李飛飛：我更像物理學界的科學家，而不是工程師

來源｜The Robot Brains Podcast

翻譯｜胡燕君、程浩源、賈川、沈佳麗、許菡如

新一輪深度學習崛起的引爆點是AlexNet，而它的爆發卻離不開“燃料”ImageNet數據集。

斯坦福大學教授李飛飛正是ImageNet的發起人和推動者，在她看來，ImageNet就是重塑計算機視覺或機器學習的“北極星”。

不過，這一數據集的建立歷經曲折，彼時遭受了包括Jitendra Malik教授在內不少人的質疑，如果項目失敗，很大可能影響李飛飛拿到終身教職。不過，她還是頂住質疑，堅信創建ImageNet是必要的。

歷經數年努力，李飛飛和她的團隊建立了ImageNet數據集，包含使用日常英語標記的1400萬張圖像，跨越218000個分類，爲後來“AlexNet時刻”的到來提供了不可或缺的助力，ImageNet競賽後來也成爲計算機視覺領域的研究人員角逐算法效果的大舞臺。

也是在深度學習走紅的那一年，她與當時的博士生Andrej Karpathy開設了在斯坦福備受歡迎的深度學習課程CS231n，它也成爲在網絡上爆火的最早、最權威的深度學習課程，極大地推動了深度學習知識的普及。

作爲一名華裔科學家，李飛飛的成長故事非常勵志。她出生於北京，在成都長大，16歲隨父母移居美國，爲了支撐一家人的生計和她的學業，她去了在中餐館打工、做家庭保潔員。19歲，她在普林斯頓大學的物理學專業就讀，期間開辦了一家乾洗店。

而後，她的學術生涯一路向前，人生迎來轉機。2005年，她在加州理工學院獲得電子工程專業的博士學位，直到2012年，她晉升爲斯坦福大學終身職的副教授，並擔任人工智能實驗室主任。2017-2018年學術休假期間，李飛飛擔任谷歌副總裁、谷歌AI/ML首席科學家一職。2020年以來，陸續當選美國國家工程院院士、美國國家醫學院院士、美國藝術與科學院院士，也是唯一一位當選“美國三院士”的華裔女性科學家。目前，她致力於“以人爲本”的人工智能研究所（Stanford HAI）的工作。

從爲了維持生計和學業當保潔員，到成爲斯坦福教授和享譽AI領域的科學家，她是如何做到的？ImageNet對深度學習的崛起意味着什麼？她目前對AI發展的關注重心是什麼？又如何看待AI學界人才等資源外流的現狀？去年8月，在Pieter Abbeel主持的The Robot Brains Podcast節目中，李飛飛都一一作了解答。

以下是對話內容，OneFlow社區做了不改變原意的編譯。

1

從保潔員到從事AI相關研究

Pieter Abbeel：你的職業道路非常傳奇，在成爲斯坦福教授之前，你一開始是在乾洗店工作。

Fei-Fei Li：是的，乾洗店是我的“創業起點”。我們一家是典型的移民家庭，需要努力解決生計，遇到了很多困難，包括我父母不會說英語等等。19歲，我入讀普林斯頓大學後，當時覺得開一家乾洗店是最好的選擇，尤其它還是週末營生，我就有時間去幫忙，還可以分擔店裡的很多體力活，這就是我的起點。

Pieter Abbeel：如果回到那段乾洗店歲月，你會想到未來會從事跟AI有關的工作嗎？

Fei-Fei Li：當然不會。當時，我的生活有一個貫穿始終的主題，那就是打工。我的第一份工作是在一家中餐館打下手，後來做過一段時間的家庭保潔，然後纔是乾洗店。但我並沒有讓這樣的生活定義我自己，這些只是移民生活的一部分，是爲了讓我和家人在陌生社會站穩腳跟所必須經歷的事情。

真正定義我的，是我對科學的熱愛。我在普林斯頓主修物理，物理探究的是宇宙最本源的問題，非常具有想象力。那時，我隨身都帶着書，在中餐館和乾洗店工作的間隙就會讀書。在AI出現在我的生命中之前，日子就是這樣度過的。

Pieter Abbeel：那你後來是如何進入AI領域的？

Fei-Fei Li：一切可能是偶然，也可能是命中註定。我當時對物理很着迷，現在我仍覺得自己更像物理學家，而不是工程師。

我讀過很多20世紀最偉大的物理學家的書，包括我最喜歡的愛因斯坦和薛定諤，還有我童年時期非常崇拜的Roger Penrose，他在2020年獲得諾貝爾獎，當然還有霍金。

讀這些書時，我有一個意外發現：愛因斯坦、薛定諤和Penrose到了職業後期，會更多地討論精神世界，而不是物質世界。我們知道，物質世界關注的是宇宙邊界、時間開端、原子亞結構等，但是精神世界關注的是我們是誰、生命的意義是什麼等問題。

這些問題引起了我的共鳴。不知怎麼地，我跟隨了他們的腳步，探究精神世界也成爲我渴望研究的問題，於是從大學中期，我開始思考生命的意義這類問題。作爲物理專業的學生，如果對一個問題很感興趣，我就會驅使自己去思考其中最根本性的問題。

對我來說，人類生命的基本問題就是智能。帶着這樣的探尋目光，我步入了神經科學的世界，在幾次神經科學領域的實習經歷中，更加確定了對智能的熱愛。於是，我從硬核的原子世界、物理世界，轉向了對智能的探索。

Pieter Abbeel：其實，當初我決定研究AI也是出於對人類智能的思考，但我發現我難以理解神經科學，所以淺嘗輒止，後來我覺得用工程學方法來研究大腦可能更容易。直到現在，你應該都在繼續研究神經科學，後來你是如何決定攻讀電子工程博士的?

Fei-Fei Li：這就引出了一個值得思考的問題：我們到底是建造飛機，還是建造鳥類？我認爲，對於AI這樣宏大的領域，這兩種科學工程思維都非常重要。我之所以研究AI，是因爲想跨越人類大腦和人工大腦之間的界限。

我覺得自己身上還殘留着物理學的浪漫，相信硅基大腦和有機的碳基大腦之間存在共通點，人類智能和機器智能之間的界限並非不可逾越。

博士擇校時的依據是，這所學校是否有助於我進行跨學科研究。我最終選擇了加州理工學院，師從Christof Koch教授，他曾是一位物理學家，後來成爲計算神經科學家。還有Pietro Perona教授，他曾是工程師，後來轉而研究AI。在他們的指導下學習，既可以研究認知神經科學，又可以研究計算神經科學。

在Pietro教授的實驗室裡，我才真正瞭解到什麼是AI和計算機視覺，以及機器學習作爲一種數學工具能做什麼。我非常癡迷於這些領域，並清楚地感到這就是我的畢生追求。

我不知道你是否有過這種感受，就像孩子發現了一個全新的遊樂場，裡面有着無窮無盡的驚喜和寶藏等着你去挖掘。一旦你擁有過，就永遠不會忘記這種感覺。

2

ImageNet的曲折成長記

Pieter Abbeel：2012年是AI發展的一個重大轉折點，這一年，AlexNet深度卷積神經網絡在ImageNet挑戰賽上取得突破性成果，標誌着深度學習的崛起。人們開始相信神經網絡的潛力，並開始研究神經網絡。你是這個重大轉折點的關鍵人物，因爲你創立了ImageNet數據集和挑戰賽，這是神經網絡得以訓練的基礎和前提。建立ImageNet數據集的想法是怎麼開始的？

Fei-Fei Li：這得追溯到我在加州理工學院讀博時期。我所在的Pietro Perona實驗室是計算機視覺領域最早的實驗室之一，致力於研究物體識別這一看似不可能實現的任務。那時，計算機視覺領域更多關注的是立體視覺和對極幾何（Epipolar Geometry），而我們卻想教會機器如何識別日常物品，這看起來有些瘋狂。

促使Pietro教授和我研究物體識別其實也跟神經科學有關，21世紀初期左右的認知神經科學和神經生理學的文獻提到，人類大腦和人類思維在進化過程中發展出複雜的自適應能力，最終讓人類能夠高效而靈活地進行物體識別。

我認爲，這樣的神經科學理論就像北極星，指引着當時不到10個人的計算機視覺科學家，而Pietro教授就是其中的核心人物。

作爲融合了統計建模和計算機科學的全新領域，機器學習主要研究泛化等一系列複雜的數學問題，以及如何將人類的泛化能力遷移到機器。我們這代博士生似乎都比較看好機器學習。

博士畢業之際，我在物體識別方面遇到了一件非常棘手的事，那就是我們必須手動調整貝葉斯網絡模型，真的十分痛苦。因爲我們不知道如何讓機器去學習像素化世界，所以必須人爲地給它們設計一些特徵，以確保機器能成功捕捉到各種角點、斜線、以及不同的形狀。

此外，我們還要人工將這些特徵組合起來，比如，我們要合成一隻貓的圖像，那就會挑選10個特徵，包括臉部和身體特徵等，這些特徵可能還是來自不同時期，所以有無限種組合方式。

我們主要使用高斯模型這類表達能力不太強的模型來構建一個可泛化的模型，儘管我們取得了一些進展，但過程非常痛苦。

2005年，我到伊利諾伊大學擔任助理教授。那時我突然意識到，機器學習最重要的概念就是避免過度擬合併且實現泛化，這兩者往往是對應的。如果我們想避免過度擬合併實現良好的泛化，就必須要有強大的模型。但從數學角度出發，如果我們需要構建強大的模型，就必須要有海量數據作爲支撐，否則很容易掉入過度擬合的陷阱。

於是，我把研究重心轉移到數據上，但發現計算機視覺數據集屈指可數，規模也普遍偏小。當時已有的Caltech 101數據集就是我一手創建的，但後來PASCAL委員會指出，相比像素的所有可能的組合方式，Caltech 101的兩萬張圖片數據還遠遠無法滿足機器學習的需求。

2006年左右，我剛從伊利諾伊大學香檳分校回到我的母校普林斯頓大學執教，我告訴學生們要改變原有思維方式，並創建一個不同數量級的數據集。我們的工作不是爲了擴大數據集的規模，而是要給機器學習注入新動力。

在普林斯頓大學工作期間，我有幸同一些語言學家交談，其中包括知名的Christiane Fellbaum教授。一開始，我也不知道自己爲什麼要和這些語言學家打交道，但後來我發現他們站在了網絡世界的中心。

當他們聽說我打算在物體識別項目中給物體制作對應的語義標籤後，也想知道語言和視覺之間是否存在某種聯繫，這個想法非常超前，當時我還沒有想過要深入研究語言問題。

也是在那時，我第一次聽說了WordNet，並從中汲取靈感，打算基於WordNet的8萬個標籤詞搭建一個新的數據集。我認爲，這項規模龐大的項目可以像北極星一樣爲新一輪的研究指明方向，重新塑造計算機視覺和機器學習領域。

Pieter Abbeel：相比用8萬個標籤來創建全新的ImageNet數據集，顯然Caltech 101數據集跟它不在一個量級，你們是怎麼做到的？

Fei-Fei Li：我也曾設想過，如果我們一開始就知道會遇到重重阻礙，是否還有勇氣推進這項工作？我曾天真地以爲，我們用搜索引擎下載圖片，然後找一些本科生加以整理就可以搞定這件事。我也不知道當時爲何會有這樣的計劃。

我們需要下載幾十億張圖片。要知道，當時搜索引擎的能力要遜色得多。即使輸入“德國牧羊犬”這個關鍵詞，檢索到的圖像質量也並不高。衆所周知，訓練數據集最重要的就是數據的多樣性和可變性。因此，我們不能只輸入“德國牧羊犬”，還必須人工添加一些修飾語才能真正地豐富搜索結果，比如“玩飛盤的德國牧羊犬、海灘上的德國牧羊犬”等等。

即便如此，檢索出的圖片質量仍然不好。所以，我當時打算以每小時10美元的價格僱幾百名本科生來幫我們篩選圖像。

那時，我在普林斯頓實驗室的工作幾乎全是在標註數據。坦白說，那時我還缺乏經驗。畢竟我曾獨自包攬了Caltech 101數據集的標註工作，這個數據集只有10000張圖像，所以我一個人也能輕鬆搞定。但幾個月後，我們發現ImageNet數據集的規模實在太大，標註工作根本不可能完成。

當時，我帶的博士生Jaden（他當時的研究方向是圖像，現在是一名AI教授）覺得圖像標註工作的進展愈發不容樂觀。單靠人力不可能完成標註工作，所以我們乾脆走向了另一個極端——全部採取機器標註。

那幾年，隱狄利克雷分配（latent Dirichlet allocation，LDA）等主題模型的表現非常突出，於是我們打算採用這種模型，它實際上就是一種聚類算法，可以挑選出高質量的德國牧羊犬圖像羣。

機器篩選的方法總體上是可行的，只需人工完成一些精細標記工作。但很快，我發現我們的效率太低了。一個哲學問題隨即出現了：如果用機器來篩選圖片，那我們就傾向於機器，以及傾向於最初用來選擇圖片的算法，而這並不是我們樂意看到的，因爲希望創建的數據集效果要達到人工標註的水準。

所以，我們毅然決定要避免純機器標註和純人工標註這兩個極端。然後，我們的工作就遇到了瓶頸。直到2007年，一名斯坦福大學的碩士生問我：“飛飛，你聽說過Amazon Mechanical Turk（AMT）嗎？”我當時還是第一次聽說，下班後我趕緊回家登陸上去看看，才發現這個在線人力市場支持僱主部署任務，然後僱人參與，這個大規模的在線平臺輕鬆解決了我們的燃眉之急。之後，我們還是花費了長達兩年半的時間才完成龐大的圖像標註工作。AMT爲我們創建ImageNet數據集指明瞭方向。

Pieter Abbeel：你所說的這條道路很有意思，也很難走。可以說，你在AMT上爲世界各地的公司提供了數十億美元的業務。十多年過去，圖像標註領域也已經完全實現了商業化。

Fei-Fei Li：我很高興看到這些發展，這是我們未曾料想到的。不過，正是歷史和技術的驚人融合才推動了我們的工作。

Pieter Abbeel：2012年，在ImageNet競賽中出現的AlexNet時刻，徹底改變了計算機視覺領域，人們隨之紛紛轉向了深入學習領域。你參與組織了這一屆ImageNet競賽，但前兩屆的競賽都沒有出現像這樣重塑AI領域的大事件。你怎麼評價2012年的ImageNet競賽？它爲什麼能夠脫穎而出？

Fei-Fei Li：2009年，我們在CVPR 2009上發表了一篇關於ImageNet數據集的論文，當時立馬引起了很大的爭論。

實際上，我們當時受到的批評遠比認可要多，他們的批評主要在於：當時的物體識別技術還有很多難題沒有攻破，發佈ImageNet數據集又有什麼用？雖然ImageNet數據集收納了22000類數據，但數據集規模越大，就意味着更好嗎？以及ImageNet數據集的智能程度如何？有誰在意那些已標註的圖像等等。

回想起來，幸好我們沒有怎麼在意那些質疑。我們深知ImageNet存在的意義，也堅信它日後將成爲計算機視覺領域的“北極星”。

但我們很想讓大衆明白我們的想法。就像做研究一樣，我們想讓研究成果得到人們的認可，以做出更大的貢獻。通過Pascal VOC挑戰賽，我們發現，要想使自己的想法得到公衆認可，舉辦高含金量的比賽是一個很有效的方法。

我真的很感謝Pascal組委會，他們很理解我們。當我聯繫他們尋求合作時，他們說，“沒問題，你們的想法是對的，但前路仍任重而道遠。雖然你們還不知道現在在做什麼，不如和我們一起做一場挑戰賽試試水？”當時我非常開心，很願意和他們合作，同時也非常感激他們接納了我。

2010年，我們就舉辦了ImageNet挑戰賽，但當年的賽況並不理想，參賽者寥寥無幾。最終，支持向量機（SVM）模型成爲了當年的冠軍。2011年參賽者就更少了，只有區區幾支隊伍。

因此，我們決定在2011年舉行一項獨立的挑戰賽，當時，這些參賽隊伍面臨的最大挑戰就是計算機內存實在太小。先不說算法，他們甚至無法將數據成功導入電腦。

在讀研期間，我學到了摩爾定律，而且對此深信不疑。當時我知道了隨着計算機的發展，尤其是機器學習的發展，是會遵循摩爾定律的：存儲器的尺寸會越來越小，而計算機的運行速度會越來越快。我就告訴自己，不要着急，要遵循摩爾定律，一切都會實現的。

當時我認爲，要想實現我的預期應該還要再等幾年，但沒想到在2011年就實現了，後來內存空間還會變得更大，芯片運行還會更快。

因此，在2012年，我對數據集進行了重構。在ImageNet挑戰賽開始後的某天深夜，我收到學生鄧嘉的消息，他說今年的冠軍簡直令人難以置信，使用的是已有的卷積神經網絡。

我在讀研時學的第一節課就是關於神經網絡的。我們生活的世界就建立在一個基於貝葉斯模型的網絡之上。但沒想到卷積神經網絡這麼古老的模型居然能贏得ImageNet挑戰賽。

記得當時我還在休產假，但我太興奮了，立即做了兩件事。第一件事就是立即嘗試了一下Dropout和ReLU這兩個新成果。當然，GPU也非常重要，AlexNet使用了兩塊GPU。第二件事是，由於獲勝隊伍將在意大利佛羅倫薩舉行的國際計算機視覺大會（ICCV）上展示他們的研究成果，考慮到這是一個歷史性的時刻，我立即訂了飛往佛羅倫薩的機票，在飛機上度過的時間比待在佛羅倫薩的時間還要長，但正因如此，這也成了我職業生涯中比較難忘的一件事。

Pieter Abbeel：伯克利的同事Jitendra Malik曾告訴我一件關於AlexNet這件事。他曾經給Geoffrey Hinton打過電話，詢問了一些關於神經網絡的問題。Geoffrey問他，“聽說你們並不看好神經網絡？我們會說服你的。”Jitendra說，“你們確實在某方面做得很好，但ImageNet是一個更真實的數據集，在那裡進行測試才能得出更爲可靠的結果。”

Fei-Fei Li：對於ImageNet的誕生，他也發揮了某種推動作用。Jitendra是真正意義上第一個將認知神經科學融入到計算機視覺中的人，他的研究風格對我產生了很大的影響。

2007年，當時我還是一名助理教授，在CVPR會議上，我告訴他正在做ImageNet，他說他不確定這對我獲得終身教職是否有幫助。並且他給出了一個看似不錯的理由，“你現在想做的事是一項浩大工程，數以百萬計的圖像並不是這個領域所關注的，即使到了2011年，都沒有足夠強大的芯片將數據放入存儲器，更不用說計算了。”

我不知道我爲什麼堅持了下來，可能是我太天真了。這可能是Jitendra給我的所有建議中，我唯一沒有采納的一個建議。他非常支持我，直到現在我們還經常拿那一刻開玩笑。

3

AI進軍醫療行業

Pieter Abbeel：你後來還入選了美國國家醫學院院士，你怎麼看待AI在醫療行業的應用？

Fei-Fei Li：AlexNet取得突破性成果，標誌着深度學習自此崛起。當時，深度學習技術已經應用到自動駕駛汽車上。自動駕駛技術的核心是AI要正確把握汽車行駛時行人和路面的狀況，然後通過數據分析作出更好的駕駛決策。

AI在醫療行業上的應用也是同樣的道理，AI要能正確理解那些多人協同的工作流程，然後綜合這些信息給出恰當的治療方案。

我對醫療行業頗爲了解，想爲這個行業作出貢獻。斯坦福醫學院是全世界最好的醫學院之一，所以我開始在這裡宣傳我的想法。但很多人都覺得我太瘋狂了，只有Arnold Milstein教授支持我。他的整個職業生涯都在研究醫療流程，確保臨牀醫生的診療決策與行動標準化，避免病人因醫療流程失誤而受到傷害。他在斯坦福創立卓越臨牀研究中心（CERC），並擔任該研究中心的負責人和醫學教授。

Arnold教授告訴我，美國每年都有超過25萬病人因爲醫療事故喪生，有9萬病人因爲在醫院感染而死亡，其中大部分感染都是由於醫護人員手部清潔不到位。這些數字觸目驚心。目前我們的醫護人員工作量太大了，他們亟需協助來避免工作流程失誤，防止給病人帶來額外風險。

2012年，Arnold教授和我一拍即合，開展了一項即便在今天看來也相當新穎的研究——利用傳感器實現環境智能（ambient intelligence）。之所以用“傳感器”而不是“攝像機”是因爲考慮到隱私問題，我們必須採用像IR和Depth這樣的技術，以及使用傳感器來獲取病人和醫生的行爲信息，並利用捕捉到的信息來爲診療提供參考。

直到今天，我們還在繼續這項研究。我們將這項技術應用在各種醫療場景，包括在ICU觀察病人行動，在養老院測量老人摔倒的風險，在斯坦福的兒童醫院評估醫護人員手部清潔是否到位等。

我個人比較感興趣的是把這項技術用在老年人的居家護理問題上。現在，人均壽命變長是好事，但也帶來了人口老齡化問題。新冠疫情中，很多患有癡呆症、慢阻肺和糖尿病的老年人不能及時去醫院就診，這讓我們意識到居家護理的重要性。

我們把居家護理稱爲“醫療暗區（dark space）”，因爲我們不知道病人在家時發生了什麼。很多臨牀醫生告訴我，病人居家期間發生的情況非常關鍵，是診療的重要依據。而環境智能技術（以尊重病人隱私爲前提）就像是老人和病人的“居家守護天使”，可以監測到他們遇到了什麼危險，以便能更好地照顧他們。我認爲，這些都是目前最符合人道主義精神和對社會最有益的計算機視覺應用。

Pieter Abbeel：這也讓我想起了你最近的重大項目，Stanford Human-Centered AI Institute (Stanford HAI)，你們主要研究如何讓AI走出實驗室，應用到包括醫療在內的各個領域。當初爲什麼決定創立Stanford HAI？

Fei-Fei Li：在2017到2018年的學術休假期間，我出任Google Cloud的首席科學家，有幸見證了AI的前沿發展，看到了AI被應用在農業、醫療、金融等多個垂直領域。

這段經歷也刷新了我的認知，當我結束學術休假回到斯坦福，我開始跟同事和領導交流：在AI時代，學術界能夠發揮什麼作用，能爲人類的未來作出什麼貢獻？

斯坦福一直自豪於它是領袖和人才的搖籃，也是思想和學術的燈塔，那它能爲AI做什麼？我們的答案是，作爲AI界的技術中心之一，斯坦福應該引領AI的發展方向和技術落地，這既是斯坦福的重任，也是它的機遇。

近年來，我也越發意識到，隨着技術進步，我們必須完善相關政策。科技會推動社會發展，但同時也給社會帶來侵犯隱私等負面影響，讓人們擔心AI會否取代人類的工作等等。

爲了揚長避短，科技界需要和政界加強溝通。可能因爲加州離華盛頓這個政治中心太遠了，所以目前我們這種溝通還不夠多。因此，Stanford HAI承擔了雙重使命，既要研究AI技術和AI的跨領域創新，也要開展、參與政策研究和制定，成爲政界和科技界之間的溝通橋樑。這就是Stanford HAI正在做的事情，旨在推動AI研究、AI教育和相關政策的發展，從而改善人類生活。

我平常不是在做研究，就是在Stanford HAI工作。我相信全球很多研究機構和中心都和Stanford HAI一樣，都認爲AI不僅會成爲新的科技浪潮，而且會深刻改變人類的生活、生產方式以及商業模式。AI是大勢所趨，它應用面廣、影響力大，被稱爲第四次工業革命的驅動力。毫無疑問，它會給人類帶來翻天覆地的變化。

Pieter Abbeel：在未來的5~20年裡，有沒有什麼技術會像AI在醫學領域那樣發揮起重大作用？

Fei-Fei Li：我對機器人也很感興趣。20年前，機器人和人工智能是完全不同的領域，它們使用的工具和研究的問題都相距甚遠。但現在隨着深度學習、機器學習、強化學習的出現以及計算機視覺和自然語言處理的成熟，機器人和AI可以產生更多交集，可以衍生AI機器人和機器人學習等交叉領域。

機器人技術不僅可以爲學術界帶來無限可能，人類世界也有太多的生產力需要釋放，機器人可以讓工作更安全、高效、協作，甚至可能打破物理距離的界限。這可以從根本上改變人類勞動的現狀，這讓我感到興奮不已。

當然，這是一個需要謹慎處理的話題，因爲人類勞動關乎工作和生計，比如，自動駕駛汽車的出現讓人們開始深入探討它對卡車司機和出租車司機的影響。作爲最瞭解這些技術的人，我們必須用好這些技術，讓它們爲社會做貢獻，而不是帶來意想不到的危害。

4

AI資源流向業界，學界人才在流失

Pieter Abbeel：讓政策跟上科技進步很重要。但問題是，一旦牽扯到政策問題，它很多時候就會成爲阻礙科技進步的因素。

Fei-Fei Li：這就是這個問題如此複雜的原因。監管措施和所有權問題等如果沒有處理好，可能就不會促進AI生態系統的發展，反而會阻礙創新。任何事情走極端都不太好。

以美國的創新生態爲例。你和我都是移民，回顧過去半個多世紀，只有美國纔有這種令人難以置信的創新生態，工業界、學術界和國家資源之間可以相互連接、相互作用。

但在AI產業化後，算力、數據、人才等大量資源從學術界轉移到產業界，這種連接肯定有積極的一面，但現在資源向產業界傾斜得太嚴重，那些有影響力的研究越來越多地發生在營利性公司內部。這讓學術界非常擔心人才流失，擔心沒有人來開展天馬行空的研究。

當然，企業投資研發並沒有錯，但天馬行空的研究和爲公衆利益而進行的研究仍然很有必要，它們可以促進全球經濟健康發展。

因此，Stanford HAI在2020年花費了大量時間，幫助制定了一項重要法案，即2021年1月1日通過的National Research Cloud Task Force Bill。2021年6月，拜登政府成立了一個特別工作組來專門推動AI相關的創新。

從這個角度來看，政策不僅僅意味着監管，也可以是激勵和資源分配。Stanford HAI相信這一點。

事實上，我們讓許多大學和公司一起參與相關立法。同時我認爲，技術專家和科技界需要深入思考監管措施意味着什麼。

我工作中接觸最多的行業是醫療保健。醫療行業的監管非常嚴格，嚴格到有時會讓我感到沮喪，但如果你深入研究這種監管的動機，會發現嚴格的監管十分必要。

我們面臨的挑戰是，如何繼續創新和優化科技、產業和政策之間的相互作用，以保障生命安全和技術的公平分配，並且不減慢創新速度。我始終認爲，監管制度非常重要。

Pieter Abbeel：作爲“特別工作組”的核心成員，你希望它達成什麼目標?

Fei-Fei Li：這個新成立的特別工作組將會大力推動各相關方之間的合作，比如共享算力和數據資源，爲未來一代又一代的AI研究提供支持。同時，我們也會爲來自全美各地的學生提供教育平臺，讓大家方便地開展具有創造性和多樣化的研究。

Pieter Abbeel：最聰明的人才還會流向美國嗎？他們現在會不會更傾向於待在自己的國家？而不是像我們當年一樣，爲了有更多做大事的機會來到美國。近年來，美國對人才的這種吸引力似乎沒那麼明顯了。

Fei-Fei Li：沒錯。我確實看到很多學生在斯坦福博士畢業後離開美國去加拿大、歐洲等地方當教授，其他國家和美國之間的差距也在縮小，似乎很多人都覺得，他們在自己的國家做研究也能做得一樣好。

過去的人才只會因爲非常強烈的個人原因而離開美國，但現在可能出於很多原因而離開，美國學術界缺乏資源是原因之一，我們需要扭轉這種局面。如果美國能再次獲得從前的優勢，纔會極大提高對人才的吸引力。