O Yann LeCun
Yann LeCun je hlavný AI vedec v Mete a víťaz Turingovej ceny (2018, s Geoffrey Hintonom a Yoshuom Bengiom). Bol priekopníkom konvolučných neurónových sietí v 80. a 90. rokoch a teraz je jedným z najhlasnejších skeptikov AI prístupov založených len na LLM k AGI.
Kariérne míľniky
- Meta (2013-súčasnosť): Hlavný AI vedec, VP AI výskumu
- AMI (2025): Spoluzakladateľ Advanced Machine Intelligence startupu
- Turingova cena (2018): S Hintonom a Bengiom za hlboké učenie
- NYU (2003-súčasnosť): Silver Professor informatiky
- Bell Labs (1988-2002): Vynašiel konvolučné neurónové siete
Významné postoje
O nedostatočnosti LLM
LeCunova kontrariánska téza:
“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.”
“Nemôžete sa dostať k ľudskej úrovni AI len cez text. Trénovanie LLM vyžaduje 30 biliónov tokenov - efektívne všetok internetový text. To isté 10^14 bajtov predstavuje len 15 000 hodín videa - 30 minút uploadov na YouTube.”
O svetových modeloch (JEPA)
Jeho alternatívny prístup:
“JEPA predicts in abstract representation space, not pixel space - eliminates unpredictable details while preserving structure for planning.”
“JEPA predpovedá v abstraktnom reprezentačnom priestore, nie v pixelovom priestore - eliminuje nepredvídateľné detaily pri zachovaní štruktúry pre plánovanie.”
O otvorenom výskume
“You cannot call it research unless you publish - internal hype creates delusion. Scientists need external validation.”
“Nemôžete to nazvať výskumom, pokiaľ nepublikujete - interný hype vytvára ilúziu. Vedci potrebujú externú validáciu.”
Kľúčové citáty
- “LLM nás nedostanú k ľudskej úrovni AI.”
- “Svetové modely trénované na videu, nie texte.”
- “Nemôžete to nazvať výskumom, pokiaľ nepublikujete.”
Súvisiace čítanie
- World Models - LeCunova cesta k AGI
- JEPA - Joint Embedding Predictive Architecture
Video Mentions
Dátová efektivita videnia vs textu
Nemôžete sa dostať k ľudskej úrovni AI len cez text. Trénovanie LLM vyžaduje 30 biliónov tokenov - všetok internetový text. To isté množstvo dát je len 15 000 hodín videa - 30 minút uploadov na YouTube.
Filozofia otvoreného výskumu
AMI bude publikovať otvorene, pretože nemôžete to nazvať výskumom, pokiaľ nepublikujete - interný hype vytvára ilúziu.
Joint Embedding Predictive Architecture
JEPA predpovedá v abstraktnom reprezentačnom priestore, nie v pixelovom priestore - eliminuje nepredvídateľné detaily pri zachovaní štruktúry.