Quién es Yann LeCun
Yann LeCun es investigador de inteligencia artificial y profesor de NYU. Su trabajo conecta aprendizaje automático, visión por computador, robótica y neurociencia, con aportaciones a las redes convolucionales y al aprendizaje de representaciones.[1]
Formación en Francia
Obtuvo el diploma de Ingeniería Eléctrica en ESIEE en 1983 y un DEA en Inteligencia Artificial y Reconocimiento de Patrones en la Universidad Pierre y Marie Curie en 1984. En esa universidad completó en 1987 el doctorado en Informática. Su formación reunió ingeniería electrónica, reconocimiento de patrones y métodos de aprendizaje. [4]
De Bell Labs a Nueva York y Meta
Tras un posdoctorado en Toronto, se incorporó a Bell Labs en 1988. Dirigió investigación de procesamiento de imágenes en AT&T desde 1996, pasó por NEC y llegó a NYU en 2003. Fundó FAIR en 2013 y fue director científico de IA de Meta entre 2018 y 2025. [7]
En enero de 2026 pasó a ser presidente ejecutivo de AMI Labs. Conservó su vinculación con NYU como profesor Jacob T. Schwartz, con presencia académica tanto en Courant como en ingeniería eléctrica e informática. Su trayectoria combina construir equipos de investigación con mantener una actividad universitaria a largo plazo. [2]
Redes convolucionales y lectura de documentos
En 1989, LeCun y sus colaboradores demostraron el reconocimiento de cifras manuscritas procedentes del correo estadounidense mediante una red entrenada con retropropagación. La arquitectura incorporaba restricciones propias de la tarea y aprendía desde la imagen normalizada hasta la categoría final. El trabajo contribuyó a convertir el reconocimiento visual en un problema de aprendizaje conjunto. [8]
El artículo de 1998 con Léon Bottou, Yoshua Bengio y Patrick Haffner sistematizó esa línea mediante LeNet-5 y sistemas de reconocimiento de documentos. Comparaba métodos sobre cifras manuscritas y mostraba cómo integrar componentes entrenables para mejorar conjuntamente el procesamiento.[11]
Con John Denker y Sara Solla presentó Optimal Brain Damage en 1989. El método estudiaba qué conexiones podían eliminarse de una red con poco perjuicio para su función, utilizando información de derivadas segundas. Esta poda articulaba un compromiso entre complejidad y error, anticipando una cuestión que sigue presente: cuánto modelo necesita realmente una tarea. [9]
DjVu y el acceso a documentos digitalizados
En 1998 desarrolló con Bottou, Haffner y Paul Howard un método de compresión para distribuir páginas escaneadas en color por internet. DjVu buscaba conservar texto legible, fotografías y apariencia gráfica con archivos reducidos. La propuesta atendía tanto al almacenamiento como a la visualización progresiva, cuando las conexiones y la memoria disponibles limitaban el acceso a bibliotecas digitales. [10]
Robótica y reconocimiento integrado
En DAVE, entre 2003 y 2004, su equipo y colaboradores de Net-Scale construyeron un pequeño vehículo que aprendía a dirigir el movimiento a partir de imágenes de dos cámaras y ejemplos de conducción humana. Fue una prueba de concepto de aprendizaje de extremo a extremo para evitar obstáculos en exteriores, con entrenamiento y evaluación separados. [13]
OverFeat, publicado inicialmente en 2013 con Pierre Sermanet y otros investigadores, combinó clasificación, localización y detección de objetos mediante una red compartida. El sistema incorporaba varias escalas y estimaba los límites de los objetos. Ganó la tarea de localización de ImageNet de 2013, mostrando cómo podían reunirse funciones visuales antes tratadas de manera más separada. [14]
Modelos basados en energía
Su tutorial de 2006, escrito con Sumit Chopra, Raia Hadsell, Marc’Aurelio Ranzato y Fu Jie Huang, organizó un marco común para modelos basados en energía. Una función asigna compatibilidad a configuraciones de variables; aprender modifica esa función y realizar inferencias busca configuraciones adecuadas. El concepto permite relacionar distintas familias de modelos sin exigir una única arquitectura neuronal. [12]
De imágenes a modelos del mundo
En A Path Towards Autonomous Machine Intelligence, de 2022, propuso combinar modelos predictivos del entorno, motivación intrínseca y representaciones jerárquicas. El texto se presenta expresamente como una visión de investigación que reúne ideas de distintos autores. Su pregunta central es cómo aprender del mundo y planificar acciones con menos supervisión externa. [15]
I-JEPA, trabajo colectivo de 2023 del que es coautor, aprende a predecir representaciones de regiones de una imagen a partir de otras regiones. No intenta reconstruir cada píxel ausente. La selección de bloques busca que la tarea requiera información semántica, desplazando el interés desde copiar detalles visuales hacia aprender características útiles para tareas posteriores. [16]
En 2025 fue coautor de V-JEPA 2, que combinó aprendizaje a partir de vídeos con una cantidad menor de experiencias robóticas. La variante condicionada por acciones se evaluó en brazos Franka para recoger y colocar objetos en dos laboratorios. Los resultados corresponden a esos experimentos concretos, dentro de una línea que une observación, predicción y planificación. [17]
V-JEPA 2.1, presentado en 2026, amplió esa investigación hacia representaciones visuales más detalladas espacial y temporalmente. El estudio combinó aprendizaje en varias capas y señales procedentes de imágenes y vídeos. Lo evaluó en anticipación de acciones, navegación, profundidad y manipulación, abordando la necesidad de mantener información local además de comprender globalmente una escena. [18]
AMI Labs y la orientación de su investigación
AMI describe su programa como el desarrollo de modelos del mundo que predicen en espacios de representación y ayudan a planificar acciones. La empresa identifica robótica, automatización, salud y control industrial entre sus ámbitos de interés. Su propuesta reúne memoria, razonamiento y controlabilidad como objetivos técnicos, con colaboración académica mediante publicaciones y software abierto. [19]
En su conversación con James Manyika publicada en 2026, LeCun defiende que anticipar cada detalle de una señal resulta poco útil cuando hay ruido e incertidumbre. Propone aprender abstracciones que permitan predecir consecuencias relevantes. Esta posición explica su énfasis en modelos del mundo y planificación, y su crítica a depender exclusivamente de modelos de lenguaje para comprender entornos físicos. [21]
En abril de 2026, AI Alliance anunció su incorporación como asesor científico principal. La función incluía orientar Project Tapestry, una iniciativa para desarrollar modelos abiertos mediante colaboración distribuida. Es otra expresión de su defensa de la investigación compartida y del acceso a infraestructura científica más allá de una sola empresa. [20]
Premio Turing y reconocimientos
Compartió el Premio Turing de 2018 con Geoffrey Hinton y Yoshua Bengio. [3]
También recibió conjuntamente el Queen Elizabeth Prize for Engineering de 2025. [22]
Es miembro de las academias estadounidenses de Ingeniería y Ciencias y de la Academia de Ciencias de Francia. [1]
Visión artificial para evaluar postura y exoesqueletos
LeCun contribuyó al desarrollo de las redes neuronales convolucionales, una base de la visión artificial moderna. Su relación con la ergonomía es metodológica: estas redes permiten extraer información visual que otros investigadores emplean para estimar la posición del cuerpo. [5]
Un trabajo de 2023 alojado por NIST estudia cámaras RGB y estimación de postura sin marcadores para evaluar exoesqueletos. El documento identifica las redes convolucionales como componentes del método. Presenta una herramienta de investigación, con validación adicional pendiente, no una evaluación ergonómica automática ya resuelta. [6]
Medir movimiento no equivale a medir todo el riesgo
La aplicación preventiva concreta es investigar cómo observar la interacción entre una persona y un dispositivo de asistencia sin añadir tantos sensores al cuerpo. LeCun no es autor de ese estudio ni se le atribuyen sus resultados.
Para utilizar una estimación de postura en el trabajo hay que conocer sus errores, especialmente cuando el propio exoesqueleto oculta articulaciones. La postura visible tampoco determina por sí sola fuerza, repetición, duración o molestias. La aportación de la visión artificial debe contrastarse con las variables de exposición que realmente se pretende evaluar.
