李飞飞的回忆录《我看见的世界》，我最近听完了有声书版本，聊一聊读后感。
最初吸引我的是三个关键词：移民、AI、亚裔。但真正留下来的，是第四个词, 好奇心。
这本书有两条并行的线。一条是她的个人成长：北京出生，成都长大，十五岁移居美国，一边打工帮家里还债，一边在完全陌生的教育系统里找位置，最后从普林斯顿读物理，到加州理工拿博士，再到斯坦福主持 AI 实验室。另一条是机器如何学会「看见」世界的科学史，核心就是 ImageNet, 一个把数千万张图像标注分类、让不同算法能公平比较的公共基准数据集。
ImageNet 的故事里有一个细节让我印象深刻：当时很多人在卷算法，李飞飞的团队却把精力放在数据的规模和多样性上。这个方向早期看起来笨重，甚至不够「聪明」。结果呢？后来大规模数据、GPU 和深度神经网络三件事汇合，计算机视觉才出现真正的跃迁。
这件事改变了我对「技术突破」的想象。训练材料越狭窄，模型就只会在狭窄的世界里聪明。广泛输入的价值，在于它逼着你不断分辨, 什么是对象本身，什么只是你习惯的背景。
这个思路也影响了我对自己词汇学习的规划，生词本里接近八百个词……这部分我在播客里细聊了。
这期节目适合对 AI 历史好奇、或者正在读这本书的朋友。链接在下面👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8
最初吸引我的是三个关键词：移民、AI、亚裔。但真正留下来的，是第四个词, 好奇心。
这本书有两条并行的线。一条是她的个人成长：北京出生，成都长大，十五岁移居美国，一边打工帮家里还债，一边在完全陌生的教育系统里找位置，最后从普林斯顿读物理，到加州理工拿博士，再到斯坦福主持 AI 实验室。另一条是机器如何学会「看见」世界的科学史，核心就是 ImageNet, 一个把数千万张图像标注分类、让不同算法能公平比较的公共基准数据集。
ImageNet 的故事里有一个细节让我印象深刻：当时很多人在卷算法，李飞飞的团队却把精力放在数据的规模和多样性上。这个方向早期看起来笨重，甚至不够「聪明」。结果呢？后来大规模数据、GPU 和深度神经网络三件事汇合，计算机视觉才出现真正的跃迁。
这件事改变了我对「技术突破」的想象。训练材料越狭窄，模型就只会在狭窄的世界里聪明。广泛输入的价值，在于它逼着你不断分辨, 什么是对象本身，什么只是你习惯的背景。
这个思路也影响了我对自己词汇学习的规划，生词本里接近八百个词……这部分我在播客里细聊了。
这期节目适合对 AI 历史好奇、或者正在读这本书的朋友。链接在下面👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8