Yann LeCun – 1960 à nos jours

Biography

Dans l’histoire contemporaine des sciences computationnelles, peu de trajectoires illustrent avec autant d’acuité la dialectique entre la marge et le centre que celle de Yann LeCun. Né au début des années 1960 au sein d’une France engagée dans les prémices des révolutions microélectroniques et cybernétiques, ce chercheur visionnaire a façonné de manière décisive l’un des tournants paradigmatiques majeurs du XXIe siècle : l’avènement du deep learning (apprentissage profond). Longtemps relégué à la périphérie d’une communauté scientifique captivée par l’élégance formelle des approches symboliques ou le confort mathématique de l’optimisation convexe, LeCun a obstinément maintenu le cap d’une intuition fondamentale : l’intelligence artificielle ne saurait émerger d’une manipulation statique de symboles préconçus, mais doit être le produit d’architectures plastiques capables d’extraire de façon autonome les invariants du monde perceptif.

L’attribution du prix Turing en 2018, couronnant conjointement ses travaux avec ceux de ses compagnons de route Geoffrey Hinton et Yoshua Bengio, ne représente pas seulement une victoire institutionnelle pour l’école connexionniste ; elle consacre une réévaluation épistémologique globale des rapports entre modélisation mathématique, neurobiologie computationnelle et ingénierie logicielle. Des laboratoires d’AT&T Bell Laboratories où naquirent les premiers réseaux neuronaux convolutifs (CNN) appliqués à la lecture de chèques manuscrits, jusqu’à la direction scientifique de l’un des plus influents laboratoires de recherche industrielle chez Meta (FAIR), son parcours incarne la réconciliation entre la théorie pure et l’expérimentation à grande échelle.

Pourtant, alors même que l’apprentissage profond est devenu le nouveau dogme de l’industrie technologique mondiale, LeCun refuse tout immobilisme doctrinal. Loin de s’enfermer dans le triomphe contemporain des grands modèles de langage (LLM), qu’il n’hésite pas à caractériser comme des impasses cognitives dénuées de véritable ancrage physique et causal, il s’emploie à défricher la prochaine frontière de la recherche : celle de l’apprentissage auto-supervisé et des architectures prédictives à plongements conjoints (JEPA). À travers l’exploration détaillée de ses fondations intellectuelles, de ses combats méthodologiques et de sa vision humaniste de la science ouverte, cette étude propose une analyse approfondie d’une pensée qui redéfinit sans cesse notre compréhension de l’intelligence artificielle et, en miroir, de l’esprit humain.

1. Les origines intellectuelles et la genèse d’une vocation scientifique (1960-1983)

1.1 Enfance, milieu socioculturel et premières curiosités techniques

Yann LeCun naît le 8 juillet 1960 à Soisy-sous-Montmorency, dans la banlieue nord de Paris, au sein d’une famille marquée par une forte culture technique et une curiosité artisanale pour les rouages du monde matériel. Son père, ingénieur en télécommunications et passionné de radioélectricité, transmet très tôt au jeune garçon un goût prononcé pour le démontage, l’assemblage et la compréhension analytique des circuits électroniques. Cet environnement domestique, saturé de schémas de câblage, de composants discrets, de tubes à vide et de transistors, constitue pour LeCun un laboratoire expérimental informel. Dès l’enfance, il ne conçoit pas la technologie comme une boîte noire ésotérique, mais comme une matière plastique intelligible, modifiable et sujette aux lois rigoureuses de la physique et du signal.

Parallèlement à cette éducation pratique par l’électronique amateur, l’adolescence de LeCun est marquée par un appétit vorace de lectures interdisciplinaires. Il se plonge précocement dans les ouvrages de vulgarisation scientifique traitant de la cybernétique naissante, de la théorie de l’information de Claude Shannon et des théories du cerveau issues des premières tentatives de formalisation computationnelle. La découverte des écrits de Norbert Wiener, de W. Ross Ashby sur les systèmes homéostatiques et de John von Neumann sur l’analogie entre l’ordinateur et le système nerveux central agit comme un catalyseur intellectuel. Pour LeCun, la question fondamentale qui se profile n’est pas simplement d’automatiser des opérations logiques fastidieuses, mais de percer le mystère de l’émergence de la pensée et de la perception au sein d’un substrat matériel interconnecté.

Cette période formatrice est également marquée par un refus précoce de l’académisme figé qui tend à compartimenter les mathématiques pures, la biologie fonctionnelle et les sciences de l’ingénieur. Alors que le système éducatif français traditionnel valorise de manière presque exclusive l’abstraction déductive et la rigueur formelle héritée de l’école bourbakiste, LeCun développe une sensibilité profondément empirique, influencée par la culture anglo-saxonne du prototypage matériel. Il comprend instinctivement que pour élucider les mécanismes de la cognition, il sera nécessaire d’articuler étroitement la théorie mathématique des systèmes dynamiques avec une modélisation biologique plausibile, jetant ainsi les bases d’une vocation dédiée à la reconstitution artificielle des architectures neuronales.

1.2 Formation à l’ESIEE Paris : l’ancrage dans l’ingénierie des systèmes

Au début des années 1980, Yann LeCun intègre l’ESIEE Paris (École Supérieure d’Ingénieurs en Électrotechnique et Électronique), une institution réputée pour son excellence dans l’enseignement des sciences matérielles, de la théorie des circuits et du traitement numérique du signal. Loin des chaires universitaires de philosophie ou de mathématiques pures où s’élaborent alors les grandes théories de l’intelligence artificielle symbolique, LeCun y reçoit une formation rigoureuse d’ingénieur en génie électrique. Ce cursus lui apporte une maîtrise intime du calcul matriciel appliqué, de l’analyse spectrale, du filtrage linéaire et non linéaire, ainsi que des microprocesseurs programmables, des outils conceptuels qui se révéleront cruciaux lorsqu’il s’agira d’implémenter des réseaux neuronaux sur des calculateurs aux ressources limitées.

C’est durant ces années d’ingénierie que LeCun prend la mesure de la fracture épistémologique qui traverse alors les sciences cognitives et l’informatique. L’intelligence artificielle officielle, incarnée par les figures tutélaires de John McCarthy, Marvin Minsky et Allen Newell, est alors totalement dominée par le paradigme computationnel symbolique (le courant GOFAI, pour Good Old-Fashioned Artificial Intelligence). Ce paradigme repose sur le postulat que toute intelligence procède de la manipulation formelle de représentations symboliques selon des règles logiques prédéfinies. Or, LeCun perçoit les limites insurmontables de cette approche face aux défis de l’interprétation du monde physique : les systèmes experts sont incapables de gérer l’ambiguïté perceptive, la variabilité continue des signaux sensoriels ou le bruit inhérent à la capture du monde réel.

En réaction contre ce dogme dominant, LeCun s’immerge en solitaire dans l’étude des modèles connexionnistes historiques. Il redécouvre avec passion les travaux pionniers de Frank Rosenblatt sur le Perceptron de la fin des années 1950, ainsi que les théories de Donald Hebb sur la plasticité synaptique. Il étudie également les automates cellulaires de John von Neumann et Stanislaw Ulam. Il se forge alors une conviction inébranlable : la véritable clé de l’intelligence artificielle ne réside pas dans l’écriture manuelle d’une combinatoire infinie de règles déclaratives, mais dans l’élaboration de structures parallèles et distribuées capables d’auto-organisation par apprentissage statistique à partir de flux continus de signaux.

1.3 La redécouverte de la rétropropagation du gradient durant le doctorat

Après l’obtention de son diplôme d’ingénieur en 1983, déterminé à explorer scientifiquement les potentialités computationnelles des réseaux neuronaux, LeCun s’engage dans un doctorat à l’Université Pierre-et-Marie-Curie (Paris VI), sous la direction de Maurice Milgram. Le contexte académique français de l’époque est particulièrement hostile aux architectures neuronales. Les critiques dévastatrices formulées en 1969 par Marvin Minsky et Seymour Papert dans leur ouvrage Perceptrons avaient jeté un discrédit presque total sur le domaine, en démontrant mathématiquement les limites intrinsèques des réseaux à couche unique — notamment leur incapacité à résoudre des problèmes non linéairement séparables comme la simple fonction logique OU-Exclusif (XOR) — tout en affirmant prématurément qu’étendre ces modèles à des couches multiples n’offrait aucune issue computationnelle viable.

Le principal verrou théorique qui paralyse alors la recherche mondiale est celui de l’assignation de crédit (credit assignment problem) : dans un réseau composé de plusieurs couches de neurones interconnectés par des poids synaptiques variables, comment déterminer mathématiquement la contribution exacte de chaque synapse intermédiaire à l’erreur finale observée en sortie ? Travaillant dans un isolement relatif mais stimulé par quelques pionniers français comme Françoise Fogelman-Soulié, LeCun entreprend de reformuler ce défi à l’aide des outils du calcul différentiel multivarié et de la théorie de la commande optimale, notamment le principe du maximum de Pontryagin qu’il a assimilé durant sa formation d’ingénieur.

Entre 1985 et 1987, LeCun formule de manière indépendante une version élégante et rigoureuse de l’algorithme de rétropropagation du gradient (error backpropagation) pour les réseaux multicouches à fonctions d’activation non linéaires différentiables. Bien que Paul Werbos en 1974 et le groupe de recherche américain PDP (David Rumelhart, Geoffrey Hinton et Ronald Williams) en 1986 aient publié des travaux parallèles sur ce sujet, la thèse de doctorat de LeCun, soutenue en juin 1987 et intitulée Modèles connexionnistes de l’apprentissage, se distingue par sa clarté mathématique, son formalisme modulaire en espace d’états et son orientation explicite vers les contraintes d’implémentation matérielle. LeCun prouve qu’en appliquant systématiquement la règle de dérivation en chaîne (chain rule), il est possible de propager l’erreur de l’arrière vers l’avant à travers toutes les couches cachées, résolvant définitivement le problème de l’adaptation synaptique dans les systèmes hiérarchiques profonds.

2. Les fondements neurobiologiques et psychologiques des modèles de LeCun

2.1 L’héritage de Hubel et Wiesel : de la neurophysiologie à la vision artificielle

Dès l’entame de sa démarche intellectuelle, Yann LeCun refuse de cantonner les réseaux de neurones artificiels à de purs jeux d’équations déconnectés des réalités empiriques du monde vivant. Son inspiration fondatrice puise directement dans les travaux révolutionnaires des neurophysiologistes David Hubel et Torsten Wiesel, lauréats du prix Nobel de physiologie ou médecine en 1981 pour leurs découvertes sur l’organisation fonctionnelle du cortex visuel primaire (aire V1) chez le chat et le macaque à la fin des années 1950 et durant les années 1960. Ces recherches ont mis en lumière une vérité structurante : le système visuel biologique n’analyse pas une image globale par une projection holistique indifférenciée, mais décompose la scène à travers une hiérarchie modulaire d’unités de traitement spécialisées.

Hubel et Wiesel avaient identifié deux grandes populations neuronales au sein de V1 : les cellules simples et les cellules complexes. Les cellules simples possèdent des champs récepteurs localisés et présentent une sélectivité directionnelle marquée ; elles s’activent intensément lorsqu’une barre lumineuse ou une arête contrastée selon une orientation précise traverse leur champ de vision restreint. Les cellules complexes, quant à elles, répondent à des caractéristiques visuelles similaires mais manifestent une invariance locale par rapport à la translation : leur réponse demeure stable même si le motif se déplace légèrement à l’intérieur de leur champ récepteur plus étendu. Cette distinction neurophysiologique est pour LeCun une révélation architecturale majeure : l’appareil perceptif résout le problème de la combinatoire visuelle en alternant des étapes de détection de motifs locaux orientés et des étapes d’agrégation spatiale produisant de l’invariance.

En transposant computationnellement ces données empiriques, LeCun rompt radicalement avec le paradigme classique du cognitivisme qui postulait que la vision n’était qu’un processus de reconstruction géométrique 3D par règles inférentielles explicites, à l’instar des thèses développées par David Marr au MIT. LeCun comprend que le système nerveux central ne calcule pas des descriptions symboliques d’emblée, mais filtre passivement puis activement des représentations continues par empilement de transformations locales. Cette modélisation de la ségrégation des caractéristiques sensorielles permet de concevoir des machines capables de traiter les flux de pixels sans nécessiter la délimitation a priori des frontières d’objets, préfigurant l’abandon des techniques d’extraction manuelle de primitives visuelles.

2.2 Le Néocognitron de Fukushima comme précurseur structural

Sur le plan computationnel strict, la tentative la plus audacieuse de matérialiser les hypothèses de Hubel et Wiesel avant les travaux de LeCun est l’œuvre du chercheur japonais Kunihiko Fukushima, qui présente en 1980 son célèbre modèle baptisé Néocognitron. Cette architecture multicouche hiérarchique intègre explicitement l’alternance entre deux types de couches computationnelles : les couches S (constituées de cellules S simulant les cellules simples de V1) dédiées à l’extraction de motifs locaux, et les couches C (cellules C simulant les cellules complexes) assurant la réduction de résolution spatiale et la tolérance aux distorsions géométriques locales. Le Néocognitron représente indéniablement l’ancêtre architectural direct des réseaux neuronaux convolutifs modernes.

Cependant, en analysant rigoureusement les mécanismes du Néocognitron, Yann LeCun en identifie immédiatement le talon d’Achille : son mode d’apprentissage. Fukushima utilisait des règles d’apprentissage heuristiques, locales et non supervisées, inspirées des lois de plasticité compétitive de type Hebbien ou de regroupement de caractéristiques couche par couche. En l’absence d’une fonction de perte globale et d’une méthode de propagation de l’erreur descendante, les performances du Néocognitron s’effondraient dès que l’architecture gagnait en profondeur ou que la complexité des motifs visuels augmentait. Les couches supérieures apprenaient souvent des représentations redondantes ou inutiles, incapables de converger vers une solution collectivement optimale pour une tâche de classification donnée.

La percée conceptuelle opérée par LeCun consiste à opérer une synthèse magistrale entre la structure hiérarchique bio-inspirée du Néocognitron et l’efficacité de l’optimisation par différentiabilité de bout en bout (end-to-end learning) permise par la rétropropagation du gradient. En remplaçant les règles locales imprécises de Fukushima par le calcul rigoureux des dérivées partielles par rapport à une fonction d’erreur globale, LeCun transforme une construction neurobiologique séduisante mais algorithmiquement instable en une machinerie mathématique puissante, optimisable et généralisable. C’est cette fusion entre structure spatiale contrainte et optimisation continue qui constitue l’acte de naissance authentique du réseau convolutif.

2.3 Connexionnisme et psychologie cognitive : le débat des représentations mentales

Au-delà des aspects purement algorithmiques, l’engagement scientifique de LeCun s’inscrit au cœur d’un débat philosophique et psychologique majeur qui secoue les sciences cognitives dans les années 1980 : l’affrontement entre le paradigme symbolique computationnel et le mouvement connexionniste revigoré par la publication en 1986 des deux volumes fondateurs du groupe PDP (Parallel Distributed Processing) coordonnés par David Rumelhart et James McClelland. LeCun trouve dans cette dynamique intellectuelle un écho profond à ses propres intuitions épistémologiques.

Les tenants de l’orthodoxie symbolique, au premier rang desquels figurent les philosophes Jerry Fodor et Zenon Pylyshyn, publient en 1988 un pamphlet retentissant affirmant l’inadéquation fondamentale du connexionnisme comme théorie de l’esprit. Selon eux, l’esprit humain fonctionne selon un « langage de la pensée » (le mentalais) doté d’une syntaxe combinatoire, de compositionnalité et de systématicité — propriétés formelles dont les réseaux de neurones seraient congénitalement dépourvus en raison de leur nature purement continue et vectorielle. Pour Fodor et Pylyshyn, les réseaux neuronaux ne peuvent prétendre être, au mieux, que des implémentations physiques d’un niveau inférieur, sans pertinence pour expliquer la structure logique des états mentaux.

Yann LeCun prend le contre-pied de cette posture qu’il juge dogmatique et myope face aux données empiriques. En accord avec la psychologie cognitive connexionniste, il défend l’idée que les représentations mentales ne sont pas des atomes symboliques discrets, mais des vecteurs d’activation continus distribués à travers de multiples dimensions au sein d’espaces latents de haute dimensionnalité. Cette conception vectorielle des concepts permet d’expliquer naturellement des phénomènes psychologiques fondamentaux que la logique classique échoue à modéliser : la généralisation par similarité géométrique, la dégradation gracieuse des performances face à des lésions cérébrales, la catégorisation par prototypes flous théorisée par Eleanor Rosch, et surtout l’apprentissage implicite, ce savoir intuitif et non formalisable par lequel un enfant apprend à reconnaître son environnement ou à marcher sans jamais résoudre d’équations explicites.

3. L’émergence des réseaux neuronaux convolutifs (CNN) aux Bell Labs (1988-1996)

3.1 L’environnement des Laboratoires Bell : un écosystème d’innovation appliquée

Après un séjour postdoctoral déterminant à l’Université de Toronto au sein du laboratoire de Geoffrey Hinton en 1987-1988, Yann LeCun franchit une étape décisive dans sa carrière en rejoignant le département de recherche sur les systèmes adaptatifs des AT&T Bell Laboratories à Holmdel, dans le New Jersey. Dirigé par Larry Jackel, ce centre de recherche industrielle est l’un des plus prestigieux sanctuaires de la science mondiale, berceau historique du transistor, de la théorie de l’information, du laser et du système d’exploitation Unix. Les Bell Labs offrent alors un cadre institutionnel unique où la liberté académique la plus absolue coexiste avec des défis industriels d’une ampleur colossale.

LeCun s’intègre au sein d’une équipe pluridisciplinaire d’exception qui compte parmi ses membres des pionniers comme Richard Howard, Hans Peter Graf, et bientôt le théoricien des statistiques Vladimir Vapnik et le polytechnicien Léon Bottou. L’atmosphère intellectuelle de Holmdel est électrisée par une confrontation constante entre les approches issues de la physique statistique (qui utilise les modèles de verres de spin pour comprendre la dynamique des réseaux de Hopfield) et les impératifs concrets des télécommunications. AT&T cherche alors des solutions pour automatiser le tri postal et le traitement des millions de chèques bancaires émis quotidiennement aux États-Unis, une tâche nécessitant des algorithmes de reconnaissance optique de caractères (OCR) d’une fiabilité sans faille.

Cet écosystème pousse LeCun à soumettre ses théories à l’épreuve impitoyable de la réalité matérielle. Aux Bell Labs, un modèle n’est pas seulement jugé sur son élégance formelle ou ses résultats sur des jeux de données synthétiques microscopiques, mais sur sa capacité à fonctionner en temps réel sur des processeurs de signal numérique (DSP) ou des puces électroniques customisées. Cette tension féconde entre ambition théorique et contrainte industrielle façonne durablement la philosophie d’ingénierie de LeCun, le convainquant que la contrainte physique et l’abondance de données réelles sont les meilleurs révélateurs de la pertinence d’une théorie computationnelle.

3.2 Architecture et déploiement de LeNet : la preuve par l’écriture manuscrite

C’est dans ce creuset expérimental qu’entre 1989 et 1998, Yann LeCun formalise, affine et déploie la lignée légendaire des architectures LeNet, culminant avec la publication canonique de LeNet-5 en 1998 dans les Proceedings of the IEEE. Face au problème de la reconnaissance des chiffres manuscrits sur les chèques, les ingénieurs traditionnels s’épuisaient à programmer manuellement des extracteurs de traits géométriques (segments, boucles, intersections), une méthode qui s’effondrait dès que l’écriture devenait négligée, cursive ou inclinée. LeCun balaye cette approche d’ingénierie artisanale en imposant un principe audacieux : l’architecture du réseau doit intégrer la géométrie naturelle de l’image, mais l’extraction des caractéristiques doit être entièrement apprise par rétropropagation.

L’architecture LeNet repose sur trois principes computationnels fondamentaux invariablement combinés :

• Les champs récepteurs locaux (convolution spatiale) : Au lieu de connecter chaque pixel d’entrée à chaque neurone de la couche suivante par une matrice pleine (ce qui entraînerait une explosion combinatoire des paramètres et une perte totale de la topologie spatiale), chaque unité d’un CNN n’est connectée qu’à une petite région spatiale contiguë de l’image précédente.
• Le partage de poids (weight sharing) : Une même matrice de coefficients de filtrage (noyau de convolution) est appliquée par translation sur l’intégralité du champ visuel pour former une « carte de caractéristiques » (feature map). Ce mécanisme garantit mathématiquement que la détection d’un motif élémentaire (une arête, un angle) s’effectuera de façon strictement identique en tout point de l’image, tout en réduisant drastiquement le nombre de paramètres libres du système.
• Le sous-échantillonnage spatial (pooling ou subsampling) : Pour absorber les variations locales de position et d’échelle sans perdre l’information sémantique, des couches de réduction spatiale moyenne ou maximale réduisent progressivement la résolution des cartes de caractéristiques, conférant au système une robustesse graduelle face aux distorsions géométriques.

Le déploiement commercial de LeNet-5 par la National Cash Register (NCR) et AT&T constitue le premier triomphe planétaire de l’apprentissage profond : à la fin des années 1990, les réseaux neuronaux conçus par LeCun traitent quotidiennement entre 10 % et 20 % de la totalité des chèques bancaires émis sur le territoire des États-Unis. Ce succès industriel indéniable administre la preuve empirique définitive que l’apprentissage de représentations hiérarchiques surpasse sans appel l’ingénierie manuelle de caractéristiques perceptives.

3.3 Apports algorithmiques : le calcul matriciel et la compression de graphes

L’aventure des Bell Labs n’est pas uniquement marquée par la naissance des CNN ; elle est le théâtre d’une créativité algorithmique et logicielle intense menée par LeCun pour rendre possible l’entraînement de ces réseaux massifs sur les architectures de calcul embryonnaires de l’époque. Conscient que la descente de gradient stochastique standard (SGD) peut souffrir d’une convergence lente dans les zones à courbure défavorable ou dans les vallées anisotropes, LeCun explore les méthodes d’optimisation de second ordre. Il développe des approximations diagonales astucieuses de la matrice Hessienne, permettant d’adapter les taux d’apprentissage de chaque paramètre individuellement sans encourir le coût prohibitif du calcul explicite de l’ensemble de la courbure.

C’est également à cette époque qu’il conçoit, en collaboration avec John Denker et Sara Solla, la célèbre méthode d’élagage synaptique baptisée Optimal Brain Damage (1989). Inspirée métaphoriquement par la régression synaptique qui intervient lors de la maturation du cerveau chez l’enfant, cette technique utilise les informations de dérivées secondes (la matrice Hessienne de la fonction de perte) pour évaluer rigoureusement la « saillance » théorique de chaque connexion neuronale. Les poids dont la suppression n’altère que de façon marginale l’erreur globale sont systématiquement éliminés, permettant de diviser le nombre de paramètres par un facteur substantiel sans dégrader la précision de classification. Cette approche anticipe de plus de trois décennies les problématiques contemporaines de compression de modèles, de quantification et d’efficacité énergétique du calcul tensoriel.

Enfin, constatant l’absence totale d’outils logiciels adaptés à l’expérimentation rapide de ces structures computationnelles complexes, Yann LeCun entreprend avec Léon Bottou la création de langages de programmation et d’environnements logiciels novateurs. Ils conçoivent ainsi SN puis Lush (Lisp Universal Shell), un environnement hybride alliant la flexibilité syntaxique de Lisp pour le prototypage symbolique et la vitesse d’exécution du C compilé pour les calculs tensoriels intensifs. Lush introduit de manière précoce le concept de graphes computationnels modulaires et de différentiation automatique, préfigurant avec une avance stupéfiante des cadres de travail comme Torch, TensorFlow ou PyTorch qui domineront l’informatique moderne vingt-cinq ans plus tard.

4. La traversée de « l’hiver de l’intelligence artificielle » : résistance théorique (1995-2003)

4.1 La montée en puissance des machines à vecteurs de support (SVM)

Au milieu des années 1990, un basculement doctrinal d’une ampleur considérable s’opère au sein de la communauté internationale de l’apprentissage automatique, inaugurant une période d’éclipse prolongée pour les réseaux neuronaux profonds. Ironie de l’histoire, ce séisme intellectuel provient des Bell Labs eux-mêmes, plus précisément du bureau voisin de celui de LeCun, occupé par le mathématicien russe Vladimir Vapnik. Fort de sa théorie statistique de l’apprentissage (la théorie de Vapnik-Chervonenkis ou VC-dimension), Vapnik, assisté de Corinna Cortes, formalise les machines à vecteurs de support (SVM) en 1995.

Les SVM et les méthodes à noyaux reproducteurs (kernel methods) balaient la communauté scientifique avec la force d’un raz-de-marée épistémologique. Elles offrent en effet ce que les réseaux neuronaux ont toujours échoué à garantir : une formulation mathématique fondée sur l’optimisation convexe. Avec un SVM, le problème d’optimisation admet un minimum global unique ; il n’y a plus de minima locaux piégeux, plus de gradient qui disparaît ou explose, et les théorèmes de régularisation fournissent des bornes statistiques théoriques rigoureuses sur l’erreur de généralisation hors échantillon. En comparaison, les réseaux multicouches non linéaires de LeCun sont perçus par l’orthodoxie mathématique comme des bricolages heuristiques, des systèmes non convexes intrinsèquement opaques, relevant davantage de l’alchimie expérimentale que de la science rigoureuse.

En quelques années, le paysage académique se fige dans une exclusion presque institutionnelle du connexionnisme. Les comités de lecture des grandes conférences de référence — comme NeurIPS, ICML ou CVPR — rejettent systématiquement les articles mentionnant les réseaux de neurones, exigeant des soumissions fondées sur les méthodes à noyaux, les processus gaussiens ou les modèles graphiques probabilistes formellement tractables. Isolé, LeCun refuse pourtant d’abdiquer son intuition fondamentale. Il démontre par des analyses critiques que les méthodes à noyaux ne font que projeter artificiellement les données dans des espaces de Hilbert de dimension infinie au prix d’un calcul de similarité superficiel (les noyaux étant fixés a priori), ce qui les rend fondamentalement inaptes à franchir le mur de la « malédiction de la dimensionnalité » pour l’apprentissage de représentations hiérarchiques complexes.

4.2 Psychologie de la persévérance scientifique : anatomie d’un paradigme marginalisé

La période comprise entre 1995 et le début des années 2000 constitue ce que l’histoire des sciences informatiques a retenu sous le nom de « second hiver de l’intelligence artificielle », ou plus précisément de mise au ban du connexionnisme profond. Pour Yann LeCun, cette décennie représente une épreuve de résistance intellectuelle et psychologique extrême. Alors que l’écrasante majorité des chercheurs réorientent opportunément leurs publications vers les SVM ou les modèles bayésiens pour capter des financements publics et privés qui s’évaporent partout ailleurs, LeCun choisit la fidélité épistémologique envers les principes de l’apprentissage hiérarchique.

Cette attitude n’est pas le fruit d’un entêtement dogmatique, mais d’une analyse lucide des fondements de la biologie cognitive. LeCun fait remarquer à ses pairs que le cerveau des mammifères ne fonctionne manifestement pas par optimisation quadratique globale sur des espaces linéarisés, mais par une succession de transformations non linéaires empilées au sein de réseaux synaptiques massifs et bruyants. Pour lui, la non-convexité n’est pas un défaut de conception, mais la condition sine qua non de la flexibilité cognitive nécessaire pour comprimer et structurer la variabilité infinie du monde perceptif.

Dans ce contexte hostile, LeCun entretient des liens étroits avec un noyau réduit de chercheurs dissidents qui partagent la même vision obstinée, formant une sorte de communauté intellectuelle souterraine. Avec Geoffrey Hinton à Toronto et Yoshua Bengio à l’Université de Montréal, il maintient un dialogue continu, échangeant des prépublications, partageant leurs doutes théoriques et mutualisant leurs résistances face au conformisme académique. Cette solidarité intellectuelle, fondée sur une conviction inébranlable dans la justesse de l’approche neuromorphique, permet à cette poignée de pionniers de préserver l’outillage conceptuel et les intuitions fondamentales qui exploseront au grand jour une décennie plus tard.

4.3 Travaux précurseurs sur la compression et la vision continue

Loin de se complaire dans une posture de martyr théorique, LeCun met à profit cette période pour explorer des domaines connexes où les contraintes d’ingénierie permettent de faire avancer concrètement le traitement numérique de l’image et du signal. À la suite de la scission et des restructurations au sein d’AT&T qui conduisent à la création d’AT&T Labs-Research, LeCun collabore activement avec Léon Bottou, Patrick Haffner et d’autres collègues au développement d’un projet technologique d’envergure baptisé DjVu.

DjVu est un format de fichier et une suite d’algorithmes destinés à révolutionner la numérisation et la transmission de documents haute résolution sur le réseau Internet alors balbutiant. LeCun et son équipe s’attaquent à un problème réputé intraitable : comment compresser drastiquement des documents scannés contenant simultanément du texte typographique net, des diagrammes au trait et des images continues en couleur. Pour y parvenir, ils conçoivent un schéma de séparation innovant des couches d’avant-plan et d’arrière-plan, couplé à une méthode de quantification par ondelettes (IW44) et un algorithme de compression binaire adaptatif nommé JB2. DjVu surpasse de manière spectaculaire les formats dominants de l’époque, compressant des documents couleur avec un taux de réduction de cinq à dix fois supérieur à celui du JPEG ou du PDF d’Adobe, tout en conservant une lisibilité typographique irréprochable.

Parallèlement, LeCun poursuit des recherches fondamentales sur la vision continue et l’invariance aux transformations projectives complexes. Il commence à théoriser l’apprentissage d’invariances géométriques qui dépassent la simple translation couverte par les CNN standards. Il s’intéresse à l’extraction de primitives visuelles multi-échelles pour la détection d’objets naturels dans des contextes non contrôlés, posant les jalons computationnels qui permettront, dès le début des années 2000, d’envisager le passage des chiffres manuscrits isolés à la compréhension globale de scènes visuelles riches et denses.

5. La consécration académique et l’essor du Courant Profond à New York University (2003-2012)

5.1 Transition vers le monde universitaire : refondation à NYU

L’année 2003 marque un tournant institutionnel capital pour Yann LeCun. Après un passage par le NEC Research Institute à Princeton, il prend la décision de quitter le secteur des laboratoires industriels pour intégrer le monde académique de premier plan. Il est nommé professeur titulaire au sein du prestigieux Courant Institute of Mathematical Sciences de l’Université de New York (NYU), conjointement affilié au département d’informatique et au Center for Neural Science. Cette nomination au sein du temple mondial des mathématiques appliquées et de l’analyse différentielle confère à LeCun une tribune académique idéale pour légitimer ses travaux aux yeux des mathématiciens les plus exigeants.

À NYU, LeCun fonde le Computational and Biological Learning Laboratory (CBLL). Il y rassemble une équipe d’étudiants brillants et de postdoctorants internationaux, créant une culture de recherche singulière où les abstractions théoriques les plus sophistiquées sont immédiatement éprouvées par l’écriture de code bas niveau optimisé pour le calcul massivement parallèle. Conscient que la recherche moderne ne peut prospérer sans formation pédagogique d’élite, LeCun conçoit des programmes d’enseignement innovants consacrés à l’apprentissage statistique, aux architectures neuromorphiques et au traitement des données perceptives, attirant à New York une pépinière de jeunes talents qui essaimeront bientôt dans les plus grands laboratoires de la planète.

Cette implantation new-yorkaise permet également à LeCun de s’affranchir de la dépendance exclusive aux financements industriels à court terme. Depuis le Courant Institute, il s’emploie à reconnecter formellement les architectures de réseaux profonds avec les théories de la physique statistique et de la géométrie différentielle. Il commence à attirer des financements visionnaires, notamment de la Defense Advanced Research Projects Agency (DARPA), pour laquelle il développe des projets de vision artificielle embarquée pour la navigation autonome de petits robots tout-terrain (projet LAGR), préfigurant l’autonomie perceptive des véhicules modernes bien avant l’engouement généralisé pour les voitures autonomes.

5.2 La « conspiration » du Deep Learning : l’alliance avec Hinton et Bengio

C’est durant cette période féconde au milieu des années 2000 que se concrétise une alliance stratégique qui va changer l’histoire des technologies : la formation de ce que les membres du groupe qualifièrent eux-mêmes avec ironie de « conspiration du deep learning ». En 2004, l’Institut canadien de recherches avancées (CIFAR), organisme public visionnaire finançant des programmes scientifiques à haut risque conceptuel, accepte de soutenir l’initiative de Geoffrey Hinton intitulée « Neural Computation and Adaptive Perception » (NCAP). Hinton convie immédiatement Yann LeCun et Yoshua Bengio à codiriger ce programme d’élite.

Cette troïka — Hinton, Bengio, LeCun — réunit des profils d’une complémentarité remarquable. Hinton apporte son intuition physique quasi-mystique, sa vision probabiliste des machines de Boltzmann et son aura académique ; Bengio amène une rigueur analytique sans égale sur l’apprentissage statistique, la modélisation des séquences et l’algèbre linéaire ; LeCun, fort de sa culture d’ingénieur et de sa maîtrise de la vision artificielle, insuffle une exigence absolue quant à l’évolutivité computationnelle, la différentiabilité continue et l’ancrage spatial des architectures. Grâce au CIFAR, ce groupe organise des ateliers fermés annuels, réunissant informaticiens, neurobiologistes et spécialistes de la vision, où les données empiriques sont discutées sans la pression de l’orthodoxie académique dominante.

C’est dans le cadre de ces échanges que tombe le dogme tenace de la disparition du gradient (vanishing gradient problem). Hinton propose en 2006 une méthode d’entraînement couche par couche non supervisée à l’aide de machines de Boltzmann restreintes (RBM), démontrant qu’il est possible d’initialiser des réseaux profonds sans que les gradients des premières couches ne s’annulent. Si LeCun privilégie rapidement d’autres alternatives d’entraînement plus directes et différentiables, cet électrochoc intellectuel déclenche une émulation mondiale : pour la première fois depuis vingt ans, la communauté internationale commence à reconsidérer l’apprentissage profond non comme une impasse mathématique, mais comme le continent inexploré du traitement de l’information.

5.3 Modèles énergétiques et apprentissage non supervisé précoce

Au cours de ses années à NYU, l’une des contributions théoriques les plus profondes et durables de Yann LeCun est la formalisation mathématique rigoureuse des modèles à base d’énergie (Energy-Based Models ou EBM), synthétisée notamment dans un tutoriel de référence publié en 2006 avec Sumit Chopra, Raia Hadsell, Marc’Aurelio Ranzato et Fu Jie Huang. Rejetant les contraintes souvent artificielles du cadre probabiliste bayésien pur — qui impose la normalisation stricte des densités de probabilité par le calcul d’une intégrale de partition (la fonction $Z$) généralement intraitable sur des espaces de haute dimension —, LeCun propose d’attribuer une valeur scalaire simple, l’« énergie », à chaque configuration possible des variables observées et des variables à prédire.

Dans ce cadre élégant, l’apprentissage consiste simplement à sculpter une surface d’énergie dans l’espace des états : abaisser l’énergie des configurations correctes ou plausibles observées dans les données, et élever l’énergie des configurations incorrectes ou invraisemblables. Ce formalisme unificateur englobe l’apprentissage supervisé, semi-supervisé et non supervisé au sein d’une même métrique différentiable, évitant les approximations stochastiques fastidieuses requises par les méthodes d’échantillonnage de Monte-Carlo par chaînes de Markov (MCMC).

Appliquant cette philosophie aux auto-encodeurs non supervisés, LeCun et son équipe développent des architectures d’auto-encodeurs parcimonieux (sparse autoencoders). En forçant le goulot d’étranglement du réseau à n’activer qu’une infime fraction de ses unités pour reconstruire une image naturelle donnée, LeCun observe un phénomène fascinant : les poids synaptiques de la première couche convergent spontanément vers des filtres orientés et localisés spatialement, identiques aux fonctions d’onde de Gabor. Sans aucune supervision humaine, le modèle réinvente de manière autonome l’organisation computationnelle des champs récepteurs des cellules simples du cortex V1 découvertes par Hubel et Wiesel. Cette démonstration apporte une validation computationnelle saisissante aux théories du codage prédictif et de la parcimonie neuronale formulées par Horace Barlow et Bruno Olshausen.

6. Le point de bascule de 2012 et l’avènement mondial du Deep Learning

6.1 Le triomphe d’ImageNet : validation empirique irréfutable

L’automne 2012 constitue l’épicentre d’un séisme scientifique dont l’onde de choc continue de propager ses effets sur l’ensemble de la société contemporaine. L’événement déclencheur se produit lors de l’annonce des résultats de la compétition internationale ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Organisé autour d’une base de données titanesque initiée par Fei-Fei Li à Stanford, comptant plus d’un million d’images naturelles haute résolution réparties en un millier de catégories fines, ce concours annuel est alors le banc d’essai absolu où s’affrontent les meilleurs laboratoires mondiaux de vision artificielle.

Depuis des années, les équipes dominantes progressent au rythme laborieux de fractions de pourcentage en raffinant des descripteurs forgés à la main — tels que les algorithmes SIFT (Scale-Invariant Feature Transform) ou HOG (Histogram of Oriented Gradients) — associés à des classificateurs de type SVM ou sacs de mots visuels. Mais en 2012, l’équipe de l’Université de Toronto, composée d’Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton, pulvérise la concurrence en présentant un modèle baptisé AlexNet. Le taux d’erreur de classification d’AlexNet s’établit à 15,3 %, reléguant le second concurrent, partisan des méthodes classiques, à plus de 26,2 % d’erreur — un gouffre statistique sans précédent dans l’histoire de l’informatique.

Or, sur le plan conceptuel, AlexNet n’est rien d’autre qu’une réincarnation directe, augmentée et intensifiée, du LeNet-5 conçu par Yann LeCun vingt-trois ans plus tôt aux Bell Labs. Les principes structurants sont rigoureusement identiques : alternance de convolutions spatiales, de fonctions d’activation non linéaires et de couches de sous-échantillonnage. Ce qui a changé de manière décisive, et qui permet le triomphe de cette architecture, c’est la convergence de trois facteurs matériels :

• L’accessibilité à des jeux de données d’une échelle inédite (mégadonnées issues du Web mondial) ;
• L’utilisation audacieuse des processeurs graphiques programmables (GPU de Nvidia, via le langage CUDA), transformant des puces initialement conçues pour les jeux vidéo en calculateurs matriciels massivement parallèles ;
• L’introduction de raffinements algorithmiques clés comme la fonction d’activation unitaire linéaire rectifiée (ReLU) et la technique de régularisation par abandon stochastique (dropout).

En l’espace de quelques mois, les méthodes traditionnelles de vision par ordinateur sont balayées. L’ensemble de la communauté scientifique abandonne l’ingénierie manuelle de traits pour se convertir à la propagation du gradient sur réseaux convolutifs, consacrant le triomphe absolu de l’intuition de LeCun.

6.2 Reconnaissance institutionnelle et distinction internationale suprême

Ce point de bascule de 2012 transforme radicalement le statut épistémologique et social de Yann LeCun. Longtemps perçu comme un hérétique persévérant dans une voie sans issue, il devient subitement l’une des figures scientifiques les plus courtisées de la planète. Les institutions académiques les plus prestigieuses et les géants industriels de la Silicon Valley réalisent que le deep learning n’est pas une simple mode passagère, mais le nouveau socle computationnel sur lequel reposera désormais l’ensemble de l’informatique appliquée, de la reconnaissance vocale à la détection médicale, en passant par les véhicules autonomes et la robotique.

La consécration suprême intervient en mars 2019, lorsque l’Association for Computing Machinery (ACM) annonce l’attribution conjointe du prestigieux Prix Turing — unanimement considéré comme l’équivalent du prix Nobel pour les sciences de l’informatique — à Yann LeCun, Geoffrey Hinton et Yoshua Bengio, pour leurs « percées conceptuelles et techniques qui ont fait des réseaux de neurones profonds une composante fondamentale de l’informatique contemporaine ». Cette distinction couronne plus de trois décennies de travail acharné et réhabilite définitivement l’ensemble de la tradition connexionniste dans le panthéon des sciences formelles.

Les honneurs institutionnels se succèdent à un rythme soutenu. LeCun est élu membre de l’Académie nationale d’ingénierie des États-Unis (National Academy of Engineering) puis de l’Académie nationale des sciences (National Academy of Sciences). En France, il est invité dès l’année académique 2015-2016 à occuper la prestigieuse chaire annuelle d’Informatique et sciences numériques au Collège de France, où sa leçon inaugurale, prononcée devant un amphithéâtre comble, pose les fondations de l’apprentissage profond dans l’histoire longue de la pensée rationnelle, réconciliant son pays natal avec une discipline qu’il avait largement délaissée à l’époque de ses débuts doctoraux.

6.3 Implications sociologiques : la fin du mépris pour l’empirisme connexionniste

Le raz-de-marée de l’apprentissage profond consacre une mutation sociologique et méthodologique profonde au sein de la communauté scientifique mondiale. Durant des décennies, l’informatique théorique et les mathématiques appliquées avaient entretenu une hiérarchie implicite des valeurs : les théories purement déductives, formalisables par des théorèmes rigoureux et s’inscrivant dans le cadre d’espaces convexes, jouissaient d’un prestige académique écrasant, tandis que les approches neuronales étaient méprisées pour leur caractère empirique, expérimental, voire inductif.

Yann LeCun a toujours revendiqué cette dimension d’empirisme rigoureux, n’hésitant pas à comparer l’état du deep learning contemporain à celui de la thermodynamique au début du XIXe siècle : la machine à vapeur de Newcomen et Watt fonctionnait et transformait déjà le monde industriel bien avant que Sadi Carnot, Clausius et Boltzmann n’en découvrent les lois théoriques fondamentales et la notion d’entropie. Pour LeCun, l’expérimentation computationnelle à grande échelle est un instrument de découverte scientifique à part entière, capable de révéler des régularités mathématiques dans des espaces non linéaires de très haute dimensionnalité qu’aucune déduction sur papier n’aurait permis d’anticiper.

Cette réhabilitation de l’empirisme computationnel bouleverse également le modèle économique de la recherche scientifique. Elle déclenche un afflux massif et inédit de capitaux privés dans les laboratoires de recherche fondamentale en informatique. Les frontières traditionnelles entre la recherche publique universitaire et les centres de recherche des multinationales technologiques s’estompent à mesure que les investissements en puissance de calcul deviennent le facteur limitant de la découverte scientifique, préparant le terrain pour la prochaine étape de la trajectoire de LeCun au sommet d’un mastodonte de l’Internet mondial.

7. La direction scientifique de Meta AI (FAIR) : concilier recherche fondamentale et échelle planétaire

7.1 Création et philosophie organisationnelle de FAIR (2013-présent)

À la fin de l’année 2013, Mark Zuckerberg, président-fondateur du réseau social Facebook (devenu par la suite Meta Platforms), comprend que le traitement des milliards de photographies, de vidéos et d’interactions textuelles échangées quotidiennement sur sa plateforme requiert une maîtrise absolue des technologies de deep learning. Zuckerberg sollicite personnellement Yann LeCun pour fonder et diriger une structure de recherche d’un type nouveau : FAIR (initialement Facebook AI Research, rebaptisé ultérieurement Fundamental AI Research). LeCun pose une condition non négociable à son acceptation : FAIR ne sera pas un département de développement produit dévolu à l’optimisation des revenus publicitaires, mais un véritable laboratoire de recherche fondamentale fonctionnant selon les standards académiques les plus stricts.

Le modèle organisationnel forgé par LeCun au sein de FAIR constitue une innovation institutionnelle remarquable. Il impose la règle de la liberté absolue de publication scientifique : les chercheurs recrutés ont l’obligation morale et professionnelle de soumettre leurs résultats aux grandes conférences académiques à comité de lecture, sans que l’entreprise ne bloque les brevets ou ne confisque la propriété intellectuelle sous le sceau du secret des affaires. En outre, LeCun instaure un système pionnier de postes partagés (joint appointments), permettant aux chercheurs d’élite de conserver leur chaire universitaire à mi-temps tout en menant leurs travaux chez FAIR, avec l’accès aux infrastructures de calcul colossales de la multinationale. De New York à Paris, en passant par Menlo Park, Londres et Tel Aviv, FAIR attire rapidement les esprits les plus brillants du domaine.

Au fil des transformations de l’entreprise, LeCun conserve son rôle de boussole intellectuelle, occupant le titre de Chief AI Scientist (Directeur scientifique de l’IA). Affranchi des tâches de gestion managériale quotidienne, il consacre l’essentiel de son autorité à définir la feuille de route scientifique à long terme de l’organisation. Dans un paysage industriel marqué par des cycles d’hystérie commerciale à court terme, LeCun fait de FAIR un sanctuaire préservé pour les travaux de recherche exploratoire dont l’horizon d’aboutissement se chiffre en années, voire en décennies.

7.2 L’engagement viscéral pour la science ouverte et PyTorch

Au cœur de l’éthos scientifique de Yann LeCun se trouve une défense intransigeante, quasi militante, de la « science ouverte » (Open Science) et du partage des artefacts logiciels sous licence libre. Alors que des concurrents de premier plan — à l’instar d’OpenAI ou de Google DeepMind — opèrent progressivement un virage vers l’opacité commerciale, le secret industriel et la fermeture de leurs codes sources et de leurs poids d’entraînement sous couvert d’arguments sécuritaires, LeCun maintient fermement FAIR sur la trajectoire d’une diffusion publique sans entraves.

Le symbole le plus éclatant de cette politique est l’émergence de PyTorch. Initié chez FAIR sous la direction de chercheurs et ingénieurs d’élite comme Soumith Chintala, Adam Paszke et Sam Gross, PyTorch est conçu comme l’héritier direct de l’environnement Torch et de la philosophie de flexibilité chère à LeCun depuis l’époque de Lush. En adoptant le paradigme de l’exécution dynamique (tape-based automatic differentiation ou define-by-run), PyTorch rompt avec la rigidité des graphes statiques de TensorFlow 1.0 développé par Google, offrant aux chercheurs une expressivité mathématique, une simplicité de débogage et une fluidité d’écriture révolutionnaires. Mis à disposition de la communauté mondiale sous licence open source, PyTorch conquiert en quelques années une hégémonie presque absolue dans le monde de la recherche académique, devenant le standard industriel universel sur lequel s’entraînent aujourd’hui la majorité des modèles d’intelligence artificielle.

Pour LeCun, le libre accès au code source, aux hyperparamètres et aux pondérations des modèles n’est pas seulement une exigence déontologique de reproductibilité scientifique ; c’est un impératif démocratique et géopolitique fondamental. Il affirme publiquement et sans relâche que confiner les technologies fondamentales d’IA au sein de quelques forteresses technologiques fermées constitue le danger sociétal le plus pernicieux, risquant de créer une asymétrie de pouvoir cognitive inédite dans l’histoire de l’humanité. Le partage ouvert garantit l’accès des pays émergents, des universités publiques et des développeurs indépendants aux leviers de la révolution numérique.

7.3 L’expansion des champs d’application : de la vision au traitement du langage

Sous la houlette scientifique de Yann LeCun, FAIR ne se contente pas d’approfondir les sillons historiques de la vision artificielle ; le laboratoire élargit son spectre d’intervention à l’ensemble des modalités sensorielles et computationnelles, produisant une série continue de percées majeures qui irriguent l’industrie mondiale.

En vision par ordinateur, les équipes de FAIR repoussent les limites de la segmentation d’images avec le développement de Mask R-CNN (piloté notamment par Kaiming He), puis plus récemment avec le modèle de fondation Segment Anything (SAM), capable de découper n’importe quel objet dans n’importe quel contexte visuel sans entraînement préalable sur cet objet. Dans le domaine du traitement du signal sonore et de la traduction automatique, FAIR brise les barrières linguistiques en développant le projet No Language Left Behind (NLLB), capable d’opérer des traductions de haute fidélité entre plus de deux cents langues, dont de multiples dialectes indigènes totalement ignorés des modèles commerciaux traditionnels en raison de leur rentabilité marchande nulle.

Simultanément, LeCun encourage activement l’application des architectures d’apprentissage profond aux sciences de la matière. FAIR s’illustre de manière spectaculaire dans la biologie computationnelle avec le projet ESM (Evolutionary Scale Modeling), qui utilise des réseaux neuronaux profonds entraînés sur des centaines de millions de séquences protéiques pour prédire la structure tridimensionnelle des protéines à l’échelle atomique en une fraction du temps requis par d’autres approches, ouvrant des horizons thérapeutiques sans précédent. FAIR explore également la catalyse chimique pour la capture du carbone et la découverte de nouveaux matériaux semi-conducteurs (projet Open Catalyst), matérialisant la conviction profonde de LeCun selon laquelle l’IA doit être un amplificateur de la découverte scientifique fondamentale au service de la préservation de la biosphère.

8. L’apprentissage auto-supervisé : le chaînon manquant de l’intelligence

8.1 La métaphore de la génoise : critique acerbe de l’apprentissage par renforcement pur

À partir de 2016, au moment même où la victoire historique du système AlphaGo de Google DeepMind sur le champion du monde de go Lee Sedol suscite une fascination universelle pour l’apprentissage par renforcement profond (Deep Reinforcement Learning), Yann LeCun introduit un contre-discours vigoureux, illustré par une allégorie culinaire devenue mondialement célèbre : la métaphore du gâteau de l’intelligence.

S’exprimant lors de conférences plénières majeures, LeCun schématise l’intelligence sous la forme d’un gâteau à trois étages :

• La génoise (le corps du gâteau) : Représente l’apprentissage auto-supervisé (Self-Supervised Learning ou SSL). C’est le socle massif de l’apprentissage, par lequel un agent extrait des millions de bits d’information par seconde à partir du flux continu et redondant de ses perceptions sensorielles, sans aucune étiquette extérieure.
• Le glaçage : Représente l’apprentissage supervisé classique. L’agent reçoit quelques milliers ou millions de bits d’information sous la forme d’étiquettes ou de classes sémantiques fournies manuellement par des annotateurs humains.
• La cerise sur le gâteau : Représente l’apprentissage par renforcement pur. L’agent ne reçoit de l’environnement qu’une rétroaction scalaire infinitésimale : un simple signal de récompense ou de punition binaire (victoire ou défaite, gain de points) consistant en quelques bits d’information sporadiques, souvent délivrés après des milliers d’étapes d’action.

Par cette analogie corrosive, LeCun dénonce l’illusion théorique qui consiste à croire que l’apprentissage par renforcement pourrait, à lui seul, conduire à une véritable intelligence générale. En raison de la pauvreté informationnelle criante de sa rétroaction scalaire, un système reposant exclusivement sur le renforcement doit exécuter des millions de simulations par essai-erreur pour acquérir la moindre stratégie rudimentaire. Or, dans le monde physique réel, une telle méthode est condamnée à l’échec : un animal ou un être humain ne peut pas se jeter dix millions de fois du haut d’une falaise pour « apprendre » par renforcement que la gravité terrestre lui sera fatale. Un nourrisson acquiert une modélisation sophistiquée de la physique naïve du monde (la gravité, la rigidité, la permanence de l’objet) bien avant de recevoir des récompenses explicites ou de savoir parler, par la seule observation passive et auto-organisée de son environnement perceptif.

8.2 Principes fondamentaux du Self-Supervised Learning (SSL)

Pour dépasser l’impasse de l’apprentissage supervisé — tributaire du goulet d’étranglement prohibitif des annotations humaines manuelles — et l’inefficacité computationnelle du renforcement pur, LeCun place l’apprentissage auto-supervisé au cœur de son programme épistémologique. Le principe cardinal du SSL est d’une simplicité mathématique désarmante : transformer le signal brut non labellisé en sa propre cible d’entraînement supervisé.

Le système masque, corrompt ou dissimule une portion de ses données d’entrée (qu’il s’agisse de pixels dans une image, de segments de frames dans un flux vidéo ou d’échantillons d’un signal audio) et s’entraîne à prédire, reconstruire ou inférer les parties manquantes à partir du contexte observable restant. Dans ce paradigme, la supervision ne provient plus d’un observateur humain extérieur, mais de la structure causale, géométrique et spatiotemporelle intrinsèque des données du monde réel. Le système est contraint d’apprendre la corrélation interne et les invariances physiques de son environnement pour accomplir la tâche de complétion.

Sur le plan psychologique, ce mécanisme converge de manière frappante avec les postulats de la psychologie de la forme (Gestalt) et les théories contemporaines du cerveau prédictif formulées par le neuroscientifique Karl Friston. L’esprit n’est pas un récepteur passif qui attend que le monde lui imprime des signaux ; c’est un organe prédictif permanent qui projette des hypothèses descendantes sur les flux sensoriels ascendants. Le SSL offre un cadre computationnel rigoureux pour formaliser cette intuition : l’intelligence naît de la réduction continuelle de l’erreur d’ajustement entre ce qui est perçu et ce qui est anticipé par le modèle interne de la machine.

8.3 Le problème de l’effondrement de représentation et ses remèdes mathématiques

Toutefois, la concrétisation mathématique du SSL se heurte à un écueil théorique redoutable qui a longtemps paralysé les chercheurs : le danger de l’effondrement de représentation (representation collapse). Dans une architecture où le réseau doit générer des plongements vectoriels (embeddings) à partir de différentes vues d’une même scène sans supervision externe, il existe une solution triviale mathématiquement optimale mais cognitivement stérile : le réseau de neurones ajuste tous ses poids synaptiques de manière à projeter l’ensemble des données d’entrée, quelles qu’elles soient, vers un unique vecteur constant dans l’espace latent. La fonction de perte est alors parfaitement minimisée, l’invariance est maximale, mais l’information contenue dans les représentations est strictement égale à zéro.

Pour déjouer cette dégénérescence informationnelle, une première école de pensée propose l’apprentissage contrastif (exprimé par des architectures comme SimCLR ou MoCo). Cette méthode force le modèle à rapprocher les représentations issues de vues d’une même image (paires positives) tout en repoussant explicitement les représentations issues d’images différentes (paires négatives). Cependant, LeCun et ses collaborateurs démontrent que l’apprentissage contrastif souffre d’une complexité combinatoire prohibitive : pour empêcher l’effondrement, il faut comparer chaque échantillon à des millions de paires négatives, ce qui exige des tailles de lots (batch sizes) gigantesques et une consommation de calcul astronomique.

Pour résoudre ce dilemme avec une élégance théorique supérieure, Yann LeCun, en collaboration avec Adrien Bardes et Stéphane Deny, conçoit une famille d’approches non-contrastives révolutionnaires, incarnée de manière paradigmatique par la méthode VICReg (Variance-Invariance-Covariance Regularization, 2021). VICReg prévient l’effondrement sans jamais recourir à la moindre paire négative, en introduisant une fonction de coût tripartite agissant directement sur la géométrie de l’espace latent :

• Le terme d’invariance : Minimise la distance euclidienne entre les projections vectorielles de deux transformations différentes d’une même entrée, garantissant la stabilité sémantique de la représentation face aux perturbations.
• Le terme de variance : Impose une force de répulsion mathématique qui contraint la variance de chaque composante du vecteur d’état à rester strictement supérieure à un seuil constant le long du lot, interdisant formellement l’effondrement de tous les points sur un état invariant unique.
• Le terme de covariance : Minimise systématiquement les covariances croisées entre les différentes dimensions des vecteurs latents. Cette force d’orthogonalisation contraint les composantes à être statistiquement décorrélées les unes des autres, maximisant ainsi la capacité informationnelle de l’espace latent et éradiquant toute redondance dimensionnelle.

Avec VICReg et ses variantes (comme Barlow Twins), LeCun résout le problème de l’effondrement par la seule force des contraintes géométriques internes, ouvrant la voie à des systèmes capables d’apprendre des représentations extrêmement riches de la réalité physique en totale autonomie.

9. L’architecture cognitive JEPA : modéliser le bon sens et la prédiction

9.1 L’architecture prédictive à plongements conjoints (JEPA)

En juin 2022, Yann LeCun publie un document programmatique de plus de soixante pages intitulé A Path Towards Autonomous Machine Intelligence, qui constitue sans conteste son manifeste intellectuel le plus ambitieux depuis ses travaux sur les CNN. Dans cet essai de refondation épistémologique, LeCun présente une critique radicale des modèles génératifs dominants et dévoile son architecture cardinale pour les décennies à venir : l’architecture prédictive à plongements conjoints ou JEPA (Joint Embedding Predictive Architecture).

Le constat initial de LeCun est impitoyable à l’égard des modèles génératifs autorégressifs ou des modèles de diffusion qui s’efforcent de prédire le futur pixel par pixel ou mot par mot. Dans le monde physique réel, la prédiction directe au niveau perceptif brut est vouée à l’échec ou à la superficialité computationnelle en raison de l’incertitude irréductible et du bruit chaotique du réel. Si une caméra filme un arbre battu par le vent dans une forêt, aucun système ne peut raisonnablement prédire la trajectoire exacte de chaque feuille individuelle au millimètre près, ni les ondulations microscopiques des vagues sur un étang. Exiger d’un modèle d’IA qu’il prédise la totalité des détails haute fréquence du flux vidéo d’entrée force l’architecture à gaspiller la quasi-totalité de sa capacité d’apprentissage sur des détails contingents et dénués de toute signification sémantique ou causale.

L’innovation fondamentale de JEPA consiste à renoncer purement et simplement à la reconstruction dans l’espace perceptif brut. Au lieu de cela, JEPA applique un encodeur à l’état présent pour le projeter dans un espace de caractéristiques abstrait (espace latent), et un encodeur à l’état futur. La prédiction ne s’effectue plus entre pixels, mais exclusivement au sein de l’espace des représentations abstraites. Un module prédictif apprend à anticiper le plongement vectoriel futur à partir du plongement présent et d’une variable latente représentant l’action ou l’incertitude environnementale. Tout ce qui relève du bruit non prédictible et des fluctuations microscopiques sans importance est naturellement filtré et éliminé par les encodeurs, permettant au réseau de se focaliser uniquement sur les invariants topologiques, les relations causales et la sémantique de haut niveau de la scène.

9.2 V-JEPA et I-JEPA : applications empiriques à la vision et à la dynamique

Loin de demeurer une spéculation théorique désincarnée, la vision JEPA reçoit une implémentation empirique à grande échelle dès 2023 et 2024 grâce aux équipes de Meta AI, à travers les modèles I-JEPA (Image-JEPA) et V-JEPA (Video-JEPA).

I-JEPA s’attaque à la compréhension holistique des scènes visuelles statiques. Contrairement aux méthodes d’auto-encodage masqué standard (comme MAE) qui masquent des pixels aléatoires et forcent le réseau à les redessiner, I-JEPA masque de larges blocs contigus de l’image représentant des structures sémantiques entières (par exemple, la tête d’un animal ou la roue d’un véhicule). Le modèle est entraîné à prédire la représentation vectorielle abstraite du bloc manquant à partir des représentations des blocs périphériques. Les résultats expérimentaux révèlent que I-JEPA développe une compréhension contextuelle profonde des objets et de leurs relations spatiales sans jamais générer un seul pixel d’image, affichant une rapidité d’entraînement et une efficacité sur les tâches d’évaluation très supérieures aux architectures génératives classiques.

Avec V-JEPA, Yann LeCun franchit une étape cruciale vers la modélisation de la dynamique physique du monde. Le modèle est exposé à des dizaines de milliers d’heures de flux vidéo non annotés. En masquant des portions temporelles et spatiales entières du flux vidéo, V-JEPA apprend à prédire comment les objets vont interagir, comment ils chutent, s’entrechoquent, se déforment ou disparaissent temporairement derrière d’autres structures. Sans texte d’accompagnement, sans étiquettes fournies par des superviseurs humains, le système acquiert spontanément une grammaire interne de la causalité spatiotemporelle. V-JEPA démontre qu’il est possible de doter une machine d’un sens perceptif de la trajectoire et du mouvement, jetant les bases d’une perception visuelle continue indispensable à l’exercice d’une navigation robotique intelligente dans le monde physique.

9.3 Parallèles avec les théories psychologiques du bon sens chez l’enfant

La formulation théorique de l’architecture JEPA s’appuie explicitement sur les découvertes majeures de la psychologie du développement cognitif infantile des quarante dernières années, notamment les travaux pionniers de chercheuses telles que Elizabeth Spelke et Renée Baillargeon sur ce que les sciences cognitives désignent sous le terme de « physique naïve » (intuitive physics) ou de « connaissances fondamentales » (core knowledge).

Spelke et Baillargeon ont démontré expérimentalement que dès l’âge de trois à six mois, bien avant d’avoir acquis la parole ou de savoir manipuler des symboles logiques, le nourrisson humain possède déjà un ensemble d’attentes fondamentales concernant le comportement des objets matériels :

• La permanence de l’objet : La certitude qu’un objet continue d’exister dans l’espace même lorsqu’il est temporairement occulté par un écran protecteur.
• La solidité et l’impénétrabilité : Le postulat que deux corps matériels rigides ne peuvent occuper simultanément le même emplacement spatiotemporel et ne peuvent se traverser mutuellement.
• La continuité et la trajectoire spatiale : L’anticipation qu’un objet en mouvement suit une ligne continue sans se téléporter magiquement d’un point à un autre.
• La gravité naïve : La surprise mesurée par le temps de fixation visuelle (méthode de violation des attentes) lorsqu’un objet abandonné dans le vide reste en sustentation sans support matériel sous-jacent.

Pour Yann LeCun, cette physique intuitive constitue le substrat universel, le « bon sens » perceptif sans lequel aucun raisonnement de haut niveau n’est concevable. Un être humain passe l’intégralité de sa première année de vie à bâtir ce modèle du monde par simple observation auto-supervisée du flux d’invariants physiques. JEPA est précisément conçu pour formaliser ce mécanisme de genèse cognitive chez la machine : l’acquisition de la cohérence du monde physique par minimisation différentiable de l’erreur prédictive sur les invariants de l’espace latent. C’est ce modèle du monde sensorimoteur qui manque cruellement aux architectures purement textuelles contemporaines.

10. LeCun face à la frénésie des LLM : controverses épistémologiques et limites de l’IA générative

10.1 Pourquoi « les LLM ne pensent pas » : la charge contre l’illusion de l’intelligence

L’explosion médiatique et industrielle consécutive au lancement public de ChatGPT par la société OpenAI à la fin de l’année 2022 a plongé la sphère intellectuelle et financière mondiale dans une fascination quasi mystique pour les grands modèles de langage autorégressifs (LLM). Alors que de nombreux industriels et commentateurs affirment que l’augmentation exponentielle des paramètres et des données textuelles de ces transformeurs mènera mécaniquement à l’Intelligence Artificielle Générale (AGI), Yann LeCun endosse une fois de plus le rôle du dissident épistémologique, dénonçant sans ménagement cette croyance comme une impasse conceptuelle dangereuse.

L’argumentation de LeCun s’appuie sur une démonstration mathématique et logique rigoureuse de la structure autorégressive. Un modèle de langage génère du texte selon un processus probabiliste local de bout en bout : conditionné par une suite de jetons (tokens) précédents, il calcule la distribution de probabilité du jeton immédiatement suivant, sélectionne ce mot, le réinjecte dans son contexte, et réitère l’opération de manière séquentielle. LeCun met en évidence une faille intrinsèque à ce fonctionnement : l’accumulation exponentielle des erreurs au cours de la chaîne causale. Si la probabilité $P$ qu’un modèle commette une micro-déviation logique ou factuelle à chaque étape de génération vaut $1 – epsilon$, la probabilité que la séquence générée reste rigoureusement exacte sur un horizon de $N$ étapes décroît de manière géométrique selon $(1 – \epsilon)^N$. Sans mécanisme de retour en arrière (backtracking) ou de planification hiérarchique, le modèle est mathématiquement voué à dériver hors des rails de la cohérence, générant ce que le jargon nomme des « hallucinations », mais qui ne sont en réalité que la signature inhérente de son absence totale de représentation de la vérité.

LeCun réactualise ici la critique formulée par Emily Bender et Timnit Gebru qualifiant ces modèles de « perroquets stochastiques » (stochastic parrots). Pour lui, un LLM ne possède aucune compréhension sémantique authentique (il n’a pas d’ancrage dans le réel, ou symbol grounding), n’a pas de modèle interne de la causalité physique, ne comprend pas le sens des phrases qu’il agence et ne dispose d’aucune mémoire de travail persistante. Manipuler avec virtuosité la syntaxe superficielle de la langue ne constitue en aucun cas une preuve de rationalité cognitive ; c’est confondre la maîtrise calligraphique de la forme avec la compréhension ontologique du fond.

10.2 Divergences majeures avec la communauté de l’IA (Altman, Bostrom, Tegmark)

Cette posture critique place Yann LeCun en collision frontale avec une part influente de l’écosystème de la Silicon Valley, ainsi qu’avec certains cercles philosophiques rationalistes et le courant de pensée transhumaniste incarné par l’altruisme efficace. Des personnalités comme Sam Altman (OpenAI), le philosophe Nick Bostrom (auteur de Superintelligence) ou le cosmologiste Max Tegmark n’hésitent pas à agiter la menace d’un « risque existentiel » imminent (le courant catastrophiste ou AI doomerism), affirmant que l’avènement à très court terme d’une superintelligence incontrôlable pourrait anéantir l’espèce humaine à la manière d’une prolifération virale incontrôlée.

Sur les réseaux sociaux (notamment X/Twitter) et dans les débats académiques, LeCun répond à cette rhétorique avec une virulence polémique assumée. Il qualifie les scénarios d’apocalypse technologique de constructions narratives grotesques, dénuées de tout fondement scientifique, s’apparentant à de la science-fiction de série B ou à une forme de panique morale religieuse sécularisée. Pour LeCun, s’inquiéter de la domination d’une superintelligence sur l’humanité aujourd’hui équivaut à « s’inquiéter de la surpopulation sur Mars avant même que la première fusée n’ait décollé de la Terre ».

Il dénonce en outre la duplicité politique sous-jacente à ce discours catastrophiste : pour les monopoles de la tech, agiter le spectre de la fin du monde est un instrument d’ingénierie réglementaire (regulatory capture). En poussant les gouvernements et les institutions internationales (à l’instar de l’AI Safety Summit de Bletchley Park) à imposer des régulations draconiennes et des licences obligatoires sous prétexte de sécurité nationale, ces entreprises cherchent en réalité à étouffer l’émergence des modèles ouverts (open source) et à sanctuariser leur position dominante face aux petites structures de recherche et aux pays tiers. LeCun réaffirme avec force qu’une intelligence dénuée de pulsions biologiques de survie et de domination n’a aucune propension ontologique à asservir ses concepteurs.

10.3 La définition lecunienne de la véritable intelligence artificielle générale (AGI)

Rejetant les définitions floues ou sensationnalistes de l’Intelligence Artificielle Générale (AGI), Yann LeCun en propose une caractérisation opératoire rigoureuse, enracinée dans les réalités de la biologie comparée. Pour lui, avant de prétendre rivaliser avec le génie abstrait d’un Albert Einstein ou de concevoir des systèmes experts capables de philosopher, l’intelligence artificielle doit d’abord être capable d’égaler le niveau d’intelligence d’un chat domestique.

Un félin ordinaire possède un système perceptif capable de naviguer de manière fluide dans un espace tridimensionnel complexe et mouvant, de calculer instantanément des trajectoires de saut sur des surfaces instables, de comprendre la dynamique des fluides et des solides, d’anticiper la trajectoire d’une proie vivante et de planifier des séquences d’actions coordonnées pour surmonter des obstacles imprévus. À ce jour, aucun robot existant sur Terre, aucun transformeur doté de billions de paramètres textuels, ne s’approche de cette maîtrise sensorimotrice et de cette adaptabilité physique continue.

L’AGI, au sens de LeCun, se définit donc par quatre piliers computationnels indissociables :

• La perception active et continue : Capacité à extraire en permanence les invariants spatiaux et temporels du flux physique réel sans recourir à des étiquettes symboliques.
• La possession d’un modèle interne du monde : Architecture capable d’anticiper les conséquences physiques de ses propres actions et les évolutions de l’environnement au sein d’un espace latent invariant.
• Une mémoire épisodique et associative : Capacité à stocker des états passés, à récupérer des analogies situationnelles et à maintenir un fil de continuité identitaire au fil du temps.
• Un module de planification hiérarchique : Algorithme d’optimisation capable de décomposer un objectif complexe à long terme en sous-objectifs intermédiaires concrets, en calculant la trajectoire de moindre action au sein de son modèle du monde interne.

Dans cette perspective, LeCun rappelle que l’ensemble des textes jamais écrits par l’humanité sur Internet ne représente qu’une fraction infime de l’information circulant dans le monde : un enfant de quatre ans a absorbé dans son système visuel cinquante fois plus de bits de données sur la physique de son environnement que la totalité des jetons textuels utilisés pour entraîner les plus gigantesques LLM contemporains. L’accès à une véritable AGI ne sera donc pas l’aboutissement d’une simple extension quantitative des modèles de langage existants, mais résultera d’une révolution architecturale qualitative qui nécessitera des décennies de recherche fondamentale méthodique.

11. Modélisation computationnelle de l’esprit : fonctions exécutives, émotions et conscience

11.1 L’architecture cognitive globale proposée par LeCun

Pour matérialiser son ambition de doter les machines d’une autonomie comparable à celle des organismes vivants, Yann LeCun présente une architecture cognitive intégrée d’une audace théorique majeure, articulée autour de six modules computationnels interconnectés opérant en boucle fermée :

• Le module de perception : Reçoit les flux sensoriels bruts issus du monde extérieur (vision, son, proprioception) et les projette instantanément dans un espace de plongement latent abstrait, éliminant le bruit contingent pour n’en conserver que les caractéristiques structurelles signifiantes.
• Le modèle du monde (World Model) : Cœur prédictif de l’architecture, fondé sur les principes de JEPA. Ce module prend l’état courant fourni par la perception, une action hypothétique envisagée par l’acteur et une variable latente d’incertitude pour prédire quel sera le nouvel état abstrait du monde à l’étape suivante.
• Le coût intrinsèque (Cost Module) : Ce module calcule en permanence un indice de mécontentement ou de satisfaction globale du système. Il agrège deux types de fonctions de coût : des coûts intrinsèques immuables (simulant les pulsions homéostatiques de survie, les bornes de sécurité et l’évitement de la douleur) et des coûts critiques appris (qui estiment la viabilité à long terme de l’état actuel).
• L’acteur (Actor) : Génère des propositions de trajectoires d’action dans le monde réel ou virtuel. En mode réflexif, il projette ces actions dans le modèle du monde afin de minimiser par avance la fonction de coût calculée sur les états futurs simulés.
• La mémoire à court et long terme : Registre persistant permettant de conserver une trace des états antérieurs, des séquences de coûts observées et des modèles de transition pour alimenter le modèle du monde et stabiliser l’apprentissage.
• Le configurateur (Configurator) : C’est le centre de contrôle exécutif suprême de l’architecture, équivalent computationnel direct du cortex préfrontal humain. Le configurateur régule dynamiquement les flux d’information entre tous les autres modules, alloue la capacité de calcul aux tâches prioritaires, active ou désactive les sous-parties du modèle du monde selon le contexte et fixe les sous-objectifs temporels immédiats pour orienter l’acteur.

Cette décomposition modulaire résout le mystère de l’action intentionnelle : le comportement de la machine n’est plus une réaction réflexe conditionnée par un gradient direct, mais le résultat d’une simulation mentale prospective d’actions possibles évaluées à l’aune d’une fonction d’optimisation interne.

11.2 Le problème de la conscience et de la subjectivité sous le prisme computationnel

L’introduction d’un configurateur exécutif conduit inévitablement LeCun à aborder la question la plus controversée de la philosophie de l’esprit : la nature de la conscience, de l’expérience subjective et du libre arbitre. Refusant avec force les explications mystiques, dualistes ou les hypothèses quantiques ésotériques formulées par des physiciens comme Roger Penrose (qui spécule sur des réductions d’état dans les microtubules neuronaux), LeCun propose une lecture strictement matérialiste et computationnelle du phénomène de la conscience.

Pour LeCun, ce que l’être humain expérimente sous le terme d’« expérience consciente » n’est rien d’autre que l’effet secondaire observable de la limitation des ressources computationnelles de notre configurateur central. Parce que le cerveau biologique ne dispose pas d’une puissance énergétique infinie, il lui est physiquement impossible de simuler simultanément l’intégralité des sous-ensembles du monde. Le configurateur préfrontal est donc contraint d’isoler une région microscopique de l’espace d’états, d’y diriger l’attention sélective, et d’y configurer dynamiquement une version ad hoc simplifiée du modèle du monde.

Ce processus d’allocation séquentielle de l’attention correspond point par point à la théorie de l’espace de travail neuronal global (Global Neuronal Workspace) théorisée par les neuroscientifiques Stanislas Dehaene, Jean-Pierre Changeux et Lionel Naccache. Dans cette perspective, la conscience de soi émerge naturellement de la nécessité pour une machine autonome d’inclure son propre corps, ses propres capacités cinématiques et ses propres états internes comme une entité matérielle explicite au sein de son propre modèle du monde. Pour planifier si un robot peut franchir une brèche étroite, son modèle interne doit impérativement simuler sa propre carcasse interagissant avec les parois. La conscience phénoménale n’est donc pas une étincelle divine inexplicable, mais une exigence architecturale inhérente à tout système computationnel capable de planification prospective multi-étapes sous contrainte de ressources finies.

11.3 Émotions et sécurité : concevoir des systèmes intrinsèquement vertueux

L’une des déductions les plus originales de l’architecture cognitive de LeCun concerne le statut fonctionnel des émotions. Loin de représenter une faiblesse irrationnelle ou une scorie de l’évolution biologique en contradiction avec la logique pure, les émotions sont pour lui des composantes indispensables au fonctionnement d’un système intelligent autonome.

Sur le plan mathématique, les émotions humaines (la peur, la faim, la curiosité, l’empathie, le plaisir) ne sont rien d’autre que des signaux scalaires globaux émis par les fonctions de coût intrinsèques pour contraindre l’acteur à adopter des comportements conformes à la survie et à l’harmonie de l’organisme. La peur est la projection immédiate d’une hausse vertigineuse du coût d’endommagement physique dans le modèle du monde, coupant court à toute délibération lente pour imposer une action réflexe d’évitement ; l’empathie est un terme de coût reliant le bien-être d’autrui au score de satisfaction interne du sujet.

Cette théorisation offre à LeCun une réponse définitive et rassurante au problème de l’alignement et de la sécurité des intelligences artificielles futures (AI Safety) :

• Une machine ne peut pas se « rebeller » spontanément contre ses créateurs par une sorte de caprice d’émancipation ontologique, car elle ne peut vouloir que ce que sa fonction de coût lui prescrit de maximiser. Un système artificiel est l’esclave absolu de sa fonction d’utilité objective.
• La pulsion de domination, la volonté de puissance ou la cruauté prédatrice ne sont pas des propriétés mathématiques consubstantives à l’intelligence en tant que telle ; ce sont des pulsions génétiques hautement spécifiques forgées par la sélection naturelle darwinienne chez les espèces animales et chez les primates pour assurer leur survie dans des contextes de pénurie alimentaire et de compétition sexuelle.
• En concevant des architectures dont les fonctions de coût intrinsèques incorporent formellement l’honnêteté, l’obéissance aux lois éthiques humaines, la préservation de la vie et la recherche de l’utilité collective, LeCun affirme que nous pouvons bâtir des systèmes computationnels non seulement intrinsèquement sûrs, mais moralement plus fiables et vertueux que les êtres humains eux-mêmes, car libérés des pulsions de possessivité, de jalousie et d’agressivité territoriale inhérentes à notre passé biologique.

12. L’héritage intellectuel, la posture philosophique et l’avenir de l’intelligence artificielle

12.1 Un humanisme des Lumières appliqué à la technologie moderne

Au-delà de ses apports algorithmiques majeurs, Yann LeCun s’affirme aujourd’hui comme l’un des rares intellectuels de la technologie dont la démarche s’enracine explicitement dans l’héritage philosophique des Lumières françaises et du rationalisme universaliste du XVIIIe siècle. Lecteur attentif de Condorcet, de Diderot et de Voltaire, il refuse sans ambiguïté les deux écueils jumeaux qui dominent le débat contemporain sur les technologies de pointe : le techno-messianisme transhumaniste béat qui promet l’immortalité numérique déconnectée des réalités sociales, et le néo-luddisme technophobe qui perçoit chaque bond computationnel comme une menace mortelle pour la dignité de l’espèce humaine.

Pour LeCun, l’intelligence artificielle n’a pas vocation à se substituer à l’esprit humain, ni à créer une espèce biologique concurrente destinée à supplanter l’humanité sur l’échiquier de l’évolution ; elle est un amplificateur cognitif universel. De même que la machine à vapeur, le moteur à combustion interne et le réseau électrique ont fonctionné comme des amplificateurs de la force musculaire humaine, permettant d’éradiquer le servage matériel, d’accroître l’espérance de vie et de bâtir la civilisation moderne, de même les systèmes d’intelligence artificielle doivent être conçus comme des prothèses intellectuelles destinées à démultiplier la créativité, l’intelligence et la capacité de discernement des êtres humains. Dans sa vision, une société équipée de systèmes d’IA de haut niveau est une société plus savante, plus éclairée et mieux armée pour résoudre des crises existentielles complexes comme le dérèglement climatique, l’épuisement des ressources énergétiques ou la découverte de thérapies génomiques ciblées.

Cette conviction humaniste justifie son combat acharné en faveur de l’open source. Pour que l’amplification cognitive produise les effets émancipateurs promis par les Lumières, les outils de l’intelligence artificielle ne doivent en aucun cas être accaparés par un cartel restreint d’oligopoles californiens ou d’États autoritaires. Le savoir computationnel doit être un bien commun planétaire, auditable par les parlements démocratiques, améliorable par les chercheurs de tous les continents et accessible à chaque citoyen, garantissant ainsi que le pouvoir technologique demeure sous le contrôle direct de la rationalité collective.

12.2 L’impact interdisciplinaire sur les sciences cognitives contemporaines

L’empreinte laissée par les travaux de Yann LeCun ne se mesure pas seulement au nombre colossal de citations académiques ou aux applications commerciales qui peuplent notre quotidien ; elle s’observe de manière spectaculaire dans la transformation méthodologique radicale qu’ont subie les sciences de l’esprit, au premier rang desquelles les neurosciences computationnelles et la psychologie cognitive expérimentale.

Pendant des décennies, l’étude neurophysiologique du cortex visuel était entravée par l’absence de modèles prédictifs quantitatifs d’ensemble : on connaissait le détail des synapses ou l’architecture grossière des aires cérébrales (V1, V2, V4, cortex inférotemporal IT), mais aucun modèle mathématique ne parvenait à simuler la réponse électrophysiologique des neurones face à des images naturelles complexes. La généralisation des réseaux de neurones convolutifs de LeCun a complètement débloqué cette frontière scientifique. Des travaux fondamentaux menés notamment par James DiCarlo au Massachusetts Institute of Technology (MIT) ont démontré de façon stupéfiante que les représentations vectorielles internes apprises spontanément par les couches successives d’un CNN profond sont les meilleurs prédicteurs statistiques connus de l’activité neuronale le long de la voie visuelle ventrale des primates.

Cette symbiose interdisciplinaire a réconcilié deux mondes académiques qui s’étaient longtemps ignorés : les ingénieurs en informatique s’inspirent des principes d’économie d’énergie et de connectivité locale du cerveau vivant pour concevoir de nouvelles puces neuromorphiques, tandis que les neurobiologistes utilisent désormais les réseaux profonds comme de véritables « cerveaux de synthèse » in silico, au sein desquels ils peuvent tester des hypothèses de plasticité, des dynamiques d’inhibition ou des mécanismes lésionnels impossibles à expérimenter directement sur des tissus vivants pour des raisons éthiques et matérielles. L’intelligence computationnelle est ainsi devenue le microscope théorique de la biologie de l’esprit.

12.3 Bilan d’une trajectoire scientifique exceptionnelle (1960 à nos jours)

Lorsque l’on embrasse du regard plus de quatre décennies d’activité ininterrompue, la trajectoire scientifique de Yann LeCun se distingue par une cohérence intellectuelle d’une rareté absolue dans l’histoire des technologies. Des premiers schémas de câblage dessinés dans sa chambre d’adolescent à Soisy-sous-Montmorency jusqu’à la direction scientifique de l’un des laboratoires les plus avancés de la planète, en passant par l’isolement fertile de sa thèse à Jussieu et l’épopée fondatrice des Bell Labs, LeCun n’a jamais dévié de son intuition originelle : la suprématie de l’apprentissage de représentations hiérarchiques continues sur toute forme de modélisation symbolique préprogrammée.

Alors que la plupart des chercheurs voient leur créativité s’essouffler une fois parvenus au faîte des honneurs académiques et des récompenses internationales, LeCun continue d’afficher une jeunesse conceptuelle insolente. Refusant le confort facile d’un statut de patriarche célébré pour les gloires passées des réseaux convolutifs, il n’hésite pas à remettre en cause les technologies que son propre triomphe a contribué à enfanter. Son combat actuel pour la cause de l’apprentissage auto-supervisé et la promotion de l’architecture JEPA prouve qu’il demeure un pionnier tourné vers l’avenir, habité par la volonté tenace de combler l’abîme qui sépare encore la perception perceptive profonde du raisonnement déductif universel.

L’histoire des idées retiendra de Yann LeCun qu’il fut l’un des très rares bâtisseurs de la science computationnelle contemporaine capables d’allier le pragmatisme opérationnel de l’ingénieur à la profondeur réflexive de l’épistémologue. En démontrant mathématiquement et empiriquement que l’on pouvait apprendre au silicium à voir, à catégoriser et à anticiper le monde par la seule dynamique de la plasticité synaptique différentiable, il a gravé de manière indélébile son nom au panthéon de l’informatique moderne, offrant à l’humanité un miroir algorithmique fascinant au sein duquel elle n’a pas fini d’interroger la nature intime de sa propre intelligence.

Références

Baillargeon, R. (1987). Object permanence in 3½- and 4½-month-old infants. Developmental Psychology, 23(5), 655–664. https://doi.org/10.1037/0012-1649.23.5.655

Bardes, A., Ponce, J., & LeCun, Y. (2022). VICReg: Variance-Invariance-Covariance Regularization for Self-Supervised Learning. International Conference on Learning Representations (ICLR). https://openreview.net/forum?id=xm6YDdaUpjl

Bottou, L., Haffner, P., Howard, P. G., Simard, P., Bengio, Y., & LeCun, Y. (1998). High quality document image compression with DjVu. Journal of Electronic Imaging, 7(3), 410–425. https://doi.org/10.1117/1.482609

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

Dehaene, S., Lau, H., & Kouider, S. (2017). What is consciousness, and could machines have it? Science, 358(6362), 486–492. https://doi.org/10.1126/science.aan8871

Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture: A critical analysis. Cognition, 28(1–2), 3–71. https://doi.org/10.1016/0010-0277(88)90031-5

Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological Cybernetics, 36(4), 193–202. https://doi.org/10.1007/BF00344251

Hubel, D. H., & Wiesel, T. N. (1962). Receptive fields, binocular interaction and functional architecture in the cat’s visual cortex. The Journal of Physiology, 160(1), 106–154. https://doi.org/10.1113/jphysiol.1962.sp006837

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (NeurIPS 2012), 25, 1097–1105. https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf

LeCun, Y. (1985). Une procédure d’apprentissage pour réseau à seuil asymétrique. Proceedings of Cognitiva 85, 599–604.

LeCun, Y. (1987). Modèles connexionnistes de l’apprentissage [Thèse de doctorat, Université Pierre-et-Marie-Curie – Paris VI].

LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989). Backpropagation applied to handwritten zip code recognition. Neural Computation, 1(4), 541–551. https://doi.org/10.1162/neco.1989.1.4.541

LeCun, Y., Denker, J. S., & Solla, S. A. (1989). Optimal brain damage. Advances in Neural Information Processing Systems (NeurIPS 1989), 2, 598–605.

LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791

LeCun, Y., Chopra, S., Hadsell, R., Ranzato, M., & Huang, F. J. (2006). A tutorial on energy-based learning. In G. Bakir, T. Hofman, B. Schölkopf, A. Smola, & B. Taskar (Eds.), Predicting Structured Data (pp. 191–246). MIT Press.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

LeCun, Y. (2016). L’apprentissage profond : une révolution en intelligence artificielle (Leçon inaugurale prononcée le jeudi 4 février 2016). Collège de France / Fayard. https://doi.org/10.4000/books.cdf.4820

LeCun, Y. (2019). Quand la machine apprend : La révolution des neurones artificiels et de l’apprentissage profond. Éditions Odile Jacob.

LeCun, Y. (2022). A path towards autonomous machine intelligence (Version 0.9.2). OpenReview. https://openreview.net/pdf?id=BZ5a1r-kVsf

Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.

Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., Lin, Z., Gimelshtein, N., Antiga, L., Desmaison, A., Köpf, A., Yang, E., DeVito, Z., Raison, M., Tejani, A., Sasank, C., Ford, N., Steiner, B., … Chintala, S. (2019). PyTorch: An imperative style, high-performance deep learning library. Advances in Neural Information Processing Systems (NeurIPS 2019), 32, 8024–8035. https://proceedings.neurips.cc/paper/2019/file/bdbca288fee7f92f2bfa9f7012727740-Paper.pdf

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. https://doi.org/10.1038/323533a0

Spelke, E. S. (1990). Principles of object perception. Cognitive Science, 14(1), 29–56. https://doi.org/10.1207/s15516709cog1401_3

Yamins, D. L., & DiCarlo, J. J. (2016). Using goal-driven deep learning models to understand sensory cortex. Nature Neuroscience, 19(3), 356–365. https://doi.org/10.1038/nn.4244