<mark id="oztn4"></mark>
0
“說實話，我很不喜歡「人工智障」這個詞。”
在與掘金志的聊天中，一位從事計算機視覺方向的算法工程師多次表示，他討厭這個詞很久了，幾乎是本能的反感，即便只是一種調侃，在他看來都是一種嘲諷。
這種嘲諷就好像是，一名路人，對著自己剛剛學會爬的孩子冷嘲熱諷：這孩子真笨，連路都不會走。
他甚至坦言，如果身邊有同事使用這個詞自嘲，他會刻意與之保持距離，因為這種自嘲實屬對自己的工作、對專業知識的“不尊重”。
擁有他這種技術性癖好的工程師不在少數，在掘金志詢問的多個從業人員之中，都表達了類似觀點：通常被問及人工智能水平時，類似表述以「弱人工智能」為準。
某負責品牌傳播與公關的業務專員透露，如果在對外交流中使用了「人工智障」之類的詞，被舉報或是被公司發現，“直接影響績效考核”，因為這類不專業的表述很可能導致負面的傳播效果。
在與這些人的談話中，掘金志發現，在AI圈內，從業者對于AI有著清晰的認知，在外宣的時候，對AI的負面化表述都較為嚴謹。
然而，在圈外，接二連三發生的各種AI事故，讓大眾對AI的真實能力產生諸多懷疑，關于人工智能變成人工智障的言論甚囂塵上，唱衰人工智能的聲音時常見諸報端。
表面上，這只是一場關于AI的輿論爭議。但，其實質卻是企業與大眾對AI話語權的爭奪，并會直接影響到AI的推廣、落地與應用。
“如果大眾無法對新技術形成有效的認知，那么新技術的推廣則是非常緩慢的。”某傳媒大學在讀研究生表示，大眾對于新技術的接受能力是逐層遞進的，這個進程很容易受到輿論影響，而負面輿論則存在一種「爆破效應」，可能會直接摧毀此前建立起的「信任基礎」。
比如自動駕駛，公眾對其的信任基礎很薄弱，出現多次事故之后，這種信任實際上已經消耗殆盡。
相關調研報告顯示，自動駕駛一哥——特斯拉FSD在國內的激活率不足10%，甚至相當一部分人沒有開通AP服務，即便在開通的人群中，也很少有人會使用AP功能。
這種現象固然有其客觀原因（比如路側數據不夠、算法能力有限），但從輿論傳播的角度看，自動駕駛的一次失誤，比起傳統汽車的十次車禍更加嚴重，從而也給自動駕駛的進一步落地，帶來阻礙。
那么，如何給大眾建立起對AI的有效認知，推動AI更快、更廣泛地落地？
掘金志通過采訪之后認為：媒體報道、企業外宣、大眾知識普及教育，是三個最主要的途徑。而圍繞著大眾展開的各種「認知教育」，也注定是一場曠日持久的「攻堅戰」。
人工智能應用有一個有趣的悖論：當一種AI技術已經非常普及的時候，人們普遍不會認為這就是AI。
好比上世紀八九十年代，一臺黑白電視機可能是劃時代的象征，需要手動調頻；但現在遙控型的彩色電視機成為標配，人們也不覺得這就算智能。又比如，小區停車場通過車牌識別進出、刷臉進入小區等，在近幾年開始普及，但人們很少將之與AI聯系起來，即便這里面實際上用了各種識別算法、芯片等等。
在大眾的認知里，人工智能理所應當達到電影里機器人的水平，或者近似人一樣地思考、行動。
“大眾有時對于人工智能過于樂觀，甚至高估。”中國計量大學信息學院副教授、人工智能專業負責人楊力認為，作為走向社會的新技術，人們對AI的理解并不全面，認為AI應該無所不能，這種認知與實際并不相符。
在掘金志看來，大眾對于人工智能的認知比較淺層，這主要表現在兩個方面：
不了解、不清楚，對于什么是人工智能，沒有直接的印象；
有一定了解，但無法理解AI的深層邏輯（原理結構）。
這種淺層認知很容易被誘導，而在一些不著邊際的宣傳之下，AI本身的能力被過分夸大，大眾對AI產生盲目「自信」或高估。
“外行看熱鬧，內行看門道。”
楊力表示，以人臉識別為例，5年前可能人們會覺得很神秘、先進，但在經過消費類電子的普及之后，許多人覺得人臉識別已經沒什么難度了。當他給學生們授課講人臉識別時，同學們都覺得這已經是很成熟的技術，“并不新鮮，難度不大。”
但其實人臉識別距離高度智能化還有很長一段距離，在許多復雜場景下，很難捕捉到有效的人臉信息。并且，人臉識別在小規模（數據庫較小）場景下效果很好，但當數據庫非常大的時候，識別的準確率就沒那么高了。
“大眾由于缺少專業知識，很容易把復雜問題簡單化，但從事AI研究的人對此卻非常謹慎，普通人覺得簡單的技術，從業者可能會覺得‘這個做不了，那個做不了’，簡單而言，就是望山跑死馬的感覺。”
掘金志發現，由于缺少專業的通識教育，大眾對于人工智能的了解渠道比較單一，多數是通過媒體報道、企業宣傳這兩種途徑來觸及AI，只有小部分人會自發研讀相關書籍、學習課程，以增進了解。
從傳播的角度看，如果受眾獲取信息的渠道有限，那么該信息渠道的控制人將具有信息傳遞的「控制權」，形成一種「輿論壟斷」的局面，而信息在經過多次傳播之下，極易「失真」。
實際上，這種「失真」是在所難免的。在AI的傳播過程當中，形成了圈內和圈外兩大群體，由于人工智能本身屬于較高門檻的專業，圈內（企業）和圈外（普通受眾）之間的連接，主要通過媒體來實現。
但媒體宣傳存在問題是，許多從業者要么科班出身，要么跨界轉型，真正懂AI的媒體人只有少數。并且媒體本身隨著大數據、互聯網技術的變化，進一步下沉到各平臺，又造就了無數自媒體，形成了媒體界良莠不齊的局面。在流量導向的環境下，各種消息報道層出不窮，而這類信息又存在「放大效應」（比如標題過于驚乍），以至于大眾接受到的信息與實際信息存在「誤差」。
在人工智能最為火熱的時候，不少AI企業為了拿融資、打知名度，紛紛投放廣告、軟文，宣傳產品，造成人工智能已經能夠大規模落地的假象。后來AI遇冷，大眾對AI的調侃某種程度上可以看作是前期宣傳過于猛烈的一種「反噬」。
當然，圈內也注意到大眾傳媒存在的局限，不少企業在重要的社交平臺上都開辟了宣傳渠道，但由于內容差異（比如太垂直、產品推廣）或渠道差異，并不符合C端屬性，多數AI企業無法直接建立起與大眾的有效連接。
因此，在“企業-媒體-大眾”這一傳播鏈條下，由于大眾傳媒本身存在機制缺陷，導致大眾很難在參差不齊的信息中，建立起對AI的有效認知。然而企業又不得不依賴大眾傳媒來宣傳AI，這種內在矛盾，是造成圈內與圈外對AI產生「認知差異」的重要原因。
“歸根到底，還是AI人才太少。”在楊力看來，人才是推動產業發展的核心力量，當前AI處于爬坡階段，技術本身的問題是造成大眾對AI產生質疑的根本因素，輿論傳播一定程度上加劇了這種影響。
解鈴還須系鈴人，不論是AI縱深發展，還是橫向傳播，只有AI人才，可以給AI「正名」，但現階段的情況是，國內AI人才極度緊缺。
“應用型人才真的太少了。”楊力感嘆道，當AI從空中樓閣走向田間地頭，懂技術又懂行業的人“真的不多”。
而在工信部《人工智能產業人才發展報告（2019-2020）》（下稱“報告”）里，預計我國人工智能產業內有效人才缺口達 30 萬，而這僅是兩年前的數據。實際上，在過去的兩年里，根據掘金志觀察，AI企業對人才的需求持續旺盛，整個AI產業的應用人才缺口進一步拉大。
作為技術/知識密集型產業，AI的人才準入門檻較高，對學歷、工作經驗非常看重。
根據報告，2019年AI企業發布的崗位中，僅有11.9%的崗位接受專科學歷；也僅有5.4%的崗位接受1年以下工作經驗的求職人才；接受提供應屆生的崗位僅占3.3%。
這意味著要從事AI行業，基本上要求本科學歷，同時，由于多數AI企業缺乏人力、資金和動力去培養應屆畢業生（至少一年以上），企業對應屆畢業生的需求并不旺盛，而更青睞那些擁有知識儲備和實踐經驗的人才，這種“排新”性質的招聘需求，又加重了人才短缺情況。
除此之外，AI對人才的專業性要求極強，尤其是算法研究、應用開發等崗位，60%以上崗位要求具備計算機、數學相關專業背景。
各種線性條件約束下，原本就短缺的AI人才，顯得更加「緊俏」。
一位AI初創公司HR告訴掘金志，招人是一件很困難的事，“專業、學校、工作經歷篩選下來，符合條件的人很少，加上公司要的是進來立馬能產出的人，還要考慮薪資這些因素，優秀的人才很難招到；而走校招的話，優秀的畢業生早早被互聯網、明星AI公司簽下，剩下的也更青睞大公司。篩選去篩選來，選擇真的不多。”
除了缺少與行業相結合的應用型人才以外，在楊力的觀察之中，AI的另一個人才缺口，是能夠“扎下心來做基礎性工作”的理論研究型人才。
根據斯坦福發布的《2022年人工智能報告》，雖然我國在AI 期刊論文的引用數、會議論文發表數量以及在人工智能專利申請數量上排名世界第一，但在AI會議論文被引數上卻遠落后于歐美。并且，一些創新性的基礎理論、前沿科技的研究仍以歐美為主。
“很多人工智能的基礎理論，都是由外國人/機構提出來的，比如現在比較火熱的深度學習。”
楊力表示，這與我國人工智能起步較晚有很大關系，要彌補這樣的差距，除了要加強對基礎理論研究的資金、人才投入以外，也應該建立起標準的AI人才培養體系，為AI研究提供源源不斷的人才活力。
“學校是培養人才的搖籃，理想的情況是，一部分學生畢業以后從事理論研究，更多的畢業生進入行業，通過產學研聯動，來推動AI的落地。”
掘金志了解到，當前我國人工智能產業已經初步形成“政產學研一體化”人才培養生態體系，但仍然處于起步階段。2019年，人工智能專業正式獲批列入本科專業名單，國內諸多高校開始自建或與企業共建人工智能學院（研究院），并開設AI專業。
然而，對于如何培養專業的AI人才，各大高校也正處于摸索之中，尚未形成行之有效的范式。
2019年，國內人工智能專業正式獲批，被列入本科專業名單，但開辦專業需要經過課程建設、實驗條件、專業申報等流程，多數學校于近兩年才開始正式招生。
換句話說，距離最早的一批AI本科生畢業，離畢業也還需要大概一到兩年的時間。
如何把這一批新生培養成才，來填補當前存在的人才缺口，是一件并不容易的事情。此外，未來的第一批畢業生，其綜合能力是否達標也極具象征意義。
“一方面，人工智能專業學的內容很難，以前很多研究生階段才開設的課程，現在放到本科階段來學了，對學生是一種壓力，對老師的教學方式、技巧也帶來挑戰；另一方面，如何將人才培養與社會需求結合起來，讓學生能夠學以致用，也是難點。”
作為人工智能領域的資深學者，楊力在多年的執教生涯中，除了對AI有著深入的研究與思考外，也探索出了一些關于培養AI人才的「方法論」。
“首先要尊重學習規律。”楊力告訴掘金志，AI本身對實踐能力的要求較高，這就不能照搬傳統學科的培養模式，即大一大二側重于理論，大三大四側重于專業。而應該理論和實踐并用，先學習、再實踐，在實踐中學習，然后呈“螺旋式上升”。
在具體舉措方面，他表示，可以通過成立「科創小組」的模式，鼓勵學生以團隊協作的方式參加各種學習競賽、研究課題。
這種小組模式的優勢在于：小組覆蓋全體學生，通過團隊協作，形成內部互幫互助的學習氛圍，讓成員都能參與到實踐之中，成為一個「利益團體」；并且，小組的持續時間覆蓋學生的整個大學生涯，所有成員都能共享「利益成果」。同時，小組成員之間互相幫助，從某種程度上也能給老師減輕壓力。
“其次要因材施教，激發學生對AI的求知欲、探索欲。”
楊力表示，學生對AI的學習興趣也呈現出明顯的「二八定律」，即20%的學生求知欲很強，而80%的學生興趣一般。
“對于這20%的學生，你只需要告訴他怎樣做到最好，并且告訴他這個過程中需要注意的事項、細節，其余的無需太過關心；而對于80%的學生，他們的興趣沒那么高，就需要比較細致的指導，并且需要搭配一些「強制指派」，例如直接分配任務讓他們參加。”
“再而，通過激勵機制來刺激學生的創作靈感。”
比如，在課程設計時，將創新性納入評分標準之中，以課程成績來驅動學生進行創新。
例如，在做某個案例時，如果學生只是根據老師列的步驟照貓畫虎，其成績最高可能也就剛好及格，而剩下的分數則全靠個人創意和發揮。
“大多數學生需要老師給一些推力，而成績就是最好的激勵。”楊力表示，學生為了拿更高的績點，便不得不“多費心思”，而不是敷衍了之，最終交上來的作品“往往有很多意想不到的亮點”。
“最后，教師與學生之間要形成良性互動的正循環。”
本科教學存在的一個普遍問題是，學生與教師之間的互動較弱，或者只存在于課堂之上，課外的聯系非常少，“上課是師生，下課是路人”的情況并不少見。
在楊力看來，如果老師僅僅把教學當作是一種工作任務來完成，那么學生也會采取應付的態度。相反，如果老師富有責任感，學生也會受到其“以身作則的影響“，更有進取意識。
因而，老師可以通過帶項目、線上線下互動等方式與學生溝通，來了解學生的需求，給自身的教學工作進行反饋，而這種反饋最終又將通過教學的方式來觸及學生，形成「師生共贏」的局面。
除了培養AI人才方法論外，楊力也指出，培養人工智能專業人才需要破除「唯研究生論」。
“讀人工智能專業必須讀研究生，不讀研究生就沒有前途。”
不少人持有這樣的觀點，但楊力卻堅決表示反對。他認為，原來很多研究生的課程已經下放到本科來學，本科階段的人才培養成體系之后，學生的理論、實踐能力將能夠滿足AI行業的基本需求，一味追求研究生教育，只會造成AI圈越來越卷，無助于緩解行業人才短缺情況。
“當然，研究生教育也很重要，但研究生人才培養可能更應該傾向于基礎理論方面，而AI的規模化落地，需要更多應用型人才去推動。”
舉個例子：很多傳統制造業引進了人工智能，比如機械臂、自動化生產設備等，但由于缺少應用型人才，企業買回去的設備不知道該怎么使用，也不知道如何做到效益最大化，更不懂運營維護。
這樣的崗位，并不需要從業者非常深厚的理論功底，而是有AI基礎，又懂行業的人才。而在傳統產業智能化升級過程中，類似的人才缺口非常大。
“實際上，當AI走向各行各業、落地之后，對人才的需求也會發生變化，而在本科階段，通過理論學習加上與專業相關的社會實踐，也能培養出優秀的人才。”
在剛結束的冬奧會上，楊力教授帶領他的團隊做了一個智能輔助技術，可通過視頻來實現對選手動作進行回顧與分析，給裁判打分給予參考。
雖然只是一個比較簡單的行為識別，模型并不精巧，市場上有很多AI公司具備開發該技術的能力。但讓人欣慰的是，這個項目一經提出，學生們便踴躍參加，在導師的指引下，一步步挖掘數據、標注、建模、訓練、測試，整個過程持續兩周之久，大部分工作由學生完成，而且是在春節期間，有同學甚至因為出力不夠而深感抱歉。
“Talk is cheap.”在楊力看來，這個項目別人有能力做，然而只有他們去落地實踐了，并且整個項目由大一學生完成，過程遠重于結果，他們“代表著AI領域的新生力量。”
做這個項目也并非一帆風順。
該項目的成員，中國計量大學信息學院 21級人工智能專業學生，蔣正陽告訴掘金志，小組在建模的時候，要么網絡太大訓練太慢，要么網絡太小而不適合要求，難以達到預期目標。同時，訓練也會遇到算力不夠的情況。
經過多次失敗嘗試之后，小組不得不求助于楊力教授，后者補充了一種網絡結構，該結構下，模型變得相對“較輕”，訓練也可以符合預期。
最終，小組成功研發出“單板滑雪AI裁判技術”。該技術可在畫面模糊、相機高速運動、長距離全景畫面等復雜場景下，對運動員是否抓板進行精準識別，從而為裁判打分提供依據，助力「冬奧公平」。
“我們的專業知識有限，需要繼續加強理論學習。通過這個項目，我們了解了從零開始做項目的過程、方法、難度，積累了經驗。當然，最后看到項目跑出來的結果，內心還是很欣喜的。”蔣總結道。
楊力認為，遇到問題很正常，關鍵在于去行動、實踐了。“人在學走的路上，會跌倒很多次，但不能因為跌倒，就只學爬，這樣永遠也不會走。”
這何嘗不是國內AI發展的縮影。
在經歷無人問津的韜光養晦期之后，國內AI于10年開始蓬勃發展，商湯、曠視、云從、依圖等一眾AI公司先后誕生，受到資本熱捧，撐起國內AI的希望。但激情燃燒之后，隨之而來的是行業落地難、商業化難、變現難等各種質疑。
如今的AI，正處于從爬到走的摸索期，磕磕碰碰、跌倒摔倒等時有發生，也被大眾調侃成「人工智障」。
但楊力對此并不沮喪，反而感到樂觀，因為“有越來越多的企業、越來越多的人才參與到AI的發展、推廣、落地之中”，在“政產學研”模式的推動之下，AI也將被掀開神秘面紗，顯露出最真實的樣子，而大眾在未來也會對AI形成一個“全面、客觀”的認知。
在掘金志與多位AI從業者的交流過程中，幾乎所有人都對AI充滿希望，即便AI仍然處于「弱人工智能」階段，他們仍然堅信，AI有著光明的未來。
“AI的浩海不止于邊邊角角，而在于改變世界。”開篇吐槽「人工智障」的那位工程師告訴掘金志，即便改變世界的路途，充滿坎坷，但“因為熱愛，所以堅持。”
而對于大眾的一些調侃和質疑，他遲疑了一下，回道：
“請給AI一些包容。”雷峰網(公眾號：雷峰網)雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
