直接埋め込むことにあります——畳み込みが並進不変性を視覚ネットワークに焼き込むように²³。

Yann LeCunは何を発明し、それはどう商用利用されたのですか？

彼は現代の畳み込みニューラルネットワークの主要な発明者です。1989年、Bell Labsで彼はバックプロパゲーションを実用課題——手書き郵便番号の認識——に適用した最初期の一人となり、LeNetのプロトタイプを生み出しました。そして1998年の論文「Gradient-Based Learning Applied to Document Recognition」（Bottou、Bengio、Haffnerとの共著）がLeNet-5を記述しています²³。商用面では、NCRが1996年からLeNetベースの小切手リーダーを展開し、2001年時点でこのシステムは1日あたり約2000万枚——米国の全小切手のおよそ10%——を読み取っていたと推定されています²。

なぜYann LeCunは大規模言語モデルに懐疑的なのですか？

彼の見方では、自己回帰型のLLMが学習しているのはテキストのモデルであって世界のモデルではなく、したがってスケールさせるだけでは人間レベルの知能に到達できないからです。彼はそれらを、人間レベルのAIへ向かう道の「降り口」と呼んでいます⁹¹⁰。彼が提案する代替案は、2022年の論文「A Path Towards Autonomous Machine Intelligence」で示されたJoint Embedding Predictive Architecture（JEPA）です。すべてのピクセルやトークンを生成するのではなく、抽象的な表現空間で予測し、予測不可能な細部を無視するアーキテクチャです⁶⁸。2025年11月、彼は世界モデルを直接追求するため、Metaを去ってパリでAMI Labsを創設しました¹⁰。

Yann LeCunはチューリング賞を受賞しましたか？

はい。2018年のACM A.M.チューリング賞を、Geoffrey Hinton、Yoshua Bengioと共同受賞しています——「深層学習のゴッドファーザー」と呼ばれる三人です——「深層ニューラルネットワークをコンピューティングの重要な構成要素にした、概念的およびエンジニアリング上のブレークスルーに対して」という表彰理由でした⁴。LeCunの評価された貢献は、畳み込みネットワークと、深層学習を実用に耐えるものにした幅広い仕事が中心です。現在についての見解ではHintonと公然と異なります。Hinton（2023年にGoogleを退社）がAIの危険性を警告するのに対し、LeCunは今日の支配的なLLMアーキテクチャは人間レベルの知能への経路ではないと論じる楽観主義者です¹⁰。

出典