Leadership Styles of Legends

Fakta Kunci: Fei-Fei Li (lahir 1976) adalah profesor Ilmu Komputer Stanford yang membuat ImageNet pada 2009, dataset gambar berlabel yang memicu revolusi deep learning. Dia adalah founding co-director dari Stanford Institute for Human-Centered AI (HAI) dan melayani sebagai Chief Scientist AI/ML di Google Cloud dari 2017 hingga 2018. Memoarnya tahun 2023 "The Worlds I See" menceritakan perjalanannya dari toko dry-cleaning New Jersey hingga memimpin penelitian AI. Dia juga founder dari AI4ALL, nonprofit memperluas akses AI untuk siswa underrepresented, dan pada 2024 meluncurkan World Labs, startup spatial intelligence.

Doktrin AI Berpusat Manusia (Model Katalis ImageNet)

Doktrin AI Berpusat Manusia memegang penelitian AI harus dievaluasi pada kesejahteraan manusia, martabat, dan kesetaraan sosial dalam kalimat yang sama seperti akurasi benchmark — bukan dalam fase kemudian. Ekspresi operasionalnya adalah Model Katalis ImageNet: identifikasi celah struktural bidang Anda tidak bisa menyeberang, bangun infrastruktur terbuka yang memaksanya melakukannya, dan lepaskan itu secara gratis sehingga ekosistem, bukan penemu, menangkap upside. Tim interdisipliner dan engagement kebijakan diperlakukan sebagai pekerjaan ilmu inti, bukan proyek sampingan.

Pada 2006, Fei-Fei Li adalah profesor asisten di UIUC yang tidak bisa mendapatkan pendanaan untuk proyek rekan-rekannya anggap tidak praktis. Proyeknya adalah ImageNet: dataset gambar berlabel sangat besar itu akan memaksa peneliti membangun jaringan saraf mampu visual understanding nyata daripada pattern-matching pada dataset mainan.

Proposal itu ditolak oleh setiap komite hibah yang dia ajukan ke. Pengulas pikir skala adalah absurd. Dia menemukan hibah kecil, merekrut pekerja mahasiswa, menggunakan Amazon Mechanical Turk untuk crowdsource pelabelan, dan menghabiskan tiga tahun membangun dataset dari 14 juta gambar di 20.000 kategori pada anggaran sekelintir.

Pada 2012, jaringan saraf disebut AlexNet dilatih pada ImageNet memenangkan ImageNet Large Scale Visual Recognition Challenge dengan tingkat kesalahan 15.3%, dibandingkan dengan 26.2% dari entri tempat kedua. Celah itu, 11 poin persentase, adalah starting gun untuk revolusi deep learning. Setiap advance AI utama sejak — computer vision, large language model, generative AI — melacak lineage kembali ke metode dan infrastruktur bahwa AlexNet membuktikan pada ImageNet.

Li membangun infrastruktur yang membuatnya semua mungkin, tanpa dukungan institusional, tanpa anggaran besar, dan melawan skeptisisme signifikan. Itu adalah profil kepemimpinan spesifik, dan itu adalah satu yang sebagian besar operator belum dipelajari dengan hati-hati cukup.

Rincian Gaya Kepemimpinan

Gaya	Bobot	Cara Ditampilkan
Ilmuwan Driven-Mission	60%	Keyakinan inti Li telah konsisten lintas 20 tahun: AI harus dibangun melayani kesejahteraan manusia, bukan hanya untuk mengoptimalkan metrik komersial atau kinerja benchmark. Itu bukan slogan. Itu mendorong keputusan untuk membuat ImageNet bebas dan terbuka, keputusan untuk meninggalkan Google dan mendirikan HAI daripada tinggal dalam industri, dan framing dari memoarnya 2023 "The Worlds I See." 60% terlihat dalam setiap pilihan karir utama: dia secara konsisten memilih path yang advance misi ilmiah dan kemanusiaan atas path yang memaksimalkan gain komersial pribadi.
Pembangun Institusi	40%	Li bukan hanya melakukan penelitian. Dia membangun infrastruktur yang membuat penelitian mungkin dan adil. ImageNet adalah infrastruktur. Stanford HAI adalah infrastruktur. AI 4 All adalah infrastruktur. Bobot pembangun institusi 40% adalah apa memisahkan dia dari peneliti yang menghasilkan kerja penting dan kemudian menunggu orang lain bertindak di atasnya. Dia mengidentifikasi celah struktural — dalam training data, dalam norma penelitian, dalam talent pipeline — dan membangun hal-hal yang mengisinya.

Pembagian 60/40 penting karena tidak satupun saja akan menghasilkan dampaknya. Ilmuwan murni tanpa impuls pembangun institusi akan telah menerbitkan kertas ImageNet dan melanjutkan. Pembangun institusi murni tanpa kredibilitas ilmiah tidak akan telah mampu mengkatalisis perubahan bidang yang diikuti. Kombinasi adalah apa luar biasa.

Ciri-Ciri Kepemimpinan Utama

Ciri	Rating	Apa artinya dalam praktik
Keyakinan di bawah skeptisisme	Sangat Tinggi	Li menjalankan proyek ImageNet selama tiga tahun sementara bidang mengatakan itu membuang waktu. Dia adalah profesor junior tanpa tenure. Komite hibah tidak hanya tidak membantu — mereka secara aktif menghambat. Mempertahankan arah penelitian terhadap consensus ahli untuk lama itu, tanpa validasi eksternal, memerlukan jenis keyakinan spesifik yang berbeda dari contrarianism. Dia memiliki bukti — hasil preliminer, kerangka teoritis, pembacaan di mana computer vision terjebak — bahwa dia percaya lebih dari dia percaya consensus.
Pembangunan koalisi	Sangat Tinggi	HAI didirikan bersama dengan John Etchemendy (bekas Provost Stanford), yang memberikan keabsahan institusional sejak hari pertama. Pendekatan Li untuk membangun organisasi secara konsisten melibatkan merekrut orang yang dapat membuka pintu dia tidak bisa membuka sendiri — bukan untuk meminjam kredibilitas mereka, tetapi karena dia genuinely percaya masalah yang dia kerja memerlukan koalisi interdisipliner untuk menyelesaikan. Kesaksian Congress-nya, kerjanya pada kebijakan AI, dan board advisory HAI semuanya mencerminkan pola yang sama: bawa dalam orang dengan bentuk berbeda tetapi komplementer dari otoritas.
Pemikiran interdisipliner	Tinggi	Li dilatih sebagai fisikawan di Princeton, mendapat PhD dalam electrical engineering dari Caltech, dan telah menghabiskan karir di persimpangan computer vision, cognitive science, dan AI ethics. Bukunya "The Worlds I See" membuat kasus bahwa memahami persepsi manusia adalah tidak terpisahkan dari membangun mesin yang melihat dengan baik. Fluency cross-domain itu — memperlakukan neuroscience visi sebagai langsung relevan dengan rekayasa computer vision — adalah fitur konsisten dari kerjanya terbaik. Ini adalah disposisi dia bagikan dengan contemporaries seperti Andrew Ng, yang lab Stanford tumpang tindih dengan hers, dan Yann LeCun, yang penelitian CNN pada visual recognition berjalan paralel dengan proyek ImageNet.
Kredibilitas jangka panjang atas kemenangan jangka pendek	Tinggi	Li menghabiskan dua tahun di Google Cloud sebagai Chief Scientist untuk AI/ML (2017-2018), kemudian berjalan kembali ke akademis dan mendirikan bersama lembaga penelitian nonprofit daripada tetap dalam industri. Itu adalah pemotongan upah sukarela magnitude signifikan dalam pertukaran untuk kemampuan untuk bekerja pada masalah dia pikir penting lebih. Sebagian besar orang yang mendapat itu dekat ke pusat gravitasi komersial dalam Silicon Valley tidak secara sukarela pergi. Dia melakukan, dua kali.

3 Keputusan Yang Mendefinisikan Li

1. Membangun ImageNet Tanpa Dukungan Institusional (2006-2009)

Cerita ImageNet layak dipahami secara detail karena ini adalah contoh paling jelas dari model kepemimpinan Li: identifikasi celah struktural dalam bidang, bangun infrastruktur untuk mengisinya, buatnya publik tersedia, dan terima bahwa payoff akan memakan waktu bertahun-tahun.

Celah dia identifikasi adalah straightforward: peneliti computer vision sedang melatih dan menguji model pada dataset kecil, dikurasi yang tidak mencerminkan kompleksitas visual recognition dunia nyata. Model yang memenangkan kompetisi pada dataset itu sering gagal segera ketika diterapkan ke gambar nyata. Alasannya adalah dataset, bukan algoritma.

Tesis Li adalah jika Anda membangun dataset cukup besar dan beragam untuk mencerminkan kompleksitas visual dunia nyata, bidang akan harus mengembangkan algoritma lebih baik untuk bersaing pada itu. Dia benar, tetapi tesis memerlukan membangun dataset pertama, sebelum algoritma lebih baik ada, pada taruhan bahwa mereka akan datang.

Dia crowdsourced pekerjaan pelabelan menggunakan Amazon Mechanical Turk — pendekatan yang novel dalam penelitian akademik pada waktu itu dan yang menimbulkan pertanyaan tentang kualitas data dan kompensasi pekerja yang masih layak bertanya. Tetapi hasil praktis adalah dia merakit 14 juta gambar berlabel untuk fraksi apa pipeline anotasi tradisional akan biaya, yang satu-satunya cara untuk melakukannya pada anggaran akademik.

Rilis bebas dan terbuka adalah pilihan yang disengaja. ImageNet bisa telah dikomersialisasi. Li memilih untuk melepaskan itu secara terbuka karena tujuannya adalah advance bidang, bukan menangkap nilai dari dataset untuk dirinya sendiri atau institusinya. Keputusan itu adalah mengapa ImageNet menjadi benchmark standar — dan mengapa revolusi deep learning yang diikuti terjadi dalam lab akademik dan penelitian terbuka, bukan di balik dinding proprietary.

2. Meluncurkan Stanford HAI (2019)

Ketika Li kembali dari Google pada 2018, dia memiliki diagnosis spesifik dari apa yang hilang dalam penelitian AI dan kebijakan: institusi yang menggabungkan rigor teknis dengan komitmen genuine untuk etika, kebijakan, dan kesejahteraan manusia — dan yang memiliki kredibilitas akademik untuk mempengaruhi kedua.

Stanford Human-Centered AI Institute adalah jawaban. Didirikan bersama dengan John Etchemendy, itu membawa bersama ilmuwan komputer, ilmuwan sosial, etikawan, peneliti kebijakan, dan praktisi di bawah kerangka bersama: penelitian AI harus dievaluasi bukan hanya pada kinerja teknis tetapi pada dampaknya pada manusia.

Ini adalah building institusi dalam pengertian paling literal. Li harus mengumpulkan uang, merekrut fakultas lintas disiplin yang tidak biasanya berkolaborasi, membangun norma penelitian untuk pekerjaan AI interdisipliner, dan membangun infrastruktur engagement kebijakan dari awal. Tidak satupun itu glamor. Tetapi HAI menjadi salah satu pusat paling berpengaruh untuk penelitian kebijakan AI dan etika di dunia dalam tahun-tahun pertamanya.

Model kepemimpinan di sini layak untuk dipelajari: Li mengidentifikasi tidak ada institusi yang ada ada yang diposisikan untuk melakukan apa dia pikir harus dikerjakan, dan dia membangun institusi daripada menunggu satu untuk muncul. Itu adalah gerakan berbeda daripada menerbitkan kertas berpengaruh atau bergabung dengan organisasi yang ada. Ini jenis keputusan yang memerlukan pembangunan tahun untuk terbayar dan memerlukan konsensus bangunan antara stakeholder yang tidak akan alami setuju.

3. Peran Google Cloud dan Apa yang Dia Bawa Kembali ke Akademis

Stint 2017-2018 di Google Cloud sebagai Chief Scientist untuk AI/ML adalah periode paling prominent secara komersial dari karir Li. Dia adalah bertanggung jawab untuk membuat produk AI cloud Google dapat diakses ke enterprises — perawatan kesehatan, ritel, manufaktur — dan untuk membangun strategi untuk bagaimana Google akan bersaing dengan AWS dan Azure pada infrastruktur AI.

Dia mengambil peran sebagian karena dia ingin memahami bagaimana AI sedang di-deploy pada skala dalam dunia nyata. Apa yang dia lihat membentuk kerja AI berpusat manusia yang diikuti: deployment AI dalam enterprise sering terjadi lebih cepat daripada kapabilitas organisasi untuk mengevaluasi efeknya, tim membangun dan meng-deploy sistem tidak beragam, dan loop feedback antara kapabilitas teknis dan dampak sosial lemah atau tidak ada.

Dia meninggalkan Google setelah dua tahun. Narasi standar adalah bahwa dia kembali ke akademis. Tetapi framing lebih akurat adalah bahwa dia mengambil apa yang dia pelajari di Google — khususnya, celah antara kapabilitas AI dan tata kelola AI — dan menggunakannya untuk membangun institusi secara eksplisit dirancang untuk mengisi celah itu. Pengalaman Google bukan detour dari misinya. Ini adalah field research.

Untuk operator, pelajarannya adalah tentang menggunakan peran institusional high-profile sebagai peluang learning daripada berakhir dalam diri mereka. Li adalah Chief Scientist Google Cloud untuk AI. Itu adalah judul signifikan dengan sumber daya signifikan. Dia meninggalkannya untuk melakukan sesuatu dia pikir penting lebih. Kemauan untuk menyerah platform ketika itu berhenti menjadi alat terbaik untuk tujuan actual adalah tidak biasa dan layak untuk dicatat.

Apa Yang Akan Dilakukan Li di Peran Anda

Jika Anda adalah CEO, diagnosis celah institusional adalah pelajaran paling transferable. Li secara konsisten mencari hal-hal yang harus ada tetapi tidak dan membangunnya. Sebagian besar CEO mengoptimalkan institusi yang ada daripada membangun yang baru. Tetapi ada kategori investasi strategis — dalam penelitian, dalam talent pipeline, dalam infrastruktur industri — di mana hal leverage tinggi yang bisa Anda lakukan adalah membangun hal industri Anda keseluruhan butuh, open-source itu, dan biarkan bidang membangun di atas itu. Itu menciptakan jenis posisi kompetitif berbeda daripada fitur produk.

Jika Anda adalah COO, model building koalisi Li adalah operasional spesifik. Dia merekrut co-founder dan co-director yang bisa membuka pintu institusional dia tidak bisa membuka sendiri — Etchemendy untuk Stanford HAI memberikan institut keabsahan akademik sejak hari pertama itu akan telah memakan waktu bertahun untuk mendapatkan sebaliknya. Ketika Anda membangun koalisi internal untuk inisiatif besar, pikir tentang siapa memiliki kredibilitas institusional project Anda butuh dalam stakeholder group Anda butuh untuk persuade. Rekrut mereka awal, bukan setelah Anda sudah bertemu perlawanan.

Jika Anda dalam produk, model ImageNet release adalah relevan untuk produk apa pun dengan efek jaringan signifikan. Li melepas ImageNet untuk bebas, yang maksimalkan adopsi, membangun itu sebagai benchmark standar, dan generate dekade dari downstream penelitian citations. Jika Anda membangun produk data, developer tools, atau platform penelitian, pertanyaan tentang apakah menangkap nilai melalui access fees atau melalui posisi ekosistem layak untuk dimodel secara eksplisit. Rilis gratis ImageNet adalah apa membuat itu standar daripada satu dari beberapa competing dataset.

Jika Anda dalam penjualan atau marketing, model kredibilitas Li layak untuk dipelajari. Dia tidak menjual. Dia mendemonstrasikan. ImageNet berbicara sendiri ketika AlexNet memenangkan kompetisi CASP. Pengaruh HAI pada kebijakan AI datang dari kualitas penelitian dan otoritas interdisipliner genuine, bukan dari kampanye advocacy. Jika Anda menjual produk teknis ke pasar di mana kredibilitas matters lebih dari marketing, tanyakan apa ekuivalen ImageNet Anda adalah — hal Anda bisa membangun, lepas secara terbuka, dan biarkan mendemonstrasikan tesis Anda untuk Anda.

Bagaimana Rework Menerapkan AI Berpusat Manusia

Doktrin Li membentuk bagaimana Rework kapal fitur AI dalam stack work management. AI Rework bukan bolt-on summarizer mengejar trend — itu scoped ke workflow operator spesifik (deal scoring, pipeline triage, meeting follow-up) di mana output model adalah reviewable dan overridable oleh manusia dalam loop. Itu adalah model HAI diterapkan ke produk: AI membantu operator, itu tidak mengganti judgment. Penekanan Li pada pengembangan inclusive juga inform cara Rework menghandle deployment. Platform meluncur fitur AI dengan permission role-aware sama seperti rest dari stack, jadi director penjualan bisa lihat apa model disarankan ke reps dia dan mengapa. CRM dan Sales Ops dimulai pada $12/user/mo dan Work Ops pada $6/user/mo (pricing), termasuk fitur AI — karena doktrin yang memperlakukan AI sebagai tools kesejahteraan manusia seharusnya tidak gate akses di balik enterprise SKU.

Kutipan Terkenal & Pelajaran Melampaui Ruang Rapat

Dalam memoarnya 2023 The Worlds I See, Li menulis tentang tiba di Amerika Serikat pada 16, bekerja di dry-cleaning shop keluarga di New Jersey sementara belajar untuk gelar fisika, dan akhirnya tiba di Caltech untuk PhD. Dia telah langsung dalam wawancara tentang bagaimana background shaped pandangannya tentang AI: dia datang dari konteks di mana celah antara janji teknologi dan benefit manusia actual nyata, dan perspektif itu berjalan melalui semua yang dia telah membangun.

Dia juga mengatakan, dalam kesaksian Congress dan kuliah publik: "AI bukan tentang mesin. Itu tentang manusia." Framing itu penting karena menjelaskan model HAI. Li bukan argue bahwa penelitian AI teknis harus berhenti atau memperlambat. Dia argue bahwa kinerja teknis dan dampak manusia harus diukur bersama, bukan secara berurutan.

Pelajaran kepemimpinan adalah tentang framing keputusan teknologi kompleks dalam hal stakeholder Anda bisa bertindak di. "AI bukan tentang mesin" bukan slogan. Ini adalah pernyataan prioritas penelitian yang mengatakan kepada team dia, siswa dia, funder dia, dan counterpart kebijakan dia masalah apa dia pikir paling penting untuk menyelesaikan. Framing jelas pada level abstraksi itu adalah skill kepemimpinan bahwa sebagian besar teknis founder under-invest di.

Di Mana Gaya Ini Rusak

Model Li tergantung pada kesabaran institusional yang sebagian besar organisasi tidak punya. Tiga tahun untuk membangun ImageNet, jadwal waktu multi-tahun untuk membangun pengaruh HAI, kemauan untuk meninggalkan peran platform Google untuk kembali ke akademis — ini adalah keputusan bahwa memerlukan kemampuan untuk mengoptimalkan pada skala waktu kebanyakan perusahaan dan kebanyakan karir tidak akomodasi. Untuk eksekutif menanyakan bagaimana untuk membangun organizational readiness untuk AI pada skala serupa, penelitian transformasi tenaga AI menangkap apa yang terjadi lintas industri ketika kerja dasar Li mendapat di-deploy dalam enterprise nyata. Demis Hassabis menghadapi versi dari ketegangan sama dalam Google DeepMind — budaya research-first bertabrakan dengan product-cycle demands.

Positioning "AI untuk kebaikan", sementara genuine, bisa understate ketegangan komersial. Membangun AI yang melayani kemanusiaan dan membangun AI bahwa generate pendapatan tidak selalu project yang sama, dan model HAI untuk navigate ketegangan itu adalah akademik daripada komersial. Ini bekerja dalam konteks lembaga penelitian. Ini lebih sulit untuk diterjemahkan langsung ke organisasi produk startup atau enterprise.

Dan World Labs, startup spatial intelligence 2024, masih unproven. Kredibilitas akademik yang membangun ImageNet dan HAI tidak secara otomatis transfer ke product-velocity demands dari perusahaan venture-backed bersaing dalam computer vision melawan Google dan Meta.

Pelajari Lebih Lanjut

Victor Hoang

Co-Founder & CMO, Rework