Über Yann LeCun
Yann LeCun ist Chief AI Scientist bei Meta und Turing Award Gewinner (2018, mit Geoffrey Hinton und Yoshua Bengio). Er entwickelte in den 1980er-90er Jahren Pionierarbeit bei Convolutional Neural Networks und ist jetzt einer der lautstärksten Skeptiker von KI, dass nur LLM-Ansätze zu AGI führen.
Karriere-Höhepunkte
- Meta (2013-heute): Chief AI Scientist, VP of AI Research
- AMI (2025): Mitgründer des Advanced Machine Intelligence Startups
- Turing Award (2018): Mit Hinton und Bengio für Deep Learning
- NYU (2003-heute): Silver Professor of Computer Science
- Bell Labs (1988-2002): Erfand Convolutional Neural Networks
Bemerkenswerte Positionen
Über LLMs sind unzureichend
LeCuns konträre These:
“You cannot get to human-level AI through text alone. Training an LLM requires 30 trillion tokens - effectively all internet text. That same 10^14 bytes represents just 15,000 hours of video - 30 minutes of YouTube uploads.”
Deutsche Übersetzung: “Man kann keine menschliche KI nur durch Text erreichen. Ein LLM zu trainieren erfordert 30 Billionen Tokens - effektiv den gesamten Internettext. Diese gleichen 10^14 Bytes repräsentieren nur 15.000 Stunden Video - 30 Minuten YouTube-Uploads.”
Über Weltmodelle (JEPA)
Sein alternativer Ansatz:
“JEPA predicts in abstract representation space, not pixel space - eliminates unpredictable details while preserving structure for planning.”
Deutsche Übersetzung: “JEPA sagt im abstrakten Darstellungsraum voraus, nicht im Pixelraum - eliminiert unvorhersehbare Details bei Erhalt der Struktur für Planung.”
Über offene Forschung
“You cannot call it research unless you publish - internal hype creates delusion. Scientists need external validation.”
Deutsche Übersetzung: “Man kann es nicht Forschung nennen, wenn man nicht publiziert - interner Hype erzeugt Wahn. Wissenschaftler brauchen externe Validierung.”
Wichtige Zitate
- “LLMs können uns nicht zu menschlicher KI bringen.”
- “Weltmodelle trainiert auf Video, nicht Text.”
- “Man kann es nicht Forschung nennen, wenn man nicht publiziert.”
Weiterführende Literatur
- World Models - LeCuns Weg zu AGI
- JEPA - Joint Embedding Predictive Architecture
Video Mentions
Dateneffizienz Vision vs. Text
Man kann keine menschliche KI nur durch Text erreichen. Ein LLM zu trainieren erfordert 30 Billionen Tokens - den gesamten Internettext. Diese gleichen Daten sind nur 15.000 Stunden Video - 30 Minuten YouTube-Uploads.
Offene Forschungsphilosophie
AMI wird offen publizieren, weil man es nicht Forschung nennen kann, wenn man nicht publiziert - interner Hype erzeugt Wahn.
Joint Embedding Predictive Architecture
JEPA sagt im abstrakten Darstellungsraum voraus, nicht im Pixelraum - eliminiert unvorhersehbare Details bei Erhalt der Struktur.