李飞飞(Fei-Fei Li)是斯坦福大学的计算机科学教授,也是斯坦福HAI(Human-Centered AI Institute,以人为本的人工智能研究院)院长。此前,她还担任Google云的人工智能首席科学家。


吴恩达(Andrew Ng)是斯坦福大学计算机科学系和电气工程系的客座教授,曾任斯坦福人工智能实验室主任。他与Daphne Koller一起创建了在线教育平台Coursera。


两位是目前在人工智能领域最知名的华裔科学家。


5月中旬,两位AI领域的领导人物做了一次对谈,从他们各自是如何进入人工智能领域谈起,话题涉及深度学习中的重要数据集ImageNet的创建故事、李飞飞对AI技术的阶段判断、李飞飞在医疗领域的AI项目、两人在人工智能政策和人工智能教育方面的一致兴趣,以及李飞飞是如何从15岁移民到美国、开洗衣店赚学费开始,最终成为AI领域的关键人物的。


这次对谈不止涉及人工智能技术,更涉及个人成长和教育,尤其在人工智能时代。对谈中,李飞飞不断强调她如何寻找自己的“北极星(north stars)”,并始终按照这颗定位之星的引导做选择,最终成就AI领域的成绩。正是这一点促使我们编译了这次对谈,也希望它鼓励到你。


不要忘了寻找人生的北极星


吴恩达:我们认识多久了?我都记不清了。


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。我2009年来到斯坦福,但我们2007年就有沟通,所以已经有15年了。


吴恩达:我还清楚地记得,我和克里斯·曼宁(Chris Manning,斯坦福大学计算机科学系和语言学系教授)等人在想方设法把你招募到斯坦福时,压力有多大。


李飞飞:那并不难,我只需要安置好我的学生,处理好生活问题就行,难的是拒绝斯坦福。


吴恩达:能与你成为朋友和同事真是太好了。


李飞飞:我也是,时间很久了,我们很幸运,能够成为见证人工智能伟大进展的一代人。


吴恩达:关于你的背景,有一点一直让我感觉到鼓舞。如今,各种背景的人都在进入人工智能领域,他们的专业背景与此不相关,有时会怀疑自己是否适合选择人工智能这条路。你最初是学习物理学的,后来才转变方向,成为全球认可度最高的人工智能科学家之一。你是如何从物理学转向人工智能的?


李飞飞:这是一个很好的问题,尤其是考虑到我们俩都对年轻人进入人工智能领域的未来充满热情。事实是,如果我20多年前能够进入人工智能领域,那么今天任何人都可以,因为它已经成为一种普及且具有全球影响力的技术。


但就我个人而言,我进入这个领域有偶然性。我一直是一个物理学迷或者STEM迷(注:STEM即Science, Technology, Engineering and Math,一种以科学、技术、工程和数学为核心的教育模式),我相信你也是。物理学一直是我从初中到高中再到大学的热爱,所以我去了普林斯顿大学主修物理学。物理学教给了我一件事,那就是对提出重大问题和寻求你的“北极星(north stars)”的热情。


在普林斯顿时,我非常享受做一个物理学学生,我做的其中一件事就是阅读20世纪伟大物理学家的故事和著作,比如阿尔伯特·爱因斯坦、罗杰·彭罗斯和埃尔温·薛定谔。有趣的是,他们后期的著作不仅仅涉及原子世界或物质世界,而是对诸如生命、智能和人类条件等同样大胆的问题进行思考。薛定谔写了一本名为《生命是什么》的书。


罗杰·彭罗斯写了《皇帝新脑》这本书,激发了我对智能的好奇心。上大学的时候,我在顶级神经科学实验室实习,特别专注于与视觉相关的研究。这个问题让我着迷,就像宇宙起源或物质组成一样。这促使我从本科的物理学学习转向攻读人工智能的研究生学位。


那时AI被视为一个贬义词,因为那时候是AI的寒冬时代,其特点是专注于机器学习、计算机视觉和计算神经科学。作为本科生,我太过专注于代码,没有过多关注AI寒冬现象。


吴恩达: 我知道。我还是本科生的时候,也忙着写代码,对AI寒冬毫不在意。


李飞飞:是的,我那时忙着解决偏微分方程。


AI基础科学缺位,我们仍处于AI的前牛顿时代


吴恩达: 你现在脑子里有什么大胆的想法吗?


李飞飞: 有的,我的想法仍然与人工智能有关。虽然人工智能(AI)和通用人工智能(AGI)等术语现在已被广泛使用,但人类尚未完全掌握智能背后的基本计算原理。我梦想能够发现一组简单的方程或原则,定义包括动物智能和机器智能在内的所有智能,这与物理学中的探索相似。


例如,涉及到飞行时,许多人会思考我们是在模仿鸟类还是只是造了一架飞机。人工智能与大脑之间的关系常常引发类似问题。最终,无论鸟还是飞机,支配飞行过程的是空气动力学和物理原理。我坚信,总有一天我们会发现AI背后的基本原理。


吴恩达:有时我会思考一个单一学习算法的假设。是否有可能将智能的大部分,或许不是全部,解释为一个单一或者基本的机器学习原理?目前看来,我们距离解开难题还很远。但是刚刚那个周末,当我有空思考学习算法及其潜在发展方向时,我感到兴奋,仅仅思考这个问题就令人激动。


李飞飞:完全赞同,如果用牛顿之前的物理学类比,我觉得我们现在还处于前牛顿时代。那个时期已经有伟大的物理学家、有许多现象学、对星体运动等方面的研究。但是,只有牛顿开始用非常简单的定律解释物理现象。我认为,我们正在经历一个AI成为一门基础科学的非常激动人心的时刻,就像前牛顿时代一样。


吴恩达:听你谈机器学习和人工智能取得了如此大进展,真是太好了。尽管如此,仍然有很多未解答的问题,现在加入该领域的人要做的工作可能要比已完成的工作多得多。


李飞飞:当然,算一下,AI发展才不到60年的时间,这是一个新兴领域。现代物理学、化学和生物学都已有数百年的历史了。今天进入该领域并研究AI非常令人兴奋。


吴恩达:实际上这很好。我曾与已故的约翰·麦卡锡(John McCarthy)教授聊过,他创造了“人工智能”这个术语,自从他在一个研讨会上构思并提出AI这个术语以来,该领域已经发生了很大变化。但也许再过十年,也许正在观看这个视频的某人会提出一套新的理念,然后我们会说,哇,AI与你和我想象的完全不同。这才是我们面对的令人兴奋的未来。


李飞飞:是的,我相信牛顿是不会想到爱因斯坦的。我们的科学演变有时会出现飞跃,有时需要时间,我认为我们现在正处于令人兴奋的AI阶段。


从开自助洗衣店到研究人工智能


吴恩达:听你为AI描绘的宏大愿景很有趣。回忆一下,你成长背景中有一点让我受到鼓舞,最开始我听说你是一个物理学专业的学生,不仅如此,你还开着一个自助洗衣店来支付学费,请和我们谈谈这段经历。


李飞飞:我15岁来到美国的新泽西州,来这里的一个好处就是它靠近普林斯顿,所以我经常和父母一起周末去那里参观,欣赏爱因斯坦在他晚年的大部分时间里度过的地方(注:普林斯顿大学处于纽约与费城之间,1933年逃离纳粹德国后,爱因斯坦在这里度过了人生的最后20几年)


但是移民生活非常艰难。当我进入普林斯顿大学时,我父母不会说英语。结果发现,经营干洗店对我家来说可能是最好的选择,尤其是对我是个好选择,我可以在周末管生意。


如果生意要在日常做,作为学生我很难兼顾学业。事实上,经营一个干洗店需要很多机器,对于像我这样的STEM学生来说非常有利。我们决定在新泽西州的一个小镇上开一家干洗店,叫做Parsippany。结果我们离贝尔实验室和早期大量卷积神经网络研究的地方并不远,但我一点都不知道。


吴恩达:很久以前,我在AT&T贝尔实验室当过夏季实习生。


李飞飞:没错,和Rob Shapiro一起工作。


吴恩达:我的导师是Michael Kearns,Rob Shapiro则是创造者算法(creator algorithms)的发明者。 


李飞飞:你在写代码的时候,我在努力洗衣服。


吴恩达:很晚之后我才在那儿实习。


李飞飞:是的,有七年了。我本科期间一直做这个工作,研究生阶段大部分时候也是,我“雇”了父母一起干活。


吴恩达:真的很鼓舞人心。我知道你一直以来都在做一些鼓舞人心的工作,从经营洗衣店到成为享有全球声誉的计算机科学家,我希望这个故事能激励到观看这个视频的人,让他们都能知道,无论你身处何地,都有很多机会等着你。


我在高中时的工作是办公室行政,至今还记得当时要大量复印文件。让我兴奋的部分是使用碎纸机,那真是个光鲜亮丽的工作。我在高中喝了那么多咖啡,那时就想,天啊,要是可以建一个机器人来替我做咖啡,或许我可以做些其他事情。


李飞飞:你成功了吗?


吴恩达:还在努力。


ImageNet的故事:Think Big


吴恩达:当人们想到你和你所做的工作时,每个人都会想到的巨大成功之一是ImageNet,它帮助建立了计算机视觉的早期基准。它真的完全有助于深度学习和现代计算机视觉的兴起。我打赌,没有多少人知道你实际上是如何开始搭建ImageNet的。说说ImageNet的起源故事吧。


李飞飞:这是个好问题,因为很多人认为ImageNet只是标记大量图像。但我们真正的起始点,是在北极星把我的物理学背景带回之后。当我进入研究生院时。你什么时候读研的?


吴恩达:1997年。


李飞飞:我是3年后,2000年。那是一个非常激动人心的时期,因为我在加州理工学院Pietro Perona和Christof Koch的计算机视觉和计算神经科学实验室工作。在此之前,有两件事非常令人兴奋。一是当时的AI还不叫 AI。计算机视觉或自然语言处理更加通用。机器学习、统计建模作为一种新工具出现了。我的意思是,它们已经到处都是。


吴恩达:我记得,将机器学习应用于计算机视觉的想法出现时,还是一个有争议的事情。


李飞飞:是的,我是开始接纳和拥抱基础网络、推理算法等内容的第一代毕业生。这是第一个令人兴奋的。其次,大多数人并不知道也不太能够欣赏的是,在大约二三十年的时间里,认知科学和认知神经科学在视觉领域展开了令人难以置信的工作。这些研究解决了几个非常关键的问题,例如人类视觉处理和对人类智能的理解。


其中一个问题是对客观对象和客观事物的识别,很多心理学和认知科学的研究指出,这是一种与生俱来的进化本能——不要管这个词是什么意思,总之,他们认为人类智能的功能性和能力比我们想象的还要更加稳健、快速和细致。我们甚至发现了与人脸、地点或身体部位相关的神经元和脑区。


这两个因素促使我在博士研究中使用机器学习方法来研究真实世界的物体识别。但很快就发现,我们面临的最重要的挑战之一是在人工智能和机器学习中普遍存在的泛化能力不足的问题。即使你设计出一个很好的模型,如果过度拟合了模型,也是无法解决识别问题的。


吴恩达:我记得以前可以发表一篇计算机视觉论文,展示它在一张图像上的识别效果。


李飞飞:就是过度拟合的问题。模型的表达能力不够强,而我们又缺乏数据。我们过于依赖手工设计的特征,认为每个变量都具有丰富的语义含义。然而,在我博士快结束时,我的导师Pietro和我开始相互看着说,哇,我们需要更多的数据。如果我们相信目标识别是个关键问题,回顾我们所拥有的工具,从数学的角度来看,我们遇到的每一个模型都会发生过度拟合。我们需要重新审视这个问题。一件事会引发另一件事,于是,他和我决定启动一个被称为Caltech 101的大规模数据项目。


吴恩达:我记得这个数据集。很久以前,我使用过你们的Caltech 101数据集撰写论文。


李飞飞:是的,你和你的研究生学生都用过。


吴恩达:你那个Caltech 101数据集,帮助了许多研究人员。


李飞飞:那时候是我和我妈妈标注的图像,还有几个本科生,那是互联网的早期阶段。突然间,数据的可用性成为一种新事物。我记得Pietro当时还有一台非常昂贵的数码相机,可能是佳能的,大约要6000美元,他就拿着相机在Caltech周围拍照。


但我们是互联网时代的人,我用了Google的图像搜索,开始看到成千上万张图片,然后我告诉Pietro:“我们下载吧。”当然,下载没那么容易。


再往下走,我们就建立了这个Caltech 101数据集,其中包含101个物体类别,约3万张图片。


吴恩达:今天每个人都听说过ImageNet,甚至你们还经历了几次迭代,它很成功。很多人都在使用它,这也为你更大的成功奠定了基础。


李飞飞:没错,当我成为助理教授时,我们开始思考这个问题。我意识到事情比我们想象的要复杂得多。从数学角度而言,Caltech 101并不足以支持算法。我们决定做一份图像数据集。那个时候人们开始觉得我们做得太过火了。下载整个互联网上的图像,映射出所有的英文名词,这个想法有点……我开始遇到很多反对。我记得在一次CVPR会议上,当我展示了ImageNet的早期想法时,几位研究人员公开质疑说:“如果你连一个类别的物体都无法识别,比如你坐的椅子,你如何想象或者使用一份包含22000个类别和1500万张图像的数据集?”


吴恩达:最终,那个庞大的数据集为全球各地的无数研究人员贡献了价值。


李飞飞:我想,是不断寻找正确的关键问题,以及越来越多的数据出现,两者结合让奇迹发生了。这是一个有趣的过程。


吴恩达:对我来说,我想到这个故事的时候,会想到人们常常觉得他们一开始就只应该做不那么大的项目,你受到的质疑只是这类诸多例子中的一个。不过我也觉得,对于从事机器学习的人来说,如果你的第一个项目规模相当小一点,也完全没问题。取得一次好的胜利,利用所学经验逐步进入更大的项目,有时你会取得像ImageNet那样的巨大成功。


李飞飞:但与此同时,我认为被一个宏伟目标驱动也很重要,你可以根据旅程中的里程碑事件来调整问题规模或项目规模。不过我也看到我们当前一些学生受到了持续发表论文的巨大压力,他们只是为了发表而发表。我个人总是鼓励我的学生问自己这个问题:“驱动你的北极星是什么?”


吴恩达:对,是真的。多年来,我自己在做研究时,几乎总是在做让我兴奋的事情,在把研究视野推向更远的领域。不必都听别人的。倾听人们的意见,但最终, 我认为最好的研究者会根据自己的观点推动事物发展。


李飞飞:完全赞同,那是你内心的驱动力。


人工智能与医疗结合


吴恩达:随着你研究计划的发展,你已经掌握了计算机视觉和神经科学的基础,并将其应用于各种领域,包括非常明显的医疗保健。就神经科学的应用,我们想再多获得一些信息。


李飞飞:我很愿意。我认为我在计算机视觉方面的研究也在随着动物视觉智能的进化而进化。有两个话题真正让我兴奋,一个是,什么才是真正可以帮助人类生活的重要应用?这个是我在医疗保健领域的工作。另一个话题是,你一天结束时的愿景是什么?这个问题让我开始尝试为感知和机器人学习之间建立闭环。


在医疗保健领域,大约 10 年前,我遇到我的长期合作伙伴斯坦福医学院的Arnie Milstein博士时,有一个数字让我震惊,每年大约25万美国人死于医疗事故。我从来没有想过由于医疗失误会有这么高的死亡数字。原因有很多,但我们可以放心,大部分原因都不是故意的。


吴恩达:难以置信的数字。


李飞飞:是的。


吴恩达:每年因汽车事故死亡的人数约为4万人。这完全是个悲剧,而因医疗死亡的数字要大得多。


李飞飞:我正要说这个,很高兴你提到了这一点。这只是其中一个例子。在令人难以置信的数字中,其中一个数字是医院感染导致死亡的人数,超过了9.5万人。这比车祸死亡人数多2.5倍。


医院感染是由许多因素造成的,但主要是由于缺乏良好的手部清洁卫生实践。如果你看一下世界卫生组织(WHO),他们已经制定了很多关于临床医生手部卫生实践的协议。但在实际的医疗服务过程中,事情繁忙、流程繁琐、缺乏反馈系统时,医院仍然会犯很多错误。


每年超过700亿美元都花费在完全可避免的伤害和死亡上,这是另一个悲剧性的医疗事实。其中大部分发生在老年人的家中,也发生在医院病房里。这些都是巨大的问题。


当我和Arnie在2012年开始合作时,自动驾驶汽车正处于风靡一时的阶段,也不能称之为炒作,但应该用什么词来形容呢?是硅谷的兴奋。然后我们看了智能传感摄像头、激光雷达、雷达、智能传感器、机器学习算法,以及对包含人在内的复杂环境的理解。我当时看着所有这些用于自动驾驶汽车的技术,意识到在医疗服务中,我们也面临着同样的情况。


医疗过程中的很多环节都是未知的。如果我们能在患者房间或老年人的家中使用智能传感器,来帮助医护人员和患者更安全,会很棒。Arnie和我开始了我们所称之为“环境智能”的工作。


我学到的一件事,可能会引导我们讨论其他话题,那就是一旦将人工智能应用于真实的人类情况中,除了机器学习问题,还涉及到许多人类问题,例如隐私。


吴恩达:我读过你和Arnie的一些论文,发现你们能够构建和部署相对具有隐私保护性的系统,这让我觉得非常有趣。


李飞飞:是的,非常感谢。首先,我们使用的第一代技术是使用不捕捉RGB信息的摄像头。自动驾驶汽车中也使用了很多这样的摄像头,比如深度摄像头。通过不观察人们的面部和身份,这种摄像头可以保护很多隐私信息。但过去10年间真正有趣的是技术的变化,这实际上为我们在这个背景下实现隐私保护计算提供了更多工具。例如,设备的本地推理。


随着芯片的日益强大,如果你不需要通过网络传输任何数据到中央服务器,你就可以更好地帮助人们。虽然我们知道联邦学习仍处于早期阶段,但它是另一种潜在的隐私保护计算工具。此外,还有差分隐私和加密技术。我们开始看到,对隐私和其他问题的人类需求,正在推动环境智能在医疗保健领域的机器学习技术新浪潮。


吴恩达:是的,我很高兴看到你们实际应用了差分隐私。正如你所说,联邦学习可能在宣传方面超前于实际情况,但我认为我们会实现这一点。有趣的是,在过去几年中,消费者对隐私问题变得更加了解和意识到其重要性,这是令人鼓舞的。


李飞飞:非常重要,我认为公众也在推动我们成为更好的科学家。


吴恩达:是的,我认为人们最终会意识到AI影响着每个人,包括我们自己,它会使每个人都去做正确的事情。


AI研究者要积极参与人工智能政策和人工智能教育


吴恩达:您一直在做的一项真正有趣的工作是帮助教育立法者,并协助政府,尤其是美国政府制定更好的法律法规,尤其是与人工智能相关的法律法规。我认为这是一项非常重要的工作,尽管有时可能会令人沮丧。我们很乐意听到更多相关信息。


李飞飞:大约4年前,我正在结束Google的休假,就开始与很多企业合作。企业开发者、大量不同垂直行业正在意识到AI对人类的影响。那时,斯坦福大学的许多教师领导以及我们的校长、教务长、前校长和前教务长齐聚一堂,意识到斯坦福大学需要在人工智能的进步中发挥历史性作用。我们是AI诞生地的一部分。很多工作,正是我们上一代人做过的、你做过的所有工作和我做过的一些工作,导致了今天的人工智能,那么,我们的历史机遇和责任到底是什么?


我们认为,下一代人工智能教育、研究和政策需要以人为本。在建立了以人为本的人工智能研究所(Human-Centered AI,HAI)之后,真正让我走出舒适区或任何专业知识的工作之一,就是与政策思想家和制定者更深入地接触。我们在硅谷,硅谷有一种文化,就是我们一直在制造东西,法律会自己跟上。


但人工智能正在影响人类生活,有时甚至产生负面影响,速度如此之快,以至于对我们任何人都不利。如果我们这些专家没有与政策思想家和制定者坐在一起,真正努力让这项技术更好地造福于人们会怎样?我们会谈论公平、隐私,我们也在谈论人工智能造成的工业人才外流,以及数据和计算机集中在少数科技公司中。所有这些议题都是我们时代变化的一部分。有些是真正令人兴奋的变化,有些具有我们尚无法预测的深远影响。


斯坦福人工智能研究所(Stanford HAI)非常自豪地参与了一项政策工作,即游说通过《全国人工智能研究资源任务组法案》(National AI Research Resource Task Force Bill)。该法案呼吁成立一个任务组,为美国的公共部门,尤其是高等教育和研究部门制定路线,以增加其获取人工智能计算资源和数据资源的能力,旨在重振美国在人工智能创新和研究方面的生态系统。我是拜登政府负责该法案的12人特别工作组成员,我们希望这是一项非监管政策,更多地是激励政策,用于构建和重振生态系统。


吴恩达:我很高兴你能这样做,帮助塑造美国的政策,并确保足够的资源被分配以确保人工智能的健康发展。我觉得这是每个国家目前都需要做的事情。


就你自己正在做的事情,包括全球人工智能社区在做的事,就可以看出来现在人工智能领域有如此多事正在发生。我发现对于第一次接触机器学习的人来说,有时会发生太多事情,他们几乎都会感到有点不知所措。对刚开始想要在机器学习领域学习的人,你有什么建议吗?


李飞飞:问得好,Andrew,我相信你有很好的建议。你是全球知名的AI机器学习教育倡导者之一。我也经常收到这个问题,有一件事你完全正确,那就是今天的AI确实感觉与我们的时代不同。


吴恩达:郑重声明,现在仍然是我们的时代。


李飞飞:我们开始研究AI时确实如此,我很高兴我们仍然身处其中。我们刚开始接触AI和机器学习时,入门比较狭窄。你几乎必须从计算机科学开始。作为一名物理专业的学生,我仍然不得不将自己挤进计算机科学轨道或电气工程轨道才能继续研究AI。但是今天,我觉得AI的多面性为各行各业的人创造了切入点。


在技术方面,我认为很明显,从Coursera到YouTube,从TikTok到Github,互联网上有令人难以置信的资源。与我们的时代相比,全球的学生可以学习AI和机器学习的东西太多了。还有校园,我们谈论的不仅仅是大学校园,我们谈论的是高中校园,甚至有时更早,我们开始看到更多可用的课程和资源。


还有很多未知问题需要回答,例如,我在HAI的同事正试图找到关于“如何定义我们在数字时代的经济”这个问题的答案?当机器人或软件越来越多地参与工作流程,这意味着什么?你如何衡量我们的经济?那不是AI编码的问题,而是AI影响的问题。


我们正在关注生成式AI令人难以置信的进步。这对创造力以及对从音乐到艺术再到写作的创作者来说意味着什么?我认为还存在很多相关问题,与此同时,需要人们齐心协力解决这些问题并使用这个新工具。


吴恩达:当你谈到经济学时,这真的很令人兴奋,想想我与Erik Brynjolfsson教授的谈话,我们谈到人工智能对经济的影响。从你所说的来看,我同意,似乎无论你目前的兴趣是什么,人工智能都是一种通用技术,把你的兴趣和人工智能结合是有前途的。我发现,即使对于可能还没有特定兴趣的学习者来说,如果你找到了进入AI的道路,开始学习东西,通常你的兴趣会自我发展,然后你就可以跟着规划自己的道路了。考虑到今天的人工智能仍然有很大的进步空间,也非常需要更多人来开辟道路,去做令人兴奋的工作,我认为我们仍然需要更多人。


你做的一件我认为非常酷的工作,是开始一个最初称为SAILORS的项目,后来是AI4ALL,它能真正接触到高中生甚至更年轻的学生,给他们更多的AI机会, 我很想听到更多相关信息。


李飞飞:这是本次谈话的灵魂。2015年,AI开始有多个振奋人心的时刻,但也开始有人谈论杀手机器人来到门前啦,终结者来了。当时你是斯坦福人工智能实验室的主任,我在想,我们知道我们离终结者的到来还有多远,这似乎有点牵强。但我的工作生活中有一个我觉得没有人在谈论的真正担忧,就是人工智能缺乏代表性。那时,在Daphne离开后,我是斯坦福人工智能实验室唯一的女职员。我们的女研究生人数很少,大约15%,而且我们真的没有在斯坦福AI项目中看到来自任何少数群体。这是一个国家甚至全球性的问题,所以不仅仅是斯坦福。


我们如何做到这一点?我和我以前的学生Ugawa Sakofski,以及来自斯坦福Pre-Collegiate学习项目的Rick Summer 博士一起,想邀请当时的高中女生来参加一个暑期项目,激励他们学习人工智能,那时候是2015年。2017年,我们得到了Jensen、Lori Huang 和 Melinda Gates等人的大力鼓励和支持,成立了一个全国性的非营利组织 AI4ALL,致力于培训或塑造未来的AI领导者。


吴恩达:我记得那时你的团队正在印制这些非常酷的T恤,T恤上的问题是:AI将改变世界,谁来改变AI?我认为确保每个人都能参与进来的答案是一个很好的答案。


李飞飞:今天来看,这仍然是一个重要的问题,也是一个非常新兴的领域。正如你所说,我们还在身处其中。我仍然觉得有太多问题让我一觉醒来就很兴奋,能在实验室和学生们一起研究。而且我认为对于那些想要学习、贡献和塑造明天的人工智能的年轻人来说,还有更多的机会。


本访谈视频链接:

https://www.youtube.com/watch?v=UNhC6Ox0T0o&t=1906s


本文来自微信公众号:新皮层NewNewThing(ID:gh_38b8653e0e0b),作者:陆彦君