Vil AI-industrien møte det store paradigmeskiftet i 2027?

Yann LeCun, en av pionerene bak moderne dyplæring, mener AI-industrien nærmer seg et vendepunkt. Det som originalteksten ikke nevner: han har sluttet i Meta og satt over en milliard dollar bak sin egen satsing på et alternativ.

Fra Meta-veteran til konkurrent

LeCun gikk av som Metas sjef-AI-forsker i november 2025 etter tolv år i selskapet, i kjølvannet av at Meta hentet inn Alexandr Wang til å lede sitt nye "TBD Lab" for frontier-modeller – som gjorde Wang til LeCuns overordnede. Fire måneder senere, 10. mars 2026, kunngjorde LeCuns nye selskap, Advanced Machine Intelligence Labs (AMI Labs) i Paris, at de hadde hentet 1,03 milliarder dollar i en såkornrunde verdsatt til 3,5 milliarder dollar pre-money, med Cathay Innovation, Greycroft, Hiro Capital, HV Capital og Bezos Expeditions blant investorene.

Dette er viktig kontekst: LeCuns 2027-spådom kommer ikke fra en nøytral kommentator, men fra noen som har bygget et selskap rundt akkurat den påstanden.

Spådommen, presisert

I et intervju på podcasten Unsupervised Learning (18. mai 2026) spesifiserte LeCun spådommen: det er robotikkindustrien spesifikt som innen tidlig 2027 vil innse at den må bort fra LLM-baserte arkitekturer. Han kaller dagens Vision-Language-Action-modeller (VLA) "skjøre" og sier de "i praksis nå blir sett på som en fiasko", til tross for imponerende demoer fra selskaper som Figure og Generalist AI. Poenget hans: disse systemene krever eksponentielt mer data enn biologisk læring for å mestre selv smale oppgaver – "hvordan kan en 17-åring lære å kjøre bil på et titalls timer?", spurte han i intervjuet.

LLM-er er ikke ubrukelige – bare feil verktøy for fysisk verden

En viktig nyanse originalteksten mangler: LeCun avskriver ikke LLM-er generelt. Han sier de er gode i diskrete, tokeniserte domener som matematikk og koding, men kaller dem "iboende usikre" i fysiske omgivelser – fordi den autoregressive naturen deres gjør at de ikke kan forutsi de faktiske fysiske konsekvensene av handlinger. Uten en intern "verdensmodell" som kan simulere fremtidige tilstander, mener han LLM-baserte agenter ikke kan garantere trygg utførelse i høyrisikomiljøer som helsevesen og industriell produksjon – nettopp sektorene AMI Labs nå søker partnerskap i.

Alternativet AMI Labs satser på

I stedet for LLM-er satser LeCun på Joint Embedding Predictive Architecture (JEPA), som opererer i et abstrakt representasjonsrom fremfor å forutsi eksakte piksler eller tokens. AMI Labs har nylig oppnådd stabilitet med en 15 millioner parameter stor modell kalt LeWorldModel (LeWM), som bruker en teknikk kalt SIGReg for å unngå at representasjonene kollapser til noe meningsløst. LeCun sier de forventer å vise frem generelle metoder for å trene hierarkiske verdensmodeller på tvers av modaliteter innen 12–18 måneder.

Uenighet i bransjen

LeCun er ikke alene om å stille spørsmål ved retningen, men synspunktet er langt fra udiskutert – og nå har han egeninteresse i utfallet. Mange aktører har investert tungt i LLM- og VLA-baserte systemer og peker på reell fremgang: Figures roboter har prosessert titusenvis av pakker autonomt, og selskaper som Generalist AI trener grunnmodeller på over 500 000 timer med data fra den virkelige verden. At en av dyplæringens grunnleggere advarer mot den dominerende tilnærmingen gir argumentet tyngde, men det bør leses som en satsning han har skutt over en milliard dollar på – ikke en nøytral observasjon.

Ressurser

• AMI Labs – LeCuns nye selskap