对AI人的一点思考

假期跟久未见面的朋友聊天,我说我在搞深度学习、迁移学习、增强学习…

他有点不理解,问:哥,你是不是又进去了?学习改造呢?

我无语:哥什么时候进去过呢?

好吧,在AI领域,的确是各种学习的概念太多了。

目前的AI主要集中在机器学习上,机器学习的重要分支又是深度学习。

所谓终身学习,对AI人来说更是如此。每年冒出的新技术太多了,不管是理论研究还是实践经验,各种会议上的paper如雪片般飞出,让人应接不暇。在视觉领域,今年的两大顶会(CVPR, ECCV),就有1000多篇论文产出。就算搞CV的人,也只能挑着论文看。

AI人虽然拿着高薪,但却在工作中顶着巨大的精神压力。一方面要跟进新技术、新思想,另一方面,要研究AI的产出,即如何落地。

AI研究的成果,要真正取得落地,并不容易。算法解决一切的时代还未远来临,与之相关的工程、环境、硬件、生态一系列问题,随时影响着算法落地的可行性和效率。

我在企业工作,企业搞前沿性技术研究,有好也有坏。好的地方在于,经费充足,比如能开出高薪吸引人才,能购买昂贵的设备支持科研。坏的地方在于,企业往往是短视的,这是生存的要求。高校可以花费数年乃至数十年研究一项基础技术,但企业是绝无可能的。企业的研究部门,哪怕是腾讯的AI lab这样的部门,也有着巨大的KPI压力。

工业界用到的前沿技术,往往是在高校完成前期的学术积累,比如深度学习、量子通信。这个研究过程可能是漫长的、苦逼的,而研究者对自己的方向,甚至也是不确认的。数年如一日的投入在一个前途不明的研究方向,能支撑下去的,只有信念。

上图是Geoffrey Hinton,被尊称为“神经网络之父”,他将神经网络带入到研究与应用的热潮,将“深度学习”从边缘课题变成了谷歌等互联网巨头仰赖的核心技术。

在牛人的指路下,一大批研究人员、工程人员前仆后继,将深度学习应用在科技与生活的各个领域,比如图像、语音、自然语言。学术界的成果是决定性的,企业界的落地是关键性的,两者相辅相成。没有学术界的研究创新,不会有工业界的技术进步。而工业领域的技术落地,又反过来验证和推动了学术进步。

我们的AI同学人手几台开发设备,眼前不同的显示屏上,是各种模型运行的动态效果,而手头还有一堆的打印论文随时用于翻阅。在模型结果不满意时,他们苦思冥想,头发都抓断几根;在调出满意效果时,他们手舞足蹈,有如着魔。他们沉浸在深度神经网络幽深暗黑的海洋里,在虔诚的信念支持下,日以继夜的努力,试图找到暗黑背后的光明。

哪怕睡觉前,眼前飘过的也是公式;哪怕吃饭时,嘴里吸收的也是符号。AI无处不在,而AI人的思考与奋斗,也无时不在。

感谢一代代投身AI领域的人们,不管是学术界的大牛,还是工业界的小兵。有了你们的努力,才有现在美好的科技生活,未来才有更美好的憧憬。