Происхождение, среда и становление
Ян Андре Лекун (французская фамилия Le Cun восходит к старобретонскому роду Le Cunff из Северной Бретани, а имя Ян служит бретонским аналогом имени Жан) родился 8 июля в пригороде Парижа Суази-су-Монморанси; различные биографические справочники указывают 1959, 1960 или 1961 год рождения. Получив в 1983 году диплом инженера в парижской школе ESIEE, он поступил в докторантуру Университета Пьера и Марии Кюри (ныне в составе Университета Сорбонна) и в 1987 году защитил диссертацию по информатике, предложив ранний вариант алгоритма обратного распространения ошибки для обучения многослойных нейронных сетей.
Диссертация привлекла внимание Джеффри Хинтона, который пригласил молодого французского исследователя на годичную постдокторантуру в Торонтский университет (1987–1988). Интеллектуальный диалог в Торонто заложил долгосрочный научный альянс исследователей, которых позже стали называть «крёстными отцами глубокого обучения». В 1988 году Лекун переехал в США и поступил в отдел исследований адаптивных систем лаборатории AT&T Bell Laboratories в Холмделе (штат Нью-Джерси), руководимый Лоренсом Джакелом, где в уникальной промышленно-научной атмосфере объединил нейросетевую теорию с прикладными задачами распознавания образов и компьютерного зрения.
Ключевые свершения, труды и историческая роль
Вдохновившись биологической организацией зрительной коры млекопитающих, Лекун в конце 1980-х и на протяжении 1990-х годов создал в Bell Labs архитектуру свёрточных нейронных сетей (CNN) и семейство моделей LeNet. В отличие от классических методов, требовавших ручного конструирования признаков изображения, свёрточные слои с разделяемыми весами и субдискретизацией сами извлекали иерархию визуальных паттернов — от простых линий и границ до рукописных символов. В сотрудничестве с компанией NCR разработанная под его руководством система автоматического чтения банковских чеков прошла масштабное коммерческое внедрение, став одним из первых промышленных триумфов нейросетевого подхода.
В этот же период учёный предложил метод прореживания сетей Optimal Brain Damage и графовые трансформаторные сети, а в 1996 году возглавил отдел обработки изображений в исследовательском центре AT&T Labs-Research. Там вместе с Леоном Боту и Патриком Хаффнером он разработал технологию сжатия отсканированных документов DjVu (взятую на вооружение библиотекой Internet Archive для массовой оцифровки книг) и язык программирования Lush. После краткой работы в исследовательском институте NEC Лекун в 2003 году стал профессором Института математических наук имени Куранта и Центра нейробиологии Нью-Йоркского университета (NYU), развивая энергетические модели обучения и проекты автономной навигации для DARPA. В 2012 году он основал Центр наук о данных NYU, в 2013 году учредил с Йошуа Бенжио конференцию ICLR с открытым рецензированием, а в декабре 2013 года возглавил лабораторию искусственного интеллекта Facebook (FAIR).
Переломные решения, конфликты и драма эпохи
Карьера Яна Лекуна во многом стала историей многолетнего противостояния господствующим научным течениям. С середины 1990-х годов машинное обучение погрузилось в очередную «зиму нейронных сетей»: академическое сообщество массово отдало предпочтение статистической теории обучения и методу опорных векторов (SVM), обещавшим строгие математические гарантии, причём в AT&T Лекун работал бок о бок с самим автором SVM Владимиром Вапником, ведя с ним постоянную научную полемику. Несмотря на скепсис рецензентов, Лекун, Хинтон и Бенжио продолжали развивать многослойные архитектуры, что привело к триумфу глубокого обучения на конкурсе ImageNet (2012) и к их программной обзорной статье в журнале Nature (2015).
В 2020-е годы учёный вновь занял независимую и полемичную позицию: он открыто критиковал абсолютизацию больших авторегрессионных языковых моделей (LLM), утверждая, что генерация текста без понимания физического мира не ведёт к подлинному разуму, и последовательно отстаивал публикацию открытых моделей ИИ. В ноябре 2025 года Лекун объявил об уходе из Meta после более чем десяти лет руководства FAIR, став исполнительным председателем нового стартапа Advanced Machine Intelligence Labs (AMI Labs) с генеральным директором Алексом Лебреном; уже в марте 2026 года компания привлекла свыше миллиарда долларов инвестиций на создание «моделей мира», обучающихся прогнозировать динамику физической реальности, а сам Лекун также возглавил исследовательский совет компании Logical Intelligence и вошёл в научный совет французской открытой лаборатории Kyutai.
Наследие, влияние и оценки в историографии
В марте 2019 года Ян Лекун, Йошуа Бенжио и Джеффри Хинтон были удостоены премии Тьюринга за 2018 год за концептуальный и инженерный прорыв, сделавший глубокие нейронные сети ведущим методом компьютерных наук. Учёный избран членом Национальной академии наук США, Национальной инженерной академии США и Французской академии наук, награждён премиями Гарольда Пендера (2018), принцессы Астурийской (2022), VinFuture (2023), Премией королевы Елизаветы II в области инженерии (2025) и орденом Почётного легиона Франции (2023).
На протяжении четверти века (1986–2012) он организовывал влиятельные ежегодные научные семинары в Сноуберде (штат Юта), руководил профильной программой канадского института передовых исследований CIFAR по обучению машин и мозга, читал почётный курс в Коллеж де Франс (2016) и издал книгу «Как учится машина. Революция в области нейронных сетей и глубокого обучения» (русский перевод 2021 года). В историографии искусственного интеллекта Лекун предстаёт как исследователь, чья верность нейробиологической интуиции вопреки смене научных мод подготовила компьютерную революцию XXI века.
