• 注册
  • 查看作者
  • 打卡智能中国(五):博士都去哪儿了?

    《打卡智能中国》系列更新了几期,有读者表示,很爱看这类接地气的真实故事,也有读者反映,不是电工,就是文员、农民、治沙人,人工智能不是高精尖学科吗?那些学历很高的博士都去哪儿了?

    答案是:他们在地里,厂里,矿里呢。

    中科院的林博士,我见过他两次。

    第一次是2020年,某AI精英培训班的开学典礼。当时,林博士对AI的了解,还停留在“深度学习的皮毛”,他调用平台的机器视觉模型,开发了一个识别动物的模型,他说:“可以识别的种类还比较少,我来也想看看其他学员都用AI做些什么工作,跟大家多学习。”林博士那次介绍这个AI产品时,还有些没底气。

    第二次是2022年,在一个普通的会议室采访间,林博士的言谈内容,变得自如和丰富了很多。

    打卡智能中国(五):博士都去哪儿了?

    “之前的那个生物识别应用,这几年已经多出了好多个模型,扩展到了哺乳动物、两栖爬行、昆虫科一级、蝴蝶种一级的识别,”他说,“我们还用AI做了别的事,一个是野外生物的图像采集和自动化识别,一个是通过声纹识别来进行野外动物保护,目前设备已经弄好了。我们还支撑别的企业去做AI商业化应用,比如农业病虫害的识别”。

    两年时间,林博士从AI新手成长为AI熟手,也从一个坐在电脑前搞研究的学者,多了很多上深林、下农田的经验。他眼中的AI,倒映着智能中国的上限与纵深。

    今天的故事,是科研领域的博士,怎么从零开始用AI、做AI。

    研究所里的AI,有什么不一样?

    科研领域的智能化,与工农商等行业既有相同点,也有不同点。

    相同点在于:1.缺人;2.缺数;3.缺场景。

    科研领域汇聚了大量高学历人才,但依然缺少能将AI与细分学科相结合的复合型人才。就拿林博士来说,他本身是信息学专业的,因为生物研究要用到计算机分析等信息技术,才加入了中科院下属的动物研究所,对于深度学习、图像识别、声纹识别等人工智能技术,他也要从头学起,迭代自己的知识体系。

    此外,研究型机构大多有一定的数据积累,但也分领域、分专业甚至分物种。比如林博士想做的物种识别、鸟类声纹识别等AI应用,很多珍稀动物,别说语音资料,连野外活动的图像,数据库里一共都没几张,而缺少充足的数据,AI很难发挥作用。

    打卡智能中国(五):博士都去哪儿了?

    还有,科学研究的哪些课题、方向能用到AI,这也是一个需要科学家们发挥“主观能动性”去摸索的东西。林博士提到,很多科学研究中已经有很成熟的计算工具了,要用到AI肯定是要从一线科研人员开始推动,这就需要自己有一定的想法,他说:“所以我听说有这个深度学习人才培训,就带着我的课题主动来报名了,希望能顺利毕业。”

    当然,AI+科研也有其特别的地方。

    比如,特别没钱途。

    第一次见面,我好奇地问,“当下AI跟生物的碰撞多不多?”林博士笑言:

    “AI在医学领域应用的很快,但在生物识别方面就没有那么好,可能跟动物保护这种基础性研究的商业价值不大有关系,投入上有一定的滞后性。”

    玩笑归玩笑,AI与科研的结合也特别重要。

    林博士的经历证明,基础研究领域的AI创新一旦成长起来,可以带来产学研用的一系列联动效应。

    2020年,林博士刚刚做出了一款识别动植物的科普类App,集成了计算机视觉技术和他们单位的动植物百科资料,方便一些动物爱好者、野外观测调查员以及小学生和家长们使用。

    中国领土广阔,专家考察有一定的时间线,比如每五年一次,很可能就会错失某些物种的观察机会,导致采样到的数据是有偏差的。而且生物领域的分类学家、人才也处于萎缩状态,越来越少人愿意从事这样艰苦的野外工作,所以全靠研究者和野外工作者去采集和分类,是非常不现实的。

    通过智能技术的创新应用,聚集起更多数据合作伙伴,发动机构乃至广大用户一起参与进来,对于生物保护和研究的开展很有帮助。

    而这样一个纯公益的工作,随后也凝聚起了很多研究机构、公益组织以及企业/产业界的关注。

    林博士告诉我,开发完那个App之后,很多类似的国际动物保护机构跟他们建立了很好的联系,他们输出技术,而对方将获取的生物数据资料反馈给他们,让他们获得了几十万的影像数据,其中很多都是新增的观测点位,相当于给国家节省了好多科研经费。

    可持续的数据获取机制,对于后续科研任务的开展是非常重要的。

    除此之外,他们还吸引到了一些商业化项目方,前来寻求合作。

    打卡智能中国(五):博士都去哪儿了?

    比如有企业知道他们有这个技术,找到他们想开发一种害虫识别的系统,恰好林博士所在的单位本身也承担着病虫害防治工作,有做好粮食安全保障的职能。于是双方一拍即合,开始搭建病虫害的数据库,进行识别算法的开发。

    相比跟经济价值更近的工农商业,科研领域的智能化看起来好像没那么紧迫,却有着“创新发动机”的作用:影响的不是一个人、一家企业,而可能是一个行业(比如上文提到的农业)、一个群体(比如科普教育)乃至一个国家(比如学科人才建设)。

    从象牙塔到农田:一个博士的脚步

    此前报道中的电力工人、水厂员工都是AI应用末端环节的一份子。

    而借助林博士的脚步,我们可以看到,一种AI能力是如何诞生的又如何抵达应用末端。

    第一步:从零做数据。

    接收到企业提出的识别病虫害的需求之后,林博士发现,数据就是一个很大的挑战。

    从生物学的角度,害虫也有很多种,一种害虫的发育过程中还有很多种形态,从虫卵、弱虫、幼虫、成虫的发育状态都不同,在图像分类过程中就属于不同类别,如果是外行人来做,根本做不明白也没有一个成型的数据库。

    所以林博士和团队,必须从电脑桌前走到地里,去实地采集不同阶段的图像,确定病虫害不同发育阶段的形状特征,为后续模型的精准识别打下基础。

    打卡智能中国(五):博士都去哪儿了?

    第二步:跟农业专家深入交流。

    不同地区的病虫害可能并不相同,里面涉及到很多非常专业的知识点,比如北京郊区的番茄有哪些常见的病虫害?发现害虫后会对接怎样的防治措施?提供什么药物?这都要深入到大棚里,跟当地的植保专家以及长期从事一线生产的农民们进行交流,这样才能保证后期打造的AI系统,能够提供从病虫害识别到防治指导的全套工作。

    第三步:模型开发与调优迭代。

    林博士和同事们基本都是信息学专业,并不是深度学习算法工程师出身,而农业项目的模型迭代又很快,一批图像采集完了之后,马上就要迭代一批模型,为了精准识别不同作物,还要开发不同的模型,这样模型很多,开发和迭代工作量很大。

    林博士表示,科研工作中可能很看重AI开发框架的灵活性、可扩展性、先进性等,比如为了发paper便于同行复现,大家更倾向于使用TensorFlow、PyTorch这样的海外平台,而真正在开发产业用模型时,我们更看重的是平台的易用性,以及面向应用的工业化能力是不是很简单易用,有没有已经训练好的性能不错的模型。

    因为底层的技术手段、理论方法,国内外开发平台都是一样的,也都是开源的,没什么区别,但容不容易训练,容不容易部署,能不能工业性地批量生产(模型),这些问题的答案对产业智能化很重要。

    目前,由林博士及团队支持的该农业病虫害应用已经在北京落地了,这也是北方地区第一款病虫害识别的App。

    为什么做这个项目?林博士及团队的出发点和商业公司的想法就不太一样——一方面是企业/农户有需求;另一方面是为了帮助新农人。

    “现在大量的新型农业生产者,比如年轻一代,”林博士提到,“他们没有熟练的生产经验,也不依赖上一辈传授的经验,而是更依赖从互联网获取的信息。这时候我们给他提供一个工具——AI识别,慢慢地他们也会成长为有经验的生产者。”

    以往《打卡智能中国》的主角,电力工人放飞的无人机,水厂员工日常使用的智慧系统,这些AI工具背后就是无数个林博士。

    学员?导师?研究员?开发者?一个AI人的身份转换

    第一次见到林博士,他还是一个带着课题等待被评判的“AI新手学员”。

    第二次见到他,已经是国内某AI开源社区的技术专家了。

    林博士平时还会承担一些新手指导、开发经验分享等任务,把自己的数据和模型开源放到平台上,让开发者和学生用户有实践和练手的机会。

    培养多一点AI人才,这种“利他”的思维,好像就刻在这位学者的脑子里,不用犹豫和思索,自然而然地就去做了。

    AI人才需求量大、缺口大,已经是公认的事实,也成为人工智能产业进一步繁荣发展的限制。

    打卡智能中国(五):博士都去哪儿了?

    AI人才的培养难,一是因为技术新,相较于理数生化等传统学科,以及计算机这样的成熟学科来说,AI本身是一门新兴技术,还在不断更新迭代,没有完善的人才培养模式和课程体系;二是交叉性强,AI是一门应用型技术,要求跟产业紧密结合、实践落地,仅靠学校教育是无法满足AI复合型人才的培养需求。

    十四五规划中提出,人工智能行业要形成产学研用深度融合的技术创新体系,连通企业、高校、研究院所、政府等创新主体。

    在AI生态里,“产学研用”是分层的,每一层都承担着各自主要的创新任务,但分层不代表割裂,各层还要紧密联动,拧成一个创新链条。

    “林博士们”就成了那个游走在各层的关键角色:

    在产业中,他们是AI创新的开发者;

    在高校人才培养中,他们是那个给学弟、学妹指导的前辈;

    在研究中,他们是将AI技术与科学探索相结合的先行者;

    在应用环节,他们会主动去贴近一线使用者,让AI工具能变得更好用。

    “谈笑有鸿儒,往来无白丁”这就是今天的AI学人,既有身处象牙塔兼济天下的理想情怀,又有身先士卒深入产业的行动能力。

    有一个工业大学的老师曾告诉我,要把AI研究做到工厂里,这和林博士把AI做进农田里,有异曲同工之妙。

    这些学者拥抱AI的经历,让我深切的感受到:AI既是一个专业,也不是一个专业。AI将更多专家和学者拉进AI的世界,“产学研用”的闭环加速转动,才能持续打开AI的上限和想象空间。

    大鹏之动,非一羽之轻也,多元人才的合力,才能托举起智能中国。

    天津
  • 0
  • 0
  • 0
  • 89
  • 请登录之后再进行评论

    登录
  • 做任务
  • 实时动态
  • 主题偏好
  • 单栏布局 侧栏位置: