Ian Goodfellow

wiki
, , , ,
1

Chercheur américain en apprentissage profond ; inventeur des réseaux antagonistes génératifs, co-pionnier de l’apprentissage automatique antagoniste et auteur principal du manuel canonique Deep Learning.

Informations de base / Profil

Champ Détails
Nom complet Ian J. Goodfellow
Naissance 1987, États-Unis
Nationalité Américaine
Statut actuel Start-up en mode furtif (2025–présent)
Domaines de recherche Apprentissage profond, modèles génératifs, apprentissage automatique antagoniste, confidentialité différentielle, sécurité de l’IA, contrôle du plasma de fusion
Directeurs de thèse Yoshua Bengio, Aaron Courville
Thèse de doctorat Deep Learning of Representations and its Application to Computer Vision (Université de Montréal, 2014)
Site web personnel iangoodfellow.com
X / Twitter @goodfellow_ian
GitHub github.com/goodfeli
Google Scholar scholar.google.com/citations?user=iYN86KEAAAAJ

Aperçu

Ian Goodfellow est un informaticien américain surtout connu pour avoir inventé les réseaux antagonistes génératifs (GAN) en 2014 — un cadre d’apprentissage dans lequel deux réseaux de neurones rivalisent pour produire des données synthétiques impossibles à distinguer d’échantillons réels, et qui est devenu le paradigme dominant de la modélisation d’images génératives pendant près d’une décennie. Formé sous la direction de Yoshua Bengio à l’Université de Montréal, il a ensuite occupé des postes de chercheur chez Google Brain, OpenAI, Google Research, Apple et Google DeepMind, ainsi qu’un poste de directeur au sein du groupe des projets spéciaux d’Apple. Il est l’auteur principal du manuel Deep Learning (2016) des MIT Press, co-écrit avec Bengio et Aaron Courville, qui est utilisé dans plus de 1 500 universités dans 135 pays et reste la référence la plus largement assignée dans le domaine. Il a également co-pionnier l’étude des exemples adverses et de l’entraînement adverse pour la robustesse, et a contribué aux premiers travaux sur l’entraînement de réseaux de neurones différentiellement privés. En 2025, il a quitté Google DeepMind pour fonder une start-up en mode furtif dont l’objet n’avait pas été rendu public à la mi-2026.

Jeunesse et formation

Lycée et intérêt précoce pour l’IA

Goodfellow a grandi aux États-Unis et a fréquenté le lycée San Dieguito Academy en Californie. Son intérêt pour l’IA a été éveillé à l’adolescence par la couverture de la science populaire — en particulier Scientific American — prédisant que l’IA et les nanotechnologies seraient les technologies déterminantes du 21e siècle. Un stage en 2006 aux National Institutes of Health, où il a rencontré pour la première fois un modèle d’apprentissage automatique appliqué à la classification EEG, a aiguisé cet intérêt en une direction de recherche spécifique. Il a changé de spécialité pour l’informatique et a commencé à étudier sous la direction d’Andrew Ng.

Université Stanford — BSc et MSc (2004–2010)

Goodfellow a obtenu un baccalauréat ès sciences et une maîtrise ès sciences en informatique à l’Université Stanford sous la direction d’Andrew Ng, travaillant principalement sur le projet Stanford AI Robot en vision par ordinateur avec des méthodes traditionnelles d’apprentissage automatique. Au cours de son travail de maîtrise, il a commencé à s’engager dans l’apprentissage profond par l’intermédiaire d’un collègue, ce qui a catalysé sa décision de poursuivre un doctorat dans le groupe de Bengio. Il a décrit l’apprentissage de l’apprentissage profond comme le moment où il s’est pleinement engagé dans la recherche sur l’IA.

Université de Montréal — Doctorat (2010–2014)

Goodfellow a été accepté dans le laboratoire de Yoshua Bengio à l’Université de Montréal (foyer du groupe LISA, le précurseur de Mila), obtenant son doctorat au début de 2014 (officiellement en février 2015) sous la supervision conjointe de Bengio et Aaron Courville. Sa thèse, Deep Learning of Representations and its Application to Computer Vision, a exploré l’apprentissage des représentations, les machines de Boltzmann profondes et les modèles à prédictions multiples. Il a contribué de manière substantielle à Theano et Pylearn2, la pile logicielle d’apprentissage profond open source du laboratoire, qui a fourni aux praticiens l’infrastructure pour exécuter rapidement des idées novatrices — une culture qu’il a créditée comme étant centrale à l’environnement dans lequel les GAN ont finalement été conçus.

L’idée du GAN lui est venue environ deux semaines avant la date limite de NeurIPS 2014. Il a recruté un groupe de camarades de laboratoire qui ont abandonné d’autres travaux pour mener des expériences sur plusieurs ensembles de données dans cette fenêtre, prouvant que le cadre apprenait la distribution correcte et permettant la soumission. Il a décrit ce sprint comme l’une des expériences collaboratives formatrices de sa carrière.

Carrière

Google Brain — Chercheur (2014–2016)

Après son doctorat, Goodfellow a rejoint Google Brain en tant que chercheur. Il a dirigé la Google Brain Red Team, un groupe axé sur l’apprentissage automatique antagoniste et les vulnérabilités de sécurité des réseaux de neurones. Dans ce rôle, il a été co-auteur de l’un des deux premiers articles à identifier indépendamment les exemples adverses — des entrées délibérément perturbées pour provoquer une mauvaise classification par les réseaux de neurones — et avec Christian Szegedy, il a co-inventé l’entraînement adverse comme défense de robustesse. Il a également développé un système permettant à Google Maps de transcrire automatiquement les adresses à partir de photographies Street View, et a collaboré avec Nicolas Papernot, Kunal Talwar, Ulfar Erlingsson et Martin Abadi sur certaines des premières publications sur les mécanismes d’entraînement différentiellement privés pour les réseaux de neurones.

OpenAI — Chercheur (2016–2017)

En mars 2016, Goodfellow a quitté Google pour rejoindre OpenAI en tant que l’un des premiers employés de l’organisation, attiré par sa mission déclarée de développer une IA qui profite largement à l’humanité. Il y est resté environ onze mois avant de retourner chez Google Research en mars 2017.

Google Research / Google Brain — Chercheur (2017–2019)

Lors de son deuxième mandat chez Google, Goodfellow a poursuivi ses travaux sur la robustesse adverse et la modélisation générative, contribuant à la littérature croissante sur la stabilité de l’entraînement des GAN, la génération conditionnelle et la compréhension théorique de l’objectif minimax.

Apple — Directeur de l’apprentissage automatique, Groupe des projets spéciaux (2019–2022)

En avril 2019, Goodfellow a rejoint Apple en tant que directeur de l’apprentissage automatique dans son groupe des projets spéciaux, une division secrète de matériel et de logiciel. Il a décrit l’environnement comme exceptionnellement collaboratif : parce que le projet était confidentiel, les membres de l’équipe avaient de fortes incitations à coopérer plutôt qu’à se faire concurrence pour un crédit individuel. En avril 2022, il a démissionné, citant publiquement l’obligation d’Apple pour les employés de revenir au travail en personne — un départ qui a attiré une large couverture en tant que déclaration sur la politique de travail post-pandémique dans le secteur technologique.

Google DeepMind — Chercheur (2022–2025)

En juillet 2022, Goodfellow a rejoint Google DeepMind en tant que chercheur dans l’équipe d’apprentissage profond d’Oriol Vinyals. Son objectif principal s’est considérablement déplacé de la modélisation générative vers l’IA pour la production d’énergie par fusion, une direction qu’il avait recherchée après avoir lu l’article de DeepMind de 2022 dans Nature sur l’utilisation de l’apprentissage par renforcement pour contrôler les configurations de plasma de tokamak. Chez DeepMind, sa contribution à cet effort était dans la simulation du plasma : il a écrit le code du solveur d’équations différentielles numériques sous-tendant les modèles physiques nécessaires pour entraîner l’agent d’apprentissage par renforcement, plutôt que le système RL lui-même. Il a co-développé TORAX, un simulateur de physique des plasmas différentiable open source écrit en JAX et publié sur GitHub, décrit dans un article arXiv en 2024. Il a également travaillé sur la recherche de factualité des LLM. Dans une interview d’avril 2025 avec Mila, il s’est décrit comme étant encore chez Google DeepMind ; Wikipédia note qu’il a quitté en 2025 pour fonder une start-up.

Start-up en mode furtif (2025–présent)

À la mi-2026, le profil LinkedIn de Goodfellow le listait comme travaillant dans une start-up en mode furtif. Aucun autre détail sur l’objet de l’entreprise ou son financement n’a été rendu public.

Contributions clés

  • Réseaux antagonistes génératifs (GAN) (NeurIPS 2014, arXiv:1406.2661, avec Pouget-Abadie, Mirza, Xu, Warde-Farley, Ozair, Courville et Bengio) — A introduit un cadre d’apprentissage dans lequel un réseau générateur et un réseau discriminant sont entraînés simultanément dans un jeu minimax, permettant la synthèse d’images et d’autres données très réalistes ; est resté le paradigme dominant pour la modélisation d’images génératives pendant près d’une décennie et a donné naissance à StyleGAN, CycleGAN, GAN conditionnel et de nombreuses autres variantes. L’un des articles les plus cités de l’histoire de l’informatique.
  • Exemples adverses (2013–2014, co-découverts avec Christian Szegedy et collaborateurs) — A co-écrit deux des articles fondateurs établissant que les réseaux de neurones sont sensibles à des perturbations d’entrée imperceptiblement petites qui provoquent de manière fiable une mauvaise classification ; la découverte a ouvert le champ de l’apprentissage automatique antagoniste.
  • Méthode du signe du gradient rapide (FGSM) — A introduit une méthode en une étape efficace en calcul pour générer des exemples adverses en perturbant les entrées dans la direction du gradient de la perte ; est devenue l’attaque de référence standard dans la recherche sur la robustesse adverse.
  • Entraînement adverse (avec Christian Szegedy) — A co-inventé l’entraînement adverse — l’augmentation des données d’entraînement avec des exemples adverses — comme principale défense empirique contre les attaques adverses ; reste l’une des rares défenses qui n’a pas été ultérieurement cassée.
  • Apprentissage profond différentiellement privé (2016, avec Abadi, Chu, Erlingsson, McMahan, Mironov, Papernot, Raghunathan, Ramage, Song et Talwar) — A co-écrit un article fondateur sur l’entraînement de réseaux de neurones avec des garanties de confidentialité différentielle, introduisant le compteur de moments pour une analyse plus stricte de la confidentialité ; une référence centrale pour l’apprentissage automatique préservant la confidentialité.
  • Réseaux Maxout (ICML 2013, avec Goodfellow, Warde-Farley, Mirza, Courville, Bengio) — A proposé une nouvelle fonction d’activation conçue pour bien fonctionner avec l’abandon, permettant un meilleur entraînement des modèles génératifs et atteignant des résultats de pointe sur plusieurs références.
  • Pylearn2 — A dirigé le développement et la vulgarisation de Pylearn2, la bibliothèque d’apprentissage profond de qualité recherche de l’Université de Montréal construite sur Theano ; a fourni l’infrastructure logicielle pour de nombreuses premières percées en apprentissage profond dans le groupe de Bengio.
  • Deep Learning manuel (MIT Press, 2016, avec Yoshua Bengio et Aaron Courville) — Auteur principal du premier manuel de niveau graduate complet sur l’apprentissage profond ; disponible gratuitement sur deeplearningbook.org et utilisé comme texte principal dans plus de 1 500 universités dans 135 pays.
  • Chapitre sur l’apprentissage profond, Artificial Intelligence: A Modern Approach (4e édition, 2020, Russell et Norvig) — A écrit le chapitre sur l’apprentissage profond pour le manuel d’IA canonique, apportant la couverture des réseaux de neurones dans le texte d’IA de premier cycle le plus utilisé.
  • TORAX — Simulateur de transport de tokamak (2024, avec Google DeepMind) — A co-développé un simulateur de physique des plasmas différentiable open source en JAX conçu pour soutenir la recherche en apprentissage par renforcement pour la production d’énergie de fusion ; publié publiquement dans le cadre de l’effort de fusion de DeepMind.

Prix et reconnaissance

  • MIT Technology Review Innovators Under 35 (2017) — Reconnu pour l’invention des GAN et les contributions à l’apprentissage automatique antagoniste.
  • Foreign Policy 100 Global Thinkers (2019) — Inclus pour le travail sur l’apprentissage profond et la sécurité de l’IA.

Relations clés

  • Yoshua Bengio — Directeur de thèse principal ; l’environnement intellectuel du laboratoire LISA de Bengio — avec sa culture open source, sa liberté d’expérimentation et son accent sur la théorie de l’apprentissage profond — a directement permis les conditions dans lesquelles les GAN ont été conçus.
  • Aaron Courville — Co-directeur de thèse et co-auteur du manuel Deep Learning ; Courville est resté un collaborateur permanent dans la recherche sur la modélisation générative.
  • Andrew Ng — Superviseur de recherche de premier cycle et de maîtrise à Stanford ; a présenté Goodfellow à l’apprentissage automatique par le projet Stanford AI Robot et une séquence de cours.
  • Christian Szegedy — Collègue de Google Brain avec qui Goodfellow a co-découvert les exemples adverses et co-inventé l’entraînement adverse ; les deux ont travaillé indépendamment sur le phénomène avant de joindre leurs forces.
  • Martin Abadi — Collaborateur de Google Brain sur l’entraînement de réseaux de neurones différentiellement privés ; a également co-conçu TensorFlow.
  • Nicolas Papernot — Collaborateur de Google Brain et co-auteur d’articles sur la confidentialité et la robustesse adverse ; est devenu un chercheur indépendant de premier plan en ML digne de confiance.
  • Oriol Vinyals — Chef d’équipe pour l’équipe d’apprentissage profond de Goodfellow chez Google DeepMind ; dont le groupe de recherche a supervisé le travail sur le contrôle du plasma de fusion.
  • Jean Pouget-Abadie — Collègue de doctorat à Montréal qui a contribué à l’analyse de la théorie des jeux au cadre GAN ; Goodfellow l’a cité comme le bon collaborateur pour la formulation de la théorie des jeux du GAN.

Style personnel

Goodfellow se distingue dans le paysage de la recherche en IA pour combiner une production technique prolifique avec une voix publique inhabituellement franche sur la culture et les conséquences du domaine. Dans une interview en 2025, il a décrit l’ère de la recherche pré-apprentissage profond à Montréal comme plus ouverte et motivée par la curiosité, et a déclaré que “le sentiment de liberté d’essayer différentes choses, et moins le sentiment que notre travail a des conséquences” lui manque — une réflexion à double tranchant de la part de quelqu’un dont l’article le plus célèbre a permis les deepfakes. Ses mouvements de carrière ont souvent été motivés par des valeurs explicites plutôt que par le prestige : il a rejoint DeepMind parce qu’un article sur l’énergie de fusion a attiré son attention, et il a démissionné d’Apple publiquement pour un principe de travail à distance plutôt que discrètement. Il décrit son approche de la recherche par l’aphorisme des “10 000 coups de pied” de Bruce Lee, préférant une maîtrise approfondie d’une petite boîte à outils de base — Python, programmation numérique, algèbre linéaire, probabilités — plutôt que l’étendue, et plaidant explicitement pour savoir quand rechercher des collaborateurs ayant une expertise complémentaire plutôt que d’essayer d’acquérir toutes les compétences soi-même.

Références