Fei-Fei Li

Fei-Fei Li (* 1976 in Peking, China) ist eine chinesisch-amerikanische Informatikerin, Professorin für Informatik an der Stanford University und Ko-Direktorin des Stanford Institute for Human-Centered Artificial Intelligence (HAI).

Als Schöpferin des ImageNet-Datensatzes (Deng u. a., CVPR 2009) und Ausrichterin des jährlichen Wettbewerbs ImageNet Large Scale Visual Recognition Challenge (ILSVRC 2010–2017) schuf sie die Benchmarkbedingungen, unter denen AlexNet 2012 die Deep-Learning-Revolution auslöste. Diese institutionelle Ermöglichungsleistung macht Li zur einflussreichsten Infrastruktur-Figur der modernen Computer-Vision-Forschung.

In der KI-Debatte vertritt Li eine explizit humanistische Position, die sie in deutlichen Kontrast zu techno-eschatologischen Strömungen des TESCREAL-Komplexes stellt und die sie 2019 in der Gründung des Stanford HAI institutionalisierte.

Gleichzeitig gründete sie im April 2024 das Start-up World Labs, das im September 2024 mit über einer Milliarde US-Dollar bewertet wurde – womit Li selbst Teil der Kapitalakkumulationsdynamik ist, die sie als Forscherin kritisch begleitet.

Zusammenfassung

Fei-Fei Li verbindet in ihrer wissenschaftlichen und institutionellen Trajektorie zwei Hauptlinien der zeitgenössischen KI-Debatte. Einerseits steht die empirisch-datengetriebene Forschungstradition der Computer Vision, die sie durch ImageNet, den ILSVRC-Wettbewerb und jahrzehntelange Arbeiten zu visueller Wahrnehmung geprägt hat.

Andererseits steht das normative Programm eines Human-Centered AI, das technische Leistungsoptimierung an menschlichen Bedürfnissen, gesellschaftlicher Einbettung und demokratischen Werten ausrichten soll.

Wissenschaftlich ist Li keine Algorithmenentwicklerin im engeren Sinne – die AlexNet-Architektur selbst stammt von Krizhevsky, Sutskever und Hinton –, sondern die Gestalterin der Forschungsinfrastruktur, die den Durchbruch erst möglich machte. Das epistemische Modell hinter ImageNet – die Annahme skalierter Annotation als Grundlage maschineller Wahrnehmung – wurde zur Grundannahme des dominanten KI-Paradigmas.

Es wird durch Foundation Models (Bommasani u. a. 2021) und multimodale Systeme wie CLIP (Radford u. a. ICML 2021) fortgeschrieben.

Institutionell bewegte sich Li von 2017 bis 2018 als Chief Scientist bei Google Cloud an der Schnittstelle von Wissenschaft und Industrie, eine Periode, die durch die interne E-Mail-Affäre um Project Maven öffentlich kontrovers wurde.

Das Stanford HAI und die Gründung von AI4ALL (2017) sind Lis organisatorische Antwort auf die Frage, wer die KI-Entwicklung gestalten soll; World Labs (2024) und seine Milliardenbewertung demonstrieren die strukturellen Grenzen dieser reformorientierten Position innerhalb der bestehenden Kapitallogik der Tech-Industrie.

Biografie

Kindheit, Emigration und Ausbildung (1976–2005)

Fei-Fei Li wurde 1976 in Peking, China, geboren. Ihre Familie emigrierte 1992 in die USA und ließ sich in Parsippany, New Jersey, nieder. Li arbeitete während des Studiums als Kellnerin und Wäschereibetreiberin, um ihre Eltern zu unterstützen – eine Lebensphase, die in ihren Memoiren The Worlds I See (Flatiron Books, November 2023,) ausführlich dokumentiert ist.

Sie schloss ihr Bachelorstudium der Physik an der Princeton University 1999 ab und promovierte 2005 in Elektrotechnik am California Institute of Technology bei Pietro Perona, einem der führenden Forscher der frühen probabilistischen Computer Vision.

Akademische Laufbahn und SAIL-Direktorat (2005–2018)

Nach Stationen als Assistenzprofessorin an der University of Illinois at Urbana-Champaign (2005–2006) und der Princeton University (2007–2009) trat Li 2009 eine Professur an der Stanford University an. Von 2013 bis 2018 leitete sie das Stanford Artificial Intelligence Laboratory (SAIL) als Direktorin.

Parallel zur akademischen Tätigkeit war sie von Januar 2017 bis September 2018 als Chief Scientist für KI und maschinelles Lernen bei Google Cloud beurlaubt. Diese Beurlaubung zählte zu den ersten prominenten Wechseln einer führenden Akademikerin in die Industrie und prägte das Modell des revolving door zwischen universitärer Forschung und Tech-Konzernen mit. Im September 2018 kehrte Li nach Stanford zurück.

AI4ALL, Stanford HAI und politisches Engagement (2017–2024)

Bereits 2017 gründete Li gemeinsam mit Olga Russakovsky und John Hennigan AI4ALL, eine gemeinnützige Organisation, die unterrepräsentierten Gruppen Zugang zu KI-Bildung verschaffen soll und Sommerprogramme an US-amerikanischen Universitäten koordiniert.

Im März 2019 gründete Li gemeinsam mit dem Philosophen und ehemaligen Stanford-Provost John Etchemendy das Stanford Institute for Human-Centered Artificial Intelligence (HAI), das sie seitdem als Ko-Direktorin leitet.

Das HAI positioniert sich als transdisziplinäres Forschungs- und Politikinstitut, das KI-Entwicklung mit gesellschaftlichen, ethischen und demokratischen Fragen verbindet; es veröffentlicht seit 2021 jährlich den AI Index Report, der globale KI-Entwicklungen empirisch dokumentiert und für politische Entscheidungsträger aufbereitet.

Li hat mehrfach vor dem US-Kongress und in internationalen Foren zu KI-Regulierung ausgesagt und vertritt dabei eine Position situativer Regulierung bei gleichzeitiger Innovationsoffenheit.

World Labs und Spatial Intelligence (2024)

Im April 2024 gründete Li World Labs gemeinsam mit Justin Johnson, Christoph Lassner und Ben Mildenhall – allesamt ehemaligen Studierenden oder Mitarbeitenden ihres Stanford-Labors. Das Unternehmen fokussiert auf Spatial Intelligence, die Fähigkeit von KI-Systemen, dreidimensionale Weltmodelle aus zweidimensionalen visuellen Eingaben zu erzeugen und zu manipulieren.

Im September 2024 schloss World Labs eine Finanzierungsrunde über 230 Millionen US-Dollar ab, an der Andreessen Horowitz (a16z), New Enterprise Associates (NEA) und Radical Ventures beteiligt waren; die Post-Money-Bewertung überschritt eine Milliarde US-Dollar.

Im November 2025 veröffentlichte World Labs mit Marble sein erstes kommerzielles Produkt. Das „World Model” erzeugt aus Textprompts, Fotografien, Videoclips, Panoramen oder groben 3D-Layouts navigierbare, editierbare 3D-Umgebungen, die u. a. als Gaussian Splats, Meshes oder Videos exportiert werden können (Bellan, TechCrunch, 12. November 2025).

Im Februar 2026 schloss World Labs eine weitere Finanzierungsrunde über 1 Milliarde US-Dollar ab, angeführt von einer 200-Millionen-Dollar-Investition von Autodesk und mit Beteiligung von Nvidia, AMD, Fidelity, Emerson Collective, Sea sowie erneut Andreessen Horowitz (Bellan 2026). Das insgesamt eingesammelte Kapital stieg damit auf rund 1,23 Milliarden US-Dollar (Bellan 2026).

Presseberichten zufolge war der Runde eine im Januar 2026 bekannt gewordene Bewertungsdiskussion um rund 5 Milliarden US-Dollar vorausgegangen, die World Labs offiziell nicht bestätigte (Bellan, TechCrunch, 18. Februar 2026).

Wissenschaftliches Werk

ImageNet (2007–2017)

Das wirkungsmächtigste Forschungsartefakt Lis ist der ImageNet-Datensatz, dessen Konzeption und Koordination sie ab 2007 übernahm.

ImageNet wurde 2009 auf der IEEE Conference on Computer Vision and Pattern Recognition vorgestellt (Deng / Dong / Socher / Li / Li / Fei-Fei 2009, DOI: 10.1109/CVPR.2009.5206848). Der Datensatz enthält mehr als 14 Millionen handgelabelte Bilder in über 21.000 Kategorien, organisiert nach der lexikalischen Hierarchie von WordNet (Deng u. a. 2009).

Der zentrale Schritt war die Nutzung von Amazon Mechanical Turk für verteilte menschliche Annotation – eine der ersten Großanwendungen von Crowdsourcing für wissenschaftliche Datengenerierung.

Der darauf aufbauende jährliche Wettbewerb ImageNet Large Scale Visual Recognition Challenge (ILSVRC, 2010–2017) schuf die Benchmarkbedingungen, unter denen AlexNet 2012 eine Top-5-Fehlerrate von 15,3 Prozent erzielte – gegenüber 26,2 Prozent des zweitplatzierten Teams (Krizhevsky / Sutskever / Hinton 2012).

Dieser Sprung markierte den Beginn der Deep-Learning-Revolution und machte Li zur zentralen institutionellen Ermöglicherin einer Forschungsrevolution, an der sie selbst nicht primär als Algorithmenentwicklerin beteiligt war.

Das ILSVRC-Benchmark-Paradigma wurde zur Vorlage für spätere Wettbewerbe in medizinischer Bildgebung, Videoverstehen und Robotik. Das epistemische Modell hinter ImageNet – skaliertes Supervised Learning auf menschlich gelabelten Daten als Grundlage maschineller Wahrnehmung – ist seither Grundannahme des dominanten KI-Paradigmas und wird durch Foundation Models (Bommasani u. a. 2021) und CLIP (Radford u. a. ICML 2021) fortgeschrieben.

Visual Genome und szenisches Verstehen (2017)

Das Visual Genome-Projekt (Krishna u. a. 2017, International Journal of Computer Vision) erweiterte das ImageNet-Paradigma um dichte Annotationen von Objektbeziehungen, Attributen und Frage-Antwort-Paaren in Bildern und schuf damit einen der ersten großen strukturierten Datensätze für maschinelles Szenenverstehen jenseits flacher Klassifikationslabels.

Human-Centered AI und der AI Index Report (2019–2026)

Das von Li propagierte Konzept des Human-Centered AI (HCAI) bezeichnet einen normativen Forschungsrahmen, der technische Leistungsoptimierung an menschlichen Bedürfnissen, gesellschaftlicher Einbettung und demokratischen Werten ausrichten soll. Der Begriff wurde von Li im Kontext der HAI-Gründung 2019 systematisiert und knüpft an ältere Traditionen der Human-Computer Interaction und des partizipativen Designs an.

In operativer Hinsicht umfasst HCAI bei Li die Forderung nach interdisziplinärer Zusammenarbeit, die Integration von Domänenwissen – besonders im medizinischen Bereich –, sowie die kritische Reflexion von Trainingsdaten auf soziale Verzerrungen. Der jährlich publizierte AI Index Report des Stanford HAI (seit 2021) ist das empirisch-dokumentarische Instrument dieser Programmatik.

Einordnung

Gegenposition im TESCREAL-Feld: Li repräsentiert – neben Andrew Ng, Yoshua Bengio (teils) und Yann LeCun – jenen Pol der KI-Forschungsgemeinschaft, der existenzrisikoorientierte Rahmungen als Ablenkung von konkreten gegenwärtigen Schäden bewertet und damit im Kontrast zur x-risk-Hauptlinie des TESCREAL-Komplexes steht.

Li hat sich öffentlich nicht zum TESCREAL-Akronym (Gebru/Torres 2024) positioniert, ist in der entsprechenden kritischen Literatur aber als Figur des liberalen Reformflügels der KI-Industrie diskutiert worden.

Computer-Vision-Infrastruktur: ImageNet ist die Datenbasis, auf der die Revolution der tiefen neuronalen Netze – insbesondere Convolutional Neural Networks, AlexNet und Foundation Models – empirisch gegründet wurde. Der Übergang von diskriminativen zu generativen Modellen (GANs, Diffusionsmodelle, CLIP) bleibt epistemisch an die ImageNet-Tradition gebunden.

Personennetz: Li steht in institutioneller und intellektueller Beziehung zu Geoffrey Hinton (ILSVRC-Wettbewerb, Deep-Learning-Revolution), Ilya Sutskever (AlexNet-Team), Timnit Gebru (KI-Ethik, kritische Überschneidung bei Datenpraktiken), Andrew Ng (Stanford AI Lab, MOOC-Welle) und Dario Amodei (HAI/Stanford-Verbindungen).

Regulatorisches Umfeld: HAI-Forschung und Li persönlich nehmen aktiv an politischen Debatten um den EU AI Act und US-amerikanische KI-Regulierung teil. Ihre Position zugunsten situativer Regulierung bei gleichzeitiger Innovationsoffenheit ist innerhalb dieses Felds dokumentiert und unterscheidet sich von der stärker existenzrisiko-orientierten Regulierungslogik, die Tallinn, Sutskever oder Bostrom vertreten.

Kontroversen und Kritik

ImageNet-Datenethik: Kate Crawford und Trevor Paglen zeigten 2019 in Excavating AI (excavating.ai, 19. September 2019), dass der ImageNet-Datensatz Bilder enthielt, die Personen ohne deren Einwilligung mit abwertenden, rassistischen oder sexualisierten Labels versehen hatten.

Die Ergebnisse führten 2019 zur Entfernung von mehr als 600.000 Bildern aus dem öffentlich zugänglichen Teil des Datensatzes (Crawford / Paglen 2019). Die Kritik traf nicht allein Li persönlich, sondern das gesamte Paradigma unkritischer Massenerfassung von Web-Bilddaten als epistemische Grundlage für maschinelles Lernen; sie offenbarte strukturelle Probleme der Annotation, Kategorisierung und Einwilligungslogik großer Trainingskorpora (Crawford / Paglen 2019).

Project Maven: Während Lis Tätigkeit als Chief Scientist bei Google Cloud wurde das Unternehmen im März 2018 durch einen internen Widerstandsbrief von über 3.000 Mitarbeitenden mit seiner Beteiligung am Pentagon-Projekt Maven konfrontiert, das KI-gestützte Drohnen-Bildanalyse für das US-Verteidigungsministerium entwickeln sollte (Shane / Wakabayashi 2018).

Eine interne E-Mail Lis aus dem Jahr 2017, in der sie eine nicht-öffentliche Behandlung der Google-Maven-Beteiligung empfahl, um Reputationsrisiken zu minimieren, wurde im September 2018 durch The Intercept veröffentlicht.

Li betonte, weder an der Vertragsunterzeichnung noch an der Projektgestaltung beteiligt gewesen zu sein; Kritiker werteten die E-Mail als Zeugnis institutioneller Prioritätensetzung, die ethische Bedenken einer reputationsstrategischen Logik unterordnete (Shane / Wakabayashi 2018).

Human-Centered AI als konzeptuelle Unschärfe: Kritiker aus der kritischen KI-Forschung, darunter Safiya Umoja Noble (Noble 2018) und Ruha Benjamin (Benjamin 2019), argumentieren, dass der Begriff human-centered ohne explizite Auseinandersetzung mit Machtasymmetrien, strukturellem Rassismus und globaler Ungleichheit eine neutralisierende Funktion erfülle. Er evoziere Inklusivität, ohne die Frage zu beantworten, welche Menschen im Zentrum stehen.

Das Stanford HAI steht dabei in der Kritik, trotz interdisziplinärem Anspruch primär die Interessen kapitalstarker Tech-Unternehmen widerzuspiegeln, die seinen Advisory Council dominieren.

Spatial Intelligence und akademisch-industrieller Komplex: Die Gründung von World Labs und die umgehende Milliardenbewertung im September 2024 werden von Beobachtern als Beispiel für die strukturelle Verschmelzung von akademischer Forschungsinfrastruktur und privatem Kapital diskutiert (Crawford 2021).

Die Kerntechnologie von World Labs baut auf Forschung auf, die an einer öffentlich mitfinanzierten Universität entstand; Fragen der Wissensallmende, der Technologiezugänglichkeit und der Reproduktion von Marktkonzentration werden dabei kaum öffentlich verhandelt.

Quellenangaben

Bellan, Rebecca, 2025. Fei-Fei Li’s World Labs speeds up the world model race with Marble, its first commercial product. In: TechCrunch, 12. November 2025.
Bellan, Rebecca, 2026. World Labs lands $1B, with $200M from Autodesk, to bring world models into 3D workflows. In: TechCrunch, 18. Februar 2026.
Benjamin, Ruha, 2019. Race After Technology: Abolitionist Tools for the New Jim Code.
Bommasani, Rishi / Hudson, Drew A. / Adeli, Ehsan u. a., 2021. On the Opportunities and Risks of Foundation Models. Stanford Center for Research on Foundation Models. arXiv: 2108.07258.
Crawford, Kate / Paglen, Trevor, 2019. Excavating AI: The Politics of Images in Machine Learning Training Sets. In: AI & Society (2021) 36, S. 1105–1116. DOI: 10.1007/s00146-021-01162-8.
Crawford, Kate, 2021. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence.
Deng, Jia / Dong, Wei / Socher, Richard / Li, Li-Jia / Li, Kai / Fei-Fei, Li, 2009. ImageNet: A Large-Scale Hierarchical Image Database. In: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2009), S. 248–255. DOI: 10.1109/CVPR.2009.5206848.
Etchemendy, John / Fei-Fei, Li, 2019. Introducing the Stanford Institute for Human-Centered Artificial Intelligence. Stanford HAI, 18. März 2019. hai.stanford.edu.
Gebru, Timnit / Torres, Émile P., 2024. The TESCREAL Bundle: Eugenics and the Promise of Utopia through Artificial General Intelligence. In: First Monday 29 (4). DOI: 10.5210/fm.v29i4.13636.
Krishna, Ranjay u. a., 2017. Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations. In: International Journal of Computer Vision 123 (1), S. 32–73. DOI: 10.1007/s11263-016-0981-7.
Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., 2012. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012), S. 1097–1105.
Li, Fei-Fei, 2023. The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI.
Noble, Safiya Umoja, 2018. Algorithms of Oppression: How Search Engines Reinforce Racism.
Radford, Alec / Kim, Jong Wook / Hallacy, Chris / Ramesh, Aditya / Goh, Gabriel / Agarwal, Sandhini / Sastry, Girish / Askell, Amanda / Mishkin, Pamela / Clark, Jack / Krueger, Gretchen / Sutskever, Ilya, 2021. Learning Transferable Visual Models from Natural Language Supervision. In: Proceedings of the 38th International Conference on Machine Learning (ICML 2021). arXiv: 2103.00020.
Russakovsky, Olga u. a., 2015. ImageNet Large Scale Visual Recognition Challenge. In: International Journal of Computer Vision 115 (3), S. 211–252. DOI: 10.1007/s11263-015-0816-y.
Shane, Scott / Wakabayashi, Daisuke, 2018. ‘The Business of War’: Google Employees Protest Work for the Pentagon. In: The New York Times, 4. April 2018.
Stanford HAI, 2024. AI Index Report 2024. Stanford University. aiindex.stanford.edu.

← Zurück zur Lexikon-Übersicht