香港科技大学杨强教授：AI学术的前沿工作，也要从工业界获得灵感｜CCF－GAIR 2017

雷锋网 AI 科技评论按：在7月7日，由中国计算机学会（CCF）主办，雷锋网与香港中文大学（深圳）承办的第二届 CCF－GAIR全球人工智能与机器人峰会正式召开。今年CCF-GAIR的程序委员会主席、香港科技大学计算机系主任杨强教授，担任了大会第一天人工智能前沿专场的「AI 学术前沿」主持人。学术前沿 Session 分别由两位优秀的学术界人士进行演讲，一位是 CMU 金出武雄教授，另一位是 UCL 副教授汪军。在该 Session 结束后，雷锋网 AI 科技评论与杨强教授进行了一次对话，整理如下。

您今天担任的是 AI 学术前沿的主持人，您可以评价下今天两位讲者吗？您听了之后最大的感受是什么？

第一位演讲嘉宾金出武雄是 CMU 机器人学院的领袖级人物了。特别有意思的一点是，你从他的演讲中能够感受到，他对机器人技术特别执着，就是说他特别热爱他做的那些机器人技术，像摘果子的机器人。或者是那个自动驾驶的无人直升机；这些产品都非常接地气。此外，金出武雄提过一个口号是说「做技术的，不是说做某一个切面，而是做一个完整的系统」。做完整系统其实挺难的，因为要做很多与学术不直接挂钩的东西，如果研究人员特别功利的话就做不到这点，因为这需要花很多的时间来做不起眼的事情。但是，如果一旦做出来，这样的项目就会影响非常大。

像金出武雄教授说的其中一个就是自动驾驶汽车，金出武雄说，20 年前他所做的自动驾驶汽车就在美国公路上跑了。实际上，我们现在看，自动驾驶的各种技术人家早就在尝试了。所以我觉得，这对我自己也挺有启发的，这是一个研究态度和研究方法的问题。如果研究项目的「最后一公里」老是留给别人去做，而自己只是去做那些所谓「高、大、上」的、易于发表的东西，我们今天就不会有这样的成果了。

第二个讲者是 UCL （University College London） 的汪军教授。他的工作特别有意思的方面就是：别人做一个智能体，他做多个智能体，甚至上百万个智能体。然后，他用这些模拟的智能体去重构物理现象。比方说他看到自然科学的杂志上发表了猞狸和兔子的种群数量规律研究，他就在虚拟世界给模拟出来。我觉得这种思路就挺好的。另外我们大家都知道「强化学习技术」，但是当它被真的用来做一个机器人驱动的游戏，或者是用它来模拟经济的走向，这些我觉得确实是会出一些顶尖的工作。 他的讲解也给得非常清楚，对学生而言，我觉得应该是有很大启发的。

其实早上潘院长其实讲到一个现象，即工业先行的概念。您觉得潘院士为什么会强调工业界的作用？

在六十年代到不久以前，学术界都是科研的先行者。比如，像人工智能这样的概念完全是学术界先提出的 。但是现在有点不同了，大学逐渐变成一个很保守的（环境），就好像到了一个朝代的末尾，大家都开始不进取了，然后就有鸦片战争来敲开国门，让人警醒了，说「啊，世界已经变了。」所以今天来敲门的「鸦片战争」就是谷歌这一类的公司，比如像 DeepMind 这样的公司就出来说，你们说的不可能的事情是可以做的，不是说要等 100 年以后，也不是说你先出一百篇论文，然后再来判断行不行，现在咱们就就能把一件貌似很难的事给做出来。

我觉得，这对学术界也是一个很大的启发，因为现在的计算机的学术界，相比工业界来说，显得过于保守，逐渐变成一个非常顾及名利的地方，比如在比论文数。潘院士提出「工业先行」的观察，我觉得是很敏锐的，这是一个很好的开端。

那像您做研究就是比较关注应用领域？

对，我让学生做的研究都得是真实的，就是来自工业的痛点问题，所以我找了很多工业的人跟我合作，比方说微信，金融界，汽车行业，智慧城市的公司等。

我刚刚想到一个问题，此前您在接受雷锋网 AI 科技评论的采访时表示，有应用场景的人工智能才有前景，那我就想说反过来问，您自己做课题是怎么一个选择方式？你觉得什么样才叫有价值？

这是一个特别难的问题，让大学里面的人找一个有实际场景的问题去研究，其实很不容易。我给你举个例子，比如说念博士，经常要念 4、5 年，一个学生用的这 4、5 年的时间里面有 80到90% 的时间都是在寻找好的题目。当这个学生找到一个好的题目的时候，他／她基本就可以毕业了。在学校里，并不是老师给一开始给学生一个题目，然后学生就做五年。不是这样的。学生花的时间，主要是在学会如何找题目，经历这样的一个过程。在过程中，可能老师说这个题目不好，或者可能外界评价说这个题目不好，最后经过很多起伏，然后到第四、五年终于找到了一个好题目，那么到了第五年年底就可以毕业了。这是一个很典型的过程。

找好的研究题目为什么这么难呢？就是找到一个有价值的题目，需要解决社会和工业的痛点，而这种痛点是需要实践过才知道的。所以，为什么不去工业界，问问人家到底痛点在哪里呢？

所以回到金出武雄教授身上，第一个想到的这些问题的可能也不是他自己，可能是他接触的那些工业界的人。可能有人告诉他，开车驾驶时灯光会反射回来，那金出武雄教授就会觉得，这可能是个研究问题。然后，他去告诉他的学生，鼓励大家一起把这个课题做出来。（一个课题）应该是这么来的。所以像过去那种闭门造车的例子，说学生在实验室里面关了五年，出来以后就是博士了，这往往是不可能的。

那么这是全球一个普遍的问题吗？还是说其实国外情况会有些不同呢？

在国外， 有很多人从小就发现自己的研究兴趣，就像金出武雄这样的人，他就喜欢做研究这个事儿， 也不太会说这个东西是不是能赚钱、能买房 。在国内的经济环境越来越好，所以以后也会发展到有很多学生像金出武雄教授一样，跟着兴趣走，花大量的时间去做研究。那个时候，海内外提的问题应该才会是同一个水平的问题。 给足够的时间，这个问题应该能得到解决。

您指的「问题提的不是一个水平」，差异指的是什么方面？

比方说，你有时间精力经常去一些前沿的会议，能跟在前沿研究的一些人接触，才能知道下一个研究的热点是什么。你如果比较少参加这些会议，接触的人太少，而经常把时间花在其他杂碎的事情上，那么到最后你可能提不出好的问题。就是说，虽然你跟别人一样聪明，但是你就是没有那个眼界；你接触的人不同，你朋友圈不同，那么到最后你提的问题也会在不同的层次。

而此前在与杨强教授交流时，雷锋网 AI 科技评论也针对学术界人才流失的问题与杨强教授做了探讨，特摘录如下：

杨教授您与包括华为、腾讯在内的多个企业都有接触，现在也是第四范式的首席科学家。您在学界和业界其实都是都有接触，您认为这两者的合作嗯就是是否如何实现双赢的局面，因为前段时间我是感觉到，学界有很多老师都开始流向产业界，您会不会有人才流失的担心？

对于老师来说，首先我觉得很多老师出走是个好事，因为一个人的学习应该是终身学习的，很多老师在学校教学生，其实那些老师只能教书本的知识，这个对学生是一个误导，那更好的老师应该是在学术界和工业界都做过老师。其实老师到工业界是去学习的，可能一开始他认为自己是在帮助工业界，但是他会很快地发现并没有原来想象的那么理想。

比方说找到数据并不是那么容易的，不是有人把数据放在那等着你来，而是你要设计一种机制，能够让人在共建数据的同时获得获利，那么这样才能鼓励别人把数据贡献出来。因为大公司都会有很多部门，数据也是非常稀疏的，繁杂的，所以，如何能够得到你的研究所需要的数据，这本身就是一个大学问。这个体会，在学校的环境里，是学不到碰不到的。所以，总结起来就是，学校需要鼓励老师到工业去做一段，这样老师才能变得成熟，老师才能对学生负责任。

在工业界，老师能跟着商业人才和业务人才学习如何构建一个完整的商业闭环，能够把一个技术，比方说无人驾驶啊或者计算机视觉，和真正的产业结合起来，发挥作用。这个不仅仅是说技术可以在工业界不断提高，把准确率率提高百分之多少的问题，而更重要的是说，能够给技术找到一个合适的场景，能和一个业务链条紧密结合起来。