Yann LeCun

wiki
, , , ,
1

Científico informático franco-estadounidense; inventor de las redes neuronales convolucionales, galardonado con el Premio Turing y pionero del paradigma de modelos del mundo para la inteligencia artificial.

Información básica / Perfil

Campo Detalles
Nombre completo Yann André Le Cun
Fecha de nacimiento 8 de julio de 1960, Soisy-sous-Montmorency, Francia
Nacionalidad Franco-estadounidense
Instituciones actuales AMI Labs (Presidente Ejecutivo); Universidad de Nueva York (Cátedra Jacob T. Schwartz)
Campos de investigación Aprendizaje profundo, redes neuronales convolucionales, visión artificial, modelos basados en energía, modelos del mundo, compresión de imágenes, robótica
Director de tesis doctoral Maurice Milgram
Tesis doctoral Modelos conexionistas del aprendizaje, Universidad Pierre y Marie Curie, 1987
Sitio web personal yann.lecun.com
X / Twitter @ylecun
GitHub github.com/ylecun
Google Scholar scholar.google.com/citations?user=WLN3QrAAAAAJ
Página de profesor en NYU engineering.nyu.edu/faculty/yann-lecun
Premio Turing de la ACM amturing.acm.org/award_winners/lecun_6017366.cfm

Resumen

Yann LeCun es un científico informático franco-estadounidense ampliamente reconocido como el arquitecto principal de las redes neuronales convolucionales (CNN) — la clase de modelos que transformó la visión artificial e impulsó el despliegue comercial del aprendizaje profundo en la década de 2010. Formado en Francia y moldeado por un año posdoctoral bajo Geoffrey Hinton en Toronto, desarrolló LeNet en los Laboratorios Bell a finales de los 80 y 90, una red que se desplegó a gran escala para leer cheques manuscritos en todo Estados Unidos y cuya arquitectura subyace a prácticamente todos los sistemas de reconocimiento visual en uso hoy en día. En 2018 compartió el Premio Turing con Hinton y Yoshua Bengio — el trío es conocido comúnmente como los «Padrinos del Aprendizaje Profundo». Pasó doce años como científico jefe de IA en Meta, donde dirigió el laboratorio Fundamental AI Research (FAIR) y defendió el desarrollo de IA de código abierto. En noviembre de 2025 dejó Meta para fundar Advanced Machine Intelligence Labs (AMI Labs), una empresa centrada en arquitecturas de modelos del mundo, que recaudó mil millones de dólares en marzo de 2026. Ocupa la cátedra Jacob T. Schwartz en el Instituto Courant de la NYU, puesto que ha mantenido junto a sus funciones en la industria desde 2003.

Primeros años y educación

Infancia y formación en Francia

LeCun nació el 8 de julio de 1960 en Soisy-sous-Montmorency, un suburbio al norte de París. Su apellido deriva de la antigua forma bretona Le Cunff, con raíces en la región de Guingamp, en Bretaña; su nombre de pila Yann es el equivalente bretón de Jean. Creció en Francia durante un periodo en que el conexionismo — la idea de que la cognición podía modelarse mediante redes de unidades simples — era una postura minoritaria en IA, y desarrolló un temprano interés por la posibilidad teórica de las máquinas que aprenden. A finales de sus veinte años ya publicaba propuestas de algoritmos de aprendizaje que tardarían décadas en reivindicarse por completo.

ESIEE París (1980–1983)

LeCun obtuvo un Diplôme d’Ingénieur en la ESIEE París en 1983, una titulación de ingeniería dentro de la tradición de las grandes écoles francesas. El programa le proporcionó una base rigurosa en matemáticas y procesamiento de señales que luego influiría en su enfoque de la arquitectura de redes neuronales.

Universidad Pierre y Marie Curie — Doctorado (1983–1987)

Completó su doctorado en ciencias de la computación en la Universidad Pierre y Marie Curie (hoy Universidad de la Sorbona) en 1987, bajo la supervisión de Maurice Milgram. Su tesis, Modelos conexionistas del aprendizaje, proponía una forma temprana del algoritmo de retropropagación — de manera independiente y casi simultánea a David Rumelhart, Geoffrey Hinton y Ronald Williams — y la aplicaba a redes multicapa. Un artículo de 1985 en Cognitiva describía un esquema temprano de aprendizaje con redes de umbral asimétrico, que precedió a la publicación canónica de Rumelhart-Hinton-Williams de 1986 en Nature.

Investigación posdoctoral con Hinton, Universidad de Toronto (1987–1988)

Antes de unirse a AT&T, LeCun pasó un año como investigador posdoctoral en la Universidad de Toronto bajo la supervisión de Geoffrey Hinton, donde profundizó su comprensión de la dinámica del entrenamiento de redes neuronales y comenzó la colaboración intelectual que daría forma al desarrollo del campo. Este año consolidó la relación de trabajo entre LeCun, Hinton y el grupo más amplio de Toronto.

Carrera

Laboratorios Bell de AT&T — Científico investigador (1988–1996)

En 1988 LeCun se unió al Departamento de Investigación en Sistemas Adaptativos de los Laboratorios Bell de AT&T en Holmdel, Nueva Jersey, dirigido por Lawrence Jackel. Durante ocho años produjo el trabajo que definió su legado científico. Su artículo de 1989 «Backpropagation Applied to Handwritten Zip Code Recognition» introdujo la arquitectura de red neuronal convolucional en su forma madura, combinando campos receptivos locales, compartición de pesos y submuestreo espacial en una jerarquía con motivación biológica. Para 1998 esto culminó en LeNet-5, presentado en «Gradient-Based Learning Applied to Document Recognition» (Proceedings of the IEEE, 1998, con Léon Bottou, Yoshua Bengio y Patrick Haffner), una red entrenada de extremo a extremo para leer dígitos manuscritos. El sistema asociado de reconocimiento de cheques bancarios fue desplegado por NCR y otras empresas, leyendo aproximadamente el 10% de todos los cheques emitidos en Estados Unidos en su punto máximo. También desarrolló Optimal Brain Damage (NeurIPS 1990), una técnica de poda fundamentada para eliminar pesos redundantes — un precursor de los métodos de compresión de modelos hoy centrales para la inferencia eficiente — y las Redes Transformadoras de Grafos para tareas de etiquetado de secuencias.

AT&T Labs-Research — Director de Procesamiento de Imágenes (1996–2003)

Tras la escisión de los Laboratorios Bell, LeCun se trasladó a AT&T Labs-Research como director del Departamento de Investigación en Procesamiento de Imágenes. El resultado principal de este periodo fue DjVu, un formato de compresión de imágenes de documentos desarrollado con Léon Bottou y Patrick Haffner, diseñado para la distribución web eficiente de documentos escaneados y adoptado posteriormente por Internet Archive. También codesarrolló el lenguaje de programación Lush con Bottou y colaboró con Vladimir Vapnik, el inventor de las máquinas de vectores de soporte. Tras una breve estancia como investigador en el NEC Research Institute, se unió a la Universidad de Nueva York en 2003.

Universidad de Nueva York — Catedrático Jacob T. Schwartz (2003–presente)

En el Instituto Courant de Ciencias Matemáticas de la NYU, LeCun ocupa cargos conjuntos en Ciencias de la Computación, Ciencia de Datos, Ciencia Neuronal e Ingeniería Eléctrica y de Computación. Su investigación en NYU se centró en los modelos basados en energía (EBMs) — un marco para el aprendizaje no supervisado y autosupervisado que trata la inferencia como un problema de optimización sobre un paisaje energético en lugar de una normalización probabilística — y en el aprendizaje de características para arquitecturas de reconocimiento de objetos en múltiples etapas. Codirigió el grupo de aprendizaje automático de NYU con Rob Fergus y otros, formando a toda una generación de investigadores, entre ellos Raia Hadsell, Marc’Aurelio Ranzato y Koray Kavukcuoglu. En 2012 se convirtió en director fundador del Centro de Ciencia de Datos de la NYU, cargo que dejó en 2014 cuando su función en Meta se amplió. En 2013, junto con Yoshua Bengio, cofundó la Conferencia Internacional sobre Aprendizaje de Representaciones (ICLR), que se convirtió en uno de los foros más importantes del campo. En 2016 fue profesor visitante en el Collège de France, donde impartió la lección inaugural de la Cátedra de Informática y Ciencias Numéricas. En 2023 fue nombrado titular inaugural de la Cátedra Jacob T. Schwartz en el Instituto Courant.

Meta (Facebook) AI — Vicepresidente y científico jefe de IA / Director de FAIR (2013–2025)

El 9 de diciembre de 2013, LeCun se convirtió en el primer director de Facebook AI Research (FAIR) en la ciudad de Nueva York, cargo que evolucionó a Vicepresidente y científico jefe de IA a medida que Meta crecía. Convirtió a FAIR en uno de los laboratorios de IA industrial de estilo académico más productivos, con una filosofía de publicación abierta y lanzamiento de código abierto: FAIR fue fundamental en el desarrollo y la publicación como código abierto de PyTorch (el marco que llegó a dominar la investigación en aprendizaje profundo), así como en modelos de visión artificial a gran escala, puntos de referencia de equidad y robustez, y métodos de aprendizaje autosupervisado. Durante su mandato mantuvo una postura pública contraria: argumentó persistentemente en contra de las narrativas de riesgo existencial de la IA, cuestionó el encuadre de los grandes modelos de lenguaje como un camino hacia la inteligencia general, y sostuvo que los sistemas actuales de IA carecen de la comprensión del mundo necesaria para una acción sólida en el mundo real. El 19 de noviembre de 2025, LeCun confirmó su salida de Meta tras doce años para fundar su propia empresa.

AMI Labs (Advanced Machine Intelligence Labs) — Presidente Ejecutivo (2025–presente)

LeCun cofundó Advanced Machine Intelligence Labs (AMI Labs) a finales de 2025, con Alex LeBrun como Director Ejecutivo y LeCun como Presidente Ejecutivo. La tesis de investigación de la empresa es que los grandes modelos de lenguaje representan un callejón sin salida estructural para alcanzar una inteligencia artificial a nivel humano, y que el camino correcto es la construcción de modelos del mundo — sistemas predictivos que aprenden la estructura y dinámica del mundo físico a partir de información sensorial multimodal, permitiendo una planificación y acción seguras en lugar de una generación de texto basada en patrones. En marzo de 2026, AMI anunció una ronda de financiación de 1.030 millones de dólares coliderada por Cathay Innovation, Greycroft, Hiro Capital, HV Capital y Bezos Expeditions, con una valoración previa a la inversión de 3.500 millones de dólares. En enero de 2026, LeCun también se convirtió en presidente fundador del Consejo Técnico de Investigación de Logical Intelligence, una empresa de IA que desarrolla sistemas de razonamiento basados en energía.

Contribuciones clave

  • Redes neuronales convolucionales / LeNet — Desarrolló la arquitectura CNN en los Laboratorios Bell entre 1989 y 1998, combinando conectividad local con inspiración biológica, compartición de pesos y agrupación en una jerarquía entrenada de extremo a extremo mediante retropropagación; el artículo «Gradient-Based Learning Applied to Document Recognition» (Proceedings of the IEEE, 1998) sigue siendo uno de los trabajos más citados en ciencias de la computación.
  • Retropropagación — formulación temprana independiente — Propuso un algoritmo práctico de aprendizaje por retropropagación en su tesis doctoral de 1987, de manera independiente y simultánea a la formulación canónica de Rumelhart-Hinton-Williams.
  • Optimal Brain Damage (NeurIPS 1990) — Introdujo un método fundamentado de segundo orden para la poda de pesos de redes basado en el cálculo del hessiano de la pérdida; una contribución fundacional a la compresión de modelos y la inferencia eficiente.
  • Sistema OCR de cheques bancarios — Aplicó LeNet en un sistema comercial desplegado por NCR que procesaba aproximadamente el 10% de los cheques bancarios estadounidenses en su punto máximo; uno de los primeros despliegues industriales a gran escala de una red neuronal.
  • Compresión de imágenes DjVu (1998, con Léon Bottou y Patrick Haffner) — Diseñó un formato de compresión de imágenes de documentos optimizado para texto escaneado que lograba una compresión significativamente mejor que JPEG con calidad equivalente y fue adoptado por Internet Archive.
  • Modelos basados en energía — Desarrolló un marco teórico unificado para el aprendizaje supervisado, no supervisado y autosupervisado basado en la minimización de energía en lugar de la normalización probabilística, articulado en un tutorial de 2006 y trabajos posteriores; influyó en el diseño de métodos modernos de aprendizaje autosupervisado contrastivo y de incrustación conjunta.
  • Redes Transformadoras de Grafos — Desarrolló arquitecturas de etiquetado de secuencias que combinan características convolucionales con predicción estructurada, aplicadas al reconocimiento de escritura manuscrita y OCR.
  • ICLR (cofundada en 2013, con Yoshua Bengio) — Estableció la Conferencia Internacional sobre Aprendizaje de Representaciones con un proceso de revisión por pares abierto, ahora una de las conferencias de IA más competitivas e influyentes.
  • FAIR y PyTorch — Dirigió el laboratorio Fundamental AI Research de Meta y supervisó o facilitó la publicación como código abierto de PyTorch, que desplazó a TensorFlow como el marco dominante en la investigación académica de aprendizaje profundo.
  • Modelos del mundo / AMI Labs — Articuló y está construyendo activamente hacia un cambio de paradigma, desde el preentrenamiento de modelos de lenguaje hacia una arquitectura que aprende un modelo predictivo de la realidad física a partir de entradas multimodales, permitiendo una planificación y acción seguras en el mundo.

Premios y reconocimientos

  • Premio Turing de la ACM (2018, conjuntamente con Geoffrey Hinton y Yoshua Bengio) — El mayor honor de la computación, compartido con los otros dos «Padrinos del Aprendizaje Profundo» por avances conceptuales y de ingeniería en redes neuronales.
  • Premio IEEE al Pionero en Redes Neuronales (2014)
  • Premio al Investigador Distinguido PAMI (2015)
  • Medalla IRI (2018)
  • Premio Harold Pender, Universidad de Pensilvania (2018)
  • Miembro, AAAI (2019)
  • Miembro, Academia Nacional de Ciencias de EE. UU. (2021)
  • Miembro, Academia Nacional de Ingeniería de EE. UU.
  • Miembro, Academia de Ciencias de Francia
  • Premio Princesa de Asturias de Investigación Científica (2022, conjuntamente con Hinton, Bengio y Demis Hassabis)
  • Caballero de la Legión de Honor (2023) — Concedido por el Presidente de Francia.
  • Gran Premio VinFuture (2024, conjuntamente con Bengio, Hinton, Jensen Huang y Fei-Fei Li)
  • Premio Reina Isabel de Ingeniería (2025, conjuntamente con Bengio, Bill Dally, Hinton, John Hopfield, Jensen Huang y Fei-Fei Li) — El premio internacional más prestigioso de la ingeniería.
  • Doctorados honoris causa del IPN Ciudad de México (2016), EPFL (2018), Universidad Costa Azul (2021), Universidad de Siena (2023), Universidad de Ciencia y Tecnología de Hong Kong (2023).

Relaciones clave

  • Geoffrey Hinton — Mentor posdoctoral y predecesor intelectual; cogalardonado con el Premio Turing; ambos comparten tanto el crédito como ocasionalmente el desacuerdo público, especialmente en los plazos de la seguridad de la IA, donde LeCun sostiene que la alarma de Hinton es exagerada.
  • Yoshua Bengio — Cogalardonado con el Premio Turing y cofundador de ICLR; colaboró en el artículo emblemático de LeNet y en el estudio fundacional de 2015 en Nature, «Deep learning»; los dos comparten una larga historia de investigación paralela y complementaria.
  • Léon Bottou — La colaboración de investigación más sostenida de LeCun, que abarca los Laboratorios Bell, AT&T y FAIR; coinventor de DjVu, el lenguaje Lush y trabajos de análisis del descenso de gradiente estocástico.
  • Vladimir Vapnik — Colega en AT&T Labs e inventor de las máquinas de vectores de soporte; interlocutor intelectual durante el periodo en que los métodos de kernel y las redes neuronales competían por la primacía.
  • Raia Hadsell — Estudiante de doctorado en NYU que se convirtió en investigadora principal en DeepMind; su trabajo sobre conducción autónoma todoterreno con LeCun fue una demostración temprana de percepción aprendida para robótica móvil.
  • Koray Kavukcuoglu — Colaborador en NYU y FAIR; más tarde vicepresidente de Investigación en DeepMind; coautor de trabajos sobre arquitecturas de reconocimiento de objetos en múltiples etapas.
  • Mark Zuckerberg — Reclutó a LeCun para construir FAIR en 2013; su relación laboral de doce años dio a LeCun una libertad inusual para llevar a cabo investigación fundamental dentro de una empresa impulsada por productos.
  • Alex LeBrun — Director Ejecutivo de AMI Labs, la empresa que LeCun fundó en 2025; lidera el lado operativo mientras LeCun actúa como Presidente Ejecutivo y estratega jefe de investigación.

Estilo personal

LeCun es una de las figuras más abiertamente combativas en la IA — prolífico en las redes sociales, dispuesto a calificar de erróneas las opiniones contrarias y sin preocuparse por la ambigüedad diplomática cuando cree que el campo va por mal camino. Su rechazo al catastrofismo de la IA es categórico y consistente: ha argumentado durante años que los temores a un riesgo superinteligente a corto plazo son infundados y que los sistemas actuales, incluidos los grandes modelos de lenguaje, carecen de las propiedades estructurales necesarias para una inteligencia a nivel humano. Su conferencia de abril de 2026 en la Universidad de Brown captó bien el tono — diciendo a una audiencia abarrotada que «la IA apesta» y que la inversión centrada en LLM es «una completa tontería» — posturas que ha mantenido en sustancia desde antes de que se convirtieran en un anticonformismo de moda. Técnicamente, se define por el pensamiento arquitectónico: sus contribuciones más duraderas (CNN, modelos basados en energía, modelos del mundo) no son algoritmos individuales sino marcos que reorganizan cómo debe abordarse una clase de problemas. Ha sido un defensor constante de la ciencia abierta, impulsando la publicación abierta en FAIR cuando los competidores mantenían la investigación en secreto, y sus orígenes bretones afloran con un orgullo discreto: firma con el nombre Yann en lugar de Jean y señala la etimología cuando se le pregunta.

Referencias