Uma imigrante com uma ideia impossível
Fei-Fei Li nasceu em Pequim em 1976 e emigrou para os Estados Unidos aos 16 anos com os pais, que mal falavam inglês. A família abriu uma lavanderia em Nova Jersey para sobreviver. Li estudava física em Princeton enquanto ajudava no negócio da família nos fins de semana. Em 1999, ela descobriu a inteligência artificial e nunca mais olhou para trás.
O que a distinguia de outros pesquisadores não era apenas a capacidade matemática. Era uma intuição sobre o que faltava: dados. Em 2006, quando Li era professora assistente em Illinois, ela percebeu que os modelos de visão computacional eram treinados em conjuntos de dados minúsculos — às vezes menos de mil imagens por categoria. "Como você ensina uma criança a reconhecer um gato? Mostrando milhares de gatos," ela disse em entrevista ao The New York Times em 2018.
O nascimento do ImageNet
A ideia era simples e monumentalmente trabalhosa: criar um banco de dados de imagens que cobrisse todo o espectro do mundo visual — não apenas "cão" e "gato", mas 22.000 categorias de objetos, cenas e conceitos. Li e sua equipe usaram o WordNet, um banco de dados linguístico da Princeton, como estrutura taxonômica e o Amazon Mechanical Turk para rotular manualmente as imagens em escala.
O projeto levou três anos. Quando Li apresentou o ImageNet na conferência CVPR em 2009, a recepção foi morna. Pesquisadores estabelecidos questionavam a utilidade de dados brutos sem avanços algorítmicos correspondentes. Li persistiu.
2012: o momento que mudou tudo
Em 2012, Li e sua equipe organizaram o ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Um time de Toronto — Geoffrey Hinton, Alex Krizhevsky e Ilya Sutskever — submeteu uma rede neural convolucional profunda chamada AlexNet. O modelo reduziu a taxa de erro de classificação de 26% para 15,3%, uma queda sem precedentes.
Aquele resultado não foi apenas um record em competição acadêmica. Foi o gatilho do deep learning moderno. Google, Facebook, Baidu e dezenas de outras empresas imediatamente realocaram recursos para redes neurais profundas. Sem ImageNet, não haveria AlexNet. Sem AlexNet, a trajetória de toda a IA generativa que conhecemos hoje teria sido adiada por anos — talvez décadas.
Stanford, Google e a luta pela IA humana
Li fundou o Stanford AI Lab (SAIL) e em 2017 se tornou Chief Scientist de IA do Google Cloud, tornando-se uma das executivas mais influentes do Vale do Silício. Mas seu impacto vai além dos laboratórios.
Em 2015, ela cofundou a AI4ALL, organização sem fins lucrativos dedicada a aumentar a diversidade na IA — especialmente entre mulheres e minorias. Li é enfática: "Uma IA construída apenas por homens brancos vai refletir apenas a perspectiva de homens brancos." O argumento não é apenas ético — é técnico. Dados enviesados produzem modelos enviesados.
O projeto que ninguém esperava: IA nos hospitais
Em 2020, Li fundou a World Labs, startup de visão espacial com inteligência artificial, mas antes disso dedicou anos ao HAI (Human-Centered AI Institute) em Stanford, focado em aplicações de IA na saúde. Em parceria com hospitais da Califórnia, sua equipe desenvolveu sensores com visão computacional para detectar quedas de pacientes em UTIs — sem câmeras que comprometam a privacidade, usando apenas silhuetas infravermelhas.
O projeto combina tudo que define Li: rigor técnico, sensibilidade humana e a recusa em aceitar que tecnologia poderosa precisa ser desumanizante.
O legado de uma pioneira
Fei-Fei Li não inventou o deep learning. Ela criou as condições para que ele florescesse. ImageNet é a fundação sobre a qual a visão computacional moderna foi construída — e, por extensão, grande parte da IA que hoje reconhece rostos, traduz idiomas, dirige carros e gera imagens.
Em 2024, Li foi eleita para a Academia Nacional de Engenharia dos EUA e recebeu o IEEE Computer Society Computer Pioneer Award. Mas talvez sua contribuição mais duradoura seja um argumento filosófico: que dados, diversidade e humanidade não são obstáculos ao progresso técnico — são seu pré-requisito.
