文 | 腦極體

那些學歷很高的博士都去哪兒了？

(資料圖片)

他們在地里，廠里，礦里呢。

中科院的林博士，我見過他兩次。

第一次是 2020 年，某 AI 精英培訓班的開學典禮。當時，林博士對 AI 的了解，還停留在 " 深度學習的皮毛 "，他調用平臺的機器視覺模型，開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采訪間，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采集和自動化識別，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 新手成長為 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，倒映著智能中國的上限與縱深。

今天的故事，是科研領域的博士，怎么從零開始用 AI、做 AI。

研究所里的 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。

相同點在于：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，因為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，對于深度學習、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，數據庫里一共都沒幾張，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 肯定是要從一線科研人員開始推動，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，就帶著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，投入上有一定的滯后性。"

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線，比如每五年一次，很可能就會錯失某些物種的觀察機會，導致采樣到的數據是有偏差的。而且生物領域的分類學家、人才也處于萎縮狀態，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采集和分類，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伙伴，發動機構乃至廣大用戶一起參與進來，對于生物保護和研究的開展很有幫助。

而這樣一個純公益的工作，隨后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，開發完那個 App 之后，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，相當于給國家節省了好多科研經費。

可持續的數據獲取機制，對于后續科研任務的開展是非常重要的。

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，找到他們想開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著病蟲害防治工作，有做好糧食安全保障的職能。于是雙方一拍即合，開始搭建病蟲害的數據庫，進行識別算法的開發。

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，卻有著 " 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后，林博士發現，數據就是一個很大的挑戰。

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于不同類別，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里，去實地采集不同階段的圖像，確定病蟲害不同發育階段的形狀特征，為后續模型的精準識別打下基礎。

第二步：跟農業專家深入交流。

不同地區的病蟲害可能并不相同，里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？發現害蟲后會對接怎樣的防治措施？提供什么藥物？這都要深入到大棚里，跟當地的植保專家以及長期從事一線生產的農民們進行交流，這樣才能保證后期打造的 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：模型開發與調優迭代。

林博士和同事們基本都是信息學專業，并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，一批圖像采集完了之后，馬上就要迭代一批模型，為了精準識別不同作物，還要開發不同的模型，這樣模型很多，開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 開發框架的靈活性、可擴展性、先進性等，比如為了發 paper 便于同行復現，大家更傾向于使用 TensorFlow、PyTorch 這樣的海外平臺，而真正在開發產業用模型時，我們更看重的是平臺的易用性，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。

因為底層的技術手段、理論方法，國內外開發平臺都是一樣的，也都是開源的，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。

為什么做這個項目？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；另一方面是為了幫助新農人。

" 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為有經驗的生產者。"

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 工具背后就是無數個林博士。

學員？導師？研究員？開發者？一個 AI 人的身份轉換

第一次見到林博士，他還是一個帶著課題等待被評判的 "AI 新手學員 "。

第二次見到他，已經是國內某 AI 開源社區的技術專家了。

林博士平時還會承擔一些新手指導、開發經驗分享等任務，把自己的數據和模型開源放到平臺上，讓開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里，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，也成為人工智能產業進一步繁榮發展的限制。

AI 人才的培養難，一是因為技術新，相較于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 生態里，" 產學研用 " 是分層的，每一層都承擔著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 " 就成了那個游走在各層的關鍵角色：

在產業中，他們是 AI 創新的開發者；

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線使用者，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 研究做到工廠里，這和林博士把 AI 做進農田里，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，才能持續打開 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。