概述 杨立昆（Yann LeCun，1960年7月8日－），法裔美国计算机科学家，纽约大学教授、Meta（原Facebook）首席人工智能科学家。他是深度学习领域的开创者之一，因发明卷积神经网络（CNN）并将反向传播算法成功应用于手写识别而闻名。与杰弗里·辛顿、约书亚·本吉奥并称为“深度学习三巨头”，2018年共同获得图灵奖。杨立昆以其在计算机视觉、机器学习、机器人学等领域的奠基性工作著称，同时也以在社交媒体上对人工智能伦理、开源理念及自由意志主义的直率观点而广受讨论。
1 早期生活与教育
1.1 出生与家庭背景
杨立昆于1960年7月8日出生于法国巴黎郊区凡尔赛附近的一个中产阶级家庭。父亲是一名航空工程师，母亲是一名语言治疗师。家庭氛围注重科学与人文的结合，但杨立昆早年并未表现出对计算机的特别兴趣——他少年时期更喜欢物理学和数学。关于自己名字的由来，他后来回忆说，父母希望他有一个不常见的名字，因此选择了布列塔尼语地区的传统名字“Yann”（对应法语的“Jean”）。
1.2 学生时代：从巴黎到多伦多
1.2.1 巴黎高等电子与电气工程师学校（ESIEE）
1980年，杨立昆进入巴黎高等电子与电气工程师学校（ESIEE）学习电气工程。这所位于巴黎的工程师学院以培养实用型技术人才而闻名。在ESIEE期间，他接触到了早期的计算机科学课程，并逐渐被人工智能领域的初步探索所吸引。他于1983年获得工程师学位。
1.2.2 皮埃尔和玛丽·居里大学（UPMC）硕士
毕业后的1984年，杨立昆进入皮埃尔和玛丽·居里大学（UPMC，现为索邦大学）攻读计算机科学硕士学位。他的硕士研究专注于神经网络的理论基础，尽管当时神经网络研究正处于低谷期，但他对“学习算法”的潜力深信不疑。这段经历为他后来转向深度学习埋下了伏笔。
1.2.3 多伦多大学博士与辛顿的指导
1985年，杨立昆获得加拿大奖学金，前往多伦多大学攻读博士学位，导师正是后来与他并称“深度学习三巨头”之一的杰弗里·辛顿（Geoffrey Hinton）。在辛顿的指导下，他主要研究反向传播算法在视觉感知中的应用。1987年，他完成了题为《Learning Invariance in Perception from Examples》的博士论文，首次系统性地探讨了如何让神经网络学习不变性特征。这段经历不仅是学术上的转折点，也奠定了他与辛顿之间长达数十年的师徒友谊。
2 学术与职业生涯
2.1 贝尔实验室时期（1988-1996）
2.1.1 手写识别与支票处理系统（LeNet）
1988年，杨立昆加入位于美国新泽西州的贝尔实验室（AT&T Bell Labs）。在那里，他带领团队开发了世界上第一个实用化的手写数字识别系统——LeNet。该系统被用于自动处理支票上的手写金额，成为了早期深度学习产品化的标志性案例。在1990年代初期，LeNet处理了美国约10%的支票，经济效益巨大。
2.1.2 卷积神经网络（CNN）的提出
1992年至1996年间，杨立昆系统性地提出了卷积神经网络（CNN）的基本架构，包括卷积层、池化层和全连接层的组合，并将反向传播算法成功应用于这一结构。他的突破性成果之一是将CNN用于手写识别，证明了神经网络在图像任务上优于当时主流的支持向量机（SVM）方法。这一时期的工作被总结为一篇经典论文《Gradient-Based Learning Applied to Document Recognition》（1998年发表）。
2.2 纽约大学任教（2003-至今）
2.2.1 库朗数学科学研究所教授
1996至2002年，杨立昆短暂加入日本NEC研究所后，于2003年返回学术界，接受纽约大学（NYU）的邀请，加入库朗数学科学研究所（Courant Institute of Mathematical Sciences）担任教授。他在NYU组建了一支活跃的机器视觉研究小组，并深度参与教学，推动神经网络课程在计算机科学系中的普及。
2.2.2 纽约大学数据科学中心联合创始人
2013年，杨立昆与同事共同创建了纽约大学数据科学中心（Center for Data Science），此举旨在将统计学、计算机科学和应用领域相结合。该中心后来成为北美数据科学教育的标杆模式之一，甚至引来了中国高校的来函咨询。
2.3 进入工业界：Facebook人工智能研究院（FAIR）
2.3.1 FAIR的创建与早期方向（2013-2015）
2013年，社交网络公司Facebook（今Meta）为了紧跟人工智能浪潮，在纽约和巴黎建立了Facebook人工智能研究院（FAIR）。杨立昆以学术休假的形式出任FAIR的首任主任，负责确立研究方向：从基础研究出发，而非短期产品回报。FAIR早期专注于深度学习理论、自然语言处理和计算机视觉，这与杨立昆的学术风格一脉相承。
2.3.2 担任首席人工智能科学家（2015-至今）
2015年，杨立昆正式从学术休假转为全职，出任Facebook(后更名为Meta)的首席人工智能科学家（Chief AI Scientist），负责统筹全球FAIR实验室的研发战略。他在这个岗位上减少了实验室的行政琐事，保留了相当比重的研究参与，并推动了一系列开源工具（如PyTorch框架）的采用。
2.3.3 与Meta（Facebook）的后续关系
2023年末，杨立昆宣布不再担任Meta首席人工智能科学家，转而担任“AI研究荣誉顾问”（AI Research Honorary Advisor），继续以兼职形式参与研究。外界猜测这与Meta内部战略调整有关，但他本人否认有理念冲突，并表示对FAIR团队“极其自豪”。
3 核心学术贡献
3.1 卷积神经网络（CNN）
3.1.1 基本架构：卷积层、池化层、全连接层
CNN的核心思想是使用局部连接的卷积核（卷积层）来提取空间特征，并通过池化层进行降维，最后通过全连接层完成分类或回归。这一架构模仿了生物视觉皮层的基本模式，大幅减少了参数数量，使得训练深度模型成为可能。杨立昆在1990年代通过数学推导证明了CNN的平移不变性特性。
3.1.2 反向传播算法在CNN中的实现
早在1989年，杨立昆就在一篇论文中展示了如何将反向传播算法应用于CNN的训练。他实现了基于误差梯度的权重更新流程，并对比了预训练与随机初始化的区别，为后来深度学习的兴起扫清了训练障碍。
3.1.3 LeNet-5：经典手写数字识别系统
LeNet-5是杨立昆团队于1994年设计的一个7层CNN模型，专门用于识别MNIST数据集中的0-9手写数字。该模型在当年取得了接近0.2%的错误率，被认为是现代CNN的鼻祖。至今，LeNet-5仍被广泛应用于神经网络教学的入门范例。
3.2 图像识别与分类
3.2.1 大规模图像数据集的应用
进入21世纪后，杨立昆率先倡导使用大规模标注数据集（如ImageNet）来训练深层CNN。他在2012年之后指导团队成员在ImageNet竞赛中应用AlexNet的变体，最终推动了图像分类任务准确率的跃升。
3.2.2 与支持向量机（SVM）的对比
在早期研究中，杨立昆花费了大量篇幅对比CNN与支持向量机（SVM）在图像任务上的表现。他通过实验证明，CNN在端到端的特征学习上优于手工设计的SVM核，并且在数据量充足时具有不可比拟的泛化能力。这一对比直接影响了计算机视觉领域从特征工程向特征学习的转型。
3.3 无监督学习与自监督学习
3.3.1 早期工作：自编码器与能量模型
杨立昆从1990年代开始关注无监督学习。他提出了“能量基础模型”（Energy-Based Models, EBMs），认为人类认知过程本质上是让系统降低能量状态。此外，他研究了自编码器（Autoencoder）作为无监督特征提取的经典方法，但受限于当时算力，这些成果并未立即得到广泛应用。
3.3.2 对比学习与SimCLR
2020年，杨立昆团队提出了SimCLR框架，这是一种基于对比学习的自监督视觉表征学习方法。通过最大化同一图像在不同数据增强下表示的一致性，SimCLR在无标签数据上实现了与有监督学习媲美的分类性能。他本人谦虚地称这是“踩在别人肩膀上”的工作，但外界视其为自监督学习的里程碑。
3.3.3 对“世界模型”概念的探索
杨立昆近年来将目光转向“世界模型”（World Models），认为人工智能应当学习物理世界的基本规律（如对象恒常性、因果关系），而非仅仅处理静态图像。他在综述中提出了“分层世界模型”概念，试图结合能量模型与强化学习算法，以构建能够主动预见行动的AI系统。
3.4 生成对抗网络（GANs）的间接影响
3.4.1 GANs与他的批评性观点
虽然杨立昆并未直接发明生成对抗网络（GANs），但他对GANs的训练机制表达了明显的不满。他认为GANs的对抗性训练过程极度不稳定，而且容易陷入模式崩溃。他与Ian Goodfellow等人曾公开辩论，主张构建更稳定的能量模型来替代GANs。不过他也承认GANs在图像生成上的惊人效果是“不可否认的”。
3.4.2 对抗训练与鲁棒性研究
杨立昆在对抗训练方面也做出了实质性贡献。他与团队开发了如何通过增强CNN对微小扰动的抵抗力来提升模型鲁棒性的方法，这些工作在某些安全敏感领域（如自动驾驶）得到了应用。
4 奖项与荣誉
4.1 图灵奖（2018年）
2018年，杨立昆与杰弗里·辛顿、约书亚·本吉奥共同获得图灵奖（ACM A.M. Turing Award），以表彰他们在深度学习领域的“概念和工程突破”。颁奖词中特别强调了杨立昆发明CNN并成功应用于手写识别的重大贡献。三人随后合著了《深度学习》一书的章节部分，共享120万美元奖金。
4.2 美国国家工程院院士（2021年）
2021年，杨立昆入选美国国家工程院（NAE）院士，以表彰他在“深度学习理论和应用方面的贡献，特别是在视觉系统领域的开创性工作”。
4.3 其他主要奖项
4.3.1 赫尔曼·安东·吉诺奖
2020年，他获得了赫尔曼·安东·吉诺奖（Hermann Anton·Guinot Prize），该奖是法国科学界对他在人工智能推广方面的表彰。
4.3.2 计算机视觉与模式识别（CVPR）终身成就奖
2023年，在计算机视觉顶会CVPR上，杨立昆获得了终身成就奖（CVPR Distinguished Service Award），以认可他30多年来对该领域的持续影响力。
4.4 荣誉博士学位与学会会士
杨立昆拥有包括巴黎第十一大学、爱丁堡大学、多伦多大学（2022年）在内的十余所高校的荣誉博士学位。他是美国国家科学院（NAS）院士、加拿大皇家学会会士、以及美国人工智能协会（AAAI）会士。
5 公众形象与争议
5.1 社交媒体活跃分子
5.1.1 在“X”（原推特）上的哲学式推文
杨立昆在推特（后改名X）上拥有超过50万粉丝。他经常发布带有哲学色彩的技术推文，例如“机器学习不应该是黑箱，而应该是透明盒子”以及“数据、计算能力、算法——三要素缺一不可”。他的账号名被一些人调侃为“哲学家Yann”。
5.1.2 与Elon Musk等科技人物的公开论战
杨立昆与特斯拉CEO埃隆·马斯克（Elon Musk）发生过多次公开争吵。争论焦点包括AI监管、自动驾驶技术路线（视觉方案vs激光雷达）等。杨立昆甚至干脆发推说：“Musk并不懂AI，他只会制造恐慌。”这些论战为他赢得了“脾气暴躁的AI教父”标签。
5.2 对人工智能伦理与安全的立场
5.2.1 “人工智能不存在真正危险”的观点
杨立昆是人工智能“安全犬”阵营的反对者。他多次声称“AI不会在短期内毁灭人类”，认为这种担忧分散了人们应对真实威胁（如算法偏见、错误信息、收入不平等）的注意力。他甚至开玩笑道：“AI失控论者也许该多读点科幻小说，而不是来搞学术。”
5.2.2 与“有效利他主义”运动的分歧
有效利他主义运动中的AI安全分支试图说服世界正视AI毁灭性风险。杨立昆毫不客气地批评这个运动“建立在杞人忧天的荒谬前提上”。他主张将精力用于监管故意滥用AI的坏人，而非机器智能本身。
5.3 “开源”与“闭源”之争
5.3.1 支持开源人工智能模型
杨立昆是开源AI的坚定拥护者。他在2015年就游说Facebook将FAIR的研究成果全部开源，包括代码、数据集和模型权重。他本人甚至比喻说：“闭源模型就像私有厕所，开源才是公共浴室——虽然有点乱，但对所有人都好。”
5.3.2 与OpenAI路线差异的调侃
面对OpenAI等公司转向闭源（如GPT-4不公开权重），杨立昆在采访中调侃道：“他们终于从‘拯救人类’的组织，变成了‘赚回投资人钱’的初创公司。”这一评论引发了OpenAI高管的社交媒体反击。
5.4 语言与幽默
5.4.1 法式口音与英语梗
杨立昆在英语演讲中保留着浓重的法式口音。这意外地成为他的个人标志。他常利用法语和英语的双关语进行学术梗表达，比如“Deep learning is not ‘deep sleeping’（深度学习不是深睡）”。
5.4.2 在演讲中自嘲“老派AI”
在2019年的NeurIPS大会上，他自嘲道：“你们这些年轻人喜欢Transformer，这很好，但我还是喜欢我的小鬼魂——卷积。”这种自嘲常常引发全场掌声，也展示了他在新生代研究者中的亲和力。
6 思想与哲学
6.1 对深度学习未来方向的看法
6.1.1 能量函数与目标驱动的行为
杨立昆坚信未来的AI系统应当基于能量函数（Energy Function）而非连续的概率生成。他认为人类的行为本质上是通过观察降低环境“能量”，因此构建可微的能量模型是实现通用智能的关键。他称这为“目标驱动的行为”（Objective-Driven Agent）。
6.1.2 对大型语言模型（LLMs）的保留态度
杨立昆对GPT系列模型等技术持保留态度。他认为当前的LLMs只是“超级高级的统计模拟器”，缺乏对真实世界的理解。他在访谈中直言：“给模型吃掉整个互联网，你得到的不是智慧，而是一个巨大的自动补全器。”他希望下一阶段的研究重回物理世界因果推理。
6.2 自由意志主义与科技治理
6.2.1 对监管的态度：最小化政府干预
杨立昆是一个公开的自由意志主义者（Libertarian）。他主张技术监管应该降到最低，认为过度的政府干预会扼杀创新。他甚至在2023年参与了一次关于“AI开源社区是否应被管制”的辩论，立场毫不含糊。
6.2.2 数字主权与数据隐私的博弈
尽管支持自由市场，但杨立昆承认数据隐私和数字主权是正当议题。他提议采用联邦学习等技术，在不暴露原始数据的情况下训练模型。他认为“绝对隐私”与“AI进步”并不矛盾，但需要精巧的技术来解决。
6.3 教育理念：反对“教条化”的机器学习
在纽约大学授课时，杨立昆以反“教条”闻名。他拒绝让学生死记硬背公式，而是鼓励学生通过编程实验去“感受算法的行为”。他曾在课堂上把支持向量机比作“又慢又古板的老国王”，引得哄堂大笑。这种教育风格使他成为学生口中的“最酷的AI教授”。
7 代表著作与出版
7.1 学术论文
7.1.1 《Gradient-Based Learning Applied to Document Recognition》（1998）
该论文发表于《Proceedings of the IEEE》，完整阐述了LeNet-5的设计原理与训练方法，至今已被引用超过6万次。它被公认为深度学习领域的“圣经级论文”之一。
7.1.2 《Dimensionality Reduction by Learning an Invariant Mapping》（2006）
这篇论文提出了一种名为“SI（Semi-Invariant）”的降维方法，通过约束学习不变映射，对于小样本图像识别具有开创性意义。后来其中的思想间接启发了度量学习（Metric Learning）领域。
7.2 书籍与章节
7.2.1 与他人合著的《Deep Learning》（《深度学习》中文版）
2016年，杨立昆与伊恩·古德费洛（Ian Goodfellow）、约书亚·本吉奥（Yoshua Bengio）合著了《深度学习》（中文译名《深度学习》），该书成为了全球深度学习入门与进阶的权威教材，被誉为“AI圣经”。
7.2.2 综述文章：卷积网络的过去、现在与未来
2020年，他单独撰写了一篇综述，总结CNN从1990年到2020年的三十年历程。他预测CNN在边缘计算、嵌入式AI设备上仍有广阔前景。
7.3 技术博客与公开演讲
杨立昆在Meta的官方技术博客上发布了大量通俗易懂的文章，例如《为什么AI不需要理解就能做好任务？》等。他的公开演讲（如在TEDx、NeurIPS、ICCV上的Keynote）都以“罗嗦但有趣”著称，通常带有大量冷笑话。
8 轶事与冷知识
8.1 为什么他叫“Yann”而非“Jean”
他的本名其实可以对应法语的“Jean”（约翰），但父母觉得“Jean”太普遍，于是选择布列塔尼地区的变体“Yann”。他本人曾在采访中说：“这给我省了很多麻烦——在法国找人只要呼‘Yann’，基本只有我会回头。”
8.2 与Geoffrey Hinton的师徒传承
杨立昆在多伦多大学博士时的导师是杰弗里·辛顿。辛顿后来在2012年因深度学习的成功名声大噪。这对师徒的互动非常有趣：辛顿私下称杨立昆为“我的最有逆反精神的学生”，而杨立昆则在一次演讲中呛声辛顿的“RLHF万能论”。
8.3 绰号“卷积之王”的由来
在中国AI社区，杨立昆被尊称为“卷积之王”。这个绰号的来源是他在CNN领域的绝对领导地位。他曾幽默回应：“‘之王’听起来像古罗马角斗场的奴隶——但既然大家都这么叫，我就默认了。”
8.4 在巴黎街头被误认为普通大叔的瞬间
杨立昆在巴黎度假时常身穿休闲T恤和牛仔裤，被路人误认作普通法国大叔。有一次，一位游客问他“面包店在哪里”，他直接指路完毕。游客事后才知道自己和图灵奖得主聊过天，在社交媒体上发布了这一瞬间。