打卡智能中國（五）：博士都去哪兒了？

《打卡智能中國》系列更新了幾期，有讀者表示，很愛看這類接地氣的真實故事，也有讀者反映，不是電工，就是文員、農(nóng)民、治沙人，人工智能不是高精尖學(xué)科嗎？那些學(xué)歷很高的博士都去哪兒了？

答案是：他們在地里，廠里，礦里呢。

中科院的林博士，我見過他兩次。

第一次是2020年，某AI精英培訓(xùn)班的開學(xué)典禮。當(dāng)時，林博士對AI的了解，還停留在“深度學(xué)習(xí)的皮毛”，他調(diào)用平臺的機器視覺模型，開發(fā)了一個識別動物的模型，他說：“可以識別的種類還比較少，我來也想看看其他學(xué)員都用AI做些什么工作，跟大家多學(xué)習(xí)。”林博士那次介紹這個AI產(chǎn)品時，還有些沒底氣。

第二次是2022年，在一個普通的會議室采訪間，林博士的言談內(nèi)容，變得自如和豐富了很多。

“之前的那個生物識別應(yīng)用，這幾年已經(jīng)多出了好多個模型，擴展到了哺乳動物、兩棲爬行、昆蟲科一級、蝴蝶種一級的識別，”他說，“我們還用AI做了別的事，一個是野外生物的圖像采集和自動化識別，一個是通過聲紋識別來進行野外動物保護，目前設(shè)備已經(jīng)弄好了。我們還支撐別的企業(yè)去做AI商業(yè)化應(yīng)用，比如農(nóng)業(yè)病蟲害的識別”。

兩年時間，林博士從AI新手成長為AI熟手，也從一個坐在電腦前搞研究的學(xué)者，多了很多上深林、下農(nóng)田的經(jīng)驗。他眼中的AI，倒映著智能中國的上限與縱深。

今天的故事，是科研領(lǐng)域的博士，怎么從零開始用AI、做AI。

研究所里的AI，有什么不一樣？

科研領(lǐng)域的智能化，與工農(nóng)商等行業(yè)既有相同點，也有不同點。

相同點在于：1.缺人；2.缺數(shù)；3.缺場景。

科研領(lǐng)域匯聚了大量高學(xué)歷人才，但依然缺少能將AI與細分學(xué)科相結(jié)合的復(fù)合型人才。就拿林博士來說，他本身是信息學(xué)專業(yè)的，因為生物研究要用到計算機分析等信息技術(shù)，才加入了中科院下屬的動物研究所，對于深度學(xué)習(xí)、圖像識別、聲紋識別等人工智能技術(shù)，他也要從頭學(xué)起，迭代自己的知識體系。

此外，研究型機構(gòu)大多有一定的數(shù)據(jù)積累，但也分領(lǐng)域、分專業(yè)甚至分物種。比如林博士想做的物種識別、鳥類聲紋識別等AI應(yīng)用，很多珍稀動物，別說語音資料，連野外活動的圖像，數(shù)據(jù)庫里一共都沒幾張，而缺少充足的數(shù)據(jù)，AI很難發(fā)揮作用。

還有，科學(xué)研究的哪些課題、方向能用到AI，這也是一個需要科學(xué)家們發(fā)揮“主觀能動性”去摸索的東西。林博士提到，很多科學(xué)研究中已經(jīng)有很成熟的計算工具了，要用到AI肯定是要從一線科研人員開始推動，這就需要自己有一定的想法，他說：“所以我聽說有這個深度學(xué)習(xí)人才培訓(xùn)，就帶著我的課題主動來報名了，希望能順利畢業(yè)。”

當(dāng)然，AI+科研也有其特別的地方。

比如，特別沒錢途。

第一次見面，我好奇地問，“當(dāng)下AI跟生物的碰撞多不多？”林博士笑言：

“AI在醫(yī)學(xué)領(lǐng)域應(yīng)用的很快，但在生物識別方面就沒有那么好，可能跟動物保護這種基礎(chǔ)性研究的商業(yè)價值不大有關(guān)系，投入上有一定的滯后性?！?/p>

玩笑歸玩笑，AI與科研的結(jié)合也特別重要。

林博士的經(jīng)歷證明，基礎(chǔ)研究領(lǐng)域的AI創(chuàng)新一旦成長起來，可以帶來產(chǎn)學(xué)研用的一系列聯(lián)動效應(yīng)。

2020年，林博士剛剛做出了一款識別動植物的科普類App，集成了計算機視覺技術(shù)和他們單位的動植物百科資料，方便一些動物愛好者、野外觀測調(diào)查員以及小學(xué)生和家長們使用。

中國領(lǐng)土廣闊，專家考察有一定的時間線，比如每五年一次，很可能就會錯失某些物種的觀察機會，導(dǎo)致采樣到的數(shù)據(jù)是有偏差的。而且生物領(lǐng)域的分類學(xué)家、人才也處于萎縮狀態(tài)，越來越少人愿意從事這樣艱苦的野外工作，所以全靠研究者和野外工作者去采集和分類，是非常不現(xiàn)實的。

通過智能技術(shù)的創(chuàng)新應(yīng)用，聚集起更多數(shù)據(jù)合作伙伴，發(fā)動機構(gòu)乃至廣大用戶一起參與進來，對于生物保護和研究的開展很有幫助。

而這樣一個純公益的工作，隨后也凝聚起了很多研究機構(gòu)、公益組織以及企業(yè)/產(chǎn)業(yè)界的關(guān)注。

林博士告訴我，開發(fā)完那個App之后，很多類似的國際動物保護機構(gòu)跟他們建立了很好的聯(lián)系，他們輸出技術(shù)，而對方將獲取的生物數(shù)據(jù)資料反饋給他們，讓他們獲得了幾十萬的影像數(shù)據(jù)，其中很多都是新增的觀測點位，相當(dāng)于給國家節(jié)省了好多科研經(jīng)費。

可持續(xù)的數(shù)據(jù)獲取機制，對于后續(xù)科研任務(wù)的開展是非常重要的。

除此之外，他們還吸引到了一些商業(yè)化項目方，前來尋求合作。

比如有企業(yè)知道他們有這個技術(shù)，找到他們想開發(fā)一種害蟲識別的系統(tǒng)，恰好林博士所在的單位本身也承擔(dān)著病蟲害防治工作，有做好糧食安全保障的職能。于是雙方一拍即合，開始搭建病蟲害的數(shù)據(jù)庫，進行識別算法的開發(fā)。

相比跟經(jīng)濟價值更近的工農(nóng)商業(yè)，科研領(lǐng)域的智能化看起來好像沒那么緊迫，卻有著“創(chuàng)新發(fā)動機”的作用：影響的不是一個人、一家企業(yè)，而可能是一個行業(yè)（比如上文提到的農(nóng)業(yè)）、一個群體（比如科普教育）乃至一個國家（比如學(xué)科人才建設(shè)）。

從象牙塔到農(nóng)田：一個博士的腳步

此前報道中的電力工人、水廠員工都是AI應(yīng)用末端環(huán)節(jié)的一份子。

而借助林博士的腳步，我們可以看到，一種AI能力是如何誕生的又如何抵達應(yīng)用末端。

第一步：從零做數(shù)據(jù)。

接收到企業(yè)提出的識別病蟲害的需求之后，林博士發(fā)現(xiàn)，數(shù)據(jù)就是一個很大的挑戰(zhàn)。

從生物學(xué)的角度，害蟲也有很多種，一種害蟲的發(fā)育過程中還有很多種形態(tài)，從蟲卵、弱蟲、幼蟲、成蟲的發(fā)育狀態(tài)都不同，在圖像分類過程中就屬于不同類別，如果是外行人來做，根本做不明白也沒有一個成型的數(shù)據(jù)庫。

所以林博士和團隊，必須從電腦桌前走到地里，去實地采集不同階段的圖像，確定病蟲害不同發(fā)育階段的形狀特征，為后續(xù)模型的精準(zhǔn)識別打下基礎(chǔ)。

第二步：跟農(nóng)業(yè)專家深入交流。

不同地區(qū)的病蟲害可能并不相同，里面涉及到很多非常專業(yè)的知識點，比如北京郊區(qū)的番茄有哪些常見的病蟲害？發(fā)現(xiàn)害蟲后會對接怎樣的防治措施？提供什么藥物？這都要深入到大棚里，跟當(dāng)?shù)氐闹脖＜乙约伴L期從事一線生產(chǎn)的農(nóng)民們進行交流，這樣才能保證后期打造的AI系統(tǒng)，能夠提供從病蟲害識別到防治指導(dǎo)的全套工作。

第三步：模型開發(fā)與調(diào)優(yōu)迭代。

林博士和同事們基本都是信息學(xué)專業(yè)，并不是深度學(xué)習(xí)算法工程師出身，而農(nóng)業(yè)項目的模型迭代又很快，一批圖像采集完了之后，馬上就要迭代一批模型，為了精準(zhǔn)識別不同作物，還要開發(fā)不同的模型，這樣模型很多，開發(fā)和迭代工作量很大。

林博士表示，科研工作中可能很看重AI開發(fā)框架的靈活性、可擴展性、先進性等，比如為了發(fā)paper便于同行復(fù)現(xiàn)，大家更傾向于使用TensorFlow、PyTorch這樣的海外平臺，而真正在開發(fā)產(chǎn)業(yè)用模型時，我們更看重的是平臺的易用性，以及面向應(yīng)用的工業(yè)化能力是不是很簡單易用，有沒有已經(jīng)訓(xùn)練好的性能不錯的模型。

因為底層的技術(shù)手段、理論方法，國內(nèi)外開發(fā)平臺都是一樣的，也都是開源的，沒什么區(qū)別，但容不容易訓(xùn)練，容不容易部署，能不能工業(yè)性地批量生產(chǎn)（模型），這些問題的答案對產(chǎn)業(yè)智能化很重要。

目前，由林博士及團隊支持的該農(nóng)業(yè)病蟲害應(yīng)用已經(jīng)在北京落地了，這也是北方地區(qū)第一款病蟲害識別的App。

為什么做這個項目？林博士及團隊的出發(fā)點和商業(yè)公司的想法就不太一樣——一方面是企業(yè)/農(nóng)戶有需求；另一方面是為了幫助新農(nóng)人。

“現(xiàn)在大量的新型農(nóng)業(yè)生產(chǎn)者，比如年輕一代，”林博士提到，“他們沒有熟練的生產(chǎn)經(jīng)驗，也不依賴上一輩傳授的經(jīng)驗，而是更依賴從互聯(lián)網(wǎng)獲取的信息。這時候我們給他提供一個工具——AI識別，慢慢地他們也會成長為有經(jīng)驗的生產(chǎn)者?！?/p>

以往《打卡智能中國》的主角，電力工人放飛的無人機，水廠員工日常使用的智慧系統(tǒng)，這些AI工具背后就是無數(shù)個林博士。

學(xué)員？導(dǎo)師？研究員？開發(fā)者？一個AI人的身份轉(zhuǎn)換

第一次見到林博士，他還是一個帶著課題等待被評判的“AI新手學(xué)員”。

第二次見到他，已經(jīng)是國內(nèi)某AI開源社區(qū)的技術(shù)專家了。

林博士平時還會承擔(dān)一些新手指導(dǎo)、開發(fā)經(jīng)驗分享等任務(wù)，把自己的數(shù)據(jù)和模型開源放到平臺上，讓開發(fā)者和學(xué)生用戶有實踐和練手的機會。

培養(yǎng)多一點AI人才，這種“利他”的思維，好像就刻在這位學(xué)者的腦子里，不用猶豫和思索，自然而然地就去做了。

AI人才需求量大、缺口大，已經(jīng)是公認的事實，也成為人工智能產(chǎn)業(yè)進一步繁榮發(fā)展的限制。

AI人才的培養(yǎng)難，一是因為技術(shù)新，相較于理數(shù)生化等傳統(tǒng)學(xué)科，以及計算機這樣的成熟學(xué)科來說，AI本身是一門新興技術(shù)，還在不斷更新迭代，沒有完善的人才培養(yǎng)模式和課程體系；二是交叉性強，AI是一門應(yīng)用型技術(shù)，要求跟產(chǎn)業(yè)緊密結(jié)合、實踐落地，僅靠學(xué)校教育是無法滿足AI復(fù)合型人才的培養(yǎng)需求。

十四五規(guī)劃中提出，人工智能行業(yè)要形成產(chǎn)學(xué)研用深度融合的技術(shù)創(chuàng)新體系，連通企業(yè)、高校、研究院所、政府等創(chuàng)新主體。

在AI生態(tài)里，“產(chǎn)學(xué)研用”是分層的，每一層都承擔(dān)著各自主要的創(chuàng)新任務(wù)，但分層不代表割裂，各層還要緊密聯(lián)動，擰成一個創(chuàng)新鏈條。

“林博士們”就成了那個游走在各層的關(guān)鍵角色：

在產(chǎn)業(yè)中，他們是AI創(chuàng)新的開發(fā)者；

在高校人才培養(yǎng)中，他們是那個給學(xué)弟、學(xué)妹指導(dǎo)的前輩；

在研究中，他們是將AI技術(shù)與科學(xué)探索相結(jié)合的先行者；

在應(yīng)用環(huán)節(jié)，他們會主動去貼近一線使用者，讓AI工具能變得更好用。

“談笑有鴻儒，往來無白丁”這就是今天的AI學(xué)人，既有身處象牙塔兼濟天下的理想情懷，又有身先士卒深入產(chǎn)業(yè)的行動能力。

有一個工業(yè)大學(xué)的老師曾告訴我，要把AI研究做到工廠里，這和林博士把AI做進農(nóng)田里，有異曲同工之妙。

這些學(xué)者擁抱AI的經(jīng)歷，讓我深切的感受到：AI既是一個專業(yè)，也不是一個專業(yè)。AI將更多專家和學(xué)者拉進AI的世界，“產(chǎn)學(xué)研用”的閉環(huán)加速轉(zhuǎn)動，才能持續(xù)打開AI的上限和想象空間。

大鵬之動，非一羽之輕也，多元人才的合力，才能托舉起智能中國。