Transcription
现在，废话不多说，我很荣幸地介绍我们今天的第一位主题演讲嘉宾，李飞飞博士。李飞飞博士目前是谷歌云的人工智能和机器学习首席科学家。同时，她也是斯坦福大学计算机科学系的副教授，以及斯坦福人工智能实验室和斯坦福视觉实验室的负责人。李飞飞博士的主要研究领域包括机器学习、深度学习、计算机视觉以及认知和计算神经科学。她在《自然》、《PNAS》、《神经科学杂志》等顶级期刊和会议上发表了超过150篇科学论文。李飞飞博士于1999年在普林斯顿大学获得物理学学士学位，并以优异的成绩毕业；2005年在加州理工学院获得电气工程博士学位。2009年，她加入斯坦福大学担任副教授，并于2012年获得终身教职，晋升为副教授。李飞飞博士是ImageNet和ImageNet挑战赛的发明者，这是一项关键的大规模数据集和基准测试工作，为深度学习和人工智能的最新发展做出了贡献。除了她的技术贡献，她还是STEM和人工智能领域多元化倡导的国家级领军人物。她是斯坦福大学著名的面向高中女生的“Girls Outreach Program”的联合创始人。现在，请大家和我一起热烈欢迎李飞飞博士登上舞台！
（掌声）
大家早上好！大家早上好！哈克学校的学生、家长、同事们，以及在座的各位！我非常荣幸能来到这里。当艾米说他们花了一个月的时间来准备这次研讨会时，他们真的不是在开玩笑。我想我的邀请函差不多是在一年前寄出的，从那时起，他们几乎每隔一周都会跟我联系，问我是否在做功课。所以，这次研讨会付出了很多努力。能来到这里，我感到非常荣幸。
接下来，我将花一点时间，给大家概述一下计算机视觉，以及我们过去几年所做的工作，我将这次演讲命名为“视觉智能的探索”。之后，我非常乐意通过艾米和她的同事们搭建的平台，回答大家的提问。我希望这次互动性更强，而不仅仅是我一个人在讲。
首先，我想和大家分享一下计算机视觉领域的最新进展。为了有一个历史的视角，让我们回到5.4亿年前。5.4亿年前，地球是什么样的呢？大部分是水。我们所知的动物都生活在水中。事实上，动物并不多，生命非常简单。进化生物学家称之为物种非常少，动物界很简单。这些类似三叶虫的水生生物只是漂浮着，食物来了就抓住，没来就悠闲地待着。所以，非常非常简单。
但是，在大约5.4亿年前，发生了一个非常神秘的事件，这就是人们所说的“寒武纪生命大爆发”或“进化大爆炸”。在1000万年内——从进化的角度来看，这是一个非常短的时间——动物物种的数量呈爆炸式增长。动物的种类突然急剧增加。这是我们从化石研究中得出的结论。生物学家们长期以来一直在思考这个问题：为什么突然间，这些简单、数量不多的动物物种突然爆发了？是什么驱动了这次爆发？
对此进行了大量的研究，包括气候变化、地球环境的变化以及其他原因。结果发现，不久前，一位年轻的澳大利亚进化动物学家安德鲁·帕克（Andrew Parker）进行了广泛的化石研究，发现大约在5.4亿年前，第一批动物进化出了眼睛。当时，眼睛非常简单，就像一个针孔相机，只是一个收集光线的孔。但视觉的出现彻底改变了整个动物世界。生命变得活跃且主动。你可以主动寻找食物。想象一下第一批进化出眼睛的动物，整个世界就像一个巨大的自助餐，你可以随心所欲地去抓取任何食物。
但很快，动物开始分化。如果捕食者开始捕食其他动物，那么猎物也必须进化出眼睛，并开始躲避捕食者。因此，眼睛的出现引发了生物学家所说的“物种进化的军备竞赛”。动物突然进化出各种各样的技巧，以寻找食物，同时也要避免成为别人的食物。所以，从5.4亿到5.3亿年前，视觉在动物进化中起到了至关重要的作用，从导航到寻找食物，再到操纵，等等。
这里我展示了一些动物进化出的眼睛的例子。在所有动物中，最特别的当然是人类。人类花了5.4亿年，进化出了世界上最精巧、功能最完善的视觉系统。所以，人类不仅用视觉来生存、寻找食物，我们每天都用它来理解世界、交流、娱乐、工作、探索，以及做很多事情。
所以，右边的这张照片其实是我女儿的照片。每次我看着她的眼睛，都忍不住想，它们多么美丽。所以，经过这么多年，视觉已经成为大脑中最大的感觉系统。事实上，我不知道你们是否知道，我们大脑的一半，超过50%的皮层都参与视觉处理。它是最大的感觉系统，也是人类智能的基石之一。
所以，虽然动物在5.4亿年前就看到了世界的光明，但我们的机器和计算机还有很长的路要走。我们仍然处于黑暗时代。虽然已经取得了很大的进展，但我们还没有将视觉作为一种普遍的技术来帮助人类社会。例如，我们还没有将视觉技术普遍应用于帮助我们视力障碍的同胞。世界上有许多摄像头，但我们还没有能够开发出普遍的技术来帮助孩子们在游泳池里防止溺水，或者来监测地球广阔的土地，为我们提供关于环境、发展或医疗保健等专业领域的各种数据和信息。视觉有可能在帮助医生诊断和帮助患者方面发挥巨大的作用。
但同时，视觉数据是我们数字世界中最普遍的数据之一。我告诉你，每分钟有成百上千小时的YouTube视频上传到YouTube，你可能不会感到惊讶。人类自己根本不可能看完这些视频并利用其中的内容。另一个统计数据是，在过去的30天里，人类创造的数字图像比过去30天之前整个人类文明创造的数字图像还要多。想想你们的Snapchat照片，所有学生都在拍的照片。或者思科估计，到2016年，也就是去年，互联网网络空间的数据中，超过70%、75%是像素形式的。
利用视觉数据，使计算机能够执行智能视觉任务，是人工智能领域最重要的目标之一。简单地说，计算机视觉就是为这个充满像素的数字世界照亮光明。
为了清晰起见，我需要说明一点。我知道在座的许多听众都听过人工智能（AI）、机器学习、计算机视觉、语音识别、深度学习、机器人等术语。这些术语之间有什么关系呢？这是我的看法。在斯坦福人工智能实验室，我们将整个AI领域视为构建智能机器的探索。AI诞生于60年前，从那时起，AI领域不断发展壮大，演变成多个子领域，每个子领域都有更具体的目标，但它们都为全球构建智能机器的宏伟目标做出了贡献。
您听到的一些子领域包括：机器学习，专注于数据的统计建模；计算机视觉，专注于——这是今天讲座的其余部分——使机器能够进行视觉理解；自然语言处理，旨在构建能够像人类一样阅读和交流的机器和算法；语音识别，旨在构建能够理解语音并将其转换为文本的算法和机器；机器人技术，与AI一样古老，专注于构建能够移动、操作和导航的物理机器。但今天，所有这些领域都是相互关联的，并且已成为AI这一更大领域的一部分。在机器学习领域，您经常听到深度学习，这是机器学习研究的一个最新发展，专注于神经网络研究。所以，我认为有必要澄清这些术语。
好了，让我们继续看看如何构建具有视觉智能的机器。教计算机看东西的第一步，其实是实现物体识别的能力。物体是构成世界的基本构建块。如果你看看婴儿早期的发展，我的女儿大约14个月大，正是她学习识别物体并给它们命名的时候。这就是我们希望作为第一步让机器做到的。
想象一下，这是对机器的教学过程。我们想向计算机展示一些物体样本，比如猫，然后我们设计一个数学模型，它可以在教学阶段从这些训练图像中学习。最终，计算机将学会，当你给它看一张新的猫的照片时，它会说：“哦，这是猫。”这就是我们在计算机视觉中称之为物体识别的东西。人类做这件事毫不费力。我不认为在座的任何人会思考你是如何进行物体识别的，你只是做了。
这就是我们认为计算机也会做的事情。识别一个常见的物体，比如猫，有多难呢？猫是一种几何形状的组合，对吧？在计算机视觉建模的早期，我们就是这样做的。作为视觉科学家，我们构建了由我们看到的这些形状组成的模型，比如圆形、椭圆、三角形或斑点等等。然后，我们配置这些形状，使它们看起来像猫。这听起来很简单，但如果是一只像这样的猫呢？我们刚刚学会的那个漂亮的标准猫的模型就不再适用了。那么，我们就必须去为另一只猫构建另一个模型。世界上有很多很多猫，尤其是在互联网上。如果你想开始为猫构建专门的模型，特别是要适应一个物体无穷无尽的变化，你突然会遇到一个无限复杂的问题。它真的很难扩展。
事实上，在80年代、90年代和21世纪初，我们领域一直在探索各种手工配置不同物体模型的方法。这是一个非常困难的过程。我们取得了进展，但我们还无法将这些算法应用于现实世界的应用。所以，必须做些别的事情。
大约九年前，我刚开始在普林斯顿大学担任助理教授，我当时在想，一定有其他方法可以教计算机看东西。观察孩子们是如何学习的，给了我灵感。没有人会告诉一个孩子——尤其是后来我有了自己的孩子，我意识到——你不会告诉一个婴儿：“让我们看看一只脸圆圆、耳朵三角形的猫，等等。”没有人会这么说。婴儿、人类和动物只是通过纯粹的经验和自己的实验来体验世界。
如果你把我们的眼睛看作是一对生物相机，它大约每200毫秒拍一张或两张照片。这是你的眼睛进行一次称为眼跳或扫视的小运动的时间。在这种计算中，一对眼睛每秒拍五张照片。如果你考虑到一个婴儿从零岁到三岁的生活，她会拍下数亿张照片。当然，还有连续性，我们稍后可以讨论。但这是婴儿在早期发育中获得的海量数据。相比之下，在我们意识到计算机领域只向计算机算法展示几十张或几百张照片，并希望计算机算法能够学会婴儿最终能够做到的事情。
所以我认为，让我们换个角度。与其只关注算法并不断手动调整参数，不如采取大数据视角。采取受生物学启发的视角，给计算机提供人类在数量和质量上所经历的数据，并通过这种数据驱动学习算法。
所以，大约在2007年，我的同事凯利教授和学生贾登（Jaden，现在是密歇根大学安娜堡分校的教授）开始了ImageNet项目。我们去了互联网，下载了数十亿张图片，并使用当时一项非常早期的技术——众包，即亚马逊Mechanical Turk平台，构建了一个数据集，这个数据集比当时人工智能领域见过的任何数据集都要大数千倍。这就是ImageNet数据集，包含1500万张图片，分类了大约22,000个物体和场景。这是计算机视觉和机器学习领域物体识别新浪潮的开始。
所以，到目前为止，要点是：我们受到孩子们学习方式的启发，并受到启发将学习视为一个大数据问题，大约在2009年。结果发现，ImageNet提供的丰富信息与一类称为卷积神经网络的机器学习模型完美匹配。或者今天，神经网络被重命名为深度学习，但核心是70年代和80年代开发的神经网络技术。我确信在座的一些家长可能是研究生，或者在你们还是学生的时候做过一些关于神经网络的工作。所以，有一些名字你们可能不再认识了，比如日本研究员福岛邦彦（Kunihiko Fukushima），他是卷积神经网络的先驱。后来，杰夫·辛顿（Jeff Hinton）和杨立昆（Yann LeCun）等科学家将其推向了更进一步。
卷积神经网络是高容量模型，拥有大量参数。你可以把它看作是一个受大脑启发的模型。我想确保你们不要认为这是对大脑的复制。世界上有很多混淆，说深度学习就是大脑。神经科学告诉我们，神经网络的一些机制与大脑不同。但这是一个受大脑启发的模型，因为它是一个卷积神经网络的基本构建块是一个类似神经元的单元。它接收来自其他单元的输入，并将输出发送到下一个单元。这是一个类似神经元的单元。与大脑类似，它也是分层的。就像我们的大脑由神经元的层次结构组织一样，神经网络或卷积神经网络也由类似神经元的单元的层次结构分层。
正如我所说，这是一个高容量模型，非常庞大。这是一个我们用于物体识别的小模型，一个典型的模型有2400万个节点，1.4亿个参数需要机器学习，以及150亿个连接。这已经不算什么了，这是一个过时的模型。今天的模型比这还要大。但这就是伟大的融合发生的地方：这个高容量模型，结合ImageNet的海量数据，以及英伟达GPU芯片的成熟，能够实现并行计算加速计算。突然之间，在2012年左右，整个计算机视觉、机器学习和人工智能领域都看到了能力上的复兴，人工智能的成就也随之而来，从物体识别开始。
这是一个例子：机器被给了一张图片，能够定位猫并为其分配一个名字。但是，生活不仅仅是关于猫。这是另一个例子：机器算法看到一张新图片，能够定位并标记泰迪熊、男孩、女孩。这是另一个例子：在背景中看到小物体，比如风筝，以及前景物体，比如狗和人。
有了这种进步，我们开始看到计算机视觉、物体识别技术日趋成熟，并能够应用于现实世界的产品，如谷歌的照片标记等。所以，到目前为止，这非常令人鼓舞。
到目前为止，我们专注于教计算机识别物体。就像我说的，我的女儿14个月大，她也正在经历这个过程，识别物体并给它们命名。但这只是发展或视觉智能中一个重要的一步。很快，孩子们将达到学习能力的另一个重要里程碑：用句子交流，能够讲一个小故事，当他们看到一张图片时。这就是一个孩子看到这张图片时说的话：“这是一只猫，躺在床上。”这是另一个例子：“那些人正在坐飞机，那是一架很大的飞机，很可爱，嗯？”
那么，我们必须做什么才能让计算机说出这样的话呢？我们必须将机器学习或深度学习算法推向另一个层面。这次，模型的视觉部分和语言部分必须开始协同工作。几年前，我们开发了一个模型，它可以捕捉视觉世界的片段，比如一个物体或场景的一部分，然后将其与训练时学到的语言短语、单词和短语联系起来，然后能够构建一个完整的句子，读起来像是“一只猫躺在床上，旁边有一台笔记本电脑。”这就是视觉和语言的结合，能够让我们做到这一点。
这是计算机看到这张图片时可以说的话：和那个女孩看到的同一架飞机图片一样，“一架大飞机停在机场跑道上。”它不像她说的那么可爱，但它讲述了一个好故事。这是另一个例子：“站在我旁边。”我必须说，这相当令人难以置信。
大约在2015年，我们实验室与谷歌、微软、加州大学洛杉矶分校、伯克利等世界上的几个实验室一起，开发了第一批机器，它们在第一次看到图片时就能说出类似人类的句子。想想看，进化花了5.4亿年，计算机视觉花了60年。这是一项非常了不起的成就。当然，我上研究生院的时候，大约在2000年，我没想到会这么早就实现。
从那时起，我们又将这项技术推向了更远。现在我们已经开发出算法，它们能够根据场景的不同部分说出多句话，因为我们的视觉世界是复杂的，我们在场景中看到不同的故事。我们能够训练算法来处理相同级别的复杂性，它们甚至可以将它们组合成段落。当然，它们仍然不完美，也会犯错误。例如，在这张图片中，计算机看到两辆公共汽车在行驶，而不是一辆双层公共汽车。但进展是巨大的，我们正在谷歌和斯坦福努力推动这些算法进一步发展。
总之，我们成功地利用神经网络架构训练了计算机视觉模型，这些模型开始讲述视觉世界的故事。这是一个受大脑启发的视角。随着数据的可用性和这些强大的神经网络模型的蓬勃发展，我们作为一个领域，在计算机视觉的所有领域都看到了前所未有的进步，无论是在我自己的实验室还是在整个领域。
我将再举几个例子，让大家稍微了解一下这个领域的广度。正如我刚才所说，视觉不是静态的。人类通常以视频的方式体验，生物学体验更像是视频，而不是静态图像。所以，几年前，在与YouTube的一次合作中，我们整理了一个包含100万个体育视频的体育视频数据集，并能够训练一个深度学习算法，识别470种运动。你们现在看到的是左上角，第一行是该特定运动的最高概率标签。例如，轮椅篮球、武术、划皮划艇——这很刺激，有时会混合激流划皮划艇。高尔夫球。如果你看一张静态图片，很难识别出这是高尔夫运动。这个算法考虑了时间的连续性，并在这方面做得相当好。
最近，我们更是将这项技术推向了更远。与YouTube、谷歌的持续合作，我们不仅能够为体育视频提供整体标签，我们还可以开发一个深度学习算法，深入到体育比赛中，能够追踪个别球员。例如，在篮球比赛中，算法不仅可以追踪个别球员，还可以识别谁在进行某项活动。例如，在这个右边的例子中，算法检测到一次成功的投篮，并能够找到执行这次三分投篮的球员，并在标注框中进行标注。
我们将这项技术应用到另一个视觉领域。有时，由于隐私和其他原因，我们不能使用RGB数据。例如，在自动驾驶汽车中，我们有深度传感器和激光雷达传感器。在医院里，拥有深度传感器而不是相机式传感器也很重要。但我们需要识别人类活动。在这个我们刚刚发表的特定工作中，我的学生开发了一个算法，利用深度传感器来理解人类手势，这超越了RGB领域。
在非常相似的设置下，我们与瑞士欧洲火车站合作，在车站安装了数百个深度传感器，帮助车站每年监测7000万名乘客，并追踪他们在车站的行为。你们看到的是乘客或火车站顾客或旅行者的移动点的俯视视图。追踪他们的运动，这为政府提供了宝贵的数据，以了解许多重要信息，例如人们的出行时间，我们应该在哪里设置售票处，在哪里设置自动售货机等等。
最近，我们开发了一个算法，通过结合对人类或群体行为的社会意识，能够更精确地追踪人类运动。
我们不仅在进行这些基础科学技术研究，我们最近还与多家医疗机构开始了非常紧密的合作，包括斯坦福儿童医院、斯坦福成人医院，以及犹他州Intermountain医院，将一些计算机视觉技术应用于医疗保健领域，帮助医生监测患者的运动、手部卫生实践等。
总之，作为一名技术人员20年，最让我兴奋的是看到计算机视觉技术解决现实世界问题的潜力。这是技术人员的视角。
最后但同样重要的是，我想与大家分享另一个视角，那就是我所生活的世界。5.4亿年前，动物视觉和智能的挑战是为了物种或个体生物的生存。今天，我认为机器视觉和人工智能的挑战应该是为了人类的繁荣和更好的生活。
作为一名技术人员，我经常被问到一个不可避免的问题：人工智能是破坏的力量，还是我们对更美好明天的希望？在最近这波人工智能热潮中，我经常被问到这个问题。我们生活在硅谷的中心，你一天都无法不听到一些人工智能的新闻。大约三四年前，我想我也有了一个顿悟的时刻。我认为我们应该问一个不同的问题。我穿的这件T恤上写着：“人工智能将改变世界。”人工智能是人类正在经历的第四次工业革命的最大驱动力之一。但真正的问题是：谁将改变人工智能？我想这就是我今天想来这里和学生们谈话的原因。
如果我们看看当今世界技术人员的构成统计数据，我们确实存在一个多样性问题。在我们国家和全世界，STEM领域缺乏多样性是一个危机。在学术界，本科生中只有大约25%的女性是计算机科学专业。斯坦福大学实际上超过了全国平均水平，我们有30%的女性。这没什么值得骄傲的，但我们在进步。然后，当你完成本科学业，进入研究生院，成为教职员工时，这个数字就会下降。流失率非常高。全国工程学院女性教职员工的平均比例约为15%。斯坦福大学的表现并不比全国其他地区好。代表性不足的少数群体情况更糟。非洲裔美国人在计算机科学专业或教职员工中的全国平均比例远低于15%。
在科技领域，情况并不乐观。事实上，我认为情况相当糟糕。主要的硅谷公司，我们在此列出，女性工程师或代表性不足的少数族裔工程师的比例非常低。这考虑了所有级别。如果你往上看，特别是高层管理人员，我们会看到非常非常少的女性或代表性不足的少数族裔。我认为这是一个问题。
大约6个月前，白宫（奥巴马政府）举办了一场关于技术前沿的会议，我参加了一个专门讨论人工智能领域多样性问题的专题讨论会，并为此倡导。这不仅仅是为了让更多的女孩、更多的代表性不足的少数族裔加入。我们有充分的理由投资于技术人才管道。
首先是经济和劳动力原因。计算机科学是一个蓬勃发展的领域，尤其是在硅谷的心脏地带。我们知道这项技术将改变这里的每一个行业。我们倾向于看到基于网络、社交媒体或交通运输的行业，但如果你考虑农业、教育、医疗保健、政府、制造业、石油和天然气，每一个行业都在被计算和人工智能所改变。我们需要更多的劳动力。如果我们不包括所有人，我们就会错过。如果我们美国不包括所有人，我们可能会失去全球竞争力。
这也是为了创造力和创新。社会学、心理学和商学院的许多研究表明，当一个多元化的团队在一起工作时，他们提出的解决方案更具创新性和创造性。这个过程可能不是最舒适的，因为当你与和你一样的人在一起时，你会感到更舒适。但正是这种不适感，挑战着每个人提出更具创新性的解决方案。
最后，是为了社会正义和道德价值观。从数据开始。当数据有偏见时，算法就有偏见。在您最喜欢的搜索引擎的图片搜索中输入“Grammar”这个词，您就会看到这种偏见，种族偏见或年龄偏见。所以，从这一点开始，机器的价值就是人类的价值。没有独立的机器价值。我们作为技术人员和未来的世界领导者，需要思考我们正在构建什么样的技术，因为我们需要真正投资于构建这些技术的技术人员。
所以我一直在……所以，视觉和智能的发展导致了5亿年前动物物种多样性的爆发。今天，我相信，通过让更多人参与人工智能和STEM领域的发展，我们将为人类社会所需的技术解决方案带来一次“寒武纪生命大爆发”。为了做到这一点，我想特别提出一个重要的假设：在人工智能和STEM的教育和研究中，我们需要包含一个人文主义的信息和使命宣言。人工智能和STEM不仅仅是酷炫，戴着连帽衫，而是要为将帮助人类社会的技术设定一个使命。这就是一位教育家和母亲的视角。谢谢！
（掌声）
那么，我们该怎么办？现在我们将进入问答环节，大约15到20分钟。我们将从Slido上收集问题。
第一个问题是：最近的文献一直关注增强计算机视觉系统的可解释性和数据安全性。您认为这个领域将走向何方？这是家长的问题吗？
非常好的问题。我认为深度学习革命中最令人着迷的发展之一是模型变得如此庞大，以至于很难解释。我认为，如果你只是想在一张图片中标记一只猫或一把椅子，这是可以的，因为风险不是那么高。比如，如果你谷歌照片标记出错，那没关系。如果你的产品推荐不完美，那也没关系。但如果我们在医疗保健或金融服务领域无法解释我们的模型，比如在检测欺诈时，这将成为一个严重的问题。
所以，在人工智能、机器学习、计算机视觉和自然语言处理等相关领域，有一个非常强大的推动力是可解释模型，也就是可解释人工智能（Explainable AI）。这不仅仅是继续发挥深度学习的优势，使其在这些任务中表现出色，而是要提供见解。这是一个非常早期的研究领域。作为一个集体，我们还没有为最终解决方案做太多。但举个例子，在计算机视觉领域，现在很多算法不仅仅是标记图片，而是试图解释一个物体不同部分、潜在的相互作用点。这些都是可解释模型努力的一部分。
下一个问题是：您是否认为无监督学习是教计算机看东西的最佳方式？
这是一个很棒的问题。在机器学习领域，无监督学习是一种学习形式。事实上，过去一波深度学习取得的绝大多数成功（99%）都是监督学习。这意味着在训练时，计算机被提供数据以及任务的正确答案。例如，在ImageNet识别中，计算机通过带有猫、椅子或狗标签的图像进行训练。监督学习做得很好。但是，几十年来一直在探索无监督训练，因为人类并非所有事情都通过监督学习。很多婴儿的发展是通过自己的探索，或者你听说的AlphaGo和强化学习。
我认为无监督学习是一个非常重要的子领域，但我也认为有许多不同类型的学习：强化学习、半监督学习、主动学习、课程学习。无监督学习是其中之一。
下一个问题是：您认为计算机视觉如何直接帮助盲人或视力障碍者？
我认为这实际上一直是计算机视觉诞生以来帮助视力障碍者的技术努力。有很多潜力。今天我完全没有谈论的一个领域是3D视觉，即理解视觉世界的3D几何布局和物体。你可以想象，这项技术可以帮助导航和操作。当然，识别文本、标签、情况，这些都是我们可以帮助视力障碍者的基本技术。
我认为在这个时代和未来即将到来的一件令人兴奋的事情是，将基础视觉技术与AR/VR和脑机接口相结合。为了将计算机视觉的基础科学成果交付给视力障碍患者，我们需要的不仅仅是视觉算法，我们还需要实际的物理可交付设备。根据具体情况，AR/VR是一种交付方式，计算机脑机接口是另一种方式。所以，我认为很快就会有一些令人兴奋的工作发生。
随着人工智能越来越多地融入我们的日常生活，您认为计算机视觉中最大的伦理问题是什么？我们如何着手解决这些问题？
正如我已经说过的，我认为视觉伦理问题和人工智能伦理问题是极其交织在一起的。偏见可能无处不在，从数据到算法的训练方式，再到自动化机器的社会影响和劳动力影响。我们有层层叠叠的问题。而且，在社会的各个方面，人类互动不仅仅是关注任务，它还包含情感、社交、沟通、同情心等方面。
我的观点是，这是一个整个社会都应该参与的话题。这是一个不仅仅是技术人员需要关注的话题，教育工作者、政策制定者、执法部门、经济学家和媒体都应该参与到这场对话中来。
好的，我们将回答最后一个问题。您认为计算机视觉一些最强大的应用是什么？
首先，因为大脑使用了超过一半的皮层功能，视觉告诉我们，视觉是如此普遍。所以，你们很多人都听说过自动驾驶汽车。我想说，如果没有自80年代以来30年计算机视觉在3D重建、物体识别方面的投入，我们就不会有自动驾驶汽车技术。你已经看到了，自动驾驶汽车的核心技术正在改变交通运输的面貌。
另一个我非常关注的领域是医疗保健。放射科医生每天需要审查的图像数量在过去10年里增加了大约100倍，但我们国家或世界上的放射科医生并没有增加100倍。因此，医疗保健的辅助诊断技术将是惊人的，有助于医学发展。这不仅仅是为了减轻工作量或提高放射科医生的准确性，也是为了资源的分配。虽然我们在这里共同生活在我们国家和世界上最富裕的地区，但世界上有很大一部分人甚至无法获得基本的医疗保健。计算机视觉可以做很多事情。
最后一个例子是政府可以利用大量的计算机视觉技术。我们看到私人卫星公司正在发射卫星来收集大量图像。最近，一位斯坦福教授发表了一篇关于利用卫星图像追踪非洲贫困状况的论文。这些地区没有道路，甚至没有自来水。政府，并且经常发生冲突，很难派人类检查员去那些地区了解社会上发生的情况。成像技术和卫星图像可以帮助政策制定者和政府思考资源等问题。这些只是例子，计算机视觉在我们的世界中的应用有无数的例子。
非常感谢李飞飞博士您精彩的演讲！我相信我们都学到了很多，并从您不仅在计算机视觉领域，还在倡导STEM和人工智能领域多样性方面的工作中获得了启发。我们非常荣幸您能参加本次研讨会，非常感谢您的到来！