如果说 Geoffrey Hinton 是”深度学习之父”，那 Yann LeCun 就是”把深度学习真正跑起来的人”——他在 1989 年发明的卷积神经网络（CNN）LeNet-5，是深度学习历史上第一个商业级应用（1990 年代末美国邮政用 LeNet 自动识别手写邮政编码，准确率超过 99%）。
但 LeCun 不只是”CNN 之父”。他是 Meta（前 Facebook）首席 AI 科学家、Facebook AI Research（FAIR）创始人、深度学习开源生态最重要的推动者之一、2024 年深度学习”教父三巨头”中对 AI 路线最分歧的一位（他坚决反对当前大模型路线，主张”世界模型 JEPA”）。
一、早年：从巴黎到贝尔实验室
Yann LeCun 1960 年出生于巴黎。1983 年毕业于 ESIEE Paris，1987 年在 Pierre-et-Marie-Curie 大学获得博士学位。
1987-1988 年，他在多伦多大学 Geoffrey Hinton 实验室做博士后。这是深度学习历史上最重要的”师承关系”之一——Hinton 是 LeCun 的博后导师，而 Hinton 自己的学生 Alex Krizhevsky 2012 年用 GPU 跑 LeCun 的 CNN 在 ImageNet 上拿了冠军。
1988 年，LeCun 加入贝尔实验室（AT&T Bell Labs）——这是 1990 年代全球计算机科学的”麦加”。在这里，他与 Yoshua Bengio 等人合作，把 1980 年代的反向传播理论落地成可工作的 CNN。
二、LeNet：CNN 的工业首秀（1989-1998）
1989 年 LeCun 等人在贝尔实验室发表论文《Backpropagation Applied to Handwritten Zip Code Recognition》，这是 CNN 第一次真正工作。之后他们把这个网络命名为 LeNet-5。
LeNet-5 的关键贡献：
– 第一个用反向传播训练的卷积神经网络
– 第一个在工业场景（手写数字识别）大规模部署的深度学习系统
– 第一次证明”GPU 之外的硬件（早期是 DSP）”能跑深度学习
LeNet-5 的产业落地：1990 年代末，美国邮政、NCR、银行系统大规模使用 LeNet-5 识别手写数字。这是深度学习第一次赚到大钱。
但 2000 年代初深度学习进入第二次寒冬，LeCun 1996 年后离开贝尔实验室，辗转 NYU、贝尔实验室核心研究组、Howard Hughes Medical Institute 等机构，坚持 CNN 这条”冷门路线”长达 15 年。
三、NYU + 深度学习复兴（2003-2013）
2003 年起，LeCun 在纽约大学担任教授。他和 Hinton、Bengio 一起被称为”深度学习三巨头“——2018 年三人共同获得图灵奖。
关键贡献一：持续推动 CNN。2003-2012 年的寒冬里，LeCun 几乎是唯一一个持续研究 CNN 的顶级学者。
关键贡献二：MNIST 数据集。LeCun 创建的 MNIST 数据集（手写数字图像）成为深度学习的”Hello World”——所有初学者入门深度学习都跑过 MNIST。
关键贡献三：教学影响。他在 NYU 教授的深度学习课程视频在 YouTube 播放量超过 500 万次，培养了 Yann Goodfellow、Soumith Chintala 等大批人才。
关键贡献四：与 AlexNet 的”传承”。2012 年 Alex Krizhevsky 用 GPU 跑 LeNet 改进版（AlexNet）赢得 ImageNet 比赛。LeCun 后来说”AlexNet 基本就是 LeNet-5 的 GPU 版”——这是 CNN 复兴的标志性事件。
四、FAIR 与 Meta 时代（2013-2026）
2013 年，Mark Zuckerberg 邀请 LeCun 加入 Facebook，担任 Facebook AI Research（FAIR）创始主任。这是学术界 AI 大佬加入工业界的标志性事件。
FAIR 的关键贡献：
第一，开源 PyTorch。2016 年 FAIR 主导开发 PyTorch，2018 年把 PyTorch 开源。PyTorch 成为 2018-2024 年深度学习事实标准框架——90%+ 学术论文用 PyTorch，与 Google TensorFlow 形成对峙。
第二，开源 LLaMA 系列。2023 年 2 月 FAIR 发布开源大模型 LLaMA，2023 年 7 月开源 LLaMA 2，2024 年 4 月开源 LLaMA 3。LLaMA 系列直接改变了 AI 行业格局——OpenAI、Anthropic 等闭源厂商第一次面对真正可用的开源替代。
第三，多模态研究。FAIR 在图像分割、目标检测、视频理解等方向持续输出 state-of-the-art 模型。
第四，AI 伦理研究。FAIR 在算法公平性、AI 安全、隐私保护等方向有持续贡献。
第五，人才输出。FAIR 培养了 Soumith Chintala（PyTorch 创始人）、Hugo Touvron（LLaMA 首席作者）、Angela Fan、Mike Lewis 等大批 AI 顶尖人才。
五、世界模型 JEPA：与 LLM 路线之争（2022-2026）
2022 年起，LeCun 公开反对当前大模型路线，主张”世界模型（World Model）+ JEPA 架构”是 AI 的未来。
核心观点：
– 大语言模型（LLM）本质上只是”文本预测机器”，不真正理解世界
– 真正的智能需要理解物理世界、因果关系、时间演化
– 这需要”世界模型”——一个能预测”如果我做一个动作，世界会怎么变”的内置模拟器
JEPA（Joint Embedding Predictive Architecture） 是 LeCun 团队 2023-2024 年的核心工作。它不像 LLM 那样生成像素级输出，而是在表示空间预测——更接近人脑的工作方式。
关键事件：
– 2022 年 6 月，LeCun 发表《A Path Towards Autonomous Machine Intelligence》白皮书
– 2023 年 6 月，Meta 发布 I-JEPA（图像 JEPA）
– 2024 年 4 月，Meta 发布 V-JEPA（视频 JEPA）
– 2024 年 10 月，LeCun 在 Meta Connect 大会上进一步阐述”世界模型”愿景
六、关键贡献总结（5 个时代）
1989-1998：LeNet 时代——CNN 工业首秀
2003-2013：NYU + 深度学习复兴——寒冬中的坚持
2013-2022：FAIR + PyTorch 时代——开源生态奠基
2022-至今：世界模型时代——与 LLM 路线之争
