香港科技大學楊強教授：AI學術的前沿工作，也要從工業界獲得靈感｜CCF－GAIR 2017

雷鋒網 AI 科技評論按：本屆 CCF－GAIR 2017 程序委員會主席、香港科技大學計算機系主任楊強教授擔任了第一天 CCF－GAIR 大會人工智慧前沿專場的「AI 學術前沿」主持人。學術前沿 Session 分別由兩位優秀的學術界人士進行演講，一位是 CMU 金出武雄教授，另一位是 UCL 副教授汪軍。在該 Session 結束後，雷鋒網 AI 科技評論與楊強教授進行了一次對話，整理如下。

您今天擔任的是 AI 學術前沿的主持人，您可以評價下今天兩位講者嗎？您聽了之後最大的感受是什麼？

第一位演講嘉賓金出武雄是 CMU 機器人學院的領袖級人物了。特別有意思的一點是，你從他的演講中能夠感受到，他對機器人技術特別執著，就是說他特別熱愛他做的那些機器人技術，像摘果子的機器人。或者是那個自動駕駛的無人直升機；這些產品都非常接地氣。此外，金出武雄提過一個口號是說「做技術的，不是說做某一個切面，而是做一個完整的系統」。做完整系統其實挺難的，因為要做很多與學術不直接掛鉤的東西，如果研究人員特別功利的話就做不到這點，因為這需要花很多的時間來做不起眼的事情。但是，如果一旦做出來，這樣的項目就會影響非常大。

像金出武雄教授說的其中一個就是自動駕駛汽車，金出武雄說，20 年前他所做的自動駕駛汽車就在美國公路上跑了。實際上，我們現在看，自動駕駛的各種技術人家早就在嘗試了。所以我覺得，這對我自己也挺有啟發的，這是一個研究態度和研究方法的問題。如果研究項目的「最後一公里」老是留給別人去做，而自己只是去做那些所謂「高、大、上」的、易於發表的東西，我們今天就不會有這樣的成果了。

第二個講者是 UCL （University College London） 的汪軍教授。他的工作特別有意思的方面就是：別人做一個智能體，他做多個智能體，甚至上百萬個智能體。然後，他用這些模擬的智能體去重構物理現象。比方說他看到自然科學的雜誌上發表了猞狸和兔子的種群數量規律研究，他就在虛擬世界給模擬出來。我覺得這種思路就挺好的。另外我們大家都知道「強化學習技術」，但是當它被真的用來做一個機器人驅動的遊戲，或者是用它來模擬經濟的走向，這些我覺得確實是會出一些頂尖的工作。 他的講解也給得非常清楚，對學生而言，我覺得應該是有很大啟發的。

其實早上潘院長其實講到一個現象，即工業先行的概念。您覺得潘院士為什麼會強調工業界的作用？

在六十年代到不久以前，學術界都是科研的先行者。比如，像人工智慧這樣的概念完全是學術界先提出的 。但是現在有點不同了，大學逐漸變成一個很保守的（環境），就好像到了一個朝代的末尾，大家都開始不進取了，然後就有鴉片戰爭來敲開國門，讓人警醒了，說「啊，世界已經變了。」所以今天來敲門的「鴉片戰爭」就是谷歌這一類的公司，比如像 DeepMind 這樣的公司就出來說，你們說的不可能的事情是可以做的，不是說要等 100 年以後，也不是說你先出一百篇論文，然後再來判斷行不行，現在咱們就就能把一件貌似很難的事給做出來。

我覺得，這對學術界也是一個很大的啟發，因為現在的計算機的學術界，相比工業界來說，顯得過於保守，逐漸變成一個非常顧及名利的地方，比如在比論文數。潘院士提出「工業先行」的觀察，我覺得是很敏銳的，這是一個很好的開端。

那像您做研究就是比較關注應用領域？

對，我讓學生做的研究都得是真實的，就是來自工業的痛點問題，所以我找了很多工業的人跟我合作，比方說微信，金融界，汽車行業，智慧城市的公司等。

我剛剛想到一個問題，此前您在接受雷鋒網 AI 科技評論的採訪時表示，有應用場景的人工智慧才有前景，那我就想說反過來問，您自己做課題是怎麼一個選擇方式？你覺得什麼樣才叫有價值？

這是一個特別難的問題，讓大學裡面的人找一個有實際場景的問題去研究，其實很不容易。我給你舉個例子，比如說念博士，經常要念 4、5 年，一個學生用的這 4、5 年的時間裡面有 80到90% 的時間都是在尋找好的題目。當這個學生找到一個好的題目的時候，他／她基本就可以畢業了。在學校里，並不是老師給一開始給學生一個題目，然後學生就做五年。不是這樣的。學生花的時間，主要是在學會如何找題目，經歷這樣的一個過程。在過程中，可能老師說這個題目不好，或者可能外界評價說這個題目不好，最後經過很多起伏，然後到第四、五年終於找到了一個好題目，那麼到了第五年年底就可以畢業了。這是一個很典型的過程。

找好的研究題目為什麼這麼難呢？就是找到一個有價值的題目，需要解決社會和工業的痛點，而這種痛點是需要實踐過才知道的。所以，為什麼不去工業界，問問人家到底痛點在哪裡呢？

所以回到金出武雄教授身上，第一個想到的這些問題的可能也不是他自己，可能是他接觸的那些工業界的人。可能有人告訴他，開車駕駛時燈光會反射回來，那金出武雄教授就會覺得，這可能是個研究問題。然後，他去告訴他的學生，鼓勵大家一起把這個課題做出來。（一個課題）應該是這麼來的。所以像過去那種閉門造車的例子，說學生在實驗室裡面關了五年，出來以後就是博士了，這往往是不可能的。

那麼這是全球一個普遍的問題嗎？還是說其實國外情況會有些不同呢？

在國外， 有很多人從小就發現自己的研究興趣，就像金出武雄這樣的人，他就喜歡做研究這個事兒， 也不太會說這個東西是不是能賺錢、能買房 。在國內的經濟環境越來越好，所以以後也會發展到有很多學生像金出武雄教授一樣，跟著興趣走，花大量的時間去做研究。那個時候，海內外提的問題應該才會是同一個水平的問題。 給足夠的時間，這個問題應該能得到解決。

您指的「問題提的不是一個水平」，差異指的是什麼方面？

比方說，你有時間精力經常去一些前沿的會議，能跟在前沿研究的一些人接觸，才能知道下一個研究的熱點是什麼。你如果比較少參加這些會議，接觸的人太少，而經常把時間花在其他雜碎的事情上，那麼到最後你可能提不出好的問題。就是說，雖然你跟別人一樣聰明，但是你就是沒有那個眼界；你接觸的人不同，你朋友圈不同，那麼到最後你提的問題也會在不同的層次。

而此前在與楊強教授交流時，雷鋒網 AI 科技評論也針對學術界人才流失的問題與楊強教授做了探討，特摘錄如下：

楊教授您與包括華為、騰訊在內的多個企業都有接觸，現在也是第四範式的首席科學家。您在學界和業界其實都是都有接觸，您認為這兩者的合作嗯就是是否如何實現雙贏的局面，因為前段時間我是感覺到，學界有很多老師都開始流向產業界，您會不會有人才流失的擔心？

對於老師來說，首先我覺得很多老師出走是個好事，因為一個人的學習應該是終身學習的，很多老師在學校教學生，其實那些老師只能教書本的知識，這個對學生是一個誤導，那更好的老師應該是在學術界和工業界都做過老師。其實老師到工業界是去學習的，可能一開始他認為自己是在幫助工業界，但是他會很快地發現並沒有原來想像的那麼理想。

比方說找到數據並不是那麼容易的，不是有人把數據放在那等著你來，而是你要設計一種機制，能夠讓人在共建數據的同時獲得獲利，那麼這樣才能鼓勵別人把數據貢獻出來。因為大公司都會有很多部門，數據也是非常稀疏的，繁雜的，所以，如何能夠得到你的研究所需要的數據，這本身就是一個大學問。這個體會，在學校的環境里，是學不到碰不到的。所以，總結起來就是，學校需要鼓勵老師到工業去做一段，這樣老師才能變得成熟，老師才能對學生負責任。

在工業界，老師能跟著商業人才和業務人才學習如何構建一個完整的商業閉環，能夠把一個技術，比方說無人駕駛啊或者計算機視覺，和真正的產業結合起來，發揮作用。這個不僅僅是說技術可以在工業界不斷提高，把準確率率提高百分之多少的問題，而更重要的是說，能夠給技術找到一個合適的場景，能和一個業務鏈條緊密結合起來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！