Yann LeCun — ojciec głębokiego uczenia, który mówi, że LLM to ślepa uliczka

01 / Dziecko Paryża z obsesją na punkcie maszyn

Yann LeCun przychodzi na świat w 1960 roku w okolicach Paryża, w rodzinie, w której technika jest domowym językiem. Jego ojciec — mechanik i wynalazca — zaszczepił mu przekonanie, że świat jest zbiorem problemów czekających na eleganckie rozwiązanie. LeCun nie pamięta momentu, w którym zaczął myśleć o maszynach zdolnych do uczenia się — ten pomysł wydaje mu się tak naturalny jak grawitacja.

Studia elektryczne kończy na ESIEE Paris w 1983 roku, ale szybko staje się jasne, że jego prawdziwym terenem jest informatyka i neurobiologia obliczeniowa. Doktorat z informatyki robi na Université Pierre et Marie Curie (dziś Sorbona) w 1987 roku. Temat: uczenie maszynowe. W tamtym czasie nikt nie zajmuje się tym zawodowo na poważnie. LeCun uczy się od sieci neuronowych przez lekturę i eksperymenty.

Po doktoracie trafia na postdoc do Geoffreya Hintona na University of Toronto — człowieka, który stanie się jego intelektualnym partnerem i późniejszym współlaureatem Nagrody Turinga. To Toronto jest miejscem, gdzie trójka badaczy — LeCun, Hinton, Bengio — zaczyna rozumieć, że sieci neuronowe to nie akademicka ciekawostka, lecz coś fundamentalnie innego niż wszystkie wcześniejsze podejścia do AI.

02 / Bell Labs: miejsce, gdzie powstało LeNet

W 1988 roku LeCun dołącza do AT&T Bell Labs w Holmdel, New Jersey. Bell Labs to w tamtym czasie jedno z nielicznych miejsc na świecie, gdzie badaczowi można dać czas, budżet i wolność bez konieczności natychmiastowego produktu. Tu wynaleziono tranzystor, tu rozwinięto teorię informacji Shannona. LeCun trafia do środowiska, które rozumie, że rewolucje technologiczne rodzą się w cierpliwości.

Przez kolejne osiem lat LeCun i jego zespół budują to, co przejdzie do historii jako LeNet. Sieci konwolucyjne istniały już wcześniej w formie szkiców, ale nikomu nie udało się ich skutecznie wytrenować. LeCun łączy architekturę konwolucyjną z algorytmem propagacji wstecznej — i to połączenie zmienia wszystko.

W 1989 roku zespół LeCuna publikuje pierwszą sieć konwolucyjną wytrenowaną przez backpropagation, rozpoznającą odręcznie pisane kody pocztowe. W 1998 roku pojawia się LeNet-5 — architektura osiągająca 99,05% skuteczności na zbiorze MNIST. Do końca lat dziewięćdziesiątych LeNet czyta większość czeków w USA.

Mój zespół czytał około 10 procent wszystkich czeków w Stanach Zjednoczonych pod koniec lat dziewięćdziesiątych. To był prawdziwy system w prawdziwym świecie.

03 / Zimna zima i lata w cieniu

Po sukcesie LeNet następują lata, których LeCun woli nie wspominać jako triumfu. W połowie lat dziewięćdziesiątych branża informatyczna przeżywa rozczarowanie AI. Maszyny wektorów nośnych, metody statystyczne i inne podejścia wypierają sieci neuronowe z mainstreamu. Granty są trudne do zdobycia. Papery odrzucane.

W 2003 roku LeCun dołącza do New York University jako profesor, gdzie zakłada NYU Center for Data Science. Akademia daje przestrzeń do długofalowego myślenia, której nie oferuje korporacja. Przez kolejne lata LeCun, Hinton i Bengio pracują równolegle, rozwijając techniki, które wkrótce zmienią całą branżę. Wspólnie stają się nieformalną szkołą głębokiego uczenia.

Przełom przychodzi w 2012 roku wraz z AlexNet — siecią konwolucyjną stworzoną przez uczniów Hintona, która druzgocze wszystkie poprzednie wyniki w konkursie ImageNet. Architektury, które LeCun rozwijał przez dekadę, nagle stają się centrum zainteresowania całego przemysłu.

04 / Facebook: dwanaście lat budowania FAIR

W grudniu 2013 roku LeCun dołącza do Facebooka, by założyć i poprowadzić Facebook AI Research — FAIR. Mark Zuckerberg daje LeCunowi wyjątkową wolność. FAIR jest laboratoriom badań podstawowych, nie inżynierii produktowej. Wyniki publikowane są open source. Pracownicy uczestniczą w konferencjach naukowych. To model bezprecedensowy w Dolinie Krzemowej.

Stworzenie FAIR to moje największe osiągnięcie niezwiązane z technologią.

Przez dwanaście lat pod kierownictwem LeCuna FAIR publikuje setki prac naukowych. Wśród nich: architektura ResNet, wczesne prace nad GAN-ami, badania nad samonadzorowanym uczeniem. Meta produkuje w tym czasie serię modeli językowych Llama, które jako jedne z nielicznych publikowane są open source. LeCun jest konsekwentnym zwolennikiem otwartości AI — przekonaniem, które stawi go w kontrze do coraz bardziej zamkniętych OpenAI, Google i Anthropic.

05 / Nagroda Turinga i status ojca chrzestnego

W 2018 roku Association for Computing Machinery przyznaje Nagrodę Turinga — nieoficjalny Nobel informatyki — trzem badaczom: Yannowi LeCunowi, Geoffreyowi Hintonowi i Yoshui Bengio. Uzasadnienie: przełomowe konceptualne i inżynierskie wkłady, które uczyniły głębokie sieci neuronowe krytycznym składnikiem obliczeń. To nagroda za całą epokę.

Publicznie LeCun staje się głosem umiarkowanego optymizmu. W odróżnieniu od Hintona — który po 2023 roku bije na alarm w sprawie egzystencjalnego ryzyka AI — LeCun konsekwentnie twierdzi, że obecne systemy są znacznie mniej niebezpieczne niż sugeruje mainstream.

06 / Wielki spór o LLM-y

Od 2022 roku LeCun staje się najbardziej rozpoznawalnym głosem sceptycyzmu wobec dominacji wielkich modeli językowych. Jego argumenty są techniczne i spójne, powtarzane na każdej możliwej arenie. Teza jest prosta, choć konsekwencje radykalne: LLM-y nie mogą być drogą do AGI, bo uczą się tylko ze słów, nie ze świata.

Pierwsza część argumentu dotyczy danych. Modele językowe trenowane są na tekście — sekwencjach tokenów. Tekst jest jednak niezwykle ubogim opisem rzeczywistości. Człowiek uczy się przez doświadczenie fizyczne, zmysłowe, interakcję z przedmiotami. Niemowlę w ciągu pierwszych czterech lat pobiera znacznie więcej danych o świecie niż jakikolwiek model językowy.

Druga część dotyczy rozumowania. LLM generuje odpowiedzi przez przewidywanie kolejnego tokenu — statystycznie, sekwencyjnie. To coś fundamentalnie innego niż wnioskowanie przyczynowe. Model może poprawnie cytować Newtona, nie rozumiejąc grawitacji w żadnym funkcjonalnym sensie.

LLM-y są imponujące w generowaniu płynnego tekstu, ale fundamentalnie ograniczone. Skalowanie wadliwej architektury daje tylko większą, droższą iluzję inteligencji.

07 / Odejście z Meta i narodziny AMI Labs

W listopadzie 2025 roku LeCun opuszcza Metę po dwunastu latach. Odejście jest spokojne — LeCun wyraża wdzięczność Zuckerbergowi i FAIR, zaznacza, że Meta będzie partnerem nowej firmy. Motyw jest czytelny: Meta skupia się coraz bardziej na produktach komercyjnych i wyścigu modeli generatywnych, a LeCun chce wrócić do długofalowych badań.

10 marca 2026 roku ogłaszane jest powstanie AMI Labs — Advanced Machine Intelligence. Nazwa jest jednocześnie programem: nie AGI, lecz zaawansowana inteligencja maszynowa rozumiana przez pryzmat fizycznego świata. AMI — po francusku — znaczy też „przyjaciel".

Finansowanie na start: 1,03 miliarda dolarów. Inwestorzy: Jeff Bezos, NVIDIA, Mark Cuban. Wycena: 3,5 miliarda dolarów. Kilkanaście pracowników. Zero produktu. Zero przychodów. Jeden z największych rund seed w historii AI.

08 / Modele świata: następna rewolucja

Model świata to system AI budujący wewnętrzną reprezentację środowiska — nie tylko językową, lecz sensoryczną, przestrzenną, przyczynową. Taki system może „wyobrażać sobie" konsekwencje działań, zanim je wykona. Może planować sekwencję ruchów, rozumiejąc, że szklanka jest krucha, a podłoga twarda.

Kluczową architekturą jest JEPA — Joint Embedding Predictive Architecture. Zamiast przewidywać każdy piksel lub każdy token, JEPA uczy się przewidywać abstrakcyjne reprezentacje w przestrzeni osadzeń. To pozwala na znacznie bardziej efektywne uczenie i ogólniejsze rozumowanie.

09 / Człowiek sporu: charakter, styl, poglądy

Yann LeCun jest zjawiskiem rzadkim w świecie AI: uczonym o silnym głosie publicznym, który nie boi się kontrarian. Jego posty na LinkedIn i X bywają polemiczne do granic dobrego smaku — komentuje krytycznie, wchodzi w spory z innymi badaczami publicznie. Jest konsekwentnym zwolennikiem otwartości AI, stojąc jednoznacznie po stronie open source — nie tylko z powodów idealistycznych, ale technicznych.

Uważa, że obawy przed egzystencjalnym ryzykiem AI są przesadzone. Tu stoi w ostrej opozycji do Hintona, który po 2023 roku stał się głosem troski. W wywiadzie dla MIT Technology Review mówi wprost: „LLM-y to już technologia, nie badania. Mówię studentom: nie pracujcie nad LLM-ami. Problem został rozwiązany." To zdanie jest kontrowersyjne — ale charakterystyczne dla człowieka, który interesuje się tym, co jeszcze nie zostało zrobione.

10 / Dziedzictwo i pytanie otwarte

Historia Yanna LeCuna jest historią człowieka, który miał rację dwa razy — i który mówi teraz, że cała branża może się mylić po raz trzeci. Miał rację w 1989 roku, gdy nikt nie wierzył, że sieci konwolucyjne będą praktyczne. Miał rację w 2003 roku, gdy kontynuował pracę w czasie, gdy akademia odwróciła się od sieci neuronowych.

Dziś twierdzi, że dominacja wielkich modeli językowych to cul-de-sac — że inteligencja, która nie rozumie fizycznego świata, nie jest prawdziwą inteligencją. Branża nie jest przekonana. OpenAI, Anthropic, Google DeepMind — wszyscy inwestują w skalowanie. Ale jeśli historia LeCuna czegoś uczy, to tego: że bywają okresy, gdy cała branża jest zajęta optymalizowaniem na niewłaściwym wzgórzu.

AMI Labs dostało miliard dolarów. Jeff Bezos, NVIDIA i Mark Cuban uważają, że LeCun może mieć rację po raz trzeci.