ARTICLE · 1106318
以数据筑眼,以人本塑 AI—— 李飞飞实业评传(基于《中国当代实业人物辞典》编纂视角)
摘要
李飞飞（Fei-Fei Li，1976— ），华裔人工智能学者型实业家，现代计算机视觉、深度学习革命核心奠基人，斯坦福大学计算机系首位红杉冠名教授，斯坦福以人为本人工智能研究所（HAI）联合创始人，斯坦福人工智能实验室（SAIL）前主任，谷歌云前副总裁、AI/ML 首席科学家，AI4ALL 非营利组织创始人，World Labs 创始人、CEO。她是全球人工智能领域最具标志性的华人科学家之一，横跨基础科研、高校学科建设、跨国科技企业 AI 工程化、AI 普惠教育、前沿空间智能创业多个领域。
李飞飞生于北京，童年成长于四川成都，16 岁随家人移民美国，在新泽西一边打工维持家庭生计，一边完成高中学业，以全额奖学金进入普林斯顿大学主修物理学，后于加州理工学院取得电子工程博士学位。她最具里程碑意义的学术成果是 ImageNet 图像数据集与 ImageNet 大规模视觉识别挑战赛（ILSVRC）。在人工智能处于低谷、学界普遍轻视大规模数据价值的时代，她顶住评审质疑、经费匮乏的重重阻力，构建包含千万级标注图像、数万物体类别的图像知识库；2012 年 AlexNet 依托 ImageNet 数据集实现图像识别精度跨越式突破，直接引爆全球深度学习浪潮，重塑整个人工智能学科与产业发展路径。
在斯坦福任教期间，她深耕计算机视觉、认知计算神经科学、机器人学习，主张借鉴人类视觉认知规律构建人工智能，提出以人为本人工智能（Human-Centered AI）理念，反思 AI 技术的社会价值、公平性与伦理边界。任职谷歌云期间，推动 AI 技术在企业场景落地，打通高校前沿研究与工业界大规模工程实践。她创立非营利机构 AI4ALL，致力于打破 AI 领域的性别、种族、阶层壁垒，推动 STEM 教育普惠，让少数群体、青少年有机会接触人工智能教育。二次创业创办 World Labs，主攻空间智能，弥补当前大模型对三维真实世界感知理解的短板，探索空间生成式 AI，推动人工智能从二维图文认知走向三维物理世界感知交互。
李飞飞兼具严谨的基础科研素养、大型科研项目组织能力、产学研转化视野与社会关怀，是少有的能够同时重塑 AI 底层基础设施、引领学术范式、推动产业落地、思考 AI 人文伦理的学者型实业家。她跳出单纯追求算法性能的技术思维，坚持人工智能必须扎根于人、服务于人。本文参照《中国当代实业人物辞典》编纂体例，系统梳理李飞飞的出生背景、少年成长、求学与职业发展历程，归纳其核心学术与产业成就，剖析塑造其学术道路的关键人物，阐释其学术贡献、实业价值，挖掘其治学精神的历史价值与当代现实意义。
关键词：李飞飞；ImageNet；计算机视觉；深度学习；以人为本人工智能；AI4ALL；空间智能；学者型实业家
一、出生背景与少年成长：跨越山海，在困顿中保持对世界的好奇
1976 年，李飞飞出生于北京，童年在四川成都度过。父亲是工程师，母亲为中学教师，属于典型的知识分子家庭。家庭环境重视阅读与自然观察，不局限于课本知识。童年时期，父母鼓励她阅读中外文学、科普读物，观察自然万物，培养她对生命、视觉世界的好奇心。这种对 “如何看见世界” 的朴素好奇，在数十年后，演化成她毕生科研的核心命题：人类如何通过视觉感知世界，机器能否复刻这种感知能力。
少年时代的成长经历，也让她早早体会到性别偏见。中学时期，校园内存在 “女生到青春期理科能力会自然下滑” 的刻板论调。这种偏见，激发她强烈的自我证明意识，立志打破性别桎梏，在理工科领域探索。1992 年，16 岁的李飞飞随父母移民美国新泽西州帕西帕尼小镇。移民初期家庭经济陷入困境，父母语言不通，职业资质在美国无法认证，家庭收入微薄。父母盘下一间干洗店维持生计。
移民之后的数年，是李飞飞人生中艰苦的阶段。白天她在高中上课，放学后、周末需要到干洗店帮忙熨烫衣物、收银记账，还曾在中餐馆打工补贴家用。她在自传《我看见的世界》中回忆，常常每日睡眠不足四小时，一边承担繁重体力劳动，一边啃下高中课程，依靠电视、报纸自学英语。生活拮据，她的衣物大多来自干洗店顾客遗弃的旧衣，居住空间狭小，甚至一度睡在厨房过道。艰难的移民打工岁月，没有消磨她的求知欲，反而塑造她坚韧、务实、直面 “脏活累活” 的科研品格。她深刻体会到，出身、家境会限制普通人接触前沿科学的机会，这段经历，也成为后来她创办 AI4ALL、推动 AI 教育普惠的思想源头。
在新泽西的高中，她遇到数学老师萨贝拉。这位老师看到她的天赋，给予她大量鼓励，引导她深入学习数学，鼓励她申请顶尖大学。1995 年，李飞飞 SAT 数学取得满分，拿到普林斯顿大学全额奖学金，同时被多所名校录取，最终选择普林斯顿大学物理系。进入普林斯顿之后，她依旧坚持周末坐火车返回新泽西家中干洗店帮工，兼顾学业与家庭生计。
普林斯顿本科阶段，她主修物理学，同时接触神经科学。原本计划从事基础物理研究，在学习过程中，她的兴趣发生转向：相比于微观粒子，她更着迷于人类大脑这套能够感知、识别、理解视觉世界的生物系统。本科毕业论文方向落在物理与神经科学交叉领域，开始思考人类视觉认知的底层机制。1999 年，李飞飞以最优等荣誉从普林斯顿毕业。毕业时，高盛向她抛出高薪 offer，在金融行业的丰厚待遇与未知的科研道路之间，她选择投身科学研究。本科毕业后，她前往西藏，开展为期一年的藏药研究，这段跨文化田野研究经历，拓宽她的人文视野，让她理解不同文明的认知方式，塑造她跨学科、跨文化的思考习惯。
结束田野研究，李飞飞进入加州理工学院攻读电子工程博士学位，正式踏入计算机视觉与机器学习领域。彼时人工智能行业处于 AI 寒冬末期，神经网络研究长期被学界冷落，主流研究聚焦传统计算机视觉方法，很多研究者甚至羞于承认自己从事 AI 方向，担心影响就业。博士阶段，她的研究方向聚焦生物启发的计算机视觉，从灵长类视觉皮层的认知机制寻找算法灵感，探索如何让机器模拟人类视觉识别物体。在加州理工，她建立起一个核心认知：人类视觉不是简单像素匹配，而是多层次、多类别、依靠海量视觉经验形成的认知系统；如果要让机器学会 “看见”，机器也需要一个海量、分类完备的视觉知识库。这个想法，就是后来 ImageNet 项目最初的思想萌芽。
2005 年，李飞飞获得加州理工博士学位，先后在伊利诺伊大学厄巴纳 - 香槟分校、普林斯顿大学任教。2007 年，她在普林斯顿启动 ImageNet 项目。项目构思一经提出，便遭到大量质疑。同行普遍认为，构建千万级标注图像数据集工作量巨大、没有理论价值，经费申请多次被评审驳回。在当时的学术评价体系中，数据集建设被视作 “工程苦力”，不属于高水平学术创新。很多同事劝她放弃，转向更容易发表论文、获得认可的算法研究。但李飞飞坚持自己的判断：算法的上限，由数据决定。人类可以识别数万种物体类别，机器也需要同等规模、体系化的图像素材，才能建立起类似人类的视觉认知。
在经费紧张、人手不足的情况下，她联合普林斯顿李凯教授，借助亚马逊众包平台，组织全球标注人员，一张一张完成图像筛选、分类、标注。整个项目历时数年，克服版权、标注质量、类别体系设计等一系列难题。2009 年，ImageNet 正式对外发布，包含超过 1400 万张图片，划分为 22000 多个物体类别，免费向全球学术界开放。同时，她发起 ImageNet 大规模视觉识别挑战赛 ILSVRC，每年举办竞赛，为全球计算机视觉团队提供统一测试基准。2009 年，李飞飞加入斯坦福大学计算机系，2012 年晋升终身教授，成为斯坦福计算机系少有的华人女性终身教授。
2012 年，ImageNet 竞赛迎来历史性转折点。多伦多大学辛顿团队提交 AlexNet 深度卷积神经网络模型，在 ImageNet 图像分类任务上将识别错误率从 26% 大幅降低至 15.3%，性能碾压全部传统计算机视觉算法。这次结果震撼全球学术界与产业界，直接宣告深度学习时代到来。全球研究者意识到，大规模标注数据 + 深度神经网络 + 算力，能够实现机器视觉能力的跨越式提升。ImageNet 由此成为现代深度学习革命最重要的基础设施，支撑起后续人脸识别、自动驾驶、医学影像识别、多模态大模型视觉能力等几乎全部计算机视觉应用。
在斯坦福，李飞飞 2013 年起担任斯坦福人工智能实验室 SAIL 主任，是该实验室历史上第一位女性主任。她带领 SAIL 拓展计算机视觉、机器人学习、认知 AI 方向，培养出 Andrej Karpathy 等一批后来深刻影响全球 AI 产业的顶尖研究者。随着 AI 技术快速产业化，她意识到人工智能快速发展背后潜藏巨大风险：技术的发展不能只追求性能指标，必须关注人、社会、伦理。2018 年，她牵头成立斯坦福以人为本人工智能研究所 HAI，倡导 Human-Centered AI（以人为本人工智能），主张 AI 研究不能脱离人的价值，要兼顾公平、安全、社会福祉，反思算法偏见、数据伦理、技术权力分配。
2017 至 2018 年，李飞飞在斯坦福学术休假期间，出任谷歌云副总裁、AI/ML 首席科学家。她进入工业界的目标，是搭建高校科研与企业工程之间的桥梁，将前沿 AI 研究落地到企业数字化场景，推动 AI 普惠化，让中小企业可以便捷使用计算机视觉、机器学习工具。在谷歌任职期间，她主导谷歌云 AI 产品体系建设，推动计算机视觉 API、机器学习平台面向全球企业开放，把学术界的数据集、模型研究成果转化为工业可用产品。在工业界实践之后，她也更加清晰地看到资本驱动下 AI 行业存在的泡沫、偏见与伦理隐患。
离开谷歌之后，李飞飞持续推动 AI 教育公平。她创立非营利组织 AI4ALL，面向少数族裔、低收入家庭、青少年女性开设人工智能课程，打破 AI 领域的性别与阶层壁垒。她认为，AI 的未来，不能仅仅由少数精英群体定义，更多背景多元的人，应当参与 AI 的设计与发展。
在大语言模型浪潮席卷全球之后，李飞飞敏锐发现当前主流 AI 存在重大短板：大模型擅长处理二维文本、图像，却难以理解真实三维物理空间，无法感知物体空间位置、空间关系、物理交互。基于这一判断，2024 年她联合创立 World Labs，主攻空间智能（Spatial Intelligence），研发能够理解三维世界的空间生成式 AI，致力于让人工智能看懂真实三维场景，理解空间几何、物理规则，实现空间感知、场景重建、三维交互。该项目代表 AI 从二维图文认知迈向真实物理世界理解的新方向，成为生成式 AI 领域前沿探索。
二、影响李飞飞学术道路的关键人物
（一）父母：跨文化成长的底色塑造者
李飞飞的父母是她人生最早的引路人。作为知识分子，父母从小引导她观察自然、广泛阅读，保护她的好奇心。移民之后，在极度艰苦的经济条件下，父母依然坚持重视教育，即便生活困顿，也支持她继续求学。干洗店的共同奋斗经历，教会她踏实、坚韧，懂得体力劳动的价值，让她在后来愿意投入 ImageNet 这种繁重的数据标注工程。父母的东方教育底色，加上移民之后在美国社会的生存体验，让她能够同时兼具东方踏实治学的品格，以及西方学术体系下的批判性思维。
（二）高中数学老师萨贝拉：求学路上的伯乐
在新泽西高中阶段，萨贝拉老师发现李飞飞的数学天赋，给予她充分的鼓励，引导她系统学习数学，鼓励她挑战顶尖大学。在一个移民少女面临语言障碍、经济压力、性别偏见的困境下，萨贝拉的认可，坚定她继续深造、走向顶尖学术殿堂的信心。
（三）博士导师、加州理工导师团队：认知视觉的思想启蒙
加州理工的导师团队，引导她从神经科学、生物视觉的角度思考机器视觉。博士阶段的训练，奠定她 “从人类认知启发人工智能” 的核心研究范式，区别于当时主流单纯依靠工程特征提取的计算机视觉思路。导师教会她：人工智能的终极参照，是人类大脑的感知机制，而不只是数学算法。这套认知，贯穿她后续全部研究，从 ImageNet，到以人为本人工智能，再到空间智能研究。
（四）普林斯顿李凯教授：ImageNet 项目的重要合作者
李凯教授是李飞飞在普林斯顿时期的重要合作伙伴，共同发起 ImageNet 项目。在项目最艰难、经费短缺、外界质疑的阶段，李凯与她并肩，一起设计类别体系、规划项目框架，共同推动数据集构建。在当时的学术环境下，愿意投入数年时间做数据集建设，是一件需要巨大勇气的选择，二人的合作，支撑 ImageNet 从构想落地为全球共享的基础资源。
（五）斯坦福 SAIL 实验室同仁与学生群体
斯坦福 AI 实验室开放包容的科研氛围，为李飞飞提供施展空间。她的学生群体，包括 Andrej Karpathy 等青年研究者，既是她科研的执行者，也不断带来新的思想碰撞。李飞飞坚持培养多元背景的学生，鼓励女性、少数族裔进入 AI 领域。学生们的研究成果，反过来推动她不断拓展计算机视觉、机器人学习、空间智能的研究边界，也让她更加重视 AI 人才培养的公平性。
（六）ImageNet 全球标注志愿者与众包参与者
ImageNet 能够完成千万张图片标注，依靠全球大量标注工作者。这个庞大的群体，是数据集得以成型的基础。这段经历让李飞飞意识到，AI 不是少数顶尖科学家闭门创造的成果，人工智能的底层基础设施，离不开大量普通人的劳动。这也强化她的人本思想：AI 技术发展，应当尊重数据背后的人，关注劳动者权益，重视技术对普通人的影响。
（七）谷歌云团队与 HAI 研究所同仁
谷歌任职期间，工程团队帮助她理解大规模 AI 产业化落地的难点，理解学术原型到工业产品之间巨大鸿沟。HAI 以人为本人工智能研究所的跨学科团队，包含计算机科学家、社会学家、伦理学者、法律学者，推动她跳出纯技术视角，系统思考 AI 的社会影响、算法偏见、公平性问题，形成完整的以人为本人工智能理论体系。
三、核心学术成就与实业贡献
3.1 基础理论学术贡献
第一，创建 ImageNet 大规模图像数据集与 ILSVRC 图像识别竞赛，奠定现代深度学习的数据基础。在 2007 年，学界普遍重算法、轻数据，认为大规模标注数据集属于低价值工程工作。李飞飞提出，机器视觉认知需要大规模、层级化、贴近人类认知分类体系的图像知识库。ImageNet 构建千万级图像、两万余物体类别，免费向全球开放。2012 年 AlexNet 在 ImageNet 竞赛取得突破，直接验证大数据 + 深度神经网络的可行性，引爆深度学习革命。ImageNet 被公认为现代人工智能革命三大核心驱动力之一，推动计算机视觉从传统手工特征时代，全面进入深度学习时代。时至今日，图像识别、目标检测、图像分割、多模态大模型视觉能力，底层技术演进均建立在 ImageNet 开启的大规模数据范式之上。
第二，开创认知启发式计算机视觉研究范式，融合计算神经科学与机器视觉。李飞飞长期借鉴灵长类视觉皮层的认知机制，研究人类视觉如何分层识别物体、理解场景。她提出，机器视觉不应仅仅做像素层面的匹配，而要模拟人类多层次认知，从物体识别，走向场景理解、物体关系推理。她的团队在场景理解、视觉问答、视觉常识推理领域产出大量经典成果，推动计算机视觉从单纯物体分类，升级到理解场景、理解视觉背后的语义与因果关系。
第三，提出**以人为本人工智能（Human-Centered AI）**学术思想。在 AI 快速产业化、行业片面追求性能指标的背景下，李飞飞提出，人工智能的目标不是打造超越人类的机器，而是服务于人、增强人的能力；AI 研究必须将人的价值、公平、安全、伦理嵌入技术研发全过程，警惕算法偏见、数据剥削、技术权力集中等风险。她牵头成立斯坦福 HAI 研究所，搭建跨学科平台，把计算机科学、社会学、伦理学、医学结合，开辟 AI 人文社会研究的重要方向。
第四，开创空间智能（Spatial Intelligence）前沿研究方向。在大语言模型蓬勃发展之后，李飞飞指出当前主流生成式 AI 的短板：模型缺乏对三维真实世界的空间几何、物理约束、空间关系的理解。她提出空间智能概念，推动 AI 能够感知、重建、理解三维物理空间，实现场景三维重建、空间推理、物理世界交互，弥补二维大模型的认知缺陷，为机器人、自动驾驶、数字孪生、AR/VR 底层 AI 开辟新研究方向。
第五，推动 AI 多元化人才培养理论与实践。创立 AI4ALL，系统搭建面向青少年、弱势群体的 AI 教育体系，研究 AI 教育公平性问题。她指出，AI 领域性别、种族失衡，会造成算法偏见，单一群体主导 AI 设计，会让技术忽略大量人群的需求。AI4ALL 项目证明，人工智能不是少数精英的专属学科，普通青少年都可以接触 AI 基础思维，为全球 STEM 教育、AI 普惠教育提供可复制的实践范式。她发表 400 余篇顶级学术论文，涵盖 Nature、PNAS、CVPR、ICCV 等顶级期刊与会议，论文总引用量位居全球计算机科学家前列。当选美国国家工程院院士、美国国家医学院院士、美国艺术与科学院院士，ACM 会士，获得伊丽莎白女王工程奖等国际顶级工程奖项。
3.2 实业与产业贡献
其一，搭建 AI 底层开放基础设施，重塑全球 AI 产业研发范式。ImageNet 免费开放，极大降低全球科研机构、中小企业开展计算机视觉研究的门槛。在此之前，科研团队只能使用小规模自制数据集，难以训练大型神经网络。ImageNet 作为公共基准，让全球研究者拥有统一的评测标准，加速全球计算机视觉技术迭代，催生人脸识别、医学影像 AI、工业视觉质检、自动驾驶感知、多模态大模型视觉能力等万亿级产业赛道。
其二，任职谷歌云 AI 首席科学家，打通高校科研成果到工业界落地的通道。她将斯坦福的前沿视觉研究成果转化为云平台 AI 服务，面向全球企业开放计算机视觉、OCR、图像分析 API，让中小企业无需自建庞大 AI 团队，即可调用 AI 能力，推动 AI 从巨头实验室走向千行百业。同时，她在谷歌内部推动 AI 伦理、数据治理建设，提醒工业界关注 AI 技术的社会风险。
其三，创办 World Labs，开启空间智能产业化探索。World Labs 聚焦三维空间生成式 AI，探索空间感知、三维场景重建、空间推理模型，弥补当前大模型无法理解真实物理世界的短板，面向机器人、AR、数字孪生、医疗场景开发空间 AI 技术，开辟生成式 AI 新赛道，推动人工智能从处理文字图片，走向理解三维物理世界。
其四，创办非营利企业 AI4ALL，构建 AI 普惠教育产业生态。AI4ALL 作为非营利机构，面向全球青少年开设 AI 课程，培养多元化 AI 人才，推动改变 AI 行业人才结构，从源头减少算法偏见。该项目是全球 AI 多样性教育领域标杆项目，带动全球高校、科技企业关注 AI 教育公平。
3.3 行业生态贡献
李飞飞持续推动 AI 行业理性思辨，在 AI 泡沫高涨阶段，反复提醒行业理性看待 AI 能力边界，反对技术万能论。她持续呼吁 AI 领域的多元包容，反对 AI 领域性别、种族壁垒，倡导技术从业者承担社会责任。她搭建学术界、工业界、人文社科之间对话的桥梁，推动 AI 治理、AI 伦理成为行业共识。同时，她坚持开放科研理念，ImageNet 免费向全球开放，不设置商业壁垒，体现基础科研普惠的价值，推动全球 AI 科研生态共享共建。
四、治学精神内核
4.1 反潮流求真，敢于投入 “低附加值” 基础工程的坚守精神
在学术界追捧算法创新、轻视数据集建设的时代，李飞飞敢于选择 ImageNet 这个被同行视作 “苦力” 的项目。在多次经费申请被拒、同行质疑的压力下，坚持认为：数据是智能的根基，没有高质量大规模数据，再精巧的算法也无法实现认知突破。她的治学理念，拒绝浮躁的短视科研评价，愿意做底层、基础、耗时漫长的公共基础设施建设，这种甘坐冷板凳、甘于做基础工程的求真精神，是她科研道路最鲜明特质。
4.2 人本为先，技术不能脱离人的价值的人文精神
李飞飞区别于很多纯技术研究者的核心特质，就是她始终把 “人” 放在 AI 研究中心。她提出以人为本人工智能，不把 AI 仅仅当成工具、性能指标。她从移民底层打工的亲身经历出发，敏锐看到技术背后的社会公平问题，关注数据标注劳动者、弱势群体、女性在 AI 时代的处境。她主张技术创新必须兼顾社会伦理，不能为追求技术突破牺牲公平与安全，坚持技术服务于人，而非人适应技术。
4.3 跨学科融合，从生命认知中寻找 AI 答案的开拓精神
李飞飞的研究始终游走在交叉学科边界：物理学、神经科学、计算机视觉、社会学、伦理学。她不局限于计算机学科内部，从人类大脑视觉认知机制寻找机器视觉的思路；在 AI 发展成熟之后，引入社会学、伦理学审视 AI。她认为人工智能天然是交叉学科，单纯依靠计算机工程无法解决智能本质问题，需要整合生命科学、人文社科多学科视角，这种跨学科思维贯穿她全部科研生涯。
4.4 坚韧不拔，在困境中保持好奇心的长期主义精神
从 16 岁移民美国，一边打工一边读书，到博士毕业后启动 ImageNet，多年经费不足、遭受质疑，再到后来进入工业界、二次创业探索空间智能，李飞飞的科研道路长期充满挑战。她始终保持好奇心，不追逐短期热点，不被短期评价裹挟。在深度学习浪潮到来之后，行业全部涌向大语言模型，她冷静看到二维大模型短板，选择投入难度更高、周期更长的空间智能研究，体现长期主义科研信念。
4.5 开放普惠，推动知识与技术共享的公共精神
李飞飞坚持科研成果普惠，ImageNet 免费向全球开放，不垄断数据集资源。创立 AI4ALL，免费向青少年提供 AI 教育资源。她认为人工智能带来的红利，不应该由少数大企业、少数精英垄断，基础科研成果应当服务全球科研共同体，科学知识应当向不同背景的学习者开放。
五、历史价值与现实意义
5.1 历史价值：现代深度学习革命的奠基者，定义 AI 的数据范式
在人工智能发展史上，ImageNet 是里程碑式的基础设施。在 2012 年之前，计算机视觉长期停滞在传统手工特征提取的瓶颈，很多研究者对神经网络持悲观态度。ImageNet 挑战赛上 AlexNet 的突破，向全世界证明，大数据 + 深度神经网络可以实现机器视觉的跨越式性能提升，直接开启深度学习时代，重塑人工智能整个学科发展路径。今天的人脸识别、自动驾驶感知、医学影像 AI、多模态大模型视觉能力，全部建立在 ImageNet 开启的大规模数据范式之上。
在 AI 思想史上，李飞飞提出的以人为本人工智能，是 AI 伦理与 AI 治理发展的重要思想。在 AI 产业化高速扩张、资本追逐技术能力的阶段，她率先提醒全球学界与产业界关注算法偏见、数据伦理、技术公平，推动人文社科进入 AI 研究体系，打破纯技术至上的单一思维。
在华人科技史、女性科研史层面，李飞飞作为华裔女性科学家，在全球顶尖 AI 领域登顶，打破理工科领域性别、种族双重壁垒。她的成长经历，从移民打工少女成长为斯坦福教授、谷歌 AI 首席科学家，为全球女性、少数族裔理工科学习者树立典范。她的实践证明，华人学者可以在全球前沿科学范式构建层面做出奠基性贡献，而不仅仅是跟随者。
5.2 现实意义
第一，为人工智能基础研究提供范式启示。当前大模型时代，行业一度狂热追逐更大参数模型。李飞飞的研究提醒我们：数据、基准数据集、评测体系，和模型架构同等重要。高质量、体系化标注数据，是人工智能发展的底层基础设施。基础科研不只有算法论文，数据集、评测基准这类 “底层公共工程” 同样具备颠覆性价值，值得科研资源投入。对国内 AI 科研来说，启示我们要重视国产多模态、三维空间高质量数据集建设，构建自主可控的 AI 底层数据基础设施。
第二，以人为本人工智能理念，为 AI 治理、AI 伦理提供重要参考。生成式 AI 快速普及，算法偏见、数据版权、算法公平、就业冲击等问题日益凸显。李飞飞的人本 AI 思想，提示技术研发者不能只看精度、速度等技术指标，在模型设计、数据采集、产品落地之初，就要嵌入社会价值考量，平衡技术创新与社会风险。
第三，AI 教育普惠实践，为国内青少年 AI 人才培养提供参照。AI4ALL 的实践证明，人工智能教育可以面向多元背景青少年，打破精英化教育模式。国内 AI 人才培养，应当重视性别平等，鼓励更多女性、基层青少年进入计算机、人工智能领域，拓宽人才来源，减少算法偏见。
第四，空间智能方向的探索，为下一代人工智能开辟新方向。当前大模型擅长语言、二维图像，但缺乏对真实三维世界的理解。空间智能、三维场景理解，是机器人、自动驾驶、AR、数字孪生的核心瓶颈。李飞飞 World Labs 的探索，预示 AI 下一步的突破方向，对国内三维视觉、空间生成式 AI 的科研与产业布局，具备重要参考价值。
5.3 客观审视：时代局限与行业挑战
李飞飞的探索同样存在时代局限性。ImageNet 数据集在后期也面临图片版权、标注数据偏见等争议，研究者意识到，数据集本身会携带人类社会固有偏见，数据集建设必须重视伦理审查。以人为本人工智能理念，在资本驱动的产业环境下，落地执行难度巨大，商业企业在效率、利润与伦理之间难以平衡。空间智能方向，面临三维数据采集成本高昂、三维标注难度大、物理世界复杂多变等难题，产业化落地周期漫长。AI4ALL 非营利教育项目，受资金、师资限制，难以无限扩大覆盖范围。李飞飞本人也坦诚，人工智能距离真正的通用智能还有遥远距离，不能高估当下 AI 能力。
六、结语
李飞飞的人生轨迹，串联起人工智能从 AI 寒冬、计算机视觉传统方法时代，到深度学习爆发、大模型兴起，再到空间智能探索的完整历史进程。生于北京、成长于成都，16 岁移民美国，在新泽西干洗店与餐馆打工谋生，凭借坚韧的毅力考入普林斯顿，在加州理工攻读博士，在众人质疑之下启动 ImageNet 项目，以千万级图像数据集点燃全球深度学习革命；执掌斯坦福 AI 实验室，提出以人为本人工智能理念；进入谷歌云打通产学研转化；创办 AI4ALL 推动 AI 教育普惠；在大模型浪潮中，创办 World Labs，开拓空间智能新赛道。
贯穿李飞飞学术与实业道路的核心信念：人工智能的本质，是模拟人类对世界的感知与理解，技术永远不能脱离人的价值。父母、高中教师、博士导师、项目合作者、学生与全球标注参与者，在不同阶段塑造她的认知、品格与科研方向。她兼具基础科研的远见、长期深耕底层工程的定力、跨学科人文思考，以及推动技术普惠的社会理想。
李飞飞的治学与实业实践印证：人工智能的革命，不仅来自算法和算力的突破，同样来自数据基础设施、科学范式与人文思想的革新。她的成长之路，是华人科学家在全球前沿科学领域开辟新方向的缩影。面向未来，当生成式 AI 持续演进，李飞飞所坚持的以人为本人工智能理念、对真实物理世界空间智能的探索，以及科学普惠的理想，将持续为全球人工智能的发展提供重要指引。
近期文章目录：