李飛飛的回憶錄《我看見的世界》，我最近聽完了有聲書版本，聊一聊讀後感。
最初吸引我的是三個關鍵詞：移民、AI、亞裔。但真正留下來的，是第四個詞, 好奇心。
這本書有兩條並行的線。一條是她的個人成長：北京出生，成都長大，十五歲移居美國，一邊打工幫家裏還債，一邊在完全陌生的教育系統裏找位置，最後從普林斯頓讀物理，到加州理工拿博士，再到斯坦福主持 AI 實驗室。另一條是機器如何學會「看見」世界的科學史，核心就是 ImageNet, 一個把數千萬張圖像標註分類、讓不同算法能公平比較的公共基準數據集。
ImageNet 的故事裏有一個細節讓我印象深刻：當時很多人在卷算法，李飛飛的團隊卻把精力放在數據的規模和多樣性上。這個方向早期看起來笨重，甚至不夠「聰明」。結果呢？後來大規模數據、GPU 和深度神經網絡三件事匯合，計算機視覺纔出現真正的躍遷。
這件事改變了我對「技術突破」的想象。訓練材料越狹窄，模型就只會在狹窄的世界裏聰明。廣泛輸入的價值，在於它逼着你不斷分辨, 什麼是對象本身，什麼只是你習慣的背景。
這個思路也影響了我對自己詞彙學習的規劃，生詞本里接近八百個詞……這部分我在播客裏細聊了。
這期節目適合對 AI 歷史好奇、或者正在讀這本書的朋友。鏈接在下面👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8
最初吸引我的是三個關鍵詞：移民、AI、亞裔。但真正留下來的，是第四個詞, 好奇心。
這本書有兩條並行的線。一條是她的個人成長：北京出生，成都長大，十五歲移居美國，一邊打工幫家裏還債，一邊在完全陌生的教育系統裏找位置，最後從普林斯頓讀物理，到加州理工拿博士，再到斯坦福主持 AI 實驗室。另一條是機器如何學會「看見」世界的科學史，核心就是 ImageNet, 一個把數千萬張圖像標註分類、讓不同算法能公平比較的公共基準數據集。
ImageNet 的故事裏有一個細節讓我印象深刻：當時很多人在卷算法，李飛飛的團隊卻把精力放在數據的規模和多樣性上。這個方向早期看起來笨重，甚至不夠「聰明」。結果呢？後來大規模數據、GPU 和深度神經網絡三件事匯合，計算機視覺纔出現真正的躍遷。
這件事改變了我對「技術突破」的想象。訓練材料越狹窄，模型就只會在狹窄的世界裏聰明。廣泛輸入的價值，在於它逼着你不斷分辨, 什麼是對象本身，什麼只是你習慣的背景。
這個思路也影響了我對自己詞彙學習的規劃，生詞本里接近八百個詞……這部分我在播客裏細聊了。
這期節目適合對 AI 歷史好奇、或者正在讀這本書的朋友。鏈接在下面👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8