人工智能領域，產業界與學術界除了薪資不一樣，究竟還有什麼不同？
文︱Synced
譯︱編輯部
圖︱網絡
本文翻譯自Synced，英文原鏈見文末。原標題：Are Commercial Labs Stealing Academia’s AI Thunder?
由Google Research（谷歌研究院），DeepMind和OpenAI運營的產業研究實驗室正在人工智能時代中“呼風喚雨”。大資本贊助的AI實驗室正在席捲各大科技期刊，不斷霸佔主流媒體的頭條。
然而，學術界卻對產業界實驗室所取得的關注持懷疑態度。許多大學教授認為，產業實驗室的研究成果可以反映出工廠的研究工作，但沒有任何科學見解。此外，教授們還擔心學術屆對應屆畢業生和年輕研究員的吸引力正不斷下降，尤其在薪資層面的對比上。此外，產業實驗室也擁有更高的研究成果轉換率。
從這些因素來看，學術界似乎缺乏推動創新和培養下一代的能力。
DeepMind AlphaFold來自學術界
去年12月，在蒙特利爾舉行的“2018年神經信息處理系統會議”（NeurIPS）期間，英國研究公司DeepMind推出了AlphaFold，在“蛋白質結構預測奧運會”CASP13比賽中，力壓其他參賽者。
在這項挑戰賽中，各參賽隊伍的任務是“蛋白質摺疊問題”——基於蛋白質基因序列，預測其氨基酸殘基將摺疊成何種複雜的蛋白質3D結構。蛋白質越大，氨基酸之間的相互作用就越多，建模也就越複雜，困難會成倍上升。
DeepMind經常在高知名度的人工智能會議上宣佈其人工智能技術的突破，尤其在NeurIPS（前NPIS）上。在NIPS 2013上，DeepMind推出了首個深度強化學習模型，在多數Atari遊戲中取得最優的成績，其中有三款遊戲在測試中戰勝了人類。在2017年的NIPS大會上，DeepMind創始人兼首席執行官Demis Hassabis宣佈，其Go-master人工智能計算機AlphaZero 24小時內就能在國際象棋和圍棋方面達到超人類水準。
DeepMind在蛋白質摺疊方面的進展無疑令人印象深刻：AlphaFold的得分比排名第二的團隊高出20分，實現了CASP所說的“在計算方法預測蛋白質結構方面的空前進步”。
"人工智能領域，產業界與學術界除了薪資不一樣，究竟還有什麼不同？
文︱Synced
譯︱編輯部
圖︱網絡
本文翻譯自Synced，英文原鏈見文末。原標題：Are Commercial Labs Stealing Academia’s AI Thunder?
由Google Research（谷歌研究院），DeepMind和OpenAI運營的產業研究實驗室正在人工智能時代中“呼風喚雨”。大資本贊助的AI實驗室正在席捲各大科技期刊，不斷霸佔主流媒體的頭條。
然而，學術界卻對產業界實驗室所取得的關注持懷疑態度。許多大學教授認為，產業實驗室的研究成果可以反映出工廠的研究工作，但沒有任何科學見解。此外，教授們還擔心學術屆對應屆畢業生和年輕研究員的吸引力正不斷下降，尤其在薪資層面的對比上。此外，產業實驗室也擁有更高的研究成果轉換率。
從這些因素來看，學術界似乎缺乏推動創新和培養下一代的能力。
DeepMind AlphaFold來自學術界
去年12月，在蒙特利爾舉行的“2018年神經信息處理系統會議”（NeurIPS）期間，英國研究公司DeepMind推出了AlphaFold，在“蛋白質結構預測奧運會”CASP13比賽中，力壓其他參賽者。
在這項挑戰賽中，各參賽隊伍的任務是“蛋白質摺疊問題”——基於蛋白質基因序列，預測其氨基酸殘基將摺疊成何種複雜的蛋白質3D結構。蛋白質越大，氨基酸之間的相互作用就越多，建模也就越複雜，困難會成倍上升。
DeepMind經常在高知名度的人工智能會議上宣佈其人工智能技術的突破，尤其在NeurIPS（前NPIS）上。在NIPS 2013上，DeepMind推出了首個深度強化學習模型，在多數Atari遊戲中取得最優的成績，其中有三款遊戲在測試中戰勝了人類。在2017年的NIPS大會上，DeepMind創始人兼首席執行官Demis Hassabis宣佈，其Go-master人工智能計算機AlphaZero 24小時內就能在國際象棋和圍棋方面達到超人類水準。
DeepMind在蛋白質摺疊方面的進展無疑令人印象深刻：AlphaFold的得分比排名第二的團隊高出20分，實現了CASP所說的“在計算方法預測蛋白質結構方面的空前進步”。
然而，2018年的NeurIPS大會上幾位教授表示，DeepMind的成就“缺乏創新”。杜克大學教授陳怡然稱：“許多學者指出，DeepMind最近的蛋白質摺疊研究在理論上沒有任何創新，只是將現有的技術應用於新的場景。”
不少學者擔心，那些關於DeepMind新聞稿中相關措辭會產生連鎖反應。一位不願透露姓名的學者告訴Synced，蛋白質摺疊的新聞稿並沒有提到這項是建立在此前學術界的基礎之上的：“新聞稿在某種程度上誤導了公眾，讓他們相信DeepMind發明了自己的深度學習算法。”
目前流行的蛋白質摺疊技術通常包括兩個主要步驟：1，瞭解蛋白質分子的形狀與其氨基酸序列之間的關係；2，根據這些信息建立一個蛋白質的三維模型。過去幾年的大多數研究工作（包括AlphaFold）都旨在提高第一步的準確性。
2017年1月，芝加哥豐田技術研究所(Toyota technology Institute at Chicago)教授Jinbo Xu開發了一種公認為該領域第一個實驗可行的深度學習方法，並取得了重大進展。Jinbo Xu應用深度卷積殘差神經網絡預測哪些氨基酸殘基處於接觸狀態，即接觸預測。
Jinbo Xu的工作促使許多蛋白質摺疊研究小組重新實現了他的算法，併產生了優於以往方法的性能。在CASP13比賽中，許多參賽團隊的預測器(尤其是接觸預測器)使用了深度卷積神經網絡，其中包括DeepMind的AlphaFold。考慮到大多數團隊都沒有DeepMind的工程和計算資源，DeepMind的成功並非出乎意料。
由於DeepMind還沒有發表關於AlphaFold的論文，他們的方法是基於基本的科學見解還是高超的工程技術，不得而知。哈佛醫學院生物學家Mohammed AlQuraishi認為AlphaFold是兩者的結合——因為DeepMind使用深度學習來預測氨基酸對之間的距離，而不是殘基的接觸。
Jinbo Xu於2017年首次提出將深度卷積殘差神經網絡擴展到距離預測中，並在其2018年發表的論文《利用殘差協變和深度學習進行蛋白質線程化》（Protein threading using residual co-variation and deep learning）中提出了這一想法。在DeepMind公佈研究結果的一個月前，徐教授在《深度學習驅動下的基於距離的蛋白質摺疊》(the paper distance-based protein fold by Deep Learning)上發表了他關於基於距離的蛋白質摺疊的最新研究成果，該論文發表在預印平臺Biorxiv上，並被2019年頂級計算生物學大會RECOMB接收。
職業選擇：學術or產業？
一位普通的計算機專業畢業生面臨兩種可能的職業道路：1，加入一個學術機構，從事基礎研究或概念驗證調查；2，成為一名行業研究人員，專注於產品或服務的改進。
隨著DeepMind、谷歌研究院和微軟研究實驗室（Microsoft Research labs）越來越多的將觸手伸到前沿研究，學術和商業公司之間的區別最近變得模糊起來。例如，在2015年NIPS上，谷歌有25篇論文被接受，到2018年，這個數字增加到了107篇，佔會議接受論文總數的10.5%。
特斯拉人工智能總監Andrej Karpathy在他的博客中寫道：“當我攻讀博士學位(~2011年)時，行業研究還不那麼普遍。在圖形(如Adobe / Disney 等)中很常見，但在人工智能/機器學習中則不多見。時過境遷，單從主觀角度，行業參與度已經顯著提高。”
人工智能社區見證了人才從學術界流向商業屆的單向流失。不可否認，成為行業研究員有很多優勢。美國國際集團(AIG)統計機器學習主管Yuanyuan Liu表示：“行業研究員正專注於特定產品，卻對特定領域不怎麼感興趣。他們的研究方向與現實世界相聯繫，研究成果到產品實現的轉化率相對較高，有大量有價值的數據可供研究。”
"人工智能領域，產業界與學術界除了薪資不一樣，究竟還有什麼不同？
文︱Synced
譯︱編輯部
圖︱網絡
本文翻譯自Synced，英文原鏈見文末。原標題：Are Commercial Labs Stealing Academia’s AI Thunder?
由Google Research（谷歌研究院），DeepMind和OpenAI運營的產業研究實驗室正在人工智能時代中“呼風喚雨”。大資本贊助的AI實驗室正在席捲各大科技期刊，不斷霸佔主流媒體的頭條。
然而，學術界卻對產業界實驗室所取得的關注持懷疑態度。許多大學教授認為，產業實驗室的研究成果可以反映出工廠的研究工作，但沒有任何科學見解。此外，教授們還擔心學術屆對應屆畢業生和年輕研究員的吸引力正不斷下降，尤其在薪資層面的對比上。此外，產業實驗室也擁有更高的研究成果轉換率。
從這些因素來看，學術界似乎缺乏推動創新和培養下一代的能力。
DeepMind AlphaFold來自學術界
去年12月，在蒙特利爾舉行的“2018年神經信息處理系統會議”（NeurIPS）期間，英國研究公司DeepMind推出了AlphaFold，在“蛋白質結構預測奧運會”CASP13比賽中，力壓其他參賽者。
在這項挑戰賽中，各參賽隊伍的任務是“蛋白質摺疊問題”——基於蛋白質基因序列，預測其氨基酸殘基將摺疊成何種複雜的蛋白質3D結構。蛋白質越大，氨基酸之間的相互作用就越多，建模也就越複雜，困難會成倍上升。
DeepMind經常在高知名度的人工智能會議上宣佈其人工智能技術的突破，尤其在NeurIPS（前NPIS）上。在NIPS 2013上，DeepMind推出了首個深度強化學習模型，在多數Atari遊戲中取得最優的成績，其中有三款遊戲在測試中戰勝了人類。在2017年的NIPS大會上，DeepMind創始人兼首席執行官Demis Hassabis宣佈，其Go-master人工智能計算機AlphaZero 24小時內就能在國際象棋和圍棋方面達到超人類水準。
DeepMind在蛋白質摺疊方面的進展無疑令人印象深刻：AlphaFold的得分比排名第二的團隊高出20分，實現了CASP所說的“在計算方法預測蛋白質結構方面的空前進步”。
然而，2018年的NeurIPS大會上幾位教授表示，DeepMind的成就“缺乏創新”。杜克大學教授陳怡然稱：“許多學者指出，DeepMind最近的蛋白質摺疊研究在理論上沒有任何創新，只是將現有的技術應用於新的場景。”
不少學者擔心，那些關於DeepMind新聞稿中相關措辭會產生連鎖反應。一位不願透露姓名的學者告訴Synced，蛋白質摺疊的新聞稿並沒有提到這項是建立在此前學術界的基礎之上的：“新聞稿在某種程度上誤導了公眾，讓他們相信DeepMind發明了自己的深度學習算法。”
目前流行的蛋白質摺疊技術通常包括兩個主要步驟：1，瞭解蛋白質分子的形狀與其氨基酸序列之間的關係；2，根據這些信息建立一個蛋白質的三維模型。過去幾年的大多數研究工作（包括AlphaFold）都旨在提高第一步的準確性。
2017年1月，芝加哥豐田技術研究所(Toyota technology Institute at Chicago)教授Jinbo Xu開發了一種公認為該領域第一個實驗可行的深度學習方法，並取得了重大進展。Jinbo Xu應用深度卷積殘差神經網絡預測哪些氨基酸殘基處於接觸狀態，即接觸預測。
Jinbo Xu的工作促使許多蛋白質摺疊研究小組重新實現了他的算法，併產生了優於以往方法的性能。在CASP13比賽中，許多參賽團隊的預測器(尤其是接觸預測器)使用了深度卷積神經網絡，其中包括DeepMind的AlphaFold。考慮到大多數團隊都沒有DeepMind的工程和計算資源，DeepMind的成功並非出乎意料。
由於DeepMind還沒有發表關於AlphaFold的論文，他們的方法是基於基本的科學見解還是高超的工程技術，不得而知。哈佛醫學院生物學家Mohammed AlQuraishi認為AlphaFold是兩者的結合——因為DeepMind使用深度學習來預測氨基酸對之間的距離，而不是殘基的接觸。
Jinbo Xu於2017年首次提出將深度卷積殘差神經網絡擴展到距離預測中，並在其2018年發表的論文《利用殘差協變和深度學習進行蛋白質線程化》（Protein threading using residual co-variation and deep learning）中提出了這一想法。在DeepMind公佈研究結果的一個月前，徐教授在《深度學習驅動下的基於距離的蛋白質摺疊》(the paper distance-based protein fold by Deep Learning)上發表了他關於基於距離的蛋白質摺疊的最新研究成果，該論文發表在預印平臺Biorxiv上，並被2019年頂級計算生物學大會RECOMB接收。
職業選擇：學術or產業？
一位普通的計算機專業畢業生面臨兩種可能的職業道路：1，加入一個學術機構，從事基礎研究或概念驗證調查；2，成為一名行業研究人員，專注於產品或服務的改進。
隨著DeepMind、谷歌研究院和微軟研究實驗室（Microsoft Research labs）越來越多的將觸手伸到前沿研究，學術和商業公司之間的區別最近變得模糊起來。例如，在2015年NIPS上，谷歌有25篇論文被接受，到2018年，這個數字增加到了107篇，佔會議接受論文總數的10.5%。
特斯拉人工智能總監Andrej Karpathy在他的博客中寫道：“當我攻讀博士學位(~2011年)時，行業研究還不那麼普遍。在圖形(如Adobe / Disney 等)中很常見，但在人工智能/機器學習中則不多見。時過境遷，單從主觀角度，行業參與度已經顯著提高。”
人工智能社區見證了人才從學術界流向商業屆的單向流失。不可否認，成為行業研究員有很多優勢。美國國際集團(AIG)統計機器學習主管Yuanyuan Liu表示：“行業研究員正專注於特定產品，卻對特定領域不怎麼感興趣。他們的研究方向與現實世界相聯繫，研究成果到產品實現的轉化率相對較高，有大量有價值的數據可供研究。”
如前所述，畢業生職業規劃的另一個強烈因素就是更高的薪水。據《紐約時報》報道，缺乏或沒有行業經驗的人工智能專家年薪和股票可達30萬至50萬美元。根據DeepMind在英國提交的年度財務文件，該公司2016年向其400名員工支付了總計1.38億美元的薪酬。如此說來，包括研究員和其他工作人員在內，平均每人34.5萬美元。相比之下，Glassdoor的數據顯示，計算機科學教授的平均年薪不到9萬美元。
科技巨頭們不僅瞄準了最近的計算機科學畢業生，還把目光投向了知名大學教授。2018年圖靈獎的三位獲獎者中， Geoffrey Hinton和Yann LeCun自2013年以來分別在谷歌和Facebook工作。
2018年圖靈獎唯一一位留在學術界的獲獎者是蒙特利爾大學計算機科學與運籌學系主任Yoshua Bengio。他表示，幾年前從學術界到產業界的人才遷移甚至更糟：“在我們這一代人中，仍然在大學工作並從事深度學習研究的高級研究人員寥寥無幾。即使在20年前或10年前我那一代研究生中，也沒有那麼多的人。”
"人工智能領域，產業界與學術界除了薪資不一樣，究竟還有什麼不同？
文︱Synced
譯︱編輯部
圖︱網絡
本文翻譯自Synced，英文原鏈見文末。原標題：Are Commercial Labs Stealing Academia’s AI Thunder?
由Google Research（谷歌研究院），DeepMind和OpenAI運營的產業研究實驗室正在人工智能時代中“呼風喚雨”。大資本贊助的AI實驗室正在席捲各大科技期刊，不斷霸佔主流媒體的頭條。
然而，學術界卻對產業界實驗室所取得的關注持懷疑態度。許多大學教授認為，產業實驗室的研究成果可以反映出工廠的研究工作，但沒有任何科學見解。此外，教授們還擔心學術屆對應屆畢業生和年輕研究員的吸引力正不斷下降，尤其在薪資層面的對比上。此外，產業實驗室也擁有更高的研究成果轉換率。
從這些因素來看，學術界似乎缺乏推動創新和培養下一代的能力。
DeepMind AlphaFold來自學術界
去年12月，在蒙特利爾舉行的“2018年神經信息處理系統會議”（NeurIPS）期間，英國研究公司DeepMind推出了AlphaFold，在“蛋白質結構預測奧運會”CASP13比賽中，力壓其他參賽者。
在這項挑戰賽中，各參賽隊伍的任務是“蛋白質摺疊問題”——基於蛋白質基因序列，預測其氨基酸殘基將摺疊成何種複雜的蛋白質3D結構。蛋白質越大，氨基酸之間的相互作用就越多，建模也就越複雜，困難會成倍上升。
DeepMind經常在高知名度的人工智能會議上宣佈其人工智能技術的突破，尤其在NeurIPS（前NPIS）上。在NIPS 2013上，DeepMind推出了首個深度強化學習模型，在多數Atari遊戲中取得最優的成績，其中有三款遊戲在測試中戰勝了人類。在2017年的NIPS大會上，DeepMind創始人兼首席執行官Demis Hassabis宣佈，其Go-master人工智能計算機AlphaZero 24小時內就能在國際象棋和圍棋方面達到超人類水準。
DeepMind在蛋白質摺疊方面的進展無疑令人印象深刻：AlphaFold的得分比排名第二的團隊高出20分，實現了CASP所說的“在計算方法預測蛋白質結構方面的空前進步”。
然而，2018年的NeurIPS大會上幾位教授表示，DeepMind的成就“缺乏創新”。杜克大學教授陳怡然稱：“許多學者指出，DeepMind最近的蛋白質摺疊研究在理論上沒有任何創新，只是將現有的技術應用於新的場景。”
不少學者擔心，那些關於DeepMind新聞稿中相關措辭會產生連鎖反應。一位不願透露姓名的學者告訴Synced，蛋白質摺疊的新聞稿並沒有提到這項是建立在此前學術界的基礎之上的：“新聞稿在某種程度上誤導了公眾，讓他們相信DeepMind發明了自己的深度學習算法。”
目前流行的蛋白質摺疊技術通常包括兩個主要步驟：1，瞭解蛋白質分子的形狀與其氨基酸序列之間的關係；2，根據這些信息建立一個蛋白質的三維模型。過去幾年的大多數研究工作（包括AlphaFold）都旨在提高第一步的準確性。
2017年1月，芝加哥豐田技術研究所(Toyota technology Institute at Chicago)教授Jinbo Xu開發了一種公認為該領域第一個實驗可行的深度學習方法，並取得了重大進展。Jinbo Xu應用深度卷積殘差神經網絡預測哪些氨基酸殘基處於接觸狀態，即接觸預測。
Jinbo Xu的工作促使許多蛋白質摺疊研究小組重新實現了他的算法，併產生了優於以往方法的性能。在CASP13比賽中，許多參賽團隊的預測器(尤其是接觸預測器)使用了深度卷積神經網絡，其中包括DeepMind的AlphaFold。考慮到大多數團隊都沒有DeepMind的工程和計算資源，DeepMind的成功並非出乎意料。
由於DeepMind還沒有發表關於AlphaFold的論文，他們的方法是基於基本的科學見解還是高超的工程技術，不得而知。哈佛醫學院生物學家Mohammed AlQuraishi認為AlphaFold是兩者的結合——因為DeepMind使用深度學習來預測氨基酸對之間的距離，而不是殘基的接觸。
Jinbo Xu於2017年首次提出將深度卷積殘差神經網絡擴展到距離預測中，並在其2018年發表的論文《利用殘差協變和深度學習進行蛋白質線程化》（Protein threading using residual co-variation and deep learning）中提出了這一想法。在DeepMind公佈研究結果的一個月前，徐教授在《深度學習驅動下的基於距離的蛋白質摺疊》(the paper distance-based protein fold by Deep Learning)上發表了他關於基於距離的蛋白質摺疊的最新研究成果，該論文發表在預印平臺Biorxiv上，並被2019年頂級計算生物學大會RECOMB接收。
職業選擇：學術or產業？
一位普通的計算機專業畢業生面臨兩種可能的職業道路：1，加入一個學術機構，從事基礎研究或概念驗證調查；2，成為一名行業研究人員，專注於產品或服務的改進。
隨著DeepMind、谷歌研究院和微軟研究實驗室（Microsoft Research labs）越來越多的將觸手伸到前沿研究，學術和商業公司之間的區別最近變得模糊起來。例如，在2015年NIPS上，谷歌有25篇論文被接受，到2018年，這個數字增加到了107篇，佔會議接受論文總數的10.5%。
特斯拉人工智能總監Andrej Karpathy在他的博客中寫道：“當我攻讀博士學位(~2011年)時，行業研究還不那麼普遍。在圖形(如Adobe / Disney 等)中很常見，但在人工智能/機器學習中則不多見。時過境遷，單從主觀角度，行業參與度已經顯著提高。”
人工智能社區見證了人才從學術界流向商業屆的單向流失。不可否認，成為行業研究員有很多優勢。美國國際集團(AIG)統計機器學習主管Yuanyuan Liu表示：“行業研究員正專注於特定產品，卻對特定領域不怎麼感興趣。他們的研究方向與現實世界相聯繫，研究成果到產品實現的轉化率相對較高，有大量有價值的數據可供研究。”
如前所述，畢業生職業規劃的另一個強烈因素就是更高的薪水。據《紐約時報》報道，缺乏或沒有行業經驗的人工智能專家年薪和股票可達30萬至50萬美元。根據DeepMind在英國提交的年度財務文件，該公司2016年向其400名員工支付了總計1.38億美元的薪酬。如此說來，包括研究員和其他工作人員在內，平均每人34.5萬美元。相比之下，Glassdoor的數據顯示，計算機科學教授的平均年薪不到9萬美元。
科技巨頭們不僅瞄準了最近的計算機科學畢業生，還把目光投向了知名大學教授。2018年圖靈獎的三位獲獎者中， Geoffrey Hinton和Yann LeCun自2013年以來分別在谷歌和Facebook工作。
2018年圖靈獎唯一一位留在學術界的獲獎者是蒙特利爾大學計算機科學與運籌學系主任Yoshua Bengio。他表示，幾年前從學術界到產業界的人才遷移甚至更糟：“在我們這一代人中，仍然在大學工作並從事深度學習研究的高級研究人員寥寥無幾。即使在20年前或10年前我那一代研究生中，也沒有那麼多的人。”
Yoshua Bengio
除了資金之外，在學術環境中進行人工智能研究還有其他的缺點。阿爾伯塔大學博士、Attain.ai的創始人Yuxi Li認為，儘管我們正處於大數據和深度學習的時代，但一些高級研究項目的計算能力可能在大學中還不夠。此外，在產業研究實驗室的研究合作者通常比大學的博士生更有經驗。教授也需要花時間撰寫研究經費申請和教書。
然而，學術界提供了一個理想的環境——沒有強大的交付壓力或商業化導向的研究限制，以產生重大突破。
卡內基梅隆大學教授Simon DeDeo在一篇博客文章中，就谷歌大腦或其他行業實驗室對研究科學家的吸引力發表了看法：“谷歌可以擊敗堪薩斯大學，唯一的原因是他們可以僱用十倍數量的研究生。當然，兩者的區別在於，英國的研究生有機會在智力上做出有意義重大的事情。在GR（谷歌研究）不是這樣。”
“試想，在事業上升期的某一刻，讓你的頭腦和靈魂突然轉變來做推動人類兩千年發展的遊戲中去，身在谷歌或者Facebook的你，會去做嗎？”
產學界關係的新趨勢
儘管學術界和產業界之間存在明顯的利益衝突，但最近的趨勢表明，兩者在尋求努力達到互補。谷歌、Facebook、微軟和亞馬遜等公司正在為學術研究團體提供更多的資金、數據和計算資源等便利。
CMU助理教授扎克·利普頓表示，現在產學界有非常好的合作案例：“許多學術實驗室一直受到資助和博士生支持，學生們甚至會直接受到贊助，還有一些實驗性的項目正在湧現，產業界的研究人員在僱主的全力資助下重返博士學位。”
同樣值得注意的是，許多大學教授現在被提供了在產業實驗室的高級研究員職位，同時他們能夠在大學繼續教學。
Lipton說，頂尖研究人員留在學術界的一個主要因素可能是在那種環境下存在年輕有才華的學生。“一個才華橫溢但年輕的研究員可能從未寫過一篇論文，把他們變成一個成熟的獨立研究者，這很令人興奮。更多的是利己主義，名校的博士生的工作效率非常高，與他們合作讓你可以從事一個更廣闊、更有雄心的研究項目。”
教授們在學術和產業之間的時間安排比例從2：8到8：2不等，有的是1：1。Bengio說：“這種模式的優勢在於那些教授可以繼續監督研究生。
儘管選擇投身到產業界仍是主流選擇，但許多人工智能成就都源於多年的學術工作。顯然，學術界需要新鮮血液來繼續推動創新。如今，我們看到一個更加包容的學術環境，歡迎來自頂尖學府的年輕研究生，他們既想研究根本問題，又想對現實世界產生深遠影響。
Bengio說，他看到新一批年輕教師選擇回到大學教深度學習。“我們以這種方式失去了很多人，但情況正在好轉。”
英文原文鏈接為：
https://syncedreview.com/2019/07/10/are-commercial-labs-stealing-academias-ai-thunder/?utm_source=quora&utm_medium=referral
END
"