Bahasa Melayu

Gaya Kepemimpinan Fei-Fei Li: Membina AI yang Melayani Kemanusiaan

Profil Kepemimpinan Fei-Fei Li

Fakta Utama: Fei-Fei Li (b. 1976) ialah profesor Sains Komputer Stanford yang mencipta ImageNet pada 2009, set data imej berlabel yang mencetuskan revolusi pembelajaran mendalam. Beliau adalah pengasas bersama direktur Institut Stanford untuk AI Berpusatkan Manusia (HAI) dan berkhidmat sebagai Ketua Saintis AI/ML di Google Cloud dari 2017 hingga 2018. Memoir beliau pada 2023 "The Worlds I See" menceritakan perjalanannya dari kedai pembersihan kering New Jersey ke memimpin penyelidikan AI. Beliau juga pengasas AI4ALL, organisasi bukan untung yang mengembangkan akses AI untuk pelajar yang kurang diwakili, dan pada 2024 melancarkan World Labs, syarikat permulaan kecerdasan spatial.

Doktrin AI Berpusatkan Manusia (Model Pemangkin ImageNet)

Doktrin AI Berpusatkan Manusia memegang bahawa penyelidikan AI mesti dinilai berdasarkan kebajikan manusia, maruah, dan ekuiti sosial dalam ayat yang sama seperti ketepatan penanda aras — bukan dalam fasa kemudian. Ungkapan operasinya ialah Model Pemangkin ImageNet: mengenal pasti jurang struktur yang tidak dapat ditarik oleh bidang anda, membina infrastruktur terbuka yang memaksanya, dan membebaskannya supaya ekosistem, bukan pencipta, menangkap keuntungan. Pasukan antara disiplin dan penglibatan dasar diperlakukan sebagai kerja sains teras, bukan projek sampingan.

Pada 2006, Fei-Fei Li adalah profesor pembantu di UIUC yang tidak dapat mendapatkan pembiayaan untuk projek yang dianggap rakan-rakannya sebagai tidak praktikal. Projek itu ialah ImageNet: set data imej berlabel sedemikian besar yang akan memaksa penyelidik membina rangkaian saraf yang mampu pemahaman visual sebenar dan bukannya pencocokan corak pada set data mainan.

Cadangan itu ditolak oleh setiap jawatankuasa geran yang diserahkannya. Pengulas fikir skala itu tidak masuk akal. Beliau menemui geran kecil, mengupah pekerja pelajar, menggunakan Amazon Mechanical Turk untuk sumber ramai pelabelan, dan menghabiskan tiga tahun membina set data 14 juta imej merentas 20,000 kategori dengan belanjawan terhad.

Pada 2012, rangkaian saraf bernama AlexNet yang dilatih pada ImageNet memenangkan Cabaran Pengiktirafan Visual Skala Besar ImageNet dengan kadar ralat 15.3%, berbanding 26.2% entri tempat kedua. Jurang itu, 11 mata peratusan, ialah pistol permulaan untuk revolusi pembelajaran mendalam. Setiap kemajuan AI besar sejak itu — penglihatan komputer, model bahasa besar, AI generatif — mengesan silsilah kembali kepada kaedah dan infrastruktur yang AlexNet buktikan pada ImageNet.

Li membina infrastruktur yang menjadikan semuanya mungkin, tanpa sokongan institusi, tanpa belanjawan besar, dan menentang keraguan ketara. Itu adalah profil kepemimpinan tertentu, dan ia adalah profil yang kebanyakan pengendali belum mengkaji dengan cukup teliti.

Pecahan Gaya Kepemimpinan

Gaya Berat Cara ia Ditunjukkan
Saintis Dipandu Misi 60% Keyakinan teras Li telah konsisten merentas 20 tahun: AI harus dibina untuk melayani kebajikan manusia, bukan hanya untuk mengoptimalkan metrik komersial atau prestasi penanda aras. Itu bukan slogan. Ia mendorong keputusan untuk menjadikan ImageNet percuma dan terbuka, keputusan untuk meninggalkan Google dan mengasaskan HAI dan bukannya kekal dalam industri, dan pembingkaian memoir beliau 2023 "The Worlds I See." Berat 60% kelihatan dalam setiap pilihan kerjaya besar: beliau secara konsisten memilih jalan yang memajukan misi sains dan kemanusiaan mengatasi jalan yang memaksimalkan keuntungan komersial peribadinya.
Pembina Institusi 40% Li bukan hanya melakukan penyelidikan. Beliau membina infrastruktur yang menjadikan penyelidikan mungkin dan adil. ImageNet adalah infrastruktur. Stanford HAI adalah infrastruktur. AI 4 All adalah infrastruktur. Berat 40% pembina institusi adalah apa yang memisahkannya daripada penyelidik yang menghasilkan kerja penting dan kemudian menunggu orang lain bertindak. Beliau mengenal pasti jurang struktur — dalam data latihan, dalam norma penyelidikan, dalam saluran bakat — dan membina perkara yang mengisinya.

Pembahagian 60/40 penting kerana tidak satu pun sahaja akan menghasilkan kesannya. Saintis tulen tanpa dorongan pembinaan institusi akan telah menerbitkan kertas ImageNet dan bergerak maju. Pembina institusi tulen tanpa kredibiliti sains tidak akan dapat mempercepat perubahan bidang yang diikuti. Kombinasinya adalah apa yang luar biasa.

Sifat-Sifat Kepemimpinan Utama

Sifat Penilaian Apa Maksudnya dalam Amalan
Keyakinan di bawah keraguan Sangat Tinggi Li menjalankan projek ImageNet selama tiga tahun sementara bidang memberitahunya ia pembaziran masa. Beliau adalah profesor junior tanpa tempoh. Jawatankuasa geran bukan hanya tidak berguna — mereka secara aktif tidak menggalakkan. Memegang arah penyelidikan menentang konsensus pakar selama masa yang lama, tanpa pengesahan luaran, memerlukan jenis keyakinan khusus yang berbeza daripada kontrarianism. Beliau mempunyai bukti — hasil awal, kerangka kerja teori, pembacaan di mana penglihatan komputer terjebak — yang beliau percaya lebih daripada yang beliau percaya konsensus.
Pembinaan gabungan Sangat Tinggi HAI diasaskan bersama dengan John Etchemendy (bekas Provos Stanford), yang memberikannya kesahihan institusi sejak hari pertama. Pendekatan Li untuk membina organisasi secara konsisten melibatkan merekrut orang-orang yang dapat membuka pintu yang tidak dapat beliau buka sahaja — bukan untuk meminjam kredibiliti mereka, tetapi kerana beliau benar-benar percaya masalah yang beliau bekerja memerlukan gabungan antara disiplin untuk diselesaikan. Kesaksiannya kepada Kongres, kerjanya pada dasar AI, dan lembaga penasihat HAI semua mencerminkan corak yang sama: bawa masuk orang-orang dengan pelbagai bentuk pihak berkuasa yang berbeza tetapi pelengkap.
Pemikiran antara disiplin Tinggi Li dilatih sebagai ahli fizik di Princeton, mendapat PhD dalam kejuruteraan elektrik daripada Caltech, dan telah menghabiskan kariernya di persimpangan penglihatan komputer, sains kognitif, dan etika AI. Bukunya "The Worlds I See" membuat kes bahawa memahami persepsi manusia tidak dapat dipisahkan daripada membina mesin yang melihat dengan baik. Kelancaran merentas domain itu — memperlakukan neurosains penglihatan sebagai berkaitan secara langsung dengan kejuruteraan penglihatan komputer — adalah ciri konsisten kerja terbaiknya. Ini adalah disposisi yang beliau kongsi dengan kontemporari seperti Andrew Ng, yang makmal Stanford bertindih dengan miliknya, dan Yann LeCun, yang penyelidikan CNN mengenai pengiktirafan visual berjalan sejajar dengan projek ImageNet.
Kredibiliti jangka panjang atas kemenangan jangka pendek Tinggi Li menghabiskan dua tahun di Google Cloud sebagai Ketua Saintis untuk AI/ML (2017-2018), kemudian berjalan kembali ke akademik dan mengasaskan institusi penyelidikan bukan untung dan bukannya kekal dalam industri. Itu adalah pemotongan gaji sukarela magnitud ketara sebagai pertukaran untuk keupayaan bekerja pada masalah yang beliau fikir penting lebih. Kebanyakan orang yang mendapat sedekat itu ke pusat graviti komersial Silicon Valley tidak secara sukarela meninggalkan. Beliau lakukan, dua kali.

3 Keputusan yang Menentukan Li

1. Membina ImageNet Tanpa Sokongan Institusi (2006-2009)

Cerita ImageNet patut difahami terperinci kerana ia adalah contoh paling jelas bagi model kepemimpinan Li: mengenal pasti jurang struktur dalam bidang, membina infrastruktur untuk mengisinya, menjadikannya tersedia awam, dan terima bahawa hasil akan mengambil masa bertahun-tahun.

Jurang yang beliau kenal pasti adalah mudah: penyelidik penglihatan komputer melatih dan menguji model pada set data kecil yang dikurasi yang tidak mencerminkan kerumitan pengiktirafan visual di dunia nyata. Model yang memenangkan pertandingan pada set data itu sering gagal serta-merta apabila digunakan pada imej sebenar. Sebabnya adalah set data, bukan algoritma.

Tesis Li adalah bahawa jika anda membina set data cukup besar dan pelbagai untuk mencerminkan kerumitan visual dunia nyata, bidang itu perlu membangunkan algoritma yang lebih baik untuk bersaing padanya. Beliau betul, tetapi tesis memerlukan membina set data terlebih dahulu, sebelum algoritma yang lebih baik wujud, pada pertaruhan bahawa mereka akan datang.

Beliau sumber ramai kerja pelabelan menggunakan Amazon Mechanical Turk — pendekatan yang baru dalam penyelidikan akademik pada masa itu dan yang membangkitkan soalan tentang kualiti data dan pampasan pekerja yang masih patut ditanya. Tetapi hasil praktikal adalah bahawa beliau mengumpul 14 juta imej berlabel untuk pecahan daripada apa saluran anotasi tradisional akan menelan, yang adalah satu-satunya cara melakukannya pada belanjawan akademik.

Keluaran percuma dan terbuka adalah pilihan sengaja. ImageNet boleh telah dikomersialkan. Li memilih untuk membebaskannya secara terbuka kerana matlamatnya adalah untuk memajukan bidang, bukan untuk menangkap nilai set data untuk diri sendiri atau institusinya. Keputusan itu adalah mengapa ImageNet menjadi penanda aras standard — dan mengapa revolusi pembelajaran mendalam yang diikuti berlaku dalam makmal akademik dan penyelidikan terbuka, bukan di belakang tembok milik.

2. Melancarkan Stanford HAI (2019)

Apabila Li kembali dari Google pada 2018, beliau mempunyai diagnosis khusus tentang apa yang hilang dalam penyelidikan dan dasar AI: institusi yang menggabungkan ketelitian teknikal dengan komitmen tulen kepada etika, dasar, dan kebajikan manusia — dan yang mempunyai kredibiliti akademik untuk mempengaruhi kedua-duanya.

Institut AI Berpusatkan Manusia Stanford adalah jawapannya. Diasaskan bersama dengan John Etchemendy, ia menyatukan saintis komputer, saintis sosial, ahli etika, penyelidik dasar, dan pengamal di bawah kerangka kerja bersama: penyelidikan AI harus dinilai bukan hanya pada prestasi teknikal tetapi pada kesannya ke atas manusia.

Ini adalah pembinaan institusi dalam erti kata yang paling literal. Li perlu mengumpul wang, merekrut fakulti merentas disiplin yang biasanya tidak bekerjasama, menetapkan norma penyelidikan untuk kerja AI antara disiplin, dan membina infrastruktur penglibatan dasar dari awal. Tiada satu pun daripada itu adalah kerja gemilang. Tetapi HAI menjadi salah satu pusat paling berpengaruh untuk penyelidikan dasar dan etika AI di dunia dalam beberapa tahun pertamanya.

Model kepemimpinan di sini patut dikaji: Li mengenal pasti bahawa tiada institusi sedia ada diposisikan untuk melakukan apa yang beliau fikir perlu dilakukan, dan beliau membina institusi dan bukannya menunggu satu muncul. Itu adalah pergerakan berbeza daripada menerbitkan kertas berpengaruh atau menyertai organisasi sedia ada. Ini adalah jenis keputusan yang mengambil masa bertahun-tahun untuk membayar dan memerlukan membina konsensus antara pihak berkepentingan yang tidak akan secara semula jadi bersetuju.

3. Peranan Google Cloud dan Apa Yang Beliau Ambil Kembali ke Akademik

Tempoh 2017-2018 di Google Cloud sebagai Ketua Saintis untuk AI/ML adalah periode paling terkenal secara komersial dalam karier Li. Beliau bertanggungjawab untuk membuat produk AI awan Google mudah diakses oleh perusahaan — kesihatan, runcit, pembuatan — dan untuk membina strategi bagaimana Google akan bersaing dengan AWS dan Azure pada infrastruktur AI.

Beliau mengambil peranan sebahagiannya kerana beliau ingin memahami bagaimana AI digunakan pada skala dalam dunia nyata. Apa yang beliau lihat membentuk kerja AI berpusatkan manusia yang diikuti: kegunaan AI dalam perusahaan sering berlaku lebih cepat daripada keupayaan organisasi untuk menilai kesannya, pasukan membina dan menggunakan sistem tidak pelbagai, dan gelung maklum balas antara keupayaan teknikal dan kesan sosial lemah atau tidak ada.

Beliau meninggalkan Google selepas dua tahun. Narasi standard adalah bahawa beliau kembali ke akademik. Tetapi pembingkaian yang lebih tepat adalah bahawa beliau mengambil apa yang beliau pelajari di Google — khususnya, jurang antara keupayaan AI dan tadbir urus AI — dan menggunakannya untuk membina institusi yang dirancang secara jelas untuk mengisinya. Pengalaman Google bukan penyimpangan daripada misinya. Ia adalah penyelidikan lapangan.

Bagi pengendali, pelajaran adalah tentang menggunakan peranan institusi bereputasi tinggi sebagai peluang pembelajaran dan bukannya tujuan akhir. Li adalah Ketua Saintis Google Cloud untuk AI. Itu adalah tajuk ketara dengan sumber ketara. Beliau meninggalkannya untuk melakukan sesuatu yang beliau fikir lebih penting. Kesediaan untuk meninggalkan platform apabila ia berhenti menjadi alat terbaik untuk matlamat sebenar adalah luar biasa dan patut diambil perhatian.

Apa yang Li Akan Lakukan dalam Peranan Anda

Jika anda adalah CEO, diagnosis jurang institusi adalah pelajaran paling mudah dipindahkan. Li secara konsisten mencari perkara yang harus wujud tetapi tidak dan membinanya. Kebanyakan CEO mengoptimalkan institusi sedia ada dan bukannya membina yang baru. Tetapi ada kategori pelaburan strategik — dalam penyelidikan, dalam saluran bakat, dalam infrastruktur industri — di mana perkara paling berpengaruh tinggi yang boleh anda lakukan adalah membina perkara yang seluruh industri anda perlukan, sumber terbuka, dan biarkan bidang membina di atasnya. Itu mencipta jenis kedudukan kompetitif berbeza daripada ciri produk.

Jika anda adalah COO, model pembinaan gabungan Li adalah operasi khusus. Beliau merekrut pengasas bersama dan pengarah bersama yang dapat membuka pintu institusi yang tidak dapat beliau buka sahaja — Etchemendy untuk Stanford HAI memberikan institusi kredibiliti akademik sejak hari pertama yang telah mengambil bertahun-tahun untuk diperoleh sebaliknya. Apabila anda membina gabungan dalaman untuk inisiatif besar, fikirkan tentang siapa yang mempunyai kredibiliti institusi yang diperlukan projek anda dalam kumpulan pihak berkepentingan yang perlu anda yakinkan. Rekrut mereka awal, bukan selepas anda telah menghadapi rintangan.

Jika anda dalam produk, model keluaran ImageNet berkaitan untuk mana-mana produk dengan kesan rangkaian ketara. Li membebaskan ImageNet secara percuma, yang memaksimalkan pengambilan, menetapkannya sebagai penanda aras standard, dan menjana puluhan tahun petikan penyelidikan hiliran. Jika anda membina produk data, alat pembangun, atau platform penyelidikan, soalan tentang sama ada menangkap nilai melalui yuran akses atau melalui kedudukan ekosistem patut dimodel secara jelas. Keluaran percuma ImageNet adalah apa yang menjadikannya standard dan bukannya satu daripada beberapa set data bersaing.

Jika anda dalam jualan atau pemasaran, model kredibiliti Li patut dikaji. Beliau tidak menjual. Beliau menunjukkan. ImageNet bercakap sendiri apabila AlexNet memenangkan pertandingan CASP. Pengaruh HAI pada dasar AI datang daripada kualiti penyelidikan dan pihak berkuasa antara disiplin tulen, bukan daripada kempen advokasi. Jika anda menjual produk teknikal ke pasaran di mana kredibiliti lebih penting daripada pemasaran, tanya apa yang bersamaan ImageNet anda — perkara yang boleh anda bina, keluarkan secara terbuka, dan biarkan menunjukkan tesis anda untuk anda.

Bagaimana Rework Menggunakan AI Berpusatkan Manusia

Doktrin Li membentuk bagaimana Rework menghantar ciri AI di dalam tumpukan pengurusan kerjanya. AI Rework bukan penyusun kilat mengejar trend — ia adalah skop bagi aliran kerja pengendali spesifik (pemarkahan transaksi, triase saluran, susulan mesyuarat) di mana keluaran model boleh disemak dan ditindih oleh manusia dalam gelung. Itu adalah model HAI digunakan untuk produk: AI membantu pengendali, ia tidak menggantikan pertimbangan. Penekanan Li pada pembangunan inklusif juga memaklumkan bagaimana Rework mengendalikan penggunaan. Platform melancarkan ciri AI dengan kebenaran yang sama terkait peranan seperti selebihnya tumpukan, supaya pengarah jualan dapat melihat apa yang dicadangkan model kepada wakilnya dan mengapa. CRM dan Sales Ops bermula pada $12/pengguna/bulan dan Work Ops pada $6/pengguna/bulan (harga), termasuk ciri AI — kerana doktrin yang memperlakukan AI sebagai alat kebajikan manusia tidak harus mengunci akses di belakang SKU perusahaan.

Petikan Ketara dan Pelajaran Melampaui Bilik Papan

Dalam memoir 2023nya The Worlds I See, Li menulis tentang ketibaan di Amerika Syarikat pada 16, bekerja di kedai pembersihan kering keluarga di New Jersey sementara belajar untuk ijazah fiziknya, dan akhirnya tiba di Caltech untuk PhD beliau. Beliau telah terus terang dalam temu bual tentang bagaimana latar belakangnya membentuk pandangannya tentang AI: beliau datang daripada konteks di mana jurang antara janji teknologi dan manfaat manusia sebenar adalah ketara, dan perspektif itu berjalan melalui semua yang beliau telah bina.

Beliau juga telah mengatakan, dalam kesaksian Kongres dan kuliah awam: "AI bukan tentang mesin. Ia tentang manusia." Pembingkaian itu penting kerana ia menjelaskan model HAI. Li bukan berhujah bahawa penyelidikan AI teknikal harus berhenti atau perlahan. Beliau berhujah bahawa prestasi teknikal dan kesan manusia perlu diukur bersama-sama, bukan berurutan.

Pelajaran kepemimpinan adalah tentang membingkai keputusan teknologi kompleks dalam istilah pihak berkepentingan anda boleh bertindak. "AI bukan tentang mesin" bukan slogan. Itu adalah pernyataan keutamaan penyelidikan yang memberitahu pasukannya, pelajarnya, pendananya, dan rakan dasar pilihannya apa masalah yang beliau fikir paling penting untuk diselesaikan. Pembingkaian yang jelas pada tahap abstraksi itu adalah kemahiran kepemimpinan yang kebanyakan pengasas teknikal kurang melabur.

Di Mana Gaya Ini Rosak

Model Li bergantung pada kesabaran institusi yang kebanyakan organisasi tidak mempunyai. Tiga tahun untuk membina ImageNet, garis masa bertahun-tahun untuk membina pengaruh HAI, kesediaan untuk meninggalkan peranan platform Google untuk kembali ke akademik — ini adalah keputusan yang memerlukan keupayaan untuk mengoptimalkan pada skala masa yang kebanyakan syarikat dan kebanyakan karier tidak menampung. Bagi eksekutif bertanya bagaimana membina kesediaan organisasi untuk AI pada skala serupa, penyelidikan transformasi tenaga kerja AI menangkap apa yang berlaku merentas industri apabila kerja asas Li disebarkan dalam perusahaan sebenar. Demis Hassabis menghadapi versi ketegangan yang sama dalam Google DeepMind — budaya penyelidikan-pertama berlanggar dengan permintaan kitaran produk.

Kedudukan "AI untuk kebaikan", sementara tulen, boleh mengecilkan ketegangan komersial. Membina AI yang melayani kemanusiaan dan membina AI yang menjana hasil tidak selalu projek yang sama, dan model HAI untuk menavigasi ketegangan itu adalah akademik dan bukannya komersial. Ia berfungsi dalam konteks institusi penyelidikan. Ia lebih sukar untuk diterjemahkan secara langsung ke organisasi produk permulaan atau perusahaan.

Dan World Labs, permulaan kecerdasan spatial 2024 beliau, masih belum terbukti. Kredibiliti akademik yang dibina ImageNet dan HAI tidak secara automatik dipindahkan ke permintaan halaju produk syarikat bersandar usaha yang bersaing dalam penglihatan komputer menentang Google dan Meta.

Pelajari Lebih Lanjut