Pine 發自 凹非寺
量子位 | 公眾號 QbitAI
AI領域，重心已從學術界轉移到了產業界，并且失衡還在繼續。
Science在最新一期正刊上發了一篇文章，整理了近幾年AI領域的相關數據，結果也是一目了然：
AI競賽，學術界輸了。
Science統計了論文、AI最大模型以及SOTA模型在各個領域的占比。
從2016年開始，產業界在領先的人工智能會議上發論文的占比開啟了野蠻生長的趨勢。
4年時間，在論文數量上，產業界幾乎從學術界“奪取”了20%。
AI領域的10大模型，2013年之前還都是學術界居于主導地位。
之后，產業界持續發力，到了2016年，再往后10大AI模型幾乎全都來自產業界。
SOTA模型就更不用說了，去年一年，產業界直接霸占了語言模型和圖像分類的SOTA，
分析情感、語義分割和目標檢測的SOTA大概是產業界和學術界各自一半的成果，機器翻譯的SOTA則全都來自學術界。
當然，這一趨勢在網友們的心中也都是心照不宣的事實，甚至有人做出meme圖來調侃：
學術界人才流失慘重
之所以造成現在的局面，最最最重要的一個原因就是：
人才流失。
以北美大學的數據為例，目前專門從事AI研究的計算機博士正在涌入產業界：
2004年，只有21%的博士選擇進入產業界，到了2020年，進入產業界的博士比例已經將近70%。
并且，這個數據僅限于AI研究方向的人才。
可以從近幾年的數據看出，普通計算機科學的產業需求并沒有明顯的變化，倒是專攻AI領域的人才，市場需求從2006年至今翻了8倍。
那為啥AI人才都從學術界流向產業界了呢？
從大的層面上來講，和Science之前提到的算力有關。
顯而易見，在這塊兒，產業界相較于學術界有很大的優勢。
工欲善其事，必先利其器，誰的算力強大，自然也就能吸納更多的人才。
但其實說白了，算力強不強大很大程度上依賴于資金投入。
舉個栗子：
學術界的科研資金來源主要來自政府的支持，2021年美國相關部門在人工智能上的投入是15億美元，同年歐盟的投入是12億美元。
而相比之下，全球AI產業這一年的支出已經超過了3400億美元。甚至，2019年谷歌母公司Alphabet在其子公司DeepMind上的投資就已經高達15億美元。
當然，上面這些都是站在比較宏觀的角度來談的，那作為單獨個體的研究人員又是如何考慮的呢？
博士畢業剛剛入職OpenAI的研究員Rowan Zellers就現身說法講了下。
Rowan Zellers直言他當時在就業選擇時也有在產業界和學術界之間有所糾結，但最終還是選擇產業界，而原因呢，他也一一列了出來：
學術界進行開創性的系統建設研究會變得越來越困難
AI領域的科研成本正在以指數級增加
學術界轉向應用研究是大勢所趨
……
基礎研究到應用，產業界包圓了
而人才的流失和算力的傾斜，在一定程度上也可以說是必然結果，在Science的文章中，列出了兩點原因：
AI領域相較于其他學科領域有特殊性；
產業界更注重技術商業化。
先來說下AI領域的這個特殊性。
在其他學科領域，學術界和產業界都會自然而然形成一個勞動分工，基礎研究交由大學來完成，應用研究和開發則是產業界的工作。
不過，這一套邏輯并不適用于AI圈，在AI領域，基礎研究和應用研究之間的界限被模糊掉了。
也就是說，產業中使用的應用模型和基礎研究之間有所重疊，就拿谷歌大腦在2017年開發出的Transformer模型來說，它不僅歸屬于基礎研究，也可以進一步直接用在產業中。
除此之外，產業界對人工智能投入的增加可能會實現技術的商業化，這樣一來，不僅可以為社會提供實質性的利益，對于產業本身來說，也有所回報。
而學術界呢，資金來源的大頭要靠相關機構撥款。
對留校的AI人才來說，雖說發論文可以拿獎金升職，但科研也不是唯一的工作，他們還有授課任務。
并且一般來說學術性研究室都是非盈利性的，比如說Rowan Zellers在加入OpenAI之前，曾在艾倫人工智能研究所工作：時間倒是花了不少，錢呢。。。
emmmmm，這么看來，這一把AI競賽，學術界是徹底輸麻了。
One More Thing
當然AI競賽，也不能說學術界徹底輸了，在Zeta Alpha統計的論文引用排行榜前100中，學術界和產業界之間還是平衡得很好的。
△圖源：Zeta Alpha
話說回來對于學術界和產業界的AI競賽，你怎么看？
參考鏈接：
[1] https://www.science.org/doi/10.1126/science.ade2420
[2] https://rowanzellers.com/blog/rowan-job-search2/
[3] https://twitter.com/ZetaVector/status/1631590035756654594
