今天看到 AMD 收购 World Labs 的新闻，评论区里有人说李飞飞是“学术骗子”。

这个说法让我有点意外。这是我第一次看到有人这样评价李飞飞，但我大概能猜到这些人的想法。快速翻了一下评论，批评主要集中在两点：

第一，李飞飞在算法和模型结构上并没有公认的重大突破。她最著名的 ImageNet，说到底只是做了一个大型数据集； 第二，ImageNet 的大量具体工作其实是学生完成的。2009 年 ImageNet 论文的一作是邓嘉，李飞飞是末位作者。

说到底，批评者认为她没有在算法和架构上做出 Hinton、LeCun，或者同为华人的何恺明那种标志性的原创贡献，顶多算个“带学生的工程项目经理”。

我能理解这种偏好。我自己也更崇尚算法，一个精妙的算法、一种全新的模型结构，往往是人类智慧高度浓缩的产物。

但我不认同因此把李飞飞称为“学术骗子”。

ImageNet 是一次逆潮流的 bet

读李飞飞自传时，我对她做 ImageNet 之前的那段经历印象很深。

她早期做过 Bayesian object recognition，其中一个核心问题是：在训练图片极少的情况下，怎样让机器识别新的物体类别？

但这条路并没有带来期待中的突破。从自传的描述来看，那段时期的研究相当停滞，她对自己的学术前途也充满焦虑。所以后来读到她遇见 WordNet 时，我一直有一种强烈的感觉：这有点像她学术生涯里的最后一根救命稻草。

WordNet 给她的启发，是把当时学界默认的前提反过来思考。

以前的问题是：数据这么少，怎样设计更好的模型让机器学会？ 现在的反问是：我们为什么非要接受“数据少”这个前提？

如果机器看不懂这个世界，也许不只是算法不够聪明，而是它根本没见过足够大的世界。

于是她做了一个巨大的 bet：做 ImageNet。

在那个计算机视觉界普遍沉迷于设计手工特征（如 SIFT）、精细调参支持向量机（SVM）的年代，这种自底向上穷举真实世界标注的思路，被许多同行视为“毫无学术含量的脏活累活”，她甚至因此连科研基金都极难申请。

在理工科实验室的体系里，邓嘉作为博士生一作攻坚具体实现，李飞飞作为末位通讯作者（PI）把控方向并赌上学术声誉去托底资源，这是最标准的科研分工。更重要的是，在当时没人知道这个赌注能否开花，甚至最后帮她开奖的，也不是她自己。

这里有一个至关重要的时代背景。

今天神经网络几乎等同于 AI，但在 2010 年前后并非如此。Hinton、LeCun 这些连接主义者坚持了数十年，却长期处于学界边缘。连接主义想要证明自己，需要两个严苛的先决条件：足够大的数据，以及足够强的算力。

ImageNet 补上了前者，GPU 补上了后者。

然后，2012 年 AlexNet 横空出世。

李飞飞赌中了数据，Hinton 赌中了神经网络。两个原本平行的 bet，最终在 ImageNet 上撞到了一起。

更进一步说，ImageNet 的价值不仅在于规模，更在于它建立了一套世界级的开放 benchmark：统一的数据集、明确的评价指标，让全世界不同架构的算法在同一个擂台上公平竞技。从 AlexNet、VGG、GoogLeNet 到 ResNet，模型不断刷新纪录，直到在特定图像分类任务上全面超越人类基准。

李飞飞确实没有在算法上发明 AlexNet 或 ResNet，但 ImageNet 给长期非主流的连接主义提供了一个最完美的破局跳板。如果没有它，深度学习的浪潮终究会来，但这个转折点大概率要往后推迟好几年。

李飞飞对现代 AI 最大的贡献，从来不是某一行精妙的算法，而是她用一次反共识的下注，加速了连接主义被主流学界验证和接受的进程。

然后是 World Labs

正因为有这样的历史光环，World Labs 从成立第一天起就被外界寄予厚望。李飞飞的学术威望，加上“空间智能（Spatial Intelligence）”这样一个宏大的叙事，大众很自然会把它和 OpenAI、Anthropic 这类 frontier AI 机构放在同一维度审视。

大家期待看到的，是它一步步把空间智能的技术路线彻底走通，最终拿出类似 ChatGPT 那样定义新范式的产品或技术突破。

但标志性的突破尚未向公众证明，World Labs 作为一家独立公司的故事就已经在收购中落下了帷幕。

这多少让人觉得有些可惜。倒不是纠结于具体的收购估值，也不是科学家不可以追求商业变现，而是在空间智能的技术路径还没有像当年 ImageNet 那样被彻底跑通并公之于世前，它就以一种最务实的方式退出了。

当然，商业选择归商业选择，这并不影响我对 ImageNet 历史地位的评价。

我不会因为 ImageNet 把李飞飞神化，更不会因为 World Labs 的迅速套现去全盘否定她过去的功绩。她或许不是我最偏爱的那类追求纯粹算法原创的科学家，但如果 ImageNet 确实让整个深度学习的奇点提前了几年到来，这本身就已经是不可磨灭的历史贡献。

至于空间智能这条路究竟通向何方，这一次，我们不妨再多等一等。