Fei-Fei Li: 用 AI 提升你的智力、丰富人类 | 李飞飞博士

本期节目以李飞飞对技术引发的代际焦虑的看法开场。她认为，人类“永远学不会”的一点，是老一代总在哀叹下一代什么都不懂、没有礼貌，或正在遗忘过去。纵观历史的发展轨迹，她说人类“总体而言”是在向更好的方向前进。她明确表示并不否认那些暴行和挫折。在她看来，孩子们充满好奇：他们被这项技术“极大地娱乐”着，但也开始使用它。

我担心的是教师和一些家长，因为我认为今天的社会，尤其是硅谷，并没有为他们提供帮助。我们正在遗忘他们。

Andrew Huberman 介绍李飞飞：斯坦福大学计算机科学家、教授，人工智能与计算机视觉领域的先驱，斯坦福以人为本人工智能研究院院长。他提到，她被称为“AI 教母”，既因为她帮助推动了 AI 技术的出现，也因为她坚持让伦理和善意用途始终处于 AI 与机器人技术的核心。他将这场对话定位为：从神经科学的角度探讨智能是什么、人脑如何学习，以及建立在互联网内容之上的 AI 在哪些方面与人类学习相似、又在哪些方面有所不及。他还补充说，李飞飞承认人们对 AI 有许多合理的担忧。

Huberman 从视觉谈起。他指出，对大多数人来说，视觉和光听起来与 AI 毫无关系，但他认为一切正是从这里开始的。李飞飞回答说，视觉是智能的基石，体现在两条平行的线索上：生物进化，以及 AI 领域中计算机视觉的发展史。

在进化方面，李飞飞说，5.4 亿年前，动物“看到了第一缕光”。这些是简单的海洋动物，比如三叶虫及其近亲。在此之前，感知能力非常有限。触觉大约在同一时期开始出现，但据她所说，当时没有听觉、没有嗅觉，也完全没有神经系统。她的论点是，感光细胞造就了一股进化力量。感知外部世界改变了动物与世界的关系：能看见的动物可以找到食物、寻找配偶，也会成为别人的食物。她引用化石研究指出，寒武纪动物物种大爆发发生在第一缕光出现之后 1000 万年。

简单来说，从进化的角度看，如果你能看见食物，你的生活就会改变

李飞飞还认为，视觉在高级智能中依然处于核心地位。她引用一项估计称，人脑中一半的皮层活动参与视觉功能，并指出在发育过程中，儿童先具备视觉能力，后具备语言能力。

李飞飞所说的第一项贡献涉及算法。计算机科学家在 20 世纪 50 年代初开始试验神经网络。同一时期，Hubel 和 Wiesel 等神经科学家正在记录哺乳动物大脑中的视觉细胞。他们发现了一个神经细胞层级结构，信息由此逐级向上传递，从视网膜收集光线，到识别出某个形状的存在。李飞飞说，这种结构是神经网络算法的灵感来源之一。她也指出了这一类比的局限：如今的网络依靠数千亿乃至数万亿个参数运行，其复杂程度已“偏离”了在哺乳动物视觉通路中记录到的情况，尽管这两条研究线索都始于半个多世纪前。

第二项贡献是数据，这也是李飞飞本人工作的切入点。她说，在世纪之交前后，机器学习处于探索阶段。各实验室在尝试神经网络的同时，也在尝试其他方法，比如贝叶斯方法和支持向量机。2006 年，作为普林斯顿大学的一年级教员，她和学生们注意到，这些算法可供学习的数据少得可怜。她转向研究视觉的认知神经科学文献，发现人类到 6 岁时能学会数万个物体类别。人类还会接触到海量视觉输入，因为婴儿从出生那一刻起，大部分时间都能看见东西。

所以我们推测，数据的缺乏是 AI 缺乏进展的一个重要原因。

李飞飞说，这让她的团队与只关注算法的研究者产生了分歧。成果便是 ImageNet，她称之为首个面向 AI 的互联网规模数据集。她说，该数据集包含 5000 万张图像，旨在推动机器识别日常物品，比如麦克风、杯子和椅子。据她所述，ImageNet 与日趋成熟的神经网络算法和 GPU 计算汇聚在一起，到 2012 年，这三种要素的汇合“成为了现代 AI 的决定性时刻”。

Huberman 回忆起大约 2012 年在冷泉港每两年夏天举办一次的视觉课程上的一场辩论：计算机能否像人类一样学会识别特定的人脸？他认为，如今大多数人会说计算机在这方面要强得多，尽管有些“超级识别者”在这方面能力非凡，李飞飞对此表示同意。他问，这项技术是如何从把一个人与长相相似的人混淆，发展到如此精准的。

李飞飞更详细地重述了这次汇合。GPU 计算实现了并行运算，使更多运算能够通过算法。神经网络始于 20 世纪 50 年代，由非常简单的单元堆叠而成，每个单元接收一个输入并应用一个简单的函数；到 2010 年前后，神经网络已经成熟。最后，她描述了一个“清算时刻”：研究者意识到，借助互联网变得更易获得的大数据，必须成为学习模式这一等式中的一部分。她强调，这些人工单元远比真实的神经元简单。

她接着介绍了她的实验室于 2010 年发起的 ImageNet 挑战赛，当时 GPU 尚未成熟。这是一项公开的、持续多年的物体识别竞赛。测试数据涵盖 1000 个物体类别和 100 多万张图像。算法看到一张图片后，必须说出其中的主要物体，答对得一分。几年后，斯坦福的一名研究生被用来作为人类表现的基准。李飞飞起初说结果大约是 4%，随后自我纠正：4% 是人类的错误率。随机猜测的正确率为千分之一。

早些年，机器的表现不如人类。李飞飞称 2012 年为转折点，那一年神经网络、ImageNet 数据和 GPU 汇聚在一起。当年的错误率“降到了十几”，仍未达到人类水平。但与之前的算法相比，降幅之大让研究者意识到这是一个拐点。据她所述，到 2016 年，算法在识别 1000 个物体类别方面超越了人类。她说这中间“又过了三年”，但同时提到了 2012 年和 2016 年，因此转录文本中的确切时间间隔并不清楚。

Huberman 问人类 4% 的错误来自哪里，李飞飞说时间压力不是主要问题，不过她怀疑哪个研究生会愿意永远做这项任务。主要的限制在于记忆：即便有些类别是熟悉的，要记住 1000 个物体类别的模式也很难。细微的区分，比如亲缘关系很近的犬种之间的区别，也会增加混淆。

Huberman 问是否在听觉上也尝试了同样的方法。他指出，人类非常善于识别语调变化和情绪语气，但作为非音乐人，他连区分 15 种不同的声音频率都会很吃力。李飞飞说“闸门打开了”：语音识别、声音识别、自然语言处理和视觉都得到了推动。她提到斯坦福有同事用机器学习研究鲸歌，并说语音识别在 AI 革命早期就表现良好。

李飞飞认为，下一次大飞跃发生在自然语言处理领域，而非计算机视觉。Transformer 论文在“大约 2016、2017 年”发表后，很快就被证明比 ImageNet 时代的 AlexNet 算法更强大。她认为配方并没有变：更强大的神经网络、更易获得的互联网数据（这次是文本），以及更强大的 GPU。OpenAI 和谷歌等公司纷纷围绕这项技术发力。即便如此，从 2017 年到 2022 年，还是花了大约五年时间才迎来她所说的 ChatGPT 时刻。