被称为“AI 教母”的李飞飞博士昨天接受了创业孵化器 Y Combinator 的访谈，在访谈中分享了她投身人工智能领域的心路历程、关键贡献以及对未来的展望。

• ImageNet 的开创与影响：她表示，自己的整个职业生涯都在追逐那些“难到近乎妄想”的问题。在2009年，当她还是普林斯顿大学的助理教授时，计算机视觉领域面临着数据匮乏的巨大挑战，算法（如神经网络）也无法有效泛化。
  
  为此，她和团队在2007年左右大胆押注，认为数据驱动的方法是机器学习范式转变的关键。他们决定从互联网下载数亿张图片，并创建了ImageNet——一个包含了全世界视觉分类体系的数据集，用于训练和测试机器学习算法。ImageNet 项目的初衷是解决物体识别问题。
  
  ImageNet 公开后，最初的几年里效果并不理想。直到2012年，由 Jeff Hinton 团队（Supervision）开发的 AlexNet 在 ImageNet 挑战赛中取得了突破性进展。这是数据、图形处理器（GPU）和神经网络首次结合，共同推动了深度学习的崛起。ImageNet 因其80,000多次引用而被誉为 AI 发展的数据基石。
  
  


• 从物体识别到场景理解：ImageNet 成功解决了物体识别问题，但李飞飞博士从研究生时代起就有一个更大的梦想——让机器能够理解并讲述场景的故事。她认为，人类的视觉智能不仅仅是识别单个物体，而是能够描述整个场景。
  
  2015年左右，在深度学习技术蓬勃发展之后，她与学生 Andrej Karpathy 合作发表了一系列关于**图像描述（image captioning）**的论文。她甚至开玩笑地对 Andrej 说，能否反过来，根据一句话生成图像，尽管当时这个想法还很不现实。如今，生成式 AI 的发展已使这成为可能。
  
  


• 当前方向：空间智能与 World Labs：李飞飞博士认为，计算机视觉的弧线从物体、到场景，现在正在走向“世界（world）”的理解。她已从学术界转向创业，担任 World Labs 的创始人兼首席执行官。
  
  她从进化和脑科学中汲取灵感，指出人类语言的进化耗时不到一百万年，而对三维（3D）世界的理解和互动能力，即视觉能力，则耗时了5.4亿年。这让她坚信，空间智能是实现**通用人工智能（AGI）**的关键缺失部分，也是 AI 领域下一个最重要且“难到近乎妄想”的前沿领域。
  
  World Labs 致力于创建“世界模型”，这些模型将超越平面像素和语言，真正捕捉世界的 3D 结构和空间智能。
  
  她指出，空间智能比大型语言模型（LLMs）更难的原因在于：现实世界是三维的；感知过程会将三维世界投影到二维（如眼睛或相机），这是一个数学上“病态”的问题；世界并非纯粹生成式的，还涉及对真实世界的重建；并且缺乏像语言那样易于获取的大规模空间数据。
  
  空间智能的应用前景广阔，包括创作（如设计师、游戏开发者）、机器人学习、市场营销、娱乐，甚至元宇宙。对于空间数据的收集，World Labs 采取混合方法，并强调数据质量的重要性。
  
  


• 创业经历与对青年研究者的建议：李飞飞博士分享了她独特的创业经历，包括19岁时在美国经营自助洗衣店以支持家庭和上大学。她认为自己的“舒适区”就是“扎根并建设（hunker down and build）”，忘记过去的成就或他人的看法。
  
  她给年轻研究者的建议是：不要害怕，大胆去做。她鼓励人们拥有“智力上的无畏（intellectual fearlessness）”，这是成功人士的共同特质。
  
  对于攻读博士学位的学生，她建议寻找那些不会与业界大规模资源（如计算、数据）产生冲突的“北极星问题”，例如跨学科的 AI 研究、理论探索或小数据问题。
  
  她强调，读研应该由强烈的好奇心驱动。
  
  关于 AGI 的定义，李飞飞博士表示她很难区分当下“AGI”与 AI 创始者（如图灵、麦卡锡）最初设想的“机器能够思考”有何本质不同，她认为它们是同一概念的演进。
  
  在开源问题上，她认为生态系统健康发展需要多样化的方法，不一定强制所有公司都开源，但开源的努力应受到保护，因为它对创业生态和公共部门都至关重要。
  
  作为少数族裔女性在 STEM 领域，她坦言有过作为少数派的时刻，但她选择“不过度解读（not overindex）”这些身份，而是专注于学习和创造。
  
  

她目前正在为 World Labs 大量招聘具有“无畏”精神的人才。