Filozofia inżynierii: Yann LeCun

Najważniejsze wnioski

• Uczenie się świata, w przeważającej części samodzielnie. Podstawowy zakład LeCuna głosi, że inteligencja bierze się z tego, że maszyna uczy się działania świata poprzez obserwację – uczenie samonadzorowane – a ludzkie etykiety stanowią jedynie cienką ozdobę na wierzchu. Słynna analogia „tortu” czyni proporcje dosłownymi: zasadniczą masą jest uczenie samonadzorowane, lukrem jest uczenie nadzorowane, a wisienką jest uczenie ze wzmocnieniem.
• Splot uczynił widzenie wyuczalnym. 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 odczytywała do 2001 roku około 10% wszystkich czeków w Stanach Zjednoczonych.
• Otwarte badania to metoda, a nie hasło. Jako dyrektor założyciel laboratorium FAIR Facebooka/Meta (2013) i główny naukowiec ds. AI uczynił publikowanie oraz udostępnianie kodu domyślną praktyką – kod i punkty kontrolne I-JEPA ukazały się wraz z artykułem – przekonany, że otwarta nauka kumuluje się szybciej niż tajemnica.
• Optymista, który jest sceptyczny wobec dużych modeli językowych. Współlaureat Nagrody Turinga z 2018 roku wraz z Hintonem i Bengio, LeCun twierdzi, że autoregresyjne modele językowe są „zjazdem z drogi” prowadzącej do AI na poziomie człowieka; droga ta, jak mówi, wiedzie przez modele świata, takie jak JEPA. W listopadzie 2025 roku odszedł z Meta, aby zbudować właśnie coś takiego.

Zasada

„Nie osiągniemy AI na poziomie człowieka, jedynie skalując duże modele językowe” – one „po prostu przewidują tekst, zamiast naprawdę rozumieć świat”. – Yann LeCun, o odejściu z Meta, 2025¹⁰

Zasada leżąca u podstaw tego zdania jest starsza niż era dużych modeli językowych, a LeCun trzyma się jej konsekwentnie od czterdziestu lat: maszyna powinna uczyć się działania świata w przeważającej części samodzielnie, przewidując to, co obserwuje, a nie poprzez karmienie ludzkimi etykietami łyżeczką – a nauka o tym, jak to robić, powinna odbywać 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 stabilną strukturę, na długo zanim ktokolwiek nazwie mu cokolwiek. Zakład LeCuna polega na tym, że ten rodzaj uczenia się – wchłanianie struktury świata z surowych, nieoznakowanych, szerokopasmowych danych zmysłowych – stanowi zasadniczą masę inteligencji, a uczenie nadzorowane i uczenie ze wzmocnieniem są stosunkowo cienkimi warstwami na wierzchu.

Taka jest treść jego najczęściej cytowanego zdania, tego o torcie: „Jeśli inteligencja jest tortem, zasadniczą masą tortu jest uczenie samonadzorowane, lukrem na torcie jest uczenie nadzorowane, a wisienką na torcie jest uczenie ze wzmocnieniem”.⁵ Pierwotnie w 2016 roku mówił nienadzorowane i celowo poprawił to na samonadzorowane do 2019 roku – precyzja, która ma znaczenie, ponieważ nazywa mechanizm: dane dostarczają własnych etykiet. Maskuje się część wejścia, przewiduje się ją z reszty; świat jest własnym nauczycielem.⁵ Proporcje w tej analogii to cały argument. Jeśli tort jest w przeważającej części samonadzorowany, to dziedzina wkładająca cały swój wysiłek 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 postępują najszybciej wtedy, gdy są publikowane, odtwarzalne i mają otwarty kod – przekonaniu, które idzie wbrew branżowemu odruchowi gromadzenia czołowych prac. Obie połowy są ze sobą powiązane: 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 udostępnienie ich jawnie i pozwolenie wszystkim na ich sprawdzenie. 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 – ideę, która miała zdefiniować całą dziedzinę.¹ Był koneksjonistą, zanim koneksjonizm stał się szanowany, pracując nad sieciami uczącymi się na wzór mózgu w tym samym okresie, gdy reszta środowiska AI je odrzuciła.

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 sprawić, żeby sieci działały, a nie tylko teoretyzować na ich temat: odręcznie pisane cyfry z amerykańskiej poczty, a następnie kwoty wypisywane na czekach bankowych. Ograniczenie było bezlitosne – czytnik czeków, który halucynuje cyfrę, kosztuje pieniądze – i popchnęło go ku architekturze, która traktowała strukturę obrazów poważnie, zamiast traktować obraz jako niezróżnicowany worek pikseli.

Po Bell Labs przeniósł się na NYU w 2003 roku jako profesor informatyki.¹ Następnie, w grudniu 2013 roku, Mark Zuckerberg zatrudnił go, by zbudował i poprowadził Facebook AI Research (FAIR), a on został głównym naukowcem ds. AI w firmie – stanowisko to piastował przez ponad dekadę, pozostając jednocześnie profesorem na NYU w niepełnym wymiarze.¹¹⁰ FAIR stało się jednym z najbardziej płodnych otwartych przemysłowych laboratoriów badawczych tamtej epoki, 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 – możliwie najjaśniejsza deklaracja, po której stronie zakładu o duże modele językowe się opowiada.¹⁰

Praca

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

Centralną ideą techniczną kariery LeCuna jest splotowa sieć neuronowa, a najczystszym sposobem, by poczuć, dlaczego to ważne, jest obejrzenie jej 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 rodzajem rzeczy co identyczna kreska w prawym dolnym. Wgląd LeCuna – oparty na Neocognitronie Kunihiko Fukushimy i osadzony w korze wzrokowej mózgu – polegał na przesuwaniu małego filtra (jądra) po obrazie, obliczając tę samą garść wag w każdym położeniu, dzięki czemu sieć uczy się danej cechy raz i wykrywa ją wszędzie. Widget poniżej jest dokładnie tą operacją: wybierz jądro wykrywające krawędzie, obserwuj, jak omiata ono cyfrę, i zobacz, jak „mapa cech” rozświetla się tam, gdzie pojawia się wzorzec, który dane jądro rozpoznaje.

Historia jest konkretna. W 1989 roku, w Bell Labs, LeCun i jego współpracownicy jako pierwsi zastosowali algorytm propagacji wstecznej do praktycznego problemu – rozpoznawania odręcznie pisanych kodów pocztowych z przesyłek amerykańskiej poczty – tworząc prototyp, który stał się 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 testowa. NCR wdrożyła komercyjnie czytniki czeków oparte na LeNet począwszy od czerwca 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 sieci neuronowe były wciąż lekceważone przez znaczną część środowiska, LeCun miał taką, która po cichu odczytywała jedną dziesiątą czeków całego narodu. Architektura, którą zaprojektował dla tego problemu – splot, łączenie (pooling), wyuczone cechy spiętrzone w hierarchię – jest strukturalnie tą samą ideą, która napędza współczesne widzenie komputerowe.

Otwarte badania i FAIR

Gdy LeCun budował FAIR w 2013 roku, podjął decyzję, która nie była oczywista dla korporacyjnego laboratorium: praca będzie otwarta. Publikować artykuły, udostępniać kod, dzielić się modelami.¹¹⁰ Zakład polegał na tym, że otwarte laboratorium przyciąga najlepszych badaczy (którzy chcą, by ich praca była widziana i cytowana), przyspiesza całą dziedzinę oraz – nieprzypadkowo – pozwala światu sprawdzać i ulepszać to, co się buduje.

To filozoficzny kuzyn tego, dlaczego otwarty kod źródłowy nie jest granicą bezpieczeństwa: otwartość nie jest gwarancją poprawności, lecz jest mechanizmem, dzięki któremu poprawność zostaje odnaleziona. Wersja LeCuna stosuje to do nauki. Nie da się ustalić, które architektury naprawdę uczą się struktury świata, rozważając je w odosobnieniu; publikuje się je, inni je odtwarzają lub obalają, a prawda przetrwa tę próbę. Udostępnienie I-JEPA przez Meta w 2023 roku to ten sam wzorzec w miniaturze – kod treningowy i punkty kontrolne modelu ukazały się wraz z artykułem, nie miesiące później, nie nigdy.⁸ W epoce, gdy czołowe laboratoria coraz częściej traktują swoje najlepsze prace jak tajemnicę handlową, otwarta postawa LeCuna jest świadomym, przeciwnym do nurtu stanowiskiem w sprawie tego, jak kumuluje się wiedza.

Uczenie samonadzorowane: tort

Najgłębsza z idei LeCuna jest zarazem tą o najbardziej chwytliwym opakowaniu. Od lat dowodzi, że dziedzina ma odwrócone proporcje inteligencji, i zobrazował to za pomocą jedzenia. Podczas swojego wykładu “Future of AI” na NYU na początku 2016 roku oraz wykładu plenarnego na NeurIPS w tym samym roku pokazał tort: „Jeśli inteligencja jest tortem, zasadniczą masą tortu jest uczenie nienadzorowane, lukrem na torcie jest uczenie nadzorowane, a wisienką na torcie jest uczenie ze wzmocnieniem”.⁵ Do 2019 roku celowo zmienił „nienadzorowane” na „samonadzorowane” – wariant, w którym dane dostarczają własnego nadzoru, ukrywając część wejścia i trenując model, by przewidywał ją z reszty.⁵

Ta zmiana nie jest kosmetyczna; nazywa silnik. „Nienadzorowane” opisuje brak etykiet. „Samonadzorowane” opisuje pozytywny mechanizm: świat, gdy się go obserwuje, staje się własnym sygnałem treningowym. Właśnie tak, dowodzi, 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, nieoznakowana masa uczenia się, którą metody nadzorowane i ze wzmocnieniem jedynie dekorują.⁵ Jeśli ma rację co do proporcji, to najważniejszym problemem badawczym w AI nie są większe oznakowane zbiory danych ani więcej sygnałów nagrody, lecz lepsze cele samonadzorowane – uczenie się świata poprzez przyglądanie się mu.

Modele świata i JEPA: postawa sceptyczna wobec dużych modeli językowych

Najbardziej publiczne i najbardziej kwestionowane stanowisko LeCuna wynika wprost z tortu. Jeśli prawdziwa inteligencja jest w przeważającej części 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 wprost: autoregresyjne duże modele językowe są „zjazdem z drogi” prowadzącej do AI na poziomie człowieka, użytecznym, lecz nie ścieżką; „nie osiągniemy AI na poziomie człowieka, jedynie skalując duże modele językowe”.⁹¹⁰

Proponowaną przez niego alternatywą jest predykcyjna architektura wspólnego zanurzenia (JEPA), przedstawiona w jego artykule stanowiskowym z 2022 roku “A Path Towards Autonomous Machine Intelligence”.⁶ Kluczowym ruchem jest to, 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 mają trudność z rzeczami takimi jak dokładna liczba palców u dłoni.⁸ JEPA przewiduje natomiast w abstrakcyjnej przestrzeni reprezentacji, mając swobodę pomijania detali, których nie da się przewidzieć, i skupienia 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 jego towarzyszem „ojcem chrzestnym” jest najostrzejszy w całej serii. Geoffrey Hinton dzielił z nim tę samą Nagrodę Turinga i te same samotne dekady przekonania, a następnie w 2023 roku zwrócił się, by ostrzegać, że technologia może być niebezpieczna. LeCun jest optymistą tej trójki – sceptycznym nie co do bezpieczeństwa AI, lecz co do pułapu obecnej architektury – i w listopadzie 2025 roku poparł to przekonanie swoją karierą, odchodząc z Meta, by założyć Advanced Machine Intelligence (AMI) Labs w Paryżu, startup zbudowany wprost wokół modeli świata, a nie większych modeli językowych.¹⁰ Dwóch ojców chrzestnych, jedna nagroda, przeciwstawne przesłania: Hinton mówi, by zwolnić, ponieważ mogłoby to zadziałać zbyt dobrze; LeCun mówi, że ta konkretna droga nie prowadzi tam, gdzie wszyscy sądzą, i wskazuje inną.

Metoda

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

Zakoduj strukturę w architekturze. Splot działa, ponieważ wpieka prawdziwy fakt o obrazach – niezmienność względem przesunięcia – wprost w okablowanie sieci, zamiast zmuszać model, by uczył się tego od zera. Lekcja się uogólnia: gdy wiesz coś o problemie, wbuduj to w architekturę, zamiast liczyć na to, że dane tego nauczą.²³

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

Przewiduj w przestrzeni reprezentacji, nie w przestrzeni pikseli. Nie wydawaj mocy na modelowanie detalu, którego nie potrafisz przewidzieć. Centralnym wyborem inżynierskim JEPA jest przewidywanie abstrakcyjnych reprezentacji i celowe odrzucanie tego, co nieprzewidywalne – dyscyplina dotycząca tego, co w ogóle warto modelować.⁶⁸

Opublikuj to. Otwarte artykuły, otwarty kod, otwarte modele. Przekonanie LeCuna głosi, że nauka kumuluje się jawnie, a więdnie w tajemnicy, i przez dekadę prowadził jedno z największych laboratoriów w branży zgodnie z tą zasadą.¹⁸¹⁰

Trzymaj niemodne stanowisko, gdy popierają je dowody. Wierzył w sieci neuronowe podczas zim, a teraz utrzymuje, że duże modele językowe są objazdem, podczas gdy cała branża wlewa w nie kapitał. Gotowość, by być głośnym sceptykiem u szczytu cyklu szumu, to ten sam mięsień, który utrzymał go przy splocie, 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 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 swojej rozprawie z 1987 roku, zbiegając się z tym samym silnikiem, który praca Rumelharta-Hintona-Williamsa rozsławiła w 1986 roku. Odziedziczył i rozwinął program koneksjonistyczny, gdy był on głęboko niemodny. (Wpływ bezpośredni)

Kogo ukształtował

Współczesne widzenie komputerowe. Każdy splotowy system widzenia – te odczytujące skany medyczne, napędzające stosy percepcyjne w prowadzeniu pojazdów i zasilające aparaty w telefonach – pochodzi strukturalnie od LeNet. Nie tylko wniósł wkład w dziedzinę; dostarczył jej fundamentalnej architektury.

Zwrot ku samonadzorowaniu. Ogólnobranżowy zwrot ku uczeniu się z nieoznakowanych danych – maskowane wstępne trenowanie, metody kontrastywne, cele wspólnego zanurzenia – biegnie prosto przez ujęcie „tortu” LeCuna oraz jego dekadę nalegania, że to tutaj mieszka zasadnicza masa inteligencji.

Pokolenie badaczy z FAIR. Prowadząc jedno z największych otwartych przemysłowych laboratoriów, 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

LeCun jest korzeniem widzenia komputerowego w gałęzi uczenia głębokiego tej serii, a najczystsza linia biegnie naprzód do Andreja Karpathy’ego, którego praca mieści się w pełni w polu wyuczonego widzenia, które otworzył splot – i którego przeformułowanie „Software 2.0” (sieć jako program skompilowany z danych) jest naturalnym uogólnieniem ruchu LeCuna od ręcznie konstruowanych czytników czeków do tych wyuczonych. Najostrzejszy kontrast zachodzi z jego współlaureatem Turinga Geoffreyem Hintonem: obaj „ojcowie chrzestni” dzielą nagrodę, samotne dekady oraz 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 Meta 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 ufa, że zagrożenie jest realne; LeCun ufa, że świat, wyuczony jawnie, jest drogą. (Pomost serii)

Co z tego biorę

Lekcja, którą zachowuję od LeCuna, brzmi: architektura powinna nieść tę część problemu, którą naprawdę rozumiesz. Splot działa, ponieważ wbudowuje niezmienność względem przesunięcia w sieć, zamiast liczyć na to, że nauczy jej miliard przykładów – a to dokładnie ten ruch, po który sięgam, projektując systemy: gdy wiem, że coś jest prawdziwe w danej dziedzinie, koduję to w strukturze, zamiast zostawiać przypadkowi. To ten sam instynkt co traktowanie gustu jako systemu technicznego, którego można bronić, a nie wibracji, której pojawienia się oczekujesz – umieść znane ograniczenie w projekcie, gdzie da się je sprawdzić, a nie w modlitwie o to, by wynik się zachowywał.

Trudniejszą lekcją jest sceptycyzm wobec dużych modeli językowych. LeCun stoi na absolutnym szczycie cyklu szumu – cała branża, kapitał, uwaga skierowane na skalowanie modeli językowych – i mówi, oficjalnie, że to zjazd z drogi. Może się mylić; rzecz w tym, że jest gotów być głosem sprzeciwu, gdy sprzeciw drogo kosztuje, zakotwiczony w konkretnym argumencie technicznym o przewidywaniu w przestrzeni reprezentacji, a nie w przeciwstawnym odruchu. To bramka dowodowa skierowana na sam konsensus: nie „wszyscy są podekscytowani, więc to musi być ścieżka”, lecz „czego ta architektura faktycznie się uczy i czy to jest to, czego chcemy?”. A otwartość to część, którą biorę najbardziej wprost – przekonanie, że dowiadujesz się, kto ma rację, publikując pracę i pozwalając ją sprawdzić, dlatego traktuję jakość jako jedyną zmienną oraz próbę Steve’a – tę o to, czy praca zasługuje na istnienie – jako coś, co poddajesz badaniu, a nie coś, co stwierdzasz. LeCun postawił całą swoją karierę, dwukrotnie, na uczeniu się świata, a nie zapamiętywaniu jego etykiet – i na robieniu tego tam, gdzie wszyscy mogą to zobaczyć.

Najczęściej zadawane pytania

Jaka jest filozofia inżynierska Yanna LeCuna?

Uczenie się świata, jawnie. LeCun twierdzi, że inteligencja jest w przeważającej części samonadzorowana – maszyna uczy się struktury świata, przewidując to, co obserwuje, a ludzkie etykiety i sygnały nagrody są cienkimi warstwami na wierzchu, co ujmuje jego analogia „tortu”, gdzie uczenie samonadzorowane jest zasadniczą masą, uczenie nadzorowane lukrem, a uczenie ze wzmocnieniem wisienką.⁵ Łączy to z oddaniem otwartym badaniom: 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 niezmienność względem przesunięcia w sieć widzenia.²³

Co Yann LeCun wynalazł i jak zostało to wykorzystane komercyjnie?

Jest głównym wynalazcą współczesnej splotowej sieci neuronowej. W Bell Labs w 1989 roku był 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 począwszy od 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 duże modele językowe uczą się modelu tekstu, a nie modelu świata, a zatem nie mogą osiągnąć inteligencji na poziomie człowieka jedynie poprzez skalowanie – nazywa je „zjazdem z drogi” prowadzącej do AI na poziomie człowieka.⁹¹⁰ Proponowaną przez niego alternatywą jest predykcyjna architektura wspólnego zanurzenia (JEPA) z jego artykułu z 2022 roku “A Path Towards Autonomous Machine Intelligence”, która przewiduje w abstrakcyjnej przestrzeni reprezentacji i pomija nieprzewidywalny detal, zamiast generować każdy piksel lub token.⁶⁸ W listopadzie 2025 roku odszedł z Meta, by założyć AMI Labs w Paryżu i bezpośrednio zajmować się modelami świata.¹⁰

Czy Yann LeCun zdobył Nagrodę Turinga?

Tak. Podzielił Nagrodę Turinga ACM A.M. z 2018 roku z Geoffreyem Hintonem i Yoshuą Bengio – trzema „ojcami chrzestnymi uczenia głębokiego” – „za przełomy koncepcyjne i inżynierskie, które uczyniły głębokie sieci neuronowe kluczowym składnikiem informatyki”.⁴ Uznane wkłady LeCuna skupiają się na sieciach splotowych i jego szerszej pracy czyniącej uczenie głębokie praktycznym. Różni się publicznie od Hintona co do teraźniejszości: tam, gdzie Hinton (który odszedł z Google w 2023 roku) ostrzega przed zagrożeniami AI, LeCun jest optymistą, który dowodzi, że dzisiejsza dominująca architektura dużych modeli językowych nie jest trasą do inteligencji na poziomie człowieka.¹⁰

Źródła