工程哲学：李飞飞，数据是地基

核心要点

• 真正的突破是数据集，而不是模型。 在长达十年的时间里，整个领域都在调校算法，想当然地认为瓶颈在于更好的模型。李飞飞下了一个相反的赌注：缺失的那块拼图是规模化的数据。她构思并主导了 ImageNet——约 1400 万张人工标注的图像，覆盖超过 2 万个类别，按 WordNet 的概念层级组织，由数万名 Amazon Mechanical Turk 工作者完成标注。³⁴
• AlexNet 是靠她的数据赢的。 当一个深度卷积网络在 2012 年的 ImageNet 挑战赛上大获全胜——top-5 错误率 15.3%，领先亚军十个百分点以上——它验证了以数据为中心的论断。算法早已存在多年；改变的是它终于有了足够多、足够对的数据可供学习。⁴⁵
• AI 必须以人为本。 李飞飞的第二条原则是：AI 中”没有任何东西是人造之外的”——它由人类构建，面向人类行事，影响人类的生活。她联合创办了斯坦福 HAI（2019 年）和 AI4ALL（2017 年），将这一信念制度化。⁶⁷⁸
• 从移民到创业者。 1976 年生于北京，16 岁时来到新泽西，在普林斯顿求学期间一边经营家里的干洗店，先后取得物理学学士学位和加州理工学院博士学位，如今领导着 World Labs——一家构建能理解三维世界模型的空间智能初创公司。¹²¹⁰

核心原则

“我们对 A.I. 的假设需要由数据驱动，而以数据为中心正是那个正确的假设。” —— 李飞飞，谈 ImageNet 背后的赌注⁹

在 2000 年代的大部分时间里，机器学习领域占主导地位的本能是改进模型：更精巧的架构、更好的优化器、更锐利的特征提取器。数据则被当作一个固定而朴素的背景，算法在这个背景上相互竞争。李飞飞的核心做法，是把这套层级关系彻底颠倒过来。她主张，算法其实并不是真正的瓶颈——数据才是。要推进机器感知，办法不是在区区几千个样本上不断打磨模型，而是给它高出几个数量级、足够对的样本，让它像孩子那样去学习这个世界：在足够多的接触中习得。⁹

这个类比不是点缀，它本身就是论证。没有人是靠罗列规则来教会一个孩子看见的。孩子的学习来自浸没在视觉经验的洪流里——对物体、场景、面孔的数百万次瞥见——直到视觉世界的结构在脑中沉淀成型。李飞飞的赌注是：学习算法需要的也是同样的东西：不是更好的老师，而是远为庞大、远为丰富的样本之流。于是她做了这个领域一直回避的、不光鲜却浩大的事。她造出了那条河流。³

一句话概括这条原则：数据是地基，而 AI 必须以人为本。 前半句是一个工程主张——智能从在足够多、足够对的数据上的学习中涌现，而谁提供这些数据，谁就塑造了这个领域所能成就的边界。后半句是关于目的的主张。李飞飞坚持，AI 并不是什么外来的异己力量；它是人类的造物，它存在的唯一理由就是造福于人。”AI 里没有任何东西是人造之外的，”她喜欢这样告诉自己的学生；”它由人类制造，意在为人类而行事，它影响着人类的生活和人类社会。”⁶ 她是靠构建一个数据集、而非一个模型，给这个领域装上了眼睛——随后又用整整十年坚持，要让这双眼睛始终望向人类的福祉。

背景

李飞飞 1976 年生于北京。¹ 她 12 岁时，父亲移居新泽西州的帕西帕尼；16 岁时，她和母亲也随之而来，落地时几乎不会英语。¹² 这家人在美国立足的根基是一间干洗店，李飞飞就在店里干活——整个高中的周末，以及大学放假回家的大多数周末，都在帮着打理生意、记账，同时坚持学业。¹² 这个细节值得记住：这位日后调度起计算史上规模最大标注工程之一的人，是在柜台后、在处理别人的衣物中，学会了运营的纪律。

她靠奖学金进入普林斯顿，1999 年取得物理学学士学位，其间有一段时间还远程经营着家里的生意。¹² 是物理，而不是计算机科学——一门在杂乱现象之下寻找简洁规律的训练，而这恰恰是她日后用于视觉研究的本能。她转入加州理工学院读研，2001 年取得电气工程硕士学位，2005 年取得博士学位，研究方向横跨神经科学与计算机视觉的交界。¹

到她先后任教于普林斯顿、再到斯坦福（2009 年）时，她已经形成了一个与所在领域格格不入的信念：前进的道路，不是在小数据集上做出更好的模型，而是一个谁都不愿动手去造的、规模激进放大的数据集。¹⁴ 此后的一切——ImageNet、那场挑战赛、以人为本的转向、那家初创公司——都是这一个逆流而上的赌注的层层展开。

成就

ImageNet：为这个领域装上眼睛（2009 年）

要真切感受李飞飞的赌注，最干净的办法是看一看：当你固定住模型、却让训练数据不断增长时会发生什么。分类器并没有变得更聪明——算法纹丝未动——但每喂给它一个标注样本，它对世界的图景就更清晰一分。下面这个交互组件让这一点变得可触：先从寥寥几个点开始，同一个模型猜出一条粗糙、错误的边界；不断加入越来越多的标注数据，它便描摹出真正的形状，准确率向着上限攀升。这正是 ImageNet 论断的微缩版。

这段历史是具体的，而署名归属也很重要。李飞飞构思了这个项目，并在普林斯顿任职期间、约 2006 至 2007 年开始着手这个想法，她与 WordNet 的共同创造者 Christiane Fellbaum 合作，用 WordNet 的概念层级作为数据集的组织骨架。⁴ ImageNet 鲜明地是一项由她领导的团队工作：那篇里程碑式的论文《ImageNet: A Large-Scale Hierarchical Image Database》，2009 年发表于 CVPR，作者为 Jia Deng、Wei Dong、Richard Socher、Li-Jia Li、Kai Li 和李飞飞（作为资深作者列于末位）。³ 那个重塑了整个领域的数据集版本，最终增长到约 1400 万张人工标注图像、覆盖超过 2 万个类别——完整的 ImageNet-21K 版本包含 21,841 个类别中的 14,197,122 张图像。⁴

工程难题不在模型，而在标注。靠人工去标注一千四百万张图像，远超任何一个研究团队的能力，于是李飞飞的团队转向了 Amazon Mechanical Turk，在 2008 年 7 月至 2010 年 4 月间，将工作分发给 167 个国家的约 49,000 名工作者，从超过 1.6 亿张候选图像中筛选，并对每一张保留下来的图像多次标注以保证质量。⁴ 这一后勤上的壮举——以行星级的规模众包感知——本身就是贡献所在。”用更多数据”谁都能提出来。是李飞飞造出了让它成真的那套机器。

ILSVRC 与 2012 年 AlexNet 的验证

光有数据集什么也证明不了；你得让这个领域真正去用它。于是从 2010 到 2017 年，李飞飞的团队办起了 ImageNet 大规模视觉识别挑战赛（ILSVRC）——一场基于标准化的 1000 类子集的年度竞赛，约有 128 万张训练图像、5 万张验证图像和 10 万张测试图像。⁴ 这场挑战赛把 ImageNet 变成了一个共享的基准和排行榜，成了此后近十年计算机视觉研究的引力中心。

验证在 2012 年 9 月 30 日到来。一个深度卷积神经网络——来自多伦多 Geoffrey Hinton 实验室的 AlexNet——以 15.3% 的 top-5 错误率赢得挑战赛，领先亚军 10.8 个百分点以上。⁴⁵ 这道差距，正是现代 AI 时代的枢纽。但常被忽略的一点是它为何成为可能：卷积架构并不新，基于梯度的训练也不新。新的是，第一次有了一个足够大、足够丰富的数据集，让深度网络能够从中学习，而不是简单地死记硬背。是李飞飞补上了那块缺失的拼图。正如她自己的学生后来量化的那样，即便是人类在 ImageNet 上的准确率也来之不易——Andrej Karpathy（他在李飞飞门下攻读博士，并主持了挑战赛的人类基准实验）估计，人类的 top-5 错误率约为 5.1%，而且要全神贯注才能达到。⁵ 机器如今正逼近一条连人都吃力的标准线。

这是整个系列里对以数据为中心论断最干净的一次例证。赢下比赛的那个算法，出自 Geoffrey Hinton 一脉，而卷积架构则源自 Yann LeCun 的 LeNet。但若没有李飞飞的数据，两者在 2012 年都赢不了。模型与数据是同一个突破的两半——而整整十年，这个领域一直固定住了错误的那一半。

以人为本的 AI 与斯坦福 HAI

在把一只更强大的眼睛交给这个领域之后，李飞飞用职业生涯的下一阶段去操心：这只眼睛该望向何方。她的提法看似简单却意味深长：AI 不是某种外在于人类、降临到人类身上的力量；它是人类的造物，其目的在于造福人类。”我常告诉我的学生，不要被’人工智能’这个名字误导——它里面没有任何东西是人造之外的，”她写道。”A.I. 由人类制造，意在为人类而行事，并最终影响人类的生活和人类社会。”⁶

2019 年 3 月，她把这一信念制度化，与哲学家、斯坦福前教务长 John Etchemendy 联合创办了 斯坦福以人为本人工智能研究院（HAI），并担任创始联席主任。⁷ HAI 的使命——推进 AI 的研究、教育、政策与实践，以改善人类境况——是对一个常常孤立地追求能力最大化的领域有意设下的制衡。这正是驱使我把品味当作一套技术系统、而非一种感觉来对待的同一种本能：工作究竟是为了什么这个问题并不”软”，它也不是工程做完之后才补上的。它本身就是工程的一部分。

AI4ALL、Google Cloud、《我看见的世界》与 World Labs

以她这样地位的研究者而言，李飞飞的履历宽广得不同寻常，而每一个篇章都表达着同样那两条原则。2017 年，她联合创办了 AI4ALL，一家致力于提升 AI 领域多样性的非营利组织——这是把”以人为本”直接应用到谁来构建这些系统这个问题上。⁸ 在 2017 年 1 月至 2018 年秋从斯坦福休学术假期间，她出任 Google Cloud 的 AI/ML 首席科学家兼副总裁，把从研究到产品的转化带进了产业界。¹

2023 年，她出版了回忆录 《我看见的世界》（The Worlds I See），这本书被巴拉克·奥巴马列入阅读清单，并被《金融时报》评为年度最佳图书之一——“一半回忆录，一半科学”，在同一本书里讲述了那位移民科学家与那场以数据为中心的赌注的故事。⁹ 2024 年 9 月，她又与 Justin Johnson、Christoph Lassner 和 Ben Mildenhall 联合创办了 World Labs，一家空间智能初创公司——构建能够感知、生成并推理三维世界的基础”世界模型”，获得约 10 亿美元融资支持。¹⁰ 这条贯穿线精确无误：ImageNet 给了机器静态的视觉；World Labs 则是她在赋予机器空间理解上下的赌注——那是下一种、也更艰难的一种”看见”。

方法

从干洗店的柜台到空间智能实验室，李飞飞的方法始终如一：找到所有人都在忽视的那个约束，造出能解除它的那个不光鲜的东西，并让工作始终望向人。

攻打数据，而不只是模型。 当一个领域陷入停滞时，要问：瓶颈究竟真的是算法，还是算法赖以学习的那些数据。李飞飞的标志性做法，就是去怀疑数据——然后不惜巨大的后勤代价，去构建那个能证明这一点的数据集。³⁴

从一个已经解决了问题的领域借来结构。 ImageNet 没有自创分类体系；它站在 WordNet 那套人类概念层级之上。当一个已知结构契合问题时，就把它编码进来，而不是重新发明——这与 LeCun 把平移不变性烘焙进卷积里是同一种本能。³⁴

让这个领域用上你的工作。 锁在抽屉里的数据集什么也改变不了。ILSVRC 挑战赛把 ImageNet 变成了一个带排行榜的共享基准，而这才是真正推动研究社群的东西。⁴

以问题所要求的规模去众包。 标注一千四百万张图像，对一个实验室来说是不可能的，于是李飞飞搭建了一条横跨数万名工作者的标注流水线。这个运营层面的解法，本身就是科学贡献。⁴

不断追问它是为了什么。 在李飞飞看来，缺了人本目的的能力，是不完整的工程。HAI 和 AI4ALL 不是拴在研究之外的慈善；它们是方法的延伸——是把史蒂夫之问（这件工作配不配存在）应用到了整整一个领域之上。⁶⁷⁸

影响链

谁塑造了她

Christiane Fellbaum 与 WordNet。 ImageNet 的组织骨架是 WordNet 的概念层级，而李飞飞正是与 WordNet 的共同创造者 Christiane Fellbaum 直接合作，造出了这个数据集。人类语言的分类体系，成了机器视觉的骨架。（直接影响）

关于学习的认知科学视角。 李飞飞的核心类比——模型应当像孩子那样，通过接触足够多的世界来学习视觉——源自她在加州理工学院、在神经科学与计算机视觉交界处所受的训练。押注数据而非规则，就是押注生物感知实际上是如何发育的。（奠基性影响）

一位物理学家的本能。 她的本科训练在物理，而非计算机科学——这是一门在杂乱现象之下寻找简洁结构的学科。她敢于相信”更多足够对的数据”是这个领域的一条规律、而非蛮力取巧，这正是一种物理学家式的笃定。（奠基性影响）

她塑造了谁

现代计算机视觉。 每一个在 ImageNet 上训练或预训练过的视觉系统——而在长达十年里，这实际上意味着所有视觉系统——都继承了李飞飞的数据。她不只是为这个领域做出了贡献；她供给了它赖以学习的那块基质。

深度学习时代本身。 AlexNet 在 2012 年的胜利，这个被引用得最多、视作现代 AI 浪潮起点的事件，跑的是她的数据集、办在她的挑战赛里。那个突破中以数据为中心的那一半，属于她。

一代研究者。 通过她在斯坦福的实验室，她指导出的学生后来各自成为举足轻重的人物，其中包括 Andrej Karpathy；通过 AI4ALL，她则一直在努力拓宽究竟谁有机会去构建这个领域。

贯穿线

李飞飞是本系列深度学习这一支脉的数据之根，而她与相邻者的关联出奇地直白。Geoffrey Hinton 的实验室造出了 2012 年赢下 ImageNet 的那个算法，而 Yann LeCun 设计了那个算法所源出的卷积架构——但 AlexNet 跑的是李飞飞的数据。模型与数据集是同一个事件的两半，而多年来，这个领域一直在打磨模型，而那个数据集才是当时尚不存在的东西。向前的脉络延伸到 Andrej Karpathy，她自己的博士生，他主持了 ILSVRC 的人类准确率基准，并在后来提出了”软件 2.0”——把神经网络看作一段从数据编译而来的程序，这正是李飞飞那个赌注的自然推广：智能来自数据，而非代码。LeCun 说，去学习这个世界；Hinton 说，这台学习的机器是管用的；李飞飞说：这就是供你学习的世界，现在，出发吧。（系列之桥）

我从中学到了什么

我从李飞飞身上一直记取的，是那个不光鲜的地基，往往才是真正的突破所在。这个领域花了十年在模型上一较高下，因为模型是那种让聪明才智看起来栖身其中的地方——而把这个领域推得最远的那个人，靠的却是构建一个数据集，与其说是算法上的洞见，不如说是运营上的坚忍。这重排了我的本能。如今，当某件事卡住时，我会先问：瓶颈究竟是我想动手的那个聪明的部分，还是我正在回避的那个枯燥的部分——数据、标注、那个谁都不愿动手去造的地基。这与证据关口是同一种纪律：不是问”什么是最有意思、最值得去优化的东西”，而是问”真正的约束究竟是什么”。

第二个教训更难，也更安静。李飞飞给了这个领域一项确实更强大的能力，随后又用整整十年坚持要让它对人负责——创办 HAI，创办 AI4ALL，反复申明：人类为人类所造之物，其中没有任何东西是人造之外的。这不是工程之后的尾声；这是工程之所以存在的理由，这也恰恰是为什么我坚持质量是唯一的变量，坚持史蒂夫之问——这件东西配不配存在？——是一个你要向能力本身、而不仅仅向打磨发问的问题。李飞飞造出了那双眼睛，随后确保它们始终望向人类的福祉。地基，以及地基是为了什么。

常见问题

李飞飞的工程哲学是什么？

数据是地基，而 AI 必须以人为本。李飞飞的标志性赌注是：机器感知的瓶颈不在模型，而在数据——智能从在足够多、足够对的样本上的学习中涌现，正如孩子通过经验学会看见。她付诸行动的方式，是构思并主导了 ImageNet，一个约含 1400 万张图像的标注数据集。³⁴ 她的第二条原则是：AI 是为人类福祉而生的人类造物——“它里面没有任何东西是人造之外的”——她通过斯坦福 HAI 和 AI4ALL 将这一原则制度化。⁶⁷⁸

ImageNet 是什么，李飞飞是独自构建它的吗？

ImageNet 是一个大规模标注图像数据库，它成了现代计算机视觉的奠基性训练集——约 1400 万张人工标注图像，覆盖超过 2 万个类别，按 WordNet 的概念层级组织，通过 Amazon Mechanical Turk 完成标注。⁴ 李飞飞构思并主导了这个项目，但它是一项团队工作：2009 年的 CVPR 论文《ImageNet: A Large-Scale Hierarchical Image Database》作者为 Jia Deng、Wei Dong、Richard Socher、Li-Jia Li、Kai Li 和李飞飞（作为资深作者），而 WordNet 这一骨架则来自与 WordNet 共同创造者 Christiane Fellbaum 的合作。³⁴

ImageNet 是如何引发深度学习浪潮的？

从 2010 到 2017 年，李飞飞的团队办起了 ImageNet 大规模视觉识别挑战赛（ILSVRC），一场基于 1000 类子集的年度竞赛。⁴ 2012 年 9 月 30 日，深度卷积网络 AlexNet 以 15.3% 的 top-5 错误率夺冠——领先亚军 10.8 个百分点以上——这一事件被广泛视作现代 AI 时代的起点。⁴⁵ 决定性的一点在于：卷积算法早已存在；新的是有了一个足够大、能让它从中学习的数据集。缺失的那块拼图是数据，而不是模型。⁴

李飞飞现在在做什么？

在联合创办斯坦福 HAI（2019 年）与 AI4ALL（2017 年）、出任 Google Cloud 的 AI/ML 首席科学家（2017—2018 年）、并于 2023 年出版回忆录《我看见的世界》之后，李飞飞于 2024 年 9 月联合创办了 World Labs。¹⁷⁸⁹ World Labs 是一家空间智能初创公司，构建能够感知、生成并推理三维世界的基础”世界模型”——这是她在机器感知下一个前沿上下的赌注，获得约 10 亿美元融资支持。¹⁰

参考来源