“我从事的机器学习研究，是人工智能的基础核心领域之一。相比较于应用技术研究，机器学习基础研究门槛高、取得成果慢，不易直接产生效益，这导致年轻科研人员感到前者‘性价比低’，对后者热情更高。”周志华介绍，由于机器学习技术目前被广泛使用，相比于人工智能其他领域，机器学习基础研究被应用研究“淹没”的现象尤为明显。
如科研项目申请与人才选拔过程中，由于“使用机器学习”的与“研究机器学习”的都被认为是“搞机器学习的”，机器学习基础研究与应用技术研究通常被放在一起评审，而评审专家多为“大同行”，较多以高质量论文数、引用数等为参考进行评价，导致机器学习基础研究“一流选手”在“成绩单”上比不过应用技术研究“二流选手”，引起更多青年人才趋向应用研究。此外，目前科研项目通常严格量化指标考核，工作开展前就要求明确一系列量化技术指标，在工作开展的各环节都重点考查是否达到预定指标，这对于注重从0到1探索的基础研究并不适宜。“‘试错机制’的缺乏使科研工作者不敢从事风险较大的原创性探索。”周志华说。
对此，周志华建议，强化分类管理、分类评价，区别对待基础研究和应用技术研究，在评审阶段，不把这两类不同性质的项目和人员打包到一起。同时，强化评审专家与项目内容的匹配度，提升“小同行”比例，引导专家从研究工作的技术内涵评价其质量水平。在项目考核管理上，对基础研究型工作，不事先规定量化考核指标，重点考核其原创价值和对于推动领域发展的学术贡献，允许原创探索过程中的试错。
据悉，不预定成果指标、宽容探索失败、大力鼓励原创性基础研究，已经在南京大学人工智能学院开始了实践。南京大学人工智能学院俞扬教授告诉记者，学院给予老师充分的空间，做“冷门”方向的老师也能不受干扰，在学院可以有更宽阔的视野，有利于激发原创性研究。
“20年前我们国内人工智能基础研究水平很弱，在几大顶级会议上国内学者论文罕见，偶尔有一两篇，经常被‘剃光头’，但现在几乎所有的人工智能顶级会议都有大量的国内论文。”周志华表示，基础研究水平的提高，可以让国内大批研究生能够接触和从事与国际接轨的研究课题。“其中有一些孩子自然会走到前沿，他们的聪明才智不仅会促进基础研究，还会促进领域技术创新，在工作后就纷纷成为人工智能业界的生力军，为我国人工智能产业蓬勃发展作贡献。”
【记者手记】
科技是第一生产力，人才是第一资源。从2018年开始，周志华所在的南京大学率先建立人工智能学院，率先从本科开始专门培养人工智能专业人才。作为国内较早起步的高校，南京大学人工智能学院已经完成了完整一轮本科生培养，并且在培养过程中不断研讨反思、不断改进完善。对于AI人才培养，周志华非常大方：“最近我们把新版的培养体系出版分享出来，希望跟兄弟院校相互交流取长补短、一起努力推进我国高水平人工智能人才培养。”
来源 扬子晚报/紫牛新闻
记者 杨甜子
校对 陶善工
编辑 朱亚萍
