在阅读了反对神经网络的论点，也就是它们很难训练，而且不是特别强大后，勒恩决定不管怎样都要继续前进。他在攻读博士学位的时候，尽管存在疑虑，但依然军心专注于此。对于当时受到的批评，LeCun说：“我就是不相信它们。”

人工智能领域的艰难时期有自己特殊的名字：人工智能寒冬。这些时期主要是因为研究人员的研究成果不符合他们的预期，使得研究成果似乎显得不够科学，导致资金和兴趣枯竭，阻碍技术持续进步。

LeCun同样遭遇过人工智能寒冬。上世纪90年代中期，在贝尔实验室的一项人工智能研究工作结束后，AT&T的内部纷争让他的团队分崩离析，当时他们正在推出自动读取ATM机，即如今仍在使用的神经网络技术，就像LeCun认为它正在取得明显进展一样。LeCun说：“整个项目在取得真正成功的那天就被解散了，这真的很令人沮丧。”

与此同时，其他方法获得主流研究人员的青睐。这些方法后来不再受欢迎，但它们的崛起足以让神经网络以及其长期以来的支持者LeCun被挤入边缘。21世纪初，其他学者甚至不允许LeCun在他们的会议上发表论文。

神经网络先驱、谷歌高级工程师、多伦多大学教授杰夫·辛顿（Geoff Hinton）表示：“基本上，计算机视觉社区已经拒绝了他，而他的观点是自己正在做80年代非常有前途的事情，但他现在应该已经完成了。然而，这已经不再是我们的观点了！”

其他神经网络研究人员当时也遇到了类似的问题。人工智能领域先驱、蒙特利尔大学教授约书亚·本吉奥(Yoshua Bengio)当时甚至很难找到愿意与他合作的研究生。他说:“许多学生不愿意从事这类研究，因为他们害怕在完成博士学业后找不到工作。”

2003年，LeCun为自己获得救赎奠定了基础。那一年，他加入了纽约大学的教师队伍，并与辛顿和本吉奥一起，以非正式联盟的形式重新恢复了神经网络。LeCun微笑着说：“我们开始了我所谓的深度学习阴谋。”

“深度学习阴谋”在这个领域发挥了关键作用，主要是因为他们坚持自己的信念，即为每一种你想要探测的对象建立专门的神经网络，你可以用同样的模板来构建一个可以检测图像、视频和语音的神经网络。所以，与其分别建立能够发现企鹅和猫的神经网络，还不如建立单独的神经网络来检测两者，并区分它们。

这些新的神经网络也可以用于其他任务，比如通过查看音频波来检测语音模式。这个阴谋的研究得到了两个重要外部因素的支持:

　　第一，是计算能力增加，这使得它的神经网络运行速度足够快，也更加实用。

　　第二，由于互联网的广泛应用，可用数据(图片、文本等)呈指数增长，而且可用的数据可以通过网络进行大量处理，从而使它们变得更智能化。

最终，这个结果成为了一种敏捷、快速、准确的方法，为该领域开辟了新的可能性。在LeCun和同行们建立的基础之上，计算机视觉在21世纪初出现了爆炸式增长。计算机开始能够识别图像中的物体，然后识别视频中的物体，最后甚至可以识别摄像头中的目标。现在，只要你把摄像头对准篮球，AI就能理解它在看什么。

LeCun很快从“场外人”成为这个领域的领袖。他说：“在1年时间内，它从无人问津变成人人都在研究的东西，“这简直太疯狂了！”

2013年12月，LeCun加入了Facebook，对于想要将人工智能研究应用于照片的人来说，这是个理想环境。Facebook的平台上有数十亿张图片，让LeCun和他的研究人员可以用大范围的画布来实现新的想法。

FAIR经常与AML合作，将其在Facebook上的研究付诸实施。这两个团队建立了新的系统，推动公司的技术不断进步。目前，AML正在利用FAIR的研究来帮助确定新闻推送内容中应该向你显示的内容，并将其翻译为Facebook内部的内容。这种技术还被应用到Facebook的摄像头中，以产生对你的动作做出反应的特殊效果。

FAIR团队的计算机视觉工具SharpMark

　　思维