AI 领域常被并列提起的当代人物里，杨立昆（Yann LeCun）的公开履历是一条可以完整追溯的主线：卷积神经网络从他在贝尔实验室的工作起步，到今天支撑着手机里的图像识别与各类生图工具，中间隔着三十多年。本文只做事实性梳理——他做过什么、职务如何变化、公开主张是什么——逐段对照公开可查的记录，不做拔高，也不做贬低。
从支票识别起步：卷积网络的第一次落地
1988 年，杨立昆入职美国贝尔实验室，随后提出后来被称为 LeNet 的卷积神经网络结构，用手写数字识别验证「卷积加分层学习」这条路线的可行性。1998 年，他与同事发表 LeNet-5 论文，把这一结构系统整理成公开文献。应用侧的记录同样清晰：基于这套技术的支票识别系统在 1990 年代末由 NCR 等公司投入商用，公开报道称其处理了美国相当比例的银行支票，属于算法直接进入金融基础设施的早期案例。这里有一个可带走的判断：一个学术结构能落地多久，取决于它对应的场景是否长期稳定存在——手写数字识别正是这样的场景。
冷门年代里的坚持
卷积网络的价值被广泛承认，要等到 2012 年 ImageNet 竞赛之后，中间隔着约二十年的低潮期。这二十年里，他的公开职务轨迹是：博士毕业后曾在多伦多大学跟随辛顿做博士后研究，此后长期在贝尔实验室工作，2003 年起任纽约大学教授。彼时正值神经网络方向的经费低潮，AI 寒冬是怎么来的一篇记录过两次退潮的背景，卷积网络工作就是在这样的环境里持续产出公开论文的。可带走的判断：研究方向的个人坚持，只有落在公开成果上，后来者才有据可查——今天回看这段履历，靠的正是论文与专利的公开记录。
FAIR 的组建与企业实验室模式
ImageNet 竞赛怎么改变 AI一篇讲过，2012 年之后产业界加速布局深度学习。2013 年底，Facebook（现 Meta）聘请杨立昆；2015 年他牵头组建 FAIR（Facebook AI Research）并出任首任主任；此后长期担任 Meta 首席 AI 科学家。FAIR 的公开产出包括大量公开论文，以及后来成为开源深度学习主流工具之一的 PyTorch 框架所承接的 Torch 生态。可带走的判断：把论文、开源框架与产品线放进同一家企业机构，是这一代 AI 研究的显著组织形态，FAIR 是其中被引用较多的样本。
| 阶段 | 关键工作 | 落地形态 |
|---|---|---|
| 贝尔实验室 | LeNet，用手写数字识别验证卷积加分层学习 | 支票识别系统在 1990 年代末由 NCR 等公司商用 |
| 纽约大学 | 在经费低潮期持续产出公开论文 | 论文与专利的公开记录 |
| Meta | 2015 年牵头组建 FAIR | 公开论文与 PyTorch 所承接的 Torch 生态 |
自监督学习：持续多年的公开主张
杨立昆近年最持续的公开主张是自监督学习：让模型从未标注数据中自行构造学习信号，降低对人工标注的依赖。他多次在公开演讲与论文（如 JEPA 系列的公开报告）中阐述这一方向，相关讨论仍在进行，进展以公开发表为准。与今天的关联很直接：即梦这类图像生成工具、豆包这类多模态助手背后的视觉能力，沿着「从数据中学习表征」的公开路线走过来，而卷积网络是这条路线的起点之一。可带走的判断：一种主张是否成立，要靠后续公开成果验证，读者不必急于替哪一方下结论。
杨立昆公开履历速查
- 1987：获巴黎皮埃尔与玛丽·居里大学博士学位
- 1988：入职贝尔实验室，随后提出卷积网络用于手写数字识别
- 1998：LeNet-5 论文发表，支票识别系统此前已商用
- 2003：任纽约大学教授
- 2013：加入 Facebook；2015 年牵头组建 FAIR
- 2018：与辛顿、本吉奥共同获图灵奖
- 现任：Meta 首席 AI 科学家
再多说几句杨立昆
- 他和辛顿、本吉奥是什么关系？：三人同获 2018 年图灵奖；他博士毕业后曾在多伦多大学与辛顿共事，与本吉奥同为深度学习公开谱系中被引用最多的研究者，参见辛顿为什么被称为深度学习教父与本吉奥研究过什么。
- 卷积网络今天还在用吗？：在视觉任务里仍是基础结构，各类图像处理工具的公开文档中都能查到它的身影，只是常与其他结构组合使用。
- 他的公开主张有争议吗？：有。他对自监督路线与当前主流路线的差异有过多次公开表述，属于正常的学术讨论，结论以公开论文为准。
