Barnet der spredte tingene ad for at forstå dem
Længe før titler og priser, før keynote-taler og globale overskrifter, var Yann LeCun bare en nysgerrig dreng i en lille fransk by. Den slags barn, der betragtede radiosendere, ure og elektroniske værktøjskasser ikke som færdige produkter, men som gåder vendte på at blive løst.
Når han selv fortæller det, var hans barndomstalent "hovedsageligt at ødelægge ting" – men det er ikke helt retfærdigt. For drengen spredte ikke ting ad for at smadre dem. Han gjorde det for at forstå. Hvordan fungerer det her? Hvilken hemmelig logik gemmer sig inden i? Hvorfor bliver disse stykker metal og plastik til noget mere, når de sættes sammen på præcis denne måde?
I det bløde lys fra det franske landskab, med lugten af loddemetal på fingrene, begyndte LeCun at udvikle sans for skjulte strukturer. Den instinktive nysgerrighed, finpudset gennem års studier i Paris, ville en dag føre ham direkte ind i hjertet af kunstig intelligens.
Øjeblikket hvor maskinen lærte at se
Historien om moderne kunstig intelligens fortælles ofte som en eksplosion. En "boom," en "revolution," et "gennembrud." Men den virkelige historie – især når det gælder Yann LeCun – er langsommere og mere tålmodig. Mere som erosion der gradvist former en kyst.
I slutningen af 1980'erne og begyndelsen af 1990'erne var kunstig intelligens ikke den glimrende, milliard-dollar industri den er i dag. Feltet havde overlevet det forskere bittert kaldte "AI-vintre" – perioder med skuffelse, faldende finansiering og skeptiske overskrifter. Mange dataforskere trak sig stille tilbage. Matematiske modeller var elegante, men de syntes ikke at kunne særlig meget.
Alligevel arbejdede LeCun i et laboratorium hos Bell Labs i USA – langt fra hans franske barndomsbyer – på en idé der føltes næsten stædigt simpel. Lad maskinen kigge på billeder på samme måde som det menneskelige øje gør det. Ikke som et fladt gitter af pixels der skal behandles én ad gangen, men som former og mønstre der gentager sig, bevæger sig og overlapper.
Den lange venten før verden lagde mærke til det
Og alligevel føltes det i årevis som om resten af verden knap nok kiggede. Computerhardware var langsom. Datasæt var små. Neurale netværk var i mange menneskers sind en gammel, træt idé der allerede havde undladt at levere omfattende forandring.
Forestil dig at bygge et teleskop i en verden hvor nattehimlen altid er overskyet. Du ved stjernerne er der; du har set glimt. Men uden et klart, vedvarende syn tror ingen at dine linser og spejle vil betyde noget. Sådan sad LeCuns convnets omtrent i 1990'erne og begyndelsen af 2000'erne. Strålende, lovende – og stort set ignoreret.
Alligevel fortsatte Yann LeCun med at gøre det han altid havde gjort: han blev ved med at pille tingene fra hinanden og bygge dem op igen. Han forfinede arkitekturer, tænkte dybt over selve læring og modstod fristelsen til at svinge over til sikrere, mere trendy forskning.
Deep learning-opvågningen der ændrede alt
Nogle revolutioner ankommer ikke med et råb, men med en graf på en projektorskærm ved en konference. I 2012 eksploderede dyb læring – længe en nicheinteresse – pludselig ind i mainstream AI-forskning, da neurale netværk knuste tidligere rekorder på en stor computer vision-test.
Inden for få korte år overgik billedgenkendelsessystemer drevet af konvolutionelle neurale netværk mennesker på snævre opgaver: skelne mellem hunderacer, identificere tusindvis af objektkategorier, analysere scener. De samme matematiske idéer, der engang kæmpede for at læse cifre på checks, dannede nu rygraden i en hel industris værd af visionssystemer.
Og der, i centrum af denne accelererende storm, stod Yann LeCun. Ikke som den eneste arkitekt, men som en af de væsentlige – personen hvis stædige tro på læringssystemer der kunne opdage mønstre af sig selv endelig var blevet bekræftet på den vildeste måde.
En fransk accent i Silicon Valley
Gennem alt dette beholdt LeCun sin rolige, let underholdte stil. I et AI-økosystem der sommetider kan minde om et guldrush – store løfter, dristige påstande og en hel del hype – forbliver han franskmanden der foretrækker at tale om energi-baserede modeller, neurale arkitekturer og selvovervåget læring med samme rolige intensitet som andre måske ville reservere til vin eller filosofi.
Da Meta (dengang Facebook) ansatte ham til at lede sit AI-forskningslaboratorium, handlede valget ikke kun om teknisk prestige. Det handlede om retning. Virksomheden ønskede at drive fundamental forskning, at bygge systemer der kunne opfatte, forstå og forudsige – ikke bare optimere klik.
Hvad gør Yann LeCun anderledes
Der findes mange strålende AI-forskere. Det der adskiller Yann LeCun er ikke kun hans tekniske vision, men den type intelligens han jagter.
I samtaler vender han igen og igen tilbage til idéen om verdensmodeller – de dybe interne repræsentationer som både dyr og maskiner bygger om hvordan virkeligheden opfører sig. En kat, bemærker han, behøver ikke at se tusind faldende objekter for at forudsige at skubbe et glas af bordet vil få det til at falde. Den har en intern simulator af fysik.
Mennesker er endnu bedre til dette. Vi fantaserer, planlægger, forestiller os alternativer, prøver mentalt fremtider af før vi vælger én. Meget af nutidens kunstige intelligens, argumenterer han, er stadig overfladisk i sammenligning. Vi har modeller der kan tale elegant og matche menneskelige ord i fantastisk skala, men de mangler den jordforbundne, forudsigelige forståelse en toårig har om legetøj, rum og tyngdekraft.
Den stille radikalisme i selvovervåget læring
Selvovervåget læring lyder abstrakt, men det er på mange måder hvordan du lever dit liv. Du drejer hovedet, og din hjerne forudsiger hvordan verden vil se ud fra den nye vinkel. Du hører begyndelsen af en sætning og forudsiger ubevidst hvordan den måske ender. Når noget bryder dine forventninger, lærer du.
LeCun vil have maskiner til at lære sådan: ved at observere, forudsige, justere, igen og igen. Han ser den nuværende bølge af store sprogmodeller som imponerende – men ufuldstændige. De er sultne efter menneskegenereret tekst, tørstige efter omhyggeligt kuraterede eksempler, begrænsede af de data vi kan samle og rense.
Et virkelig intelligent system, foreslår han, burde kunne se video, fornemme lyd, observere den fysiske verden og bygge sin egen dybe, lagdelte forståelse uden at vi holder dets hånd ved hvert skridt.
På skillevejen mellem magt og ansvar
Selvfølgelig kan ingen historie om moderne kunstig intelligens undgå det spørgsmål der nu kaster skygge over hvert gennembrud: hvad vil denne magt gøre ved os, og hvad vil vi gøre med den?
Yann LeCun er hverken en teknologi-utopist eller en dommedagsprofet. Hans offentlige kommentarer skærer ofte imod kornet af ekstrem frygt om AI "dommedag," samtidig med at han insisterer på behovet for god styring og robuste sikkerhedsforanstaltninger.
Han har tendens til at rulle med øjnene ved idéen om superintelligens på kort sigt der udrydder menneskeheden, idet han påpeger hvor begrænsede nuværende AI-systemer faktisk stadig er. Samtidig behandler han ikke kunstig intelligens som en neutral dims. Han ved bedre end de fleste at teknologi ændrer former af samfund på skæve måder.
Anerkendelse i tal og milepæle
På afstand kan det være svært at forstå præcis hvor meget indflydelse én videnskabsmand kan have på et felt så omfattende som kunstig intelligens. Skalaen viser sig oftest tydeligst i de målinger der stille former karrierer og forskningsdagsordener.
| Milepæl | Omtrentlig periode | Hvorfor det betyder noget |
|---|---|---|
| Udvikling af konvolutionelle neurale netværk til håndskriftsgenkendelse | Slutningen af 1980'erne – 1990'erne | Lagde grundlaget for moderne computersyn og mønstergenkendelse. |
| Lederskab hos Bell Labs og senere NYU | 1990'erne – 2000'erne | Nærede en generation af forskere i neurale netværk og maskinlæring. |
| Grundlæggende direktør for Facebook AI Research (FAIR) | 2013 og frem | Forvandlede en sociale medie-gigant til et større knudepunkt for fundamental AI-forskning. |
| Turing-prisen (med Hinton og Bengio) | 2018 | Global anerkendelse af dyb læring som en kernesøjle i moderne kunstig intelligens. |
| Fortalervirksomhed for selvovervåget læring og verdensmodeller | 2010'erne – 2020'erne | Peger vejen mod AI-systemer med dybere, mere autonom forståelse. |
Mennesket bag algoritmerne
Det er fristende med figurer som Yann LeCun at behandle dem som næsten mytiske – hjerner forbundet til ligninger, svævende over almindeligt liv. Men der er noget helt menneskeligt, endda legende, ved den måde han navigerer verden på.
Han glæder sig over debat, især på den rodede grænse hvor filosofi, etik og ingeniørarbejde kolliderer. Han er lige så tilbøjelig til at skændes på sociale medier om AI-regulering som at poste et fotografi fra en vandretur eller dele et stykke elektronisk musik.
I forelæsninger holder han sommetider pause og smiler når en idé lander særligt godt, som om han oplever igen, i miniature, første gang det klikkede for ham. Der er en næsten læreragtig tålmodighed i måden han bygger et argument op fra grundlæggende principper på.
En fremtid skrevet i lag
Stil dig for et øjeblik ved kanten af denne udfoldende historie. Autonome køretøjer bevæger sig langsomt ud i trafikken. Oversættelsessystemer fjerner stille sprogbarrierer. Anbefalingsmotorer bestemmer hvad vi ser, lytter til og køber. Samtaleagenter skriver kode, opsummerer dokumenter, improviserer over poesi.
I centrum af mange af disse systemer ligger variationer af de neurale arkitekturer som LeCun og hans jævnaldrende plejede. Men hvis du spørger ham, er destinationen stadig langt væk. Nutidens modeller, store og imponerende som de er, forbliver skrøbelige. De hallucinerer. De mangler sund fornuft.
Det næste store spring, mener han, vil ikke komme fra blot at stable flere lag eller tilføje mere data. Det vil komme fra nye træningsparadigmer, bedre verdensmodeller, virkelig selvovervåget læring der lader maskiner danne robuste, testbare forventninger om virkeligheden.
De opfandt kunstig intelligens, men historien er ikke slut
At sige at Yann LeCun "opfandt kunstig intelligens" er selvfølgelig en forenkling. Kunstig intelligens er et vidtstrakt, samarbejdende gobelinvævet af tusindvis af sind gennem årtier. Ingen enkelt person ejer den. Men det er ikke en overdrivelse at sige at uden hans arbejde – fra convnets til selvovervåget læring – ville den kunstige intelligens vi lever med i dag se meget anderledes ud og næsten helt sikkert være langt mindre kapabel.
Han er franskmanden der lærte maskiner at se, derefter skubbede dem til at lære uden konstant menneskelig overvågning, og nu argumenterer – ofte mod både panik og selvtilfredshed – for en fremtid hvor kunstig intelligens er mere åben, mere jordforbundet og mere ægte intelligent.
Lyt nøje når han taler, og du kan høre ikke bare de tekniske detaljer, men kadencen af en person der stadig tror at nysgerrighed, stringens og en vis stædig glæde ved forståelse er de bedste værktøjer vi har.
Ofte stillede spørgsmål
Hvem er Yann LeCun?
Yann LeCun er en fransk dataforsker bredt betragtet som en af pionerenerne inden for moderne kunstig intelligens. Han er bedst kendt for at udvikle konvolutionelle neurale netværk og fremme dyb læring, især inden for computersyn. Han fungerer i øjeblikket som chefvidenskabsmand for kunstig intelligens hos Meta og er professor ved New York University.
Hvad er Yann LeCun mest berømt for?
Han er mest berømt for sit arbejde med konvolutionelle neurale netværk (convnets), som gør det muligt for maskiner at genkende billeder, tekst og mønstre med høj nøjagtighed. Dette arbejde lagde grundlaget for mange moderne AI-applikationer, fra billedgenkendelse på smartphones til store indholdsmoderationssystemer.
Opfandt Yann LeCun virkelig kunstig intelligens?
Ingen enkelt person opfandt kunstig intelligens. Det er resultatet af bidrag fra tusindvis af forskere gennem mange årtier. Men LeCun er en af nøglefigurerne der forvandlede kunstig intelligens fra en teoretisk disciplin til en kraftfuld praktisk teknologi gennem sin forskning i dyb læring.
Hvad er selvovervåget læring, og hvorfor bekymrer LeCun sig om det?
Selvovervåget læring er en træningsmetode hvor AI-systemer lærer ved at forudsige dele af deres input fra andre dele uden at være stærkt afhængige af menneske-mærkede data. LeCun mener dette er væsentligt for at bygge kunstig intelligens med dybere forståelse og mere menneskelignende læring, fordi det tillader systemer at lære direkte fra den rå verden.
Hvordan har Yann LeCun påvirket hverdagsteknologi?
LeCuns arbejde understøtter mange teknologier folk bruger dagligt: billedmærkning i foto-apps, håndskriftsgenkendelse, ansigtsgenkendelsessystemer og nogle af kerne-opfattelsessystemerne i moderne AI-modeller. Hans forskning har også formet hvordan store teknologivirksomheder bygger og implementerer kunstig intelligens i stor skala.
Hvilke priser har han modtaget?
Yann LeCun er modtager af Turing-prisen, ofte kaldet "Nobelpriserne i datalogi," som han delte med Geoffrey Hinton og Yoshua Bengio for deres arbejde med dyb læring. Han har også modtaget talrige andre hædersbevisninger inden for datalogi og ingeniørarbejde.
Hvad synes Yann LeCun om AI-risiko og sikkerhed?
Han støtter omhyggelig styring og ansvarlig implementering af kunstig intelligens, men han er skeptisk over for dommedagsscenarier på kort sigt. LeCun understreger ofte hvor begrænsede nuværende AI-systemer stadig er og argumenterer for at åben forskning og bred adgang kan hjælpe med at sikre at kunstig intelligens udvikler sig på måder der gavner samfundet snarere end koncentrerer magt.
