清华大学电子工程系副教授、深鉴科技联合创始人汪玉认为，人工智能是需要长期投入的研究项目，应该打好基础，进行产学研深度结合，构建适合人工智能发展的生态系统。
人工智能产业趋势
在过去数十年间，有三个科技领域因为量的井喷，而成为产业化聚焦点，第一个是互联网，接着是移动互联网，现在则是人工智能。虽然目前大家对人工智能的定义还不甚明晰，但无论何种智能，都需要一个物理的载体。
目前对于这个载体的共识，仍然是芯片及运行芯片的软件系统。所以，当人工智能发展起来后，其所带来的对于硬件的需求量，会远远超过全球人口。这是因为，一开始的互联网，个人电脑（PC，PersonalComputer）需要连线才能接到网络里，所以PC的数量不会超过全球人口；而在移动互联网端，目前全球手机的量已差不多接近或超过全球人口，这得益于中国的很多手机公司在印度、非洲、拉美等地区的大力推广。
随着芯片需求的暴增，我们面临的一个重大问题就是如何去定义AI芯片。因为这首先需要定义什么是AI，机器学习（MachineLearning）就是AI吗？好像不完全是。深度学习（DeepLearning）就更不完全是了。做芯片的人需要有一个清晰的软件和应用要求，这个清晰的软件和应用要求决定了硬件怎么去做。
当前最通用的一种做法，是用CPU或GPU去实现各种功能，因为它（CPU或GPU）是一个通用处理器。而现在大家都在运用的深度学习，只是其中的一种算法，可以针对这个算法去做硬件加速器，这样用到深度学习某一个具体应用就可以用到更高效的专用芯片。在高效性和通用性之间，任何一个点，可能都会有公司选择去做芯片，所以我们预计未来5~10年，是一个应用驱动的片上系统时代。很多大公司会选择购买通用芯片，但同时也不会放弃做自己的芯片的权利。这是一个很明确的趋势，而在这样一个趋势下，生态系统的构建对人工智能行业极为关键。
比如，芯片从能用到好用，仍是远远不够的，因为再往后走，让大家喜欢用、离不开的是软件。而在这一块，中国与国际领先的差距比较大。CPU我们也能做出来，可以做的很好，但为什么卖不出去？就是因为上层的基础软件和应用生态处于劣势。从显卡起步的英伟达公司做到了，它也就成功了，完成了从芯片公司到系统公司的转变。我所创业的深鉴科技之所以被赛灵思收购，也是因为赛灵思不希望只是做芯片，而是希望能够构造自己的生态和软件工具链，包括软硬件一体的解决方案，这正是深鉴科技的强项。收购了深鉴科技之后，赛灵思在AI或DeepLearning这个分支上就可以从最下面的芯片一直做到应用，而不是仅仅提供一个芯片，它可以为客户提供完整的解决方案，从而降低客户的使用门槛。
通过这一过程，我的感受是，当前的人工智能，并不是造出一个新的行业，而是一个外加（Plus）的过程，即：“人工智能+”，这对传统的各个行业，大概算是一则福音吧！
其次是如何让传统行业把AI运用起来，这非常关键。我做芯片后，越来越觉得不能仅仅从硬件平台的角度来推动整个行业和全社会的产业升级，更应该从应用驱动这个角度结合软硬件层技术去做，因为数据不可能在一家做算法的公司或做芯片的公司，只有做应用的人才掌握所有的数据。所以做应用的公司未来将怎样整合数据、算法和计算平台，这也是值得关注的产业趋势。
深鉴科技
一个中国企业全球化与吸引力的小微样本
在从研究到转化的过程中，有两个体会非常深刻，一是高层次人才的稀缺，二是风投资本对创业公司的选择。深鉴科技的创始团队有四位成员，我和韩松是大学教授，单羿和姚颂当时是学生，是一个以技术为主的团队。在2015年底我们准备融资时，以深度学习为主要原理的AlphaGo还没有走进公众视线，当时我们所接触到的国内风投资本没有一家能看懂我们在做什么，因此我们去了硅谷，在那里我们得到了金沙江的支持，拿到了第一笔融资。后来国内的风投才陆续跟进。
深鉴科技发展的历程我不赘述，其实我们更多的是在做一个全球化的过程，高科技行业往往需要依赖全球化的环境才能做到更优。所以在2016年世界顶级的深度学习会议ICLR上，我们发布了论文“DeepCompression：Compressing Deep Neural Networks with Pruning，Trained Quantization and Huffman coding”和Deepmind一同获得最佳论文奖；在FPGA2017大会上，我们的“ESE: Efficient Speech Recognition Engine with Sparse LSTM on FPGA”被评为惟一的最佳论文。2016年和2018年我们的研究成果在HotChips进行发布，这也是一个工业界注重的国际会议。很少有初创公司能够像这样多次获得在全球顶级会议上的分享机会，我们也因此跟赛灵思、阿里、英伟达、三星、联发科等行业内顶级上下游公司建立了良好的沟通渠道。
另外，我们一直在关注两个应用领域：数据中心和辅助驾驶。举例来说，未来所有人的数据都在云上，所有的数据都放在APP背后的数据中心，因此数据中心的竞争将会非常激烈。数据中心可用的芯片必将是非常非常多的种类，无疑，这将是人工智能领域的兵家必争之地。
深鉴和赛灵思的合作可以追述到我07年开始做FPGA（现场可编程门阵列）方向的研究，一直以来都在使用赛灵思的平台进行学校中的研究工作。2016年公司成立伊始，我们就在硅谷与赛灵思建立正式合作，到A轮的战略投资和后续共同商务拓展，到今年赛灵思收购深鉴科技，双方越走越近，收购完成后，赛灵思也把他们完全独立的AI研发部门放到了中国，这是体现“中国企业吸引力”的一个很好的案例。
对产学研深度结合发展的建议
深鉴科技让我经历了从学术成果转换，到初创企业退出的完整的过程。基于这个过程的认识，我想对我国人工智能的研究发展提出一些建议。
技术研究方面
首先，是人工智能的定义。应用其实有很多样，但到底什么是智能？我们的环境是否能够鼓励这种多样化的研究？中国的优势是集中力量办大事，但如果没有极宽泛的多样化基础，很难有新的东西出来。
第二，深度学习与数据唇齿相依，而数据掌握在产业的手里面，如何使产业能够和学校充分合作，是一件非常重要的事情。产业可以提需求，然后可以利用学校和研究所里的“大脑”，但是学校和研究所的“大脑”需要数据资源，希望有一套有效机制促进产学研的合作。
第三，是不跟风。如今深度学习已经是炙手可热的领域，现在继续跟风，没有什么好处。虽然现在在很多高规格国际会议上，中国学者发表的文章数量很大，但是研究领域集中度太高，这是非常不好的现象，人工智能有那么多的研究方向，我们还有很多该做的事情还没有做。
第四，是军民融合，军事上的智能和民用智能有本质上的差异，所有的应用环境都是不一样的，如何做针对性的研究，如何进行军民融合，对我们也是一个关键点。
产业方面
中国经济自改革开放以来，从20世纪80年代以贸易为主的发展，到90年代以房地产为基础的经济发展，再到2000年以后互联网和移动互联网模式的发展，未来，我们一定会进入以硬科技及核心技术来推动发展的时代。所以，如何去完善学校和研究单位的知识产权转化是非常关键的。我和团队在深鉴科技上取得的成功，其一个重要条件是清华大学有明确的知识产权转化政策，比如怎么去分配知识产权，发明人能拿多少，谁来评估，评估过程等非常明晰，所以我才敢大胆地去做。
其次，对硬科技创新型小企业，需要不一样的扶植态度，不仅仅是政府，还有大企业对小企业的容忍度与合作。在深鉴科技成长的过程中，我们就切身感受到了非常大的压力。我们有没有可能真正能够积极地引导大型企业以产业合作的角度来去帮助小公司成长，这可能和直接给钱一样有用。
再次是长期稳定的产业投资策略，人工智能本身就是长周期的项目，如果真正做出与大脑类似的东西的话，需要十年甚至几十年持续的投入，产业资本、政府、研究机构能不能做到长期的稳定投入，也是至关重要的。
汪玉丨清华大学电子工程系副教授、党委副书记，北京深鉴科技有限公司联合创始人
閱讀更多 全球技術地圖 的文章
