Quoc V. Le ist ein vietnamesisch-amerikanischer Informatiker. Er war 2011 einer der Mitbegründer von Google Brain und zählt zu den technisch einflussreichsten Forschern hinter mehreren zentralen Durchbrüchen der modernen KI-Entwicklung, von der Seq2Seq-Architektur bis zum Chain-of-Thought-Prompting. 2026 gründete er gemeinsam mit Jeff Dean, Oriol Vinyals und Sanjay Ghemawat das Start-up Discovery Loop.
Zusammenfassung
Le promovierte an der Stanford University unter Andrew Ng mit einer Dissertation zu skalierbarem Feature-Lernen. 2011 gehörte er neben Jeff Dean und Greg Corrado zu den Gründern von Google Brain.
Dort leitete Le ein frühes, öffentlichkeitswirksames Projekt: ein auf 16.000 CPU-Kernen trainiertes Deep-Learning-System (Google 2012), das lernte, Katzen anhand von YouTube-Videos zu erkennen. Dies war ein frühes Symbol für die Leistungsfähigkeit unüberwachten Deep Learnings.
In den folgenden Jahren war Le an grundlegenden Arbeiten beteiligt. 2014 arbeitete er an der Seq2Seq-Architektur für maschinelle Übersetzung mit Ilya Sutskever und Oriol Vinyals, sowie an Doc2Vec zur Dokumentenrepräsentation mit Tomáš Mikolov. 2017 trug er zu AutoML und der neuronalen Architektursuche bei, aus der später die EfficientNet-Modellreihe hervorging.
2020 arbeitete er an der Konversations-KI LaMDA. 2022 entwickelte er die Technik des Chain-of-Thought-Prompting, die das schrittweise Schlussfolgern großer Sprachmodelle verbesserte. 2024 war er an AlphaGeometry beteiligt, einem KI-System, das geometrische Beweisaufgaben auf Olympiade-Niveau löst.
2026 verließ Le Google, um gemeinsam mit Jeff Dean, Oriol Vinyals und Sanjay Ghemawat das KI-Forschungs-Start-up Discovery Loop zu gründen.
Werdegang
Le stammt aus Hương Thủy in Vietnam. Er promovierte an der Stanford University unter der Betreuung von Andrew Ng, mit einer Dissertation zu skalierbarem Feature-Lernen. 2011 gehörte er zu den Mitbegründern von Google Brain, gemeinsam mit Jeff Dean und Greg Corrado.
Von der YouTube-Katzenerkennung zu Discovery Loop
Les frühe Arbeit bei Google Brain führte 2012 zu einem der öffentlichkeitswirksamsten frühen Deep-Learning-Ergebnisse: einem auf 16.000 CPU-Kernen trainierten System (Google 2012). Dieses System lernte ohne gezielte Anleitung, das Konzept „Katze” aus einer großen Menge unmarkierter YouTube-Videobilder zu abstrahieren.
In den folgenden Jahren prägte Le eine ungewöhnlich lange Reihe zentraler technischer Beiträge. 2014 arbeitete er an der Seq2Seq-Architektur mit Ilya Sutskever und Oriol Vinyals sowie an Doc2Vec mit Tomáš Mikolov. 2017 trug er zu AutoML und der neuronalen Architektursuche bei, die die Grundlage der EfficientNet-Modelle bildeten.
2020 folgte ein Beitrag zur Konversations-KI LaMDA. 2022 entwickelte Le das Chain-of-Thought-Prompting zur Verbesserung des schrittweisen Schlussfolgerns. 2024 war er an AlphaGeometry beteiligt, einem System für geometrische Beweisaufgaben auf Olympiade-Niveau.
Am 5. August 2026 verließ Le Google. Gemeinsam mit seinen langjährigen Kollegen Jeff Dean, Oriol Vinyals und Sanjay Ghemawat gründete er das KI-Forschungs-Start-up Discovery Loop.
Discovery Loop ist als Public Benefit Corporation verfasst. Das Unternehmen zielt darauf ab, die wissenschaftliche Methode selbst durch parallel laufende, KI-gesteuerte Experimentierschleifen zu automatisieren, zunächst mit Schwerpunkt auf maschinelles-Lernen-Forschung. Die Anfangsfinanzierung führten Radical Ventures und Khosla Ventures an.
Verwandte Begriffe
- Jeff Dean – Mitgründer von Google Brain und von Discovery Loop
- Oriol Vinyals – Ko-Autor der Seq2Seq-Architektur und Mitgründer von Discovery Loop
- Chain-of-Thought – die von Le mitentwickelte Prompting-Technik für schrittweises Schlussfolgern
Quellenangaben
- Google, 26. Juni 2012: „Using large-scale brain simulations for machine learning and A.I.”. Google Blog. https://blog.google/innovation-and-ai/products/using-large-scale-brain-simulations-for/
- Sutskever, Ilya / Vinyals, Oriol / Le, Quoc V., 2014. Sequence to Sequence Learning with Neural Networks. arXiv: 1409.3215
- Wei, Jason / Zhou, Denny, 2022. Language Models Perform Reasoning via Chain of Thought. Google Research Blog, 11. Mai 2022. research.google/blog/language-models-perform-reasoning-via-chain-of-thought/ (Belegt die Chain-of-Thought-Arbeit google-seitig; Le ist Mitautor der zugrunde liegenden Veröffentlichung, arXiv: 2201.11903.)
- NeurIPS, 2024. Announcing the NeurIPS 2024 Test of Time Paper Awards. 27. November 2024. blog.neurips.cc/2024/11/27/announcing-the-neurips-2024-test-of-time-paper-awards/ (Belegt die Auszeichnung für „Sequence to Sequence Learning with Neural Networks“.)
- Sutskever, Ilya / Vinyals, Oriol / Le, Quoc V., 2014. Sequence to Sequence Learning with Neural Networks. arXiv: 1409.3215