#625 机器怎样学会看见世界

本期 Bear 聊的是李飞飞的回忆录《我看见的世界》，英文原名 The Worlds I See，2023 年出版。

**这本书是什么**

全书有两条并行的线。一条是个人成长史：李飞飞出生于北京，在成都长大，十五岁随家人移居美国新泽西，靠打工帮家里维持生计，同时在陌生教育系统里寻找位置，最终从普林斯顿读物理，到加州理工取得博士学位，再到斯坦福主持 AI 实验室。另一条是机器学习理解视觉的科学史，核心是 ImageNet，一个把数以千万计的图像组织进大量类别、并通过众包完成标注的项目，它提供了训练数据，也提供了让不同算法可以相互比较的公共基准。

**Bear 读完带走了什么**

最初被移民、AI、亚裔三个关键词吸引，听完有声书之后，真正留下来的还有第四个词：好奇心。这本书最有价值的部分，恰好发生在结果还不存在的时候。

ImageNet 的启发不只在技术层面。团队当年把重点放在数据的规模和多样性，而很多同行在改进算法，这个方向早期显得笨重，甚至不够"聪明"。后来，规模化数据、图形处理器和深度神经网络汇合，计算机视觉才出现标志性跃迁。这件事改变了 Bear 对技术突破的想象：训练材料越狭窄，模型就只会在狭窄世界里聪明。广泛输入的价值，在于它不断逼我们分辨什么属于对象本身，什么只是习惯的背景。

这个思路也影响了 Bear 对词汇学习的规划。生词本里接近八百个词，他想把它们导出，用 AI 帮忙分类，再观察词与词之间的关系。这个计划本身还不能证明效果，但它把任务从重复记忆改成了建立结构。

李飞飞的经历也让 Bear 在中年探索这件事上重新调整了重心。李飞飞十五岁时不可能预知自己会成为重要的 AI 科学家，ImageNet 刚发布时也没有立刻改变世界。每一个节点的人拥有的其实只是下一步。中年并不会自动关闭探索，它只是让试错成本和注意力分配变得更需要选择。

**这本书的边界**

Bear 给四星。它没有回答 AI 时代所有最难的问题，却提供了一份罕见的内部记录，让抽象的技术史重新长出家庭、贫困、导师、病痛和选择。但进入产业伦理和权力结构以后，叙述明显更谨慎，数据劳动的分配、巨型数据集包含的偏见、科技公司与公共利益的冲突，这些内容有出现，却很少被推到最尖锐的结论。

**外部评价**

经济学家 Shane Greenstein 称它"深思熟虑、真诚动人"（自译），并说有技术背景的人会更容易进入。计算机科学家 Ernest Davis 认为它在科学家回忆录里有少见的文学质量，特别赞扬对父母和高中老师 Bob Sabella 的描写温暖而鲜活。《柯克斯书评》则认为，技术细节、专业术语和偏克制的个人叙述削弱了情感影响，李飞飞作为 AI 先驱，本有机会更深入地回应技术的紧迫伦理问题。

**一句话总结**

Bear 尤其喜欢它拒绝把成功写成一个人的神话。ImageNet 常被缩写成李飞飞的代表作，书里却让读者看到标注者、学生、合作者和前辈共同组成的网络。真正改变人生的视野，往往从承认自己还没有看见什么开始。

Advertising Inquiries: https://redcircle.com/brands

Privacy & Opt-Out: https://redcircle.com/privacy