独家｜研究了66位AI领域优秀科学家，我们发现……

原文标题：Fantastic Scientists and Where to Find Them

校对：丁楠雅

本文长度为4619字，建议阅读8分钟

本文分析并整理66位杰出AI科学家的特征，助你寻找AI人才。

自从几十年前人工智能（AI）诞生以来，一共有66位杰出的科学家赢得了这个领域最负盛名的奖项，他们的学生也被各类公司和机构千方百计地争抢，下面我们来看看这些科学家的个人资料。

人工智能背后经常被遗忘的“人工”

人工智能领域充满了悖论，比如人们倾向于关注AI公司的成就，而不关注研究人员，显然是悖论之一。由Y Combinator公司总裁Sam Altman和Elon Musk创立的非营利研究组织OpenAI就是一个典型的例子。他们宣称“要建立安全的AI，确保AI带来的好处尽可能被广泛均匀的传播”，他们捍卫“开放的文化”，但却没能维护一个清晰的团队成员名单。

相反，我们在研究人工智能时，其中一个关键假设就是研究的进展不只是取决于算法、数据和计算能力的微妙组合，还包括研究的环境（对于本文而言，指的是研究人员是谁和他们为谁工作），这也是一个需要检验的同等重要的问题。

这就是为什么我们决定深入探究最杰出的AI研究人员的生活。我们研究了6位获得过AI领域最有分量的奖项的得主，还研究了被列入名单的66名研究人员的职业生涯。当然，我们对每个个人所能获得的信息量不尽相同，但我们相信通过这个资料库还是可以得出有趣的结论的。结果也没有让我们失望。

但是我们的做法中有需要注意的地方：因为这些科学奖项需要相当一段时间才能为他们的获奖者颁奖，所以即使明确说明获奖者是“年轻”的研究人员-名单中最年轻的获奖者也是1979年出生的。因此，我们也关注了这些获奖者带领的研究生，以便根据领军人物的职业生涯尽可能准确地掌握AI领域不断发展的状态。

多年来AI研究人员的侧写

我们首先整理了66位研究人员的主要特征，研究了总体结果及其随时间的演变。特征包括：国籍、性别、博士和学士的研究领域、以及他们就读或任教的大学和企业部门的关系。

1. 国籍

汇总

进展：随着时间的推移，AI奖项得主的国籍显得更加多样化— 即使他们通常最终在美国完成博士学位或在美国工作。 这就解释了为什么15位最年轻的获奖者中只有1/3是美国国籍，而在15位最年长的获奖者中美国国籍占了2/3。

2. 性别

总结：意料之中且不幸的是，女性研究人员只占了获奖者的一小部分：66人中仅有7人。但是，值得注意的是，在获奖者中最受瞩目的科学家是女性，Barbara Grosz，在我们调查的6个奖项中她被授予了4个奖项。此外，与男性科学家对比，女性科学家占比较少，美国只有2位，相比起其它国籍的女性，还有3位以色列籍女性和2名意大利籍女性。

进展：除了最年长的前1/3没有女科学家出现之外，由于样本太小，无法得出其他结论。例如，在中间的1/3有3位女性，在最年轻的1/3中有4位，所以根据数据不能得出AI领域有女性增多的趋势。

3. PhD研究领域

汇总：

进展：当最初的AI研究者得到博士学位时，计算机系或者AI实验室基本不存在，或者才刚刚创立。所以，他们通常都接受过数学或电子工程等成熟院系的训练（电子工程系和学位是在19世纪80年代创建的）。这就解释了为什么在我们的名单中，数学博士们平均年龄是出生于1934年的，电子工程博士们的平均年龄是出生于1938年的，而计算机博士们的平均年龄则是出生于1958年。

4. 本科专业

总结：令我们惊讶的是，学习纯计算机专业的是一个特例。事实上，在我们收集的有本科数据的58份获奖者数据中，只有5位获奖者本科是计算机专业。大约一半的研究人员是理工科背景，其中大部分是数学专业，其余还有13位是工程专业，5位是数学和计算机的混合专业。

进展：多年来本科的优势专业并没有发生显著变化。例如，在我们名单上最年轻的研究人员中仍能发现许多人是数学专业的。

5. 和企业的关系

总结：在这里我们特意使用“关系”这个模糊的说法。正是为了强调研究人员与企业或私立研究机构（并不以“赢利”为目的）合作的多种交互方式。

主要有三种关系：

• 咨询（包括大公司的科学顾问委员会角色）

• 雇佣和

• 创业

进展：从我们的数据集中并没有发现明显的趋势- 也许是因为这些数据点需要做更多的定性分析。简单来说，私营企业和AI研究人员一直都有联系，所以目前人工智能的繁荣也不是新奇的事。但是，近几十年来AI的发展经历了不少转变和周期。第一个转变是，在全球范围内，我们名单上的获奖者往往不再是雇员而是更多的企业家，即便创业也通常处于类似学术的职位。第二个转变更加明显，就是机构与研究人员合作的演变。例如RCA或者贝尔实验室、PARC（Xerox的一个子公司）和SRI这样的老牌电子巨头都逐渐被初创公司以及诸如微软、雅虎或谷歌等数字化巨头取代了。最后，咨询和创业活动的数量在很大程度上取决于当前的商业周期：近几年互联网的快速发展都导致这些创业活动增多。

6. 大学

总结：我们根据（1）获奖者在哪里获得PhD学位和（2）近五年他们在哪里任教这两个标准对大学进行了排名。以下是我们的结果：

这些结果是与AI领域的发展历史相吻合的，因为最具有影响力的“鼻祖”确实出自麻省理工学院（由Marvin Minsky和John McCarthy 于1959年创建的人工智能项目，后来更名为实验室），斯坦福大学（1963年，John McCarthy创立了斯坦福AI实验室）和卡内基梅隆大学（由Herbert Simon和Allen Newell在1965年创建了计算机科学系）

进展：第一个需要强调的结论是，近年来没有明显的变化趋势：斯坦福大学，麻省理工学院和卡内基梅隆大学已经保持了多年来的优势。第二点要强调的是哈佛大学和多伦多大学，这两所大学在中间1/3年长的获奖者的人生轨迹中出现了4次，却在最年轻的1/3中没有“代表性”。 然而，多伦多大学近几年在深度学习领域的聚焦有所缓和。

5种AI科学家

即便多年来AI研究人员的发展轨迹很少发生变化，但是我们仍然可以从这些科学家身上发现一些不同职业类型，其中有5种原型尤其注目：

1. 忠诚的学术者

描述：这类研究人员一生中的大部分时间在同一所大学任教。

举例：机器人专家Maria Gini（1947年出生），在米兰政治学院担任了几年研究助理，1982年移居美国，在明尼苏达大学担任教授，直到现在。

未来前景：低。如果私人研究项目试图继续吸引博士或者有更丰富经验的教授，那么很多毕业生不太可能选择一个仅仅是学术的职业发展路径。

2. 脱离学术的科学家

描述：和忠诚的学术科学家不同，这类研究人员从未离开私人研究领域。他们不是在公司实验室（例如Bell Labs）工作，就是在私人研究机构（例如SRI International）工作。

举例：Eric Horvitz（1963年出生）自从1993年以来就一直在微软研究所探索机器智能。

未来前景：高。 我们可以想象，未来几年，许多毕业生将加入公司AI实验室的场景。 话虽如此，我们也认为这样的研究人员将会在几个不同职位上度过自己的职业生涯，而不是几十年来坚持为同一个雇主工作。

3. 旋转门

描述：这类研究者是前两者的结合，因为他们的职业生涯通常分为了两部分：一半在私营企业工作（有时是自己的公司），一半在学术界。通常情况是：从前者转向后者。

举例：Henry Kautz（1956年出生），于1987年获得博士学位后先是被AT&T的贝尔实验室聘请，然后于2000年加入了华盛顿大学，之后他又于2007年成为罗彻斯特大学的教授。

未来前景：不确定。因为AI的毕业生也被初创公司盯上，只是最近才开始，至少相对于AI领域的整体历史是这样。我们还不能预见进入公司的毕业生会不会在工作几年后有兴趣回到大学发展新的职业生涯。此外，这个预测还要取决于当下AI热潮的本质：如果被证明和之前其它的AI“井喷”一样转瞬即逝，那么几年之后转向学术也将会是一个不错的归宿。

4. 分叉思维

描述：这类研究人员和旋转门类型很类似，除了一个很大的区别：他们同时属于学术界和企业界。

举例：巴西籍教授Carlos Guestrin（1975年出生）在华盛顿大学任教，同时也是苹果公司的机器学习总监。苹果公司在16年8月收购了Turi公司，由该公司的联合创始人Guestrin于2013年创立。

未来前景：适中。由于时下AI的火热，这种类型在未来一定会变得更加普遍，至少有以下两个原因。首先，公司想聘请经验丰富的、又想保持学术地位的教授（稀缺资源），并且能够利用这样的杠杆作用。第二，越来越多的教职员工把参与初创公司作为第二职业。同时，最近毕业的学生热衷于企业就职的倾向也会抵消这种趋势：首先，如果你不能让学生们对学术兴趣感兴趣，那你也不可能吸引分叉思维的研究人员。

5. 狂热的企业家

描述：这类研究人员不停地探索实现AI的新方法，甚至定制一套用于研究的环境。

举例：自20世纪80年代以来，Douglas Lenat（1950年出生）就一直在探索这样一个想法：《连线》杂志总结为“一个试图教会计算机常识的孤独的战士”。这就意味着创建一个包含数百万断言的巨大知识库，例如“你不能同时处于两个地方” - 对我们来说显而易见，但对计算机却是难懂的基本断定。这个名为Cyc的项目是在1984年启动的，虽然AI的趋势此起彼伏，但Lenat的项目仍在继续。

未来前景：低。这种模式虽然有趣但是并不普遍。而且，在大量的学术和业界混合的职业生涯中，它只能被视作一个特例。

企业是否在囤积AI人才？面向毕业生的调查

现在业界有一个普遍的担忧，就是企业，尤其是GAFA，可能在囤积AI的人才，挖走了学术界大量的PhD。我们的获奖者样本不能帮助我们验证这一趋势，于是我们调查了他们带的学生的就业记录（如果我们能够查到他们的名字和职业信息的可靠数据）随后我们获得了大约300份这样的个人信息，虽然不能保证没有偏差。不过这些数据还是可以为AI领域的过去和现在的状态提供一些线索的。

我们的数据很明确地解答了问题：是的，企业确实在囤积人才！PhD们的第一份工作分别在学术界、电子科技巨头公司和初创公司的百分比在近年来变化趋势如下：

如你所见，一个很显著的变化就是AI毕业生被巨头公司聘请的比例（34%）在2010-2016年间首次超过了追求学术生涯（33%）的比例。

即使这样，GAFA聘请年轻AI博士的趋势也不是新鲜事：在我们的样本中，35名学生被谷歌、亚马逊、Facebook，或苹果聘请（其中仅谷歌就占到2/3），其中由20人是在2011年或更早入职。

我们发现毕业生加入公司的趋势很大程度上和他们的博导有关系：这也可能反映了AI不同专长的不同吸引力。对于一些教授而言，如果看到只有少数毕业生能成为教授，那么他们就会向大学/科研经费资助部门提出这样一个问题，谁来培养下一代科学家？

我们再来看看Andrew Ng的例子。他是在深度学习领域的有名人物，担任过百度的首席科学家。在斯坦福大学任职期间，他带领了11位博士研究生（从2008到2014年间），其中4位以学术开始职业生涯，但是现在只有一位还在任教。有趣的是，他还是Ng的第一个博士研究生。其它人现在都在Salesforce、谷歌、Facebook、Twitter、百度……

除此之外，知名教授在加入企业时还会有风险，一般来说，风险是会降低学术水平。因为从逻辑上说，他们对谁更了解？他们会试图招募哪些人？答案是他们以前的学生。

结论：在哪里怎么寻找人才

如果你想找到AI人才，有两种途径：

1. 间接途径：顶级大学的AI研究人员都被谷歌等难以超越的公司抢走了。这里的解决方案就是通过云平台和谷歌、AWS、微软、IBM等公司创建的机器学习API，来利用他们的科研结果。当然，他们是不会为了满足你的组织的特定需求而修改他们的成果的。

2. 直接途径：如果你想聘请自己的AI研究人员，这里有以下有两条指导原则：

• 多样化

寻找散落在顶尖（也是最出名）的大学之外的，包括多个国家在内的，隐匿其中的宝石（比如通过查看被顶级AI会议接纳的论文）。通过打造一个男女均衡的团队，建设平等的未来。

多样性也是一个会吸引更多的人才的重要因素。

• 灵活性

正如我们在样本中看到的那样，今天的研究人员不再是以前的单一学术界人士， 他们被更多的创业生涯所吸引，并且更频繁地转移或混合工作。 因此，通过提供灵活的职业道路来满足这种愿望，应该是人才招聘策略的关键。比如，我们需要考虑并支持科学家成为潜在的内部创业者，同时也允许他们保留兼职的教学身份，或通过与大学实验室合作帮助他们回归学术地位。

和学术界玩得溜，你就抢眼了。

原文链接：https://en.fabernovel.com/insights/tech-en/fantastic-scientists-and-where-to-find-them