AI爆发前夜的抉择：要赚钱还是要学术？

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。

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。”

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。