<markdown>

2025 年 12 月 10 日，蒂姆・费里斯（Tim Ferriss）对斯坦福大学计算机科学系首任红杉教授、斯坦福以人为本人工智能研究所联合创始人、专注于空间智能的生成式 AI 公司 World Labs 联合创始人兼 CEO 李飞飞博士（@drfeifei）进行了专访。李飞飞博士曾于 2013-2018 年担任斯坦福人工智能实验室主任，2017-2018 年学术休假期间担任谷歌副总裁及谷歌云 AI / 机器学习首席科学家，还曾在多家公私企业、白宫及联合国担任董事或顾问。她 1999 年获普林斯顿大学物理学学士学位，2005 年获加州理工学院电气工程博士学位，著有回忆录《我所见的世界：人工智能黎明时代的好奇心、探索与发现》，该书入选奥巴马推荐的 AI 书籍及 2023 年《金融时报》最佳书籍。

访谈开篇，两人谈及曾同为普林斯顿大学福布斯学院学生，却在校园及同一图书馆（Gest 图书馆）打工时从未相遇的趣事。蒂姆曾在普林斯顿、北京及首都经济贸易大学求学，2000 届毕业；李飞飞则回忆起当时校园的住宿学院制度、韦瓦（Wawa）便利店旁的校园位置，以及普林斯顿独特的 “饮食俱乐部” 文化。

李飞飞的成长堪称 “两座城市的故事”：她出生于北京，童年主要在以熊猫闻名的成都度过，15 岁时随母亲前往新泽西州帕西帕尼镇与父亲团聚，从普通中产华裔家庭的孩子变身美国新移民。

• 父亲：极具好奇心与童真，热爱自然、昆虫，不关注女儿的成绩或竞赛奖项。在物质匮乏的 80 年代中国，周末常带她在城市边缘的稻田、水牛群中玩耍，移民美国后，还将庭院拍卖会（yard sales）变成 “寻宝游戏”，始终保持对生活的热爱。
• 母亲：无技术背景，不追求分数，但注重培养女儿的专注力与纪律性（如要求按时完成作业，不边玩边学）。她因文革错失学术梦想，性格叛逆、坚韧，移民时虽无明确计划，却坚信自己和女儿能挺过难关，这种顽强深深影响了李飞飞。

年少时的李飞飞对移民原因不甚了解，只模糊知道父母提及 “机会、自由与不同的教育”。成年后她才体会到父母的勇敢 —— 在无网络、语言不通的年代，放弃熟悉的一切移民他国，核心是为了给她提供前所未有的教育机会。而李飞飞自幼热爱物理与战斗机，这种对理工科的天赋与热情，也让父母坚信美国的教育环境更适合她发展。

高中时期的数学老师鲍勃・萨贝拉（Bob Sabella）是李飞飞移民后的重要贵人。作为 ESL（英语为第二语言）学生，李飞飞虽在数学上表现出色，却深感孤独，而鲍勃不仅以朋友身份与她探讨书籍、文化、科幻作品，倾听她的成长困惑，还为她牺牲午餐时间，一对一教授学校未开设的 AP 微积分 BC 课程。这份无条件的支持让鲍勃一家成为她的 “美国家人”，也为她日后进入普林斯顿奠定了基础。李飞飞强调，美国的公立学校教师是社会的无名英雄，他们面对多元背景的学生，默默付出，这也是她写书纪念这类恩师的原因之一。

李飞飞自幼热爱物理，痴迷爱因斯坦的理论，渴望探索 “宇宙起源”“时空定义” 等大胆问题，因此考入普林斯顿物理学专业。本科末期，她的兴趣从 “物质世界” 转向 “智能本质”，萌生 “如何制造智能机器” 的疑问 —— 当时她尚未知晓这一领域名为 AI，随后进入加州理工学院攻读博士，正式开启 AI 领域的计算机科学训练。

物理训练教会李飞飞 “大胆提问并将其转化为北极星”，她的首个核心目标是解决 “视觉智能” 问题：让机器不仅能识别 RGB 颜色或光线明暗，更能理解所 “见” 之物（如识别他人、椅子、画作等），即 “赋予机器理解世界的能力”。博士期间，她专注于目标识别研究，尝试了多种数学模型，却始终未能取得突破性进展。

2007 年，李飞飞重返普林斯顿任教，这成为她学术生涯的转折点。她意识到，AI 视觉识别领域长期停滞的核心问题并非模型本身，而是大数据的缺失—— 当时研究者需为识别狗、猫等不同物体分别设计算法，而人类孩童是通过观察无数物体与场景学会 “看见”，机器或许也应遵循这一逻辑。

• 2007-2009 年，李飞飞与学生构建了当时 AI 领域最大的计算机视觉训练与基准数据集 ImageNet，包含 1500 万张高质量标注图像。
• 它与神经网络算法、GPU（图形处理器）三大要素相结合，催生了 2012 年的里程碑论文《ImageNet 分类：深度卷积神经网络方法》，实现了图像识别性能的历史性突破，被广泛认为是 “现代 AI 的诞生标志”。

• 科学假设：明确 “视觉目标分类” 为核心问题，平衡数据规模与质量，避免过于简单（如仅识别 RGB）或复杂（如识别城市）的方向。
• 众包解决方案：因需处理数十亿图像的人工标注，在资金有限、学生人力不足的情况下，李飞飞团队借助当时新兴的亚马逊 Mechanical Turk（众包平台），通过 “前置测试 + 隐式质量监控”（如插入已知答案的图像验证标注准确性），确保标注质量，最终筛选出高质量数据集。

作为亲历 AI 发展数十年的 “见证者”，李飞飞提出核心观点：AI 是文明级技术，但人们忽视了 “人” 的核心地位。

AI 已深度影响经济（据称美国去年 GDP 增长 4% 中，有 2% 源于 AI）、文化（从好莱坞到 TikTok，无处不在）、教育（家长担忧孩子的未来学习方向）等各个领域，重塑社会结构。

• 过度聚焦 “技术本身”，却忘记 AI 是 “人创造、人使用、人受影响” 的技术，人的尊严、自主权与参与权不应被忽视。
• 极端叙事泛滥：硅谷的 “技术乌托邦”（AI 解决一切）与 “末日论”（AI 统治人类）均不现实，现实是 AI 带来的 “复杂中间地带”—— 既有巨大潜力，也需应对实际挑战。
• 地域差异：美国与西欧对 AI 的担忧远多于中东、亚洲，李飞飞呼吁美国应重拾创新自信，让 AI 惠及农村社区、传统行业等所有群体，而非仅局限于硅谷或曼哈顿。

李飞飞创办 World Labs，核心是打造下一代聚焦 “空间智能” 的 AI 技术。

不同于语言智能，空间智能是人类理解 3D 世界、与环境互动的基础能力 —— 从打包三明治、登山徒步到粉刷房间，本质是 “看见 - 理解 - 行动” 的闭环。当前 AI 的空间智能远落后于语言智能，而这一能力是解锁机器创造、制造、设计、机器人技术的关键。

• 创意领域：为预算有限的高中剧院快速生成中世纪法国小镇等 3D 场景背景，辅助 VFX 制作、室内设计、游戏开发、教育场景构建（如让学生沉浸式体验历史场景）。
• 科研与训练：助力心理学研究（如为强迫症患者创建可调控的触发环境，用于治疗测试）、机器人模拟训练（类似 “机器人飞行模拟器”）。
• 易用性：非技术用户可通过文字描述或上传图像（如 Midjourney 生成的图片），在几分钟内获得可拖拽、可漫游的 3D 世界，还能进一步制作电影、添加游戏角色等。

1. 空间智能：当前焦点集中于大语言模型，而 3D 世界建模技术将支撑叙事、娱乐、机器人等多个领域的突破。
2. AI 与教育：AI 将加速主动学习者的成长，重塑学校评估体系与人才认证标准（学历的重要性下降，学习能力与工具使用能力更关键）。
3. 经济与就业结构的细微变化：既非 “乌托邦式丰裕”，也非 “全面失业”，而是从知识工作者到蓝领、服务业的全方位岗位转型，这种复杂性尚未被政策制定者、学者充分重视。

• 核心能力：“学会学习” 的能力比特定知识更重要。在 AI 工具普及的时代，开放心态、拥抱 AI 协作工具、快速适应新工具的成长意愿，是关键竞争力（World Labs 招聘软件工程师时，已将对 AI 工具的接纳度作为重要考量）。
• 教育转型：学校不应禁止 AI 使用，而应明确 “工具的上限”（如 AI 写的作文可拿 B-），鼓励学生在 AI 基础上发挥人类的创造力与思考力，追求更高目标（A 或 A+）。
• 找到北极星：每个人的 “北极星”（梦想、使命、热情）各不相同，不必局限于某一领域。教育的核心是帮助人们认识自我，制定并追求自己的 “北极星”—— 这正是人类超越基本需求、实现人生价值的关键。

李飞飞的名字 “飞飞” 源于父亲的灵感：母亲分娩时，父亲骑车赶往医院途中偶遇一只鸟，放飞后便决定用 “飞” 为名，寓意 “像鸟一样飞翔”。

当被问及若能在广告牌上向全球传递一句话，李飞飞的答案是：“What is your north star?（你的北极星是什么？）”—— 这既是她一生的行动指南，也是她对所有人的期许：找到自己的核心使命，勇敢追求，活出完整的人生。

访谈最后，蒂姆推荐了李飞飞的书籍、World Labs 官网（worldlabs.ai），并表示会在播客笔记中附上相关链接，为这场跨越成长、学术、技术与人生哲学的对话画上句点。

https://tim.blog/2025/12/10/dr-fei-fei-li-the-godmother-of-ai-transcript/

</markdown>

🌊大连即食辽参礼盒装｜北纬39°黄金海域｜ 0 添加免泡发海参 ｜ 20 年老厂直发｜顺丰锁鲜 查看
更多

 

D:2025.12.15<markdown>

蒂姆・费里斯在 2025 年 12 月 10 日推出了第 839 期播客节目，受访者是被誉为 “AI 教母” 的李飞飞博士。

李飞飞博士现任斯坦福大学计算机科学系首任红杉教授，同时也是斯坦福以人为本人工智能研究所的联合创始主任，还是专注于空间智能的生成式 AI 公司 World Labs 的联合创始人兼首席执行官。她曾于 2013 年至 2018 年担任斯坦福人工智能实验室主任，2017 至 2018 年学术休假期间，出任谷歌副总裁及谷歌云 AI / 机器学习首席科学家。在职业履历中，她还曾在多家公私企业、白宫及联合国担任董事或顾问职务。教育背景方面，李飞飞 1999 年获普林斯顿大学物理学学士学位，2005 年获加州理工学院电气工程博士学位，其回忆录《我所见的世界：人工智能黎明时代的好奇心、探索与发现》不仅入选奥巴马推荐的 AI 书籍，还成为 2023 年《金融时报》最佳书籍之一。

访谈伊始，蒂姆・费里斯向李飞飞博士表达了见面的喜悦，两人随即聊起一段奇妙的过往 —— 他们曾在普林斯顿大学校园共处三年，却从未有过交集，这既让人觉得不可思议，也略带遗憾。李飞飞博士好奇地询问蒂姆当时所在的学院和参与的社团，蒂姆回应自己属于福布斯学院，没想到李飞飞博士竟笑着表示自己也曾是福布斯学院的学生。

为了让不了解普林斯顿的听众明白其中的巧合，蒂姆解释道，普林斯顿设有住宿学院，学生入学时会被分配至不同学院，而福布斯学院位置偏远，紧邻一家名为韦瓦的类似 7 - 11 的便利店，旁边还有通勤火车。此外，普林斯顿还有独特的 “饮食俱乐部”，蒂姆补充说明，这本质上是男女同校的兄弟会或姐妹会，学生可以在那里就餐，除非选择自己做饭，他当时加入的是特雷斯饮食俱乐部，而李飞飞博士则表示自己并未加入任何饮食俱乐部。两人调侃道，或许是因为当时都太过勤奋好学，大部分时间都泡在图书馆里，才错过了彼此。

蒂姆回忆起自己曾在盖斯特图书馆的阁楼打工，时薪约 6 美元，李飞飞博士更是惊讶地回应，自己当时也在同一间图书馆工作，实在无法理解为何从未相遇，蒂姆打趣地说自己并未改名换姓，如今能重逢也算是一种缘分。蒂姆还补充，自己求学期间曾有一段时间离开普林斯顿前往北京，在首都经济贸易大学学习，之后又休学一年，最终于 2000 届毕业，但即便如此，他与李飞飞博士仍有不少在校时间的重叠。

在轻松的开场后，蒂姆将话题转向李飞飞博士的成长经历，他表示根据自己的了解，李飞飞的父母与他印象中典型的中国父母有很大不同，希望李飞飞能分享自己的成长环境与家庭背景。

李飞飞博士坦言，自己的童年及成长关键期可以用 “两座城市的故事” 来概括。她出生于北京，但童年大部分时光在以熊猫闻名的成都度过，15 岁时，她与母亲前往新泽西州的帕西帕尼镇，与早已定居于此的父亲团聚。就这样，她从一个普通中产华裔家庭的孩子，摇身一变成为移民美国的新面孔，在一个完全陌生的世界里，开始学习新的语言、接纳新的文化，努力融入这个新的国家。之后，她考入普林斯顿大学，主修物理学，期间也选修了一些蒂姆曾上过的课程，本科毕业后进入加州理工学院攻读博士学位，专注于 AI 领域的研究，后续的经历便成为了众人熟知的行业历程。

蒂姆进一步追问李飞飞博士父母的具体情况，他提到此前访谈过企业家邵亦波，其父亲是典型的 “虎爸”，对邵亦波要求严格，只有在邵亦波赢得数学竞赛时才会给予额外的关爱与奖励，而他从李飞飞的书中了解到，其父亲似乎是一个充满奇思妙想、极具创造力的人，与 “虎爸” 形象形成鲜明对比，希望李飞飞能详细描述父母的性格特点。

李飞飞博士感谢蒂姆阅读自己的书，表示小时候并未意识到父亲的特别之处，直到撰写回忆录、回顾过往经历时，才愈发觉得自己的父亲确实与众不同。她的父亲始终热爱自然，充满好奇心，总能在看似不起眼的事物中发现乐趣，尤其痴迷于昆虫。上世纪 80 年代的中国物质条件相对匮乏，而当时成都正在扩张，他们一家住在城市边缘的公寓楼里，父母却在市中心工作。每到周末，父亲总会带着她在附近的稻田、水牛群中玩耍，她还养过一只小狗，童年记忆里满是和父亲一起寻找昆虫的快乐时光。此外，父亲还曾带她参加儿童美术班，一起去周边的山上写生。

在李飞飞的印象中，父亲是一位完全不看重成绩的家长，从不关心她在学校的表现、是否取得成就或是获得过什么竞赛奖项。即便移民到新泽西后，生活变得异常艰难，家庭经济拮据，父亲依然能在庭院拍卖会上找到乐趣，每个周末都会带着她去 “寻宝”，始终保持着孩童般的好奇心与乐观心态。

蒂姆紧接着提出疑问，既然父母都不看重成绩，那李飞飞博士的上进心和对技术的专注度源自何处，同时还希望她能介绍一下鲍勃・萨贝拉，以及其在她人生中的角色。

李飞飞博士先回应了关于成长动力的问题，她表示母亲毫无技术天赋，甚至不擅长数学，所以自己对技术的热爱更像是与生俱来的。父亲虽然相对更懂技术，但相比数学公式，他显然更爱昆虫。作为从业数十年的教育者和家长，李飞飞博士认为，必须尊重天性，每个人内心都可能蕴藏着与生俱来的热爱、激情与好奇心。而母亲则是一个更自律的人，虽然算不上 “虎妈”， 她从不追问李飞飞的成绩，父母二人也从未要求她把奖状带回家，家里甚至没有任何展示成就或奖项的装饰，这种习惯也一直影响着李飞飞，如今她自己的家和办公室里也没有这类摆设，但母亲会要求她做事情时保持专注，比如不能边玩边写作业，如果下午 6 点前没完成作业，就不允许再继续做，必须自己承担后果。

母亲的这种教育方式培养了她的自律性，同时母亲本身也是一个叛逆且坚韧的人，小时候学习成绩优异，却因文革错失了学术梦想，这种经历让她变得更加顽强。多年后母亲回忆起移民的决定时说，当时虽然没有明确的计划，但坚信自己和女儿一定能挺过难关，这种坚韧与叛逆也在潜移默化中影响了李飞飞。

随后，李飞飞博士介绍了鲍勃・萨贝拉的身份 —— 他是帕西帕尼高中的数学老师，也是她的恩师。在她高二升高三那年，开始选修 AP 微积分课程，鲍勃・萨贝拉就此走进了她的生活。对于当时作为新移民、英语水平有限且深感孤独的李飞飞而言，鲍勃不仅是老师，更成为了她的导师、朋友，鲍勃的全家也成为了她在美国的家人。李飞飞在数学方面表现出色，但更多是因为孤独，而鲍勃待人友善，不像老师，更像是能平等交流的朋友，他们会一起探讨喜爱的书籍、文化、科幻作品，鲍勃还会耐心倾听她这个身处特殊环境、面临诸多人生困惑的青少年的心声。这份无条件的支持让李飞飞与鲍勃一家结下了深厚的情谊。更让她铭记于心的是，当时帕西帕尼高中无法开设完整的微积分 BC 课程，鲍勃便牺牲自己唯一的午餐时间，为她提供一对一的教学。

直到李飞飞后来自己成为老师，才真正体会到这份付出的珍贵 —— 一整天教学后，再利用休息时间额外授课是多么疲惫，而鲍勃的这份馈赠，也为她日后考入普林斯顿大学奠定了重要基础。李飞飞博士感慨，美国的公立学校教师是社会的无名英雄，他们要面对来自不同背景的学生，适应时代的变化，鲍勃曾和她分享过许多帮助移民学生及其家庭的故事，这些故事虽不为人知，却意义重大，这也是她撰写书籍纪念这类恩师的原因之一。

蒂姆很好奇李飞飞父母当年为何决定离开熟悉的中国，举家移民到完全陌生的美国郊区 —— 那里在李飞飞的描述中显得有些空旷，还面临语言障碍和经济压力等诸多困难，究竟是什么促使他们做出这样的决定。

李飞飞博士表示，年少时的自己其实并不清楚父母移民的具体原因，父亲在她 12 岁时就先前往美国，她和母亲 15 岁时才前去团聚，青春期的她心思繁杂，只知道父母说 “我们要去美国”，隐约觉得可能和机会、自由以及不同的教育体系有关。当时的她就不是传统意义上的典型女孩，热爱物理，还能说出自己喜欢的各种战斗机型号，从 F-117 到 F-16 无一不晓。

如今长大成人，李飞飞博士才真正理解父母的勇敢 —— 换作现在的自己，恐怕都没有勇气放弃熟悉的一切，前往一个语言不通、毫无联系的陌生国家，更何况在那个没有互联网、没有 AI 的年代，跨国家移民几乎等同于去往另一个星球。她意识到，父母之所以做出这样的决定，是希望给她提供一个他们认为前所未有的教育机会，而事实也证明，这个决定是正确的。

蒂姆表示，李飞飞博士的人生经历中充满了各种可能改变轨迹的关键节点，接下来希望能沿着时间线继续深入交流，触及访谈的核心内容，同时也想了解更多对她有重要影响的人物和事件。

李飞飞博士分享了自己从物理转向 AI 领域的历程。她自幼便对物理充满热爱，父亲对自然和昆虫的痴迷，在她心中转化为对宇宙的好奇 —— 她喜欢仰望星空，痴迷于战斗机的速度与精密工程，进而被物理学中那些关乎人类文明的大胆问题所吸引，比如 “最基本的物质是什么”“时空的定义是什么”“宇宙有多大”“宇宙的起源是什么”。年少时的她崇拜爱因斯坦，也正因如此，她渴望进入普林斯顿大学深造。然而，物理学带给她的不仅是数学和物理知识，更培养了她大胆提问的勇气。

本科即将毕业时，她不再满足于追寻他人提出的重大问题，而是希望找到属于自己的 “大胆疑问”。通过阅读和探索，她发现自己的热情并非聚焦于物质本身，而是转向了 “智能” 这一领域 —— 她深深着迷于 “智能是什么” 以及 “如何制造智能机器” 这两个问题，当时她甚至不知道这一领域被称为 AI，只是单纯地想要深入研究智能与智能机器。于是，她申请了研究生院校，进入加州理工学院攻读博士学位，2000 年，她正式开启了 AI 领域的学习之旅，成为一名初出茅庐的 AI 科学家，接受了系统的计算机科学与 AI 训练。

而物理学训练中培养的 “提出大胆问题并将其作为北极星” 的思维方式，也一直影响着她，在科研中，这个 “北极星” 就成为了需要验证的假设，明确自己的 “北极星” 对她而言至关重要。

她的第一个 “北极星” 问题，就是解决视觉智能难题 —— 如何让机器 “看见” 世界。这里的 “看见” 并非简单识别 RGB 颜色或光线明暗，而是理解所观察到的事物，就像她看着蒂姆时，能识别出蒂姆本人、他身后的画作以及他所坐的椅子一样，是对世界的感知与理解。

基于这一目标，她提出的假设是必须先解决目标识别问题。整个博士阶段，她都在与目标识别难题作斗争，尝试了无数数学模型，发表论文不成问题，但始终未能取得突破性进展。2007 年，幸运降临，普林斯顿大学向她发出了任教邀请，这让她欣喜若狂，深感自己的努力得到了母校的认可，于是她欣然回到普林斯顿担任教职，并且依然是福布斯学院的一员。在普林斯顿任教期间，她突然顿悟，意识到整个领域都忽略了一个关键假设 —— 大数据的重要性。

蒂姆插入一段补充，提到普林斯顿高等研究院有着悠久的历史，他自己曾在爱因斯坦教过课的教室里上过东亚研究课程，校园里弥漫着浓厚的学术氛围，让人不禁心生敬畏。随后，他引用了《连线》杂志一篇关于李飞飞博士的长篇报道中的内容：当时的问题在于，研究人员可能需要为识别狗和猫分别编写不同的算法，而李飞飞开始思考，问题或许不在于模型本身，而在于数据。她认为，既然儿童是通过体验视觉世界、观察无数物体和场景来学会 “看见”，那么计算机或许也可以采用类似的学习方式。蒂姆希望李飞飞博士能进一步展开说明，并且提出了一个核心疑问：为什么是她率先意识到这一点，而这个突破没有更早出现。

李飞飞博士表示，科学发展是一个传承与积累的过程，她不喜欢科学史叙述中过度聚焦 “单个天才” 的倾向。牛顿发现经典物理定律固然是天才之举，但科学是一条非线性的传承之路，许多科学家的研究都为后续突破奠定了基础。她之所以能提出大数据的假设，也深受其他科学家的启发，比如心理学家欧文・比德曼教授的研究，他并不关注 AI，而是致力于理解人类思维，其关于幼儿在早期能学习大量视觉物体的研究成果，虽未直接催生 ImageNet，但为她构建核心假设提供了重要思路。

因此，李飞飞博士认为，自己能取得这样的成就，离不开历代科学家跨学科的研究积累与思想碰撞，她只是有幸在恰当的时机，带着对问题的热情，站在了前人的肩膀上。同时，她也指出，在 AI 热潮之下，媒体往往只聚焦少数几位 “天才”，却忽略了无数计算机科学家、认知科学家和工程师的长期付出，这是对科学发展历程的片面解读。

蒂姆深表赞同，并以沃森和克里克为例 —— 如果没有罗莎琳德・富兰克林的 X 射线晶体学研究，他们也无法发现 DNA 的双螺旋结构，科学突破往往是众多研究者共同努力的结果。

蒂姆希望李飞飞博士能分享 ImageNet 成功背后的关键决策或重要时刻。他提到，要让机器像儿童一样学习识别物体，就需要大量标注图像，他了解到亚马逊 Mechanical Turk 平台在其中发挥了作用，而且竞争机制似乎也推动了一些关键突破，希望李飞飞能详细介绍这些促成 ImageNet 成功的要素。

李飞飞博士首先解释了 ImageNet 的核心意义：表面上看，ImageNet 是 2007 年至 2009 年她从普林斯顿转至斯坦福期间，与学生共同构建的数据集，当时是 AI 领域最大的计算机视觉训练与基准数据集。而在近 20 年后的今天，ImageNet 被视为大数据时代的转折点。 在此之前，AI 领域并未重视大数据的应用，导致发展陷入停滞，甚至被公众称为 “AI 寒冬”（尽管当时作为年轻研究者的她仍认为这是最令人兴奋的领域）。

ImageNet 与神经网络算法、GPU（图形处理器）这两项现代计算核心要素相结合，催生了 2012 年的里程碑式论文《ImageNet 分类：深度卷积神经网络方法》。该论文由一组科学家完成，证明了 ImageNet 提供的海量数据、GPU 带来的快速并行计算以及神经网络算法的结合，能以前所未有的方式提升图像识别领域的 AI 性能，这一成果也被广泛认为是 “现代 AI 的诞生标志”，而 ImageNet 正是这一突破的三大核心要素之一。李飞飞博士表示，能亲身参与并推动现代 AI 的发展，她感到无比幸运与荣幸。

谈及 ImageNet 成功的关键因素，李飞飞博士认为，时机是重要前提 —— 他们是首批意识到大数据潜在影响力的研究者，这种对数据价值的定性认知本身就是成功的一部分。但更重要的是，大数据假设并非单纯追求规模，许多人误解了 ImageNet 的意义，认为只是 “收集大量数据”，实则不然。

构建数据集的核心是要明确科学问题，比如在视觉识别领域，围绕 “物体” 构建数据集远比围绕 RGB 颜色或城市这类复杂概念更具针对性，每个科研探索都需要提出恰当的假设，找准核心问题，这是 ImageNet 成功的关键之一。其次，数据的质量与规模的平衡也是一个需要深入研究的科学问题，不能简单认为 “规模足够大就无需关注质量”，如何定义数据质量（如分辨率、真实性、场景多样性等）、如何在规模与质量之间取舍，都是需要反复推敲的细节。

而亚马逊 Mechanical Turk 平台的应用，则源于当时的 “绝境求生”。他们的假设要求至少需要数千万张涵盖不同场景（用户照片、产品图、库存图片等）的高质量图像，并且需要精准标注，这意味着必须从数十亿张图像中进行人工筛选。起初，李飞飞博士尝试雇佣普林斯顿的本科生，但本科生不仅人力成本高，且即便资金充足，完成这项工作也需要耗费大量时间。

在走投无路之际，他们发现了当时刚推出不久的亚马逊 Mechanical Turk 众包平台 —— 这是一个在线市场，人们可以在闲暇时间完成平台上的小额任务赚取报酬。李飞飞博士回忆，自己当时登录亚马逊账号尝试的第一个任务，就是标注酒瓶标签上的信息（如 1999 年波尔多葡萄酒等）。他们意识到，这一平台可以利用全球在线用户的力量进行大规模并行处理，最终通过这种方式标注了数十亿张图像，并筛选出 1500 万张高质量图像，构建成 ImageNet 数据集。

蒂姆补充道，这类技术突破往往依赖于多个关键节点的汇聚，就像基因泰克的发展历程中也有许多类似的技术拐点，如果没有亚马逊 Mechanical Turk，ImageNet 的构建将面临巨大挑战。同时，他也提出一个实际问题：如果标注者因被支付报酬而存在投机行为（比如在识别熊猫的任务中，无论图像中是否有熊猫都标注存在），该如何保障标注质量。

李飞飞博士回应，她和学生为此花费了大量时间设计质量控制机制：首先通过前置测试筛选出认真负责的标注者，确保他们理解标注对象（如明确熊猫的定义）；其次，在标注任务中插入已知正确答案的图像（即 “金标准” 图像），标注者并不知晓哪些是测试图像，通过比对他们的标注结果与金标准答案，来隐性监控标注质量，以此确保数据集的准确性。

蒂姆将话题转向当下，称李飞飞博士被校友杂志及其他媒体誉为 “AI 教母”，不仅拥有深厚的技术背景，更有着跨越 AI 发展多个阶段的历史视角，见证了这项技术的发展、分支、潜力与风险，因此希望她能分享，当前人们在看待 AI 时，忽略了哪些重要方面，哪些话题占据了过多关注，以及人们应该了解、警惕或重新审视的内容。

李飞飞博士从硅谷的视角出发，提出核心观点：人们忽视了 “人” 在 AI 中的核心地位，而 AI 无疑是一项文明级技术。她对 “文明级技术” 的定义是，凭借其强大的影响力，已对经济、社会、文化、政治等各个领域产生深远影响，甚至还将持续产生下游效应。有数据显示（虽未完全验证），美国去年 GDP 增长的 4% 中，有 2% 源于 AI 的贡献，这从经济层面印证了 AI 的文明级影响力。

在文化层面，AI 更是无处不在，从好莱坞、华尔街、硅谷到政治竞选、TikTok、YouTube 等平台，甚至日本出租车后座的视频中都在谈论 AI，深刻改变着人们的文化生活。在教育领域，家长们纷纷担忧孩子未来该学习什么才能立足，祖父母辈虽庆幸自己不必面对 AI 带来的挑战，却也牵挂孙辈的未来。然而，在 AI 热潮之下，硅谷过度聚焦技术本身及随之而来的增长，政客们则更关注能赢得选票的话题，却忽略了最核心的一点：人是 AI 的创造者、使用者和受影响者，人理应在 AI 发展中拥有话语权。无论 AI 技术如何进步，都不应剥夺人类作为个体、社区和社会成员的尊严，而这正是她所担忧的 —— 许多人因 AI 的快速发展而感到焦虑，自身的尊严、自主权和对未来的参与感正在逐渐丧失，这种现状亟待改变。

蒂姆接着问，李飞飞博士曾表示自己因身为母亲而保持乐观，但极端的乐观与悲观都会让人产生偏见或盲点。如果尝试以最客观的视角看待，对于普通大众（而非 AI 领域的 CEO、开发者和工程师）而言，当前人们对 AI 的担忧是过度、不足，还是担忧错了方向？毕竟，一方面，大型投资机构的风险投资家们秉持着近乎不切实际的技术乐观主义，认为 AI 能解决所有问题；另一方面，“末日论者” 则预言 AI 将很快失控，人类可能沦为机器人的奴隶或被消灭，而现实很可能介于两者之间。

李飞飞博士称自己是 “务实的乐观主义者”，既不相信乌托邦式的美好未来，也不认同极端的末日论。她表示，自己游历世界各地，上个月刚去过中东、欧洲、英国和加拿大，发现美国和西欧民众对 AI 的担忧远多于中东和亚洲民众。她希望能通过某种方式让美国人意识到，美国民众向来以创新著称，为人类文明贡献了众多伟大发明，拥有自由活跃的社会环境和能让民众参与国家建设的政治体系，因此应该以更乐观、积极的心态看待 AI 的未来，而非被焦虑情绪主导。同时，她认为硅谷的技术从业者肩负着重要的公共沟通责任，许多关于 AI 的信息未能被有效传递，未来需要更多地向公众传递希望，让人们重新找回对自身的掌控感，让 AI 的红利惠及美国 50 个州的各个群体，无论是硅谷、曼哈顿的精英，还是农村社区、传统行业的普通人。

蒂姆好奇地询问，李飞飞博士为何选择创办 World Labs，这家公司的核心业务是什么，以及她投身其中的初衷。

李飞飞博士表示，她经常向团队成员阐述创办 World Labs 的双重意义：从技术层面而言，World Labs 致力于研发下一代聚焦 “空间智能” 的 AI 技术，因为空间智能与语言智能一样，是解锁机器诸多关键能力的基础，能帮助人类在创造、制造、设计、机器人研发等领域实现突破，是一项核心枢纽技术；从更高层面来说，她之所以仍坚守技术领域，是因为坚信人类是构建文明的物种 —— 动物只会形成群体或兽群，而人类始终追求更美好的生活、更完善的社区、更发达的社会，渴望健康、繁荣的未来，这种追求正是文明构建的基石。而科学技术是实现这一追求的最强大工具之一，她希望通过自己的努力，为人类文明的进步贡献力量，这也是她作为科学家、技术从业者，以及创办 World Labs 的核心初衷。

李飞飞博士进一步解释 “空间智能” 的概念：这是人类具备的一种超越语言的能力，比如打包三明治、在山间徒步、粉刷卧室等行为，本质上都是先通过视觉感知 3D 世界、理解环境，再与之互动、改变或利用环境的过程，这一 “感知 - 行动” 的闭环，正是由空间智能支撑的。

以打包三明治为例，人们需要知道面包的形状、如何用刀涂抹酱料、如何放置生菜叶，以及如何将三明治放入密封袋，每一个步骤都离不开空间智能。当前 AI 的空间智能虽在不断进步，但与语言智能相比，仍处于初级阶段，无论是在虚拟 3D 世界还是现实 3D 世界中，AI 在感知、推理和行动方面的能力都有待提升。而 World Labs 正在研发的前沿模型，就是要赋予机器创造 3D 世界、围绕 3D 世界进行推理的能力，赋能创作者、设计师、机器人等与世界进行更深度的互动。

蒂姆希望李飞飞博士能具体描绘，未来一两年内，设计师、创作者或机器人将如何运用这项技术，结合自己团队的体验，进一步说明其应用场景。

李飞飞博士分享了一个近期听到的灵感案例：高中剧院的预算通常有限，而专业歌剧院或音乐剧的舞台布景精美却耗资巨大，普通中学难以承担。如果利用 World Labs 的模型（名为 Marble），创作者可以轻松构建出中世纪法国小镇等 3D 场景，将其作为舞台背景，再结合计算机、头戴设备等辅助技术，就能让演员和观众获得身临其境的沉浸感，为预算有限的创作者提供强大的工具支持。目前，全球已有许多创作者（包括视觉特效师、室内设计师、游戏开发者、教育工作者等）开始使用这一模型，教育工作者可以通过构建 3D 世界，让学生获得更直观的体验，帮助他们更好地学习。

对于非技术用户（如希望为学生创造沉浸式学习体验的公立学校教师），李飞飞博士解释了使用流程的便捷性：无需具备专业技术知识，只需在电脑或手机上打开 World Labs 的页面（电脑端功能更丰富），通过文字描述（如 “中世纪法国小镇”），或上传相关图像（如 Midjourney 生成的图片、真实照片）作为 “提示词”，等待几分钟后，模型就会生成对应的 3D 场景（目前存在一定的范围限制）。用户可以通过鼠标拖拽、旋转等操作，在 3D 场景中漫游。后续应用场景也十分广泛：可以利用平台工具添加摄像头，将 3D 场景制作成电影；游戏开发者可以在其中添加角色；视觉特效专业人士可以将其融入电影拍摄流程，与真人演员拍摄相结合；心理学研究者可以利用沉浸式场景开展精神病学研究；还可以将其作为机器人训练的模拟环境，生成大量训练数据。

蒂姆补充道，这听起来很像机器人的 “飞行模拟器”，李飞飞博士表示，这正是他们的目标之一，目前虽仍处于早期阶段，尚未完全实现，但已在朝着这个方向推进。

关于空间智能在精神病学研究中的应用，李飞飞博士举例说明：有研究者联系他们，希望借助 3D 场景研究强迫症患者 —— 这类患者可能会被特定环境触发症状，而通过 World Labs 的模型，研究者可以灵活调整环境的各种维度（如草莓田的季节、时间、草莓数量等），以低成本、高可控性的方式开展触发因素研究和治疗效果测试，无需实际带患者前往真实场景，极大地便利了科研工作。

她还提到，随着技术发展，现实世界与数字世界的边界正变得越来越模糊，人们既生活在现实中，也通过各种屏幕参与虚拟世界的活动，未来的机器也将能在两个世界中协同运作，因此空间智能的应用前景将愈发广阔。

蒂姆询问李飞飞博士，是否有一些非知名、未受到广泛公众关注的科学家或研究者，其工作让她尤为欣赏和关注。

李飞飞博士表示，这也是她撰写回忆录的初衷之一，在书中的中间章节，她详细讲述了 ImageNet 的研发历程，其中就提到了许多认知科学家、神经科学家和发展心理学家，他们中的一些人已经离世（如安妮・特雷斯曼、欧文・比德曼），但他们作为认知科学领域的巨擘，其研究成果为计算机科学乃至 AI 的发展提供了重要启发。目前，全球仍有许多优秀的科学家在相关领域深耕，比如哈佛大学的莉兹・斯佩尔克、伯克利大学的艾莉森・高普尼克、前麻省理工学院机器人学教授罗德尼・布鲁克斯等，他们虽未频繁出现在 AI 相关新闻中，但研究成果极具价值。

蒂姆接着提出一个类比：2008 - 2009 年，他参与投资 Shopify 时，该公司仅有 10 名员工，当时可以明确预判，未来宽带接入会更普及、电子商务会持续发展，这些明确的趋势共同勾勒出行业的发展方向。因此，他希望李飞飞博士能分享，在未来几年内，有哪些被低估但近乎必然的 AI 发展趋势。

李飞飞博士表示，一些趋势（如对算力的需求、AI 的持续发展、机器人技术的兴起）已受到广泛关注，而被低估的趋势主要有三个方面： 一是空间智能，当前公众和行业的焦点仍集中在语言智能和大型语言模型上，却忽视了 3D 世界建模技术的重要性 —— 它将为叙事、娱乐、体验设计、机器人模拟等多个领域提供核心支撑； 二是 AI 在教育领域的应用，AI 将加速主动学习者的成长进程，这不仅会改变现有的学校教育体系，还将重塑人才评估标准，传统的学历认证将不再是衡量人才的唯一依据，人们对 “合格工作者” 的定义将发生转变； 三是 AI 对经济结构（包括劳动力市场）的细微影响，当前关于 AI 对就业的讨论要么是 “乌托邦式的后稀缺时代”，要么是 “全面失业” 的极端论调，均过于夸张，而现实中，从知识工作者、蓝领工人到服务业从业者，不同群体面临的具体变化、挑战与机遇，这种复杂的 “中间地带” 尚未被政策制定者、学者及社会大众充分认识和重视。

蒂姆将话题延伸至就业市场的具体影响，以及李飞飞博士作为家长，会如何建议正处于选择专业、规划未来阶段的孩子（或年轻人）。

李飞飞博士结合 World Labs 的招聘经验表示，如今招聘软件工程师时，学历的重要性已大幅下降，更看重应聘者的实际学习能力、工具使用能力以及对 AI 工具的接纳度 —— 在 2025 年的招聘中，她不会聘用任何拒绝使用 AI 协作软件工具的工程师。这并非因为 AI 工具完美无缺，而是因为愿意拥抱这类工具，体现了应聘者的成长意愿、开放心态和适应能力，而善用 AI 工具也能大幅提升工作效率和学习能力，这一趋势正深刻改变着人才市场的需求。

因此，对于年轻人或孩子，李飞飞博士给出的核心建议是：“学会学习” 的能力比掌握具体知识更重要。在工具相对匮乏的时代，人们可以沿着固定的路径成长（小学、中学、大学、职业培训），凭借学历等结构化证书立足；但 AI 的普及打破了这种模式，每个人都能借助 AI 工具快速获取知识、提升能力，因此，保持学习的热情、掌握学习的方法、具备快速适应新工具的能力，成为了更核心的竞争力。

蒂姆深表认同，并补充道，AI 将让有抱负的人成为 “超级自学者”—— 就像 YouTube 既可以用来娱乐，也能成为学习工具一样，AI 能帮助人们快速成长，但这也给教育评估带来了挑战：教师如何判断学生的作业是自己完成的，还是借助 AI 工具生成的？

李飞飞博士回应，若学校的评估体系无法区分 AI 生成的内容与学生自主完成的高质量内容，那说明评估体系本身存在问题。她分享了一个令人赞同的案例：一位高中新生英语老师在开学第一天就对学生说，他会展示 AI 撰写的同主题范文，并详细分析范文的优点、不足与局限，然后给这篇范文打 B-，以此明确 “工具的上限”；同时，他也告诉学生，使用 AI 工具是被允许的，但如果学生能在 AI 的基础上，融入自己的思考、发挥创造力，完成更高质量的作品，就能获得 A 或 A + 的成绩。

李飞飞博士认为，这种评估方式才是合理的 —— 不应禁止学生使用 AI，也不必费力监管，而是明确工具的边界，引导学生发挥人类的独特价值，追求更高的目标。

蒂姆提出了一个经常问嘉宾的问题：如果能在广告牌上向数十亿人传递一句话、一个观点、一幅图像或一个问题，无论形式如何，且确保所有人都能理解，会选择什么。

李飞飞博士的答案简洁而有力：“你的北极星是什么？”

蒂姆接着追问，结合她之前提到的 “大胆提问催生北极星假设”，除了这一方式，她还会如何鼓励人们找到自己的 “北极星”。

李飞飞博士回应，人类之所以独特、之所以能活得如此充实，正是因为能够超越对基本需求的追求，拥有梦想、使命、目标与激情。每个人的 “北极星” 各不相同，并非所有人都要以 AI 为目标，而找到 “北极星” 的过程，本质上是一场教育之旅 —— 这里的教育并非指传统的课堂教学，而是一个认识自我、明确方向、追逐梦想的过程，这也是教育的核心意义所在。

最后，蒂姆好奇地询问李飞飞博士名字的由来，是否有特殊寓意。

李飞飞博士笑着分享，母亲分娩时，父亲一如既往地迟到了，他骑自行车赶往医院的路上，意外捉到了一只鸟，随后又将其放飞 —— 或许是被这只鸟启发，父亲便给她取名 “飞飞”。这个名字承载着父亲对她的美好期许。

• 经济影响的数据局限性：李飞飞博士提到 “美国去年 GDP 增长 4% 中 2% 源于 AI”，该数据未明确来源与统计口径，存在一定的模糊性。AI 对经济的贡献确实显著，但当前学界对 AI 经济效应的量化研究仍处于探索阶段，不同模型和统计方法得出的结果差异较大，因此不宜将单一数据作为绝对依据。
• 文明级影响的共识性：AI 对经济、文化、教育等领域的深远影响是普遍共识，其影响力确实可与电力、互联网等传统文明级技术相类比，但需注意，AI 的 “文明级” 影响同时包含积极与消极两面，李飞飞博士强调 “以人为本” 的核心，正是对这一技术双重性的理性认知，符合技术伦理研究的基本立场。

• 技术必要性的共识：空间智能作为 “超越语言的核心能力”，其重要性在机器人学、计算机视觉、虚拟现实等领域已形成共识。当前 AI 在 3D 环境感知、交互方面的短板确实存在，而空间智能的突破能有效填补这一空白，其技术定位符合 AI 发展的客观趋势。
• 应用场景的可行性：李飞飞博士列举的教育、影视、心理学研究、机器人训练等应用场景，均基于空间智能的核心功能推导，具有技术可行性，但部分场景（如精神病学临床研究）的落地，还需结合医学伦理、临床验证等额外环节，目前仍处于 “技术赋能科研” 的初期阶段，需避免过度夸大短期应用效果。

• “学会学习” 的核心价值：AI 时代 “学习能力比学历更重要” 的观点，符合劳动力市场对 “适应性人才” 的需求趋势，也与教育心理学中 “终身学习” 的理念一致，是具有普遍适用性的合理建议。
• 教育评估改革的合理性：“以 AI 为参照设定评估标准，鼓励人类创造力” 的教育改革思路，突破了 “禁止 AI 使用” 的僵化思维，符合技术与教育融合的趋势，但该模式的落地依赖教师的专业能力、学校的评估体系改革等多重条件，在不同教育资源、不同年龄段的学生中应用时，可能存在情境适应性问题，不能简单一概而论。
• 就业影响的 “中间地带”：共识与待探索空间：反对 “乌托邦式丰裕” 或 “全面失业” 的极端叙事，强调就业影响的 “复杂性与细微性”，是学界和行业的主流共识。但李飞飞博士提到的 “不同行业、不同群体的具体变化”，仍需更多实证研究支撑 —— 当前关于 AI 对就业结构的影响，多为宏观趋势预判，针对特定职业、特定地区的微观数据仍相对匮乏，这也是未来研究需要补充的方向。

李飞飞博士强调 “科学突破是历代研究者跨学科积累的结果，而非单个天才的孤立贡献”，这一观点符合科学史的基本规律（如 DNA 双螺旋结构的发现、经典物理的发展等案例均印证了这一点），纠正了媒体对 “技术天才” 的过度神化，具有重要的认知价值，也与科学哲学中 “共同体协作推动进步” 的核心观点一致。

</markdown>

西贝蒙古奶酪饼190g*2奶酪奶豆腐芝士下午茶甜点门店同款 查看
上新推荐

 

D:2025.12.19

<markdown> </markdown>

讨论列表 AKP讨论 查看原帖及回帖