Bahasa Indonesia

Gaya Kepemimpinan Yann LeCun: Sains Terbuka, Taruhan Kontrar

Profil Kepemimpinan Yann LeCun

Fakta Kunci: Yann LeCun (lahir 1960, Soisy-sous-Montmorency, Prancis) telah melayani sebagai Chief AI Scientist di Meta sejak 2013, di mana dia mendirikan FAIR (Facebook AI Research). Dia adalah Silver Professor di NYU's Courant Institute. Pada akhir 1980-an dia menciptakan bersama convolutional neural networks (CNN), arsitektur yang mendasari visi komputer modern, dan menggunakan LeNet untuk pengenalan cek bank. Dia berbagi Turing Award 2018 dengan Yoshua Bengio dan Geoffrey Hinton untuk pekerjaan pembelajaran mendalam dasar. LeCun menganjurkan PyTorch atas TensorFlow, mendukung rilis Llama sumber terbuka Meta, dan adalah kritikus paling vokal dari doomerism AI dan narasi keselamatan model tertutup.

Doktrin Sains Terbuka AI

Doktrin Sains Terbuka AI adalah keyakinan bahwa kemajuan kecerdasan buatan lebih cepat, lebih aman, dan lebih adil ketika model, kerangka kerja, dan penelitian dirilis secara terbuka daripada disimpan di belakang dinding perusahaan. Di bawah doktrin ini, keterbukaan diperlakukan sebagai strategi kompetitif — bukan konsesi etis — karena ekosistem yang dibangun di sekitar alat terbuka menjadi lebih defensif daripada sekat kepemilikan. Posisi kontrar korolari LeCun menyatakan bahwa pemimpin teknis harus secara publik menentang narasi konsensus ketika bukti tidak mendukung mereka, bahkan ketika narasi itu secara komersial nyaman bagi pesaing.

Yann LeCun menghabiskan sebagian besar 1990-an bekerja pada teknologi yang sebagian besar bidangnya telah ditinggalkan. Convolutional neural networks secara komputasi mahal, secara teoritis kontroversial, dan underfunded. Tim-nya di Bell Labs membangunnya pula, menyempurnakan backpropagation untuk membuat mereka terlatih, dan menggunakan LeNet — sistem pengenalan tulisan tangan — ke cabang bank AS. Pada 1998, LeNet membaca kira-kira 10 hingga 20 persen dari semua cek yang diproses di Amerika Serikat.

Itu jalan panjang mengatakan: LeCun telah benar tentang hal-hal sulit pada saat-saat tidak nyaman sebelumnya. Itulah mengapa posisi saat-nya — bahwa model bahasa besar sendirian tidak akan mencapai kecerdasan buatan general, dan bahwa lapangan harus mengejar sesuatu yang lebih seperti model dunia — layak diambil dengan serius bahkan jika tidak nyaman bagi orang-orang membangun model-model itu.

Dia berbagi Turing Award 2018 dengan Yoshua Bengio dan Geoffrey Hinton, tiga peneliti sekarang disebut gods of deep learning. Dia telah menghabiskan 11 tahun sebagai chief AI scientist Meta, membangun FAIR menjadi salah satu lab penelitian paling produktif di dunia, dan mendukung PyTorch melawan TensorFlow pada waktu TensorFlow memiliki berat penuh Google di belakangnya. Track record-nya tentang taruhan jangka panjang baik.

Analisis Gaya Kepemimpinan

Gaya Bobot Cara Ditampilkan
Pelopor Kontrar 60% Mode LeCun default adalah mengidentifikasi posisi konsensus di lapangan, mengevaluasinya pada kelayakan teknis, dan menerbitkan opini actual-nya — terlepas dari apakah itu populer. CNN pada 1990-an. AI sumber terbuka pada 2010-an. Skeptisisme AGI tentang LLM pada 2020-an. Dia tidak memilih posisi kontrar untuk visibilitas. Dia memilih mereka karena dia pikir mereka benar dan dia bersedia mempertahankan mereka secara luas.
Penganjur Sains Terbuka 40% LeCun membangun FAIR atas prinsip bahwa penelitian AI harus diterbitkan, model harus dirilis, dan lapangan maju lebih cepat ketika semua orang memiliki akses ke alat yang sama. Posisi itu menghasilkan dominasi PyTorch dan rilis Llama Meta. Itu juga mendefinisikan keberatan-nya terhadap pendekatan model tertutup OpenAI dan Anthropic, yang dia anggap keduanya secara strategis salah dan secara epistemik tidak jujur. Dario Amodei adalah titik konter yang paling jelas — mantan peneliti OpenAI yang membangun Anthropic atas premis bahwa model frontier memerlukan penyebaran yang dikendalikan dengan hati-hati, posisi LeCun menolak sebagai strategi kompetitif berpakaian keamanan.

Rasio menjelaskan pengaruh-nya dan gesekan dia yang menghasilkan. Kepioniran kontrar tanpa keterbukaan akan menjadi hanya sulit untuk bekerja dengan. Sains terbuka tanpa kesediaan kontrar untuk memegang posisi yang tidak populer menghasilkan penelitian yang aman, dioptimalkan-kutipan. Bersama-sama, mereka menciptakan gaya yang menggerakkan lapangan tetapi juga membakar jembatan.

Ciri Kepemimpinan Utama

Ciri Peringkat Apa artinya dalam praktik
Keraguan Intelektual Luar Biasa LeCun telah memegang tesis CNN-nya melalui dua musim dingin AI dan tesis skeptisisme-AGI-nya melalui gelombang GPT-4. Itu bukan keraguan dalam arti menolak untuk memperbarui bukti. Itu adalah kapasitas untuk mempertahankan posisi yang berdiri secara teknis di bawah tekanan sosial untuk selaras. Sebagian besar peneliti menyerah lebih awal. Dia tidak.
Keyakinan Sumber Terbuka Sangat Tinggi Ini bukan hanya filosofi. LeCun membangun infrastruktur institusional di sekitar sains terbuka: kebijakan publikasi FAIR, investasi PyTorch Meta, rilis model Llama. Dia memperlakukan keterbukaan sebagai strategi kompetitif, bukan hanya posisi etis. Argumennya adalah bahwa AI tertutup menciptakan risiko monopoli sementara AI terbuka mempercepat lapangan keseluruhan termasuk kemampuan Meta sendiri.
Visi Teknis Jangka Panjang Tinggi Kerangka kerja JEPA (Joint Embedding Predictive Architecture) yang LeCun telah mengembangkan sejak kira-kira 2022 mewakili taruhan arsitektur multi-tahun. Ini bukan roadmap produk. Ini adalah teori tentang apa yang dibutuhkan intelegensi yang LLM tidak menyediakan. Apakah dia benar tentang JEPA tidak diketahui. Tetapi kesediaan untuk berkomitmen sumber daya penelitian serius ke hipotesis arsitektur yang tidak populer jarang pada tingkat senior-nya.
Kesediaan Debat Publik Tinggi LeCun berdebat di X dengan Sam Altman, Elon Musk, peneliti keselamatan AI, dan siapa pun yang menempatkan klaim di atas meja yang dia pikir salah. Itu bukan perilaku tipikal untuk chief scientist di perusahaan besar. Ini adalah pilihan yang disengaja untuk menjaga debat teknis publik dan mendemonstrasikan bahwa arah AI Meta tidak didorong oleh ketakutan komersial kebenaran.

3 Keputusan Yang Mendefinisikan LeCun

1. Menemukan CNN dan LeNet (1989-1998) Tanpa Dukungan Industri

Ketika LeCun tiba di Bell Labs sebagai postdoc pada 1988, dia sudah bekerja pada penerapan backpropagation ke pengenalan tulisan tangan menggunakan arsitektur konvolusional. Idenya secara teknis suara tetapi secara praktis sulit. Jaringan saraf memerlukan perhitungan yang perangkat keras 1980-an hampir tidak mendukung. Lapangan telah berbalik pada koneksionisme setelah musim dingin AI pertama.

LeCun membangunnya pula. Pada 1989, dia telah menerbitkan kertas dasar tentang CNN. Pada 1998, arsitektur LeNet-5 adalah versi yang paling halus dari pendekatan — dan itu berjalan dalam produksi di cabang bank di seluruh Amerika Serikat.

Keputusan kepemimpinan di sini bukan pilihan tunggal. Itu adalah komitmen berkelanjutan terhadap program penelitian yang tidak memiliki payoff komersial dekat-jangka yang jelas dan yang bagian signifikan komunitas AI menganggap jalan buntu. Bell Labs memberinya sumber daya dan landasan untuk mengejarnya. Dia menggunakan keduanya tanpa minta maaf.

Apa ini menunjukkan: taruhan teknis paling penting sering terlihat salah selama bertahun-tahun sebelum terlihat benar. LeCun memiliki hasil (LeNet dalam produksi) sebelum CNN menjadi modis. Itu adalah mode validasi berbeda dari membangun konsensus. Jika Anda memimpin organisasi teknis, tanyakan apakah tim Anda memiliki izin untuk bekerja pada hal-hal yang terlihat salah selama dua tahun sebelum mereka terlihat benar.

2. Membangun Budaya PyTorch di Facebook AI Research (FAIR)

Ketika LeCun bergabung dengan Facebook pada 2013 untuk membangun FAIR, dia memiliki dua mandat: menghasilkan penelitian kelas dunia dan membuat Facebook lebih baik pada AI. Pengaturan memerlukan meyakinkan Mark Zuckerberg bahwa menerbitkan penelitian secara bebas — termasuk kerja pesaing dapat membangun — adalah strategi jangka panjang yang lebih baik daripada mengamankannya. Zuckerberg setuju, dan taruhan itu pada AI sumber terbuka telah mendefinisikan positioning Meta di lapangan sejak saat itu. Dia dieksekusi pada keduanya dengan membangun organisasi penelitian yang menerbitkan terbuka, merekrut talenta akademis yang menginginkan otonomi penelitian, dan mendukung pengembangan PyTorch sebagai kerangka kerja yang peneliti — di dalam dan di luar Meta — benar-benar inginkan.

Keputusan PyTorch adalah konsekuensial. TensorFlow, didukung oleh Google, adalah kerangka kerja penelitian dominan pada 2015 ketika PyTorch diluncurkan. TensorFlow memiliki lebih banyak pengguna, tutorial lebih, dan perusahaan lebih besar di belakangnya. LeCun dan tim FAIR mendukung PyTorch karena itu memiliki grafik komputasi dinamis yang lebih baik, yang membuat eksperimen penelitian secara signifikan lebih cepat. Mereka benar.

Pada 2022, PyTorch telah menjadi kerangka kerja dominan dalam penelitian AI — digunakan dalam mayoritas makalah yang diterbitkan di NeurIPS, ICML, dan ICLR. Itu bukan pemasaran. Itu adalah taruhan teknis dan budaya bahwa alat penelitian terbaik akan menang, dan membuat itu terbuka akan mempercepat adopsi lebih cepat daripada platform tertutup apa pun.

Model FAIR juga membuktikan bahwa Anda dapat menarik peneliti akademis serius ke lab industri tanpa mengharuskan mereka meninggalkan norma publikasi. Itu lebih sulit daripada terdengar. Sebagian besar lab AI perusahaan berjuang dengan ketegangan antara temuan publikasi dan melindungi keunggulan kompetitif. LeCun menyelesaikan ketegangan itu dengan membuat keterbukaan keunggulan kompetitif.

3. Secara Publik Menentang Framing Keselamatan Model Tertutup

Pada 2023 dan 2024, seperti OpenAI dan Anthropic membangun narasi di sekitar AI keselamatan memerlukan rilis model tertutup yang hati-hati-dikontrol, LeCun secara publik dan konsisten mendorong balik. Argumennya memiliki dua bagian: pertama, bahwa LLM tidak menimbulkan risiko eksistensial yang diklaim karena mereka tidak memiliki arsitektur yang diperlukan untuk perilaku tujuan-directed yang truly autonomous. Kedua, bahwa menggunakan keselamatan sebagai pembenaran untuk model tertutup adalah strategi kompetitif berpakaian etika.

Dia mengatakan ini langsung dan berulang kali. Di X, dalam wawancara, dalam pembicaraan akademis. Dia menyebut narasi doom AI "preposterously ridiculous" dalam posting 2023. Dia berpendapat bahwa Meta merilis Llama secara publik adalah lebih aman daripada pendekatan tertutup OpenAI karena model terbuka memungkinkan penelitian keselamatan independen yang model tertutup cegah.

Posisi itu genuinely kontroversial. Orang-orang pintar di OpenAI dan Anthropic tidak setuju dengannya. Tetapi posisi publik LeCun mendorong debat keselamatan AI dalam arah itu dibutuhkan untuk pergi: menuju spesifisitas empiris tentang kerugian mana yang benar-benar mungkin daripada banding umum untuk risiko eksistensial.

Bagi pemimpin: kesediaan untuk menyebutkan posisi yang secara langsung bertentangan dengan narasi pemasaran pesaing adalah jarang dan berguna. LeCun tidak melembutkan kritik-nya untuk menghindari konflik. Dia menyatakan posisi teknisnya dan membuat pihak lain berdebat melawan klaim spesifik. Itu adalah posisi retorika yang jauh lebih sulit untuk diruntuhkan daripada perspektif vague alternatif.

Apa yang LeCun Akan Lakukan di Peran Anda

Jika Anda adalah CEO, playbook sumber terbuka dapat langsung diterjemahkan ke konteks non-AI. Tesis LeCun adalah bahwa merilis hal-hal membangun lebih banyak kepercayaan dan kemampuan daripada mengamankan mereka. Dalam bisnis Anda, yang mungkin berarti menerbitkan metodologi Anda, merilis alat internal sebagai sumber terbuka, atau berbagi penelitian yang pesaing Anda secara teoritis bisa manfaat dari. Penemuan counterintuitive dari karir LeCun: keterbukaan menciptakan keunggulan kompetitif yang lebih tahan lama daripada kerahasiaan karena itu membangun ekosistem di sekitar pendekatan Anda yang lebih sulit direplikasi daripada pendekatan itu sendiri.

Jika Anda adalah COO, model FAIR memiliki pelajaran operasional tentang talenta. Dia membangun organisasi penelitian dengan memberikan orang-orang pintar otonomi penelitian yang genuine — kemampuan untuk bekerja pada apa yang mereka temukan menarik dan menerbitkannya. Tim operasi Anda mungkin memiliki orang-orang yang bisa lakukan lebih jika Anda memberikan mereka lintang untuk bekerja pada masalah Anda tidak telah ditugaskan. Tasking ketat efisien dalam lingkungan stabil. Itu adalah masalah retensi talenta dalam lingkungan cepat-bergerak.

Jika Anda adalah pemimpin produk, kisah PyTorch adalah studi kasus manajemen produk. PyTorch menang bukan melalui pemasaran atau penjualan perusahaan tetapi melalui pembuatan pekerjaan sehari-hari peneliti lebih baik. LeCun dan tim-nya memprioritaskan pengalaman pengembang orang-orang yang benar-benar membangun model. Jika produk Anda memiliki celah penggunaan antara adopter awal dan penyebaran luas, pertanyaan biasanya: apa yang akan membuat ini genuinely lebih baik bagi orang menggunakan itu setiap hari, bukan kesan pada panggilan demo?

Jika Anda dalam penjualan atau pemasaran, strategi debat publik LeCun menerjemahkan ke kepemimpinan pemikiran dengan gigi. Dia tidak menulis konten yang hati-hati dan berhedge yang menghindari kontroversial. Dia menyatakan posisi teknis spesifik dan mengundang backlash. Pendekatan itu menghasilkan engagement lebih dan kredibilitas lebih dengan pembeli yang sophisticated secara teknis daripada konten yang dipoles yang mengatakan apa pun kontroversial. Jika pasar Anda memiliki ortodoksi Anda pikir salah, mengatakan begitu secara langsung adalah strategi diferensiasi.

Cara Rework Sesuai Model Operasi LeCun

Logika operasi LeCun memasangkan keyakinan teknis kontrar dengan leverage sumber terbuka: pilih taruhan arsitektur yang tidak populer-tetapi-benar, kemudian rilis tooling sehingga ekosistem gabungan di sekitar pendekatan Anda. Playbook itu hanya bekerja jika lapisan operasi bergerak secepat lapisan penelitian — yang mana sebagian besar organisasi berhenti. Rework dibangun untuk pengembang-pertama, tim AI-forward yang menjalankan playbook ini. CRM dan Sales Ops-nya (dari $12/pengguna/bulan) dan Work Ops ($6/pengguna/bulan) stack memberikan fungsi produk, penelitian, dan GTM substrat operasi bersama tanpa memaksa perdagangan vendor-tertutup yang LeCun mengkritik. Tim mengirim terhadap kerangka kerja terbuka, melacak sinyal adopsi di Rework, dan mempertahankan gerak komersial selaras dengan taruhan teknis. Bagi pemimpin yang membuat panggilan LeCun-style jangka panjang, pertanyaan operasional bukan suite mana yang memiliki fitur lebih — itu mana yang keluar dari jalan insinyur Anda.

Kutipan Terkenal & Pelajaran Melampaui Ruang Rapat

"I don't believe that LLMs are going to lead to AGI. I don't think they will lead to systems that can reason, that have common sense, that can plan, that have a persistent memory, or that can learn new tasks quickly." — Yann LeCun, wawancara dengan Lex Fridman, 2022.

Itu klaim yang specific, falsifiable dari salah satu tiga orang yang membangun fondasi yang LLM berjalan di atas. Dia mungkin salah. Timeline mungkin mengejutkannya. Tetapi kesediaan untuk membuat prediksi spesifik, falsifiable tentang pertanyaan teknis tinggi-taruhan adalah kebalikan dari gaya komunikasi-hedge-everything yang mendominasi komentar eksekutif paling pada AI.

Dalam posting 2024 X merespons prediksi doom AI, LeCun menulis: "Before a system can take over the world, it needs to demonstrate it can reliably navigate a grocery store." Kalimat itu berisi kalibrasi lebih berguna untuk pemikiran tentang risiko AI daripada sebagian besar kertas keselamatan panjang. Dia memiliki bakat untuk menemukan keberatan konkret yang mengempiskan alarm abstrak.

Di Mana Gaya Ini Rusak

Kontrarianisme publik mahal. Keberhasilan LeCun dengan peneliti keselamatan AI, penggemar LLM, dan kepala lab pesaing telah membuatnya genuinely sulit bagi beberapa orang untuk berkolaborasi dengannya. Koalisi dalam penelitian teknologi memerlukan derajat ketenangan diplomatik yang LeCun tidak selalu terapkan. Program penelitian JEPA-nya bergerak lebih lambat dari perbatasan LLM sebagian karena lebih sulit merekrut orang ke arah lapangan lihat dengan skeptis.

Keyakinan sumber terbuka juga memiliki batas nyata. Rilis Llama Meta mempercepat penelitian kemampuan global, termasuk untuk aktor dengan fokus keselamatan kurang daripada Meta. Penolakan LeCun terhadap kekhawatiran itu terasa lebih pasti daripada bukti mendukung. Dan skeptisisme AGI-nya, bahkan jika benar tentang jalur, mungkin salah tentang waktu dengan cara yang penting untuk bagaimana organisasi merencanakan. Menjadi benar pada akhirnya berbeda dengan menjadi benar untuk keputusan di depan Anda sekarang. Fei-Fei Li dan Demis Hassabis keduanya berbagi akar deep learning LeCun tetapi telah mendarat dalam posisi berbeda tentang keselamatan dan keterbukaan — layak membaca sebagai set kontras.

Bacaan Terkait: Gaya Kepemimpinan Andrew Ng, Gaya Kepemimpinan Sam Altman, Membangun Tim AI-Ready.