Янн Лекун

Пионер исследований, чей вклад в сверточные архитектуры, изучение представлений и масштабируемые исследования глубокого обучения породил набор методов, ориентированных как на точность, так и на вычислительную эффективность. Руководство и формирование исследовательских повесток и систем промышленного уровня для нейросетей повлияло на то, как практики проектируют компактные и верифицируемые модели, пригодные для исполнения в ограниченных средах. Для блокчейн‑платформы, стремящейся поддержать ончейн‑ML‑задачи наподобие Cortex, эти направления исследований критичны, поскольку они определяют, какие классы моделей реально можно выполнить или проверить в рамках ограничений газа и времени, и как сжимать или квантизировать модели без катастрофической потери качества. Акцент на модульных, повторно используемых компонентах моделей и исследование архитектур, оптимизированных под эффективность, повлияли на технический выбор форматов моделей, рантайм‑примитивов и шагов пред/постобработки, которые Cortex должен стандартизировать для поддержки динамики рынка (множество авторов, механизмы проверки и воспроизводимые оценки). Кроме того, институциональное лидерство в академии и индустрии задало нормы валидности бенчмарков, тестирования на устойчивость и интерпретируемости — области, критичные когда экономические стимулы зависят от заявленной производительности модели. Несмотря на отсутствие прямого участия в проекте Cortex, исследовательское наследие и инженерная культура, сформированные лидерами глубокого обучения, предоставили концептуальный инструментарий, к которому обращались инженеры Cortex и авторы моделей при решении практических ограничений исполнения ML в контексте децентрализованного реестра.