雷锋网 AI 科技评论按：本届 CCF－GAIR 2017 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第一天 CCF－GAIR 大会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，所以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，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 (公众号：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。那为什么研究这个事情过去都要在大学里边做呢？因为那时候在工业界没有时间和资源来做长远的事情，工业界需要处理的杂事太多了。但是，现在工业界也认识到向人工智能这样的前沿技术是需要投资的，所以，现在很多的工业界具备这样的条件和决心去做一些长期的工作，可以去想得比较远。这就为现在大学的研究者们带来一个新的机会： 为什么不去跟工业界结合，去问问人家到底痛点和问题的重点在哪里？ 到底是什么妨碍问题的解决？
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农业界的人，他接触的那些直升飞机的从业者，或者有人告诉他，开车驾驶时灯光照不出去，然后金出武雄教授会觉得，这是个问题。然后告诉他的学生，大家再一起做课题。（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，往往是不可能的。再给 100 年看，可能还是这种情况。
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？
国外的经济状况比较优越，就是比中国优越的时间长一些，所以有很多人长大了以后不是太担心有没有房子住，有没有饭吃这种事儿，所以他从小就会更关注自己的兴趣，就像金出武雄这样的人呢，他就喜欢做这个事儿，所以他就做了，也不管说这个东西是不是能赚钱。像中国的教授的话，可能经济状况一直是个问题，所以花了很多的时间（在上面）。另外中国高校可能有很多很多杂事，像教育部会提一些要求，比如评审填表就要花很多很多的时间，所以到最后能真的做研究的时间并没有那么多。但这可能是一个发展过程中暂时的事。那就是说，以后也会发展到像 CMU 教授一样，跟着兴趣，有大量的时间可以去做研究。那个时候，海内外提的问题应该才会是同一个水平的问题。因为现在处于这个阶段，所以缺乏这种条件，那么学生可能也得不到一个正确的指导。在我看来，可能是这样的一个状态。所以给足够的时间应该能解决。
您指的「问题提的不是一个水平」，差异指的是什么方面？
差异在于提的问题的水平和花在这些问题上的时间，比方说你有条件经常去一些会议，能跟那些人接触，一般都会知道现在最难的痛点是什么。你如果比较少参加这些会议，接触的人太少，经常把时间花在其他事情上，那么到最后你可能提不出好的问题。虽然你跟他一样聪明，但是你就是没有那个眼界，所以这个就是发展阶段的不同，你接触的人不同，你朋友圈不同，那么到最后你提的问题不同，学生得到的指导也就是在不同的层次。
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，所以如何能够生成你想要的数据，本身就是一名大学问。这个结论在学校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，这样学校才能变得成熟，老师才能对学生负责任。
其次，老师能学到的另外一方面内容是说，跟着商业人才，跟业务人才学习一个完整的商业模式，如何能够把一个技术，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不断提高，把成功率提高百分之多少的问题，而是说给技术找到一个合适的场景，能够和一个整个业务链条紧密结合起来的方法。这个目前还是人为需要做的事情，那么这个人就有点像艺术家，他需要有这样的经验，还需要有这样的时间，所以这种结合是一个非常好的方式。
我觉得一点担心学术人才会被掏空，而是我觉得工业界现在是大公无私的，在帮助教育界和学术界提升，所以应该去拥抱这一现象。
