这篇采访的对象是一位非常资深的人工智能科学家，会主要涉及到人工智能研究院的工作模式、学术界和工业界的区别、人工智能的应用前景、做什么样的研究等内容。

职业概述

您能简单介绍一下您的职业吗？

我目前在中国电信人工智能研究院——一个新成立的工业界实验室——担任领军科学家，相当于是科研负责人的角色。

职业生活

您的工作日时间安排是怎么样的？

基本上会有一个大的研究项目在进行中，所以主要精力还是用在做这个项目。通常也会保留一些时间，用于一个规模比较小但是自己很感兴趣或者风险更高的项目。这样的一个好处是，在大的项目需要等待其他部门输入的时候或者遇到阻力推不动的时候，还有别的事可以做，把时间利用起来。 除此之外，还是希望每天能有一些时间去学习，看一些最新的论文。这个方面其实工业界和学术界的界限已变得模糊，无论你是教授、研究生、科学家或工程师，大家都需要不断读最新的论文来跟上技术快速发展的步伐。 最后，如果你负责带领一个研究团队，你可能要准备花不少时间来做宣传和招聘，在初创阶段尤其如此。计算机行业的人才流动性很高，所以几乎每周都会有一些跟潜在团队成员的面试。

您在这些工作上面，各个模块损耗的比例大概是多长时间呢？时间分配是怎样的？

我原来在学术界的时候，大概有60%的时间专注于研究，20%做教学工作，还有20%是行政管理方面的。到了工业界实验室之后，还是会投入至少60%的时间做研究，剩下的可能需要做不少与工程和产品相关的事情，有时候也会要给其他团队提供支持。具体的时间分配并非一成不变，很大程度上取决于研究项目所处的阶段：刚开始可能更多时间在调查和探索，到后期可能更多时间在实现与部署。

您工作的自由度如何？

工作自由度与灵活性都比较高，除了一些跟其他部门事先确定好的会议，大多数情况可以自己安排时间。只要符合研究项目的总体大方向，具体的研究课题也有自由选择的空间。 事情的另外一面是，这种自由也容易让人的工作和生活缺乏条理，因此我们其实会刻意给自己定义一些结构化的、程序性的任务，让自己更规律一些，逐渐达到一种平衡。

说到这里，您觉得您的工作支持work-life balance吗？

这可能主要取决于所处的环境。 欧洲国家似乎普遍对工作-生活平衡非常重视。我之前在英国，没有十万火急的事情，是绝对不能去打扰团队成员或者同事的周末和假期的。我在瑞士的一个同事，是一个摇滚乐队的鼓手，因此公司允许他每两周少拿一天工资，在那一天他可以不来上班而去他的乐队演出。 回到中国之后，就很难再分清工作和生活的界限。不仅是研究团队，其他各个部门的同事都超级忙碌，经常加班加点。当然，这也是因为我们研究院正在起步阶段，亟需迅速发展壮大，大家都抱着创业的心态，只要是对项目有意义的事，每个人都尽力积极地向前推进，而不是说我是个研究员，我就只管写自己的论文。

您工作中最有挑战性的部分是什么？

我觉得自己目前最大的挑战是保证整个研究团队走在正确的路上。团队的成员往往会希望有个清晰的目标，还有条明确的路径，只要沿着路往前走就行。然而，人工智能发展极其迅速、竞争异常激烈、形势瞬息万变，如今不可能说制定一个研究计划后就可以一劳永逸，而是必须随时根据最新的变化动态地调整方向。特别是在工业界的实验室，研究者往往隔三差五就要向别人论证你的研究工作的价值，解释这个技术什么时候会做出来、如何能一步一步转化为影响大众或改变世界的产品、与竞争对手相比有何独特的优势，等等。

您在工作中最有成就感的事情是什么？

我觉得成就感基本上来自两方面。一个是别人发现我的研究工作对他确实是有用的，比如采纳论文提出的新思路去解决他所面临的难题，或者是受到启发在此基础上继续去扩展技术的边界。另一个是我的学生、我的团队或者我的同事，他们告诉我，因为我过去给他们的一些帮助，使得他们现在能够获得巨大的成功。这也是一位前辈曾经跟我说的，你的同事最会感激你的地方就是你能够帮助他们成功。

职业发展

您是如何走上现在这条职业道路的？

我的例子可能不是很典型。在大学读书的时候，从本科到博士，我和几个要好的同学以及实验室的师兄一直想创业，陆续做过很多尝试，例如网络游戏、即时聊天、搜索引擎等等，但都没有找到一个可行的商业模式。当时我们注意力集中在技术上，觉得只要自己的技术做到最顶尖，一切就会水到渠成。然而现实是，“business is business”。我们觉得自己写的程序很厉害、做的软件技术很先进，却始终没能在商业上做起来，当时有点心灰意冷。后来因缘际会，微软在北京设立研究院，我有幸遇到了像从美国回来的李开复、沈向洋还有台湾的简立峰这样的学者，深受震撼：原来世上还有这样的人，可以选择走这样的路。 我觉得他们很酷，就想出国追求学术。正好那个时候机器学习兴起，SVM之类的新方法出现，大家觉得人工智能又有希望了。因此我找到了去新加坡-MIT联盟做博士后的机会，跟随非常年轻的李伟上老师，开始研究用机器学习做自然语言问答等。后来我得到了英国的教职，在伦敦当Faculty，继续这些方面的研究。大概五年前吧，由于深度学习的发展，人工智能变得非常热，越来越多的新技术是在工业界率先做出来，而高校常常因缺乏资源难以开展最前沿的研究，我觉得这样下去不行，就停薪留职，去了工业界，先后帮几家公司在伦敦建立人工智能实验室。现在回到中国，主要是因为榜样的力量吧，我的好朋友李学龙老师来中国电信创办人工智能研究院，他是一个有很高学术理想的人，也有很深的家国情怀，我希望能够参与到他开创的事业中。在英国的话，生活比较平静，节奏比较缓慢，而中国就是日新月异，大家都在争分夺秒、热火朝天地干，我很快就决定回国加入这个浪潮，不想置身事外落在后面。

您觉得您的工作适合什么样的人，比如说性格、追求等等？

如果你是想选择人工智能研究或者更广泛的计算机科学研究作为你的职业，还是需要对学术研究本身有很强烈的兴趣。否则，其他的诱惑太多，你可能很快就想是不是要接受哪个互联网大厂哪个投资银行的高薪聘请，或者去融资开公司。学术研究总是需要全身心地投入，也许比其他任何工作都需要你更多的付出。如果你不是真的很喜欢，不是在这方面有激情有追求，其实很难持续下去。 在工业界的实验室和学术界之间比较的话，我觉得工业界的节奏会更快一点，另外可能会需要跟许多不同的人互动。我原来在高校的时候，大部分时间都只是跟自己的学生在一起工作。到工业界之后，不仅需要跟自己团队的成员，还需要和其他研究员、从各个不同大学过来的实习生，还有工程师、设计师、产品经理，以及特定领域的专家打交道。工业界非常强调团队合作，要把一些事情做成，往往要靠多个部门之间的协作。比如我原来在汤森路透公司时，带领团队开发法律领域的生成式人工智能应用，就会要依靠很多经验丰富的律师为我们做数据标注和系统评测等等。

您现在从事的工作对学历、专业技能等有很高的要求吗？

如果去高校找教职的话，至少会需要博士学位和在顶尖会议或期刊的论文发表记录，这是最低的要求。在工业界可能相对灵活一点，不会有那么多条条框框，有时为了研究项目的需要在招人时可以破格。虽然各个高校或公司的具体招聘标准可能会有不少差别，但是做研究的岗位基本上都是只招博士毕业生中最顶尖的那一小部分。

您目前做的大多数工作有自我发展或者持续性的意义吗？

研究工作应该都可以有持续性的意义吧，积累的知识和经验不知道什么时候就会派上用场。其他的许多事情，比如招聘面试，刚开始做的时候会对你的能力有很大的提升。另外，在职业生涯的某个时刻，你可能会经历从“个人贡献者”到“团队管理者”的转变，这个时候往往成长很快，会获得很多新的能力。然而随着时间的推移，这些事情做得久了，对个人发展的助益就慢慢弱化。但是学术研究不同，你会持续不断地有新的东西、新的内容，你的眼界也会越来越高。

您在大学和工业界这之间的考核和绩效指标是怎么样的？

两者差别还是很大的。在学术界主要看重的还是学术影响力，这个国内外也有很大不同。我在英国的时候，每4-5年会对大学教授们有一次评估，要求每个教授提交在这最近4-5年的时间里他自己认为最好的4篇论文，不看数量，你发表再多的论文也是只看你质量最好的4篇。这就允许并鼓励大学教授们做一些深度的、长远的思考。在工业界的实验室，都是除了学术影响之外还要再考虑研究成果的转化和落地应用，不同的公司在这方面程度各异，像我们研究院就跟学术界相对比较接近，比较强调对技术发展的基础贡献与长期影响，而有的实验室可能会希望研究内容很快就在产品中体现作用。大家在找研究工作的时候不能光看名字，要弄清楚这个机构究竟是干什么的——他们的名字可能都叫某某Lab或者某某Research，但背后的实际工作内容可能还是相差甚远的。

您觉得未来有哪些比较具有发展潜力的AI原生场景或者商业模式？

这是个很大的题目。我可以分享一下我们目前努力在做的一件事，就是我们希望通过一些可穿戴设备比如智能眼镜，让现在拥有非常强大智能的多模态大模型，被你随身携带，可以让你随时随地使用，很自然地成为你专属的个性化的智能助手。这个基于大模型的智能助手，或者叫智能体，会“见你所见”、“听你所听”，逐渐积累关于你的记忆，越来越了解你的兴趣爱好、知识背景和行为习惯等等，从而能做到“想你所想”，更好地为你服务，比如为你处理工作中的各种例行公事、为你推荐最新的书籍和电影、为你规划和家人假期出去旅游的行程等等。我觉得这可以把最新的人工智能技术和大量的真实用户数据联系起来，从可穿戴设备收集到的数据能训练出更好的大模型，更好的大模型又能为为可穿戴设备吸引更多的用户，形成良性循环。这会带来一些新的挑战。 比如，现有的机器学习研究大多是让机器在固定的环境下执行某个特定的任务，像人脸检测、手势识别，但现在这个可穿戴智能体会和用户共同生活在一个开放的物理世界，可能会遇到一些过去从未见过的事情，要学习一些从未见过的技能，要完成一些从未做过的任务。这就需要我们对于机器学习重新思考。我们希望这个可穿戴智能体可以在开放的环境中持续不断地学习进化，这在学术界称之为continual learning或者life-long learning、never-ending learning，这个目标背后有许多研究问题需要解决：如何在学新东西时不会忘记仍然有效的旧知识，如何在掌握越来越多技能后头脑不会僵化而是保持可塑性，等等。我们上学的时候，老师常常教我们，不要死记硬背，应该追求真正的理解，要能举一反三、随机应变。那对机器而言，什么是真正的理解？我觉得这里有很大的可以探索的空间。

关于大学生

如果一个大学生想从事您未来的职业，他可以向什么方向努力？

如果未来想做人工智能研究工作的话，除了计算机专业普遍要求的编程能力之外，也要求比较扎实的数学功底（最基础的是数学分析、线性代数和概率统计）。最好尽早去学校某个老师的实验室开始参与研究项目，或者去工业界的实验室实习，而不光是在学校上课和做作业。你何时能够独立地开展研究工作，这是一个标准。可以从比较小的问题开始，重要的是有所创新，在当前最先进的水平上更上层楼。实际上，在申请学术界或者工业界的研究职位的时候，课程成绩并没那么重要，你的研究产出和经验是绝对主导的考量因素。

如果想去工业界，是不是需要更多元的技能树？

可以这么说吧。比如工程能力，主要是写代码的能力，在工业界会特别有帮助，比如你可以在有想法的时候迅速地实现，或者很快地搭建起一个演示系统，或者调度大量的计算资源做实验。另外一个是务实的心态，例如我们往往会先不管三七二十一把程序运行起来，然后再慢慢地去考虑如何优化。 在学术界，可能有时候你会想弄明白一个个问题从原理上应该怎么解决，或者希望能够对这个世界有更多的理解。而在工业界，我们更关心的是把某个事情做成，比如有一个产品，我能否及时开发出来，或者有个技术难题，我能否攻克。其中用到的方法不一定要是全新的或者最先进的，也不是方法越复杂越好，关键还是看它能不能解决问题，是不是最合适的方案。

您觉得是否需要有海外学习的经历？

我觉得这个有很大的影响。如果有机会的话，应该行万里路，多去不同的地方看看。可能我们有时候觉得自己现在这个时代也可以通过报纸、电视、微信、头条、抖音等很多的渠道方便地知道英国怎么样美国怎么样，就觉得没有必要出国去学习。现在国内很多人也经常去日本、欧洲等地旅游，可能会有这么一个错觉，以为自己对外界已经很了解。但是我自己的体验是，如果在当地确实工作和生活几年的话，感受还是很不一样的。

我们的知识和眼界都非常有限，如何去发现值得长期探索、投入的有价值的问题呢？

我个人的一个教训，或者说我对自己的期望，是避免用一些数字指标来定义自己。我上学的时候希望每门功课都得到最高分，工作之后开始想我今年要写多少篇论文投到顶级会议，然后我要争取做多少项目，就这样不断地去追逐各种指标。但是我后来慢慢发现，这其实是很狭隘的，做出的工作也很零碎，东一榔头西一棒子。我看到别人某篇论文，里面有个方法我可以改进一下，我就去写一篇论文；然后我看到另一个方面的东西，可能又觉得这个事情我也可以做得更好，也去弄一篇论文。长期这样下去，精力太分散，无法在一个领域内深耕不辍从而做出系统性的贡献或者形成自己的思想体系。如果我回顾一下，能够被其他人引用很多或者被大家记住的一些工作，往往是我自己为了解决某个遇到的实际问题而琢磨出的一些新的思路或者方法，而不是追逐热点跟随其他人的论文产生的。它当时未必是发表在最好的会议或者期刊上面，但这些是真正有用的东西，确确实实能够work的，随着时间的推移，它的价值会逐渐显露出来。一位前辈曾经跟我说，作为一个科学家，你的职业生涯是由你所做的一系列项目决定的。你还是要想，什么是我真正想做的事，然后专注在这个上面，不断地往前推进，聚焦在你追求的方向上，持续地集中在这个上面投入。我觉得这要比不断地只是在想各种数字指标要好得多。如果可以重头开始的话，我是希望这样子。 到最后，你还是希望能够满足你自己的追求。论文发表得多或少快或慢，也是相对的。如果你是个内行，在这个小圈子里，其实大家是知道的。比如写一篇 SIGGRAPH论文可能要比一篇 CHI论文费劲不少；如果你做系统方面的研究，那可能你一年时间也就只够写一篇论文。在有的领域像计算机视觉，也许最近这些年论文相对来说多一些，但也会造成水涨船高。如果你集中精力在使自己近期的各方面数字指标看上去比较漂亮，可能会更早地带来一些收益；但这跟我们数学里面做优化一样，局部最优解往往不是全局最优解。什么是最优的策略在很大程度上取决于你规划的时间尺度，是只看这两年到你毕业的时候，还是看到十年甚至二十年后，为这个做长期的优化。一般来说，越是基础的研究，成果产出越是需要时间，但是如果你最终做出来，往往影响会很大。可能在前面做比较难的事情，会使你后面走得更快更顺一点。 另外在英语里面也有个说法：自己一个人走的话，会走得比较快；但如果大家一起走，会走得更长远。就是说独行快，众行远。希望大家能找到志同道合的伙伴，一起奋斗，就会觉得也没有那么累，能坚持到云开月明的时候。

最后吗，给大学生一些建议吧！

请保持好奇心，建立不断思考的习惯。比如美国一个著名的软件公司，他们面试实习生的一个问题是：你在自己的日常生活当中是否有什么事情是你特别希望改变的，可以使你个人的世界变得更美好；如果给你所需要的一切资源，你会怎么去解决这个问题？

如果您对这篇采访的内容感兴趣，请联系：[email protected]

本篇访谈未经允许，禁止转载