엔지니어링 철학: 얀 르쿤, 세상을 배우고, 공개하다

핵심 요약

• 세상을, 대부분 스스로 배우게 한다. 르쿤이 건 핵심 승부수는, 지능이란 기계가 관찰을 통해 세상이 어떻게 돌아가는지 스스로 익히는 데서 나온다는 것입니다. 이것이 자기지도 학습이고, 사람이 붙인 레이블은 그 위에 얇게 얹는 고명일 뿐입니다. 유명한 “케이크” 비유는 그 비율을 문자 그대로 보여줍니다. 몸통은 자기지도 학습, 그 위의 아이싱은 지도 학습, 꼭대기의 체리는 강화 학습입니다.
• 합성곱이 시각을 학습 가능한 것으로 만들었다. 벨 연구소에서 그는 손글씨 숫자에 역전파를 적용했고(1989년), 합성곱 신경망 계열인 LeNet을 만들었습니다. LeNet-5(1998년)는 상용 배치를 거쳐 2001년 무렵 미국 전체 수표의 약 10%를 읽어내는 아키텍처가 되었습니다.
• 공개 연구는 구호가 아니라 방법론이다. Facebook/Meta FAIR의 창립 디렉터(2013년)이자 수석 AI 과학자로서 그는 논문 공개와 오픈소스화를 기본값으로 삼았습니다. I-JEPA는 코드와 체크포인트가 논문과 함께 공개되었습니다. 열린 과학이 비밀주의보다 빠르게 축적된다는 신념에서 나온 선택입니다.
• LLM에 회의적인 낙관론자. 힌턴, 벤지오와 함께 2018년 튜링상을 공동 수상한 르쿤은, 자기회귀 언어 모델이 인간 수준 AI로 가는 길의 “샛길 출구”라고 주장합니다. 그가 말하는 본선은 JEPA 같은 세계 모델을 지나갑니다. 2025년 11월, 그는 바로 그것을 만들기 위해 Meta를 떠났습니다.

원칙

“LLM의 규모만 키워서는 인간 수준 AI에 도달하지 못합니다.” 그것들은 “세상을 진정으로 이해하는 것이 아니라 그저 텍스트를 예측할 뿐”입니다. — 얀 르쿤, Meta를 떠나며, 2025년¹⁰

이 문장 밑에 깔린 원칙은 LLM 시대보다 오래되었고, 르쿤은 40년 동안 그 원칙을 일관되게 지켜왔습니다. 기계는 사람이 떠먹여 주는 레이블이 아니라 대체로 스스로, 자신이 관찰한 것을 예측하면서 세상이 어떻게 돌아가는지 익혀야 하며, 그 방법을 밝히는 과학은 공개된 자리에서 이루어져야 한다는 것입니다. 어떤 동물이든 아는 것의 대부분은 가르쳐 주는 이 없이 배웁니다. 아기는 누가 사물의 이름을 하나라도 붙여 주기 훨씬 전에, 받쳐 주지 않은 물건은 떨어진다는 것, 가려진 것도 여전히 존재한다는 것, 세상에는 안정적인 구조가 있다는 것을 배웁니다. 르쿤이 건 것은 바로 이런 학습, 즉 레이블이 없는 원시 상태의 고대역폭 감각 입력에서 세상의 구조를 흡수하는 일이 지능의 몸통이며, 지도 학습과 강화 학습은 그 위에 얹힌 상대적으로 얇은 층이라는 판단입니다.

가장 많이 인용되는 그의 문장, 케이크가 말하는 바가 바로 이것입니다. “지능이 케이크라면, 케이크의 몸통은 자기지도 학습이고, 케이크 위의 아이싱은 지도 학습이며, 케이크 위의 체리는 강화 학습입니다.”⁵ 그는 2016년에 처음 비지도라고 말했다가 2019년에 이르러 의도적으로 자기지도로 고쳤습니다. 이 정밀함이 중요한 이유는, 그 단어가 작동 방식을 지목하기 때문입니다. 데이터가 스스로 레이블을 공급한다는 뜻입니다. 입력의 일부를 가리고 나머지로 그것을 예측하게 하면, 세상이 곧 자기 자신의 교사가 됩니다.⁵ 비유 속의 비율이 곧 논지 전체입니다. 케이크의 대부분이 자기지도라면, 사람이 쓴 다음 토큰을 예측하도록 훈련된 시스템을 점점 더 크게 키우는 데 온 힘을 쏟는 분야는, 그가 보기에 아이싱을 최적화하고 있는 셈입니다.

원칙의 나머지 절반은 공개성입니다. 르쿤은 AI 연구가 발표되고, 재현 가능하며, 오픈소스로 풀릴 때 가장 빠르게 전진한다는 믿음 위에 자신의 경력과 연구소를 세웠습니다. 최전선의 성과를 쌓아 두려는 업계의 본능을 정면으로 거스르는 신념입니다. 두 절반은 서로 이어져 있습니다. 진짜 지능으로 가는 길이 멀고 불확실하다면, 어느 한 연구소가 혼자 그 길을 걸어갈 수는 없고, 어떤 아키텍처가 실제로 세상을 학습하는지 알아낼 유일한 방법은 그것을 공개된 자리에 내놓고 모두가 검증하게 하는 것뿐입니다. 세상을 배우되, 공개적으로. 예측이 엔진이고, 공개성이 방법입니다.

배경

얀 앙드레 르쿤은 1960년 7월 8일 파리 인근 수아지수몽모랑시에서 태어났습니다.¹ 1987년 피에르 마리 퀴리 대학교(현 소르본 대학교의 일부)에서 박사 학위를 받았고, 그의 학위 논문에는 이미 역전파의 초기 형태가 담겨 있었습니다. 이 분야를 규정하게 될 바로 그 아이디어였습니다.¹ 그는 연결주의가 존중받기 전부터 연결주의자였고, AI의 나머지 진영이 뇌를 닮은 학습 신경망을 폐기 처분한 바로 그 시기에 그 연구를 계속했습니다.

1988년 그는 AT&T 벨 연구소에 합류했습니다. 그의 가장 결정적인 엔지니어링이 이루어진 곳입니다.¹ 벨 연구소는 그에게 실제 데이터와, 이론에 그치지 않고 신경망을 작동하게 만들어야 할 이유를 주었습니다. 미국 우정공사의 손글씨 숫자, 그다음에는 은행 수표에 적힌 금액이었습니다. 제약은 가혹했습니다. 숫자를 지어내는 수표 판독기는 돈을 잃게 만드니까요. 그 제약이 그를, 그림을 뭉뚱그린 픽셀 자루로 취급하는 대신 이미지의 구조를 진지하게 받아들이는 아키텍처로 밀어붙였습니다.

벨 연구소를 떠난 뒤 2003년 뉴욕대학교(NYU) 컴퓨터과학과 교수로 옮겼습니다.¹ 그리고 2013년 12월, 마크 저커버그가 그를 영입해 Facebook AI Research(FAIR)를 세우고 이끌게 했고, 그는 회사의 수석 AI 과학자가 되었습니다. NYU 파트타임 교수직을 유지하면서 10년 넘게 지킨 자리였습니다.¹¹⁰ FAIR는 그 시대에 가장 많은 성과를 낸 공개형 산업 연구소 중 하나가 되었고, 이는 과학은 공유되어야 한다는 그의 믿음이 그대로 드러난 결과였습니다. 그 재임은 2025년 11월, 그가 자신의 세계 모델 스타트업을 창업하기 위해 떠나면서 끝났습니다. LLM을 둘러싼 내기에서 그가 어느 편에 서 있는지를 이보다 분명히 밝힐 방법은 없었습니다.¹⁰

작업

합성곱 신경망과 LeNet: 세상의 수표를 읽다 (1989-1998)

르쿤 경력의 중심 기술 아이디어는 합성곱 신경망(convolutional neural network)이며, 왜 그것이 중요한지 가장 선명하게 체감하는 방법은 실제로 작동하는 모습을 지켜보는 것입니다. 모든 픽셀을 모든 뉴런에 연결하는 단순한 신경망은 거대하면서도 구조에는 눈이 멀어 있습니다. 이미지 왼쪽 위의 획이 오른쪽 아래의 똑같은 획과 같은 종류의 것이라는 개념 자체가 없습니다. 후쿠시마 구니히코의 네오코그니트론을 토대로 삼고 뇌의 시각 피질에 근거한 르쿤의 통찰은, 작은 필터(커널)를 이미지 위로 미끄러뜨리며 모든 위치에서 동일한 몇 개의 가중치를 계산하게 하는 것이었습니다. 그러면 신경망은 특징을 한 번만 학습해도 어디서나 그것을 검출합니다.⁷ 아래 위젯이 정확히 그 연산입니다. 경계를 검출하는 커널을 골라 숫자 위를 훑게 하고, 그 커널이 반응하는 패턴이 있는 자리마다 “특징 맵”에 불이 들어오는 것을 보십시오.

역사는 구체적입니다. 1989년 벨 연구소에서 르쿤과 동료들은 역전파 알고리즘을 실용적인 문제, 즉 미국 우정공사 우편물의 손글씨 우편번호 인식에 처음으로 적용해 LeNet-1이 될 시제품을 내놓았습니다.² 거의 10년에 걸친 개선 끝에 1998년의 기념비적 논문 “Gradient-Based Learning Applied to Document Recognition”이 나왔습니다. 르쿤, 레옹 보투, 요슈아 벤지오, 패트릭 하프너가 쓴 이 논문은 LeNet-5를 기술하면서, 문서 인식에서 경사 기반 학습이 손으로 설계한 특징 추출기를 대체할 수 있다고 주장했습니다.³

이것은 벤치마크용 호기심거리가 아니었습니다. NCR은 1996년 6월부터 LeNet 기반 수표 판독기를 상용으로 배치했고, 2001년에는 이 시스템이 하루 약 2,000만 장의 수표, 즉 미국 전체 수표의 약 10%를 읽는 것으로 추정되었습니다.² 신경망이 아직 학계 상당수에게 무시당하던 시점에, 르쿤은 한 나라 수표의 10분의 1을 조용히 읽어 내는 신경망을 갖고 있었던 셈입니다. 그가 그 문제를 풀려고 설계한 아키텍처, 즉 합성곱과 풀링, 위계로 쌓아 올린 학습된 특징은 구조적으로 오늘날의 컴퓨터 비전을 움직이는 바로 그 아이디어입니다.

공개 연구와 FAIR

2013년 FAIR를 세우면서 르쿤은 기업 연구소로서는 결코 당연하지 않은 선택을 했습니다. 성과를 공개한다는 것이었습니다. 논문을 발표하고, 코드를 배포하고, 모델을 공유하는 것.¹¹⁰ 열린 연구소는 자기 성과가 읽히고 인용되기를 바라는 최고의 연구자들을 끌어들이고, 분야 전체를 더 빠르게 움직이며, 결코 부수적이지 않게도, 자신이 만든 것을 세상이 검증하고 개선할 수 있게 한다는 계산이었습니다.

이는 오픈소스는 보안 경계가 아니다라는 이야기와 철학적으로 사촌지간입니다. 공개성은 정확성을 보장하지 않지만, 정확성이 발견되는 메커니즘입니다. 르쿤의 판본은 그것을 과학에 적용합니다. 어떤 아키텍처가 실제로 세상의 구조를 학습하는지는 밀실에서 추론해서는 알 수 없습니다. 공개하면 남들이 재현하거나 반박하고, 진실은 그 검증을 견디고 살아남습니다. 2023년 Meta의 I-JEPA 공개가 그 패턴의 축소판입니다. 훈련 코드와 모델 체크포인트가 논문과 나란히 나왔습니다. 몇 달 뒤도 아니었고, 끝내 나오지 않는 것도 아니었습니다.⁸ 최전선 연구소들이 자신들의 최고 성과를 점점 더 영업 비밀처럼 다루는 시대에, 르쿤의 공개 노선은 지식이 어떻게 축적되는가에 대한 의도적이고 역행하는 입장입니다.

자기지도 학습: 케이크

르쿤의 아이디어 중 가장 깊은 것이 동시에 가장 입에 붙는 포장을 가진 것이기도 합니다. 그는 이 분야가 지능의 비율을 거꾸로 알고 있다고 여러 해 동안 주장해 왔고, 그 논지를 음식으로 전달했습니다. 2016년 초 NYU의 Future of AI 강연과 그해 NeurIPS 기조연설에서 그는 케이크를 띄웠습니다. “지능이 케이크라면, 케이크의 몸통은 비지도 학습이고, 케이크 위의 아이싱은 지도 학습이며, 케이크 위의 체리는 강화 학습입니다.”⁵ 2019년에 이르러 그는 “비지도”를 의도적으로 “자기지도”로 고쳤습니다. 데이터가 입력의 일부를 가리고 나머지로 그것을 예측하도록 모델을 훈련시킴으로써 스스로 지도 신호를 제공하는 변형입니다.⁵

이 수정은 겉치레가 아니라 엔진의 이름을 붙이는 일입니다. “비지도”는 레이블의 부재를 서술합니다. “자기지도”는 적극적인 메커니즘을 서술합니다. 관찰된 세상 자체가 자신의 훈련 신호가 된다는 것입니다. 그는 인간과 동물이 아는 것의 압도적 다수를 이렇게 습득한다고 주장합니다. 아무도 우리에게 레이블로 붙여 주지 않는 상식적 물리와 구조 말입니다. 그가 이것을 부르는 표현이 “지능의 암흑 물질”입니다. 지도 학습과 강화 학습이 겨우 장식만 얹는, 레이블 없는 거대한 학습 덩어리를 가리킵니다.⁵ 비율에 관한 그의 판단이 옳다면, AI에서 가장 중요한 연구 문제는 더 큰 레이블 데이터셋이나 더 많은 보상 신호가 아니라 더 나은 자기지도 목적함수, 곧 세상을 지켜보면서 세상을 배우는 방법입니다.

세계 모델과 JEPA: LLM 회의론자의 자리

르쿤의 가장 공개적이고 가장 논쟁적인 입장은 케이크에서 곧바로 따라 나옵니다. 진짜 지능이 대체로 세상의 구조를 자기지도로 학습하는 일이라면, 사람이 쓴 다음 토큰을 예측하도록만 훈련된 시스템은 세계 모델이 아니라 단어 모델을 학습하는 것이고, 그 토대의 한계를 그대로 물려받게 됩니다. 그는 이 점을 직설적으로 말했습니다. 자기회귀 LLM은 인간 수준 AI로 가는 길의 “샛길 출구”이며, 유용하지만 본선은 아니다. “LLM의 규모만 키워서는 인간 수준 AI에 도달하지 못한다.”⁹¹⁰

그가 제안하는 대안은 2022년 입장 논문 “A Path Towards Autonomous Machine Intelligence”에서 소개한 결합 임베딩 예측 아키텍처(Joint Embedding Predictive Architecture, JEPA)입니다.⁶ 핵심은 예측이 어디서 일어나는가입니다. 생성 모델은 빠진 입력을 픽셀 단위로 복원하려 들고, 그래서 예측 불가능한 세부를 모델링하는 데 용량을 낭비합니다. 생성 모델이 손가락 개수 같은 것에서 악명 높게 헤매는 이유가 그것입니다.⁸ JEPA는 대신 추상적인 표현 공간에서 예측하므로, 예측할 수 없는 세부는 무시하고 장면의 구조적이고 엔트로피가 낮은 규칙성에 집중할 자유를 얻습니다.⁶⁸ Meta의 I-JEPA(2023년)가 이 구상 위에 세워진 첫 구체적 이미지 모델이었고, 오픈소스로 공개된 채 나왔습니다.⁸

이 시리즈에서 동료 “대부”와의 대비가 가장 날카로운 대목이 여기입니다. 제프리 힌턴은 같은 튜링상을 공유했고 확신을 붙들고 버틴 외로운 수십 년도 함께 겪었지만, 2023년 이 기술이 위험할 수 있다고 경고하는 쪽으로 돌아섰습니다. 르쿤은 셋 중의 낙관론자입니다. AI의 안전성이 아니라 현재 아키텍처의 천장에 회의적인 사람이지요. 그리고 2025년 11월, 그는 자신의 경력을 걸어 그 확신을 뒷받침했습니다. Meta를 떠나 파리에 Advanced Machine Intelligence(AMI) Labs를 세운 것입니다. 더 큰 언어 모델이 아니라 세계 모델을 중심으로 명시적으로 설계된 스타트업입니다.¹⁰ 대부 둘, 상 하나, 정반대의 메시지. 힌턴은 너무 잘 작동할지도 모르니 속도를 늦추라고 말하고, 르쿤은 이 길이 모두가 생각하는 곳으로 가지 않는다며 다른 길을 가리킵니다.

방법

방법은 수표 판독기에서 세계 모델 스타트업까지 일관됩니다. 문제의 구조가 요구하는 아키텍처를 만들고, 레이블 없이 배울 수 있는 것은 최대한 그렇게 배우게 하고, 그 모든 것을 공개된 자리에서 하는 것입니다.

구조를 아키텍처에 새겨 넣으십시오. 합성곱이 통하는 이유는 이미지에 관한 참인 사실 하나, 즉 이동 불변성을 모델이 처음부터 학습하도록 강요하는 대신 신경망의 배선에 곧바로 구워 넣기 때문입니다. 이 교훈은 일반화됩니다. 문제에 대해 아는 것이 있다면, 데이터가 그것을 가르쳐 주기를 바라지 말고 아키텍처에 직접 넣으십시오.²³

데이터가 스스로의 교사가 되게 하십시오. 레이블은 희소하고 비쌉니다. 날것의 관찰은 넘쳐납니다. 입력의 일부를 가리고 나머지로 예측하는 자기지도 노선이, 시스템이 알아야 할 것의 대부분을 학습시키는 르쿤의 제안입니다. 사람의 감독은 처음이 아니라 마지막에 손을 뻗을 대상입니다.⁵

픽셀 공간이 아니라 표현 공간에서 예측하십시오. 예측할 수 없는 세부를 모델링하는 데 용량을 쓰지 마십시오. JEPA의 핵심 엔지니어링 선택은 추상적 표현을 예측하고 예측 불가능한 것은 의도적으로 버리는 것입니다. 애초에 무엇을 모델링할 가치가 있는가에 관한 규율입니다.⁶⁸

공개하십시오. 열린 논문, 열린 코드, 열린 모델. 과학은 공개된 자리에서 축적되고 비밀 속에서 정체한다는 것이 르쿤의 확신이며, 그는 업계 최대급 연구소 하나를 10년 동안 그 원칙으로 운영했습니다.¹⁸¹⁰

증거가 뒷받침한다면 유행에 어긋나는 입장을 고수하십시오. 그는 AI 겨울을 지나는 동안에도 신경망을 믿었고, 지금은 업계 전체가 자본을 쏟아붓는 LLM이 우회로라고 주장합니다. 과열 주기의 정점에서 목소리를 내는 회의론자가 되기를 마다하지 않는 태도는, 아무도 관심을 두지 않던 시절에 그를 합성곱 곁에 남아 있게 한 바로 그 근육입니다.⁹¹⁰

영향의 사슬

그를 만든 사람들

후쿠시마 구니히코. 후쿠시마의 네오코그니트론(1980년), 즉 피질에서 영감을 받은 층상 구조의 위치 이동에 강한 시각 신경망은 합성곱 신경망의 직계 조상이었습니다. 르쿤은 역전파를 통한 종단 간 학습을 더해, 손으로 조율하던 아키텍처를 스스로 필터를 학습하는 아키텍처로 바꿨습니다. (직접적 영향)

데이비드 허블과 토르스텐 비셀. 노벨상을 받은 두 사람의 시각 피질 신경과학, 즉 국소 특징을 검출하는 단순 세포와 위치를 가로질러 풀링하는 복합 세포는 합성곱과 풀링이 형식화한 생물학적 청사진입니다. 르쿤은 힌턴과 마찬가지로 뇌가 실제로 어떻게 보는지에서 출발해 사고했습니다. (형성기의 영향)

연결주의 역전파 계보. 르쿤은 1987년 학위 논문에서 역전파의 초기 형태를 개발했고, 럼멜하트-힌턴-윌리엄스 연구가 1986년에 유명하게 만든 것과 같은 엔진에 수렴했습니다. 그는 연결주의 프로그램이 극도로 유행에서 밀려나 있던 시기에 그것을 물려받아 확장했습니다. (직접적 영향)

그가 만든 것들

현대 컴퓨터 비전. 의료 영상을 읽고, 자율 주행 인지 스택을 돌리고, 휴대폰 카메라를 움직이는 모든 합성곱 비전 시스템은 구조적으로 LeNet의 후손입니다. 그는 이 분야에 기여한 정도가 아니라, 이 분야의 기초 아키텍처를 공급했습니다.

자기지도로의 전환. 레이블 없는 데이터로부터 배우는 쪽으로 업계 전체가 방향을 튼 흐름, 즉 마스킹 사전학습, 대조 학습, 결합 임베딩 목적함수는 모두 르쿤의 “케이크” 프레임과, 지능의 몸통이 여기에 있다고 10년간 고집한 그의 주장을 곧장 통과합니다.

FAIR 연구자 한 세대. 최대급 공개 산업 연구소를 운영함으로써, 르쿤은 한 세대가 성과를 발표하고 공유하는 방식을 형성했고, 가장 폐쇄적인 최전선 연구소 바깥에 지금 존재하는 공개 모델 생태계의 상당 부분을 씨 뿌렸습니다.

관통하는 선

르쿤은 이 시리즈의 딥러닝 가지에서 컴퓨터 비전의 뿌리이며, 가장 선명한 선은 안드레이 카파시로 이어집니다. 카파시의 작업은 합성곱이 열어젖힌 학습된 시각의 영역 한복판에 놓여 있고, 그의 “Software 2.0” 재정의, 곧 신경망을 데이터로부터 컴파일된 프로그램으로 보는 관점은 손으로 설계한 수표 판독기에서 학습된 수표 판독기로 넘어간 르쿤의 이동을 자연스럽게 일반화한 것입니다. 가장 날카로운 대비는 튜링상 공동 수상자 제프리 힌턴과의 대비입니다. 두 “대부”는 상도, 외로운 수십 년도, 뇌를 닮은 학습에 건 승부도 공유하지만, 지금 이 순간에 대해서는 갈라섭니다. 걱정하는 쪽인 힌턴은 이 기술이 너무 강력할지 모른다고 경고하기 위해 2023년 Google을 떠났고, 낙관하는 쪽인 르쿤은 지배적인 아키텍처가 충분히 강력하지 않다고 주장하며 다른 것을 만들기 위해 2025년 Meta를 떠났습니다. 힌턴이 결과를 두려워하는 자리에서, 르쿤은 경로를 반박합니다. 두 개의 길, 하나의 산. 힌턴은 위험이 실재한다고 믿고, 르쿤은 공개적으로 학습된 세상이 길이라고 믿습니다. (시리즈 연결)

내가 여기서 가져가는 것

르쿤에게서 붙들고 있는 교훈은, 아키텍처가 문제 가운데 이미 확실히 이해한 부분을 직접 짊어져야 한다는 것입니다. 합성곱이 통하는 이유는 10억 개의 예시가 이동 불변성을 가르쳐 주기를 바라는 대신 그것을 신경망에 넣어 버렸기 때문이고, 그것이 바로 제가 시스템을 설계할 때 꺼내 드는 수입니다. 도메인에 대해 참이라고 아는 것이 있으면 운에 맡기지 않고 구조에 새겨 넣습니다. 이는 안목은 기술적 시스템이다라고 보는 태도, 즉 안목을 저절로 나타나기를 바라는 분위기가 아니라 변호할 수 있는 대상으로 다루는 태도와 같은 본능입니다. 아는 제약은 확인 가능한 자리인 설계에 넣지, 결과물이 알아서 잘 굴러가기를 비는 기도에 넣지 않습니다.

더 어려운 교훈은 LLM 회의론입니다. 르쿤은 과열 주기의 절대 정점에 서 있습니다. 업계 전체와 자본과 관심이 언어 모델의 규모 확장을 향해 있는 그 자리에서, 그것이 샛길 출구라고 기록에 남는 방식으로 말합니다. 그가 틀릴 수도 있습니다. 요점은, 반대 의견을 내는 데 비용이 드는 시점에 기꺼이 반대편에 서겠다는 것이고, 그것이 반골 기질이 아니라 표현 공간에서의 예측이라는 구체적인 기술적 논증에 닻을 내리고 있다는 점입니다. 그것은 증거 관문을 합의 자체에 겨눈 것입니다. “다들 흥분해 있으니 이게 길일 것이다”가 아니라 “이 아키텍처가 실제로 무엇을 학습하고 있고, 그것이 우리가 원하는 것인가”를 묻는 것이지요. 그리고 제가 가장 직접적으로 가져가는 부분은 공개성입니다. 누가 옳은지는 작업을 발표하고 그것이 검증받게 함으로써 알아낸다는 확신이지요. 그래서 저는 품질이 유일한 변수라는 원칙과, 이 작업이 존재할 자격이 있는지를 묻는 스티브 테스트를, 그저 주장하는 것이 아니라 검증에 내놓는 무언가로 다룹니다. 르쿤은 자기 경력 전체를, 두 번이나, 세상의 레이블을 외우는 대신 세상을 배우는 쪽에 걸었습니다. 그것도 모두가 볼 수 있는 자리에서 하는 쪽에.

자주 묻는 질문

얀 르쿤의 엔지니어링 철학은 무엇인가요?

세상을 배우되, 공개적으로 하는 것입니다. 르쿤은 지능이 대체로 자기지도적이라고 주장합니다. 기계가 관찰한 것을 예측하며 세상의 구조를 익히고, 사람이 붙인 레이블과 보상 신호는 그 위에 얹힌 얇은 층이라는 것이지요. 이는 자기지도 학습이 몸통, 지도 학습이 아이싱, 강화 학습이 체리인 그의 “케이크” 비유에 담겨 있습니다.⁵ 그는 여기에 공개 연구에 대한 헌신을 짝지웁니다. 논문과 코드와 모델을 공개해 과학이 재현되고 검증받을 수 있게 하는 것입니다.¹⁸ 그의 엔지니어링을 알아보게 하는 특징은 이미 알고 있는 구조를 아키텍처에 직접 새겨 넣는다는 점입니다. 합성곱이 이동 불변성을 시각 신경망에 구워 넣듯이 말이지요.²³

얀 르쿤은 무엇을 발명했고, 그것은 상업적으로 어떻게 쓰였나요?

그는 현대 합성곱 신경망의 주된 발명자입니다. 1989년 벨 연구소에서 그는 역전파를 실용적 과제, 즉 손글씨 우편번호 인식에 처음으로 적용한 사람들 중 하나였고, 그 결과 LeNet 시제품이 나왔습니다. 1998년 논문 “Gradient-Based Learning Applied to Document Recognition”(보투, 벤지오, 하프너와 공저)은 LeNet-5를 기술했습니다.²³ 상업적으로는 NCR이 1996년부터 LeNet 기반 수표 판독기를 배치했고, 2001년에는 이 시스템이 하루 약 2,000만 장의 수표, 즉 미국 전체 수표의 약 10%를 읽는 것으로 추정되었습니다.²

얀 르쿤은 왜 대규모 언어 모델에 회의적인가요?

그가 보기에 자기회귀 LLM은 세상의 모델이 아니라 텍스트의 모델을 학습하며, 따라서 규모 확장만으로는 인간 수준 지능에 도달할 수 없기 때문입니다. 그는 이를 인간 수준 AI로 가는 길의 “샛길 출구”라고 부릅니다.⁹¹⁰ 그가 제안하는 대안은 2022년 논문 “A Path Towards Autonomous Machine Intelligence”에서 나온 결합 임베딩 예측 아키텍처(JEPA)로, 모든 픽셀이나 토큰을 생성하는 대신 추상적 표현 공간에서 예측하고 예측 불가능한 세부는 무시합니다.⁶⁸ 2025년 11월 그는 세계 모델을 직접 추구하기 위해 Meta를 떠나 파리에 AMI Labs를 세웠습니다.¹⁰

얀 르쿤은 튜링상을 받았나요?

받았습니다. 그는 2018년 ACM A.M. 튜링상을 제프리 힌턴, 요슈아 벤지오와 공동 수상했습니다. “딥 신경망을 컴퓨팅의 핵심 구성 요소로 만든 개념적, 공학적 돌파구”에 대한 수상이었고, 세 사람은 “딥러닝의 대부들”로 불립니다.⁴ 르쿤이 인정받은 기여는 합성곱 신경망과, 딥러닝을 실용화한 그의 폭넓은 작업에 집중되어 있습니다. 그는 현재에 대해 힌턴과 공개적으로 갈라섭니다. 2023년 Google을 떠난 힌턴이 AI의 위험을 경고하는 반면, 낙관론자인 르쿤은 오늘날 지배적인 LLM 아키텍처가 인간 수준 지능으로 가는 경로가 아니라고 주장합니다.¹⁰

출처