Yann LeCun

Yann André LeCun (* 8. Juli 1960 in Soisy-sous-Montmorency, Frankreich) ist französisch-amerikanischer Informatiker und gilt als einer der Begründer des modernen Deep Learning.

Er erhielt 2018 – gemeinsam mit Geoffrey Hinton und Yoshua Bengio – den ACM Turing Award für „konzeptuelle und technische Durchbrüche, die tiefe neuronale Netze zu einem kritischen Bestandteil des Rechnens gemacht haben”. Die drei werden oft als Godfathers of Deep Learning bezeichnet.

LeCun war von Dezember 2013 bis November 2025 Chief AI Scientist bei Meta (zunächst Facebook AI Research, FAIR). Im November 2025 kündigte er seinen Ausstieg an, um mit Advanced Machine Intelligence (AMI Labs) eine eigene Forschungsorganisation mit Sitz in Paris zu gründen. Er ist außerdem Silver Professor of Computer Science and Neural Science am Courant Institute of Mathematical Sciences der New York University (seit 2003).

Zusammenfassung

LeCuns technisch-wissenschaftlicher Hauptbeitrag ist die Entwicklung der Convolutional Neural Networks (CNNs) – eine biologisch inspirierte neuronale Architektur, die die visuelle Mustererkennung revolutioniert hat und Grundlage praktisch aller heutigen Computer-Vision-Systeme ist.

Seine 1989 vorgestellte Ziffernerkennung ist der Ausgangspunkt dieser Linie, das 1998 publizierte LeNet-5 ihre kanonische Form; in den späten 2010er Jahren wurden Varianten der CNN-Architektur zur dominanten Methodik der Bilderkennung, mit Anwendungen von medizinischer Diagnostik bis zu selbstfahrenden Fahrzeugen.

Für die Debatte um Tech- und KI-Ideologien hat LeCun jedoch eine zweite, eigenständig wichtige Rolle: als prominentester wissenschaftlich respektierter Vertreter einer technikoptimistisch-skeptischen Position gegenüber der x-risk- und AGI-Doomerism-Tradition.

Seine wiederholten öffentlichen Auseinandersetzungen mit Yudkowsky, Bostrom, Bengio und Hinton zu Fragen existenzieller KI-Risiken machen ihn zur stilbildenden Gegenstimme der TESCREAL-affinen AI-Safety-Argumentation.

LeCun vertritt seit etwa 2022 das Programm der Joint Embedding Predictive Architecture (JEPA) als Alternative zu den autoregressiven Large Language Models und argumentiert, dass LLM-basierte Wege zur AGI strukturell nicht zielführend seien.

Biografie

LeCun wurde 1960 als Sohn eines Ingenieurs geboren; die frühe Faszination für Maschinen und Elektronik wurde durch den Vater geprägt und durch Stanley Kubricks 2001: A Space Odyssey verstärkt.

Er studierte an der École Supérieure d’Ingénieurs en Electrotechnique et Électronique (ESIEE Paris, Diplôme d’Ingénieur 1983) und promovierte 1987 an der heutigen Sorbonne Université (damals Université Pierre et Marie Curie) mit einer Arbeit zu konnektionistischen Lernmodellen. Darin arbeitete er eine frühe Form des Backpropagation-Algorithmus für neuronale Netze aus.

1987/88 absolvierte LeCun einen Postdoktorat-Aufenthalt an der University of Toronto bei Geoffrey Hinton – eine langjährige Freundschaft, die im 2018er Turing-Award gemeinsam mit Hinton und Bengio gipfelte.

Ab 1988 arbeitete LeCun bei den AT&T Bell Laboratories in Holmdel, New Jersey, ab 1996 als Head of the Image Processing Research Department. 2003 wechselte er an die New York University als Silver Professor. Im Dezember 2013 trat er zudem die Position des Chief AI Scientist bei Facebook (heute Meta) an, wo er das Facebook AI Research (FAIR) Lab aufbaute und bis November 2025 leitete.

LeCun ist Mitglied der US National Academy of Sciences (seit 2017) und der französischen Académie des Sciences. Weitere Auszeichnungen: IEEE Neural Network Pioneer Award (2014), Princess of Asturias Award for Technical and Scientific Research (2022, gemeinsam mit Hinton, Bengio und Hopfield).

Advanced Machine Intelligence (AMI Labs) (2025–2026)

Nach seinem Ausstieg bei Meta gründete LeCun das Unternehmen Advanced Machine Intelligence (AMI Labs) mit Hauptsitz in Paris; weitere Büros in New York, Montreal und Singapur sind geplant.

Der offizielle Start und der Abschluss der Seed-Finanzierungsrunde erfolgten am 9. März 2026: AMI Labs sammelte dabei 1,03 Mrd. US-Dollar (890 Mio. Euro) bei einer Bewertung von rund 3,5 bis 4,5 Mrd. US-Dollar ein – eine der größten Seed-Runden überhaupt und wohl die größte eines europäischen Unternehmens.

Lead-Investoren waren Cathay Innovation, Greycroft, Hiro Capital, HV Capital und Bezos Expeditions; weitere Beteiligte waren Nvidia, Samsung, Sea, Temasek und Toyota Ventures. LeCun übernahm die Rolle des Executive Chairman, nicht die des CEO; als CEO wurde im Dezember 2025 Alexandre LeBrun berufen, der Gründer des französischen Health-Tech-Start-ups Nabla.

Inhaltlich verfolgt AMI Labs den Aufbau von Weltmodellen auf Basis der JEPA-Architektur (siehe unten) als expliziten Gegenentwurf zur LLM-Skalierung. Meta selbst investiert nicht direkt in AMI Labs, plant jedoch eine Partnerschaft mit dem neuen Unternehmen.

Werk

Convolutional Neural Networks (CNNs)

LeCuns Hauptbeitrag – entwickelt während seiner Bell-Labs-Zeit ab 1988 – ist die Convolutional Neural Network-Architektur, biologisch inspiriert vom visuellen Cortex (Hubel und Wiesel 1962).

Eine CNN verschiebt einen lernbaren Filter über die räumliche Struktur des Eingabebildes; die Convolution-Operation macht das Netz translationsinvariant – ein einmal gelernter Merkmalsdetektor erkennt das Merkmal an jeder Position des Bildes. Die Architektur ist parameter-effizient, hierarchisch (höhere Schichten lernen abstraktere Merkmale) und für räumliche Daten überaus wirksam.

LeNet-5 (LeCun u. a. 1998, Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE 86 [11]) ist die kanonische Frühform der CNN-Architektur. Die produktive Anwendung – die Lesung handgeschriebener Ziffern auf Schecks – war Mitte der 1990er Jahre an US-Bankautomaten weit verbreitet. Die CNN-Architektur wurde 2012 durch AlexNet (Krizhevsky/Sutskever/Hinton) auf GPU-Hardware skaliert und löste den heutigen Deep-Learning-Boom aus.

Weitere Beiträge

LeCun hat eine Reihe weiterer wichtiger Beiträge geliefert: Optimal Brain Damage (1990, Regularisierung durch Gewichts-Pruning) und Graph Transformer Networks (1998, frühe Form strukturierter Netzwerke).

Hinzu kommen DjVu (1996ff., Bildkompressionsformat, das er gemeinsam mit Léon Bottou entwickelte und das vom Internet Archive für gescannte Bücher genutzt wird) und Energy-Based Models (ab den 2000er Jahren, ein Rahmen für überwachtes und unüberwachtes Lernen).

Joint Embedding Predictive Architecture (JEPA)

Seit etwa 2022 verfolgt LeCun das Programm der Joint Embedding Predictive Architecture (JEPA) als Gegenentwurf zu den heute dominanten autoregressiven Large Language Models.

JEPA-Systeme lernen, abstrakte Repräsentationen ihrer Eingaben vorherzusagen, statt rohe Tokens zu erzeugen; LeCun argumentiert, dass dieser Ansatz für ein systematisches Weltmodell – eine seiner Diagnosen, was LLMs strukturell fehlt – geeigneter sei. V-JEPA (2024) und V-JEPA 2 (2025) sind Anwendungen auf Videodaten. Die Position ist innerhalb der KI-Forschung kontrovers, gewinnt aber seit etwa 2024 an Sichtbarkeit.

Position im KI-Sicherheitsdiskurs

LeCun ist eine der prominentesten Stimmen der akademischen KI-Forschung, die der x-risk- und AGI-Doomerism-Tradition skeptisch gegenübersteht. Seine zentralen Positionen lassen sich in vier Punkten zusammenfassen:

Erstens: Die AGI ist nicht unmittelbar bevorstehend. LeCun hat wiederholt argumentiert, dass die Lücke zwischen heutigen LLM-basierten Systemen und einer AGI substantiell ist und dass die in Doomer-Kreisen verbreiteten Zeitskalen (5–20 Jahre) unrealistisch optimistisch sind.

Zweitens: LLMs sind nicht der Weg zur AGI. Die autoregressive Token-Vorhersage ist nach LeCuns Diagnose strukturell unzureichend für die Bildung von Weltmodellen, hierarchischer Planung und systematischem Reasoning. JEPA ist sein konstruktiver Gegenvorschlag.

Drittens: Die Orthogonality Thesis ist in ihrer starken Form nicht haltbar. LeCun hat öffentlich argumentiert, dass intelligente Systeme nicht beliebige Endziele verfolgen werden – die Vorstellung einer superintelligenten Paperclip-Maximierungs-KI sei eine theoretische Konstruktion ohne empirische Verankerung.

Viertens: AI-Safety durch Engineering, nicht durch Verzicht. LeCun plädiert für offene Forschung, Open-Source-Frontier-Modelle (Meta hat unter seiner Leitung mit der Llama-Familie eine Open-Weights-Strategie verfolgt) und gegen den von Yudkowsky vorgeschlagenen Pause AI Development-Diskurs (offener Brief März 2023). LeCun war einer der prominentesten Nicht-Unterzeichner.

Seine öffentlichen Auseinandersetzungen mit Yudkowsky, Bengio und Hinton – letztere beiden haben sich ab etwa 2023 stärker der x-risk-besorgten Position angenähert – sind in der Sekundärliteratur dokumentiert. Die berühmte Sophia-Polemik (LeCuns Bezeichnung des Hanson-Robotics-Roboters als „complete bullshit”) gilt als ikonisches Beispiel seiner konfrontativen Auseinandersetzung mit Anthropomorphisierungs-Tendenzen in der KI-Vermarktung.

Einordnung

LeCuns Position ist durch drei Differenzen profiliert:

Gegenüber Bengio und Hinton: Die drei Godfathers sind technisch eng verbunden, vertreten aber seit 2023 substantiell unterschiedliche Positionen zur x-risk-Frage. Bengio hat sich der besorgten Position angenähert (Mila-Statements 2023/24); Hinton ist 2023 medienwirksam aus Google ausgeschieden, um öffentlich vor KI-Risiken zu warnen; LeCun bleibt der bekannteste Skeptiker.

Gegenüber Yudkowsky und MIRI: LeCun lehnt die MIRI-Tradition (CEV, fragility of value, foom) substantiell ab. Seine Bezeichnung der Doomer-Tradition als nicht empirisch fundierte Spekulation ist diskursiv prägend.

Gegenüber TESCREAL und EA: LeCun nimmt selten direkt zu TESCREAL Stellung, hat aber wiederholt darauf hingewiesen, dass die x-risk-fokussierte AI-Safety-Tradition disproportional viel öffentliche Aufmerksamkeit auf hypothetische Risiken lenke und konkrete gegenwärtige Schäden vernachlässige. Das ist eine inhaltliche Konvergenz mit der TESCREAL-Kritik aus Gebru/Torres, ohne dass LeCun sich politisch oder methodisch dieser Tradition zuordnete.

Kritik

Substantielle Kritik richtet sich auf drei Punkte:

Aus der MIRI- und Anthropic-Tradition wird LeCun vorgeworfen, die Sleeper Agents– und Alignment Faking-Befunde (Hubinger u. a. 2024, Greenblatt u. a. 2024) zu wenig ernst zu nehmen – empirische Beobachtungen, die eine Reihe seiner skeptischen Annahmen herausfordern.

Aus der Sicht der x-risk-Forschung wird argumentiert, dass LeCuns Argument from Current Limitations (heutige LLMs können X nicht) keine Garantie dafür ist, dass künftige Architekturen X nicht können werden. Zudem habe die Geschwindigkeit der jüngeren Entwicklung seine eigenen Voraussagen mehrfach überholt.

Aus der Sicht der Critical AI Studies (Gebru, Mitchell) wird LeCuns Open-Source-Befürwortung im Hinblick auf konkrete Schäden (Deepfake-Verbreitung, Bias-Reproduktion, Missbrauchsanfälligkeit) kritisiert.

Verwandte Begriffe

• Yoshua Bengio – Mit-Turing-Awardee
• Turing Award – Auszeichnung 2018
• Eliezer Yudkowsky – diskursiver Gegenpart
• Llama – Open-Weights-Modellfamilie unter seiner Leitung

Quellenangaben

1. ACM, 2019. Turing Award 2018 Citation: Bengio, Hinton, and LeCun. Association for Computing Machinery, 27. März 2019.
2. Bardes, Adrien / Garrido, Quentin / Ponce, Jean / LeCun, Yann u. a. (2024): Revisiting Feature Prediction for Learning Visual Representations from Video. Meta AI Research. arXiv: 2404.08471.
3. Bengio, Yoshua / Hinton, Geoffrey / Yao, Andrew u. a., 2024. Managing Extreme AI Risks Amid Rapid Progress. In: Science 384 (6698), S. 842–845. DOI: 10.1126/science.adn0117.
4. Fortune (2025): Yann LeCun’s AMI Labs: AI Startup Valuation and Meta Departure. Fortune, 19. Dezember 2025.
5. Future of Life Institute, 2023. Pause Giant AI Experiments: An Open Letter. futureoflife.org, März 2023.
6. Gebru, Timnit / Torres, Émile P., 2024. The TESCREAL Bundle: Eugenics and the Promise of Utopia through Artificial General Intelligence. In: First Monday 29 (4). DOI: 10.5210/fm.v29i4.13636.
7. Greenblatt, Ryan / Denison, Carson / Wright, Benjamin / Roger, Fabien / MacDiarmid, Monte / Marks, Sam / Treutlein, Johannes u. a., 2024. Alignment Faking in Large Language Models. Anthropic / Redwood Research. arXiv: 2412.14093
8. Hubinger, Evan / Denison, Carson / Mu, Jesse / Lambert, Mike / Tong, Meg / MacDiarmid, Monte u. a., 2024. Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training. Anthropic. arXiv: 2401.05566
9. Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., 2012. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012), S. 1097–1105.
10. LeCun, Yann, 1987. Modèles connexionnistes de l’apprentissage. Dissertation, Université Pierre et Marie Curie, Paris.
11. LeCun, Yann u. a., 1989. Backpropagation Applied to Handwritten Zip Code Recognition. In: Neural Computation 1 (4), S. 541–551. DOI: 10.1162/neco.1989.1.4.541.
12. LeCun, Yann / Bottou, Léon / Bengio, Yoshua / Haffner, Patrick, 1998. Gradient-Based Learning Applied to Document Recognition. In: Proceedings of the IEEE 86 (11), S. 2278–2324. DOI: 10.1109/5.726791.
13. LeCun, Yann / Bengio, Yoshua / Hinton, Geoffrey, 2015. Deep Learning. In: Nature 521 (7553), S. 436–444. DOI: 10.1038/nature14539.
14. LeCun, Yann, 2022. A Path Towards Autonomous Machine Intelligence. Meta AI. OpenReview.
15. MIT Technology Review (2026): Yann LeCun’s new venture is a contrarian bet against large language models. 22. Januar 2026.
16. Heim, Anna (2026): Yann LeCun’s AMI Labs raises $1.03B to build world models. TechCrunch, 9. März 2026.

← Zurück zur Lexikon-Übersicht