从 ImageNet 到生成式 AI：读《我看见的世界》

2026-09-02 · 阅读 · 人工智能

读完李飞飞的自传《我看见的世界》，我才把自己曾经零散学到的人工智能知识连成了一条线。

研究生期间，我第一次接触计算机视觉，认识了 ImageNet 数据集，也沿着这条线了解了 AlexNet、ResNet。同期学习吴恩达在 Coursera 上开设的深度学习课程，我开始理解 CNN、RNN，以及机器学习与深度学习之间的关系。后来又粗略了解过专家系统、决策树、支持向量机和强化学习，但这些概念大多停留在彼此分离的知识点上。

这本书让我看到，技术突破从来不是某一项算法的独角戏。它往往发生在长期理论积累、计算能力提升、数据基础设施和一群人的坚持终于交汇的时刻。

人工智能并非突然到来

今天回望人工智能的发展，很容易把它误解为一场突然爆发的革命。事实上，许多关键理论早已出现。

1986 年，以 Geoffrey Hinton 为代表的研究者发表了关于反向传播的重要工作，为神经网络训练奠定了基础。但在随后的很长一段时间里，受限于计算硬件、数据规模和训练方法，神经网络难以在真实任务中展现出足够稳定、显著的优势。人工智能经历过多次高期待与低回报之间的起伏，也经历过漫长的低谷。

因此，ImageNet 的价值并不只在于它是一份数据集。它提供了一个足够大、足够标准化的视觉识别问题，让模型、算力和评价方式能够在同一张赛道上较量。2012 年，AlexNet 在 ImageNet 图像分类挑战赛上的表现成为深度学习复兴的重要节点；随后，计算机视觉的能力持续提升，影响也从学术界扩展到工业界和日常生活。

读到这里，我重新理解了“基础设施”这个词。理论决定我们能想象什么，数据决定我们能验证什么，算力决定我们能实践到什么程度。缺少其中任何一环，许多看似正确的想法都只能停留在纸面上。

科学家的成长，也是一段迁徙故事

这本自传最打动我的，并不只是技术史。

李飞飞在 15 岁时随父母移居美国。书中没有把这段经历写成单纯的逆袭叙事，而是写出了一个普通家庭在陌生环境中的局促：打零工、逛二手市场、挤在狭小的出租屋里生活。父亲转行做修理工，母亲忍着病痛维持家庭收入；从物质条件看，这并不是一段轻松的开始。

但我也从中看见了另一种收获。对一个刚来到异国的家庭来说，能够找到一处安身之地，已经意味着拥有重新建立生活的可能。所谓“更好的生活”并不只是一笔经济账，也包括尊严、选择和对未来的掌控感。

初到美国时，语言、教育制度和文化差异让原本成绩优异的李飞飞不得不重新适应。每门课都需要跨过语言门槛，家庭的经济压力与母亲的健康问题也让她比同龄人更早承担责任。她一边照顾家人，一边保持学习，逐渐确立了自己的方向：成为一名以人为本、能够回馈社会的科学家。

书中提到她在普林斯顿看到爱因斯坦雕像的经历。那一刻像一颗被放进心里的北极星。后来她在计算机视觉、教育和人工智能伦理领域所做的工作，都可以看作对这个目标的长期回应。

ImageNet：让机器开始“看见”

ImageNet 的诞生并不轻松。建立大规模标注数据集，需要定义类别、设计流程、组织协作，也需要在长期无人问津时继续相信它的意义。李飞飞及其团队最终构建出覆盖数万类别、数百万图像的数据集，为视觉模型提供了前所未有的训练与评估基础。

ImageNet 并没有凭空创造深度学习，但它给深度学习提供了关键的验证场景。AlexNet 证明了深层卷积神经网络在大规模视觉任务上的潜力，后续的模型结构、训练策略和硬件能力不断迭代，图像识别的准确率快速提升。

这段历史让我想到，科研中的坚持常常看起来像两条互不相交的线：有人在改进理论，有人在整理数据，有人在推动工程实现。它们在大多数时间里彼此沉默，却可能在某个条件成熟的节点相遇，进而改变整个领域。

ImageNet 让人们重新把注意力投向人工智能。今天正在发生的生成式人工智能浪潮，与那次转折并非同一件事，但它们共享一个共同规律：长期积累的能力一旦跨过应用门槛，就会迅速改变人们工作、创造和获取信息的方式。

面对智能工具，既要使用，也要保持警惕

人工智能仍处于快速演进之中。更强的模型可以帮助我们检索资料、编写代码、理解图像、处理重复工作，也能让个人获得过去只有大型组织才具备的工具能力。

与此同时，能力提升并不自动等于结果向善。模型可能生成错误信息，训练与使用过程可能涉及隐私、版权和数据治理问题；当技术被不透明地集中在少数机构手中，效率提升也可能伴随着新的不平等。Geoffrey Hinton 在离开 Google 后公开表达过对 AI 风险的担忧，这些讨论并不是要人们拒绝技术，而是提醒我们不能把判断力一并外包。

对普通使用者而言，最现实的态度或许是两件事同时成立：保持对新技术的敏感度，并保持对结果的责任感。

• 用工具放大能力，而不是放弃思考。
• 对输入的数据保持谨慎，尤其避免泄露个人、工作和他人的敏感信息。
• 把模型输出当作需要核验的草稿，而不是天然正确的结论。
• 关注技术如何被使用，而不只关注它能做到什么。

结语：把技术变成自己的能力

合上《我看见的世界》后，最让我难以平静的并不是某个技术细节，而是技术、人生与时代如何在同一条轨道上彼此塑造。

从一个移民家庭的少女，到 ImageNet 的推动者，再到今天持续倡导以人为本的人工智能研究者，李飞飞的经历提醒我：真正重要的不只是追上技术浪潮，更是在浪潮中保有方向。

身处人工智能快速发展的中心，我们不必闭门造车，也不必盲目崇拜。理解它、使用它、质疑它，并为使用后的数据、过程和结果负责。未来属于能够与人工智能协作共赢的人，而不是把自己交给人工智能驱使的人。