Qui és Fei-Fei Li
Fei-Fei Li és una investigadora en intel·ligència artificial, professora d’informàtica a Stanford i cofundadora de World Labs. La seva feina abasta visió artificial, aprenentatge robòtic i intel·ligència espacial. Va dirigir el laboratori d’IA de Stanford entre 2013 i 2018. [1]
La seva trajectòria inclou la immigració de la Xina als Estats Units durant l’adolescència. Va rebre una beca Paul & Daisy Soros per als estudis de postgrau. En explicar aquella experiència ha relacionat l’interès per la diversitat amb la necessitat que qui desenvolupa tecnologia representi la societat que la utilitza. [8]
Formació i primers llocs universitaris
Es va graduar en física a Princeton el 1999 i va obtenir el doctorat en enginyeria elèctrica a Caltech el 2005. [1]
A Caltech va treballar amb Pietro Perona, especialista en visió artificial, i Christof Koch, neurocientífic. La possibilitat d’unir models computacionals i estudi de la percepció humana va ser central en la seva elecció. Aquesta formació situa les seves preguntes sobre reconeixement visual en la trobada entre enginyeria i ciències del cervell. [2]
Va ser professora a la Universitat d’Illinois Urbana-Champaign el 2005–2006 i a Princeton el 2007–2009. Es va incorporar a Stanford el 2009. El recorregut precedeix les responsabilitats de direcció i permet situar el desenvolupament inicial d’ImageNet dins la seva etapa com a investigadora universitària. [9]
Aprendre a reconèixer objectes amb pocs exemples
Amb Rob Fergus i Pietro Perona va presentar el 2004 un mètode bayesià per aprendre categories visuals a partir de pocs exemples. El van avaluar en 101 categories d’objectes. La proposta reutilitzava informació apresa anteriorment i representava forma i aparença mitjançant conjunts de trets, explorant com reduir la quantitat d’exemples necessària per a una categoria nova. [10]
ImageNet i la comparació de sistemes de visió
ImageNet es va presentar a CVPR 2009 en un treball signat per Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li i Li Fei-Fei. Va organitzar milions d’imatges seguint la jerarquia semàntica de WordNet. La contribució va consistir a construir i depurar dades etiquetades a gran escala, a més de definir com s’agrupaven els conceptes visuals. [11]
L’ImageNet Large Scale Visual Recognition Challenge va començar el 2010 i va proporcionar una referència comuna per a classificació i detecció d’objectes. L’anàlisi metodològica descrivia la recollida d’anotacions, la comparació de resultats i la dificultat de contrastar rendiment humà i computacional. Disposar d’una prova compartida va fer possible observar avenços entre equips i anys. [12]
Li també va participar en la revisió crítica d’aquestes dades. Un treball del 2019, acceptat a FAT* 2020, va estudiar categories de persones problemàtiques, conceptes difícils d’il·lustrar i desequilibris de representació. La recerca va mostrar que el vocabulari i la distribució d’imatges poden introduir problemes abans d’entrenar el model. [13]
De reconèixer objectes a descriure escenes
Amb Andrej Karpathy va investigar com generar descripcions d’imatges i de regions concretes. El treball, presentat inicialment el 2014 i revisat el 2015, alineava representacions visuals i lingüístiques mitjançant xarxes neuronals. L’objectiu anava més enllà d’assignar una categoria: buscava produir frases relacionades amb elements i accions visibles en una escena. [15]
A Visual Genome, presentat el 2016 amb Ranjay Krishna i altres col·laboradors, l’equip va anotar objectes, atributs i relacions dins de més de 100.000 imatges. La base permetia estudiar preguntes sobre qui fa què o com es relacionen els elements. L’enfocament ampliava la unitat d’anàlisi des de l’objecte aïllat fins a l’estructura de l’escena. [14]
AI4ALL i ensenyament de la intel·ligència artificial
El 2015 Li, Olga Russakovsky i Rick Sommer van impulsar un programa d’estiu a Stanford per apropar la IA a noies de secundària. Aquella experiència va precedir la creació d’AI4ALL el 2017. L’organització va ampliar després l’activitat cap a estudiants universitaris i oportunitats de recerca, amb atenció a col·lectius històricament infrarepresentats. [5]
Li també participa en la docència de CS231n, Deep Learning for Computer Vision, a Stanford. L’edició de primavera de 2026 va combinar arquitectura de xarxes neuronals, exercicis d’implementació i un projecte final. Aquest vessant formatiu enllaça fonaments matemàtics amb decisions pràctiques sobre entrenament, ajust i avaluació de sistemes visuals. [16]
Google Cloud i participació empresarial
Durant l’etapa a Google Cloud, Li i Jia Li van presentar Cloud AutoML el gener de 2018. La iniciativa pretenia facilitar la creació de models personalitzats a organitzacions amb experiència limitada en aprenentatge automàtic. L’anunci exposava l’ús de tècniques com transferència d’aprenentatge per reduir barreres tècniques d’accés. [17]
El setembre de 2018 Google va anunciar el seu retorn a l’activitat universitària a Stanford i la transició a assessora d’IA i aprenentatge automàtic. Andrew Moore assumiria la direcció de Google Cloud AI. Es va tractar d’un canvi de funcions, de manera que el lloc de científica en cap pertany a aquella etapa històrica. [18]
El maig de 2020 Twitter la va nomenar consellera independent. L’empresa va vincular la incorporació a l’experiència en enginyeria i intel·ligència artificial. Aquell lloc de govern corporatiu era diferent de dirigir el desenvolupament quotidià de tots els sistemes de la plataforma. [27]
Stanford HAI i la IA centrada en les persones
Stanford va llançar HAI el març de 2019 amb Li i el filòsof John Etchemendy com a codirectors. L’institut va reunir recerca, educació i anàlisi de les conseqüències socials de la IA. El plantejament incorporava disciplines fora de la informàtica per estudiar com la tecnologia afecta les persones i com orientar-ne el desenvolupament. [19]
El maig de 2026 Stanford va anunciar la integració d’HAI i la seva iniciativa de ciència de dades sota la direcció de James Landay. Li va passar a una funció d’assessorament universitari sobre IA i a copresidir el consell assessor amb John Hennessy. La reorganització va ampliar la coordinació entre àrees acadèmiques. [3]
World Labs, Marble i models del món
El 2024 va cofundar World Labs amb Justin Johnson, Ben Mildenhall i Christoph Lassner. El projecte es va centrar en intel·ligència espacial: models capaços de representar, generar i interactuar amb entorns tridimensionals. Aquesta línia continua la seva recerca sobre percepció visual, però afegeix la necessitat de mantenir relacions espacials i produir entorns explorables. [20]
Marble es va obrir al públic el novembre de 2025. Segons la presentació de World Labs, permet crear i editar mons tridimensionals a partir de text, imatges, vídeo o estructures 3D inicials, i exportar-los. El model completa detalls absents a les entrades, de manera que una escena generada no equival automàticament a una reconstrucció documental exacta. [21]
El setembre de 2026 l’empresa va presentar Atlas, un model multimodal que utilitza un context espacial compartit per generar imatges, vídeo i geometria. L’equip va mostrar tasques de reconstrucció i simulació i va explicar que les zones no observades es completen amb contingut plausible. La presentació distingia una recerca amb accés inicial de futurs productes basats en aquesta. [22]
El 28 de setembre de 2026 AMD va anunciar un acord per adquirir World Labs. Preveia el tancament abans d’acabar l’any, subjecte a autoritzacions i altres condicions; després Li assumiria un lloc de vicepresidenta executiva i científica en cap. L’anunci documenta l’acord i els plans, no acredita per si mateix l’execució definitiva. [4]
Memòries i reconeixements
El 2023 va publicar The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI. El llibre combina memòria personal i explicació científica, des de l’experiència com a immigrant fins al desenvolupament de la IA. En l’extracte publicat per l’editorial, Li vincula les capacitats de la tecnologia amb la responsabilitat de qui decideix per a què construir-la. [23]
És membre de la National Academy of Engineering, la National Academy of Medicine i l’American Academy of Arts and Sciences. Va rebre el reconeixement de trajectòria d’Intel el 2023 i el Woodrow Wilson Award de Princeton el 2024, associat al servei a la societat. [24]
Va compartir el Gran Premi VinFuture de 2024 amb Yoshua Bengio, Geoffrey Hinton, Jensen Huang i Yann LeCun. [25]
El 2025 va rebre conjuntament el Queen Elizabeth Prize for Engineering per les bases de l’aprenentatge automàtic modern. Stanford va destacar el paper d’ImageNet com a recurs i referència compartida. El reconeixement situa l’aportació a les dades al costat dels avenços en algoritmes i capacitat de càlcul que van fer possible aquella etapa de la IA. [26]
Higiene de mans i observació de pràctiques sanitàries
Fei-Fei Li és coautora d’un estudi publicat a JAMIA que va instal·lar sensors de profunditat en una unitat hospitalària per detectar l’ús de dispensadors d’higiene de mans. L’algoritme es va contrastar amb observació humana i anotació d’imatges. El resultat mesura detecció d’una pràctica, no infeccions evitades. [6]
En aquesta línia, Stanford va investigar recordatoris visuals al costat de les habitacions. L’elecció de senyals visuals va incorporar l’opinió del personal sanitari, que va desaconsellar afegir més avisos sonors a un entorn ja carregat d’alarmes. [7]
Què aporta a la prevenció en el treball sanitari
La relació concreta és el suport a una pràctica de control d’infeccions dins del treball assistencial i el disseny d’avisos compatibles amb la tasca. Per a SST, el cas permet analitzar conjuntament el procediment observat i la càrrega que introdueix la supervisió.
Detectar que s’acciona un dispensador no verifica tota la tècnica d’higiene ni totes les exposicions biològiques del lloc. Tampoc demostra una reducció d’infeccions professionals. Una aplicació preventiva necessita definir quin esdeveniment reconeix, què pot ometre i com respon l’equip sense convertir cada error de detecció en una interrupció addicional.
