越來越多的企業投身于人工智能轉型的浪潮中，但也有越來越多的企業意識到僅僅依靠自己的力量去實現技術創新，不僅過程困難，而且十分漫長，在這種背景下，人工智能領域的企業之間正在努力建立一種良好的互動關系，形成互相借力的產業生態圈。依托復旦大學計算機科學技術學院運行的上海視頻技術與系統工程研究中心，作為人工智能“產研合作”的代表，以其聚焦的基于深度學習研究視覺內容識別技術，加速AI企業的創新應用的落地。本次邀請該研究中心的薛向陽教授，為我們共同探討產研合作中存在的問題。

關玉娟：你們研究的主要范疇是什么？有哪些應用已經開始落地？

薛向陽博士：我們中心主要從事視覺內容識別研究，比如說辨識圖像中出現的物體、檢測該物體在圖像中所處位置等，都屬于最基本的計算機視覺任務。再復雜一點的任務便是挖掘物體與物體之間的關系，例如在一個特定場景的圖像中，根據某物體上下文信息，可推斷出其他可能存在的物體等。再進一步，可以用幾句話簡要描述一副圖像的主要內容。目前視覺內容識別距離實現人們所期望的各種需求，仍然有不小距離，當前成功應用主要是集中在特定物體的識別，例如人臉識別、車輛及車牌識別等，其他更復雜的應用還處于實驗研究階段。

除了車輛與人臉等特定物體識別之外，值得一提的還有工業視覺領域的發展。例如地鐵、高鐵等路軌及設施等運行安全檢測，人力已經無法負荷，通過視覺檢測等綜合技術手段，能有效地掌握列車及鐵軌的真實情況，及時處理問題，保證車輛安全行駛。

關玉娟：研究中心主要是負責完成企業委托或者針對合作項目進行研究嗎？

薛向陽博士：因為實驗室研究成果必須經過實踐檢驗才能證明其有效性，所以我們跟企業的合作比較多，與企業緊密合作也是推動我們自身發展的重要外部條件。現在，我們許多研究方向也是企業提出來的，是根據企業面臨的實際問題開展研究。社會上很多企業的研發力量是有限的，所以產研合作已經是非常普遍的模式，在合作中我們主要是為企業提供算法模型的設計、算法模型性能優化等知識服務。

關玉娟：團隊的優勢是什么，以及合作對象主要是哪些類型的企業？

薛向陽博士：我們的優勢一是算法模型設計，二是充沛的學生人才實力，企業具有熟悉場景與應用落地的優勢，同時他們具備市場及工程開發人員，能實現算法向產品的升級，通過合作互補實現各自資源的最優配置，快速實現創新應用。

關玉娟：市場關于視覺識別目前的應用處于怎樣的水平？如何看待未來的發展？

薛向陽博士：人類感受外部環境信息的70%-80%來自視覺，因此視覺識別的應用必然是范圍廣泛的，從應用的成熟度而言，有些應用已經非常成熟，比如人臉識別，但也有一些應用仍然不太成熟。很多識別的算法模型都是與具體應用場景密切相關，很難從一個應用場景直接遷移到另一個應用場景。

關玉娟：對于企業而言，與你們類似的機構合作，時間成本優勢明顯嗎？

薛向陽博士：對于一些大企業而言，他們可以對算法研究進行大的投入，但對于中小企業而言成本壓力很大。我們這類科研機構對于企業而言是一種資源池，能幫助他們緩解成本壓力，而且幫助他們顯著提升技術水平。

關玉娟：與國外相比，您如何看待國內AI應用的水平？

薛向陽博士：從應用層面而言，國內技術水平接近國外，之所以不談領先，是因為AI里面很多的開源工具、平臺、芯片都是舶來品，但目前中國正在縮短與國外的差距，甚至在某些特定應用場景中處于領先地位。回到技術研究層面，由于許多客觀的因素，目前仍然處于相對落后的狀態。

關玉娟：AI在實際應用中最大的問題與困擾是什么？

薛向陽博士：AI依賴于應用場景，只要場景確定（即各種邊界條件確定），這個時候研發人員比較容易將應用性能等調整得很好。但如果更換了一個場景，原來那套方法就需要進行再調整，這也反映出AI算法模型泛化能力不夠，主要以定制化為主，限制了大范圍推廣。同時，當前許多AI算法都是數據驅動的，需要持續收集大量特定應用場景的數據，然后在應用中進行持續迭代優化，這個過程所需人力與物力對于許多企業而言，顯然是一個非常大的技術、成本和運維等綜合壓力。

關玉娟：隨著人工智能等新技術的興起，目前在高校教育的師資力量匹配上是否會出現壓力？

薛向陽博士：以人工智能為例，在學校里很早便有相關的研究，只是之前并沒有獲得社會公眾普遍關注，比如計算機視覺、自然語言處理、模式識別、自動控制等都有相應的師資和專業，現在AI非常熱，全社會就更加重視，國家教育部先后設立了智能科學與技術、人工智能等本科專業，國內已有不少高校將計算機、電子工程、自動化、神經科學、認知科學等專業進行人力資源整合，建立了人工智能學院或人工智能研究院，積極應對社會對AI人才的急需。

關玉娟：接觸過這么多的人工智能企業，您如何看他們在應用方面的發展問題？

薛向陽博士：以我選擇合作的企業標準而言，我認為要做好一個AI產品或應用需要具備許多要素，首先是團隊要素，企業應有足夠的數據工程師（負責人工數據標注）、軟件工程師（負責工程代碼開發）等。如果企業不具備這些開發人員，我們作為算法研究的角色是無法通過算法幫他們完成產品開發的。在實驗室環境下完成的算法，僅僅是作為算法思想，接下來企業要把算法思進行工程化實現，并在實際應用數據上進行持續檢驗。否則的話，雙方合作是很難取得讓人滿意的結果。

編后語：

人工智能未來充滿著無限可能，當下人臉識別帶給了人們生活上極大的便利。要進一步促進人工智能的發展，需要源源不斷的創新動力。除了企業努力之外，還需要不同研究領域的專家開展跨學科合作研究，以應對人工智能深入發展帶來的各種新挑戰。對人工智能企業而言，產學合作能使效率更高，成本降低，技術水平提升，加速推進惠澤社會的人工智能項目的不斷落地。