Nature:中国正在上演AI人才争夺战,中国公司在与Google竞争

简介: 中国希望能在2030年成为全球人工智能的领导者,并为此制定雄心勃勃的发展计划,投入了数百亿资金。实际上,这些动作的背后是对AI人才的争夺战,各地对人工智能人才的抢夺已经到了非常激烈的程度。

近日,阿里巴巴在由斯坦福大学发起的机器阅读理解领域顶级赛事SQuAD刷新排名,凭82.440的精准率打破了世界纪录,并且超越了人类82.304的成绩。

这是中国公司在AI领域的又一项突破。

中国希望能在2030年成为全球人工智能的领导者。中国政府上周宣布,将在北京门头沟投入138亿元人民币(21亿美元)建立人工智能科技园——这是到2030年成为世界领先计划的第一大投资。

不过,也有科学家们疑虑:距离市中心30公里的门头沟地区是否能够吸引足够的研究人员。这个问题的背后反映的是各地对人工智能人才的抢夺已经到了非常激烈的程度。

北京微软研究院首席研究员David Wipf直言:人工智能的未来将成为数据和人才的争夺战。

布局人工智能:一场人才抢夺战

中国的人工智能企业正在以令人眩晕的速度前进。 2017年,至少有5家开发面部识别技术的公司(包括商汤和Face ++)在2017年从投资者手中吸引了超过10亿美元的投资,许多AI公司都在努力聘请研究人员。

不过,经验丰富的AI人才,在全球范围内都很少,中国企业也必须与Google这样的跨国公司进行竞争。但有些人担心,在高薪的诱惑下,大学的研究人员流失了。

乌镇AI智库乌镇研究所所长Nick Zhang表示,有经验的科学家在中国社交媒体巨头腾讯或网络服务公司百度的人工智能研究中心能获得100万美元或更高的薪水。“五年前这是难以想象的”。

在中国有成就的行业资深人士可能稀缺,但是聪明、勤奋的计算机科学毕业生,因为有在机器学习和其他人工智能相关领域的专业知识,却备受青睐。因此,自2004年北大成立了全国第一所人工智能本科专业以后,全国有30所大学开设了类似的专业。

虽然大学正在努力满足行业的需求,但许多优秀的毕业生离开了这个国家。发生这种情况的还有美国:不少年轻的中国研究人员将AI实验室从美国迁移到以色列。

纽约大学(NYU)2017年12月在上海举行的研讨会上,几乎所有与会者都是在美国大学或工业实验室工作的中国研究人员活动组织者是上海纽约大学的一位AI研究员ZhangZheng,他说他经常给中国留学生写推荐信到美国留学。“希望他们能够回到职业生涯正轨上来。”

中国的AI研究人员也面临着激烈的竞争。ZhangZheng说,中国大多数主要的人工智能科学家都在工业界而不是在学术界工作。 Wipf也证实了这个现象:微软在北京部分地设立了招聘来自附近的北京和清华大学的优秀毕业生。

上个月,谷歌还在北京建立了自己的人工智能研究中心来吸引这些“神童”。ZhangZheng说,对于中国的人工智能界来说,国际公司在那里设立是有好处的,因为像谷歌和Facebook这样的美国公司比起当地的技术巨头做了更多的基础研究。 “中国缺乏顶尖人才,在中国的国外研究中心工作是一种培训方式。”

AI培训热:中国呼吁加强小学和中学的AI教育力度 

中国政府意识到,要到2030年成为世界领先的人才,就需要培养和留住更多的人工智能毕业生。去年7月,国家层面发布强大的“人工智能路线图”,呼吁加大人工智能教育力度,包括小学和中学。

在线AI培训课程也越来越受欢迎。北京师范大学系统科学学院教授AI的ZhangJiang说,“人们学习AI的积极性非常高”。

根据乌镇研究所的数据,中国在人均AI指标方面仍落后于美国,如私人投资和专利数量。 Nick Zhang说,差距正在迅速缩小,特别是在计算机视觉等应用领域。

中国是否能够在未来十年取得开创性的突破还有更大的不确定性。“中国能够领先于竞争对手还有很大的差距,因为中国缺乏根本性的创新。”ZhangJiang说, “中国仍然是一个好学习者,但不是一个好的创新者。”


原文发布时间为:2018-01-16

本文作者:张乾

本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”微信公众号

原文链接:Nature:中国正在上演AI人才争夺战,中国公司在与Google竞争

相关文章
|
10月前
|
机器学习/深度学习 人工智能 编解码
ByteDance Research登Nature子刊:AI+冷冻电镜,揭示蛋白质动态
在生物医学领域,蛋白质的结构与功能研究至关重要。ByteDance Research团队开发的CryoSTAR软件,结合AI与冷冻电镜技术,通过深度学习模型、结构先验和异质性重构算法,成功解析了蛋白质的动态行为,尤其在处理结构异质性方面表现出色。该软件已在多个蛋白质体系中取得显著成果,如TRPV1通道蛋白的动态变化研究,为理解蛋白质功能及疾病机制提供了新思路。论文链接:https://www.nature.com/articles/s41592-024-02486-1
326 26
|
10月前
|
人工智能 自然语言处理 算法
谷歌DeepMind研究再登Nature封面,隐形水印让AI无所遁形
近日,谷歌DeepMind团队在《自然》期刊上发表了一项名为SynthID-Text的研究成果。该方法通过引入隐形水印,为大型语言模型(LLM)生成的文本添加统计签名,从而实现AI生成文本的准确识别和追踪。SynthID-Text采用独特的Tournament采样算法,在保持文本质量的同时嵌入水印,显著提高了水印检测率。实验结果显示,该方法在多个LLM中表现出色,具有广泛的应用潜力。论文地址:https://www.nature.com/articles/s41586-024-08025-4。
362 26
|
10月前
|
机器学习/深度学习 人工智能 搜索推荐
哈佛推出全新类ChatGPT癌症诊断AI,登上Nature!准确率高达96%
哈佛大学研究团队开发的新型AI模型CHIEF,在《自然》期刊发表,癌症诊断准确率达96%。CHIEF基于深度学习,能自动识别、分类癌症并预测生存期,具高准确性、多任务能力和泛化性。它结合病理图像与基因组学等数据,显著提升诊断效率和个性化治疗水平,有望改善医疗资源不平等。但数据隐私和临床效果验证仍是挑战。论文见:https://www.nature.com/articles/s41586-024-07894-z
433 101
|
机器学习/深度学习 人工智能
打开AI黑匣子,三段式AI用于化学研究,优化分子同时产生新化学知识,登Nature
【10月更文挑战第11天】《自然》杂志发表了一项突破性的化学研究,介绍了一种名为“Closed-loop transfer”的AI技术。该技术通过数据生成、模型训练和实验验证三个阶段,不仅优化了分子结构,提高了光稳定性等性质,还发现了新的化学现象,为化学研究提供了新思路。此技术的应用加速了新材料的开发,展示了AI在解决复杂科学问题上的巨大潜力。
234 1
|
9月前
|
机器学习/深度学习 人工智能 算法
ProtGPS:MIT再造生命科学新基建!蛋白质AI一键预测定位+设计新序列,登Nature子刊
ProtGPS 是麻省理工学院和怀特黑德研究所联合开发的蛋白质语言模型,能够预测蛋白质在细胞内的亚细胞定位,并设计具有特定亚细胞定位的新型蛋白质。
800 17
ProtGPS:MIT再造生命科学新基建!蛋白质AI一键预测定位+设计新序列,登Nature子刊
|
10月前
|
机器学习/深度学习 人工智能 算法
Nature:AI也许可以拥有常识,但不是现在
人工智能(AI)的快速发展引发了关于其是否能拥有常识的讨论。尽管AI在特定任务上取得进展,但目前仍缺乏真正的常识理解。常识涉及对物理世界、社会规范和文化背景的理解,难以通过数据和算法完全捕捉。研究人员正通过大规模语言模型和强化学习等方法提升AI的常识能力,但仍面临显著局限性,如对物理世界的直观理解不足、社会文化背景理解欠缺以及常识能力的通用性差等问题。未来,多模态学习和与人类交互有望增强AI的常识能力。
220 20
|
9月前
|
机器学习/深度学习 存储 人工智能
预定下一个诺奖级AI?谷歌量子纠错AlphaQubit登Nature,10万次模拟实验创新里程碑
谷歌的量子纠错算法AlphaQubit近日登上《自然》杂志,被誉为量子计算纠错领域的重大突破。量子比特易受环境噪声干扰,导致计算错误,而AlphaQubit通过神经网络学习噪声模式,显著提升纠错准确性。实验结果显示,它在Sycamore处理器和Pauli+模拟器上表现优异,优于现有解码算法。尽管面临资源需求高等挑战,AlphaQubit为实用化量子计算带来新希望,并可能推动其他领域创新。论文详见:https://www.nature.com/articles/s41586-024-08148-8
231 5
|
10月前
|
机器学习/深度学习 人工智能 测试技术
登上Nature的AI芯片设计屡遭质疑,谷歌发文反击,Jeff Dean:质疑者连预训练都没做
2020年,谷歌的AlphaChip在Nature上发表并开源,其深度强化学习方法能生成超越人类水平的芯片布局,引发AI在芯片设计领域的研究热潮。然而,ISPD 2023的一篇论文对其性能提出质疑,指出未按Nature论文方法运行、计算资源不足等问题。谷歌DeepMind团队回应,强调AlphaChip已在多代TPU和Alphabet芯片中成功应用,并批驳ISPD论文的主要错误。此外,针对Igor Markov的“元分析”和无根据猜测,谷歌提供了详细的时间线和非机密部署情况,澄清事实并重申AlphaChip的开放性和透明度。
205 13
|
10月前
|
机器学习/深度学习 人工智能
微软华人领衔AI²BMD登Nature,AI生物分子模拟双突破!继AlphaFold后又一里程碑
AI²BMD(AI-driven Biomolecular Dynamics)是由微软华人科学家团队领衔的研究,发表于《自然》杂志。该方法通过将蛋白质分解为21种常见单元,并利用机器学习模型预测其相互作用,实现高效精准的生物分子模拟。相比传统方法,AI²BMD在能量和力预测上精度更高,计算速度提升数个数量级,尤其适用于大规模蛋白质模拟,为药物设计等领域提供了有力工具。未来研究将扩展至更多生物分子类型并优化效率。论文地址:https://www.nature.com/articles/s41586-024-08127-z
201 8
|
人工智能 测试技术 API
成功注册Google的SerpAPI实现AI Agent的tool
成功注册Google的SerpAPI实现AI Agent的tool
2751 6

热门文章

最新文章

推荐镜像

更多
下一篇
oss云网关配置