2022-08-04 | 토론토=정혜진 특파원

AI人才匮乏的原因…“不是写几行代码得出答案,需要理解基本原理的人才”

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

2014年,一位以应用数学为基础研究最优化决策的科学家,遇到了一个近乎难题的产学合作项目。某房地产开发企业在加拿大多伦多销售一栋高层公寓时,需要为400多个户型确定销售价格。价格不仅要依据各户型的内部结构,还要根据房间数量、楼层、景观、采光方向等多项复合变量分别设定。目标是实现最大销售额,同时又需通过合理定价避免需求集中于特定户型。当时若要以数学方式计算所建立的定价模型,结果显示电脑需运转一万年。第二年他了解到利用深层神经网络(deep neural networks)进行学习的深度学习方法,将其应用后,人工智能(AI)仅用一个半小时便给出了答案,令他大为震撼。这对已任教15年的他而言是一个转折点。此后他决定将深度学习应用于自己的专业领域——最优化决策。这就是完成了连硕博阶段都不容易实现的专业转型的多伦多大学工业工程系教授李致根的故事。

上月中旬在加拿大多伦多大学实验室接受Seoul Economic Daily采访时,李教授强调:“人工智能(AI)研究热潮正如野火蔓延般兴起,而不懈于理解其基础运行原理的研究方式比任何时候都更重要。”他接着指出:“如今只需写五行代码就能运行深层神经网络(DNN·Deep Neural Network),即使不清楚DNN究竟是什么也能得出答案,但难以把不了解内部运行原理而培养出来的研究者视为AI人才”,“若没有基本功就要把AI应用于产业,那就是沙上建塔,对提升国家层面的AI实力也没有帮助。”

加拿大多伦多追随引领深度学习复兴的多伦多大学名誉教授杰弗里·辛顿,吸引全球AI研究者聚集,已成为AI圣地。仅一年内,当地大学就培养出600多名AI领域博士。除谷歌、Meta、微软(MS)、英伟达等科技巨头外,三星集团和LG也把多伦多作为AI人才据点。李教授解释,多伦多成长为AI圣地,多伦多大学对基础研究的投资以及重视基本功的研究文化产生了很大影响。

以下为问答内容

- 您在任教15年时研究深度学习,改变了专业方向。想必过程并不容易。

:改变方向时虽然觉得不容易,但我认为能做到。如今已快七年,真正有信心大概是最近两三年的事。我仍认为自己处在转型之中。在加拿大,包括机器学习在内的计算机科学领域不属于工学院,而属于基础科学。我所在的工业工程在工学院内也属于较接近基础科学的领域,而且都大量使用数学,因此相对有较多交集。

- 毕竟多伦多大学是深度学习的圣地,研究AI或转变方向的人应该不少。

:即便在被称为深度学习圣地的多伦多大学,真正理解机器学习并能根据情况加以特化运用的人也是少数。由于AI研究成为潮流,学生们都想先做机器学习研究,而教授们因为学生想做,被推着做的情况也不少。

- 韩国的AI研究也有几分成为潮流的意味。应该留意哪些方面呢。 :机器学习如果总是像用商店里买来的成品那样把工具拿来就用,就不容易培养属于自己的内化能力。不仅在学生教育层面,教授们也需要回归基本。不清楚深层神经网络(DNN)究竟是什么,只在“这样下指令就会得出这样的答案”的层面上学习出来的人才,很难被视为AI人才。必须不懈于把基础部分理解到内部运行原理的程度。这也直接关系到国家层面的人工智能实力。

- 若说提升国家层面AI实力的基本条件,会是什么呢。 :如我所说,需要不忽视基础研究训练的方式。兼顾基础研究与产业领域的中庸之道尤为重要。既需要出现一位奠定深度学习基础的杰弗里·辛顿教授,也需要出现一家像谷歌那样善于将其应用于服务的公司。没有基本功、只为应用于产业的AI研究,与沙上建塔无异。比如Samsung Electronics把存储芯片做到几纳米是重要关注点,但长期来看,若没有基础科学竞争力就难以持久。应在夯实基本土壤的层面进行投资,计算机工程等方面的训练也需要以打好基础为主,而不是偏重表面。

- 说到加拿大在基础研究与产业之间达成中庸的案例,市中心的创新枢纽MaRS探索区(MaRS)算是一个例子吗。 :中庸也是一种最优化,会因问题而异,但我一贯认为最优解不存在于极端。以MaRS探索区(MaRS)为例,它承担着把学界的好想法推向商业化的使命,相当于扮演让可能停留在实验室的研究走向世界、得以发光的通道角色。另外,多伦多最大的AI研究机构Vector研究所,是为在深度学习方面掌握引领作用与研究领导力的人才据点。善用这类为实现中庸的工具,或许是一种方法。

- 您如何评价韩国的AI水平。 :其实我认为韩国的AI实力也很出色。有黄圣周韩国科学技术院(KAIST)教授等世界水平的研究者。三星和LG也在大量投资。在提升韩国AI水平方面,重要因素之一是有资金余力的企业对计算资源进行投资,这正变得极为重要。三星集团、LG、NAVER集团、Kakao集团这样的企业构建计算基础设施很重要。深度学习的基本理念不是做出聪明的程序,而是做出能够变聪明的程序,使其自主学习。最终能变得多聪明也取决于算力。这是政府也难以做到的,学校更没有数千亿规模投资的余力。近来机器学习的领先领导地位由谷歌占据。谷歌领先的原因之一,就是对计算系统极其巨大规模的投资。

- 最近在韩国,难以吸引AI人才是共同的烦恼。若要就吸引优秀人才提出建议,会有哪些方面呢。

:如果出现只靠钻研AI就能改变命运的职业模式,优秀学生就不会去读医学院,而会转向AI研究。谷歌高级工程师的平均年薪为50万美元(约6.5亿韩元)。才华出众的学生在决定前途时,就可能把成为工程师和成为医生同样列为优先选项。如果对AI研究者或工程师的待遇提高,海外人士回国的情况也会增多。其实有海外体系经验的人融入国内之所以有益,从多样性角度看也很重要。不同体系相互融合本身就很重要。

- 您在多伦多大学体验到的研究环境优势是什么。 :学校为研究者设定的期望水平似乎也对研究成果有很大影响。如果期望水平本身设得很低,研究者就难以产生动力。需要把“我们大学的研究标准就是这个”这样的标准设得更高一些。因为这本身会成为学风或该群体的文化。韩国大学的博士学位论文审查大多予以通过,就是一个例子。标准设得高,任何领域似乎都会得到提升。韩国虽已有很大发展,但仍需在提高期望水平方面继续推进。

- 若谈到多伦多成为AI据点过程中政府的作用呢。 :相当于基础资助的NSERC项目,加拿大高达98%的教授都在接受资助。对研究主题也没有限制。只是人均可获得的规模不大。如同硬币两面,各有优劣,但可以毫无限制地轻松获得资助,也能果断推进长期研究。可以说,只要对研究有信念与执着,即便在无人关注中也具备持续研究的土壤。2018年获得诺贝尔物理学奖的加拿大滑铁卢大学教授唐娜·斯特里克兰当时是副教授。一般而言,大学中非正教授的副教授获诺贝尔奖极为罕见,而斯特里克兰教授能够从事达到诺贝尔奖水平的基础研究,也可以看作是加拿大这种研究资助体系的成果。

- 您如何看待机器学习的未来。 :其实机器学习正掀起巨大热潮,被认为像万灵药一样什么都能做,但距离通用人工智能(Artificial General Intelligence)还有很长的路。辛顿教授也曾表示通用人工智能在近期难以实现,我则更乐观一些。我的梦想之一,就是在强化学习领域让特定算法能够普遍地运行,使决策问题在不需要人大量介入的情况下也能得到解决,从而逼近这样的通用人工智能。

阅读韩文原文