本文約3400字，建議閱讀5分鐘。
從金山CEO退休兩年後，除了在源碼資本任職投資合伙人，張宏江又在北京智源人工智慧研究院擔任首屆理事長，致力於推動不同行業分享大數據，讓從事基礎研究院所和 AI 的創業公司更容易獲得數據。
作為一個橫跨產學研、投資四界的人，他對 AI 產業發展無疑有著更全面的了解。近期他接受了 我們的專訪，講述了AI產業投資、AI公司發展和人才培養三方面的內容。
談 AI 投資：投資正趨於理性
問：從投資角度，你覺得中國在「智能+」領域投資的短板是什麼？
張宏江：中國人工智慧投資聚焦在應用層，算法、晶片這些基礎層的公司與美國相比確實少一些，這跟我們的發展階段相關，但這會逐漸改善。
問：在應用層，你看好哪些「智能+」領域的發展前景？
張宏江：我不是應用領域的專家，但發展前景一般與這兩點有關：一是應用場景能夠產生大數據，二是能夠產生很多收入或者它本身就有很大的資源，也就是錢多、數據多的行業，比如金融、醫療和移動網際網路。
問：錢多、數據多的行業有很大的發展前景，但今年的投融資數據顯示，獲得最多融資額的是智能製造，這說明了什麼？
張宏江：應用場景越大，未來所能夠影響的市場越大，顯然潛力也就越大。我們談的所有概念都是相對概念，製造業是中國最大的產業，進一步智能化後顯然有最大的市場，所以在這個領域吸引到投資是正常的、比較健康的。
問：去年年初，李開復等業內人士就預言今年年底寒冬來臨，AI 泡沫會破掉，不過投融資數據同樣顯示，相比去年，今年的 AI 投資事件在數量減少了 1/3，但整個投資的融資額度卻增加了將近 1/4，AI 投資的熱度似乎不降反升了？
張宏江：我們說泡沫破滅還是寒冬來臨都是相對概念。換句話說，今天人們看人工智慧公司已經不像三年前，錢就會跟著幾個從大學出來的博士或者教授，從這一點來說泡沫已經破了。
今天投資額度的增加在於很多錢投到了 B 輪以上的公司，所以（總體投資）數量降低是正常的，這恰恰說明了整個市場趨於成熟，投資也越來越理性，人們對於一家 AI 公司所需要具備的核心競爭力在什麼地方也越來越清楚。
另外，關於投資寒冬，其實大家更多看的是經濟周期，當經濟下行的時候投資一定會變得更加小心。
問：如果對 AI 初創企業的創業者們說一句話，你會說什麼？
張宏江：想清楚自己到底要做什麼。第一個問題是你覆蓋的用戶到底有沒有這種需求；第二個問題是有這種需求，你和現在已經在滿足他們這種需求的公司有什麼核心的差異化。
談 AI 公司：要形成數據生產的閉環
問：你強調 AI 公司的護城河是數據和人才，算法和技術形成不了商業模式，但關鍵問題是他們如何獲得高質量的數據以及正確地使用數據？
張宏江：如何獲取高質量的數據這個問題今天已經有非常好的答案，這也是為什麼這一波AI浪潮能夠起來的根本原因之一。20 年前人們做神經網絡的時候，並不是完全不知道算法應該怎麼往下延伸，而是說那時候根本就沒有這麼多數據。但尤其過去 10 年移動網際網路的快速發展，人和數據有了大量的深度交互，這本身就是產生高質量標註數據的過程。比如用手機拍一張照片，你至少知道是誰在什麼地方、什麼時候、用哪個手機照的，這些攝像機參數都有，然後就能很容易做場景識別。
同樣的道理，我認為未來的人工智慧公司一定是所謂的閉環公司，就是說你有產品，產品跟用戶進行交互，這個過程中又產生大量反饋去改善產品以及用戶體驗，吸引更多用戶之後，也就能產生更多數據從而訓練更好的算法。整體來說是一個循環，尤其是移動網際網路的「環」。
所以我不認為產生高質量大數據是個問題，實際上更大的問題是怎麼分享不同行業的大數據，怎麼讓做基礎算法研究的人能夠用它訓練更好的算法，這是核心問題所在。
問：既然數據起決定性作用，那是不是可以認為未來沒有數據的 AI 公司都會死掉？
張宏江：也不能說它會死掉，總歸會留下一些AI技術和解決方案 諮詢公司，但這些公司很難成為真正的具有領軍地位的平臺型公司。
問：反過來看，如果現在的大數據公司或者數據平臺快速地跟進算法或技術，那他們在未來競爭中應該更有優勢。
張宏江：沒錯，因為今天那些在人工智慧上有優勢的公司，比如 Google，Facebook，微軟，Amazon 的核心在於他們能夠獲得大量實用場景的數據，當然他們也有很強的技術團隊，尤其是 Google 和微軟。另外像中國的 BAT、今日頭條、美團也一樣，他們能夠持續獲得大量高質量的數據，加上他們本身的技術實力，他們成為人工智慧領軍企業是毫無疑問的。
問：即將舉辦的 2018 大數據技術大會（BDTC）的演講議題至少有一半都與人工智慧技術強相關，怎麼看大數據會議「AI 化」的趨向？
張宏江：大數據會議持續舉辦很多年了，甚至沒有因為人工智慧的熱度把名字給改掉，我感到非常高興。大數據我們談了 15 年，但它的應用落地很有限，深度學習算法的突破給大數據的應用提供了強有力工具。在智能化之前，企業首先要先做到數據化，要意識到用數據來驅動業務、驅動產業。所以對於大數據的未來發展，我們應該非常樂觀地認識到它是這次產業革命最核心的生產資料，而再利用人工智慧這種工具，會找到更好、更多的大數據應用場景。
談 AI 人才：一窩蜂扎堆的方式不可取
問：從技術人員角度，你認為 AI 時代需要的優秀人才都有哪些特徵？
張宏江：任何時代業界對技術人員的要求都是同樣的，最核心的是熱愛技術，有紮實的技術基礎，動手能力極強，只是說 AI 時代可能對人才的技能要求更高，人工智慧工程師不只是寫程序，還要學會不斷開發算法，要有很強的數據分析能力、應用場景的理解能力。
問：大學是為企業輸送 AI 人才的重要基地，去年以來有一個顯著的趨勢是至少有 50 家高校的本科都設置了人工智慧學院。在人才培養方面你與高校也有交流，你覺得高校培養 AI 人才方面存在哪些誤區？
張宏江：任何一窩蜂的做法都不可取，尤其是大學都這樣做，卻不看具體要求。比如我們 15 年前都做軟體學院，今天誰告訴我軟體學院跟計算機學院的區別？10 年前大家開始開設電商專業，電商專業到底學的是什麼？今天人工智慧的興起讓我們對人工智慧人才的技能要求更多，那我們本科教育應該去加強人工智慧課程的設置和質量，讓它成為計算機專業方向的側重方向。你做人工智慧專業修不修計算機基礎課？要不要懂計算機系統架構？要不要懂計算機基本算法？你前面還要學數學、代數，這些都要做。
所以我看不出今天一窩蜂做人工智慧本科專業對這個產業有任何益處。五年以後，如果需要更多晶片人才、網絡人才怎麼辦？10 年前為什麼不設 AI 本科專業？我們需要的恰恰是建立起持之以恆的計算機本科教育，強調計算機基礎能力，需要課程內容設置更紮實、豐富，包括教材、講課的內容要不斷跟上技術發展的需求。
問：另一方面，這麼多人工智慧學院的成立也說明對 AI 人才的需求很旺盛。
張宏江：我沒有看到美國排名前 50 的學校一窩蜂地扎堆。過去 30 年人工智慧都在坐冷板凳，因為熱了再開這個課，那五年以後再坐冷板凳怎麼辦？我們要的是紮實的本科教育，不是追噱頭的一窩蜂。
問：美國的 AI 人才教育有什麼值得借鑑的地方？
張宏江：過去幾十年我們一直在向美國學習教育（課程）怎麼設置，這種過程應該持續下去，但我們經常學到的是外表或者是一些「時髦」的東西，比如今天大學大多強調的是論文、SC 檢索。
我前段時間跟一位院士聊天，聊到在學術上中國人工智慧的人才數量已經不少。他說量是比以前增加了很多，但你看看他們在做什麼？國際人工智慧大會上發表的文章數量已經不少，但這些文章據說 90% 都分布在最熱的深度神經網絡，就跟設置本科人工智慧專業的情形一模一樣，這是令人憂慮的。
大家有沒有想過今天的神經網絡或者深度學習缺陷在哪？它不能解決的問題是什麼？這些算法未來的演進是什麼？是不是應該在 AI 的其他地方再多做點？我們更應該強調持續的基礎研究，真正能夠坐很長時間冷板凳的東西。
問：你認為目前人們對人工智慧行業的發展最需要重視的問題是什麼？
張宏江：最大的風險是人們認為人工智慧只有深度學習或者只有神經網絡學習。我們知道每個算法都有它的局限性，如果只考慮一種算法，也應該更多地看一看這種算法的改善空間，這種算法能不能跟其他算法結合，從而應用到更好的應用場景去創造更大的價值。
今天人工智慧取得的突破都是長期坐冷板凳的結果，下一個突破可能也在於今天坐冷板凳的那些人，希望 AI 的基礎研究能夠放眼更遠的未來。