“AI教母”李飞飞，这辈子就做一件事，让计算机看懂这个世界

“AI教母”李飞飞，这辈子就做一件事，让计算机看懂这个世界

AI人物 | 感受他们为世界做出的贡献

媒体叫她"AI教母"。她到底为AI做出了什么贡献？

她做了一个图库，叫ImageNet。

2010年，各国的研究团队拿着自己的识图程序，在这个图库上比赛，每张图可以猜五次，五次都没猜中才算错。冠军还是有28.2%的图没认出来。2015年2月，微软和谷歌前后隔了5天，各自宣布：自家的模型认图，错得比人还少。

这5年里电脑练眼力，用的就是这个图库。它2009年做成，介绍它的论文，被引用了超过7.8万次（Semantic Scholar统计）。

今天的李飞飞，是斯坦福大学计算机系教授，美国国家工程院、美国国家医学院、美国艺术与科学院三家的院士。她带过的博士生里，Andrej Karpathy是OpenAI的创始成员之一，后来当过特斯拉自动驾驶的AI负责人；另一位学生范麟熙（Jim Fan），如今在英伟达带队研究人形机器人。

可当年她为这个图库申请科研基金，一个都没批下来。

▲李飞飞2017年在国际电信联盟的AI峰会上演讲（图源：ITU Pictures，CC BY 2.0）

在电脑眼里，一张照片是3600多万个数

2015年3月，李飞飞在TED的讲台上放了一段视频。一个3岁的小女孩对着一张张照片说：那是一只猫，坐在床上。男孩在摸大象。那些人要去坐飞机，那是一架大飞机。

孩子张口就来的事，电脑做了几十年都做不准。

手机拍一张1200万像素的照片，就是横4032个、竖3024个小格子，一共1200多万个。每个格子记三个数：红、绿、蓝各有多亮，都在0到255之间。

所以在电脑眼里，这张照片是3600多万个数。

让电脑认出照片里有只猫，就是让它从这3600多万个数里，算出一个字：猫。

难就难在，同一只猫，摊在地板上、蜷成一个球、躲在椅子底下、钻进床单只露出一个脑袋，拍出来的数几乎全变了。人一眼就知道是同一只，电脑看到的是几千万个对不上的数。

▲同一只猫的四张照片（图源：Famartin，Wikimedia Commons，CC BY-SA 4.0）

李飞飞2000年到加州理工读博士，研究的就是这件事。她后来说，那五年论文照写，就是没有突破。

她读博时参与做的图库叫Caltech 101，101类东西，一共9146张图，在当时已经算大的了。

她后来想通的道理，就在视频里这样的孩子身上。她在同一场演讲里算过一笔账：把孩子的眼睛当成一对相机，眼球大约每200毫秒转动一次，相当于拍一张照片。照这么算，一个孩子长到3岁，已经看过几亿张真实世界的画面。

她的判断是，电脑缺的也许不是更聪明的算法，是看得太少了。

ImageNet：申请的基金，一个都没批

2007年，李飞飞在普林斯顿大学当助理教授。她想把世界上的东西几乎全收进一个图库，每一种都配上大量照片。她后来这样说当时的念头："我们要给世界上所有的物体画一张地图。"

第一个办法是雇普林斯顿的本科生，时薪10美元，上网一张张找图。她粗算了一下，照这个速度，要90年。

钱也没有。她申请科研基金，评审意见里有人写，普林斯顿研究这种题目是可耻的；还有人写，这份申请唯一的优点，是申请人是位女性。

也有同事说，这一步跨得太大，太超前了。

她后来回忆这段日子：

是妄想吗？也许，这跟当年把我父母带到美国的，是同一种不可思议的信念。

转机来自一个学生。他问她，听没听过亚马逊的众包平台Mechanical Turk：网上的人领一个个小任务，做完一单挣一点钱。她说，用众包是"走投无路逼出来的"。她登上自己的亚马逊账号想亲手试试，领到的第一单活，是抄写葡萄酒瓶上的标签。

后来，167个国家的近5万人通过这个平台帮她筛图、标图，候选图有近10亿张。2009年，ImageNet做成了：约1500万张照片，2.2万个类别，每张都标好了里面是什么。光是猫，就有6.2万多张。

▲ImageNet论文里的一张图：从"哺乳动物"一路细分到"哈士奇"，每一类都配着大量照片（图源：Deng等，CVPR 2009）

这一年6月，ImageNet在计算机视觉的顶级会议CVPR上亮相，只分到一个海报位置。团队给路过的人发印着ImageNet的圆珠笔，想拉人过来看一眼。邓嘉是她当时的博士生，也是ImageNet论文的第一作者，如今是普林斯顿大学计算机系教授，三次拿过计算机视觉顶级会议的最佳论文奖。他记得，当时有人说：一个物体都认不好，凭什么做几千几万个？

2012年，电脑开始一层一层自己学

ImageNet的比赛从2010年开始，每年一届，比的是认1000类东西。头两年，冠军的错误率是28.2%和25.8%，一年只往下挪了两个多点。

2012年，多伦多大学的Geoffrey Hinton（后来拿了图灵奖和诺贝尔物理学奖）带着两个学生，交了一个叫AlexNet的神经网络。他们用两块英伟达的游戏显卡训练了五六天，错误率15.3%，第二名是26.2%。

深度学习的热潮，就是从这一年开始的。李飞飞2024年在TED上说，那几年是三样东西碰到了一起：神经网络、显卡，和大数据。

神经网络到底在看什么？2013年，纽约大学的Matthew Zeiler和Rob Fergus把一个在ImageNet上练好的网络拆开来看。

它是一层一层看的。第二层只对边角、颜色的拼接有反应；第三层认出网格、文字这类纹理；到第四层，开始出现狗脸、鸟腿；第五层，才是一整只狗、一整个键盘。

没有人告诉它狗脸长什么样。它看了一百多万张标好类别的照片，自己一层层拼出来的。

他们还做了个实验：拿一块灰色方块挡住博美犬的脸，网络认出"博美"的把握立刻掉了下去。它认这只狗，看的正是那张脸。

2014年，她的学生坐下来，和电脑比认图

电脑越认越准，大家就想知道：人自己，到底错多少？

2014年，李飞飞的博士生Karpathy决定亲自上场。

他先找过众包的人和专门的标注员来测，错得都不少。他在博客里写，最后发现，最省事的办法是自己坐下来，把那段又长又痛苦的训练熬完。

屏幕左边一张图，右边列着1000个类别，每类配着十几张样图。他先拿500张图练手，再正式认1500张。一开始差不多一分钟一张，越往后越慢，前后花了一个星期左右。

最磨人的是狗。1000个类别里，光狗就有120多种。他在博客里写：

我变得非常会认狗的品种。

结果，他的错误率是5.1%，那年的冠军、谷歌的GoogLeNet是6.8%。

人还领先一点，可领先了不到半年。2015年2月6日，微软亚洲研究院交出4.94%；5天后，谷歌交出4.8%。两家都写明：超过了人类水平。

2015年12月，微软亚洲研究院何恺明等人做的ResNet拿下当年冠军，3.57%。2017年，比赛办了最后一届，冠军的错误率是2.25%。

从2010年到2017年，错误率从28.2%降到2.25%，只剩原来的十二分之一左右。

比赛停了，ImageNet还在用。今天医院用AI看片子，常见的做法是先拿一个在ImageNet上练过的模型，再用医学影像接着练。2019年NeurIPS的一篇论文开头就写，这已经是医学影像深度学习"事实上的标准做法"。

爱虫子的爸爸，不挂奖状的妈妈

李飞飞生在北京。名字的来历是她自己讲的：妈妈生她那天，爸爸照例迟到了。他骑车去医院，半路抓到一只鸟，又放了。女儿就叫飞飞。

她在成都长大。爸爸自己装了一辆带挎斗的自行车，周末载着她往城外跑，去还有稻田和水牛的地方，捉蝴蝶，捉竹节虫回家当宠物。她说，小时候的记忆几乎全是找虫子；"我爸懂技术，可他爱虫子，远胜过爱方程。"

妈妈有两条规矩。家里墙上什么都不挂，奖状一张都不挂，李飞飞今天自己家里和办公室也不挂。另一条：作业晚上6点前写不完，就不许再写了，后果自己担。

15岁，她跟妈妈到美国新泽西，和先过去的爸爸团聚。父母一句英语不会，身上加起来不到20美元。她在中餐馆打工，时薪2美元。

在Parsippany高中，她遇到了数学老师Bob Sabella。学校开不出更难的BC微积分，Sabella就把自己唯一的午饭时间拿出来，一对一给她上。后来他全家成了她在美国的家人，他还借钱给她家盘下了一间干洗店。她说，写回忆录，一部分就是为了致敬这样的老师。

她考上普林斯顿读物理，拿的是近乎全额的奖学金。妈妈做心脏手术那阵，学校特别安排，让她在妈妈手术的那家医院里参加考试。

1999年本科毕业，同学们手里拿的是华尔街的offer。她拿着普林斯顿2万美元的奖学金去了西藏，研究了一年藏医。她管那一年叫一生中最难忘的一年。

2015年夏天，她和学生Olga Russakovsky在斯坦福办了一个AI夏令营，叫SAILORS：两周，免学费，只招刚读完九年级的女生。2016年那期，200多人申请，收了24个。营里的孩子用计算机视觉做过一个项目，看医院员工有没有好好洗手。2017年，这个夏令营变成了全国性的非营利组织AI4ALL。

认得出熊猫，数不对鸟腿

电脑认图比人准了，可它的"看"和人的看，不是一回事。

2014年，谷歌的Ian Goodfellow等人拿一张熊猫照片去测GoogLeNet，就是那年ImageNet的冠军。它有57.7%的把握说这是熊猫。研究者在照片上叠了一层极淡的噪声，每个数最多改动1左右（满分255），人眼完全看不出区别。

GoogLeNet改口了：长臂猿，把握99.3%。

▲左边认作熊猫，加上中间那层噪声，右边被认成长臂猿（图源：Goodfellow等2014年论文）

今天能看图聊天的大模型，也有自己的毛病。2025年一项研究给一只鸟多画了一条腿，问模型：这只鸟有几条腿？答对率只有1.01%。它没有去数，它记住的是"鸟有两条腿"。

李飞飞自己说得更直接。她2025年11月写长文说，最先进的多模态大模型估计距离、方向和大小，很少比瞎猜强。

2024年她在TED上开场，先让全场看一片漆黑：这是5.4亿年前的世界。黑不是因为没有光，是因为没有眼睛。后来三叶虫成了最早能感光的生物；有一种说法认为，正是"看见"，引发了寒武纪的生命大爆发。看见变成理解，理解引出行动。

也是这一年，她创办了World Labs，要让AI看懂三维的空间：东西离多远，朝着哪边，推一下会怎样。2026年9月，芯片公司AMD宣布用82亿美元收购World Labs，交易完成后，她将出任AMD执行副总裁兼首席科学家。

她在那场演讲里说：

光看见还不够。看见，是为了去做，去学。