作者李飞飞
Fei-Fei Li
从 16 岁跟着母亲移民、在餐厅打工的少女，到缔造 ImageNet、点燃深度学习的科学家——这本书把一条个人线与一条科研线交织着讲，最终落到一个判断：AI 的发展，必须以人为本。
| 维度 | 纯技术指标导向 | 以人为本的 AI |
|---|---|---|
| 第一性目标 | 刷高基准分数 | 改善人的处境 |
| 关键燃料 | 算法与算力 | 数据 + 对人的理解 |
| 对人定位 | 用户 / 标注来源 | 被服务、被尊重的主体 |
| 价值判断 | 主要看"能不能" | 同时看"该不该、对谁好" |
| 失败标准 | 指标没提升 | 伤了人的尊严或公共利益 |
她意识到：算法卡壳，可能不是算法不行，而是"没有足够多、足够好的标注数据"。于是发起大规模图像数据集，喂饱了后来的深度学习。
早年学界迷信"更聪明的模型"，她用 ImageNet 证明：在海量真实数据上训练，比单靠精巧算法更能打开局面。这一观念转变点燃了整个深度学习时代。
她后来把方向转向"以人为本的 AI"：让机器理解人、辅助人（如医疗、照护），而不是只追求碾压人类的指标。
少年时母亲患病、家境艰难，她一边照顾家庭、打零工，一边没放弃学术。事业线和个人线，从来是叠在一起走的。
书里写到她把目光投向"让机器理解三维世界、能像人一样在空间里行动"——从看图片，到懂世界，是她给出的下一段路。
书名"我看见的世界"，说的是她始终用"看见"与"好奇"去理解世界——技术只是她好奇心的延伸，不是目的本身。
在成都度过童年，父亲爱摆弄科学小物件、母亲重视教育，埋下"用好奇看世界"的种子。后为求学随家庭远赴美国。
起点：一个被好奇心喂养的少女少年时随母亲到美国，语言、经济双重压力之下，在餐厅洗盘子、做清洁打工，同时死死抓住上学的机会。
关键一步：在最难时也没松开"读书"这根绳凭借努力进入普林斯顿，从物理到计算机视觉，逐步找到"让机器看见"这条她愿意押上一生的路。
把好奇心变成专业方向在博士与教职阶段，她提出"用海量标注数据喂养模型"的构想，发起 ImageNet——当时并不被普遍看好，却成了后来的关键燃料。
一个"不被看好"的想法，改变了时代基于 ImageNet 的比赛里，深度卷积网络（公开报道中以 AlexNet 为代表）大幅领先，验证了"数据为王"——这一刻，整个 AI 方向被改写。
数据 + 算力，把算法推过临界点科研线之外，母亲长期患病（书中写到抑郁症与肿瘤），她在照护与学术之间两头扛——这是个人线里最沉重也最动人的一段。
科研与照护，是同一条人生的两面在谷歌、斯坦福等阶段，她把重心转向"以人为本的 AI"与空间智能，强调技术要服务于人的尊严，而非只追指标。
功成名就后，把方向交还给"人"书里贯穿全书的一个判断，用今天的话说就是：AI 再强大，也只是工具；它真正的意义，在于能不能让人——尤其是普通人——活得更有尊严。
关于 ImageNet：她体会到，很多"算法突破不了"的问题，根源可能是"没有足够真实、足够多的数据"——燃料比引擎更先卡住人。
关于看见：书名的意思之一，是她始终相信"看见世界"是一种能力——科学不是冷冰冰的指标，而是重新理解周遭的方式。
关于坚持：她在母亲患病、生活重压之下仍没放下科研——书里没有把它写成鸡汤，而是如实写"难，但主线没断"。
关于未来：她把下一程押在"让机器理解三维世界、能在空间里行动"——从"看图"到"懂世界"，是她写到的下一段路。
以上均为据本书核心观点的概括式转述，非逐字引文；不同中译本措辞有差异，请以原译本为准。
内容做不动时，先问"是样本/数据不够，还是方法不对"——多数时候是前者，多攒真实案例比换花样有用。
对应：ImageNet（数据为王）上线任何自动化/AI 功能前，写一句"它对具体用户是帮还是伤"，过不了这关就别发。
对应：以人为本的 AI生活/生意乱时，每天留 30 分钟给"真正重要但不急"的事（如长期内容资产），不让主线断。
对应：在困境里坚持科研选工具前先写清"我要看清世界的哪个问题"，再反推用什么——工具服务于问题，不是反过来。
对应：科学是看见世界的方式写内容/做产品时，挑 3 个真实读者画像，每条决策问"这对 TA 今天有用吗"，避免抽象数据自嗨。
对应：以人为本（人是主体）别只盯聊天机器人热点，留 10% 注意力看"理解三维世界/能行动"的方向，那是更长的坡。
对应：空间智能与具身智能