2012 年 AI 突然开窍，靠的不是更聪明的算法

那年九月，一个叫 AlexNet 的程序把图像识别错误率从 26% 砍到 15.3%，把第二名甩开将近十一个百分点，整个领域一年内换了轨道。李飞飞的自传补上了被漏掉的前半段：这一仗赢的不是算法，是一千五百万张看不清出处的照片——她花了好几年，靠网上的陌生人一张一张标出来。

2012 年 9 月，ImageNet 大赛名次公布那天，计算机视觉圈的人都有点懵。冠军是把错误率从上一年的 26% 压到 15.3% 的程序；第二名的成绩是 26.2%，跟冠军差了将近十一个百分点。在一场已经办到第三年、各家成绩每年只挪动一两个点的比赛里，这个差距不像进步，像有人换了游戏规则。

《我看见的世界》要补的，就是这场胜利被漏掉的前半段。作者李飞飞 1976 年生于北京，在成都长大，15 岁随父母移民美国，一家人从中产跌进贫困：父亲修相机，母亲做收银员，她在中餐馆端过盘子。后来她成了斯坦福大学计算机科学系首位红杉讲席教授、美国三院院士。2012 年夺冠的那个程序不是她写的——但让它有机会赢的那份材料，是她和团队造出来的。

李飞飞在 2017 年「AI for Good」峰会上演讲｜ITU Pictures｜CC BY 2.0｜Wikimedia Commons

这本书真正有价值的地方，不在她后来拿了多少头衔，而在于她把一件事讲清楚了：当年她和整个领域走的是两条路，而且她那条路被嘲笑了很多年。

2000 年代中期，计算机视觉的主流打法是「少而精」：数据集通常只有几千张图，研究者的主要工作是把算法打磨得更聪明，手工设计出能抓边缘、纹理、形状的特征提取器。李飞飞读到心理学家欧文·比德曼的一个判断——人类视觉能分辨的独特事物类别大约有三万种——然后回头看了一眼学界手头的图像库，发现连这个数量级的一个零头都不到。

2004 年，她和导师彼得罗·佩罗纳建起 Caltech 101，超过 9000 张图像、100 个类别，是当时为机器学习准备的最大图像集合。听着不小，放到三万类面前，仍然是个零头。真正的答案来自一本词典：WordNet 把人类用语言表达的概念按意义连成了一张网，收录十几万个英文单词。她看到它时想到的是——如果概念可以这样排，图像为什么不能？

2007 年她在普林斯顿组建实验室，正式启动 ImageNet：目标一千五百万张图、两万两千个类别。团队先算了一笔账，按当时的人工方式，这件事需要 19 年。她的学生邓嘉重新优化流程后跑来汇报新的预估——19 年缩短到了 18 年。她在书里写，那是很久以来第一次，她不知道接下来该怎么办。最后出路落在「拆任务」上：把标注简化成一张图一次的判断题，挂到众包平台上，谁都能做，几秒钟一道。

一千五百万张图，是这样攒出来的（自制图解）

「2004 年，我们创建的 Caltech 101 完工，成为有史以来为机器学习配置的最大规模的图像集合，里面有超过 9000 个图像，分布在 100 个类别中……如果彼得罗想要 100 个类别，我就给他 101 个。」

第 6 章 · 北极星 · 第 149 页

这话写得轻，但它是一个坐标。9000 张对一千五百万张，差着一千六百多倍。当年那个「有史以来最大规模」的名号，恰好说明这个领域当时有多小——小到一篇论文就能换掉整条赛道。看懂了这一点，才会明白她后来那几年在赌什么。

造出材料，不等于有人来用。ImageNet 完成后，她做了件更冒风险的事：办比赛，把数据集摆上桌，看谁能打赢。2010 年第一届，冠军用的是支持向量机——一种她本以为根本驾驭不了这个数据集的传统算法，成绩平平。更糟的是，它给参赛者提供了一个安全的避风港：用老办法至少不会太难看，于是没人愿意换路子。第二年报名的人从 150 掉到 96，提交的算法从 35 个掉到 15 个。她在书里承认，自己开始怀疑是不是押错了。

那种处境今天很难想象：手里握着全世界最大、最干净的图像库，看着它一年比一年冷清。

「ImageNet 不仅是一个数据集，它是一个假设、一个赌注，即实现真正机器智能的第一步，是沉浸在完整的视觉世界中。这个赌注无论被证明是对是错，我都做好了准备。但我没想到，它被忽视了。」

第 7 章 · 一个假设 · 第 191 页

最后半句是全书写得最不客气、也最诚实的地方。科研叙事通常只留下「我坚信」和「我赢了」，中间那段无人问津的日子被剪掉。她把「我没想到」留下来了——承认自己算错了同行的反应，比承认自己算错了技术要难得多。

2012 年赢的 AlexNet 并不新。卷积神经网络在 1998 年就有雏形，反向传播 1986 年就已成型；它甚至算不上精巧——8 层，6000 万个参数，用两块游戏显卡训练了大约一周。那两块 GPU 原本是给玩家准备的。所以真正稀缺的从来不是点子，是能让「笨办法」跑起来的两样东西：喂得饱它的数据，和撑得住它的算力。

ImageNet 大赛冠军的识别错误率，2010、2011 两年为约数（自制图解）

三样东西缺一样都不成立：没有 ImageNet，深层网络会因为没有东西可学继续被当成死路；没有 GPU，一周的训练会变成几个月，谁也扛不住；没有神经网络，一千五百万张图片也只是一座没人来查的档案馆。这场革命不是某一个人想出来的，是三件事在同一时刻凑齐了。

「在 ImageNet 的帮助下，AlexNet 焕发生机，它贪婪地吸收着 ImageNet 的内容，在 ImageNet 规模和多样性的土壤中生根发芽，茁壮成长。」

第 8 章 · 实验验证 · 第 235 页

这个比喻的顺序值得留意：书里写的是 AlexNet「在 ImageNet 的帮助下」活了过来，而不是反过来。十年后所有人都记住了那个模型的名字，很少有人提它是被谁的数据喂大的。这句话当然偏向她自己的功劳，但方向没错——方法可以有很多个，材料只有一个。

第一，这是一本成功之后写的书，叙事带着后见之明。「数据比算法重要」在今天是常识，但在 2007 年并没有那么清晰。书里把它写成一条笃定的信念，而我的读法是：她当时更像走投无路——图像这条路她能做的，恰好就是攒数据。承认这一点，故事反而更可信也更可学：很多时候你并不是选对了路，只是在自己唯一能走的那条路上走够了年头。

第二，「以人为本的人工智能」在书里更像立场，不像方案。第 10 章母亲在病床上问「人工智能还能做哪些事来帮助别人」，第 11 章处理她在谷歌那一年卷进的争议，这两部分写得真诚，但留给读者的可操作内容，明显少于它给出的承诺。想谈制度设计的人，这本书只能算一个入口。

一条判据：以后看到「某某模型又突破了」「新算法又刷新纪录」，先问三件事——它的数据是谁给的、规模变没变？算力是谁出的、涨了多少倍？这两样都没动的话，「算法更强」多半只是调参和工程上的一小步。反过来更管用：当一件事长期推不动，先别急着找新方法，问一句「这里缺的是方法，还是材料？」ImageNet 的答案很干脆——方法早就有了，缺的是材料。

一个动作：下一次给自己或团队定「今年要突破」的目标时，花十分钟写两张清单——手上已经有哪些材料，还缺哪些材料。很多活卡住不是因为没思路，是没有素材：没数据、没案例、没见过别人怎么干。李飞飞用三年证明了一件事：先把材料攒够，方法会自己找上门。

适合：想知道「AI 为什么偏偏在 2012 年炸开」的人；正在做一件短期看不到回响的事的人；还有想给孩子铺科学路的父母——书里最有说服力的其实是她的父母：一个因为观鸟迟到、顺手用「飞」字给女儿起了名的人；一个把《第二性》《老人与海》塞给孩子的母亲。他们那句「你的努力只是为了自己」，比任何技术段落都更能解释她后来为什么撑得住那三年。

不适合：想系统学深度学习的人，书里没有公式；想看锋利技术批判的人，她写大公司那几段相当客气。426 页里，最硬的内容集中在前八章，后四章更像写给行业和女儿的公开信。

整本书从头到尾只在说一件事：机器看见世界，靠的不是更聪明的脑子，是有人愿意先把这个世界一张一张地指给它看。

明天见，还有一本