作为中国深度学习范式的破冰，引火归乡者，第一个将系统带回中国、落地大厂并实现工业化转折的代表，余凯带回的先进认知体系，使中国AI得以提前洞悉时代趋势，赢得宝贵的先发优势，避免行业爆发期（如2015–2020窗口期）的推迟。 如果说辛顿点燃了理论火种，那余凯就是将其焊入中国现实、点燃产业引擎的实干家。 早期成长并不像那些一出场就光芒四射的少年天才故事，而是一段漫长安静，在边缘反复试探坐标的旅程。山西阳泉的冬天总是灰蒙蒙的，煤尘和寒风混在一起，裹挟着小城的节奏。 出生、成长在这，祖籍江西。和李彦宏是老乡，但命运轨迹从开始就不同。1990年代初，最顶尖的学生都挤破头往清北冲，或直接出国，1994年的余凯却选择了昔日古都，就读南京大学电子科学与工程学系。本科四年，他坐在老校区有些陈旧的教学楼里，听着电路、信号处理的课，脑子里开始琢磨更抽象的东西：机器，怎么才能看懂世界？ 计算机视觉处在蛮荒时代，模式识别大多靠手工提取，神经网络被主流学界视为死胡同。初生牛犊，却像着了魔，从本科开始就痴迷。研究生阶段，已经开始用神经网络做语音处理实验。1999年，第一次参加全国性学术会议，他投了篇关于神经网络的论文，直接拿了最佳论文奖。随后，默默把证书收进抽屉，继续埋头推公式。他话不多，性格内敛，书生气十足，对每条推导都有近乎强迫症的严谨。 2002年，前往德国。在慕尼黑大学接受严格的数据挖掘与机器学习训练，实验室氛围相对自由。但当时的AI学术圈残酷，神经网络正处于第二次寒冬，主流都在追支持向量机和统计学习。 他没有急功近利，安静的坐在小隔间，一遍遍推导那些层层叠叠的神经元连接。慕尼黑的冬天漫长而阴冷，他常常独自在图书馆待到关门，屏幕上的公式像雪花堆积。过的孤独，却也自得其乐。正是这种沉得下来，容忍得住被主流忽略的状态，让他避开了范式干扰，悄然筑起一套独立的知识体系。 2004年博士毕业后，先去了西门子中央研究院做高级研究员。进入商业开发的实战第一线，所有模型和代码都必须在海量、嘈杂的真实用户数据上运行。检验成果的标准是上线后残酷的业务指标，研究的唯一目标是以最快速度和最高效率创造商业价值。 两年后，转战NEC美国研究院，在硅谷的媒体实验室担任主任。当时深度学习被学界打入冷宫，但NEC在偷偷养着一批人，闷声干大事。早年汇聚了杨立昆、弗拉基米尔·瓦普尼克这样的传奇人物。瓦普尼克是统计学习理论的奠基者，支持向量机 (SVM) 的共同发明人，计算机学习理论先驱。杨立昆是卷积神经网络 (CNN) 之父，深度学习三巨头之一，2018年图灵奖得主。 辛顿、杨立昆、瓦普尼克这些人，属于战场上的元帅、统帅、战略家，发明武器（CNN、SVM、反向传播理论）、绘制地图（深度学习范式、统计学习理论）、点燃第一把火（AlexNet的胜利）。他们决定“打什么仗”，“用什么打法”，他们的论文就是军令，算法就是兵器原型。他们是“定调者”，“开山祖师”，地位高远，像统帅一样俯瞰全局。 余凯是身披战袍的将军，接到军令后排兵布阵，带着部队冲锋陷阵的前线主将。在这里首次主导大规模实战，他运筹帷幄，将成千上万张图片视为麾下士兵与战马，俯身于战线细节，逐帧紧盯算法在不同光照、角度下的微小偏差，以精确到像素的调校，赢得工业战役。 生理上枯燥，精神上充实。日复一日地标注、调试、迭代，眼睛酸涩，手指在键盘上敲出节奏。但他看到了希望和关键节点所需：深度学习的方向没错，但受限于算力，无法发挥潜力。只要算力再翻几个量级，就肯定能爆发。 机会不负有心人，终于来了。2010年，李飞飞的首届 ImageNet 大规模视觉识别挑战赛启动。那一年，大多数人甚至没有意识到，一场将彻底改写计算机视觉乃至人工智能命运的试验，已经被摆上台面。
故事还得从几年前说起。 2006年前后，计算机视觉正处在一种微妙的停滞期。算法越来越精巧，论文越来越复杂，但现实中技术进步却越来越慢。研究者们纸上谈兵，反复在几个熟悉的数据集上打转：PASCAL VOC、Caltech-101、Caltech-256。围绕着那么几千张、几万张图像，和区区几十到几百个类别，精耕细作。 精致的模型在这些“小世界”里被打磨得近乎完美，却始终无法跨出实验室的门槛。 那时初回普林斯顿的李飞飞，年轻气盛，英勇无畏，川妹子的泼辣劲十足。 她隐约意识到，问题不在算法，而在世界，太小太简单太纯粹。实际上，意识到问题所在的人应该不少，却没有一个人敢像她那样，挑战不可能。 如果机器真的要学会“看”，它看到的就不该是研究者精心挑选的精致小样本，而是一个近似真实世界的混乱集合。于是，她有了一个当时，听着就鲁莽而疯狂的想法：建个视觉版的 WordNet！一个庞大的图片帝国。那里存在的，不是几千张图而是数百万张，不是几十类而是数千。迎合的不是学术上的“够用”，而是可以满足工程意义上的“过量”，足够来个饱和打击。 2007年，她离开伊利诺伊大学香槟分校（UIUC），回到普林斯顿，借助于李凯的帮助，ImageNet项目正式启动。实际上的难度，比她想象的还要大很多。没有充足的经费，却异想天开，要用一支小团队追寻一个超级笨重的目标：从互联网抓取图像，把人类世界的视觉对象，一层层嵌进机器可读的结构里。 到2009年，数据库上线时，规模已经大到让研究者们望而却步：一千多万张图像，覆盖两万多个类别，按 WordNet 的语义层级展开。它不只是个“漂亮的数据集”，而是块未经驯化的原始大陆，新的星球。 1985年，由心理学家乔治·米勒领导的普林斯顿团队开始构建 WordNet，试图将人类语言抽象为机器可读的逻辑。在普林斯顿深厚的符号逻辑传统下，最小单位被定义为同义词集合（Synset），它超越了单词本身的字面排布，将语义作为组织核心。 这为后来的计算机视觉革命奠定了两个关键的技术基石。 首先，它确立了层次化的分类学体系（Taxonomy）。WordNet 内部最核心的逻辑是其严密的上下位关系（Hyponymy/Hypernymy）。它明确规定了概念间的隶属逻辑。例如，“哈士奇”是“犬科”的下位词，“犬科”又是“哺乳动物”的下位词。普林斯顿的学者们耗费数十年，手动梳理出数万个这类逻辑链条。有了它，李飞飞后来就不需要从零开始，构建覆盖万物的分类逻辑，而是直接继承已成型的语义树。ImageNet 的 12 个层级和 2 万多个类别，在本质上就是将海量图像挂载到了 WordNet 的逻辑节点上。 其次，它提供了从“符号”到“感知”的跨越支点。尽管 WordNet 在语义逻辑上近乎完美，但它始终停留在符号层面。它能告诉机器“猫有四条腿”，却无法给机器提供“猫”的像素表征。可能正是因为李飞飞身处发源地，她比任何人都更早看清了这一局限：纯粹的符号逻辑（Symbolic Logic）无法产生真正的智能，必须用海量的感官数据去填充这些逻辑框架。
真正的转折发生在2010年。短暂的铁牛沉大海之后，李飞飞的团队意识到，单靠数据本身并不能推动整个领域前进。不同团队各用各法、各选各的数据，各说各语，自说自话，彼此间无法比较，进步就慢，这是巨大的时间和资源浪费。她觉得，人们还是没有看出，这么巨大一个图片数据集的潜在价值。 从这里，你能看出李飞飞的真正厉害：她不仅敢做普通人觉得不可能的事，建了个世外桃源。而且，她还要逼着人们进驻，在里面各显神通，将它打造成真正伊甸园。这是不是受当年中国到处热火朝天的地产开发启发，只有她自己知道，或许连自己都不知道，只是冥冥之中接受了指引。 结果，她不仅是一个数据的建设者，更是一个行业生态的设计者。 就此她想到了竞标，想到了擂台赛。她看着那些在旧数据集里斤斤计较的学者，就像看着在狭窄死胡同里死磕残局的棋手。她不打算入局，要在广袤原野，再造一个万马奔腾的战场。 或许在某个瞬间，她脑海中闪过那场中日围棋擂台赛的往事：一纸赛约，举世瞩目，成就了聂卫平等众多棋圣棋王。她领悟到，要改变一个时代的认知，仅仅靠逻辑是不够的，还需要一场足以载入史册的“胜负”对决。她要做的，就是为全世界的算法英雄，组织一场决定命运的擂台赛。 在2010年第一届挑战赛举办时，李飞飞人微言轻，却展现出了川妹子特有的那股子灵气与韧劲。或许是骨子里带着点诸葛故里的谋略基因，在资源几乎为零的绝境下，她竟如老乡孔明布局、又似刘皇叔起家那般，玩了一手极其漂亮的“借壳上市”。 当时视觉领域已有成名的小型竞赛PASCAL VOC。面对这座已经稳固的“城池”，李飞飞无力强攻，也没有资本另起炉灶，她选择了“借鸡下蛋”的策略。她指挥着稚嫩的ImageNet委身其中，以一个附属子项目的名义低调潜入。就像当年刘备在落座荆州前，在那座弹丸小城“新野”暂时栖身。虽是寄人篱下，虽是厚着脸皮“沾香边”，却在默默观察着天下大势，积攒着改天换地的本钱。 李飞飞在这点上极其令人佩服：她不怕位卑，不怕被冷落，更不嫌弃这“新野小城”的寒酸。只要有一线机会，她就要试一下，而且是全力以赴。 当时的她穷得叮当响，拿不出钱，也找不到愿意掏钱的赞助商。早期的奖金微薄到近乎凄凉，很大一部分是由PASCAL VOC背后的组织机构，主要是那帮严谨却死板的欧盟学术网络分摊的。这笔钱与其说是“奖金”，不如说是一种象征性的“差旅补助”，数额往往只有几百到一千美元，有时甚至只是送一张当年顶级学术会议的入场券。 正如刘备在新野等到了诸葛亮，李飞飞也在这个学术界的“新野”里，等到了那个足以火烧博望坡的神迹。2012年，当辛顿带着那两块冒烟的游戏显卡杀入赛场时，李飞飞终于告别了“借座新野”的窘迫，亲手开启了属于深度学习的“三国鼎立”时代。
2010年的硅谷，黄仁勋正陷入一种宏大的孤独。英伟达虽然靠显卡赚得盆满钵满，但在老黄心里，始终带着种“玩物丧志”的原罪。那是给青少年消磨时光的玩具，不是改变世界的利器。 他疯狂地推行“NVIDIA Academic Programs”，像个兜售灵药的江湖郎中，敲开一间间顶级实验室的大门，试图说服那些穿白大褂的教授：“看在上帝的分上，别再盯着CPU了，我这儿有能算流体力学、能模拟宇宙爆炸的神器。” 但迎接他的，是礼貌而傲慢的拒绝。 那一刻的老黄，像极了七八十年代提着皮箱、满世界推销产品的台湾青年。在那份执着里，藏着不怕苦、不怕累、更不怕被人瞧不起的忍耐与卧薪尝胆。而那些浸淫在手工特征提取里的教授们，看着这个推销员，眼神里悬浮的依然是那些复杂的数学算式，仿佛在说：科学是优雅的艺术，不是你手里那块发烫的塑料板。 当时的计算机视觉学界，正沉浸在“手工艺术”的巅峰。大牛们聚在一起，比拼的是谁的数学公式更优雅，谁设计的特征（SIFT或HOG）更像达·芬奇的线条。在他们眼里，搞AI是视觉的诗学，是逻辑的极致。 如果有人提议用“游戏显卡”来跑实验，导师会扶一扶眼镜，冷冷地抛出一句：“你是想在实验室打《魔兽世界》，还是想自降身段去当个修电脑的机房管理员？” 甚至连正在泥潭里苦苦挣扎的李飞飞，起初也没把英伟达当成救世主。老黄送来的那几块显卡和硬件代金券，更像是某种“学术公益”。这些显卡被随手扔在实验室的角落，和过期的披萨盒挤在一起。它们在等待一个识货的人，但那个识货的人，甚至还没付得起去参加学术会议的机票钱。 那时候的辛顿团队，都没有机会获得来自英伟达的免费GPU！ 【节选自 《AI霸权：纪元启示录》（汪翔，即将出版） 第七章第一节】有兴趣在大陆和港台出版这本四十万字，关于AI科技发展史，思想史的，请联系我。】 |
