李飞飞

破除误解：她不是深度学习之母，ImageNet 也不是无代价的自然数据#

第一层误解把 2012 年的转折写成她训练出了深度网络。AlexNet 的作者是克里热夫斯基、苏茨基弗与杰弗里·辛顿一组；卷积网络的现代工程传统则来自杨·勒坤等人 1980–1990 年代的工作。李飞飞团队提供的是任务、类别层次与每年可比较的测试集。没有基准，同样的网络也可以存在，但不会以那种速度变成共享事实。把基准仪器的建造者写成算法发明者，会把两种贡献都说错。

第二层误解把 ImageNet 当成“从网上随便爬的照片”。图像按 WordNet 的 synset 组织，标签是在众包界面上由人选择的。类别空间先于照片存在：它来自一部英语词汇数据库的名词层次。哪些物体算一个类、哪些文化中的对象根本不在 WordNet 里，从第一天起就写进了仪器。后来的偏差、冒犯性类别与劳工条件争议，不是附加的道德附录，而是这台仪器的构造后果。

第三层误解把“以人为本的 AI”当成软性品牌。李飞飞在斯坦福 HAI、AI4ALL 与公共写作里强调的是：视觉系统进入医疗、汽车与监视之后，错误的代价不再是分类百分比。这与 ImageNet 时代“把 top-5 错误率压下去”的目标函数并不自动一致。后一段工作是在承认前一段仪器的限度，而不是用新口号给旧基准加光环。

现场：从单张照片的学习到一台公共仪器#

李飞飞 1976 年生于北京，十六岁移居美国新泽西。1999 年在普林斯顿取得物理学学士，2005 年在加州理工学院取得博士学位，导师包括皮耶特罗·佩罗纳（Pietro Perona）与克里斯托夫·科赫（Christof Koch）。早期工作关心的是有限样本下的物体类别学习，以及场景的层次生成模型。视觉在当时仍经常被小数据集定义：几十个类、每类几十张图。泛化是故事，不是可逐年复现的公共曲线。

ImageNet 的现场是标注流水线。类别从 WordNet 取出，候选图从互联网检索，众包工人在界面上确认“这张图是否为这个 synset 的实例”。质量控制、多数投票与专家抽查决定标签噪声的形状。2015 年的 ILSVRC 综述论文把竞赛的协议、误差分析与数据集统计写成可引用对象。科学仪器必须可被引用，而不能只存在于实验室硬盘。斯坦福此后成为她长期任教的机构；2017–2018 年她曾任 Google Cloud 的首席科学家，把同一套视觉模型接到云 API。工业职位与学术基准的关系需要分开写：API 传播了模型，基准定义了比较。

机制：类别层次、经验风险与规模#

监督视觉识别把一张图 $x$ 映到类别 $y$。ImageNet 分类把 $y$ 定义成约 1000 个 ILSVRC 类，每类有训练图像。经验风险是平均损失 $\mathbb{E}[\ell(f(x),y)]$。规模同时改变三项：覆盖的视觉变化、$f$ 的可识别参数量、以及过拟合的形状。小数据上，高容量卷积会记样本；百万级图像上，同样的容量开始吸收姿态、光照与背景。深度学习架构 的深度在这里才变得可训练——不是因为深度突然被发明，而是因为梯度有足够多样的误差信号可以走。

WordNet 层次提供了第二种机制：细粒度与粗粒度可以互相约束。一只具体品种的狗仍是狗。训练与评估可以停在不同层。层次不是装饰，它是标签空间的拓扑。错误若发生在近亲 synset 之间，与跨到完全不同的上位类，代价不同。ILSVRC 的 top-5 指标默认近亲混淆可以被部分原谅。指标选择已经是一种关于“什么算识别”的哲学，只是写在竞赛规则里。

众包把劳动力写进损失函数。标签 $y$ 不是物体的形而上学本质，而是工人在给定提示下的决定。报酬、界面与抽查决定噪声模型。后来的审计发现侮辱性类别、未同意的人脸与地理偏差，说明仪器在构造时把一部分世界当成了可爬取的原料。修正数据集、撤回类别、改写研究伦理，都是在改仪器，而不是在算法论文的附录里添加致谢。机器学习概览 把数据生成过程写进模型有效性的前提；ImageNet 让这个前提变成公共事件。

规模也改变了计算几何。卷积的参数共享使百万图像可训练，GPU 把训练时间从不可行变成数周。2012 年的缺口是算法、数据与算力的乘积。只复制其中一项，不会复制那条曲线。李飞飞团队控制的是数据与任务；另外两项由竞赛的其他参与者补齐。仪器的意义正在于：它允许别人把另外两项接上来，并被同一把尺子量。WordNet 把名词写成可继承的 synset，视觉标签因此有了偏序，而不是一堆互不相关的文件夹名；没有这一层，规模只会变成更大的平面分类。以人为本的后续工作，是在承认这台仪器量到的世界并不等于所有人的视觉世界之后，把错误代价与同意写回评测协议。

早期的 one-shot 工作与后来的 ImageNet 看起来方向相反，其实是同一问题的两端。佩罗纳组关心的是：人可以在一两张图上学会一个新类，算法为何不能。贝叶斯层次模型把类别写成共享先验上的新样本。小样本成立的前提是先验对；先验来自对世界如何组织的假设。ImageNet 把先验换成经验：用数百万张图把可变性直接喂给高容量模型，让层次存在于 WordNet 与表示里，而不是只存在于手工先验。两端都没有取消对方。没有先验的纯规模会在长尾与新类上崩溃；没有规模的纯先验会在真实光照下崩溃。李飞飞的轨迹是先写小样本，再建造让规模可被公共测量的仪器。

ILSVRC 的协议细节决定了什么叫进步。训练与测试的图像划分必须固定；提交次数受限，以防在测试集上调参；定位与检测后来被加入，因为只做图级分类会让模型靠场景捷径取胜。误差分析把错误分成细粒度混淆、多物体、定位失败。这些协议是仪器的一部分。没有它们，每年下降的百分比无法比较。2012 年的跳跃之所以成为公共事实，是因为前两年的数字在同一协议下已经写在纸上。

代价与争议#

ImageNet 的伦理账单是真实的。类别清单包含过时与侮辱性的词；人脸与敏感属性被当成物体；众包劳动报酬与同意机制不匹配后来的研究规范。2019 年前后的艺术项目与审计把这些问题做成公共事件，斯坦福团队对部分类别做了清理。正确的叙述不是“科学家恶意”，而是：当类别空间来自既有词汇数据库、图像来自未受约束的网络爬取，仪器会继承两者的暴力与偏差。继续使用旧测试集而不声明其构造，是把历史误差写成永恒的自然。

监视与商业部署构成第二层争议。更准的视觉系统使大规模识别变得便宜。李飞飞公开主张限制某些人脸识别用途，并推动“以人为本”。批评者认为实验室与云厂商的职位使这种主张难以彻底。评价应当落在具体政策、数据集治理与拒绝哪些合同，而不是落在形容词。主张与仪器之间的张力应当保留：正是 ImageNet 把准确率做成了可出售的数字。

第三层是科学方法。年度竞赛让领域围绕单一指标动员，也让其他视觉问题（长尾、组合、因果、视频）相对失血。基准的成功会筛选研究问题。李飞飞后来谈多模态与具身，部分是在对抗这台自己参与建造的仪器的引力。承认引力，比宣布“我们已经进入下一时代”更准确。

标注劳动的政治经济学应当写进机制，而不只写进伦理附录。众包把识别判据外包给低报酬的点击，界面提示决定工人看见什么问题。一张图是否“是这个 synset”，在边界样本上没有唯一答案：遮挡、玩具、插画、隐喻用法都会让工人分裂。多数投票把分裂压成点标签，损失从此把争议当成噪声。仪器看起来更干净，世界并没有因此变干净。后来的多标签、软标签与数据集文档（datasheets）是在补这层被压掉的分布。

斯坦福 HAI 把问题从准确率转到部署场景：医疗影像的假阴性、自动驾驶的长尾、教室里的监视。这些场景的损失函数不能从 ILSVRC 继承。以人为本若只停留在演讲，它就不是对 ImageNet 的修正；若落到数据集治理、评估协议与拒绝某些合同，它才是同一条轨迹上的下一台仪器。两种读法都存在，必须用可检查的行动来区分。

跨域连接#

• 线性代数：卷积是稀疏、平移共享的线性算子，深度网络把图像看成可被多层矩阵与非线性交替作用的张量。ImageNet 的规模让这些算子的百万参数可以被随机梯度推动，而不是停在小样本的病态曲面上。类别logits 是线性分类器放在特征上的点积。没有这套线性代数，所谓“端到端学习”只是无法计算的愿望。仪器提供样本，线性算子提供可训练的假设类。
• 信息几何：表示学习把每张图映到特征流形上的一点，分类器是该流形上的判别几何。Fisher 信息与 KL 邻域描述的是：参数微扰如何改变预测分布。大规模层次类别使这个流形被样本覆盖得更密，也使度量在稀有类上仍然稀疏。ImageNet 的误差分析常常是在问：两类在表示空间里是否被当成邻居。信息几何把“看起来像”写成分布之间的距离，而不是像素上的欧氏距离。
• 信息哲学：标签把世界写成可枚举的同义词集。知识在这里是分类决定，不是物体的在场。仪器决定了哪些存在者可被学习，哪些从来不会进入损失。哲学问题变成：一部英语词汇数据库凭什么充当视觉世界的本体论。后来的清理工作等于承认本体论是被建造的。以人为本的论述若要有内容，必须把这层建造说出来，而不能只谈“技术服务人类”的愿望。
• 测度论：训练误差是经验测度上的积分，测试集是另一份被假定独立的测度。ImageNet 的“进步”是在竞赛测度上的积分下降。把这份测度当成视觉能力的普遍测度，是非法的延拓。地理、相机与文化一旦改变支撑，同一参数的风险可以跳变。竞赛规则是在定义测度，不是发现自然。理解李飞飞的贡献，包括理解这台仪器量的是哪一种图像世界。

人物小记：把尺子做成公共的，然后承认尺子的边界#

李飞飞的贡献形状与算法英雄叙事不吻合。她把类别空间、标注流水线与年度协议做成领域的公共时间轴，使卷积与 GPU 的乘积能够被看见。随后她用另一套机构（HAI、教育项目、治理讨论）去约束这台仪器释放出的部署。两条工作可以互相批评：没有基准就没有 2012 年的公共事实；只有基准则事实会被误当成世界。

若把轨迹压成一句判据：好的数据集贡献，是让后来者无法再把模型、任务与世界混写成同一个准确率。 仪器使比较成为可能，也使偏差成为可审计的对象。李飞飞站在仪器这一侧。算法史应当把她写在这一侧，而不是误写到卷积核的发明栏。

AI4ALL 与斯坦福课程把仪器的另一面交给更年轻的学生：谁有权被数据集看见，谁有权拒绝被识别。这不是把 ImageNet 作废，而是把建造过程教成可批评的对象。没有这段教育，仪器会继续被当成自然风景。有了这段教育，也不自动改变部署合同。两者必须并置：公共尺子与公共批评，是同一份科学记录的两个文件。

WordNet 作为本体论的限度，在非英语、非物体中心的视觉世界里尤其清楚。动作、关系、场景叙事、医疗模态，都无法被 1000 类日常名词穷尽。后来的视觉问答与视频基准是在换测度，而不是把 ImageNet 的百分比接着往下做。李飞飞参与的后续讨论若有内容，应当落在新测度是否写清了支撑，而不是落在“更大的模型”这一句。规模仍然有用，但规模回答不了测度是否合法。ILSVRC 的 top-5 把近亲混淆部分原谅，这已经是一种关于“识别”的规范决定，不是中性算术。换 top-1、换层次距离加权，同一模型的名次会动。仪器的刻度从来不是唯一的。

参考文献#

• Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K. & Fei-Fei, L. ImageNet: A Large-Scale Hierarchical Image Database. CVPR, 2009, pp. 248–255.（ImageNet 原论文）
• Russakovsky, O. et al. ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision 115, 2015, pp. 211–252.（ILSVRC 协议与分析）
• Krizhevsky, A., Sutskever, I. & Hinton, G. ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS, 2012.（在该基准上拉开差距的网络，用于对照贡献边界）
• Fei-Fei, L., Fergus, R. & Perona, P. One-Shot Learning of Object Categories. IEEE Transactions on Pattern Analysis and Machine Intelligence 28(4), 2006, pp. 594–611.（早期小样本视觉）
• Li, F.-F. & Perona, P. A Bayesian Hierarchical Model for Learning Natural Scene Categories. CVPR, 2005, pp. 524–531.（场景层次模型）

延伸阅读#

• Crawford, K. & Paglen, T. Excavating AI: The Politics of Images in Machine Learning Training Sets. The AI Now Institute, 2019.（对 ImageNet 类别与图像来源的审计式批评）