原文题目：《张宏江：开源时代如何解决人的思维孤岛》
原文作者：智源社区
智源导读： 始终以来，“产学研”三者的边界并没有规范的范例供人们遵循。过来十年，随着人工智能技术的广泛应用，数字时代为产业倒退带来的“无界”与“协同”，让产业链的上下游协同产生了奥妙演变。
而这当中，开源更是减速了 AI 算法的遍及，北京智源人工智能研究院理事长张宏江提到，开源时代面临的最大挑战，不光是数据孤岛，而是数据孤岛实质上反映出人的思维孤岛。如何解决人的思维孤岛，让年轻一代的学者更加凋谢，更加适应开源，是一个长期的过程。
在过来一段时间，产、学、研三者的边界开始逐步含糊。以后，三者处于什么样的状态？身处其中的集体该当如何定位本人？高校、企业、研发机构的观点应有哪些调整？ 如何让年轻一代的学者更加适应一个属于凋谢开源的将来？
12 月 28 日，在“将来迷信大奖周 2020”的“产学研论坛”中，由北京智源人工智能研究院理事长张宏江、奇绩创坛创始人兼 CEO 陆奇，微众银行首席人工智能官、香港科技大学讲席传授杨强等人围绕“数字时代的产学研”这一主题进行了深度对话，其中将来论坛理事、软银愿景基金治理合伙人陈恂主持了对话。
智源社区从其对话中挑选出局部观点，供读者参考。更具体的对话内容能够关注【智源社区】，后盾回复【将来论坛】获取。
01 过来十年，产学研的间隔在一直拉近
谈及过来十年间产学研的现状，北京智源人工智能研究院理事长张宏江示意随着挪动互联网、AI 的遍及，其实产学研的间隔在一直拉近。
张宏江：
在过来五年，咱们看到开源的遍及，看到越来越多像杨强传授这样的学者从学术界来到产业界，同工程师、产品经理一起为用户提供优良的产品与服务。咱们看到，许多企业随着业务倒退，一线工程师、产品经理，不再坐等技术成熟，而是被动跨向学术界寻求单干。
咱们也看到企业工程师团队中，有学术背景或学术经验的人越来越多，他们从事欠缺算法，与利用场景进一步联合的工作，并且越来越多地从事新算法的钻研和开发。谈起学校，现在咱们不再仅谈“教学”，也谈钻研——学校与钻研的间隔也越来越近。较十年之前，现在“产学研”之间的分割更严密了。
举个美国的例子，OpenAI 是一家企业，但它同时领有大量卓越的研究员与工程师，软件的、硬件的；DeepMind 实际上是企业的一个业务部门，但同时又是一个杰出的钻研团队。所以咱们看到像 GPT- 3 这样大规模的预训练模型，看到从 AlphaGo 到 AlphaFold2 在 AI 利用上一次又一次冲破。所以我认为过来的十年，随着挪动互联网的遍及、随着 AI 的遍及，产学研的间隔在拉近。
02 真正的学校是那些大厂
奇绩创坛创始人兼 CEO 陆奇讲到企业在产学研体系里的非凡定位，大厂的经验某种意义上是一种学位。
陆奇：
比如说我要找一个 GPU 强的人，会看你是英伟达大学毕业的；我要找一个算法很强的，那是谷歌大学的；包含 Microsoft（微软），你在微软做过三年到五年，某种意义上那是真正的学。因为大学外面其实只是学了一个根本的技能。所以从理论的角度来讲，基本上看你的 real degree（真正学位）是某某大厂的一个学位。
讲到学，我感觉学的边界也在演变，从传统的研究型大学，朝着另一个方向，在一个比拟大的企业或者守业公司，给人才更残缺的一个环境，去打磨他们数字化能力的一些外围技能。
产学研，在数字化大赛道里，其实它的边界始终在，但我认为迷信的倒退和产业的倒退，最终还是人类的两大指标，谋求常识，咱们能够对常识、对宇宙、对人类社会理解的更多，同时把常识转化成产业、转化成人类财产。
03 在公司把学术概念发扬光大，变成商业模式
现微众银行首席人工智能官、香港科技大学讲席传授杨强在过来的三十年中始终在大学里做迁徙学习，直到最近，他才退出公司工作。
杨强：
我记得大略在 90 年代末我开始做迁徙学习的时候，一个能源是因为咱们过后是做传统的人工智能叫“经典布局”，在这外面最单薄的一环就是数据，根本没有数据或者就只有一两个例子。
在公司外面就能把迁徙学习的概念真正地给发扬光大，从学术概念，转变成商业模式。数据资源多的这些公司，比方 OpenAI（人工智能非营利组织）、谷歌，他们能够大量的收集、聚合数据，并且利用大量的计算资源来做预训练模型，所以预训练是第一步。第二步是各个业务端，能够想像成一个网络终端，他们能够聚焦在本人的业务上，而后拿预训练模型迁徙到他们各自的业务上。这样社会的分工就更加明确、更加聚焦。那么整个的商业模式就能够运作起来，通过云计算，这个能力能够释放出来。
所以这个例子给我一个启发，比方说咱们花 30 年工夫在钻研一个大学外面的一个小问题，而后到了肯定阶段，当所有的条件都聚合到一起的时候，就会有一个暴发期，这个暴发期就使得这个概念可能分布在各行各业，就是星星之火就能够燎原了。
04 好的软件工程师想让他的代码服务于人类所有的利用
陆奇认为，在产学研转化的过程中，至关重要的是开源凋谢。
陆奇：
我倡议大家看一下，任何一个守业公司或者一个大厂里的产品团队，其实代码写的不多。大部分代码曾经都有。如何放弃开源凋谢的生产方式，同时把开源凋谢的形式更多的产业化，是咱们大家面临的一个重要挑战也是机会。
因为开源凋谢，人的动机不是纯商业化，一个真正好的软件工程师、一个真正好的治理数据的技术团队，他其实想让他的代码和他的数据服务于人类所有的利用，他并不想让他的数据或者他的代码局限于某个企业或者局限于某个部分的利用场景。
然而这就须要，把工具的开发、社区的经营和商业化的机制，协调地交融在一起，这是咱们独特面临的挑战。过来的案例可行的是一些胜利的开源组织和胜利的工具和社区，比方 GitHub 这样的社区是咱们十分关注的。
05 技术须要可信、可用
杨强提到，数字化产学研在 20 年前和当初相比，更加器重社会责任感。
杨强：
在过来咱们认为技术就是纯技术，钻研就是纯钻研，科学家能够把本人关在一个小屋子里算出一个后果发表，就完事。然而当初，做技术肯定要带有社会责任心，咱们的技术是不是可信的？是不是可能满足社会公众对隐衷平安的爱护？是不是可能保障在多方合作的前提下，是不是保障偏心的调配最终的利益？是不是通明的？是不是可解释的模型？可信的观点有很多解释，然而它指出一点就是做钻研的人同时要思考社会责任。
第二，做的技术，咱们过来往往发表，就不论了，前面靠攒援用，Citation 高了，咱们就认为是好的。但我感觉当初有一个变动，咱们要看这个技术不仅仅是发表了，而且是可用的。
比如说金融行业，咱们最近和央行做了一个反洗钱的 POC，这个 POC 过后就发现每家银行的洗钱样本非常少，也就一两例，如果没有能力把泛滥银行连接起来，造成更多数据源的汇合，那么是没有方法建一个主动反洗钱识别系统的。
06 开源减速了 AI 算法的遍及
张宏江提到在 AI 算法遍及的过程中，开源的重大意义。他示意，80 年代，掀起了一轮以神经网络为主的 AI 浪潮，明天这一波 AI 浪潮实际上也是以神经网络为根底。80 年代的那波浪潮很快退去，一个重要的起因就是数据有余。
张宏江：
看人工智能过来十年的倒退，有一个学术界的数据库——ImageNet，对算法的倒退起了十分重要的作用。
说起 Hinton 的深度学习算法，2006 年在《天然》杂志上，过后他用他的算法做“动物辨认”。但直到 2012 年，他和他学生做的 AlexNet，在 ImageNet 上做的较量，以超过第二名 16% 的大幅度差距取得第一名的时候，人们才意识到他这个算法外面肯定有什么跟他人不同的中央。
这个算法自身的验证理论很大水平上是因为数据集自身的存在，这是个开放型的数据集，它的数据每个人都能用，而且它的标注都是用 Crowd-Sourcing（众包）的办法来做的。如果没有这么一个大的开源数据库，让大家都能够在下面做试验，咱们明天在很多畛域其实都走不快。
明天咱们相熟的两大 AI 编程架构都是开源的，一是在学术研究畛域罕用的 PyTorch，二是工业界习用的 TensorFlow。因其开源，社区成员可能对两个平台作出继续奉献与改良，AI 算法得以迅速倒退和遍及。
随着互联网、挪动互联网的倒退，当大量数据能够应用时，咱们在钻研办法上也产生了很大扭转。从思考公式与算法，到近十年开始的 Deployment Driven Research（以实际为驱动的钻研），每做出一个模型就立即投入开源社区，社区成员再将这个模型部署到所要解决的问题空间。一些具体的问题，由此取得疾速反馈，产生新的数据，从而帮忙这个模型的原作者在一个比本身团队大得多的社区中一直验证本人的算法，从而促成了算法的飞速发展。
开源社区方面，不单要有开源算法和开源数据，更要害的是要有一群人，他们的理念与开源的宗旨统一——并非心愿从部分获利，而是由长期为某个产业、某项钻研，或者整个人类社会的提高所驱动。
这种文化、理念、思维的造就，在咱们谈的产学研、新数据时代十分重要，这恰好是今日中国还绝对落后的中央。无论大型的互联网平台公司还是小型初创企业，都已大量受惠于开源，我心愿能看到今后中国的工程师、研究员、企业、政府机构、研究院，可能真正地为开源社区、开源算法、开源软件、开源的硬件架构、开源的数据集做出应有的奉献。
07 开源时代，如何解决人的思维孤岛
张宏江讲到，开源时代面临的最大挑战，不光数据自身是孤岛，而是数据孤岛实质上反映出人的思维孤岛。
张宏江：
在数字化时代，许多人的思维、做事形式还停留在互联网之前的时代。咱们谈到在大数据驱动、在 Deployment Driven（实际驱动）这种新的钻研办法的时候，另一方面所碰到的艰难是在大学和研究院，咱们掂量降职的规范仍然是 20 年前十分传统的规范，还是数文章、看援用。
这是一个很大的矛盾。我一个多月前给清华经管学院的所有青年教师作过一次报告，专门谈到如何做有影响力的钻研工作。大家其实都晓得应该怎么做，都晓得应该更多和开源社区单干，更多用开源数据，更多用 Deployment Driven（实际驱动）这种新的办法，然而这都须要大量工作，而且工作不是写 Paper，这个工作是要把算法真正写成 Code，Code 通过测试可能真正的经营起来，可能把代码凋谢进去，让他人可能反复。这些工作某种意义上，很多是 Dirty Job（脏活累活）。
你做了很多这种工作，而后在开源社区去推广这些工作，你帮别人来反复你的事业，这部分要花费大量精力，那兴许我有这个精力能够多写两篇文章。这是在我看过来两年碰到的一系列问题。将来咱们还将面对这些难题，在挑战中一直摸索，心愿可能逐步改善。
论坛的最初，张宏江提到，扭转学者的动机或是扭转环境是个长期的过程，不可欲速不达。
张宏江：
我看到一代一代年老学者变得更加凋谢，更加适应于开源，适应于这种新的环境。另外，把钻研作为一份职业还是把钻研作为一个事业和喜好，在年轻一代外面咱们看到更多是作为本人的谋求和本人的事业，而不是一种职业。
基于这所有扭转，长期来看咱们肯定可能看到恶化的趋势。智源不仅把领军学者聚到一起，更重要的，是咱们把数量泛滥的青年科学家聚到一起，围绕他们发展更多流动，为他们提供更多机会——无论是数据、计算资源，还是钻研基金。也能够说把他们聚在智源，因为在学校，他们每个人都十分强，但十分小的集群，智源把他们凝聚成比拟大的群体，这样他们交换起来就会更容易。
大数据来源于超大规模的城市，以城市作为一个单元，作为核心，人口汇集自身就产生了大量利用场景，产生了大量利用场景所相干的数据。所以在大数据时代，在 AI 时代，产学研也会逐步造成区域特色，随着每个区域彼此的长项，善于产业的汇集，置信咱们也能看到产学研的不同汇集。