Filozofia inżynierska: Yann LeCun, otwarte uczenie się świata

Najważniejsze wnioski

• Uczenie się świata, w znacznej mierze samodzielne. Podstawowy zakład LeCuna brzmi tak: inteligencja bierze się stąd, że maszyna uczy się działania świata przez obserwację – czyli z uczenia samonadzorowanego – a ludzkie etykiety są na tym zaledwie cienką posypką. Słynna analogia „tortu” wyraża te proporcje dosłownie: zasadniczą masą jest uczenie samonadzorowane, lukrem – uczenie nadzorowane, a wisienką – uczenie ze wzmocnieniem.
• Splot sprawił, że maszyna mogła nauczyć się widzieć. W Bell Labs zastosował propagację wsteczną do odręcznie pisanych cyfr (1989) i zbudował rodzinę splotowych sieci neuronowych LeNet; LeNet-5 (1998) stała się architekturą, która – wdrożona komercyjnie – do 2001 roku odczytywała mniej więcej 10% wszystkich czeków w Stanach Zjednoczonych.
• Otwarte badania to metoda, nie hasło. Jako dyrektor założyciel laboratorium FAIR Facebooka/Meta (2013) i główny naukowiec ds. AI uczynił publikowanie i otwieranie kodu domyślną praktyką – kod oraz punkty kontrolne I-JEPA ukazały się razem z artykułem – w przekonaniu, że otwarta nauka kumuluje się szybciej niż tajemnica.
• Optymista, który jest sceptykiem wobec modeli LLM. LeCun, współlaureat Nagrody Turinga za 2018 rok obok Hintona i Bengio, twierdzi, że autoregresyjne modele językowe to „zjazd z drogi” wiodącej do AI na poziomie człowieka; sama droga, jak mówi, biegnie przez modele świata w rodzaju JEPA. W listopadzie 2025 roku odszedł z Mety, by budować dokładnie to.

Zasada

„Nie osiągniemy AI na poziomie człowieka samym skalowaniem modeli LLM” – one „po prostu przewidują tekst, zamiast naprawdę rozumieć świat”. – Yann LeCun, o odejściu z Mety, 2025¹⁰

Zasada kryjąca się pod tym zdaniem jest starsza niż era modeli LLM, a LeCun trzyma się jej konsekwentnie od czterdziestu lat: maszyna powinna uczyć się działania świata głównie sama, przewidując to, co obserwuje, zamiast być karmiona ludzkimi etykietami łyżeczką – a nauka o tym, jak to robić, powinna toczyć się jawnie. Większości tego, co wie jakiekolwiek zwierzę, uczy się ono bez nauczyciela. Niemowlę uczy się, że niepodparte przedmioty spadają, że zasłonięte rzeczy nadal istnieją, że świat ma trwałą strukturę – na długo zanim ktokolwiek cokolwiek mu nazwie. Zakład LeCuna polega na tym, że właśnie ten rodzaj uczenia się – przyswajanie struktury świata z surowych, nieoznaczonych, gęstych danych zmysłowych – stanowi zasadniczą masę inteligencji, uczenie nadzorowane zaś i uczenie ze wzmocnieniem są przy nim stosunkowo cienkimi warstwami.

Taka jest treść jego najczęściej cytowanego zdania – tego o torcie: „Jeśli inteligencja jest tortem, to zasadniczą masą tortu jest uczenie samonadzorowane, lukrem na torcie – uczenie nadzorowane, a wisienką na torcie – uczenie ze wzmocnieniem”.⁵ W 2016 roku mówił pierwotnie o uczeniu nienadzorowanym i do 2019 roku celowo poprawił to na samonadzorowane – precyzja nie bez znaczenia, nazywa bowiem mechanizm: dane dostarczają własnych etykiet. Maskuje się część wejścia i przewiduje ją z reszty; świat jest własnym nauczycielem.⁵ Cały argument tkwi w proporcjach tej analogii. Jeśli tort jest w przeważającej mierze samonadzorowany, to dziedzina, która cały swój wysiłek wkłada w coraz większe systemy trenowane do przewidywania kolejnego napisanego przez człowieka tokena, optymalizuje – jego zdaniem – lukier.

Drugą połową zasady jest otwartość. LeCun zbudował swoją karierę i swoje laboratorium na przekonaniu, że badania nad AI posuwają się najszybciej wtedy, gdy są publikowane, odtwarzalne i mają otwarty kod – na przekonaniu, które kłóci się z branżowym odruchem chomikowania czołowych prac. Obie połowy łączą się ze sobą: jeśli droga do prawdziwej inteligencji jest długa i niepewna, żadne pojedyncze laboratorium nie przejdzie jej samo, a jedynym sposobem, by ustalić, które architektury faktycznie uczą się świata, jest udostępnić je jawnie i pozwolić wszystkim je sprawdzić. Uczenie się świata, jawnie – przewidywanie jako silnik, otwartość jako metoda.

Kontekst

Yann André Le Cun urodził się 8 lipca 1960 roku w Soisy-sous-Montmorency pod Paryżem.¹ Doktorat uzyskał na Uniwersytecie Pierre’a i Marii Curie (dziś części Uniwersytetu Sorbony) w 1987 roku, a jego rozprawa zawierała już wczesną postać propagacji wstecznej – idei, która miała zdefiniować całą dziedzinę.¹ Był koneksjonistą, zanim koneksjonizm stał się szanowany: pracował nad sieciami uczącymi się na wzór mózgu dokładnie wtedy, gdy reszta środowiska AI zdążyła je już spisać na straty.

W 1988 roku dołączył do AT&T Bell Laboratories – instytucji, w której powstała jego najdonioślejsza praca inżynierska.¹ Bell Labs dały mu prawdziwe dane i powód, by sieci naprawdę działały, a nie były jedynie przedmiotem teorii: odręcznie pisane cyfry z amerykańskiej poczty, a potem kwoty wypisywane na czekach bankowych. Ograniczenie było bezlitosne – czytnik czeków, który zmyśli cyfrę, kosztuje pieniądze – i popchnęło go ku architekturze, która poważnie traktuje strukturę obrazu, zamiast widzieć w nim niezróżnicowany worek pikseli.

Po Bell Labs przeniósł się w 2003 roku na Uniwersytet Nowojorski (NYU) jako profesor informatyki.¹ Następnie, w grudniu 2013 roku, Mark Zuckerberg zatrudnił go, by zbudował i poprowadził Facebook AI Research (FAIR); został wtedy głównym naukowcem firmy ds. AI – stanowisko to piastował przez ponad dekadę, pozostając jednocześnie profesorem NYU w niepełnym wymiarze.¹¹⁰ FAIR stało się jednym z najbardziej płodnych otwartych przemysłowych laboratoriów badawczych tamtej epoki, co było bezpośrednim wyrazem jego przekonania, że nauką należy się dzielić. Ta kadencja zakończyła się w listopadzie 2025 roku, gdy odszedł, by założyć własny startup zajmujący się modelami świata – najwyraźniejsza możliwa deklaracja tego, po której stronie zakładu o modele LLM stoi.¹⁰

Dzieło

Sieci splotowe i LeNet: czytanie czeków całego świata (1989-1998)

Centralną ideą techniczną w karierze LeCuna jest splotowa sieć neuronowa, a najczystszym sposobem, by poczuć, dlaczego to ważne, jest zobaczyć ją w działaniu. Naiwna sieć łącząca każdy piksel z każdym neuronem jest zarazem ogromna i ślepa na strukturę: nie ma pojęcia, że kreska w lewym górnym rogu obrazu jest tym samym co identyczna kreska w prawym dolnym. Kluczowe spostrzeżenie LeCuna – oparte na Neocognitronie Kunihiko Fukushimy i osadzone w budowie kory wzrokowej – polegało na przesuwaniu małego filtra (jądra) po obrazie i obliczaniu tej samej garstki wag w każdym położeniu, dzięki czemu sieć uczy się danej cechy raz, a wykrywa ją wszędzie.⁷ Poniższy element interaktywny to dokładnie ta operacja: wystarczy wybrać jądro wykrywające krawędzie, przyjrzeć się, jak omiata cyfrę, i zobaczyć, jak „mapa cech” rozświetla się wszędzie tam, gdzie pojawia się dopasowywany wzorzec.

Historia jest konkretna. W 1989 roku w Bell Labs LeCun wraz ze współpracownikami jako pierwsi zastosowali algorytm propagacji wstecznej do praktycznego problemu – rozpoznawania odręcznie pisanych kodów pocztowych z przesyłek amerykańskiej poczty – tworząc prototyp, z którego powstał LeNet-1.² Niemal dekada udoskonaleń doprowadziła do przełomowego artykułu z 1998 roku, “Gradient-Based Learning Applied to Document Recognition” autorstwa LeCuna, Léona Bottou, Yoshui Bengio i Patricka Haffnera, który opisał sieć LeNet-5 i dowodził, że uczenie oparte na gradiencie może zastąpić ręcznie konstruowane ekstraktory cech w rozpoznawaniu dokumentów.³

Nie była to ciekawostka z rankingów testowych. NCR wdrożyła komercyjnie czytniki czeków oparte na LeNet już w czerwcu 1996 roku, a do 2001 roku szacowano, że system odczytuje około 20 milionów czeków dziennie – mniej więcej 10% wszystkich czeków w Stanach Zjednoczonych.² W chwili, gdy znaczna część środowiska wciąż lekceważyła sieci neuronowe, LeCun miał taką, która po cichu odczytywała jedną dziesiątą czeków całego kraju. Architektura, którą zaprojektował do tego zadania – splot, łączenie (pooling), wyuczone cechy spiętrzone w hierarchię – jest strukturalnie tą samą ideą, która napędza dzisiejsze widzenie komputerowe.

Otwarte badania i FAIR

Budując FAIR w 2013 roku, LeCun podjął decyzję nieoczywistą dla korporacyjnego laboratorium: praca miała być otwarta. Publikować artykuły, udostępniać kod, dzielić się modelami.¹¹⁰ Zakład polegał na tym, że otwarte laboratorium przyciąga najlepszych badaczy (którzy chcą, by ich pracę widziano i cytowano), przyspiesza całą dziedzinę oraz – nieprzypadkowo – pozwala światu sprawdzać i ulepszać to, co się buduje.

To filozoficzny kuzyn tezy o tym, dlaczego otwarty kod nie jest granicą bezpieczeństwa: otwartość nie gwarantuje poprawności, jest natomiast mechanizmem, dzięki któremu poprawność zostaje odnaleziona. Wersja LeCuna odnosi to do nauki. Nie da się ustalić w zaciszu własnego laboratorium, które architektury naprawdę uczą się struktury świata; publikuje się je, inni je odtwarzają albo obalają, a prawda tę próbę przetrwa. Udostępnienie I-JEPA przez Metę w 2023 roku to ten sam wzorzec w miniaturze – kod treningowy i punkty kontrolne modelu ukazały się razem z artykułem, nie miesiące później i nie nigdy.⁸ W epoce, gdy czołowe laboratoria coraz częściej traktują swoje najlepsze prace jak tajemnicę handlową, otwarta postawa LeCuna jest świadomym stanowiskiem wbrew nurtowi – stanowiskiem w sprawie tego, jak kumuluje się wiedza.

Uczenie samonadzorowane: tort

Najgłębsza z idei LeCuna ma zarazem najbardziej chwytliwe opakowanie. Od lat dowodzi, że dziedzina ma odwrócone proporcje inteligencji, i zobrazował to jedzeniem. Podczas wykładu na sympozjum “Future of AI” na NYU na początku 2016 roku oraz w wykładzie plenarnym na NeurIPS w tym samym roku pokazał tort: „Jeśli inteligencja jest tortem, to zasadniczą masą tortu jest uczenie nienadzorowane, lukrem na torcie – uczenie nadzorowane, a wisienką na torcie – uczenie ze wzmocnieniem”.⁵ Do 2019 roku celowo zmienił „nienadzorowane” na „samonadzorowane” – wariant, w którym dane same dostarczają nadzoru: ukrywa się część wejścia i trenuje model, by przewidywał ją z reszty.⁵

Ta zmiana nie jest kosmetyczna; ona nazywa silnik. „Nienadzorowane” opisuje brak etykiet. „Samonadzorowane” opisuje mechanizm pozytywny: świat, gdy się go obserwuje, staje się własnym sygnałem treningowym. Właśnie tak, dowodzi LeCun, ludzie i zwierzęta zdobywają przytłaczającą większość tego, co wiedzą – zdroworozsądkową fizykę i strukturę, których nikt nam nie nazywa. Jego określenie na to brzmi „ciemna materia inteligencji”: ogromna, nieoznaczona masa uczenia się, którą metody nadzorowane i te ze wzmocnieniem jedynie dekorują.⁵ Jeśli ma rację co do proporcji, to najważniejszym problemem badawczym w AI nie są większe oznaczone zbiory danych ani więcej sygnałów nagrody, lecz lepsze cele samonadzorowane – uczenie się świata przez przyglądanie się mu.

Modele świata i JEPA: sceptycyzm wobec modeli LLM

Najbardziej publiczne i najbardziej kwestionowane stanowisko LeCuna wynika wprost z tortu. Jeśli prawdziwa inteligencja jest przede wszystkim samonadzorowanym uczeniem się struktury świata, to system trenowany wyłącznie do przewidywania kolejnego napisanego przez człowieka tokena uczy się modelu słów, a nie modelu świata – i odziedziczy ograniczenia tego podłoża. Powiedział to bez ogródek: autoregresyjne modele LLM są „zjazdem z drogi” wiodącej do AI na poziomie człowieka, użytecznym, lecz nie samą trasą; „nie osiągniemy AI na poziomie człowieka samym skalowaniem modeli LLM”.⁹¹⁰

Proponowaną przez niego alternatywą jest predykcyjna architektura wspólnego zanurzenia (Joint Embedding Predictive Architecture, JEPA), przedstawiona w artykule stanowiskowym z 2022 roku “A Path Towards Autonomous Machine Intelligence”.⁶ Kluczowy ruch dotyczy tego, gdzie zachodzi przewidywanie. Model generatywny próbuje odtworzyć brakujące wejście piksel po pikselu, a przez to marnuje moc na modelowanie nieprzewidywalnych detali – dlatego właśnie modele generatywne notorycznie potykają się o rzeczy takie jak dokładna liczba palców u dłoni.⁸ JEPA przewiduje natomiast w abstrakcyjnej przestrzeni reprezentacji, może więc swobodnie pominąć detale, których przewidzieć się nie da, i skupić się na strukturalnych, niskoentropowych prawidłowościach sceny.⁶⁸ I-JEPA firmy Meta (2023) był pierwszym konkretnym modelem obrazu zbudowanym na tej wizji – i ukazał się jako otwarty.⁸

Kontrast z drugim „ojcem chrzestnym” jest najostrzejszy w całej serii. Geoffrey Hinton dzielił z nim tę samą Nagrodę Turinga i te same samotne dekady przekonania, a potem, w 2023 roku, zaczął ostrzegać, że technologia może być niebezpieczna. LeCun jest optymistą tej trójki – sceptycznym nie wobec bezpieczeństwa AI, lecz wobec pułapu obecnej architektury – i w listopadzie 2025 roku poparł to przekonanie własną karierą, odchodząc z Mety, by założyć w Paryżu Advanced Machine Intelligence (AMI) Labs, startup zbudowany wprost wokół modeli świata, a nie coraz większych modeli językowych.¹⁰ Dwóch ojców chrzestnych, jedna nagroda, przeciwstawne przesłania: Hinton mówi, żeby zwolnić, bo to może zadziałać zbyt dobrze; LeCun mówi, że akurat ta droga nie prowadzi tam, gdzie wszyscy sądzą, i wskazuje inną.

Metoda

Metoda jest spójna od czytników czeków po startup od modeli świata: budować architekturę, której domaga się struktura problemu, uczyć się bez etykiet tak dużo, jak to możliwe, i robić to jawnie.

Zakodować strukturę w architekturze. Splot działa, ponieważ wpieka prawdziwy fakt o obrazach – niezmienność względem przesunięcia – wprost w okablowanie sieci, zamiast zmuszać model, by uczył się go od zera. Lekcja się uogólnia: gdy wiadomo coś o problemie, należy wbudować to w architekturę, a nie liczyć, że nauczą tego dane.²³

Uczynić dane własnym nauczycielem. Etykiety są rzadkie i kosztowne; surowa obserwacja jest obfita. Postawa samonadzorowana – zamaskować część wejścia, przewidzieć ją z reszty – to sposób, w jaki LeCun proponuje nauczyć się zasadniczej masy tego, co system musi wiedzieć. Po ludzki nadzór warto sięgać na końcu, nie na początku.⁵

Przewidywać w przestrzeni reprezentacji, nie w przestrzeni pikseli. Nie warto wydawać mocy na modelowanie detalu, którego i tak nie da się przewidzieć. Centralnym wyborem inżynierskim JEPA jest przewidywanie abstrakcyjnych reprezentacji i celowe odrzucanie tego, co nieprzewidywalne – to dyscyplina dotycząca tego, co w ogóle warto modelować.⁶⁸

Publikować. Otwarte artykuły, otwarty kod, otwarte modele. LeCun jest przekonany, że nauka kumuluje się jawnie, a w tajemnicy więdnie, i przez dekadę prowadził zgodnie z tą zasadą jedno z największych laboratoriów w branży.¹⁸¹⁰

Bronić niemodnego stanowiska, gdy stoją za nim dowody. Wierzył w sieci neuronowe przez całe ich zimy, a dziś utrzymuje, że modele LLM są objazdem, podczas gdy cała branża wlewa w nie kapitał. Gotowość, by być głośnym sceptykiem u szczytu cyklu szumu, to ten sam odruch, który trzymał go przy splocie wtedy, gdy nikogo to nie obchodziło.⁹¹⁰

Łańcuch wpływów

Kto go ukształtował

Kunihiko Fukushima. Neocognitron Fukushimy (1980) – warstwowa, odporna na przesunięcia sieć wzrokowa inspirowana korą mózgową – był bezpośrednim przodkiem sieci splotowej. LeCun dodał uczenie typu end-to-end za pomocą propagacji wstecznej, przekształcając architekturę strojoną ręcznie w taką, która uczy się własnych filtrów. (Wpływ bezpośredni)

David Hubel i Torsten Wiesel. Ich uhonorowana Nagrodą Nobla neuronauka kory wzrokowej – komórki proste wykrywające cechy lokalne, komórki złożone łączące odpowiedzi w obrębie położenia – jest biologicznym planem, który splot i łączenie formalizują. LeCun, podobnie jak Hinton, rozumował na podstawie tego, jak mózgi faktycznie widzą. (Wpływ formacyjny)

Koneksjonistyczna linia propagacji wstecznej. LeCun opracował wczesną postać propagacji wstecznej w rozprawie z 1987 roku, dochodząc do tego samego silnika, który praca Rumelharta, Hintona i Williamsa rozsławiła w 1986 roku. Odziedziczył i rozwinął program koneksjonistyczny wtedy, gdy był on głęboko niemodny. (Wpływ bezpośredni)

Kogo ukształtował

Współczesne widzenie komputerowe. Każdy splotowy system widzenia – te odczytujące skany medyczne, te napędzające stosy percepcyjne w prowadzeniu pojazdów, te w aparatach telefonów – pochodzi strukturalnie od LeNet. LeCun nie tylko wniósł wkład w dziedzinę; dostarczył jej fundamentalnej architektury.

Zwrot ku samonadzorowaniu. Ogólnobranżowy zwrot ku uczeniu się z nieoznaczonych danych – maskowane wstępne trenowanie, metody kontrastywne, cele wspólnego zanurzenia – biegnie prosto przez ujęcie „tortu” i przez całą dekadę, w której LeCun powtarzał, że to właśnie tam mieszka zasadnicza masa inteligencji.

Pokolenie badaczy z FAIR. Prowadząc jedno z największych otwartych laboratoriów przemysłowych, LeCun ukształtował to, jak całe pokolenie publikuje i dzieli się pracą, oraz zasiał znaczną część ekosystemu otwartych modeli, który istnieje dziś poza najbardziej hermetycznymi czołowymi laboratoriami.

Nić przewodnia

W tej serii LeCun jest korzeniem widzenia komputerowego na gałęzi uczenia głębokiego, a najczystsza linia biegnie stąd do Andreja Karpathy’ego, którego praca mieści się w całości w polu wyuczonego widzenia, otwartym przez splot – i którego przeformułowanie „Software 2.0” (sieć jako program skompilowany z danych) jest naturalnym uogólnieniem ruchu LeCuna od ręcznie konstruowanych czytników czeków do wyuczonych. Najostrzejszy kontrast zachodzi z jego współlaureatem Nagrody Turinga, Geoffreyem Hintonem: obaj „ojcowie chrzestni” dzielą nagrodę, samotne dekady i zakład o uczenie się na wzór mózgu, lecz rozchodzą się co do chwili obecnej. Hinton, ten zaniepokojony, odszedł z Google w 2023 roku, by ostrzegać, że ta rzecz może być zbyt potężna; LeCun, optymista, odszedł z Mety w 2025 roku, by dowodzić, że dominująca architektura nie jest dość potężna, i by zbudować inną. Tam, gdzie Hinton lęka się wyniku, LeCun kwestionuje trasę. Dwie trasy, jedna góra: Hinton wierzy, że zagrożenie jest realne; LeCun wierzy, że drogą jest świat – wyuczony jawnie. (Pomost serii)

Co z tego biorę

Lekcja, którą wynoszę od LeCuna, brzmi tak: architektura powinna nieść tę część problemu, którą naprawdę się rozumie. Splot działa, bo wbudowuje niezmienność względem przesunięcia w samą sieć, zamiast liczyć, że nauczy jej miliard przykładów – i to jest dokładnie ten ruch, po który sięgam, projektując systemy: gdy wiem, że coś w danej dziedzinie jest prawdą, koduję to w strukturze, zamiast zostawiać przypadkowi. To ten sam instynkt, co traktowanie gustu jako systemu technicznego, którego da się bronić, a nie ulotnego wrażenia, po którym liczy się na to, że samo się pojawi – znane ograniczenie umieszcza się w projekcie, gdzie można je sprawdzić, a nie w modlitwie o to, żeby wynik się zachowywał.

Trudniejszą lekcją jest sceptycyzm wobec modeli LLM. LeCun stoi na absolutnym szczycie cyklu szumu – cała branża, kapitał i uwaga celują w skalowanie modeli językowych – i mówi oficjalnie, że to zjazd z drogi. Może się mylić; rzecz w tym, że jest gotów być głosem sprzeciwu wtedy, gdy sprzeciw drogo kosztuje, i że swój sprzeciw zakotwicza w konkretnym argumencie technicznym o przewidywaniu w przestrzeni reprezentacji, a nie w odruchu przekory. To bramka dowodowa wycelowana w sam konsensus: nie „wszyscy są podekscytowani, więc to musi być ta ścieżka”, lecz „czego ta architektura faktycznie się uczy i czy to jest to, czego chcemy?”. A otwartość biorę z tego najbardziej wprost – przekonanie, że o tym, kto ma rację, przekonujemy się, publikując pracę i poddając ją sprawdzeniu. Dlatego traktuję jakość jako jedyną zmienną, a test Steve’a – pytanie o to, czy praca zasługuje na istnienie – jako coś, co poddaje się badaniu, a nie coś, co się deklaruje. LeCun postawił całą swoją karierę, dwukrotnie, na uczeniu się świata zamiast zapamiętywania jego etykiet – i na robieniu tego tam, gdzie wszyscy mogą patrzeć.

FAQ

Jaka jest filozofia inżynierska Yanna LeCuna?

Uczenie się świata, jawnie. LeCun twierdzi, że inteligencja jest w przeważającej mierze samonadzorowana – maszyna uczy się struktury świata, przewidując to, co obserwuje, a ludzkie etykiety i sygnały nagrody są jedynie cienkimi warstwami na wierzchu, co ujmuje jego analogia „tortu”: uczenie samonadzorowane jest zasadniczą masą, uczenie nadzorowane lukrem, a uczenie ze wzmocnieniem wisienką.⁵ Łączy to z przywiązaniem do otwartych badań: publikowaniem artykułów, kodu i modeli, aby naukę można było odtwarzać i sprawdzać.¹⁸ Jego inżynierskim znakiem rozpoznawczym jest kodowanie znanej struktury wprost w architekturze – tak jak splot wpieka w sieć widzenia niezmienność względem przesunięcia.²³

Co Yann LeCun wynalazł i jak wykorzystano to komercyjnie?

Jest głównym wynalazcą współczesnej splotowej sieci neuronowej. W Bell Labs w 1989 roku znalazł się wśród pierwszych, którzy zastosowali propagację wsteczną do praktycznego zadania – rozpoznawania odręcznie pisanych kodów pocztowych – tworząc prototyp LeNet, a artykuł z 1998 roku “Gradient-Based Learning Applied to Document Recognition” (z Bottou, Bengio i Haffnerem) opisał LeNet-5.²³ Komercyjnie NCR wdrożyła czytniki czeków oparte na LeNet już w 1996 roku, a do 2001 roku szacowano, że system odczytuje około 20 milionów czeków dziennie – mniej więcej 10% wszystkich czeków w Stanach Zjednoczonych.²

Dlaczego Yann LeCun jest sceptyczny wobec dużych modeli językowych?

Ponieważ jego zdaniem autoregresyjne modele LLM uczą się modelu tekstu, a nie modelu świata, a zatem samym skalowaniem nie dojdą do inteligencji na poziomie człowieka – nazywa je „zjazdem z drogi” wiodącej do AI na poziomie człowieka.⁹¹⁰ Proponowaną przez niego alternatywą jest predykcyjna architektura wspólnego zanurzenia (JEPA) z artykułu z 2022 roku “A Path Towards Autonomous Machine Intelligence”, która przewiduje w abstrakcyjnej przestrzeni reprezentacji i pomija nieprzewidywalny detal, zamiast generować każdy piksel czy token.⁶⁸ W listopadzie 2025 roku odszedł z Mety, by założyć w Paryżu AMI Labs i zająć się modelami świata bezpośrednio.¹⁰

Czy Yann LeCun otrzymał Nagrodę Turinga?

Tak. Nagrodę Turinga ACM za 2018 rok podzielił z Geoffreyem Hintonem i Yoshuą Bengio; całą trójkę nazywa się „ojcami chrzestnymi uczenia głębokiego”. Nagrodę przyznano „za przełomy koncepcyjne i inżynierskie, które uczyniły głębokie sieci neuronowe kluczowym składnikiem informatyki”.⁴ Doceniony dorobek LeCuna skupia się wokół sieci splotowych i szerszej pracy nad tym, by uczenie głębokie stało się praktyczne. Publicznie różni się od Hintona w ocenie teraźniejszości: tam, gdzie Hinton (który odszedł z Google w 2023 roku) ostrzega przed zagrożeniami AI, LeCun jest optymistą i dowodzi, że dzisiejsza dominująca architektura modeli LLM nie jest trasą do inteligencji na poziomie człowieka.¹⁰

Źródła