《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、農民、治沙人，人工智能不是高精尖學科嗎？那些學歷很高的博士都去哪兒了？
答案是：他們在地裏，廠裏，礦裏呢。
中科院的林博士，我見過他兩次。
第一次是2020年，某AI精英培訓班的开學典禮。當時，林博士對AI的了解，還停留在“深度學習的皮毛”，他調用平台的機器視覺模型，开發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員都用AI做些什么工作，跟大家多學習。”林博士那次介紹這個AI產品時，還有些沒底氣。
第二次是2022年，在一個普通的會議室採訪間，林博士的言談內容，變得自如和豐富了很多。
“之前的那個生物識別應用，這幾年已經多出了好多個模型，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採集和自動化識別，一個是通過聲紋識別來進行野外動物保護，目前設備已經弄好了。我們還支撐別的企業去做AI商業化應用，比如農業病蟲害的識別”。
兩年時間，林博士從AI新手成長爲AI熟手，也從一個坐在電腦前搞研究的學者，多了很多上深林、下農田的經驗。他眼中的AI，倒映着智能中國的上限與縱深。
今天的故事，是科研領域的博士，怎么從零开始用AI、做AI。
研究所裏的AI，有什么不一樣？
科研領域的智能化，與工農商等行業既有相同點，也有不同點。
相同點在於：1.缺人；2.缺數；3.缺場景。
科研領域匯聚了大量高學歷人才，但依然缺少能將AI與細分學科相結合的復合型人才。就拿林博士來說，他本身是信息學專業的，因爲生物研究要用到計算機分析等信息技術，才加入了中科院下屬的動物研究所，對於深度學習、圖像識別、聲紋識別等人工智能技術，他也要從頭學起，迭代自己的知識體系。
此外，研究型機構大多有一定的數據積累，但也分領域、分專業甚至分物種。比如林博士想做的物種識別、鳥類聲紋識別等AI應用，很多珍稀動物，別說語音資料，連野外活動的圖像，數據庫裏一共都沒幾張，而缺少充足的數據，AI很難發揮作用。
還有，科學研究的哪些課題、方向能用到AI，這也是一個需要科學家們發揮“主觀能動性”去摸索的東西。林博士提到，很多科學研究中已經有很成熟的計算工具了，要用到AI肯定是要從一线科研人員开始推動，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習人才培訓，就帶着我的課題主動來報名了，希望能順利畢業。”
當然，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，“當下AI跟生物的碰撞多不多？”林博士笑言：
“AI在醫學領域應用的很快，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性研究的商業價值不大有關系，投入上有一定的滯後性。”
玩笑歸玩笑，AI與科研的結合也特別重要。
林博士的經歷證明，基礎研究領域的AI創新一旦成長起來，可以帶來產學研用的一系列聯動效應。
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、野外觀測調查員以及小學生和家長們使用。
中國領土廣闊，專家考察有一定的時間线，比如每五年一次，很可能就會錯失某些物種的觀察機會，導致採樣到的數據是有偏差的。而且生物領域的分類學家、人才也處於萎縮狀態，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採集和分類，是非常不現實的。
通過智能技術的創新應用，聚集起更多數據合作夥伴，發動機構乃至廣大用戶一起參與進來，對於生物保護和研究的开展很有幫助。
而這樣一個純公益的工作，隨後也凝聚起了很多研究機構、公益組織以及企業/產業界的關注。
林博士告訴我，开發完那個App之後，很多類似的國際動物保護機構跟他們建立了很好的聯系，他們輸出技術，而對方將獲取的生物數據資料反饋給他們，讓他們獲得了幾十萬的影像數據，其中很多都是新增的觀測點位，相當於給國家節省了好多科研經費。
可持續的數據獲取機制，對於後續科研任務的开展是非常重要的。
除此之外，他們還吸引到了一些商業化項目方，前來尋求合作。
比如有企業知道他們有這個技術，找到他們想开發一種害蟲識別的系統，恰好林博士所在的單位本身也承擔着病蟲害防治工作，有做好糧食安全保障的職能。於是雙方一拍即合，开始搭建病蟲害的數據庫，進行識別算法的开發。
相比跟經濟價值更近的工農商業，科研領域的智能化看起來好像沒那么緊迫，卻有着“創新發動機”的作用：影響的不是一個人、一家企業，而可能是一個行業（比如上文提到的農業）、一個群體（比如科普教育）乃至一個國家（比如學科人才建設）。
從象牙塔到農田：一個博士的腳步
此前報道中的電力工人、水廠員工都是AI應用末端環節的一份子。
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用末端。
第一步：從零做數據。
接收到企業提出的識別病蟲害的需求之後，林博士發現，數據就是一個很大的挑战。
從生物學的角度，害蟲也有很多種，一種害蟲的發育過程中還有很多種形態，從蟲卵、弱蟲、幼蟲、成蟲的發育狀態都不同，在圖像分類過程中就屬於不同類別，如果是外行人來做，根本做不明白也沒有一個成型的數據庫。
所以林博士和團隊，必須從電腦桌前走到地裏，去實地採集不同階段的圖像，確定病蟲害不同發育階段的形狀特徵，爲後續模型的精准識別打下基礎。
第二步：跟農業專家深入交流。
不同地區的病蟲害可能並不相同，裏面涉及到很多非常專業的知識點，比如北京郊區的番茄有哪些常見的病蟲害？發現害蟲後會對接怎樣的防治措施？提供什么藥物？這都要深入到大棚裏，跟當地的植保專家以及長期從事一线生產的農民們進行交流，這樣才能保證後期打造的AI系統，能夠提供從病蟲害識別到防治指導的全套工作。
第三步：模型开發與調優迭代。
林博士和同事們基本都是信息學專業，並不是深度學習算法工程師出身，而農業項目的模型迭代又很快，一批圖像採集完了之後，馬上就要迭代一批模型，爲了精准識別不同作物，還要开發不同的模型，這樣模型很多，开發和迭代工作量很大。
林博士表示，科研工作中可能很看重AI开發框架的靈活性、可擴展性、先進性等，比如爲了發paper便於同行復現，大家更傾向於使用TensorFlow、PyTorch這樣的海外平台，而真正在开發產業用模型時，我們更看重的是平台的易用性，以及面向應用的工業化能力是不是很簡單易用，有沒有已經訓練好的性能不錯的模型。
因爲底層的技術手段、理論方法，國內外开發平台都是一樣的，也都是开源的，沒什么區別，但容不容易訓練，容不容易部署，能不能工業性地批量生產（模型），這些問題的答案對產業智能化很重要。
目前，由林博士及團隊支持的該農業病蟲害應用已經在北京落地了，這也是北方地區第一款病蟲害識別的App。
爲什么做這個項目？林博士及團隊的出發點和商業公司的想法就不太一樣——一方面是企業/農戶有需求；另一方面是爲了幫助新農人。
“現在大量的新型農業生產者，比如年輕一代，”林博士提到，“他們沒有熟練的生產經驗，也不依賴上一輩傳授的經驗，而是更依賴從互聯網獲取的信息。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爲有經驗的生產者。”
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，這些AI工具背後就是無數個林博士。
學員？導師？研究員？开發者？一個AI人的身份轉換
第一次見到林博士，他還是一個帶着課題等待被評判的“AI新手學員”。
第二次見到他，已經是國內某AI开源社區的技術專家了。
林博士平時還會承擔一些新手指導、开發經驗分享等任務，把自己的數據和模型开源放到平台上，讓开發者和學生用戶有實踐和練手的機會。
培養多一點AI人才，這種“利他”的思維，好像就刻在這位學者的腦子裏，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，已經是公認的事實，也成爲人工智能產業進一步繁榮發展的限制。
AI人才的培養難，一是因爲技術新，相較於理數生化等傳統學科，以及計算機這樣的成熟學科來說，AI本身是一門新興技術，還在不斷更新迭代，沒有完善的人才培養模式和課程體系；二是交叉性強，AI是一門應用型技術，要求跟產業緊密結合、實踐落地，僅靠學校教育是無法滿足AI復合型人才的培養需求。
十四五規劃中提出，人工智能行業要形成產學研用深度融合的技術創新體系，連通企業、高校、研究院所、政府等創新主體。
在AI生態裏，“產學研用”是分層的，每一層都承擔着各自主要的創新任務，但分層不代表割裂，各層還要緊密聯動，擰成一個創新鏈條。
“林博士們”就成了那個遊走在各層的關鍵角色：
在產業中，他們是AI創新的开發者；
在高校人才培養中，他們是那個給學弟、學妹指導的前輩；
在研究中，他們是將AI技術與科學探索相結合的先行者；
在應用環節，他們會主動去貼近一线使用者，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業的行動能力。
有一個工業大學的老師曾告訴我，要把AI研究做到工廠裏，這和林博士把AI做進農田裏，有異曲同工之妙。
這些學者擁抱AI的經歷，讓我深切的感受到：AI既是一個專業，也不是一個專業。AI將更多專家和學者拉進AI的世界，“產學研用”的閉環加速轉動，才能持續打开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。
原文標題 : 打卡智能中國（五）：博士都去哪兒了？
標題：打卡智能中國（五）：博士都去哪兒了？
地址：https://www.utechfun.com/post/216195.html