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
|
2月前
|
数据采集 人工智能
Nature封面:AI训练AI,越训越离谱
【8月更文挑战第16天】新发表于《自然》杂志的论文显示,当AI模型基于其他AI生成的数据训练时,会出现“模型崩溃”现象,即模型逐渐遗忘真实数据分布细节,偏向生成更常见模式而非罕见模式。这一研究由牛津、剑桥等高校合作完成,通过实验验证了不同AI模型均可能出现此问题,尤其是在低质或少量数据训练下更为显著。但通过数据增强或模型正则化可缓解该现象。研究强调了训练数据质量和来源的重要性,并引发了关于AI发展和应用的讨论。
188 58
|
2月前
|
机器学习/深度学习 人工智能
AI训AI惨遭投毒9次大崩溃,牛津剑桥等惊天发现登Nature封面!
【8月更文挑战第11天】牛津与剑桥大学研究揭示,AI模型若反复在自身生成的数据上训练,将遭遇“模型崩溃”,即性能严重退化,甚至遗忘真实世界的数据分布。此现象在《自然》杂志刊出,警示AI进化之路暗藏风险。实验显示,随着训练代际增加,模型倾向于生成更简单内容,丢失稀有信息,最终可能导致对现实世界的误解加深。此发现对AI领域的持续发展及模型可靠性提出了新的挑战。
168 60
|
20天前
|
人工智能 数据处理
Nature:AI让抄袭问题更加复杂,科学家该如何应对?
【9月更文挑战第16天】《自然》杂志一篇文章指出,AI在科研领域的应用日益增长,带来了加速数据处理、提升计算效率等益处,同时也引发了对科学标准、数据偏见及研究诚信的挑战。一项针对1600多名研究人员的调查显示,超半数认为未来十年AI将成为其研究领域不可或缺的工具。AI能够显著提升科研效率,但也可能增加对模式识别的依赖,加剧数据偏见,并引发研究不可重复性等问题。尤其是大型语言模型如ChatGPT,虽有助于改进论文语法和翻译,但也可能传播错误信息。此外,部分科学家面临计算资源和高质量数据不足等使用障碍。
22 3
|
2月前
|
机器学习/深度学习 人工智能 运维
2023 Google I/O Connect Shanghai 参会总结:云,AI 与 Web
2023 Google I/O Connect Shanghai 参会总结:云,AI 与 Web
2023 Google I/O Connect Shanghai 参会总结:云,AI 与 Web
|
27天前
|
人工智能 开发者
Nature曝惊人内幕:论文被天价卖出喂AI!出版商狂赚上亿,作者0收入
【9月更文挑战第8天】《自然》杂志近日揭露,学术出版商如泰勒·弗朗西斯与微软签订千万美元合约,及威利获高额报酬,将论文提供给科技巨头训练AI模型,引发学界对版权与收益分配的热议。此现象反映了AI对高质量数据的渴求,但亦使研究人员担忧成果被无偿商用,且可能影响学术独立性。尽管AI训练使用学术资源能提升模型科学性,助力科研进展,但如何保障作者权益及维持学术纯粹性仍是亟待解决的问题。https://www.nature.com/articles/d41586-024-02599-9
33 4
|
2月前
|
人工智能 自然语言处理 安全
Google Gemini 1.5 Pro在AI竞赛中遥遥领先,挑战GPT-4o
Google Gemini 1.5 Pro在AI竞赛中遥遥领先,挑战GPT-4o
Google Gemini 1.5 Pro在AI竞赛中遥遥领先,挑战GPT-4o
|
27天前
|
机器学习/深度学习 人工智能 算法
首个像人类一样思考的网络!Nature子刊:AI模拟人类感知决策
【9月更文挑战第8天】近日,《自然》子刊发表的一篇关于RTNet神经网络的论文引起广泛关注。RTNet能模拟人类感知决策思维,其表现与人类相近,在反应时间和准确率上表现出色。这项研究证明了神经网络可模拟人类思维方式,为人工智能发展带来新启示。尽管存在争议,如是否真正理解人类思维机制以及潜在的伦理问题,但RTNet为人工智能技术突破及理解人类思维机制提供了新途径。论文详细内容见《自然》官网。
33 3
|
2月前
|
机器学习/深度学习 人工智能
谷歌AI天气神算登Nature:30秒模拟22天天气,效率暴涨10万倍!
【8月更文挑战第9天】NeuralGCM是由谷歌AI团队开发的革命性天气预测模型,结合机器学习与传统大气物理模型,大幅提高了预测效率与准确性。它能在30秒内完成22天的天气模拟,效率比传统模型提升10万倍。NeuralGCM通过学习大量历史数据,其1至10天内的预测精度媲美甚至超过顶级模型,在极端天气预测方面也有出色表现。尽管尚存局限,如长期气候预测的精确度待提升,但NeuralGCM展现了在应对气候变化及气象挑战中的巨大潜力。【论文链接:https://www.nature.com/articles/s41586-024-07744-y】
40 7
|
2月前
|
人工智能 JSON 自然语言处理
我的Google Vertex AI实践经验分享
忙碌的开发者分享了使用Google Vertex AI的实践经验。从复杂的初始设置到微调模型时的手动资源分配,作者经历了种种挑战,包括高昂的成本与不足的文档支持。尽管如此,Vertex AI在图像识别和自然语言处理方面展现出强大能力。作者希望反馈能帮助Google改进服务,使之更加用户友好。
51 2
|
3月前
|
数据采集 机器学习/深度学习 人工智能
AI小分子药物发现的百科全书,康奈尔、剑桥、EPFL等研究者综述登Nature子刊
【7月更文挑战第12天】康奈尔、剑桥及EPFL科学家合作,详述AI在药物发现中的突破与挑战[^1]。AI现用于新化合物生成、现有药物优化及再利用,加速研发进程。尽管取得进展,可解释性不足、数据质量和伦理监管仍是待解难题。 [^1]: [论文链接](https://www.nature.com/articles/s42256-024-00843-5)
41 3
下一篇
无影云桌面