엔지니어링 철학: 얀 르쿤, 세상을 배우다, 공개적으로

핵심 요점

• 세상을, 대부분 스스로 배우기. 르쿤의 핵심 베팅은, 지능이란 기계가 관찰을 통해 세상이 어떻게 돌아가는지 스스로 학습하는 데서 나온다는 것입니다 — 즉 자기지도학습이며, 사람이 붙인 라벨은 그 위에 얇게 얹히는 고명에 불과합니다. 그 유명한 “케이크” 비유는 이 비율을 문자 그대로 보여줍니다. 대부분은 자기지도학습이고, 위에 바르는 아이싱은 지도학습이며, 맨 위에 올리는 체리는 강화학습입니다.
• 합성곱이 시각을 학습 가능하게 만들었다. Bell Labs에서 그는 손으로 쓴 숫자에 역전파를 적용했고(1989년), 합성곱 신경망 계열인 LeNet을 만들었습니다. LeNet-5(1998년)는 상업적으로 배포되어 2001년 무렵 미국 전체 수표의 약 10%를 읽어내던 바로 그 아키텍처가 되었습니다.
• 공개 연구는 구호가 아니라 방법론이다. Facebook/Meta FAIR의 창립 디렉터(2013년)이자 수석 AI 과학자로서, 그는 발표와 오픈소스화를 기본값으로 삼았습니다 — I-JEPA의 코드와 체크포인트는 논문과 함께 공개되었습니다 — 공개 과학이 비밀주의보다 더 빠르게 복리로 쌓인다는 신념에서였습니다.
• LLM에 대해서는 회의적인 낙관주의자. 힌턴, 벤지오와 함께 2018년 튜링상을 공동 수상한 르쿤은, 자기회귀 언어 모델이 인간 수준 AI로 가는 길에서 “옆길로 빠지는 출구”라고 주장합니다. 그가 말하는 진짜 길은 JEPA 같은 세계 모델을 거쳐 갑니다. 2025년 11월, 그는 바로 그것을 만들기 위해 Meta를 떠났습니다.

원칙

“LLM을 키우는 것만으로는 인간 수준 AI에 도달하지 못할 것입니다” — 그것들은 “세상을 진정으로 이해하는 것이 아니라 그저 텍스트를 예측할 뿐”입니다. — 얀 르쿤, Meta를 떠나며, 2025년¹⁰

이 문장 아래에 깔린 원칙은 LLM 시대보다 오래되었고, 르쿤은 40년 동안 일관되게 이 원칙을 지켜왔습니다. 기계는 사람이 붙인 라벨을 떠먹여 받는 대신, 자신이 관찰한 것을 예측함으로써 세상이 어떻게 돌아가는지를 대부분 스스로 배워야 한다는 것 — 그리고 그렇게 하는 방법에 관한 과학은 공개적으로 이루어져야 한다는 것입니다. 어떤 동물이든 아는 것의 대부분은 선생님 없이 배웁니다. 아기는 누군가 단 하나의 사물에도 이름을 붙여주기 훨씬 전부터, 받쳐주지 않은 물체는 떨어진다는 것을, 가려진 것도 여전히 존재한다는 것을, 세상에는 안정된 구조가 있다는 것을 배웁니다. 르쿤의 베팅은, 바로 이런 종류의 학습 — 가공되지 않고 라벨 없는 고대역폭 감각 입력으로부터 세상의 구조를 흡수하는 것 — 이 지능의 대부분이며, 지도학습과 강화학습은 그 위에 비교적 얇게 얹히는 층에 불과하다는 것입니다.

이것이 그의 가장 자주 인용되는 표현, 즉 케이크의 내용입니다. “지능이 케이크라면, 케이크의 대부분은 자기지도학습이고, 케이크 위의 아이싱은 지도학습이며, 케이크 위의 체리는 강화학습입니다.”⁵ 그는 2016년에 원래 비지도(unsupervised)라고 말했다가 2019년 무렵 의도적으로 자기지도(self-supervised)로 바로잡았습니다 — 이 정밀함이 중요한 이유는, 그것이 메커니즘을 명명하기 때문입니다. 데이터가 스스로 라벨을 공급합니다. 입력의 일부를 가린 뒤 나머지로부터 그것을 예측하게 하면, 세상이 곧 자신의 선생님이 됩니다.⁵ 비유 속의 그 비율이 곧 논증의 전부입니다. 만약 케이크의 대부분이 자기지도학습이라면, 사람이 쓴 다음 토큰을 예측하도록 훈련된, 갈수록 더 큰 시스템에 노력을 쏟아붓는 분야는, 그의 관점에서는 아이싱을 최적화하고 있는 셈입니다.

원칙의 후반부는 공개성입니다. 르쿤은 AI 연구가 발표되고, 재현 가능하며, 오픈소스화될 때 가장 빠르게 발전한다는 믿음 위에 자신의 경력과 연구소를 세웠습니다 — 최전선의 연구를 끌어안고 감추려는 업계의 본능에 거스르는 신념입니다. 두 절반은 서로 연결되어 있습니다. 진짜 지능으로 가는 길이 멀고 불확실하다면, 어느 한 연구소가 혼자서 그 길을 끝까지 걸어갈 수는 없으며, 어떤 아키텍처가 실제로 세상을 학습하는지를 알아낼 유일한 방법은 그것들을 공개해 모두가 검증하도록 하는 것입니다. 세상을 배우되, 공개적으로 — 예측이 엔진이고, 공개성이 방법론입니다.

배경

얀 앙드레 르쿤(Yann André Le Cun)은 1960년 7월 8일 파리 인근 수아지수몽모랑시에서 태어났습니다.¹ 그는 1987년 피에르 마리 퀴리 대학교(현 소르본 대학교의 일부)에서 박사 학위를 받았고, 그의 학위 논문에는 이미 역전파의 초기 형태 — 훗날 이 분야를 정의하게 될 아이디어 — 가 담겨 있었습니다.¹ 그는 연결주의가 존중받기도 전부터 연결주의자였으며, AI의 나머지 분야가 뇌를 닮은 학습망을 외면하던 바로 그 시기에 그 위에서 연구하고 있었습니다.

1988년 그는 AT&T Bell Laboratories에 합류했는데, 이곳은 그의 가장 중대한 엔지니어링이 이루어진 기관입니다.¹ Bell Labs는 그에게 실제 데이터를, 그리고 그저 이론화하는 데 그치지 않고 신경망을 실제로 작동시켜야 할 이유를 주었습니다. 미국 우정공사의 손글씨 숫자, 그다음에는 은행 수표에 적힌 금액이었습니다. 제약은 가혹했습니다 — 숫자를 환각으로 잘못 읽는 수표 판독기는 돈을 손해 보게 합니다 — 그리고 그 제약은, 그림을 구분되지 않은 픽셀 덩어리로 취급하는 대신 이미지의 구조를 진지하게 받아들이는 아키텍처로 그를 떠밀었습니다.

Bell Labs를 떠난 뒤 그는 2003년 NYU에 컴퓨터과학 교수로 옮겼습니다.¹ 그리고 2013년 12월, 마크 저커버그가 그를 채용해 Facebook AI Research(FAIR)를 만들고 이끌게 했고, 그는 회사의 수석 AI 과학자가 되었습니다 — 그는 NYU의 시간제 교수직을 유지하면서 이 자리를 10년 넘게 지켰습니다.¹¹⁰ FAIR는 그 시대 가장 다작한 공개 산업 연구소 중 하나가 되었으며, 이는 과학은 공유되어야 한다는 그의 믿음을 직접적으로 표현한 것이었습니다. 그 재임 기간은 2025년 11월, 그가 자신의 세계 모델 스타트업을 창업하기 위해 떠나면서 끝났습니다 — LLM 베팅의 어느 편에 그가 서 있는지를 가장 분명하게 보여주는 선언이었습니다.¹⁰

작업

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

르쿤 경력의 중심 기술 아이디어는 합성곱 신경망(convolutional neural network)이며, 그것이 왜 중요한지를 가장 분명하게 체감하는 방법은 그것이 작동하는 모습을 지켜보는 것입니다. 모든 픽셀을 모든 뉴런에 연결하는 단순한 신경망은 거대하면서도 구조에 대해 눈먼 상태입니다. 이미지 왼쪽 위에 있는 획이 오른쪽 아래에 있는 똑같은 획과 같은 종류의 것이라는 개념이 전혀 없습니다. 르쿤의 통찰은 — 후쿠시마 쿠니히코의 네오코그니트론(Neocognitron) 위에 쌓고, 뇌의 시각 피질에 뿌리를 둔 것으로 — 작은 필터(커널)를 이미지 위로 미끄러뜨리면서 모든 위치에서 똑같은 소수의 가중치를 계산하게 하여, 신경망이 하나의 특징을 한 번 학습하면 그것을 어디에서나 검출하도록 하는 것이었습니다. 아래 위젯이 바로 그 연산입니다. 가장자리를 검출하는 커널을 고르고, 그것이 숫자 위를 훑는 모습을 지켜보면, 그것이 일치하는 패턴이 나타나는 곳마다 “특징 맵(feature map)”이 켜지는 것을 볼 수 있습니다.

역사는 구체적입니다. 1989년 Bell Labs에서, 르쿤과 동료들은 역전파 알고리즘을 실제 문제 — 미국 우정공사 우편물의 손글씨 우편번호 인식 — 에 처음으로 적용해, 훗날 LeNet-1이 된 시제품을 만들었습니다.² 거의 10년에 걸친 다듬기 끝에 1998년의 기념비적 논문 “Gradient-Based Learning Applied to Document Recognition”이 나왔는데, 르쿤, 레옹 보투, 요슈아 벤지오, 패트릭 아프너가 쓴 이 논문은 LeNet-5를 기술하고, 그래디언트 기반 학습이 문서 인식에서 손으로 설계한 특징 추출기를 대체할 수 있다는 주장을 펼쳤습니다.³

이것은 벤치마크용 흥밋거리가 아니었습니다. NCR은 1996년 6월부터 LeNet 기반 수표 판독기를 상업적으로 배포했고, 2001년 무렵 이 시스템은 하루 약 2천만 장의 수표 — 미국 전체 수표의 약 10% — 를 읽는 것으로 추정되었습니다.² 신경망이 여전히 이 분야의 상당수에게 무시당하던 시점에, 르쿤은 한 나라 수표의 10분의 1을 조용히 읽어내는 신경망을 갖고 있었습니다. 그가 그 문제를 위해 설계한 아키텍처 — 합성곱, 풀링, 위계로 쌓아 올린 학습된 특징 — 는 구조적으로 현대 컴퓨터 비전을 움직이는 바로 그 아이디어입니다.

공개 연구와 FAIR

2013년 르쿤이 FAIR를 만들 때, 그는 기업 연구소로서는 자명하지 않은 선택을 했습니다. 그 연구는 공개될 것이었습니다. 논문을 발표하고, 코드를 공개하고, 모델을 공유한다.¹¹⁰ 그 베팅은, 공개 연구소가 최고의 연구자들(자신의 연구가 보이고 인용되기를 원하는 이들)을 끌어들이고, 분야 전체를 더 빠르게 움직이게 하며 — 부수적으로도 중요하게 — 당신이 만든 것을 세상이 감사하고 개선하도록 만든다는 것이었습니다.

이것은 오픈소스는 보안 경계가 아니다라는 생각의 철학적 사촌입니다. 공개성은 정확성을 보장하지는 않지만, 정확성이 발견되는 메커니즘입니다. 르쿤의 버전은 이를 과학에 적용합니다. 어떤 아키텍처가 실제로 세상의 구조를 학습하는지는 사적으로 그것에 대해 추론하는 것만으로는 알 수 없습니다. 당신은 그것을 발표하고, 다른 이들이 재현하거나 반박하며, 진실은 그 정밀한 검증을 견뎌내고 살아남습니다. 2023년 Meta의 I-JEPA 공개는 이 패턴의 축소판입니다 — 훈련 코드와 모델 체크포인트가 논문과 나란히, 몇 달 뒤도 아니고 영영도 아니게, 함께 공개되었습니다.⁸ 최전선 연구소들이 자신의 최고 작업을 점점 더 영업 비밀처럼 다루는 시대에, 르쿤의 공개적 태도는 지식이 어떻게 복리로 쌓이는지에 관한 의도적이고 역행적인 입장입니다.

자기지도학습: 케이크

르쿤의 아이디어 중 가장 깊은 것은 또한 가장 외우기 쉬운 포장을 가진 것이기도 합니다. 그는 여러 해 동안 이 분야가 지능의 비율을 거꾸로 알고 있다고 주장해 왔고, 음식으로 그 점을 짚었습니다. 2016년 초 NYU의 Future of AI 강연과 그해 NeurIPS 기조연설에서, 그는 케이크 하나를 올려놓았습니다. “지능이 케이크라면, 케이크의 대부분은 비지도학습이고, 케이크 위의 아이싱은 지도학습이며, 케이크 위의 체리는 강화학습입니다.”⁵ 2019년 무렵 그는 “비지도”를 의도적으로 “자기지도”로 고쳐 썼습니다 — 입력의 일부를 숨기고 나머지로부터 그것을 예측하도록 모델을 훈련함으로써 데이터가 스스로 지도를 제공하는 변형입니다.⁵

그 수정은 겉치레가 아니라 엔진을 명명하는 것입니다. “비지도”는 라벨의 부재를 기술합니다. “자기지도”는 적극적인 메커니즘을 기술합니다. 관찰된 세상이 스스로의 훈련 신호가 되는 것입니다. 이것이, 그가 주장하기로, 인간과 동물이 자신이 아는 것의 압도적 대부분을 습득하는 방식입니다 — 아무도 우리에게 라벨로 붙여주지 않는 상식적 물리와 구조 말입니다. 그가 그것을 부르는 표현은 “지능의 암흑 물질(dark matter of intelligence)”입니다. 지도학습과 강화학습 방법이 그저 장식만 할 뿐인, 방대하고 라벨 없는 학습의 덩어리입니다.⁵ 만약 그가 비율에 대해 옳다면, AI에서 가장 중요한 연구 문제는 더 큰 라벨 데이터셋이나 더 많은 보상 신호가 아니라, 더 나은 자기지도 목적함수 — 세상을 지켜봄으로써 세상을 배우는 것 — 입니다.

세계 모델과 JEPA: LLM 회의주의자의 입장

르쿤의 가장 공개적이고 가장 논쟁적인 입장은 케이크로부터 곧장 따라 나옵니다. 만약 진짜 지능이 대부분 세상의 구조에 대한 자기지도학습이라면, 사람이 쓴 다음 토큰을 예측하도록 순전히 훈련된 시스템은 세계(world) 모델이 아니라 단어(word) 모델을 학습하고 있는 것이며 — 그 바탕의 한계를 물려받을 것입니다. 그는 이를 단도직입적으로 말했습니다. 자기회귀 LLM은 인간 수준 AI로 가는 길에서 “옆길로 빠지는 출구”이며, 유용하지만 그 길 자체는 아니라고. “LLM을 키우는 것만으로는 인간 수준 AI에 도달하지 못할 것”이라고.⁹¹⁰

그가 제안한 대안은 결합 임베딩 예측 아키텍처(Joint Embedding Predictive Architecture, JEPA)로, 2022년 그의 입장 논문 “A Path Towards Autonomous Machine Intelligence”에서 소개되었습니다.⁶ 핵심 수는 예측이 어디에서 일어나는가입니다. 생성 모델은 빠진 입력을 픽셀 단위로 재구성하려 하고, 그래서 예측 불가능한 디테일을 모델링하는 데 용량을 낭비합니다 — 생성 모델이 손가락의 정확한 개수 같은 것에 악명 높게 쩔쩔매는 이유가 바로 이것입니다.⁸ JEPA는 그 대신 추상적인 표현(representation) 공간에서 예측하며, 예측 불가능한 디테일은 무시하고 장면의 구조적이고 저엔트로피인 규칙성에 집중할 자유를 갖습니다.⁶⁸ Meta의 I-JEPA(2023년)는 이 비전 위에 세워진 첫 구체적 이미지 모델이었고, 공개로 출시되었습니다.⁸

같은 “대부(godfather)”인 동료와의 대조는 이 시리즈에서 가장 날카롭습니다. 제프리 힌턴은 같은 튜링상과 같은 외로운 수십 년의 신념을 공유했으나, 2023년에 이르러 이 기술이 위험할 수 있다고 경고하는 쪽으로 돌아섰습니다. 르쿤은 셋 중 낙관주의자입니다 — AI의 안전성에 대해서가 아니라 현재 아키텍처의 천장에 대해 회의적인 것입니다 — 그리고 2025년 11월, 그는 그 신념에 자신의 경력을 걸어, Meta를 떠나 파리에 Advanced Machine Intelligence(AMI) Labs를 창업했습니다. 더 큰 언어 모델이 아니라 세계 모델을 중심으로 명시적으로 세워진 스타트업입니다.¹⁰ 두 대부, 하나의 상, 정반대의 메시지. 힌턴은 너무 잘 작동할지 모르니 속도를 늦추라고 말하고, 르쿤은 이 특정한 길은 모두가 생각하는 곳으로 가지 않는다고 말하며 다른 길을 가리킵니다.

방법론

방법론은 수표 판독기에서 세계 모델 스타트업에 이르기까지 일관됩니다. 문제의 구조가 요구하는 아키텍처를 만들고, 라벨 없이 가능한 한 많이 배우며, 그것을 공개적으로 하라.

구조를 아키텍처 안에 새겨 넣어라. 합성곱이 작동하는 이유는, 이미지에 관한 참인 사실 — 이동 불변성(translation invariance) — 을 모델이 처음부터 학습하도록 강요하는 대신 신경망의 배선에 직접 구워 넣기 때문입니다. 그 교훈은 일반화됩니다. 문제에 대해 무언가를 알고 있다면, 데이터가 그것을 가르쳐 주기를 바라기보다 그것을 아키텍처 안에 세워 넣으십시오.²³

데이터를 스스로의 선생님으로 만들어라. 라벨은 희소하고 비쌉니다. 가공되지 않은 관찰은 풍부합니다. 자기지도의 입장 — 입력의 일부를 가린 뒤 나머지로부터 그것을 예측하기 — 은 르쿤이 시스템이 알아야 할 것의 대부분을 학습하자고 제안하는 방식입니다. 사람의 지도는 먼저가 아니라 맨 마지막에 손을 뻗으십시오.⁵

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

그것을 발표하라. 공개된 논문, 공개된 코드, 공개된 모델. 르쿤의 신념은 과학이 공개 속에서는 복리로 쌓이고 비밀 속에서는 멈춘다는 것이며, 그는 업계 최대 규모의 연구소 중 하나를 10년 동안 그 원칙 위에서 운영했습니다.¹⁸¹⁰

증거가 뒷받침할 때 유행하지 않는 입장을 견지하라. 그는 신경망의 겨울 내내 그것을 믿었고, 이제는 업계 전체가 LLM에 자본을 쏟아붓는 와중에 그것이 우회로라고 주장합니다. 과대광고 사이클의 정점에서 큰 목소리로 회의주의자가 되려는 의지는, 아무도 신경 쓰지 않을 때 그를 합성곱에 머물게 한 바로 그 근육입니다.⁹¹⁰

영향의 사슬

그를 빚어낸 사람들

후쿠시마 쿠니히코. 후쿠시마의 네오코그니트론(1980년) — 피질에서 영감을 받은, 층으로 이루어지고 이동에 관대한 시각 신경망 — 은 합성곱 신경망의 직계 조상이었습니다. 르쿤은 역전파에 의한 엔드투엔드 학습을 더해, 손으로 조율하던 아키텍처를 스스로 필터를 학습하는 것으로 바꿔놓았습니다. (직접적 영향)

데이비드 휴벨과 토르스텐 비셀. 노벨상을 받은 그들의 시각 피질 신경과학 — 국소적 특징을 검출하는 단순 세포, 위치에 걸쳐 풀링하는 복합 세포 — 은 합성곱과 풀링이 형식화한 생물학적 청사진입니다. 르쿤은 힌턴과 마찬가지로 뇌가 실제로 어떻게 보는지로부터 추론했습니다. (형성기의 영향)

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

그가 빚어낸 것들

현대 컴퓨터 비전. 모든 합성곱 비전 시스템 — 의료 스캔을 읽고, 인지 스택을 구동하며, 휴대폰 카메라를 움직이는 것들 — 은 구조적으로 LeNet에서 내려옵니다. 그는 단지 이 분야에 기여한 것이 아니라, 그 기초가 되는 아키텍처를 공급했습니다.

자기지도로의 전환. 라벨 없는 데이터로부터 학습하는 쪽으로 향한 업계 전반의 선회 — 마스킹 사전훈련, 대조 학습 방법, 결합 임베딩 목적함수 — 는 르쿤의 “케이크” 프레이밍과, 바로 여기에 지능의 대부분이 깃들어 있다고 10년간 고집한 그의 주장을 곧장 관통합니다.

한 세대의 FAIR 연구자들. 가장 큰 공개 산업 연구소 중 하나를 운영함으로써, 르쿤은 한 세대가 연구를 발표하고 공유하는 방식을 빚어냈고, 오늘날 가장 비밀스러운 최전선 연구소 바깥에 존재하는 공개 모델 생태계의 상당 부분을 심었습니다.

관통선

르쿤은 이 시리즈의 딥러닝 갈래에서 컴퓨터 비전의 뿌리이며, 가장 분명한 선은 안드레이 카파시에게로 앞으로 뻗습니다. 그의 작업은 합성곱이 열어젖힌 학습된 시각의 영역 한가운데에 자리하며 — 그의 “Software 2.0” 재정의(데이터로부터 컴파일된 프로그램으로서의 신경망)는 손으로 설계한 수표 판독기에서 학습된 것으로 옮겨간 르쿤의 수를 자연스럽게 일반화한 것입니다. 가장 날카로운 대조는 그의 튜링상 공동 수상자 제프리 힌턴과의 것입니다. 두 “대부”는 그 상을, 외로운 수십 년을, 그리고 뇌를 닮은 학습에 대한 베팅을 공유하지만, 현재 이 순간에서는 갈라집니다. 걱정하는 쪽인 힌턴은 2023년 Google을 떠나 이것이 너무 강력해질 수 있다고 경고했고, 낙관주의자 르쿤은 2025년 Meta를 떠나 지배적 아키텍처가 충분히 강력하지 않다고 주장하며 다른 것을 만들고 있습니다. 힌턴이 결과를 두려워하는 곳에서, 르쿤은 경로를 반박합니다. 두 갈래의 길, 하나의 산. 힌턴은 위험이 진짜라고 믿고, 르쿤은 공개적으로 배운 세상이 곧 길이라고 믿습니다. (시리즈 다리)

내가 여기서 얻는 것

내가 르쿤에게서 간직하는 교훈은, 아키텍처가 당신이 실제로 이해하는 문제의 부분을 담아내야 한다는 것입니다. 합성곱이 작동하는 이유는, 10억 개의 예시가 이동 불변성을 가르쳐 주기를 바라는 대신 그것을 신경망 안에 세워 넣기 때문입니다 — 그리고 그것은 내가 시스템을 설계할 때 손을 뻗는 바로 그 수입니다. 도메인에 관해 무언가가 참이라는 것을 알 때, 나는 그것을 운에 맡기는 대신 구조 안에 새겨 넣습니다. 이는 취향을 방어할 수 있는 기술적 시스템으로 다루는 것 — 떠오르기를 바라는 분위기가 아니라 — 과 같은 본능입니다. 알려진 제약을, 출력이 잘 작동하기를 비는 기도가 아니라, 검증할 수 있는 설계 속에 넣는 것입니다.

더 어려운 교훈은 LLM 회의주의입니다. 르쿤은 과대광고 사이클의 절대적 정점에 서 있습니다 — 업계 전체, 자본, 관심이 모두 언어 모델을 키우는 쪽을 가리키는 가운데 — 그리고 공개적으로, 그것이 옆길로 빠지는 출구라고 말합니다. 그가 틀렸을 수도 있습니다. 요점은, 반대가 비싼 대가를 치를 때 그가 기꺼이 반대의 목소리가 되려 한다는 것이며, 그것이 역행적 본능이 아니라 표현 공간에서의 예측에 관한 구체적인 기술적 논증에 닻을 내리고 있다는 것입니다. 그것은 증거 관문을 합의 그 자체에 겨눈 것입니다. “모두가 들떠 있으니 분명 이게 길일 것”이 아니라, “이 아키텍처가 실제로 무엇을 학습하고 있으며, 그것이 우리가 원하는 것인가?”입니다. 그리고 내가 가장 직접적으로 받아들이는 부분은 공개성입니다 — 누가 옳은지는 그 작업을 발표하고 검증받게 함으로써 알아낸다는 신념이며, 이것이 내가 품질을 유일한 변수로 다루고, 그 작업이 존재할 자격이 있는지를 묻는 스티브 테스트를 주장하는 무언가가 아니라 정밀한 검증에 내맡기는 무언가로 다루는 이유입니다. 르쿤은 자신의 경력 전체를, 두 번이나, 라벨을 암기하는 것이 아니라 세상을 배우는 데 — 그리고 그것을 모두가 볼 수 있는 곳에서 하는 데 — 걸었습니다.

FAQ

얀 르쿤의 엔지니어링 철학은 무엇입니까?

세상을, 공개적으로 배우는 것입니다. 르쿤은 지능이 대부분 자기지도적이라고 주장합니다 — 기계가 자신이 관찰한 것을 예측함으로써 세상의 구조를 학습하고, 사람이 붙인 라벨과 보상 신호는 그 위에 얇은 층으로 얹힌다는 것입니다. 이는 자기지도학습이 대부분이고, 지도학습이 아이싱이며, 강화학습이 체리인 그의 “케이크” 비유에 담겨 있습니다.⁵ 그는 이것을 공개 연구에 대한 헌신과 짝지웁니다. 과학이 재현되고 검증될 수 있도록 논문, 코드, 모델을 발표하는 것입니다.¹⁸ 그의 엔지니어링 서명은 알려진 구조를 아키텍처 안에 직접 새겨 넣는 것입니다 — 합성곱이 이동 불변성을 비전 신경망에 구워 넣듯이.²³

얀 르쿤은 무엇을 발명했고, 그것은 상업적으로 어떻게 쓰였습니까?

그는 현대 합성곱 신경망의 주된 발명자입니다. 1989년 Bell Labs에서 그는 역전파를 실제 과제 — 손글씨 우편번호 인식 — 에 처음으로 적용한 이들 중 하나로서 LeNet 시제품을 만들었고, 1998년 논문 “Gradient-Based Learning Applied to Document Recognition”(보투, 벤지오, 아프너와 공저)은 LeNet-5를 기술했습니다.²³ 상업적으로, NCR은 1996년부터 LeNet 기반 수표 판독기를 배포했고, 2001년 무렵 이 시스템은 하루 약 2천만 장의 수표 — 미국 전체 수표의 약 10% — 를 읽는 것으로 추정되었습니다.²

얀 르쿤은 왜 대규모 언어 모델에 회의적입니까?

그의 관점에서 자기회귀 LLM은 세계의 모델이 아니라 텍스트의 모델을 학습하며, 그래서 규모만 키워서는 인간 수준 지능에 도달할 수 없기 때문입니다 — 그는 그것들을 인간 수준 AI로 가는 길에서 “옆길로 빠지는 출구”라고 부릅니다.⁹¹⁰ 그가 제안한 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 디테일은 무시합니다.⁶⁸ 2025년 11월, 그는 세계 모델을 직접 추구하기 위해 Meta를 떠나 파리에 AMI Labs를 창업했습니다.¹⁰

얀 르쿤은 튜링상을 받았습니까?

네. 그는 제프리 힌턴, 요슈아 벤지오와 함께 2018년 ACM A.M. 튜링상을 공동 수상했습니다 — “딥 신경망을 컴퓨팅의 핵심 구성 요소로 만든 개념적·공학적 돌파에 대하여” — 세 명의 “딥러닝의 대부들”입니다.⁴ 르쿤의 인정받은 기여는 합성곱 신경망과 딥러닝을 실용적으로 만든 그의 폭넓은 작업을 중심으로 합니다. 그는 현재에 관해서는 힌턴과 공개적으로 다릅니다. (2023년 Google을 떠난) 힌턴이 AI의 위험을 경고하는 반면, 르쿤은 오늘날의 지배적 LLM 아키텍처가 인간 수준 지능으로 가는 경로가 아니라고 주장하는 낙관주의자입니다.¹⁰

출처