这些数据都隐含着衰老的信息，但没有人有能力将所有这些不同类型和范畴的数据统合起来，要整理、归类、分析这些数据耗费的时间太长，一个人一辈子也可能做不完。所以，我们真的很需要利用科学家收集数据，并从中得到灵感的过程和从事机器学习的研究人员很好得协作，两方面的人哪一方都是是无法单独完成这项任务的。

　　我很幸运成为进入这一领域的研究者之一。计算生物学从 21 世纪初兴起。生物学家和计算机科学家互相合作，才能从大量我们获取的数据中发现意义，从而真正理解衰老的生物学原理，同时研发有助于减慢这一过程的干预措施。

　　Diane Greene：感谢 Daphne 的深度分享。那么，飞飞，上次你在接受 TechCrunch 采访时说，“视觉是 AI 的杀手级应用”，你能具体解释一下吗？

　　李飞飞：我的话的确很刺激（provocative），但我还是坚持这样认为，因为很多人问计算机视觉的杀手级应用是什么，我则在想视觉是 AI 的杀手级应用。下面我具体解释一下。

　　这样说有两个原因，一个是从5.4 亿年前起，物种数量突然增多了，也被称为寒武纪生物大爆发。为什么会发生这种情况？最近有一项非常令人信服的著名推论认为，这是由于眼睛出现了。

　　当生物演化出视觉以后，整个演化进程都改变了，有了捕猎者和猎物。5.4 亿年后，人类成为地球上最有智慧的生物。根据自然演化，人脑的一半都用于处理视觉信号，因为视觉是如此重要。

　　另一个则是技术层面。现在，我们生活在互联网时代，有人预计整个网络上超过 80% 的数据都可以说是某种类型的像素，无论是肉眼可见的，还是传感器收集肉眼不可见的。从医院、无人驾驶汽车到安防摄像头，到处都是像素形式的数据，而企业如何通过云服务应用这些数据，为消费者带来真正的价值，是问题的核心。

　　我一直在说，现在对图像识别、视频处理、视频分析有大量的需求。对于计算机视觉而言，这是一个令人激动的时代，与语音识别一样，视觉也是经由深度神经网络才在过去 10 年有了一个真正的腾飞。从 2010 年到 2017 年，我认为计算机视觉最大的进步在于基本的感知任务，比如物体识别、给图像打标签、物体检测……这些都可以从谷歌推出的各种产品中看到。

　　但是，要在计算机视觉中做下一步的投资，我认为则是“视觉 + X”，视觉十分重要，是基础的基础，atv，而语言交流也很重要……所以我认为将视觉和语言结合起来将极其有趣，不论是生物学可视化也好，还是医疗图像等等，我认为视觉在这里面都有巨大的机会。

　　最后一个例子，就是机器人视觉。作为一名研究人员，在机器人视觉方面最近有很多令人激动的进展。但是，至少从我记事时起，机器人大多还处于相对原始的状态。我确信视觉将成为机器拥有智能的关键一环。