Qui és Yann LeCun
Yann LeCun és investigador d’intel·ligència artificial i professor de NYU. El seu treball connecta aprenentatge automàtic, visió per computador, robòtica i neurociència, amb aportacions a les xarxes convolucionals i a l’aprenentatge de representacions.[1]
Formació a França
Va obtenir el diploma d’Enginyeria Elèctrica a ESIEE el 1983 i un DEA en Intel·ligència Artificial i Reconeixement de Patrons a la Universitat Pierre i Marie Curie el 1984. En aquesta universitat va completar el 1987 el doctorat en Informàtica. La seva formació va reunir enginyeria electrònica, reconeixement de patrons i mètodes d’aprenentatge. [4]
De Bell Labs a Nova York i Meta
Després d’un postdoctorat a Toronto, es va incorporar a Bell Labs el 1988. Va dirigir recerca de processament d’imatges a AT&T des del 1996, va passar per NEC i va arribar a NYU el 2003. Va fundar FAIR el 2013 i va ser director científic d’IA de Meta entre 2018 i 2025. [7]
El gener de 2026 va passar a ser president executiu d’AMI Labs. Va conservar la vinculació amb NYU com a professor Jacob T. Schwartz, amb presència acadèmica tant a Courant com a enginyeria elèctrica i informàtica. La seva trajectòria combina construir equips de recerca amb mantenir una activitat universitària a llarg termini. [2]
Xarxes convolucionals i lectura de documents
El 1989, LeCun i els seus col·laboradors van demostrar el reconeixement de xifres manuscrites del correu nord-americà amb una xarxa entrenada per retropropagació. L’arquitectura incorporava restriccions pròpies de la tasca i aprenia des de la imatge normalitzada fins a la categoria final. El treball va contribuir a convertir el reconeixement visual en un problema d’aprenentatge conjunt. [8]
L’article del 1998 amb Léon Bottou, Yoshua Bengio i Patrick Haffner sistematitzà aquesta línia amb LeNet-5 i sistemes de reconeixement de documents. Comparava mètodes sobre xifres manuscrites i mostrava com integrar components entrenables per millorar conjuntament el processament.[11]
Amb John Denker i Sara Solla va presentar Optimal Brain Damage el 1989. El mètode estudiava quines connexions es podien eliminar d’una xarxa amb poc perjudici per a la seva funció, utilitzant informació de derivades segones. Aquesta poda articulava un compromís entre complexitat i error, anticipant una qüestió encara present: quant model necessita realment una tasca. [9]
DjVu i l’accés a documents digitalitzats
El 1998 va desenvolupar amb Bottou, Haffner i Paul Howard un mètode de compressió per distribuir pàgines escanejades en color per internet. DjVu volia conservar text llegible, fotografies i aparença gràfica amb fitxers reduïts. La proposta atenia tant l’emmagatzematge com la visualització progressiva, quan les connexions i la memòria disponibles limitaven l’accés a biblioteques digitals. [10]
Robòtica i reconeixement integrat
A DAVE, entre 2003 i 2004, el seu equip i col·laboradors de Net-Scale van construir un petit vehicle que aprenia a dirigir el moviment a partir d’imatges de dues càmeres i exemples de conducció humana. Va ser una prova de concepte d’aprenentatge d’extrem a extrem per evitar obstacles a l’exterior, amb entrenament i avaluació separats. [13]
OverFeat, publicat inicialment el 2013 amb Pierre Sermanet i altres investigadors, va combinar classificació, localització i detecció d’objectes mitjançant una xarxa compartida. El sistema incorporava diverses escales i estimava els límits dels objectes. Va guanyar la tasca de localització d’ImageNet de 2013, mostrant com es podien reunir funcions visuals abans tractades de manera més separada. [14]
Models basats en energia
El seu tutorial de 2006, escrit amb Sumit Chopra, Raia Hadsell, Marc’Aurelio Ranzato i Fu Jie Huang, va organitzar un marc comú per als models basats en energia. Una funció assigna compatibilitat a configuracions de variables; aprendre modifica aquesta funció i fer inferències busca configuracions adequades. El concepte permet relacionar diferents famílies de models sense exigir una única arquitectura neuronal. [12]
D’imatges a models del món
A A Path Towards Autonomous Machine Intelligence, de 2022, va proposar combinar models predictius de l’entorn, motivació intrínseca i representacions jeràrquiques. El text es presenta expressament com una visió de recerca que reuneix idees de diversos autors. La pregunta central és com aprendre del món i planificar accions amb menys supervisió externa. [15]
I-JEPA, treball col·lectiu de 2023 del qual és coautor, aprèn a predir representacions de regions d’una imatge a partir d’altres regions. No intenta reconstruir cada píxel absent. La selecció de blocs busca que la tasca requereixi informació semàntica, desplaçant l’interès de copiar detalls visuals cap a aprendre característiques útils per a tasques posteriors. [16]
El 2025 va ser coautor de V-JEPA 2, que va combinar aprenentatge a partir de vídeos amb una quantitat menor d’experiències robòtiques. La variant condicionada per accions es va avaluar en braços Franka per recollir i col·locar objectes en dos laboratoris. Els resultats corresponen a aquests experiments concrets, dins d’una línia que uneix observació, predicció i planificació. [17]
V-JEPA 2.1, presentat el 2026, va ampliar aquesta recerca cap a representacions visuals més detallades espacialment i temporalment. L’estudi va combinar aprenentatge en diverses capes i senyals procedents d’imatges i vídeos. El va avaluar en anticipació d’accions, navegació, profunditat i manipulació, abordant la necessitat de mantenir informació local a més de comprendre globalment una escena. [18]
AMI Labs i l’orientació de la seva recerca
AMI descriu el seu programa com el desenvolupament de models del món que prediuen en espais de representació i ajuden a planificar accions. L’empresa identifica robòtica, automatització, salut i control industrial entre els seus àmbits d’interès. La proposta reuneix memòria, raonament i controlabilitat com a objectius tècnics, amb col·laboració acadèmica mitjançant publicacions i programari obert. [19]
En la conversa amb James Manyika publicada el 2026, LeCun defensa que anticipar cada detall d’un senyal resulta poc útil quan hi ha soroll i incertesa. Proposa aprendre abstraccions que permetin predir conseqüències rellevants. Aquesta posició explica l’èmfasi en models del món i planificació, i la crítica a dependre exclusivament de models de llenguatge per comprendre entorns físics. [21]
L’abril de 2026, AI Alliance va anunciar-ne la incorporació com a assessor científic principal. La funció incloïa orientar Project Tapestry, una iniciativa per desenvolupar models oberts mitjançant col·laboració distribuïda. És una altra expressió de la seva defensa de la recerca compartida i de l’accés a infraestructura científica més enllà d’una sola empresa. [20]
Premi Turing i reconeixements
Va compartir el Premi Turing de 2018 amb Geoffrey Hinton i Yoshua Bengio. [3]
També va rebre conjuntament el Queen Elizabeth Prize for Engineering de 2025. [22]
És membre de les acadèmies nord-americanes d’Enginyeria i Ciències i de l’Acadèmia de Ciències de França. [1]
Visió artificial per avaluar postura i exoesquelets
LeCun va contribuir al desenvolupament de les xarxes neuronals convolucionals, una base de la visió artificial moderna. La seva relació amb l’ergonomia és metodològica: aquestes xarxes permeten extreure informació visual que altres investigadors fan servir per estimar la posició del cos. [5]
Un treball de 2023 allotjat per NIST estudia càmeres RGB i estimació de postura sense marcadors per avaluar exoesquelets. El document identifica les xarxes convolucionals com a components del mètode. Presenta una eina de recerca, amb validació addicional pendent, no una avaluació ergonòmica automàtica ja resolta. [6]
Mesurar moviment no equival a mesurar tot el risc
L’aplicació preventiva concreta és investigar com observar la interacció entre una persona i un dispositiu d’assistència sense afegir tants sensors al cos. LeCun no és autor d’aquest estudi ni se li atribueixen els resultats.
Per utilitzar una estimació de postura en el treball cal conèixer-ne els errors, especialment quan el mateix exoesquelet oculta articulacions. La postura visible tampoc determina per si sola força, repetició, durada o molèsties. L’aportació de la visió artificial s’ha de contrastar amb les variables d’exposició que realment es pretén avaluar.
