Una inmigrante con una idea imposible
Fei-Fei Li nació en Pekín en 1976 y emigró a los Estados Unidos a los 16 años con sus padres, que apenas hablaban inglés. La familia abrió una lavandería en Nueva Jersey para sobrevivir. Li estudiaba física en Princeton mientras ayudaba en el negocio familiar los fines de semana. En 1999, descubrió la inteligencia artificial y nunca más miró atrás.
Lo que la distinguía de otros investigadores no era solo la capacidad matemática. Era una intuición sobre lo que faltaba: datos. En 2006, cuando Li era profesora asistente en Illinois, se dio cuenta de que los modelos de visión computacional se entrenaban con conjuntos de datos minúsculos — a veces menos de mil imágenes por categoría. "¿Cómo enseñas a un niño a reconocer un gato? Mostrándole miles de gatos", dijo en entrevista al New York Times en 2018.
El nacimiento de ImageNet
La idea era simple y monumentalmente laboriosa: crear una base de datos de imágenes que cubriera todo el espectro del mundo visual — no solo "perro" y "gato", sino 22.000 categorías de objetos, escenas y conceptos. Li y su equipo usaron WordNet, una base de datos lingüística de Princeton, como estructura taxonómica, y Amazon Mechanical Turk para etiquetar manualmente las imágenes a escala.
El proyecto tomó tres años. Cuando Li presentó ImageNet en la conferencia CVPR en 2009, la recepción fue tibia. Los investigadores establecidos cuestionaban la utilidad de datos brutos sin avances algorítmicos correspondientes. Li persistió.
2012: el momento que cambió todo
En 2012, Li y su equipo organizaron el ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Un equipo de Toronto — Geoffrey Hinton, Alex Krizhevsky e Ilya Sutskever — presentó una red neuronal convolucional profunda llamada AlexNet. El modelo redujo la tasa de error de clasificación del 26% al 15,3%, una caída sin precedentes.
Ese resultado no fue solo un récord en competencia académica. Fue el gatillo del deep learning moderno. Google, Facebook, Baidu y decenas de otras empresas reasignaron inmediatamente recursos a redes neuronales profundas. Sin ImageNet, no habría AlexNet. Sin AlexNet, la trayectoria de toda la IA generativa que conocemos hoy habría sido retrasada por años — quizás décadas.
Stanford, Google y la lucha por la IA humana
Li fundó el Stanford AI Lab (SAIL) y en 2017 se convirtió en Chief Scientist de IA de Google Cloud, convirtiéndose en una de las ejecutivas más influyentes de Silicon Valley. Pero su impacto va más allá de los laboratorios.
En 2015, cofundó AI4ALL, organización sin fines de lucro dedicada a aumentar la diversidad en la IA — especialmente entre mujeres y minorías. Li es enfática: "Una IA construida solo por hombres blancos reflejará solo la perspectiva de hombres blancos." El argumento no es solo ético — es técnico. Los datos sesgados producen modelos sesgados.
El proyecto que nadie esperaba: IA en los hospitales
En 2020, Li fundó World Labs, startup de inteligencia espacial con IA, pero antes de eso dedicó años al HAI (Human-Centered AI Institute) en Stanford, enfocado en aplicaciones de IA en salud. En asociación con hospitales de California, su equipo desarrolló sensores de visión computacional para detectar caídas de pacientes en UCI — sin cámaras que comprometan la privacidad, usando solo siluetas infrarrojas.
El proyecto combina todo lo que define a Li: rigor técnico, sensibilidad humana y el rechazo a aceptar que la tecnología poderosa necesita ser deshumanizante.
El legado de una pionera
Fei-Fei Li no inventó el deep learning. Creó las condiciones para que floreciera. ImageNet es el cimiento sobre el cual se construyó la visión computacional moderna — y, por extensión, gran parte de la IA que hoy reconoce rostros, traduce idiomas, conduce autos y genera imágenes.
En 2024, Li fue elegida para la Academia Nacional de Ingeniería de EE.UU. y recibió el IEEE Computer Society Computer Pioneer Award. Pero quizás su contribución más duradera sea un argumento filosófico: que los datos, la diversidad y la humanidad no son obstáculos al progreso técnico — son su prerequisito.
