ประวัติ Yann LeCun ผู้บุกเบิกโครงข่ายประสาทเทียม สู่ภารกิจสร้าง AI ที่เข้าใจโลกจริง

ก่อนที่ปัญญาประดิษฐ์จะเรียนรู้จากภาพ เสียง และข้อมูลจำนวนมหาศาล ยังมีผู้วิจัยกลุ่มหนึ่งที่เชื่อว่าเครื่องจักรอาจเรียนรู้รูปแบบได้ด้วยตนเอง Yann LeCun คือหนึ่งในผู้บุกเบิกที่ยืนหยัดบนเส้นทางนั้น ในวันที่โครงข่ายประสาทเทียมยังมิใช่กระแสหลัก เขากลับมองเห็นศักยภาพของมัน—และทุ่มชีวิตนักวิจัยเพื่อพิสูจน์ว่าความเชื่อนั้นมีรากฐาน

จากห้องทดลอง Bell Labs สู่ระบบอ่านลายมือที่ธนาคารนำไปใช้ จากโครงข่ายประสาทเทียมสู่รางวัล Turing Award และต่อมาถึงแนวคิด AI ที่ต้องเข้าใจโลกจริง เรื่องราวของ LeCun คือพงศาวดารของผู้ที่ไม่ยอมให้ข้อจำกัดในยุคหนึ่งมาตัดสินความเป็นไปได้ของยุคถัดไป บทความนี้ ComSiam จะพาเรียงเหตุการณ์ตามปี พ.ศ. พร้อมปี ค.ศ. ในวงเล็บ โดยยึดข้อมูลจริงและไม่แต่งบทสนทนาหรือเหตุการณ์ขึ้นใหม่

① Yann LeCun คือใคร

Yann LeCun เป็นนักวิทยาศาสตร์คอมพิวเตอร์ชาวฝรั่งเศส-อเมริกัน ผู้มีผลงานสำคัญด้านปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง และคอมพิวเตอร์วิทัศน์ เขาเป็นหนึ่งในผู้บุกเบิก Convolutional Neural Network หรือ CNN ซึ่งเป็นสถาปัตยกรรมที่ทำให้คอมพิวเตอร์วิเคราะห์รูปแบบในภาพได้มีประสิทธิภาพมากขึ้น

LeCun เป็นศาสตราจารย์ที่มหาวิทยาลัยนิวยอร์ก เคยเป็นผู้อำนวยการฝ่ายวิจัย AI ของ Facebook และเป็นหัวหน้านักวิทยาศาสตร์ด้าน AI ของ Meta ในเวลาต่อมา ปัจจุบันเขารับตำแหน่งประธานกรรมการบริหารของ Advanced Machine Intelligence หรือ AMI Labs ซึ่งมุ่งพัฒนาแนวทาง AI ที่สร้างแบบจำลองโลกจริงได้

② การศึกษาและความสนใจด้านเครื่องจักรที่เรียนรู้ได้

พ.ศ. 2526 (ค.ศ. 1983) LeCun สำเร็จประกาศนียบัตรวิศวกรรมจาก École Supérieure d’Ingénieurs en Électrotechnique et Électronique ในกรุงปารีส ความสนใจด้านวิศวกรรมและการคำนวณพาเขาไปสู่คำถามที่ใหญ่กว่าการสร้างเครื่องจักรให้ทำงานตามคำสั่ง: คอมพิวเตอร์จะเรียนรู้รูปแบบจากตัวอย่างได้หรือไม่

พ.ศ. 2527 (ค.ศ. 1984) เขาศึกษาต่อด้านปัญญาประดิษฐ์และการรู้จำรูปแบบ ก่อนก้าวเข้าสู่งานวิจัยที่เชื่อมคณิตศาสตร์ วิศวกรรม และการเรียนรู้ของเครื่องเข้าด้วยกัน

พ.ศ. 2530 (ค.ศ. 1987) LeCun สำเร็จปริญญาเอกด้านวิทยาการคอมพิวเตอร์จาก Université Pierre et Marie Curie ในปารีส งานวิจัยช่วงนั้นเกี่ยวข้องกับวิธีฝึกโครงข่ายประสาทเทียมให้ปรับตัวจากข้อมูล ซึ่งเป็นโจทย์พื้นฐานที่ต่อมาจะกลายเป็นหัวใจสำคัญของ Deep Learning

③ Bell Labs จุดเริ่มต้นของการบุกเบิก CNN

พ.ศ. 2531 (ค.ศ. 1988) หลังทำงานวิจัยหลังปริญญาเอกที่มหาวิทยาลัยโตรอนโต LeCun เข้าร่วม Bell Labs ห้องทดลองที่เปิดพื้นที่ให้นักวิจัยศึกษาปัญหาซับซ้อนและสร้างเทคโนโลยีใหม่ เขาเริ่มทำงานเกี่ยวกับโครงข่ายประสาทเทียม การเรียนรู้ของเครื่อง และการรู้จำลายมือ

โจทย์หนึ่งที่ท้าทายคือการทำให้คอมพิวเตอร์อ่านตัวเลขและตัวอักษรที่คนเขียนด้วยลายมือได้ ลายมือแต่ละคนไม่เหมือนกัน ตัวเลขเดียวกันอาจมีรูปทรงต่างกันตามลายเส้น มุม และระยะห่าง คอมพิวเตอร์จึงต้องเรียนรู้คุณลักษณะสำคัญจากภาพ แทนการจดจำรูปแบบตายตัวทีละแบบ

พ.ศ. 2532 (ค.ศ. 1989) LeCun และผู้ร่วมงานเผยแพร่งานวิจัยเกี่ยวกับการใช้โครงข่ายประสาทเทียมแบบ Convolutional กับการรู้จำภาพลายมือ แนวทางนี้แบ่งการประมวลผลภาพออกเป็นชั้น ๆ เพื่อให้ระบบตรวจจับลักษณะจากองค์ประกอบเล็กไปสู่รูปแบบที่ซับซ้อนขึ้น

④ LeNet เปลี่ยนงานวิจัยให้กลายเป็นเครื่องมือใช้งานจริง

พ.ศ. 2533 (ค.ศ. 1990) งานวิจัยของ LeCun และคณะเดินหน้าพัฒนาโครงข่ายสำหรับรู้จำตัวเลขและเอกสาร แนวคิดสำคัญคือให้ระบบเรียนรู้จากภาพตัวอย่างจำนวนมาก แล้วปรับค่าภายในโครงข่ายให้ตอบสนองต่อรูปแบบที่พบได้แม่นยำขึ้น

พ.ศ. 2541 (ค.ศ. 1998) ผลงาน LeNet-5 ได้รับการเผยแพร่และแสดงให้เห็นว่า CNN สามารถใช้กับงานรู้จำตัวอักษรและตัวเลขได้จริง ระบบลักษณะนี้ถูกนำไปใช้กับการอ่านเอกสารและเช็คในภาคการเงิน ช่วยให้ธนาคารประมวลผลเอกสารที่มีตัวเลขเขียนด้วยมือได้รวดเร็วขึ้น

ความสำเร็จของ LeNet ไม่ได้เกิดจากการสร้างโมเดลที่ดูน่าทึ่งเพียงชั่วคราว แต่เกิดจากการนำหลักการเรียนรู้ไปแก้ปัญหาที่มีอยู่จริง ระบบอ่านลายมือแสดงให้เห็นว่าโครงข่ายประสาทเทียมอาจทำงานได้ในสถานการณ์ที่ข้อมูลไม่เหมือนกันทุกตัวอย่าง

ในยุคที่พลังคอมพิวเตอร์และข้อมูลยังมีข้อจำกัด ผลงานนี้เป็นการพิสูจน์แนวคิดก่อนเวลาที่เทคโนโลยีจะพร้อมเต็มที่ หลายปีต่อมา เมื่อข้อมูลและฮาร์ดแวร์เติบโตขึ้น หลักการของ CNN จะกลายเป็นหนึ่งในเสาหลักของการรู้จำภาพสมัยใหม่

⑤ จากนักวิจัยสู่ผู้นำห้องทดลอง

พ.ศ. 2539 (ค.ศ. 1996) LeCun รับตำแหน่งหัวหน้าฝ่ายวิจัยการประมวลผลภาพที่ AT&T Labs-Research บทบาทใหม่นี้ทำให้เขาได้กำกับทิศทางงานวิจัยและทำงานร่วมกับทีมที่ศึกษาการรู้จำภาพ การประมวลผลสัญญาณ และระบบเรียนรู้ของเครื่อง

การนำทีมวิจัยต้องรักษาสมดุลระหว่างเป้าหมายระยะสั้นกับการค้นคว้าระยะยาว ผลงานบางอย่างอาจใช้เวลาหลายปีกว่าจะมีเครื่องมือและตลาดรองรับ แต่การพัฒนาความรู้พื้นฐานก็จำเป็นต่อการสร้างเทคโนโลยีรุ่นต่อไป

เส้นทางของ LeCun จึงไม่ได้มีเพียงการคิดค้นแบบจำลอง แต่ยังเกี่ยวกับการสร้างชุมชนผู้วิจัยที่สามารถแลกเปลี่ยนแนวคิด ทดลอง และพัฒนางานต่อเนื่องได้

⑥ มหาวิทยาลัยนิวยอร์กและการสร้างศูนย์ข้อมูลวิทยาศาสตร์

พ.ศ. 2546 (ค.ศ. 2003) LeCun เข้าร่วมเป็นศาสตราจารย์ที่มหาวิทยาลัยนิวยอร์ก เขาทำงานด้านวิทยาการคอมพิวเตอร์ ประสาทวิทยาศาสตร์ และการเรียนรู้ของเครื่อง พร้อมสานต่อการวิจัยเกี่ยวกับโครงข่ายประสาทเทียม

ต่อมาเขามีบทบาทก่อตั้ง NYU Center for Data Science เพื่อสนับสนุนการศึกษาและการวิจัยด้านข้อมูล วิทยาศาสตร์ข้อมูลต้องอาศัยทั้งคณิตศาสตร์ คอมพิวเตอร์ และความเข้าใจในสาขาที่นำข้อมูลไปใช้ การสร้างศูนย์ลักษณะนี้จึงช่วยเชื่อมผู้เชี่ยวชาญหลายแขนงเข้าด้วยกัน

ในมหาวิทยาลัย LeCun ยังได้ทำงานกับนักศึกษาและนักวิจัยรุ่นใหม่ ถ่ายทอดแนวคิดและสร้างพื้นที่ให้การค้นคว้าด้านการเรียนรู้ของเครื่องเติบโตต่อไป

⑦ Facebook AI Research และการวิจัยแบบเปิด

พ.ศ. 2556 (ค.ศ. 2013) LeCun เข้าร่วม Facebook เพื่อก่อตั้งและนำ Facebook AI Research หรือ FAIR หน่วยงานนี้มุ่งทำงานวิจัยด้าน AI และเผยแพร่ผลงานทางวิชาการ เพื่อให้ชุมชนนักวิจัยสามารถเรียนรู้และต่อยอดองค์ความรู้ได้

การสร้าง FAIR เป็นการเดิมพันกับการลงทุนระยะยาวในวิทยาศาสตร์ แม้บริษัทเทคโนโลยีต้องแข่งขันด้านผลิตภัณฑ์ แต่การวิจัยพื้นฐานช่วยสร้างความเข้าใจที่อาจนำไปสู่การใช้งานในอนาคต งานของ FAIR ครอบคลุมตั้งแต่คอมพิวเตอร์วิทัศน์ การเรียนรู้ของเครื่อง ไปจนถึงการพัฒนาระบบที่เข้าใจข้อมูลหลากหลายชนิด

LeCun ทำหน้าที่เชื่อมโลกวิชาการกับอุตสาหกรรม โดยยังคงเป็นศาสตราจารย์ที่ NYU ควบคู่ไปกับการนำทีมวิจัยในบริษัทเทคโนโลยี

⑧ รางวัล Turing Award ยกย่องสามผู้บุกเบิก Deep Learning

พ.ศ. 2561 (ค.ศ. 2018) LeCun ได้รับเลือกให้เป็นหนึ่งในผู้รับรางวัล ACM A.M. Turing Award ร่วมกับ Geoffrey Hinton และ Yoshua Bengio จากความก้าวหน้าทางแนวคิดและวิศวกรรมที่ทำให้ Deep Neural Networks กลายเป็นส่วนสำคัญของการประมวลผลคอมพิวเตอร์

พ.ศ. 2562 (ค.ศ. 2019) ACM นำเสนอรางวัลและยกย่องผลงานของทั้งสามคน ซึ่งช่วยผลักดันความก้าวหน้าด้านการรู้จำภาพ การรู้จำเสียง การเข้าใจภาษา และงานด้าน AI อีกหลายสาขา การยอมรับนี้เป็นหมุดหมายสำคัญของงานวิจัยที่เคยต้องเดินผ่านช่วงเวลาที่โครงข่ายประสาทเทียมยังไม่ได้รับความสนใจอย่างกว้างขวาง

รางวัล Turing Award ไม่ได้เป็นเพียงเกียรติประวัติของนักวิจัยคนหนึ่ง แต่สะท้อนการสะสมผลงานของชุมชนวิทยาศาสตร์ที่ร่วมกันพัฒนาแนวคิด ทดลองวิธีใหม่ และสร้างรากฐานให้ผู้วิจัยรุ่นหลัง

⑨ แนวคิด JEPA และคำถามต่อ AI แบบเดิม

พ.ศ. 2565 (ค.ศ. 2022) LeCun เสนอแนวคิด Joint Embedding Predictive Architecture หรือ JEPA ในงานเขียนด้านสถาปัตยกรรมเพื่อมุ่งสู่ Machine Intelligence ที่ทำงานได้ด้วยตนเอง แนวคิดนี้มุ่งให้ระบบเรียนรู้แบบจำลองของโลกและคาดการณ์สิ่งที่จะเกิดขึ้น แทนการพยายามสร้างรายละเอียดทุกอย่างของข้อมูลขึ้นมาใหม่

LeCun มองว่า AI ที่เข้าใจสภาพแวดล้อมได้ดีควรเรียนรู้จากข้อมูลหลายรูปแบบ และสร้างความสามารถในการคาดการณ์ วางแผน และทำงานกับโลกจริง แนวคิดนี้เป็นมุมมองและทิศทางการวิจัยที่เขาผลักดัน ไม่ใช่ข้อพิสูจน์ว่า AI แบบดังกล่าวแก้ปัญหาทุกชนิดได้แล้ว

ข้อเสนอของเขาจึงเปิดการถกเถียงในวงการ AI ว่าการทำนายคำถัดไปหรือพิกเซลถัดไปเพียงอย่างเดียวเพียงพอหรือไม่สำหรับการสร้างระบบที่เข้าใจโลกและวางแผนได้

⑩ จาก Meta สู่การก่อตั้ง AMI Labs

พ.ศ. 2568 (ค.ศ. 2025) LeCun สิ้นสุดบทบาทหัวหน้านักวิทยาศาสตร์ด้าน AI ของ Meta หลังทำงานกับบริษัทตั้งแต่ยุค Facebook AI Research การเปลี่ยนผ่านครั้งนี้เปิดทางให้เขามุ่งพัฒนาแนวคิดเรื่อง Machine Intelligence ที่เรียนรู้แบบจำลองของโลกจริงโดยตรง

ปลายปีเดียวกัน เขาประกาศการก่อตั้ง Advanced Machine Intelligence หรือ AMI Labs และรับตำแหน่งประธานกรรมการบริหาร บริษัทมุ่งวิจัยระบบ AI ที่สร้าง “world models” หรือแบบจำลองของโลก เพื่อให้เครื่องจักรเข้าใจสภาพแวดล้อม คาดการณ์ผลลัพธ์ และวางแผนการกระทำได้

AMI Labs ไม่ได้ประกาศว่าจะสร้างระบบที่เข้าใจโลกได้สมบูรณ์แล้ว แต่กำลังเดิมพันกับแนวทางวิจัยอีกแบบหนึ่ง LeCun ต้องการสำรวจว่าสถาปัตยกรรมและวิธีฝึกแบบใดจะช่วยให้ AI ไปไกลกว่าการประมวลผลภาษาและข้อมูลที่มนุษย์ป้อนให้

⑪ พ.ศ. 2569 (ค.ศ. 2026) เปิดศึกวิจัยแนวคิด World Models

พ.ศ. 2569 (ค.ศ. 2026) AMI Labs เดินหน้าอธิบายเป้าหมายการพัฒนา AI ที่สามารถสร้างแบบจำลองโลกจริงและทำงานกับข้อมูลจากสภาพแวดล้อมได้ บริษัทระบุแนวทางนี้เป็นการค้นคว้าระยะยาว โดยมุ่งให้ระบบสามารถคาดการณ์ วางแผน และทำงานในโจทย์ที่มีความซับซ้อน

ในเดือนมีนาคม พ.ศ. 2569 (ค.ศ. 2026) มีรายงานว่า AMI Labs ระดมทุนได้ 1.03 พันล้านดอลลาร์สหรัฐ เพื่อนำไปสนับสนุนการพัฒนาแนวทาง AI ดังกล่าว เงินทุนขนาดใหญ่เป็นแรงส่งให้การวิจัยเดินหน้า แต่ความสำเร็จของโครงการยังต้องพิสูจน์ด้วยระบบที่ทำงานได้จริงและสร้างประโยชน์ในโลกจริง

ปัจจุบัน LeCun ยังคงทำงานเป็นศาสตราจารย์ที่ NYU ควบคู่กับบทบาทประธานกรรมการบริหารของ AMI Labs จากผู้พัฒนา CNN สำหรับการอ่านลายมือ เขากำลังก้าวสู่โจทย์ใหม่ที่ใหญ่กว่าเดิม นั่นคือทำให้เครื่องจักรเข้าใจโลกที่ไม่ได้มีเพียงข้อความและภาพบนหน้าจอ

⑫ บทเรียนจากเส้นทางของ Yann LeCun

เส้นทางของ LeCun แสดงให้เห็นว่าการค้นคว้าพื้นฐานอาจต้องใช้เวลายาวนานกว่าจะเผยคุณค่า CNN ที่เขาพัฒนาในยุคแรกเริ่มจากงานรู้จำลายมือ ก่อนแนวคิดเดียวกันจะกลายเป็นรากฐานสำคัญของระบบวิเคราะห์ภาพในเวลาต่อมา

อีกบทเรียนคือความก้าวหน้าทางเทคโนโลยีเกิดจากการต่อยอดของคนจำนวนมาก รางวัลที่ LeCun ได้รับร่วมกับ Hinton และ Bengio สะท้อนผลงานจากนักวิจัย ผู้ร่วมงาน และชุมชนวิทยาศาสตร์ที่ช่วยกันสร้างองค์ความรู้

ท้ายที่สุด การตั้งคำถามต่อแนวทางที่ได้รับความนิยมก็เป็นส่วนหนึ่งของวิทยาศาสตร์ LeCun เสนอให้พิจารณาว่า AI จะเข้าใจโลกและวางแผนได้อย่างไร ข้อเสนอของเขายังเป็นเรื่องที่ต้องพิสูจน์ผ่านงานวิจัย แต่การกล้าตั้งโจทย์ใหม่ช่วยเปิดเส้นทางให้วงการค้นหาคำตอบต่อไป

⑬ สรุปประวัติ Yann LeCun

Yann LeCun เป็นผู้บุกเบิกโครงข่ายประสาทเทียมแบบ Convolutional ซึ่งช่วยให้คอมพิวเตอร์เรียนรู้การรู้จำภาพและลายมือ จากงานวิจัยที่ Bell Labs สู่ระบบ LeNet ที่นำไปใช้จริง และจาก NYU สู่ FAIR เขามีส่วนสำคัญในการผลักดัน Deep Learning ให้กลายเป็นรากฐานของ AI สมัยใหม่

หลังจากนั้นเขายังเดินหน้าถามคำถามที่ใหญ่ขึ้น: เครื่องจักรจะเข้าใจโลกและวางแผนได้อย่างไร? การก่อตั้ง AMI Labs คือบทใหม่ของการเดินทางครั้งนั้น—บทที่ยังไม่มีคำตอบสุดท้าย แต่กำลังเปิดแนวรบใหม่ในประวัติศาสตร์ปัญญาประดิษฐ์

ComSiam จะพาผู้อ่านไปรู้จักบุคคลสำคัญด้านไอทีและเทคโนโลยีรายต่อไป เพื่อสำรวจแนวคิดและผลงานที่เปลี่ยนทิศทางของโลกดิจิทัล

แหล่งอ้างอิง

  • ACM, Turing Award 2018: Yann LeCun, Geoffrey Hinton, and Yoshua Bengio
  • NYU, Yann LeCun Faculty Biography
  • Yann LeCun, Biography and Curriculum Vitae
  • National Science Foundation, Turing Awardees
  • NYU Tandon, 2026 Commencement Program
  • AMI Labs, Team and Company Information
  • Reuters, ข่าวการระดมทุนของ AMI Labs ในปี 2026

บทความที่น่าสนใจ

วิธีสมัคร Gmail ใหม่ บนคอมพิวเตอร์ (Beginner Guide)

วิธีแก้ Access Point ติดตั้งแล้วเน็ตช้า – 10 สาเหตุที่ทำให้ WiFi ช้าและวิธีแก้จริง

วิธีติดตั้ง LINE บนคอมพิวเตอร์ Windows 11 (Install LINE PC Guide)