李飞飞回顾ImageNet八年，改变AI和世界的数据（转）

ImageNet 创始人李飞飞在 CVPR“超越 ILSVRC” workshop 介绍了最后一届 ImageNet。回顾过去 8 年，计算机视觉中一个最艰深的学术命题物体识别被攻克，神经网络和深度学习重新定义了人工智能的方法论。李飞飞在接受新智元采访时谈了这 8 年里她印象最深的两件事——在线众包平台 Amazon Mechanical Turk 的发现和深度学习的应用，前者令她意识到构建 ImageNet 大规模数据集的可行性，后者开启了深度学习乃至人工智能新的篇章。

在 CVPR 会议期间，计算机视觉期刊 IJCV 举办了 IJCV Asia Night 学术主题活动，李飞飞作为当晚嘉宾，对一些曾给予她帮助的朋友和同事表示了真挚的感谢，其中包括 UC 伯克利教授 Jitendra Malik，李飞飞称他是在 CV 和 AI 方面对她启发最大的人之一；UCLA 终身教授朱松纯，李飞飞认为他在计算机视觉领域的思考和研究对她也有巨大的启发；中国工程院、中国科学院外籍院士黄煦涛，李飞飞在 UIUC 获得的第一份教授职位在很大程度上得到了他的提携；微软全球执行副总裁沈向洋，他在李飞飞去谷歌时给出了很好的建议；普林斯顿大学的李凯，他在李飞飞开始做 ImageNet 时给予了巨大的鼓励和支持。另外，李飞飞特别提到了，她一共有 23 个学生和博士后是亚洲血统，他们来自中国、印度、日本、韩国、伊朗等等。李飞飞特别对她的两个学生邓嘉和李佳表示了感谢。李飞飞引用了蜘蛛侠的名言“能力越大，责任越大”，指出人工智能工作者重任在肩。李飞飞同时指出，中国是世界上第一个发布人工智能白皮书的国家，领先于美国、英国和所有业界力量看到人工智能的潜能。李飞飞引用了现代哲学家 Shannon Vallor 的话作为她分享的结束语：机器没有独立的价值观，机器的价值观就是人类的价值观。

如今看，ImageNet 及其竞赛的重要性已经不言而喻，但实际上，从更长的周期看，ImageNet 系列工作对计算机视觉、机器学习、人工智能乃至人类进步的影响都更为巨大——ImagNet 数据集让人们意识到，构建优良数据集的工作是 AI 研究的核心，数据和算法一样至关重要。ImageNet 开源开放的原则也代表了 AI 研究的根本，我们需要让所有人都参与开发更好的 AI 算法和模型。

2006 年，李飞飞开始反复思考一个问题。

当时的李飞飞才刚刚在伊利诺伊大学香槟分校（UIUC）任教，她看到整个学界和工业界普遍流行一种想法，都在致力于打造更好的算法，认为更好的算法将带来更好的决策，不论数据如何。

但李飞飞意识到了这样做的局限——即使是最好的算法，如果没有好的、能够反映真实世界的训练数据，也没办法用。

李飞飞的解决方案是：构建一个更好的数据集。

“我们决定我们想做一件史无前例的事情，”李飞飞说，这里的“我们”指的是最初与她合作的一个小团队。“我们要详细描绘出整个世界的物体。”

由此生成的数据集名叫 ImageNet。相关论文发表于 2009 年，最初作为一篇研究海报在迈阿密海滩会议中心的角落展示出来。但没过多久，这个数据集就迅速发展成为一项年度竞赛，衡量哪些算法可以以最低的错误率识别数据集图像中的物体。 许多人都认为 ImageNet 竞赛是如今席卷全球 AI 浪潮的催化剂。

ImageNet 竞赛的历届参赛成员散布在科技界的每一个角落。2010 年比赛第一名的获奖者，之后依次在百度、谷歌和华为担任要职。2013 年 ImageNet 获奖者 Matthew Zeiler 根据他的获奖方案建立了 Clarifai，现在得到了 4000 万美元的风险投资支持。2014 年，来自牛津大学的两名研究人员和谷歌共同获得了 ImageNet 竞赛，他们迅速被吸收然后加入了 DeepMind。

李飞飞现在是谷歌云的首席科学家、斯坦福大学教授，斯坦福 AI 实验室的主任。

今天，她在 CVPR 上介绍 2017 年 ImageNet 的成果——而 2017 年是比赛的最后一年。在短短 7 年时间里，物体分类冠军的精确度从 71.8％ 上升到 97.3％，超越了人类物体分类水平，也有力证明了更大的数据会带来更好的决策。

就算 ImageNet 竞争结束，其遗产已经形成。自 2009 年以来，在计算机视觉、自然语言处理和语音识别等子领域，研究人员也引入了几十种新的 AI 研究数据集。

“ImageNet 思维所带来的范式转变是，尽管很多人都在注意模型，但我们要关心数据，”李飞飞说：“数据将重新定义我们对模型的看法。”

ImageNet 数据集：起初不被看好的伟大成功

在 20 世纪 80 年代后期，普林斯顿心理学家乔治·米勒（George Miller）创建了一个名为 WordNet 的项目，旨在建立一个英语层级结构。WordNet 像字典一样，但其中单词会被显示为与其他单词相关的形式，而不是依照字母顺序排列。例如在 WordNet 中，“狗”这个词将被嵌套在“犬”这个类别下，而“犬”又被嵌套在“哺乳动物”下，以此类推。这是按照机器可读的逻辑组织的语言的一种方式，WordNet 积累了超过 155,000 个有索引的单词。

李飞飞在 UIUC 的第一份教学工作中，一直在努力解决机器学习中的一个核心矛盾：过拟合和泛化。过拟合就是指算法只能处理与之前见过的数据类似的数据；变化稍微大一点的问题就不能理解。另一方面，如果一个模型无法在数据之间找到正确的模式，那么它就属于 overgeneralizing。

李飞飞说，要找到完美的算法似乎还很遥远。她发现以前的数据集并没有反映出世界的多变，就连只是识别猫的图片都是件无限复杂的事情。但是，通过给算法更多的样本，向算法展示世界是多么复杂，算法在数学意义上对现实有了更好的理解。如果你只看 5 张猫的照片，那么你只知道这 5 个摄像机角度、照明条件和最多 5 种不同种类的猫。但是，如果你看过 500 张猫的照片，你就能从更多的例子中发现共同点。

李飞飞开始阅读其他人如何构建数据集对世界进行真切表示的文献。在这个搜索的过程中，她发现了 WordNet。

看过 WordNet 的方法后，李飞飞在 2006 年访问普林斯顿期间，见到了 Christiane Fellbaum 教授，后者在持续构建 WordNet 方面有很大的影响力。Fellbaum 认为，WordNet 可以可以让每个单词都有一张相关联的图像，更多地作为参考而不是一个计算机视觉数据集。这次会见后，李飞飞产生了一个更宏大的想法——一个大规模的数据集，每个单词都有很多张图像例子。

几个月后，李飞飞加入了她的母校普林斯顿大学任职，并于 2007 年初开始从事 ImageNet 项目。她开始建立一个团队来做这件事情，首先找到了同校的 Kai Li 教授，后者说服博士生 Jia Deng 转入李飞飞的实验室。Jia Deng 一直参与 ImageNet 项目，直到 2017 年。

“对我而言，这显然与其他人正在做的事情有很大的不同，与其他人当时关注的焦点有很大不同。” Jia Deng 说：“我很清楚地知道这将为整个视觉研究带来改变，但我不知道具体会如何改变。”

ImageNet 数据集中的物体（对象）将覆盖实物（如大熊猫或教堂）到抽象概念，比如爱情。

李飞飞首先想到雇用本科生，10 美元一小时，手动查找图像并将其添加到数据集中。但简单的数学很快就让李飞飞意识到，以本科生收集图像的速度，项目需要 90 年才能完成。

在本科生工作团队解散后，李飞飞和她的团队又开始重新思考。如果让计算机视觉算法从互联网上收集照片，人类只负责标注呢？但经过数月修改算法后，团队得出的结论，这种方法也不可持续——当使用这种方法构建的数据集弄好以后，未来的算法将只能判断算法能够识别的图像。

本科生耗费时间，算法有缺陷，团队没有钱——李飞飞说，项目不仅没有赢得任何联邦拨款，还收到很多负面评论，称普林斯顿研究这课题太浪费（shameful），项目申请唯一可以称道的点就是李飞飞是女人。

最终，李飞飞在跟研究生闲聊的时候意外浮现出了一个解决方案。这个研究生问李飞飞有没有听说过 Amazon Mechanical Turk，这项服务让世界各地坐在电脑前的人完成一小笔小笔的在线工作。

“他向我展示了网站，就是那一天，我知道 ImageNet 项目一定能成功，”李飞飞说：“突然间，我们发现了一个可以扩展的工具，这是招聘普林斯顿的大学生完全不能想象的。”

众包平台 Mechanical Turk 本身也带来了一大堆问题，其中许多工作都是由李飞飞的两名博士生学生，Jia Deng 和 Olga Russakovsky 完成的。例如，每张图像需要多少个众包工人来看？也许两个人就能确定一只猫是一只猫，但是一张微型哈士奇的图片可能需要 10 轮验证。如果一些众包工人胡乱标注怎么办？李飞飞的团队最终为众包工人的行为创建了一批统计模型，帮助确保数据集只包含正确的图像。

即使在发现 Mechanical Turk 这个平台后，数据也花了两年半的时间才完成。ImageNet 数据集由 320 万个标记图像组成，分为 5,247 个类别，归到 12 个子例里，比如“哺乳动物”，“车辆”和“家具”。

2009 年，李飞飞和她的团队发表了 ImageNet 数据集的论文，基本没有引发什么反响。李飞飞回忆说，计算机视觉研究领域的顶级会议 CVPR，只给了那篇论文一张海报展示（poster）的位置，而不是口头介绍（oral）。李飞飞和她的团队在会场发带有 ImageNet 字样的笔来吸引人们的兴趣。当时的人都很怀疑他们更多的数据有助于开发更好算法的看法。

“当时有人说‘如果你连一个物体都做不好，为什么要做上千乃至上万个呢？”Jia Deng 说。

如果数据是新的原油，那么在 2009 年，它还处于恐龙化石的形态。

ImageNet 竞赛：深度学习等待已久的机遇

2009 年晚些时候，在京都举行的计算机视觉会议上，一位名叫 Alex Berg 的研究员找到李飞飞，建议在比赛中增加一个命题，让算法找到图片中物体（对象）所在的位置，而不仅仅说图中有这么个东西。李飞飞回应说：那你来和我一起工作吧。

于是，李飞飞、Berg 和 Deng 一起，根据数据集撰写了 5 篇论文，探讨了算法如何解释这样大量的数据。第一篇论文后来成为如何处理几千种图像的基准，这也是 ImageNet 竞赛的前身。

对于这第一篇论文，李飞飞说，“我们意识到要把这个想法推广出去，我们需要找到更多人。”

然后，李飞飞联系了欧洲知名图像识别大赛 PASCAL VOC，后者同意与 ImageNet 合作，在宣传 ImageNet 竞赛时带上他们的名字。PASCAL 是业界知名的竞赛和数据集，但代表的是以前的思维方式。这个数据集只有 20 个类别，而 ImageNet 的这个数字是 1000。

随着 ImageNet 在 2011 年和 2012 年连续举办，它很快成为图像分类算法在处理当时最复杂视觉数据集时的基准。

不仅如此，研究人员也开始注意到更多的事情，不仅仅是竞赛——他们的算法在使用 ImageNet 数据集训练时表现更好。

“令人惊喜的是，你可以用在 ImageNet 上训练的模型启动其他识别任务。你从 ImageNet 模型开始，然后微调来进行另一个任务，”Berg说：“这是神经网络的突破，也是整个视觉识别的突破。”

在第一次 ImageNet 竞赛的两年后，2012 年，发生了一件更大的事情。事实上，如果我们今天看到的人工智能繁荣可以归功于一个事件，那么这件事就是 2012 年 ImageNet 竞赛结果的公布。

多伦多大学的 Geoffrey Hinton，Ilya Sutskever 和 Alex Krizhevsky 提交了一个名为 AlexNet 的深度卷积神经网络架构——至今仍在研究中使用——实现了准确率 10.8% 的大幅提升，高出第二名 41%。

对于 Hinton 和他的两个学生来说，ImageNet 的出现恰逢其时。自 20 世纪 80 年代以来，Hinton 一直致力于人工神经网络的研究，尽管有些像 Yann LeCun 一样，能够通过贝尔实验室的影响将这项技术应用于 ATM 支票识别，但是 Hinton 的研究却无处可用。几年前，显卡制造商英伟达的研究让这些网络的处理速度更快，但神经网络仍然不如其他技术。

Hinton 和他的团队表明，他们的网络可以在较小的数据集上执行较小的任务，如手写字符检测。但是，他们需要更多的数据才能在现实世界中有用。

“如果你在 ImageNet 上做得很好，你就能解决图像识别问题，这是再清楚不过的。”Sutskever 说。

今天，这些卷积神经网络已经无处不在——LeCun 现在是 Facebook AI Research 的主管，Facebook 使用它们来标记你的照片，自动驾驶汽车在使用它们来检测物体，基本上任何识别图像和视频的系统都使用卷积神经网络（CNN）。CNN 可以通过抓取抽象特征分辨图像中的内容，找到模式与新输入的图像模式相匹配。Hinton 几十年来一直试图说服同行他的研究有用，现在他终于有了证据。

“更令人惊奇的是，人们能够通过深度学习来不断改进，”Sutskever 说，指多层神经网络能够处理更复杂的模式，也是现在最受欢迎的人工智能技术。“深度学习就是我们要的东西（Deep learning is just the right stuff）。”

2012 年 ImageNet 竞赛的结果使计算机视觉研究人员纷纷开始复现这一过程。纽约大学的博士生 Matthew Zeiler 曾经跟着 Hinton 学习，他发现了 ImageNet 竞赛的结果，并通过多伦多大学的联系很早获知了论文和代码。他开始与 Rob Fergus 合作，Fergus 是纽约大学的教授，也一直研究神经网络。两人开始为 2013 年的 ImageNet 竞赛设计自己的方案，Zeiler 最后提前几周结束了在谷歌实习，专注于提交 ImageNet 竞赛结果。

2014 年，也就是 Zeiler 和 Fergus 获胜那一年，所有的高分结果使用的方法都是深度神经网络。

“2012 年的 ImageNet 竞赛无疑引发了 AI 大爆炸，”Zeiler 表示：“在此之前，语音识别有一些非常有希望的结果（其中许多是由多伦多大学开启的），但是都没有像 2012 年和接下来的 ImageNet 竞赛冠军一样广为流传。”

竞赛虽然结束，但 ImageNet 精神永存

现在，许多人都认为 ImageNet 已经被解决了——误差率在 2％ 左右真的很低了。但是，这是分类的结果，也就是识别图像中的物体是什么。这并不代表算法知道这个物体的属性，它来自哪里、功能是什么、如何使用，或者如何与其周围环境进行交互。总之，算法实际上并不理解它看到了什么。这在语音识别中，甚至在很多自然语言处理中也是如此。虽然 AI 今天在分辨事物上十分厉害，但接下来要在现实世界情景中理解事物是什么。至于怎么做到这一点，AI 研究人员目前还不清楚。

尽管 ImageNet 竞赛结束了，但 ImageNet 数据集——经过多年来更新，现在已经超过 1300 万张图片将会继续。

Berg 表示，团队试图在 2014 年结束竞赛的一个子命题，但却遭到了来自包括谷歌和 Facebook 等公司的阻力。产业界非常喜欢这个基准，他们可以指着一个数字说：“看我们这么牛。”

自 2010 年以来，谷歌、微软和 CIFAR 推出了其他一些数据集，因为事实表明深度学习需要像 ImageNet 这样的大数据。

数据集已经变得非常重要。创始人和风险投资家会在 Medium 写文章介绍最新发布的数据集，以及他们的算法在 ImageNet 上的表现。互联网公司，比如谷歌、Facebook 和亚马逊已经开始创建自己的内部数据集，数据都来自每天在他们的平台上输入和共享的数百万图像、语音片段和文本片段。即使是初创公司也开始构建自己的数据集——TwentyBN，一个专注于视频理解的 AI 初创公司，发布了两个免费的学术数据集，每个数据集有超过 100,000 个视频。

李飞飞说：“各种数据集，从视频到语音到游戏，都有很大的发展。”

有时人们理所当然的认为这些花了大力气收集、组合、检验的数据集是免费的。开放和自由使用是 ImageNet 的原始宗旨，这一宗旨也将超越 ImageNet 竞赛，甚至数据集传承下去。

2016 年，谷歌发布了 Open Images 数据集，其中包含 6000 多个类别的 900 万张图像。谷歌最近更新了数据集，在每个图像中包含了特定对象所在的标签，这个特点在 2014 年的ImageNet 竞赛后成了图像数据集的标配。DeepMind 最近也发布了人类进行各种行为的视频数据集。

“ImageNet 让 AI 领域发生的一个重大变化是，人们突然意识到构建数据集这个苦活累活是 AI 研究的核心，”李飞飞说： “人们真的明白了，数据集跟算法一样，对研究都至关重要。”