Quién es Fei-Fei Li
Fei-Fei Li es una investigadora en inteligencia artificial, profesora de informática en Stanford y cofundadora de World Labs. Su trabajo abarca visión artificial, aprendizaje robótico e inteligencia espacial. Dirigió el laboratorio de IA de Stanford entre 2013 y 2018. [1]
Su trayectoria incluye la inmigración de China a Estados Unidos durante la adolescencia. Recibió una beca Paul & Daisy Soros para sus estudios de posgrado. Al relatar esa experiencia ha relacionado su interés por la diversidad con la necesidad de que quienes desarrollan tecnología representen a la sociedad que la utiliza. [8]
Formación y primeros puestos universitarios
Se graduó en física en Princeton en 1999 y obtuvo el doctorado en ingeniería eléctrica en Caltech en 2005. [1]
En Caltech trabajó con Pietro Perona, especialista en visión artificial, y Christof Koch, neurocientífico. La posibilidad de unir modelos computacionales y estudio de la percepción humana fue central en su elección. Esa formación sitúa sus preguntas sobre reconocimiento visual en el encuentro entre ingeniería y ciencias del cerebro. [2]
Fue profesora en la Universidad de Illinois Urbana-Champaign en 2005–2006 y en Princeton en 2007–2009. Se incorporó a Stanford en 2009. El recorrido precede a sus responsabilidades de dirección y permite situar el desarrollo inicial de ImageNet dentro de su etapa como investigadora universitaria. [9]
Aprender a reconocer objetos con pocos ejemplos
Con Rob Fergus y Pietro Perona presentó en 2004 un método bayesiano para aprender categorías visuales a partir de pocos ejemplos. Lo evaluaron en 101 categorías de objetos. La propuesta reutilizaba información aprendida anteriormente y representaba forma y apariencia mediante conjuntos de rasgos, explorando cómo reducir la cantidad de ejemplos necesaria para una categoría nueva. [10]
ImageNet y la comparación de sistemas de visión
ImageNet se presentó en CVPR 2009 en un trabajo firmado por Jia Deng, Wei Dong, Richard Socher, Li-Jia Li, Kai Li y Li Fei-Fei. Organizó millones de imágenes siguiendo la jerarquía semántica de WordNet. La contribución consistió en construir y depurar datos etiquetados a gran escala, además de definir cómo se agrupaban los conceptos visuales. [11]
El ImageNet Large Scale Visual Recognition Challenge comenzó en 2010 y proporcionó una referencia común para clasificación y detección de objetos. Su análisis metodológico describió la recogida de anotaciones, la comparación de resultados y la dificultad de contrastar rendimiento humano y computacional. Disponer de una prueba compartida hizo posible observar avances entre equipos y años. [12]
Li también participó en la revisión crítica de esos datos. Un trabajo de 2019, aceptado en FAT* 2020, estudió categorías de personas problemáticas, conceptos difíciles de ilustrar y desequilibrios de representación. La investigación mostró que el vocabulario y la distribución de imágenes pueden introducir problemas antes de entrenar el modelo. [13]
De reconocer objetos a describir escenas
Con Andrej Karpathy investigó cómo generar descripciones de imágenes y de regiones concretas. El trabajo, presentado inicialmente en 2014 y revisado en 2015, alineaba representaciones visuales y lingüísticas mediante redes neuronales. El objetivo iba más allá de asignar una categoría: buscaba producir frases relacionadas con elementos y acciones visibles en una escena. [15]
En Visual Genome, presentado en 2016 con Ranjay Krishna y otros colaboradores, el equipo anotó objetos, atributos y relaciones dentro de más de 100.000 imágenes. La base permitía estudiar preguntas sobre quién hace qué o cómo se relacionan los elementos. Su enfoque ampliaba la unidad de análisis desde el objeto aislado hasta la estructura de la escena. [14]
AI4ALL y enseñanza de la inteligencia artificial
En 2015 Li, Olga Russakovsky y Rick Sommer impulsaron un programa de verano en Stanford para acercar la IA a chicas de secundaria. Esa experiencia precedió a la creación de AI4ALL en 2017. La organización amplió después su actividad hacia estudiantes universitarios y oportunidades de investigación, con atención a colectivos históricamente infrarrepresentados. [5]
Li también participa en la docencia de CS231n, Deep Learning for Computer Vision, en Stanford. La edición de primavera de 2026 combinó arquitectura de redes neuronales, ejercicios de implementación y un proyecto final. Esta vertiente formativa enlaza fundamentos matemáticos con decisiones prácticas sobre entrenamiento, ajuste y evaluación de sistemas visuales. [16]
Google Cloud y participación empresarial
Durante su etapa en Google Cloud, Li y Jia Li presentaron Cloud AutoML en enero de 2018. La iniciativa pretendía facilitar la creación de modelos personalizados a organizaciones con experiencia limitada en aprendizaje automático. El anuncio exponía el uso de técnicas como transferencia de aprendizaje para reducir barreras técnicas de acceso. [17]
En septiembre de 2018 Google anunció su regreso a la actividad universitaria en Stanford y su transición a asesora de IA y aprendizaje automático. Andrew Moore asumiría la dirección de Google Cloud AI. Se trató de un cambio de funciones, por lo que su puesto de científica jefa pertenece a aquella etapa histórica. [18]
En mayo de 2020 Twitter la nombró consejera independiente. La empresa vinculó la incorporación a su experiencia en ingeniería e inteligencia artificial. Ese puesto de gobierno corporativo era distinto de dirigir el desarrollo cotidiano de todos los sistemas de la plataforma. [27]
Stanford HAI y la IA centrada en las personas
Stanford lanzó HAI en marzo de 2019 con Li y el filósofo John Etchemendy como codirectores. El instituto reunió investigación, educación y análisis de las consecuencias sociales de la IA. Su planteamiento incorporaba disciplinas fuera de la informática para estudiar cómo la tecnología afecta a las personas y cómo orientar su desarrollo. [19]
En mayo de 2026 Stanford anunció la integración de HAI y su iniciativa de ciencia de datos bajo la dirección de James Landay. Li pasó a una función de asesoramiento universitario sobre IA y a copresidir el consejo asesor con John Hennessy. La reorganización amplió la coordinación entre áreas académicas. [3]
World Labs, Marble y modelos del mundo
En 2024 cofundó World Labs con Justin Johnson, Ben Mildenhall y Christoph Lassner. El proyecto se centró en inteligencia espacial: modelos capaces de representar, generar e interactuar con entornos tridimensionales. Esta línea continúa su investigación sobre percepción visual, pero añade la necesidad de mantener relaciones espaciales y producir entornos que puedan explorarse. [20]
Marble se abrió al público en noviembre de 2025. Según la presentación de World Labs, permite crear y editar mundos tridimensionales a partir de texto, imágenes, vídeo o estructuras 3D iniciales, y exportarlos. El modelo completa detalles ausentes en las entradas, por lo que una escena generada no equivale automáticamente a una reconstrucción documental exacta. [21]
En septiembre de 2026 la empresa presentó Atlas, un modelo multimodal que utiliza un contexto espacial compartido para generar imágenes, vídeo y geometría. El equipo mostró tareas de reconstrucción y simulación y explicó que las zonas no observadas se completan con contenido plausible. Su presentación distinguía una investigación con acceso inicial de futuros productos basados en ella. [22]
El 28 de septiembre de 2026 AMD anunció un acuerdo para adquirir World Labs. Preveía el cierre antes de terminar el año, sujeto a autorizaciones y otras condiciones; después Li asumiría un puesto de vicepresidenta ejecutiva y científica jefa. El anuncio documenta el acuerdo y sus planes, no acredita por sí mismo su ejecución definitiva. [4]
Memorias y reconocimientos
En 2023 publicó The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI. El libro combina memoria personal y explicación científica, desde su experiencia como inmigrante hasta el desarrollo de la IA. En el extracto publicado por la editorial, Li vincula las capacidades de la tecnología con la responsabilidad de quienes deciden para qué construirla. [23]
Es miembro de la National Academy of Engineering, la National Academy of Medicine y la American Academy of Arts and Sciences. Recibió el reconocimiento de trayectoria de Intel en 2023 y el Woodrow Wilson Award de Princeton en 2024, asociado al servicio a la sociedad. [24]
Compartió el Gran Premio VinFuture de 2024 con Yoshua Bengio, Geoffrey Hinton, Jensen Huang y Yann LeCun. [25]
En 2025 recibió conjuntamente el Queen Elizabeth Prize for Engineering por las bases del aprendizaje automático moderno. Stanford destacó el papel de ImageNet como recurso y referencia compartida. El reconocimiento sitúa su aportación a los datos junto a los avances en algoritmos y capacidad de cálculo que hicieron posible esa etapa de la IA. [26]
Higiene de manos y observación de prácticas sanitarias
Fei-Fei Li es coautora de un estudio publicado en JAMIA que instaló sensores de profundidad en una unidad hospitalaria para detectar el uso de dispensadores de higiene de manos. El algoritmo se contrastó con observación humana y anotación de imágenes. Su resultado mide detección de una práctica, no infecciones evitadas. [6]
En esta línea, Stanford investigó recordatorios visuales junto a las habitaciones. La elección de señales visuales incorporó la opinión del personal sanitario, que desaconsejó añadir más avisos sonoros a un entorno ya cargado de alarmas. [7]
Qué aporta a la prevención en el trabajo sanitario
La relación concreta es el apoyo a una práctica de control de infecciones dentro del trabajo asistencial y el diseño de avisos compatibles con la tarea. Para SST, el caso permite analizar conjuntamente el procedimiento observado y la carga que introduce su supervisión.
Detectar que se acciona un dispensador no verifica toda la técnica de higiene ni todas las exposiciones biológicas del puesto. Tampoco demuestra una reducción de infecciones profesionales. Una aplicación preventiva necesita definir qué evento reconoce, qué puede omitir y cómo responde el equipo sin convertir cada error de detección en una interrupción adicional.
