Yann LeCun: AI kan tale, men den forstår ikke verden

AI bliver ofte fortalt som én samlet teknologisk udvikling. Som om alle de store aktører bevæger sig mod det samme mål, bare med forskellige produkter, modeller og tempoer.

Men sådan ser det ikke ud indefra. Bag de store sprogmodeller, investeringerne og løfterne om kunstig generel intelligens foregår der en kamp om, hvad AI overhovedet skal være. Skal fremtidens AI først og fremmest blive bedre til at forudsige næste ord? Eller skal den kunne forstå den fysiske verden, planlægge, lære af erfaring og handle robust i virkeligheden?

Yann LeCun har valgt sin side. Den fransk-amerikanske AI-forsker, Turing Award-modtager og mangeårige chef for Metas AI-forskning har forladt Meta for at bygge Advanced Machine Intelligence, AMI — et nyt AI-selskab med base i Paris og en erklæret ambition om at udvikle AI-systemer, der ikke begynder i sproget, men i verden.  

Han repræsenterer ikke bare en teknisk uenighed, men et frontalangreb på den dominerende fortælling om AI. AI udvikler sig ikke neutralt, men formes af personer, virksomheder, kapitalinteresser, forskningsmiljøer og politiske valg.  

En af arkitekterne bag den moderne AI

LeCun er ikke en marginal kritiker, der står uden for feltet og råber ind. Han er en af de forskere, der var med til at skabe det felt, han nu kritiserer. Sammen med Geoffrey Hinton og Yoshua Bengio modtog han i 2018 Turing Award for sit bidrag til deep learning. Hans arbejde med neurale netværk og især convolutional neural networks har været centralt for den moderne AI-udvikling, ikke mindst inden for billedgenkendelse og maskinlæring.

I 2013 kom han til Facebook, senere Meta, hvor han var med til at opbygge Facebook AI Research, FAIR. I mere end et årti var han en af Metas vigtigste forskningsprofiler. Men i slutningen af 2025 meddelte han, at han ville forlade selskabet for at starte et nyt projekt med fokus på det, han kalder advanced machine intelligence.  Bruddet er derfor symbolsk. LeCun forlader ikke AI. Han forlader en bestemt retning i AI.

Opgøret med LLM-paradigmet

De seneste års AI-boom har været domineret af store sprogmodeller: ChatGPT, Claude, Gemini, Llama og lignende systemer. De er trænet på enorme mængder tekst og andre data, og de er blevet stadig bedre til at skrive, opsummere, programmere, oversætte og føre samtaler.

Men for LeCun er det ikke nok.

Hans grundlæggende kritik er, at sprogmodeller kan producere overbevisende tekst uden egentlig at forstå verden. De kan imitere mønstre i sproget, men de har ikke nødvendigvis en stabil model af virkeligheden bag sproget. De kan lyde intelligente, men de har svært ved at planlægge over tid, forstå årsagssammenhænge, håndtere fysiske situationer og lære som mennesker og dyr gør.

Det er forskellen mellem at kunne tale om verden og at kunne forstå verden.

LeCuns alternativ er world models: AI-systemer, der opbygger interne modeller af, hvordan verden fungerer. I stedet for primært at lære ved at forudsige næste ord, skal systemerne lære strukturer, dynamikker, objekter, handlinger og konsekvenser. De skal kunne danne forventninger til, hvad der sker, hvis noget bevæger sig, vælter, forsvinder, ændrer form eller påvirkes af en handling.

Det lyder teknisk. Men uenigheden er dybt samfundsmæssig. For hvis LeCun har ret, bygger store dele af AI-industrien i øjeblikket videre på en metode, der kan være imponerende, profitabel og nyttig — men grundlæggende utilstrækkelig som vej mod mere generel intelligens.

Meta valgte skaleringsmaskinen

Meta har i mange år haft en dobbelt rolle i AI. På den ene side har selskabet markeret sig som relativt åbent gennem Llama-modellerne og FAIRs forskningskultur. På den anden side er Meta en af verdens største platformvirksomheder med et massivt kommercielt incitament til at omsætte AI til produkter, brugerfastholdelse, reklameforretning og infrastruktur.

I den kontekst er LeCuns exit også et tegn på en bredere forskydning. De store teknologiselskaber konkurrerer i stigende grad på modeller, compute, datacentre, produktintegration og markedsdominans. AI skal skaleres, pakkes ind og rulles ud. LeCun har derimod længe argumenteret for, at det næste store spring ikke bare kommer fra større modeller og mere data, men fra andre arkitekturer. Hans arbejde med blandt andet JEPA — Joint Embedding Predictive Architectures — peger i retning af systemer, der lærer abstrakte repræsentationer af verden og kan forudsige udviklinger på et højere niveau end pixel, tokens eller rå data.

Det er her konflikten bliver tydelig. På den ene side står LLM-paradigmet: større modeller, mere data, mere regnekraft, bedre produkter, hurtigere marked. På den anden side står world model-paradigmet: forståelse før tekst, perception før prompt, planlægning før respons, robusthed før skalering. Det er ikke nødvendigvis et enten-eller. Men i praksis handler det om investeringer, talent, prestige og retning. Hvad skal de bedste forskere arbejde på? Hvad skal milliarder af kroner bruges til? Hvad skal offentligheden forstå som “fremskridt” i AI?

AMI som modprojekt

Advanced Machine Intelligence præsenterer sig selv med en enkel påstand: “Real intelligence does not start in language. It starts in the world.” Det er både en forskningsvision og en positionering. AMI skal udvikle world model-baseret AI, som ifølge selskabet skal kunne forstå den virkelige verden og danne grundlag for mere sikre og kontrollerbare intelligente systemer.  

Samtidig er AMI ikke et romantisk universitetsprojekt uden kapital. Selskabet har allerede tiltrukket meget store investeringer og internationale partnere. Ifølge Le Monde rejste AMI omkring 890 millioner euro i sin første finansieringsrunde og nåede en værdiansættelse på omkring 3 milliarder euro.  

Det gør LeCuns projekt til noget mere end en akademisk protest. AMI er et forsøg på at bygge en konkurrerende AI-infrastruktur — med en anden teknisk filosofi, men med adgang til den samme type kapital og globale ambitioner, som præger resten af AI-kapløbet.

Det rejser et afgørende spørgsmål: Kan man bygge et alternativ til LLM-dominansen uden selv at blive en del af den samme koncentration af magt?

Kampen om fremtidens intelligens

LeCuns kritik rammer en nerve i AI-debatten, fordi den udfordrer en antagelse, som ofte ligger under de store løfter: at mere af det samme vil føre os til næste niveau. Flere data. Større modeller. Mere compute. Bedre chatbots. Mere integration i kontorarbejde, søgning, kodning, kundeservice, undervisning og administration. Men hvad hvis den vej kun bringer os til systemer, der bliver bedre til at simulere forståelse?

Det er LeCuns udfordring til AI-industrien. Ikke at sprogmodeller er ubrugelige. De er allerede nyttige. Men at de måske ikke er fundamentet for den type intelligens, industrien påstår at være på vej imod. Hvis AI skal kunne hjælpe robotter i den fysiske verden, planlægge langsigtet, forstå konsekvenser, operere sikkert i komplekse miljøer og lære mere effektivt af færre eksempler, er sproget måske ikke nok. Det er derfor konflikten mellem LLM’er og world models ikke kun er en forskningsdebat. Den handler om, hvilken slags teknologi samfundet bygger afhængighed omkring.

Hvem er på hvilken side?

I den ene lejr står de virksomheder, der i praksis driver LLM-kapløbet: OpenAI, Google DeepMind, Meta, Microsoft, Anthropic og Amazon. De konkurrerer om modeller, platforme, enterprise-kunder, infrastruktur og adgang til enorme mængder computerkraft.

I den anden lejr findes ikke én samlet bevægelse, men en løsere samling af forskere, robotikmiljøer, open science-fortalere og alternative AI-arkitekturer. Her er LeCun en af de mest markante stemmer.

Men billedet er ikke rent. Meta har både investeret i LLM’er og huset LeCuns forskning. Google DeepMind arbejder både med Gemini og med AI-systemer, der rækker langt ud over tekst. OpenAI taler også om agenter, reasoning og multimodale modeller. Grænserne flytter sig hele tiden.

Alligevel er LeCuns position vigtig, fordi han insisterer på, at spørgsmålet ikke bare er, hvem der bygger den stærkeste model. Spørgsmålet er, hvad vi overhovedet mener med intelligens.

Hvis LeCun har ret

Hvis LeCun har ret, vil de kommende års AI-udvikling ikke blive afgjort af, hvem der bygger den største chatbot. LLM’er vil fortsat være nyttige, men de vil ramme en grænse som vej mod mere generel intelligens.

I det scenarie bliver world models centrale. AI-systemer skal i højere grad kunne forstå fysiske og sociale omgivelser, lære gennem observation, opbygge hukommelse, planlægge og handle mere robust. Det vil få betydning for robotter, industri, sundhed, transport, videnskab og alle områder, hvor AI ikke bare skal producere tekst, men fungere i komplekse situationer.

Det kan også ændre magtbalancen i AI. Hvis et nyt paradigme viser sig stærkere, kan de nuværende vindere blive udfordret. Nye forskningsmiljøer, startups og lande kan få mulighed for at positionere sig, hvis de ikke blot forsøger at kopiere Silicon Valleys LLM-strategi.

For Europa er det særligt interessant. AMI’s base i Paris gør projektet til en potentiel europæisk modfortælling i et felt, der ellers domineres af amerikanske og kinesiske aktører. Men der er også en anden mulighed.

Hvis LeCun tager fejl

Hvis LeCun tager fejl, kan world models vise sig sværere at skalere end forventet. De kan være teknisk elegante, men kommercielt langsomme. De kan love dybere forståelse, men tabe til sprogmodeller, der bliver gradvist bedre, billigere og mere integrerede i hverdagen.

Det er ikke sikkert, at LLM’er behøver at forstå verden på menneskelig vis for at være nyttige nok. Måske kan de kombineres med værktøjer, hukommelse, multimodale data, simuleringer og agentstrukturer på måder, der gør LeCuns skarpe skel mindre relevant.

Der er også et historisk argument imod ham. AI-feltet er fuldt af forskere, der har undervurderet, hvor langt simple principper kan bringes, når de skaleres voldsomt op. LLM’ernes gennembrud kom netop, fordi industrien fandt ud af, at statistisk mønstergenkendelse i enorm skala kunne mere, end mange havde troet.

Måske er LeCun ikke forud for sin tid. Måske undervurderer han bare skaleringsmaskinen.

Det virkelige spørgsmål

Yann LeCuns brud med Meta er derfor ikke kun historien om en berømt forsker, der starter et nyt selskab. Det er en åbning ind i en større konflikt om AI’s retning.

Den handler om teknik, men ikke kun om teknik.

Den handler om, hvilke problemer der får penge. Hvilke forskningsspor der får talent. Hvilke modeller der bliver standard. Hvilke virksomheder der får kontrol over infrastrukturen. Og hvilke forestillinger om intelligens der kommer til at præge samfundets valg.

LeCun siger i praksis, at AI kan tale, men endnu ikke forstå verden.

Hvis han har ret, er den mest udbredte fortælling om AI-fremskridt for snæver. Så er vi ikke på vej direkte mod generel intelligens gennem større chatbots. Så er vi i gang med at bygge imponerende sproglige maskiner, mens den egentlige kamp om maskinintelligens først lige er begyndt.

Og hvis han tager fejl, vil historien måske huske ham som en af deep learnings store arkitekter, der ikke troede nok på det næste lag af skalering.

Det er netop derfor, hans projekt er vigtigt.

For LeCun tvinger os til at stille det spørgsmål, som ofte forsvinder i AI-hypen: Bygger vi den rigtige AI — eller bare den mest profitable?

Vi laver journalistik om AI, fordi udviklingen går hurtigere end den offentlige samtale.

På AI Portalen forsøger vi at skabe overblik, perspektiv og kritisk indsigt i en teknologi, der allerede former alt fra arbejdsmarkedet til demokratiet — ofte uden at nogen bremser op og forklarer, hvad der foregår.

Hvis vores artikler hjælper dig med at forstå AI lidt bedre, så overvej at støtte arbejdet.

Et medlemskab gør én ting mulig: at vi kan blive ved med at undersøge, dokumentere og forklare, hvordan AI påvirker Danmark — uden investorer, uden PR-interesser og uden at jage hype.

Bliv medlem og vær med til at styrke uafhængig journalistik om AI.