李飞飞 · AI 学者
李飞飞（1976-），斯坦福大学计算机科学教授，曾任谷歌云 AI/ML 首席科学家。ImageNet 创始人，AI 时代最具影响力的华人学者之一。
最后更新：2026 年 7 月
一、人物简介与关键成就
1. 基本信息
- 生卒：1976-
- 国籍：美国（华裔）
- 身份：计算机科学家、AI 学者
- 成就：ImageNet 创始人、斯坦福以人为本 AI 研究院（HAI）联席院长
2. 关键成就
- 2007-2009 年：创建 ImageNet 数据集（1500 万张标注图像）
- 2012 年：ImageNet 大规模视觉识别挑战赛（ILSVRC）——AlexNet 获胜，深度学习革命爆发
- 2013-2018 年：任斯坦福 AI 实验室主任
- 2017-2018 年：任谷歌云 AI/ML 首席科学家
- 2019 年：创立斯坦福以人为本 AI 研究院（HAI）
- 2020-：持续推动 AI 伦理与"AI for All"教育项目
- 2023-2024 年：创立 World Labs，专注空间智能
3. 标志性身份
李飞飞与"理论型学者"不同——她是移民奋斗 + 跨学科整合 + AI 时代女性代表。15 岁赴美时不通英语，从洗衣店打工到斯坦福教授。她的标志性身份是"用数据改变 AI 范式的人"——ImageNet 引发了深度学习革命。
二、成长与教育经历
1. 家庭背景
- 籍贯：四川成都
- 家庭：父母是知识分子，父亲是工程师，母亲是教师
- 关键影响：父母重视教育，在 1990 年代做出"全家移民美国"的决定——为了孩子的教育
2. 求学路径
3. 关键转折
- 1992 年 15 岁赴美：父母先移民，她随后赴美。当时她不通英语，在新泽西的普通公立高中读书
- 高中时期打工：在洗衣店、中餐馆打工补贴家用。"我在洗衣店打工时，脑子里在想物理"
- 1995 年考入普林斯顿：从普通公立高中考入常春藤——这是惊人的成就
- 1999 年进加州理工博士：师从 Pietro Perona，研究计算机视觉
- 2007 年开始 ImageNet：在普林斯顿任助理教授时，提出"用大数据训练视觉模型"——当时主流 AI 界认为"数据不如算法重要"
- 2009 年到斯坦福：转任斯坦福副教授
- 2012 年 ImageNet 引爆深度学习：AlexNet 在 ImageNet 上获胜，深度学习革命爆发
- 2017 年任谷歌云 AI 首席科学家：进入工业界
- 2019 年回归斯坦福 + 创立 HAI：推动"以人为本的 AI"
4. 家庭教育细节
- 父母重视教育：1990 年代全家移民美国——为了孩子的教育。这是典型的"为教育移民"
- 母亲的坚持：李飞飞母亲后来罹患癌症，但仍坚持让她读博士。李飞飞曾考虑休学打工赚钱，母亲坚持"你必须读书"
- 关键家庭特质："知识改变命运"——移民家庭通过教育改变命运
三、核心能力与品质画像
1. 跨学科整合能力
李飞飞的研究方向是计算机视觉 + 神经科学 + 认知心理学——她从人脑视觉机制中获得灵感，设计 AI 视觉算法。这种跨学科整合是 ImageNet 成功的根基。
2. 长期主义
2007 年开始 ImageNet，当时主流 AI 界不看好。她坚持 5 年，2012 年深度学习革命爆发。这种长期主义是稀缺的。
3. 抗逆力
15 岁赴美不通英语、打工补贴家用、母亲罹患癌症、博士期间经济困难——李飞飞的抗逆力超群。
4. 公共影响力
她不仅是学者，也是 AI 伦理、AI 教育公平的倡导者。她能"用学术语言 + 公共语言"双重表达。
5. 女性视角
她在男性主导的 AI 领域，以女性视角推动"AI 伦理"与"AI for All"——给女孩做 AI 教育。
6. 创业精神
2023-2024 年，48 岁创立 World Labs——这种"持续创业"的精神超群。
四、可借鉴的培养要素
1. 移民家庭的"为教育"选择：为教育改变环境
李飞飞父母是四川成都的知识分子（父亲工程师、母亲教师），1990 年代做出"全家移民美国"的决定——为了孩子的教育。1992 年 15 岁的李飞飞赴美，不通英语，在新泽西州帕西帕尼普通公立高中读书。父母不是"为了自己"移民，而是"为了孩子的教育"移民——这种"为教育改变环境"的决定，对孩子影响深远。
机制：移民的机制是"环境跃迁"——维果茨基的社会文化理论指出，学习发生在"社会情境"中，情境的质量决定学习的天花板。从成都到新泽西，李飞飞的教育环境发生了跃迁——不是"更好的学校"那么简单，而是"不同的学术生态"。普林斯顿大学（1995 年考入）的学术资源、加州理工的博士训练（1999-2005）、斯坦福的 AI 社区——这些是她如果留在成都可能无法接触到的。但环境跃迁的代价也很大——15 岁不通英语、在洗衣店打工、母亲罹患癌症——这些困难是"为教育改变环境"的代价。
对中国家庭的可操作启示：大多数家庭不能移民，但"为教育选择城市、学校"的精神是可借鉴的。0-6 岁"为教育选择环境"——选择有图书馆、博物馆、公园的社区，而非只看房价；6-12 岁"为教育选择学校"——不是"排名最高的学校"，而是"最适合孩子的学校"（有些孩子适合竞争型环境，有些适合包容型环境）；12-18 岁"为教育选择圈子"——让孩子接触"优秀的同龄人社区"，如竞赛圈、开源社区、学术夏令营。选 A（为教育选环境）不选 B（只看方便不选环境）的所以然：环境的质量决定学习的天花板——李飞飞的跃迁就是环境跃迁的结果。
2. 早期跨学科训练：物理 → 视觉 → 神经科学
李飞飞本科（1995-1999 普林斯顿）学的是物理学，博士（1999-2005 加州理工）转向电子工程/计算机视觉，研究涉及神经科学。这种跨学科背景是她后来整合"视觉 + 神经科学 + AI"的基础——ImageNet 的灵感部分来自她对"人脑视觉机制"的理解。物理训练了她的数学直觉，电子工程训练了她的工程能力，神经科学给了她"从人脑理解 AI"的视角。
机制：跨学科训练的机制是"方法论迁移"——物理学训练的"第一性原理思维"（从基本定律推导）迁移到 AI 研究中，让她不盲从"主流算法"，而是从"视觉的本质是什么"出发。神经科学训练的"生物启发"（从人脑机制设计算法）让她提出"用大数据训练视觉模型"——当时主流 AI 界认为"数据不如算法重要"，但李飞飞从"人脑是通过大量视觉样本学习"的神经科学出发，坚持了 ImageNet 方向。这种跨域迁移依赖三个领域都有足够深度——物理提供数学，电子工程提供工程，神经科学提供灵感。
对中国家庭的可操作启示：0-6 岁广泛接触不急于定向——科学 + 艺术 + 语言，观察小宝的兴趣信号；6-12 岁在 2 个领域建立初步深度（如数学 + 生物，或编程 + 阅读）；12-18 岁鼓励"跨域项目"——如"用编程模拟生物现象""用数学分析历史趋势"，让不同领域的方法在实践中整合。选 A（双域深度+跨域整合）不选 B（单域深度或浅层多元）的所以然：单域深度无法产生方法论迁移，浅层多元不产生深度——李飞飞的 ImageNet 靠的是三域深度的整合。
3. 长期项目的坚持：5 年的 ImageNet
2007 年李飞飞在普林斯顿任助理教授时，提出"用大数据训练视觉模型"——当时主流 AI 界不看好，认为"数据不如算法重要"。她坚持 5 年，组织团队标注了 1500 万张图像，构建了 ImageNet 数据集。2009 年到斯坦福后继续推进。2012 年 AlexNet 在 ImageNet 挑战赛上获胜，深度学习革命爆发——5 年的坚持终于在关键时刻开花。
机制：长期项目坚持的机制是"内在评价标准"——李飞飞不依赖"同行认可"来评价自己的工作，而是依赖"内在标准"（这是不是真正重要的）。当主流 AI 界认为"数据不如算法重要"时，她没有跟风转向算法研究，而是坚持"数据是关键"的判断。这种内在标准来自她的跨学科训练——神经科学告诉她"人脑是通过大量样本学习的"，所以她相信"AI 也需要大量样本"。内在标准让她能在"不被认可"时坚持 5 年，而依赖外部认可的人可能在第 2 年就转向了。
对中国家庭的可操作启示：6-12 岁让小宝做"1 年以上的项目"——如坚持 1 年的自然观察日记、1 学期的手工系列，训练"长期才能看到结果"的直觉；12-18 岁鼓励"有挑战但不被看好的项目"——如果孩子想做一件"别人觉得没用"的事，只要他有道理，支持他坚持。关键是"不急于求成"——给孩子时间"长出来"。选 A（内在标准+长期坚持）不选 B（外部认可+频繁转向）的所以然：外部认可养出"追风口的人"，内在标准养出"做重要事的人"——李飞飞的 5 年坚持靠的就是内在标准。
4. 抗逆力的训练：从洗衣店到斯坦福教授
15 岁赴美不通英语，在新泽西州帕西帕尼普通公立高中读书。高中时期在洗衣店、中餐馆打工补贴家用。她回忆："我在洗衣店打工时，脑子里在想物理。"1995 年从普通公立高中考入普林斯顿——这是惊人的跨越。后来母亲罹患癌症，她曾考虑休学打工赚钱，母亲坚持"你必须读书"。这些困难训练了她的抗逆力——不是"不受伤"，而是"受伤后能恢复"。
机制：抗逆力的机制是"前额叶-杏仁核回路"的强化——每一次"在压力下保持目标导向"，前额叶对杏仁核（恐惧中枢）的调节能力就被强化一次。李飞飞 15 岁赴美不通英语，面对"语言障碍+经济困难+文化冲击"三重压力，她的前额叶被反复训练——"我很害怕，但我选择继续学习"。这种训练的累积效应是"抗逆力的肌肉化"——后来面对 ImageNet 5 年不被认可、母亲癌症等困难时，她能保持目标导向，靠的就是早年训练的抗逆力。适度的困难是抗逆力的训练场，但关键区分是"有支持的困难"——李飞飞虽困难但有母亲"你必须读书"的支持。
对中国家庭的可操作启示：0-6 岁让小宝经历"小挫折"——搭积木倒了重来、比赛输了不哭，训练"失败不可怕"的直觉；6-12 岁鼓励"有挑战的体验"——如参加有难度的竞赛、学一门难学的技能，关键是"陪伴挫折而非代劳解决"；12-18 岁鼓励"独立面对困难"——如独立旅行、独立完成项目，训练"在压力下保持目标导向"。选 A（适度困难+陪伴）不选 B（全程保护+代劳）的所以然：全程保护养出"温室花朵"，适度困难养出"抗逆力强壮"——李飞飞从洗衣店到斯坦福，靠的就是抗逆力。
5. 名师与社区：从 Perona 到斯坦福 AI 实验室
李飞飞每个阶段都有名师与优秀社区：普林斯顿本科的物理学术氛围、加州理工博士师从 Pietro Perona（计算机视觉专家）、2009 年到斯坦福后进入斯坦福 AI 实验室（2013-2018 年任主任）。2017-2018 年任谷歌云 AI/ML 首席科学家，进入工业界。2019 年创立斯坦福以人为本 AI 研究院（HAI），2023-2024 年创立 World Labs（专注空间智能），融资 2.3 亿美元。名师与社区是学者成长的关键——不仅提供知识，更提供"学术范式"和"同行网络"。
机制：名师与社区的机制是"范式传递+网络效应"——名师传递"如何看待问题"的范式（Perona 教李飞飞"视觉不只是算法，是对世界的理解"），社区提供"同行反馈"的网络（斯坦福 AI 实验室的密度让想法快速碰撞）。这两个因素缺一不可：只有名师没有社区，想法缺乏碰撞；只有社区没有名师，想法缺乏深度。李飞飞能在 ImageNet 方向上坚持 5 年，部分原因是她在斯坦福 AI 实验室有"能讨论的同行"——即使主流不认可，社区内的深度讨论让她确认了方向。
对中国家庭的可操作启示：6-12 岁帮小宝找"能讨论的同伴"——如机器人社团、编程兴趣班，让孩子有"能聊同好"的圈子；12-18 岁鼓励参加"高密度社区"——如开源社区、学术竞赛圈、线上学术论坛，让孩子接触"优秀的同龄人"。选 A（找名师+找社区）不选 B（只学知识不进社区）的所以然：知识可以自学，但范式传递需要名师，同行反馈需要社区——李飞飞的成长离不开两者。
五、不可复制点
1. 移民机遇
1990 年代美国移民环境宽松，这种机遇今天已不同。
2. 普林斯顿本科
15 岁赴美从普通公立高中考入普林斯顿——这种跨越难度极大。
3. 时代机遇
2007-2012 年正好是深度学习爆发前夜——ImageNet 踩中了历史节点。
4. 个人天赋
李飞飞的数理直觉、跨学科整合能力超群。这种天赋不是训练能完全复制的。
六、争议与局限
1. "AI 教母"称号的媒体夸大
媒体（特别是中文媒体）反复给李飞飞冠以"AI 教母"称号。这是媒体夸大：
- ImageNet 是团队成果，不是李飞飞一人之功
- 李飞飞的合作伙伴（如 Fei-Fei Li 实验室的博士生、Jia Deng 等）贡献巨大
- "AI 教母"标签把团队成果简化为个人英雄叙事
借鉴建议：理解李飞飞的核心贡献（数据驱动的 AI 范式），但不应把她神化为"AI 教母"。
2. ImageNet 的"数据驱动"叙事简化
ImageNet 的成功被简化为"数据比算法重要"。这是过度简化：
- ImageNet 的成功是"大数据 + 深度学习算法 + GPU 算力"的组合
- AlexNet（Hinton 团队）的算法创新同样关键
- "数据驱动"是李飞飞的倡导，但不应简化为"数据决定一切"
3. 谷歌云任职期间的争议
2017-2018 年李飞飞任谷歌云 AI/ML 首席科学家期间，谷歌与美国国防部合作 Project Maven（AI 分析无人机影像）引发内部争议。李飞飞在内部邮件中表达了对"AI 武器化"的担忧，但项目仍推进。这一事件在媒体上有不同解读。
借鉴建议：理解 AI 学者在工业界面临的真实伦理张力，不只看"以人为本"的倡导。
4. World Labs 的商业化未经验证
2023-2024 年李飞飞创立 World Labs（空间智能），估值快速上升。但截至 2026 年仍是早期公司：
- 商业化能力、长期竞争力未经验证
- "空间智能"作为概念被广泛关注，但实际落地仍在早期
- 不应把 World Labs 与 ImageNet 等同看待
5. 移民叙事的简化
李飞飞的"15 岁赴美从洗衣店打工到斯坦福教授"被反复讲成"美国梦"叙事。这种简化掩盖了：
- 父母是知识分子（父亲工程师、母亲教师），不是底层移民
- 她赴美前在成都七中已接受优质教育，数理基础扎实
- 普林斯顿本科的录取是美国精英教育体系的产物
借鉴建议：理解移民经历的塑造作用，但不要简化为"底层逆袭"。
6. "女性 AI 代表"标签的复杂态度
李飞飞被反复冠以"女性 AI 代表"标签。她本人对此态度复杂——既承认女性在 AI 领域的现实困境，也反对被标签化。借鉴时应尊重这种复杂态度，不简化为"女性 AI 励志偶像"。
七、家庭借鉴建议
1. 0-6 岁：保护好奇心与跨学科启蒙
- 多元启蒙：科学 + 艺术 + 语言，不偏科
- 母亲参与：李飞飞母亲坚持让她读书——母亲对女孩的教育有特殊影响
- 不功利：父母不要求她"找稳定工作"，让她按兴趣探索
2. 6-12 岁：抗逆力训练 + 跨学科基础
- 抗逆力训练：让孩子经历适度困难——做家务、参加有挑战的活动
- 跨学科阅读：科普 + 传记 + 文学
- 编程启蒙：8-10 岁开始 Scratch，10-12 岁 Python
3. 12-18 岁：长期项目 + 名师寻找
- 长期项目：12-18 岁至少做 1 个 1 年以上的项目
- 名师寻找：尽可能让孩子接触优秀的老师/导师
- 接触前沿：读 arXiv 论文、看 TED 演讲、参加学术讲座
八、对当下 AI 时代儿童培养的启示
1. AI 时代需要"以人为本"的视角
李飞飞创立 HAI——以人为本 AI 研究院。AI 时代不仅需要技术能力，也需要"以人为本"的视角。
2. 跨学科整合是 AI 时代的护城河
李飞飞的"视觉 + 神经科学 + AI"跨界整合——这种能力在 AI 时代更稀缺。不要让孩子过早定向。
3. 长期主义是对冲 AI 焦虑的良药
5 年坚持 ImageNet——这种长期主义在 AI 时代反而更稀缺。
4. 抗逆力是 AI 时代的基础能力
AI 让"工具型技能"贬值，但"在不确定中坚持"的抗逆力反而更稀缺。
5. 女性视角在 AI 时代更有价值
AI 领域女性比例偏低——鼓励女孩学 AI、学工程，在 AI 时代更有价值。
九、李飞飞的名言
- "AI 不仅是技术，更是关于人的"
- "ImageNet 的成功不是算法的成功，是数据的成功"
- "我希望让更多女孩接触 AI"
- "科学家要有自己的祖国，也要有世界"
- （2018 年谷歌云大会）"AI 的未来是'AI for Everyone'"
- （2024 年 World Labs 发布）"空间智能是 AI 的下一个前沿"