Warum Yann LeCuns TIME100-AI-Ehrung mehr als eine Auszeichnung ist

Yann LeCuns Aufnahme in die TIME100 AI 2026 ist deshalb bemerkenswert, weil sie zwei Ebenen verbindet: seine früheren Beiträge zur KI-Forschung und seinen Versuch, die Richtung des Fachs neu zu bestimmen. Seine zentrale These lautet, dass es nicht ausreichen wird, große Sprachmodelle immer weiter zu vergrößern, um menschenähnliche Intelligenz zu erreichen. Mit AMI Labs hat der frühere Meta-KI-Chefwissenschaftler diese Gegenposition in ein kapitalstarkes Forschungs- und Unternehmensprojekt übersetzt. 1517

TIME würdigt einen Widerspruch zum vorherrschenden KI-Kurs

TIME versteht seine jährliche Liste als Auswahl von Persönlichkeiten, die Entwicklung und Ausrichtung der künstlichen Intelligenz prägen. Die TIME100 AI ist dabei in Kategorien wie Leaders, Innovators, Shapers und Thinkers gegliedert. 37 LeCuns Aufnahme steht daher nicht bloß für Einfluss als Manager oder für die Größe eines von ihm verantworteten Modells. Sie rückt seine wissenschaftliche Gegenposition in die große Debatte darüber, welche Systeme künftig allgemeinere Intelligenz ermöglichen könnten.

LeCun bezweifelt, dass die fortgesetzte Skalierung von Large Language Models (LLMs) – also großen Sprachmodellen – allein bis zur Intelligenz auf menschlichem Niveau führt. Stattdessen setzt er auf Weltmodelle, die nicht nur sprachliche Muster fortschreiben, sondern Zusammenhänge in der Welt erfassen und mögliche Folgen von Handlungen abschätzen sollen. 215

Der Abschied von Meta schuf Raum für den eigenen Ansatz

LeCun verließ Meta nach ungefähr zwölf Jahren. In dieser Zeit hatte er maßgeblich beim Aufbau und bei der Leitung der KI-Forschung des Konzerns geholfen. Reuters zufolge ging er als Metas Chief AI Scientist, bevor er Advanced Machine Intelligence – kurz AMI – gründete. 17

Strategisch war dieser Schritt entscheidend: Außerhalb von Meta konnte LeCun eine Forschungs- und Unternehmensagenda verfolgen, die sich auf Weltmodelle statt auf den vorherrschenden Wettlauf um immer größere generative Sprachsysteme konzentriert. TIME berichtet, dass er AMI Labs im folgenden Monat vorstellte. Aus einer langjährigen wissenschaftlichen Kontroverse wurde damit ein unabhängiges Start-up. 15

1,03 Milliarden Dollar für eine bislang unbewiesene These

Im März 2026 gab AMI eine Seed-Runde über 1,03 Milliarden US-Dollar bei einer Pre-Money-Bewertung von 3,5 Milliarden US-Dollar bekannt. Reuters zufolge wurde die Finanzierungsrunde von Cathay Innovation, Greycroft, Hiro Capital, HV Capital und Bezos Expeditions gemeinsam angeführt. 17 TechCrunch berichtete außerdem über Beteiligungen unter anderem von NVIDIA, Tim und Rosemary Berners-Lee, Jim Breyer, Mark Cuban, Xavier Niel und Eric Schmidt. 27

Diese Summe sollte vor allem als gewaltiges Vertrauensvotum für das Problem verstanden werden, das AMI lösen will – nicht als Beleg dafür, dass der Ansatz bereits gewonnen hat. Die Investoren setzen auf die Möglichkeit von KI-Systemen mit besserem Schlussfolgern, Planen und Handeln in der realen Welt. Die verfügbare Berichterstattung belegt jedoch nicht, dass AMIs Weltmodelle den leistungsfähigsten LLMs bereits überlegen sind.

Der Unterschied ist wichtig: Eine hohe Bewertung kann einer alternativen Forschungsrichtung Glaubwürdigkeit verleihen. Eine technische Debatte entscheidet sie nicht, solange das Unternehmen kein funktionierendes System im großen Maßstab nachgewiesen hat.

Was AMI unter Weltmodellen versteht

Große Sprachmodelle werden typischerweise darauf trainiert, Muster in Sprache zu erfassen und das wahrscheinlich nächste Textelement vorherzusagen. LeCuns Gegenentwurf soll stärker aus der Welt selbst lernen – etwa aus visuellen Daten und anderen Sensordaten – und eine interne Vorstellung davon entwickeln, wie sich die Realität verhält.

Ein Weltmodell soll in der Praxis unter anderem:

• erkennen, wie eine Umgebung funktioniert;
• vorhersagen, was nach einer bestimmten Handlung geschehen könnte;
• Konsequenzen abwägen, bevor eine Handlung ausgeführt wird; und
• in Bereichen wie Robotik oder anderen Anwendungen der physischen Welt die Planung unterstützen.

Mit TIME verbundene Berichte beschreiben AMIs Ziel als ein intuitiveres Verständnis physikalischer Gesetzmäßigkeiten und die Fähigkeit, Folgen verschiedener Handlungen vorherzusagen. 124 Reuters nennt als Schwerpunkt Systeme für Schlussfolgerungen, Planung und „Weltmodelle“. 17

Darum wird der Ansatz häufig mit räumlicher und verkörperter Intelligenz – Spatial beziehungsweise Embodied Intelligence – verbunden. Ein System, das sich in einer Umgebung bewegen, Gegenstände greifen oder unter wechselnden physischen Bedingungen Entscheidungen treffen muss, braucht mehr als die Fähigkeit, eine plausible Textantwort zu formulieren.

JEPA bildet die konzeptionelle Grundlage

AMIs Richtung knüpft an LeCuns 2022 vorgestellte Joint Embedding Predictive Architecture an, kurz JEPA. Ein System nach dem JEPA-Prinzip soll Darstellungen fehlender oder zukünftiger Informationen in einem abstrakten Merkmalsraum vorhersagen, statt jedes Rohdetail einer Eingabe vollständig zu rekonstruieren. Berichte über AMI bezeichnen LeCuns 2022 vorgeschlagene JEPA-Architektur als Grundlage des Unternehmens. 3138

Der erhoffte Vorteil liegt in Effizienz und Abstraktion: Das Modell kann sich auf Merkmale konzentrieren, die für Verständnis, Vorhersage und Handeln relevant sind, statt jedem Pixel oder Datenpunkt dasselbe Gewicht zu geben. Das passt konzeptionell zu AMIs Ziel, Systeme zu bauen, die Umgebungen verstehen und Ergebnisse möglicher Handlungen vorwegnehmen.

JEPA ist allerdings eine Forschungsgrundlage und kein bereits bewiesener Ersatz für das heutige LLM-Ökosystem. AMI muss erst zeigen, dass sich die Architektur skalieren lässt, nützliche Repräsentationen der Welt lernt und in realen Anwendungen zuverlässig funktioniert.

Das größere Signal: Weltmodelle werden investierbar

Die Finanzierung von AMI deutet darauf hin, dass Weltmodelle nicht mehr nur als akademische Alternative zur Sprachmodellierung gelten. Investoren waren bereit, mehr als eine Milliarde US-Dollar in ein Unternehmen zu stecken, das KI entwickeln will, die aus der Realität lernt und auf Schlussfolgern und Planen abzielt. 1727

Das wachsende Interesse zeigt sich auch in der Aufmerksamkeit für räumliche und verkörperte Intelligenz. Diese Ansätze werden mit Robotik, autonomen Systemen, industriellen Anwendungen und anderen Einsatzfeldern verbunden, in denen eine KI den physischen Kontext verstehen muss. 232431

Von einem Konsens kann dennoch keine Rede sein. Die entscheidende Frage bleibt offen: Werden immer leistungsfähigere Sprachmodelle genügend Schlussfolgerungsfähigkeit und Weltbezug entwickeln? Oder erweisen sich Systeme mit ausdrücklich aufgebauten Weltmodellen beim robusten Planen und Handeln als überlegen?

AMIs Fortschritt könnte zu einem wichtigen Test dieser Frage werden. Die frühe Finanzierungsrunde allein kann sie jedoch nicht beantworten.

Was LeCuns TIME100-Anerkennung letztlich bedeutet

Die Verbindung zwischen LeCuns TIME100-AI-Ehrung und AMI Labs ist damit klar: TIME würdigte einen Wissenschaftler, dessen Einfluss von grundlegender Deep-Learning-Forschung bis zu einer weitreichenden Herausforderung an die Annahmen der Branche reicht. 5715

Sein Abschied von Meta gab ihm die Unabhängigkeit, diesen Kurs zu verfolgen. Die Seed-Runde über 1,03 Milliarden US-Dollar und die Pre-Money-Bewertung von 3,5 Milliarden US-Dollar verschafften dem Projekt ungewöhnlich viele Ressourcen. Und der Fokus auf Weltmodelle und JEPA gab LeCuns Kritik an einer ausschließlichen LLM-Skalierung ein konkretes Forschungs- und Geschäftsmodell.

Das ist noch kein Beweis, dass LeCun recht hat. Es ist der bislang finanzstärkste Versuch, herauszufinden, ob der nächste große Schritt der KI aus besserer Texterzeugung kommt – oder aus Maschinen, die zunächst die Welt modellieren, bevor sie in ihr handeln.