东阳市住房与城乡建设局网站,wordpress底部栏文字,响应式英文网站建设,青岛网站建设开发《打卡智能中国》系列更新了几期#xff0c;有读者表示#xff0c;很爱看这类接地气的真实故事#xff0c;也有读者反映#xff0c;不是电工#xff0c;就是文员、农民、治沙人#xff0c;人工智能不是高精尖学科吗#xff1f;那些学历很高的博士都去哪儿了#xff1f;… 《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。 “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。 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。 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。 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。 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。
