计算机视觉科学家李飞飞的自传。她十六岁随父母从成都移居美国，在新泽西的出租屋里补英语；在普林斯顿读物理，后在加州理工转向"让机器看见物体"这道难题。她认定瓶颈不在算法而在样本，于是参照 WordNet 词表搭类目，用众包雇人标注，几年间做出上千万张图的 ImageNet 并办起竞赛；2012 年，深度神经网络在竞赛中把错误率大幅拉低，一个时代由这份没人看好的数据点燃。书里也写下她病倒的父亲与被查出乳腺癌的自己。
为了让机器看见世界，她先花了十年说服同行相信数据。
这本回忆录有两条线。一条是计算机视觉如何从冷板凳变成显学：她想教机器像幼儿那样认物，却发现卡住的是数据——没人相信一个巨大的图片库值得当作研究，经费、同行和学生都在别处。她坚持把上千万张图整理成 ImageNet 并办起评测；2012 年，用神经网络参赛的队伍把错误率砍下一大截，燃料正是那份没人看好的数据。另一条线是移民家庭的账本：父亲在加油站与临时活计之间换工，她边补英语边在物理里找到出口。两条线拧成一句话：技术不是无人做的事，造它的人来自哪里、见过什么，最后会写进机器能看见的范围。
上世纪九十年代初全家移民，从课堂上的优等生变成插班时一个字也听不懂的孩子。父亲做过加油站和照相的活计，母亲在异国重新学开车与看病，她把家庭的那种硬撑写得很平静。
普林斯顿的物理学训练让她习惯从问题而不是从潮流出发。她最终离开粒子与天体，转向"智能到底是什么"，因为要理解世界，光有方程还不够，还得有人能替它说话。
在加州理工读博时她定下机器识别物体这个方向，当时的主流更信任精巧的规则与概率模型，采集数据被视为杂活。她仍带着学生一件件拍、一张张标，认定样本迟早会胜过巧思。
类目体系参照普林斯顿的 WordNet，靠网络平台把标注工作分给世界各地的人。经费、算力和同行怀疑同时压来，2009 年数据集公开并配上年度竞赛，规则由所有人共同检验。
2012 年竞赛结果公布，深度学习在视觉上彻底改写格局；此后她主持斯坦福的人工智能实验室，短暂进入工业界带团队，又回到校园推动"以人为本的人工智能"研究与多元人才培养。
疫情期间家人病倒、自己被查出乳腺癌，她第一次站到被诊断的那一侧。读片、等结果、被数字决策的滋味，让她把技术伦理写成了切身之事，而不是一段政策倡议。
决定一个系统能走多远的，往往不是模型多聪明，而是有没有人肯做那份又慢又脏的整理工作。她的人生选择正是押在这条判断上。
她最看重的题目连续多年不被同行承认。她的办法不是解释自己，而是把标准放回问题本身：先确定要解决什么，再决定值不值得错过风口。
一层是让机器识别出物体，一层是人愿不愿意看见彼此。一个系统只认得出被喂给它的那些世界，正如它的建造者只熟悉自己走过的路。
谁进训练集、谁被误判、谁的方言和长相不被识别，都取决于做技术的人是谁。她把多元当作工程问题而非口号，也为此投入长期的教育项目。
她不接受把人工智能交给"它自己会变好"的说法，主张让医生、教师、移民和病人都参与定义它该做什么——判断标准来自生活，不来自榜单。
人工智能不会来拯救我们，能拯救我们的只有我们自己。
要造一个会看的机器，得先有人肯把世界的样子一张张摆给它看。
一个系统能认出什么，取决于建造它的人见过什么。
以人为本的人工智能，意思是把人当作目的，而不是将人视为代价。
