当前位置 : 首页 > 方案讯 > 方案讯详情
AI爆发前夜的抉择:要赚钱还是要学术?
发布时间:2019-07-09 阅读量:1076 应用领域:其他 来源:21Tech(News-21) 作者:倪雨晴

AI大咖去哪儿

 

人工智能还在等待寒武纪式的大爆发时期。

 

我们还不知道确切的时间,但可以确定的是,当下的AI江湖格局未定,人才频繁流动。一时之间,AI人才的竞争、去向也成为经久不衰的话题。

 

工业界巨头们重金邀请技术大牛加盟,学术界的大咖们也纷纷跨圈创业,其中有太多我们熟知的故事。这个行业中,聚集了如此多顶尖人才、聪明的大脑,探究未来的方向。

 

即使期间有泡沫,那也是高科技的泡沫,大众的关注度也转向了科技领域,这一波AI的热浪也吸引大量资金、人才的涌入。

 

过去我们常常看到的是AI大咖在工业界的流转(Industry → Industry ),当然今年也依旧引人注目。

 

例如,近日原阿里云首席科学家闵万里,从阿里巴巴离开,转身投资领域,致力于升级传统行业;


6月,360集团AI研究院院长、首席科学家颜水成选择离开360,据了解他将加入依图科技;


今年年初,原Facebook AI科学家贾扬清加入阿里巴巴,担任技术副总裁。

 

这一名单还很长,有的更换了公司的跑道,有的从公司研究院出走,踏上创业之路。

 

然而,从工业界回归学界(Industry → Academy)的案例也开始出现。

 

比如,腾讯AI Lab的创始负责人张潼回归学界,并出任创新工场科研合伙人;


李飞飞曾在2016年宣布加入谷歌,成为谷歌云AI负责人,2018年又选择回到学校,担任斯坦福教授。

 

众所周知,学术界更看重前沿技术的研究,工业界更偏向实用性,那么,对于投身学界还是产业界,大咖们又是怎么考虑的呢?

 

对于从腾讯回到学界的历程,张潼此前在接受21Tech记者采访时曾说:“我感觉现在还是挺好的,我最关心、最希望的是十年以后,能够在AI包括技术理论上能够有重大的突破,在整个学术上能够有更多的贡献。”

 

在他看来,学术界和工业界在AI之间不存在鸿沟,目标有不同之处,“工业界更偏实用,这种大数据+计算力+模型,的确解决了很多实用问题,虽然原理上没有很多的实践。学术界分两部分看,一方面有很多的学术研究解决实用性的问题。另外,我还会对一些原理性的东西感兴趣,会更加前瞻一点,但是有时候太前瞻的不一定能够马上用到。所以我觉得学术界思考得更远一些。”

 

回归学界,也是以另一种方式参与到AI产业中,有AI公司高管向21Tech表示,张潼是比较少见的既有科学界背景,又有企业家能力的人才。而很AI学术界的人看到工业界很火就去做,其实不是每个人都适合的,学术界是产出论文,但工业界预期不一样。

 

AI爆发前夜的抉择:要赚钱还是要学术?

为何穿梭?

 

确实,在工业界中,AI产品能否落地挣钱、KPI能否完成,都很关键。

 

但是,为什么在人工智能领域,工业界和学术界的穿梭、流动会如此频繁?这就和人工智能的两个特性有关。

 

从历史上看,在计算机产业里,大规模应用的各个领域中,没有一个学科,像人工智能这样,同时具有学术性和商业性。

 

即便是操作系统级别,也不需要这样大规模的学术协作,只要商业级的就足够。因为操作系统的理论框架是比较清晰的,一个大神搭建出来之后,就可以抛开学术界开发商业模式。而人工智能的大规模商用,虽然有应用案例,却还不够明朗,但是其学术属性又非常强,所以学术界和工业界的联系就很紧密。

 

一方面,人工智能很大原因出现,也是因为大规模商业公司有了学术团队,所以它才能够发展起来。如果商业公司没有足够大,没有那么夸张的利润,谷歌也不可能单独成立一个团队去研究下围棋。有了高利润的商业化公司,才带来了人工智能应用的发展。

 

另一方面,谷歌算法通过研发人员是可以搞定,但是数据可是很费钱的。现在很多数据集都需要人工进行标注,不论雇人标注还是直接购买,成本都很高。这些数据集是学术界不可能完成的,但是算法层面又很依赖学术界。

 

所以可以看到,在人工智能领域,高级学术人才大规模地往商业人才迁移。其他领域也需要很多高级别的学术人才,但是,没有像这样成规模、成体系地从计算机学界里出来。

 

然而,现在横亘在大家面前的问题是,人工智能到底有什么用?下围棋到底有什么用?人工智能应用更像人类即将进入一个新的智能化纪元的一种产品,现在需要大规模的成本投入,这些投入又不能短时间内产生利润。

 

教授学生成群结队地从里面出来,他们本身带着学术性,但是商业化落地又没有那么快,然后会发现,KPI完成不了、挣钱也难,但是学术界又不需要产生利润,所以大家又会产生摇摆。

 

有AI从业者告诉21Tech:“非常深刻的体会到,很多东西公司想做,包括谷歌都想做,但是KPI完成不了。”

 

KPI完成不了的很大原因是在于,商业化场景也许有,也许没有,没有的话且不说,可能时代没到。

 

“但是没有和有之间的地带是很模糊的,如果你的技术非常强,可以把成本降到很低,有很多场景自然就有了,”前述从业者说道,“但是如果配套的技术领域没有实现,比如我们在算法领域走的很靠前了,传感器成本过高、数据采集成本过高也无法实现应用;再比如其他的商业应用接受度过高、政策成本压力过大、开源社区的关系变的微妙和复杂,等等各种因素都会制约商用。”


AI爆发前夜的抉择:要赚钱还是要学术?


薛定谔的商业化场景:有还是没有?

 

因此,目前AI商业化的方式变的很模糊很复杂不明确,就谷歌来说,也是通过高额利润向无利润的业务进行补贴,还有广告变现。企业需要的,不仅仅是学术论文。

 

如果大规模应用场景,很容易落地、资源非常充分,那人才出来以后不会再大规模地回到学术界。其他学科也是一样,有些纯研究领域,比如说数学研究,没有办法商业化,那就在大学、研究所里待着,而金融等完全需要商业化的学科,那就进入公司。

 

计算机领域中,人工智能可以说是第一个学术和商业两方面属性都非常强的学科。所以在记者看来,AI的前进就像是不倒翁一样,总要在学界和工业界进行迁移,这也是技术演变本身需要的过程。

 

文章评论
登录 参与评论
最新活动