李飞飞和杨立昆谁的理念更早？数据派与架构派

AI 领域常被概括为两条路线的对话：一条认为数据规模决定智能上限，一条认为网络架构才是关键，李飞飞与杨立昆恰好常被放进这两个标签里。标题问「谁的理念更早」，本文先用公开材料把时间线摆出来：两人的公开主张发表于不同年代，针对的是不同时期的瓶颈。本文只做公开论文与公开演讲的对照，不做高下结论。

数据派：李飞飞的公开主张与时间线

按公开履历，李飞飞 2005 年在加州理工学院取得博士学位，2007 年起在普林斯顿大学任教期间主导 ImageNet 项目，2009 年发表公开论文，把标注图像数据集的规模推到千万级；数据集的完整脉络见ImageNet 数据集一篇，她的人物篇见李飞飞。2012 年 AlexNet 依托这份数据集夺冠，见AlexNet 拿冠军一篇，此后她在公开演讲中的口径长期强调大规模标注数据对视觉智能的推动作用（公开演讲口径）。近年她公开创办 World Labs，把主张延伸到空间智能方向，公开表述以官方公告为准。

架构派：杨立昆的公开主张与时间线

杨立昆的架构主张可以追到 1980 年代：卷积网络的直接源头是福岛邦彦的新认知机，见福岛邦彦一篇；1980 年代末到 1990 年代，他在贝尔实验室把卷积结构做成 LeNet 并用于手写数字识别。2022 年他公开发表长篇技术报告，提出 JEPA 架构与世界模型，主张让机器通过自监督学习获得对物理世界的常识预测（公开论文口径）；此后他在公开演讲中对自回归大语言模型的局限也多次表态。他的人物篇见杨立昆。

把两条公开时间线并排看

并排的事实清单是这样的：杨立昆的架构主张最早的公开记录在 1980 年代末的卷积网络工作，比 ImageNet 论文早约二十年；李飞飞的数据主张在 2007 至 2009 年落成公开数据集，比 JEPA 报告早约十三年。两个时间点各对应当时的瓶颈：2000 年代视觉研究的公开困境是标注数据不足、模型在小数据集上过拟合，2009 年论文的公开表述正是针对这一点；2020 年代公开讨论的焦点转向自监督与世界模型，针对的是标注成本与泛化能力。主张的先后属于公开可查的时间事实；哪条路线更根本，公开文献没有给出裁决性结果，本文不做高下结论。

数据派与架构派公开节点对照速查

• 1980 年代末：杨立昆在贝尔实验室推进卷积网络（公开记录）
• 2009：ImageNet 公开论文发表（李飞飞团队）
• 2012：AlexNet 依托 ImageNet 夺冠，深度学习转向
• 2022：杨立昆公开发表 JEPA 与世界模型技术报告
• 2024：李飞飞公开创办 World Labs，主张空间智能
• 说明：本文只对照公开时间线，不做高下结论

两条路线与今天的 AI 工具

对普通用户，这两条路线都有熟悉的落点。今天的图像搜索、以图搜图和相册分类，用的是大规模标注数据路线扩散后的工程成果；而自监督学习如今已是各家大模型预训练的常规工序，你用豆包识别一张植物照片、用通义千问总结一张截图时，两条路线的成果在同一个产品里同时出现。想核对两人的主张原文，可以让 DeepSeek 按年份整理各自公开演讲的要点，再回到公开论文逐条对照；可带走的判断：区分「理念提出早」与「理念见效早」这两个问题，时间线就不会打架。

关于李飞飞与杨立昆的常见疑问

• 数据派和架构派指的是什么？：前者主张数据规模与质量是智能上限的主要变量，后者主张网络结构与训练目标更关键，两者均为概括性标签，当事人的公开表述各有侧重。
• ImageNet 论文发表时反响如何？：公开报道口径显示，2009 年论文在当年会议上以海报形式展示，其影响在 2012 年 AlexNet 夺冠后被广泛认可。
• JEPA 是什么？：杨立昆 2022 年公开技术报告提出的架构构想，主张通过自监督方式让模型学习对世界的抽象预测，细节以公开论文为准。