楊立昆

一句話認識他

楊立昆發明了卷積神經網路（CNN），讓機器能夠「看見」——你手機的人臉解鎖、Google 相簿的圖像搜尋、特斯拉的自動駕駛，全都建立在他的發明之上。

為什麼他對 AI 如此重要？

打開手機，讓它辨識你的臉。這個動作背後，是一種叫做「卷積神經網路」（CNN）的技術在運作——而這正是楊立昆在 1980 年代發明的。

當時，讓電腦「看懂」圖像是一個極其困難的問題。傳統方法需要工程師手動設計各種規則來辨識邊緣、形狀、紋理，效果差且難以擴展。

楊立昆的突破性想法是：讓機器自己學習如何看。

他設計的卷積神經網路模仿了生物視覺系統的運作方式：

1. 第一層神經元負責辨識簡單的邊緣和線條
2. 第二層把邊緣組合成簡單的形狀
3. 第三層把形狀組合成部件（如眼睛、鼻子）
4. 最後幾層把部件組合成完整的物體（如人臉）

這種「層層抽象」的架構，讓機器能夠從原始像素中自動學習到有意義的視覺特徵。

1990 年代，楊立昆在 AT&T Bell Labs 開發的 LeNet 系統被部署到銀行，用於辨識手寫支票上的數字。巔峰時期，全美 10-20% 的支票都是由他的系統處理的。

但 CNN 的真正爆發要等到 2012 年——當年他的「徒孫」Alex Krizhevsky（Hinton 的學生）用 CNN 架構的 AlexNet 在 ImageNet 競賽中大獲全勝，正式開啟深度學習革命。

今天，CNN 無所不在：

• 手機：人臉解鎖、相機美顏
• 醫療：X 光片、CT 掃描的自動診斷
• 自駕車：識別行人、車輛、交通標誌
• 社群媒體：自動標記照片中的朋友
• 安防：監控攝影機的人臉辨識

楊立昆與 Geoffrey Hinton、Yoshua Bengio 並稱「深度學習三巨頭」，三人在 2018 年共同獲得圖靈獎。

關鍵貢獻

卷積神經網路 CNN（1989）

1989 年，楊立昆發表了將反向傳播成功應用於手寫數字辨識的論文，標誌著 CNN 的誕生。

技術原理（白話版）：

想像你在辨認一個數字「8」。你不會一個像素一個像素地看，而是會注意到「上面有個圓圈、下面也有個圓圈」這種局部特徵。

CNN 做的就是同樣的事：

1. 卷積層：用一個小的「濾波器」（比如 5×5 像素）在整張圖像上滑動，找出局部特徵（如邊緣、角落）
2. 池化層：把圖像縮小，保留最重要的特徵，丟掉不重要的細節
3. 重複幾次：特徵越來越抽象，從「邊緣」→「形狀」→「部件」→「物體」
4. 全連接層：最後把所有特徵綜合起來，做出判斷

這種架構有兩個巨大的優勢：

• 參數少：同一個濾波器可以重複使用在圖像的不同位置，不用為每個像素學習獨立的參數
• 平移不變性：不管數字「8」出現在圖像的左邊還是右邊，都能被正確辨識

LeNet 架構（1998）

1998 年，楊立昆發表了影響深遠的 LeNet-5 論文〈Gradient-Based Learning Applied to Document Recognition〉。

LeNet-5 是一個 7 層的神經網路，專門設計來辨識手寫數字。雖然以今天的標準來看很簡單（只有幾萬個參數），但它確立了 CNN 的基本架構模式，至今仍被廣泛使用。

這篇論文被引用超過 5 萬次，是電腦視覺領域最重要的論文之一。

世界模型與 JEPA（2022-2025）

近年來，楊立昆把注意力轉向「世界模型」（World Models）——他認為這是通往真正人工智慧的正確道路。

2022 年，他發表〈A Path Towards Autonomous Machine Intelligence〉，提出 JEPA（Joint Embedding Predictive Architecture）架構。

核心觀點：

當前的大型語言模型（LLM）只會處理文字，缺乏對物理世界的理解。楊立昆認為，真正的智慧需要「世界模型」——能夠：

• 理解物理世界的運作規律
• 預測行動的後果
• 進行長期規劃

他用一個生動的比喻：「任何一隻家貓都能規劃複雜的行動，牠們有世界的因果模型。」——暗示當前最強大的 LLM 連貓都不如。

2025 年，楊立昆離開 Meta，創辦 AMI Labs（Advanced Machine Intelligence Labs），專注於開發世界模型。據報導，這家新創公司估值達 35 億美元。

人生軌跡

早年與求學

1960 年 7 月 8 日，楊立昆出生於法國巴黎近郊。他的父親是工程師，從小就鼓勵他對電子學的興趣。

1983 年，他在 ESIEE Paris 取得電機工程學位，隨後在巴黎第六大學攻讀博士。他的博士論文研究「連接主義學習模型」，提出了反向傳播演算法的早期版本。

Bell Labs 黃金時代（1988-1996）

1987 年博士畢業後，楊立昆先到多倫多大學跟 Geoffrey Hinton 做了一年博士後研究。這段經歷讓他與深度學習的另外兩位「教父」建立了終身的友誼和合作關係。

1988 年，他加入 AT&T Bell Labs——當時世界上最頂尖的研究機構之一。在這裡，他發明了卷積神經網路，並把它成功應用於手寫數字辨識。

他開發的系統被 NCR 公司部署到銀行，用於自動讀取支票。這是神經網路首次大規模商業應用，證明了深度學習在真實世界中的價值。

學術與產業的雙棲（2003-2013）

2003 年，楊立昆加入紐約大學（NYU），擔任電腦科學教授。他在這裡繼續推動深度學習研究，並於 2012 年創立 NYU 資料科學中心，擔任首任主任。

這段時期，他與 Hinton、Bengio 持續合作，共同推動深度學習從邊緣走向主流。

Meta 首席 AI 科學家（2013-2025）

2013 年 12 月，Facebook（現 Meta）創辦人祖克柏親自邀請楊立昆加入，創立並領導公司的 AI 研究部門。

作為 Meta AI Research 的創始總監和首席 AI 科學家，楊立昆做了幾件重要的事：

1. 建立世界級研究團隊：招募數百位頂尖 AI 研究者
2. 推動開源：主導開源 PyTorch 深度學習框架、LLaMA 大型語言模型
3. 平衡學術與產業：同時保持 NYU 的教職，維持學術獨立性

然而，隨著 Meta 越來越專注於「快速部署 AI 產品」，楊立昆與公司的路線分歧越來越大。他公開批評 LLM 是「死路」，主張需要全新的技術方向。

離開 Meta，創辦 AMI Labs（2025）

2025 年 11 月，楊立昆宣布離開工作了 12 年的 Meta，創辦新公司 AMI Labs（Advanced Machine Intelligence Labs）。

他在 LinkedIn 上寫道，新公司將專注於建造「能理解物理世界、有持久記憶、能推理、能規劃複雜行動序列的系統」——這正是他認為當前 LLM 無法做到的事情。

據報導，AMI Labs 已獲得 35 億美元估值的融資，將在巴黎設立總部。

師承與門生

楊立昆的學術傳承橫跨學術界和產業界。

師承：他在多倫多大學的博士後導師是 Geoffrey Hinton。這段經歷讓三位「AI 教父」（Hinton、LeCun、Bengio）建立了終身的友誼——他們在「AI 寒冬」期間互相支持，共同堅持神經網路研究。

門生：楊立昆在 NYU 和 Meta 培養了大量人才：

• Léon Bottou：隨機梯度下降優化的重要貢獻者
• Rob Fergus：電腦視覺專家，現任 DeepMind 研究員兼 NYU 教授
• Marc’Aurelio Ranzato：稀疏編碼和深度學習專家，現任 Google DeepMind

獎項與榮譽

2018 年 ACM 圖靈獎

楊立昆與 Geoffrey Hinton、Yoshua Bengio 共同獲得 2018 年圖靈獎，表彰三人對深度學習的開創性貢獻。

頒獎詞指出：「LeCun、Hinton 和 Bengio 發展的概念性和工程性突破，使深度神經網路成為計算的關鍵組成部分。」

2025 年伊麗莎白女王工程獎

2025 年，楊立昆再度獲得肯定，與 Geoffrey Hinton、Yoshua Bengio、John Hopfield、李飛飛、黃仁勳、Bill Dally 共同獲得伊麗莎白女王工程獎。

學術榮譽

• 美國國家科學院院士
• 美國國家工程院院士
• 法國科學院院士
• 2014 年 IEEE Neural Network Pioneer Award

觀點與立場

對 LLM 的批評

楊立昆是 AI 領域中對當前「大型語言模型熱潮」最直言不諱的批評者之一。

他的核心論點是：LLM 永遠無法達到人類級別的智慧。

原因是 LLM 只在文字上訓練，缺乏對物理世界的理解。它們可以生成流暢的文字，但無法真正「理解」文字背後的含義。

他在 2025 年的一次演講中說：「那些說 AGI 一兩年內就會實現的人，完全是妄想。因為真實世界比他們想像的複雜太多了。你不可能靠把世界 tokenize 然後用 LLM 處理來達成目標。」

對 AGI 時間線的預測

與許多 AI 研究者不同，楊立昆認為 AGI（通用人工智慧）還需要幾十年才能實現，而不是幾年。

他認為，當前的 AI 研究走在錯誤的道路上——需要全新的技術突破，特別是「世界模型」。

對 AI 安全的立場

相比 Hinton 和 Bengio 的「警告派」立場，楊立昆是相對的「樂觀派」：

• 他不認為 AI 會很快超越人類
• 他反對過度監管，擔心會阻礙創新
• 他支持開源 AI 研究，認為這樣更安全（因為更多人可以檢視和改進）

重要發言摘錄

「大型語言模型是通往人類級智慧的死路。」

——2025 年 11 月

「AGI 還要幾十年。那些說一兩年內就會實現的人完全是妄想。」

——2024 年

「我們不需要能背誦百科全書的 AI，我們需要能用眼睛和手理解世界的 AI。」

——2025 年

「任何一隻家貓都能規劃複雜的行動，牠們有世界的因果模型。」

——2024 年，暗示當前 AI 連貓都不如

延伸閱讀

推薦演講

• Yann LeCun 圖靈獎演講

重要論文

• Gradient-Based Learning Applied to Document Recognition (1998)
• A Path Towards Autonomous Machine Intelligence (2022)
• Deep Learning (Nature, 2015)

相關報導

• Fortune: The rise of Yann LeCun
• 科學人：世界模型可能開啟 AI 的下一場革命

照片來源建議

以下是可供挑選的 Yann LeCun 照片來源：

1. Wikimedia Commons：有多張 CC 授權照片

   • Wikimedia Commons: Yann LeCun

2. Meta AI 官網：有官方肖像照

   • Meta AI: Yann LeCun

3. 個人網站：有各種場合的照片

   • yann.lecun.com

建議選用 Meta AI 官網或近期演講的照片，呈現其作為科技領袖的形象。

相關人物

• 傑佛瑞・辛頓 Geoffrey Hinton：博士後導師、圖靈獎共同得主
• 約書亞・班吉歐 Yoshua Bengio：圖靈獎共同得主、長期合作者