雷锋网按：曾经有人说过，中国错过了工业革命，错过了电气革命，信息革命也只是跟上了一个尾巴，而人工智能的革命来临时中国终于能跟世界领先的国家并肩向前跑了。相信没有人愿意错过这个机会。对于人工智能的发展，教育无疑是其中至关重要的一环，而教育行业的教授、学者们是如何看待和期望中国人工智能教育的发展的呢？让我们看看在25日香港科技大学深圳产学研院举行的春茗会的媒体见面会上，港科大工学院的院长郑光廷是如何阐述自己关于人工智能教育的看法的。
去年年底，人工智能领域内一则关于教育的新闻引起了大家的注意：在中国人工智能学会的主办的 2016 中国人工智能产业大会暨第六届吴文俊人工智能科学技术奖颁奖盛典中，中国人工智能学会理事长、中国工程院院士李德毅在主题报告中表示，当下人工智能产业发展迅速，希望把以人工智能为主的“智能科学与技术”这样的学科提升为一级学科。
想要让包括人工智能在内的各种高科技行业取得更好的发展，提升针对它的教育的重视程度和发展力度无疑是一个很有效也是极根本的举措，不过对于目前的学科发展形势和国情等来说，设立人工智能一级学科的可行性和必要性是否足够，这个问题其实很值得思考和讨论。25日，香港科技大学深圳研究院在港科大深圳产学研大楼举行了面向校友的“春茗会”，在会上演讲过后，雷锋网与郑院长进行了两个小时的专访，他详细讲述了对人工智能、港科大以及其教育理念、教育模式的观点。 
关于港科大工学院教学理念的演讲
在郑院长看来，目前港科大其实并没有看到需要设立专门人工智能专业的必要性。而且他还多次表达他认为21世纪是工程学的世纪，因为在这个时代我们有最好的条件为先辈研究出的科研成果寻找合适的用武之地，接下来雷锋网将在不改变原意的情况下，对整个会谈的内容做一个整理：
雷锋网：您之前有提到过，大学需要和工业界密切合作，才能培养出工业界真正需要的人才，那您能否跟我们讲一下港科大是如何跟工业界保持合作的呢？
郑光廷：首先工业界会把他们需要的人才的特点提供给我们。而在教学方面我们也会有许多的项目让学生在学校里就能对工业界有足够的了解。这样他们了解了工业界的需求，在回学校后的学习中就会比较有动机。我们都知道现在的年轻人的压力很大，未来似乎总是遥遥无期，容易让人有一种迷茫的感觉。现在的世界变化的太快了。我很喜欢举的一个例子就是智能手机。我们都知道智能手机给世界带来了多大的改变，但事实上如果从iPhone一代开始算的话，智能手机其实只出现了10年而已。而一个大学生在毕业之后至少会在社会中工作30年，所以我们没法知道未来三十年他们到底需要什么样的知识，要做什么样的工作。这跟我们那个年代不一样。我们那个年代只要好好读书，读个硕士或者博士，然后毕业之后找一家公司好好干一直干到退休就可以了，我们那时候直到毕业加入公司的那一刻，才算开始对工业界有多了解。但这样的时代已经过去了。所以我们觉得现在的学生在学校内就需要经历几个跟工业界有密切接触的具体的项目来让他明白如何把自己的知识应用到实际中去。甚至我们在大一就要让学生知道现在的工业界需要什么东西，这样他在这四年才能感受到自己的学习将来可能的应用方向。这种合作绝对不是学校单方面可以做到的。所以我们现在也在尝试通过各种各样的方式探索如何跟工业界去配合。
我们常常跟工业界说，今天他们投资我们一点，将来可能会有很大的回报。因为现在，尤其是在高科技领域。大家都在争人才，对于工业界来说，越早能接触到学校的学生，越有机会吸引到他们的加入。所以我们现在在探索各种各样的合作模式，我们也很欢迎工业界跟我们提出他们需要的任何模式。
教育的方式需要不断创新。我们的大学做一些科学研究，所有人都会觉得很正常，不过其实如何教学这本身也是一件很值得研究的事情。港科大在这方面我觉得做的还算可以。如何教学生成为一个三十年都能维持成功的人？我不觉得任何人能有对这个问题的明确答案。大家都在摸索。但是港科大有一个好处，就是我们还很年轻，我们愿意去尝试。当然，尝试有可能失败，但是在尝试的过程中我们觉得不对的时候我们随时可以改，因为我们没有太大的包袱。
郑光廷院长
雷锋网：请问，以后港科大要如何平衡那种实用的偏工业界的项目和短时间内可能看不到成效的基础科研类型的项目呢？
郑光廷：我们有一个评估机制，首先我们的教授在选择题目的时候其实是完全自由的。我自己也是个教授，对于每一个教授个人来说，要选择更实用的研究项目，还是更长久的研究项目，这是教授自己可以决定的选择，我们绝对不希望所有人都只做一面，如果这样的情况发生，也会是一个问题。不过对一个学校来说，其实学校是可以发展出自己的特色的。比如在美国的一流大学里，斯坦福大学和加州理工学院的特色就完全不同。加州理工学院就比较偏向理论，而斯坦福的研究是非常实际的。目前来说港科大的角色是介于这两者之间，我们也希望就待在这个中间。这也会在我们将来对教授的选择体现出来，我们不会只找偏向一边研究的教授。同时我们也鼓励当教授的比较深了，可以让他的团队一部分做理论研究的项目，一部分做实际应用的项目。而当我们学校投资教授的计划的时候，也会很平衡的去保证整条线都做适当的投资。我们也会观察世界上各种先进的评估机制。总之我相信一个世界一流的大学是一定要全面的，如果只注重一边的话，很难帮助港科大在目前的基础上更进一步了。
雷锋网：目前人工智能可以说是很火的一个领域了，我也看到港科大尤其工学院的许多课程都同人工智能相关，但人工智能虽然火，但到目前为止似乎还没有出现过什么“杀手级”的应用，这种现象是否意味着人工智能的教育还可以加强，我是对国内的大学还是考科大来说。我们是否有必要专门建立一个人工智能的专业？
郑光廷：其实我们去看的话，会发现现在这方面的研究生或者博士做的课题已经有很多专门在研究人工智能了。不过在本科建立一个专业专门学人工智能，我觉得是没有必要的。你可以去学数学，可以去学计算机专业，甚至可以去学统计。像我们刚刚说的，将来的大学生出来后，在他工作的三十年内，可能要做很多不同的事情，他可能要重新定义自己的专业两三次，所以大学的时候最好不要太专精。人工智能现在很火，我们都知道。其实我们学校对此也很重视，而且港科大在这个方面还是蛮领先的。所以我也常常问，我们，第一是要不要多收些学生？第二，是不是像你说的一样，要建立一个这样专精的专业。我得到了两个结论，第一是未来十年内，对人工智能人才的需求不会减少，只会增加。超过十年的事情很难说，但是十年内，我想这个应该是没有异议的。就算再保守一点，至少五年之内，这个需求肯定会一直增加。但是他需要的人学的绝对不只是人工智能而已，他在人工智能应用的那个领域上，也会有专业的需求。比如说金融科技，做金融领域人工智能的人，不仅需要对人工智能有所了解，对财务方面，金融方面知识也需要有一定的了解。有时候如果人工智能在工业四点上，他对整个工业的制造流程也需要有一定的了解。最终在不同的领域，对人工智能的应用，除了需要了解专业知识之外，还需要在那个应用的领域有相当的专业知识。所以我们希望培养的学生能对更多领域的知识有所了解。我们觉得对学生来说，做多领域的训练远远比在单一领域做深入的训练重要。尤其是在本科，更是这样。
郑光廷：其实人工智能发展不止是人工智能的发展，人工智能能有现在的热度，与电子行业的发展是分不开的。近年来出现了一大批高性能的计算设备，比如GPU。正是因为这些计算设备的大发展，让过去的计算能力没法做到的事变得可以做到了，深度学习才会有今天这样的发展。所以，人工智能领域的创造绝对不只有人工智能领域的贡献，是其他非常多领域，像数学，电子学这样的研究成果合力促成的。我们都知道人工智能其实已经有四十几年的历史了，而它的整个历史并不都像现在这样火热，在二三十年前AI是非常冷门的专业，冷门到大家都不愿意去做。就是因为那些年一些人坚持在这个领域做出的贡献，加上计算机计算性能的突破，突然间就把深度学习这条路打开了。就好像拼一块拼图谜题一样，所有碎片都到位了，整个谜题一下就豁然开朗了。
所以说绝对不能跟学生要求让他去学一个非常具体的内容，跟他说今天人工智能火你就去学计算机，明天那个火你又去学那个。每个领域都是很重要的，你不知道什么时候它可能就会发挥很大的作用。我感觉中国，包括甚至整个亚洲，对工学这方面的投入绝对是非常有魄力的。微电子是很重要，很有价值的领域。
雷锋网：我似乎有注意到，我们似乎很久没有在基础理论方面取得过很大的突破了，好像这些理论的进步都被锁死了一样，这些情况对大学的教学和研究有没有影响呢？
郑光廷：我觉得是没有影响的。我常说上一个世纪是科学的世纪，这个世纪是工程的世纪。为什么？上个世纪，包括之前好几个世纪，我们在基础科学理论上有太多太多的突破了，许许多多的科学理论问题已经在前几个世纪解决了，以至于直到今天，这些科学理论的应用潜力都还没有完全发挥出来。所以我们这个世纪，或许就可以专注于找到前面这些科技突破的实际应用。比如说数学，我们大家相信都知道傅里叶变换。（注：于1822年由傅里叶首次提出）这个定理早在几百年前就在数学的发展中被提出了，直到今天，它还在很广泛的在图像和视频压缩的领域得到使用。跟这个例子很像的，有太多太多之前发现的定理现在还没有得到充分的应用了。所以我不觉得这是个问题。我们需要注意的，就是我们工学院的学生在物理数学方面的应用绝对不能减少，不能说我们想让你去做实际应用的工作，就不让你学基本的数学理论了，这是完全错误的。只有我们对几个世纪前的那些科学理论发展理解的够深，我们才能想到怎么从中找出适合现在的应用方法。我觉得这些可能性太多了，所以我想说，21世纪是工程的世纪。
雷锋网：其实我最近经常听到的一种声音是，在过去因为硬件性能不够，所以需要针对每个产品专门设计硬件，而现在的硬件性能普遍过剩，所以不太需要硬件工程师去设计硬件了，所以现在硬件工程师的地位普遍在降低。而您刚刚却强调了很多次微电子的重要性，包括国家的重视。为什么会有这种矛盾的观点存在呢？事实是怎样的？
郑光廷：在某些领域，可能你说的那种观点是对的。确实比如美国近年来就在这方面的投入有所下降，但这并不能说明硬件设计的重要性就下降了。不用说一个企业完全掌握软硬件的重要性，就单说硬件，在很多领域其实现在的性能还是完全不够的。我举个很简单的例子：无人机。现在的无人机先不管它功能有多强，一般的无人机，最多最多就飞25分钟。当然谁都想让它能飞两个小时，但是这是软件能解决的吗？光靠软件绝对是解决不了的。
前面说的是续航。 从另一个方面来说，计算能力。我们现在做的无人机的一个很重要的应用场景就是摄影，而现在的无人机最多只能做到跟着一个人做比较规律的运动，但是如果我们想让它做出更多复杂的动作，甚至说更智能的，类似在摄影一场球赛的时候能根据形势把摄像机对准该对准的地方这样的动作，真正把摄影师的职业给取代掉，那现在一个无人机上的计算机的性能还远远不够。而如果说你能给我在无人机这样一个平台上提供十倍于现在的计算能力，那我想我就有把握做到刚刚的事，这样一来就清楚了，谁能提出有这样能力的架构，谁就能获取优势。
另外，目前深度神经网络能做的计算量，其实离人脑还差很远（雷锋网注：以目前科学界的理论，大脑不擅长数学计算只是因为大脑没有专门的计算模块，进行运算的时候需要调动许多高级模块来支持，比如现在大脑里构造出运算数字、算式的虚拟形象，单纯从运算来说其实是很浪费的。），人工智能有一个研究分支就是如何创造出一个跟人脑一样的计算机，因为现在计算机的结构跟人脑其实完全不一样，还是非常早期就得到应用的冯诺依曼结构。如果计算机能在做到跟人脑一样的运算量的同时只消耗跟人脑一样的能耗，那我们就可以说有把握创造出一个很强力的人工智能了，但是现在根本就做不到。
所以有些产品真的是把一些芯片凑起来就能做出来，像IOT这种比较简单计算量需求不高的。但换一个角度讲，这样的东西，你能做出来，别人也能做出来。当你硬件的门槛很低的时候，你就只能靠软件来拉开优势，可是软件本身的可取代性就很高，除非是那种非常大型的项目。所以我的看法是，软件公司一定要掌握硬件的核心技术。当然，一个单纯的硬件公司如果没有上面软件方面的一些支持，也是很难存活的。互相的结合才能产生出新的应用，新的发展。刚才我是随便举了两个例子，其实哪怕现在的功耗下要是计算能力能翻两三倍，我能想出来的新的应用就由太多太多了。西方的很多国家在这方面的投入下降，其实不是他们不想投，而是这个实际情况下，他们有点投不起了。所以说，中国投资微电子是绝对正确的。
后记：郑光廷院长的观点，或许能给中国的人工智能发展提供一个新的思路，重视人工智能的教育固然重要，但我们或许也应该意识到，人工智能的发展是许许多多科技的发展共同促进而成的，就比如微电子学，所以我们在教育和学习中是否也应该少些功利，多些沉浸下去的心思，在自己擅长的领域做到最好呢？毕竟谁也不知道，是否某个时候你所拥有的知识会对社会的进步起到巨大的推动呢？
正在生成分享图...
嘉嘉