从物理学到人工智能：李飞飞的转变之路

目录

1. 引言
2. 从物理学到人工智能的转变
3. 图像识别和ImageNet
4. 人工智能在医疗保健中的应用
5. 推动AI立法和政策
6. 人工智能的教育与培训
7. 对机器学习的建议
8. 结语

引言

在这篇文章中，我们将探讨与Fei-Fei Li教授的访谈相关的话题。Fei-Fei Li是斯坦福大学计算机科学系的教授，也是Hai（Human-Centered AI Institute）的共同主任。她以其在计算机视觉和人工智能领域的杰出贡献而闻名，并积极推动人工智能的研究和应用。

本文将从Fei-Fei Li的学术背景和职业生涯开始，探索她在物理学到人工智能的转变过程中的经历。我们还将讨论她在图像识别和ImageNet领域的重要贡献，以及她在医疗保健和AI立法方面的工作。最后，我们将分享一些建议，帮助那些对机器学习和人工智能感兴趣的人开始他们的学习之旅。让我们开始吧！

从物理学到人工智能的转变

Andrew Ng: 嗨，我很高兴能与我们的老朋友、斯坦福大学计算机科学教授李飞飞在一起。李飞飞是HAI（人本AI研究所）的共同主任。之前，她还担任Google云平台人工智能部门的首席科学家。很高兴有你在这里，飞飞。

李飞飞：谢谢你，Andrew。很高兴能在这里。

Andrew Ng: 我们认识多久了？我都忘记了。

李飞飞：肯定超过十年了。在我们见面之前，我就知道你的工作了。我是2009年来斯坦福的，但我们是在2007年开始交流的，所以已经有15年了。

Andrew Ng: 我还清楚地记得当我们一群人（包括我、Chris Manning等人）努力想办法让你来斯坦福时，有多么的紧张。

李飞飞：其实并不难。我只是需要安排好我的学生和生活，但很难抗拒斯坦福的魅力。

Andrew Ng: 很高兴在这里有你作为我的朋友和同事。

李飞飞：我也是。这么长时间以来，我们非常幸运能成为那个看到人工智能取得巨大进步的那一代人。

从物理学到人工智能的转变

Andrew Ng: 你的背景给我留下了很深的印象，因为你起初并没有研究计算机科学或人工智能，而是从物理学开始的。你是如何从物理学转到成为全球知名的人工智能科学家的呢？

李飞飞：这是一个很好的问题，Andrew，特别是我们都对年轻人的未来充满热情，他们进入人工智能领域的方式多种多样。事实上，如果我能够在20多年前进入人工智能领域，那么任何人都可以进入，因为人工智能已经成为一种普遍且具有全球影响力的技术。但也可以说，我可能是一个例外。我一直都是一个对物理学和STEM（科学、技术、工程和数学）感兴趣的孩子，我相信你也是，但物理学一直是我的激情所在。直到今天，物理学对我来说仍然是一个追寻大问题、追求理解本质的激情。在普林斯顿读物理学期间，有一件有趣的事情是，我喜欢阅读20世纪伟大物理学家的著作，了解他们对世界的看法。特别是阿尔伯特·爱因斯坦、罗杰·彭罗斯、埃尔温·薛定谔等人，我发现他们在职业生涯后期的许多著作不仅仅涉及原子世界或物理世界，而是涉及到生命、智能和人类状况等同样大胆的问题。薛定谔写了《生命是什么？》一书，罗杰·彭罗斯写了《皇帝的新大脑》一书。这让我对智能这个主题产生了浓厚的兴趣。在大学期间，我有机会实习于一些与神经科学和视觉有关的实验室，我开始对一个像“视觉”这样大胆的问题感到非常好奇，就像我们对宇宙起源或物质构成是什么这样的问题一样。这使我从物理学专业转到了人工智能研究，虽然在我们的时间里，人工智能还是一个让人有些忌讳的词，因为那时正值人工智能寒冬，主要开始关注机器学习、计算机视觉和计算神经科学。

Andrew Ng: 是的，我知道。老实说，当我在大学的时候，我太忙于写代码，几乎无视了人工智能寒冬的到来，只是一直在编写代码。你呢？

李飞飞: 是的，我也一直忙于解决偏微分方程。你成功了吗？

Andrew Ng: 这还在进行中。每当周末我有空闲时间思考学习算法的方向时，总是让人兴奋。Fei-Fei Li: 我完全同意。我们现在还处在类似牛顿之前的物理学阶段。伟大的物理学家和现象学都已经出现了，但是牛顿才开始总结简单的定律。我认为我们现在正在经历人工智能作为一门基础科学的激动人心的时代，从某种意义上说，我们还处在牛顿之前的阶段。

Andrew Ng: 听你说起来，尽管机器学习和人工智能已取得了很大的进步，还有很多未解之谜，还有很多工作有待我们和现在加入这个领域的人去完成。

李飞飞: 完全正确。让我们继续努力。

图像识别和ImageNet

Andrew Ng: 当人们谈论你的时候，最令人惊叹的一件事是你在ImageNet上的工作，为计算机视觉的现代崛起奠定了基础。不过，可能很多人不知道你是如何开始ImageNet项目的。能告诉我们ImageNet的起源故事吗？

李飞飞: 是的，谢谢。实际上，在ImageNet之前，我们还进行了一些类似的工作，例如Caltech 101。我们只是尝试着建立一些较大规模的数据集，以改进机器学习算法。当时，我们意识到，仅仅有Caltech 101这样的数据集是不足以支撑算法的。我们决定采取全新的方法。我们在Google图像搜索中看到了成千上万的图像，并决定下载这些图像。当然，下载并不那么容易。然后，我们构建了这个称为ImageNet的数据集，其中包含101个对象类别和大约30,000张图片。

Andrew Ng: 我还记得那个数据集。在很久之前，我使用过你们的Caltech 101数据集发表了一些论文。

李飞飞: 是的，你和你的研究生确实使用了我们的Caltech 101数据集。

Andrew Ng: 你们的工作真的使许多研究人员受益匪浅。ImageNet是一个巨大的成功，为全球无数研究人员提供了基准测试，推动了深度学习和计算机视觉的现代崛起。

李飞飞: 是的，这一巨大数据集的建立确实为世界各地的研究人员带来了很多价值。我们的初衷是为了改进机器学习算法，但它的影响远远超出了我们的预期。

人工智能在医疗保健中的应用

Andrew Ng: 我注意到，你一直积极参与将人工智能应用于医疗保健的工作，特别是在神经科学应用方面。我们很想了解更多关于这方面的工作。

李飞飞: 是的，非常高兴能谈到这个话题。我与斯坦福医学院的Arnold Milstein教授合作，开始了一个名叫「环境智能」的研究项目，旨在通过智能传感摄像头、机器学习算法等技术改进医疗保健等应用领域。我们发现，医疗错误导致的死亡人数每年高达25万人。这是一个令人震惊的数字，其中很多错误都是无意的，例如缺乏良好的手部卫生习惯。这在医疗保健体系中是一个巨大的问题。另外，每年花费超过700亿美元用于处理全额支付的伤害和死亡案例，其中大部分发生在家庭和医院内。我们意识到，如果我们可以在病房或老年人住所中使用智能传感摄像头等智能传感器，有助于医护人员和患者更安全地进行护理，那将是非常棒的。所以我们着手研究这个课题，我们称之为「环境智能」研究。然而，当我们将人工智能应用于实际人类条件时，除了机器学习问题外，还涉及到很多人类问题，如隐私等。

Andrew Ng: 我记得你和Arnold在该领域的一些论文中提到了隐私保护的方法，这些方法在实际应用中是有效的。感谢你为此工作做出的贡献。

李飞飞: 是的，谢谢。我们使用了不会捕捉RGB信息的摄像头，这样可以保护很多隐私信息，因为它们无法识别人脸和身份。但是，过去十年中，随着技术的变化，我们发现具有更好隐私保护的计算方法。例如，随着芯片越来越强大，如果不通过网络传输数据到中央服务器，在设备上进行推理是一种更好的选择。联邦学习可能仍处于早期阶段，但这是另一种隐私保护计算的潜在工具，此外还有差分隐私和加密技术。我们开始看到，人们对于隐私和其他问题的需求正在推动着新的机器学习技术在医疗保健中的应用。