杨植麟：选择创业，是为了从「组织架构」上解决AI落地难题

在刚刚过去的2021年里，中国人工智能界最受人瞩目的一件事，莫过于被誉为「AI四小龙」之首的商汤科技在香港联交所成功上市，成为「中国AI第一股」！
对于许多正在奔跑的「AI科创家」来说，这无疑是一个振奋人心的消息——它让人们看到，AI创业并非登不上台面的儿嬉戏语，也全非「寒冬」一说。早年间创立的「AI四小龙」，在摸爬滚打中尝到的，也不仅是开辟AI产业化的苦果，还有AI落地先锋的甜头。
2018年「深度学习三巨头」Yoshua Bengio、Yann LeCun与Geoffrey Hinton获得图灵奖后，人们普遍认为，未来十年，人工智能领域不会再出现重大的理论突破；相反，人工智能的发展将越来越多地体现在AI技术的应用及其与产业的结合上。
换言之，「AI 能赚多少钱」成为了新的关注点。而随之出现的，是越来越多的AI创业公司。
与老一辈以「AI四小龙」为代表的80后创业者相比，新一代的90后青年科学家在AI创业上有些许不同之处。
比方说，投资环境。老一代频频赶上AI投资热潮，而随着深度学习的瓶颈突现、AI技术成果转化难等等问题的出现，新一代创业者在找钱的问题上越来越多地遇到投资者的质疑与防备，同时也面临越来越多的竞争对手。
技术发展上，原先AI的落地集中在感知智能上，后来AI兼并了更多领域的知识（图形学、统计学、强化学习、演化计算等等），新一代科学家的创业方向也开始更加多元化。除了计算机视觉，还有语音识别、自然语言理解、图形学、芯片……
为此，我们策划了「AI科创家」系列，邀请年轻一代的AI创业者与我们分享他们的创业故事。第一位创业者，是一位在学术界与工业界均十分有名的90后青年学者，他就是循环智能（Recurrent AI）的联合创始人、Transformer-XL与XLNet一作杨植麟。

1、「激进」的AI落地法
「我想有一条更激进、更彻底的路径去打破学术界与工业界的壁垒。」被问及创业的原因时，杨植麟这样答道。
在投资人的眼里，杨植麟与循环智能的其他创始人一样，有一份绝对拿得出手的光鲜履历：
本科就读于卧虎藏龙的清华大学计算机系，师从IEEE Fellow唐杰，2015年以年级第一名的优异成绩毕业；
随后，赴自然语言处理（NLP）研究全球排名第一的卡内基梅隆大学语言技术研究所（LTI）攻读博士，师从知名学者Ruslan Salakhutdinov与William Cohen；
博士期间，他与图灵奖得主Yoshua Bengio合作发布「火锅问答」数据集HotpotQA，又以一作身份发表的 XLNet 与 Transformer-XL在NLP领域产生重要影响，成为 NeurIPS 2019 与 ACL 2019 的最高引论文之一，谷歌学术引用次数直接破万……

文章插图

图注：杨植麟的谷歌学术论文被引主页
一般来说，卡内基梅隆大学计算机专业的博士生往往要经过六年的学习才能毕业，而杨植麟只用了四年（2015-2019）就从CMU出师，一度成为学术圈的风云人物。
作为一名佼佼的青年AI学者，杨植麟确定自己志在推动人工智能技术在现实生活中的大规模应用。
一般来说，年轻博士生参与技术落地的途径是进入资金雄厚、牛人云集的大厂，在其中谋得一官半职，比如他的两位博士导师Ruslan Salakhutdinov与William Cohen并分别在搞学术之余担任苹果 AI 研究负责人与谷歌首席科学家。
但杨植麟认为，「科学家加盟大厂」的模式在组织架构上存在局限性，并不能令他更深入地参与到AI落地中，也无法从根本上解决工业界进行AI落地的瓶颈：
「我觉得AI行业面临的共同问题是学术界与工业界之间的Gap。我们看到老师们在工业界有一些title，但其实本质上他们还是在做研究工作。基础研究固然重要，但无法打破这种壁垒，研究内容与实际落地之间还有很多步骤。」
具体的表现有：一，高校教师往往更偏向学术研究，与工业界的联系较少，也缺少工业界落地的思考与驱动力；二，与此同时，虽然许多互联网大厂也会招入杰出的科学家去解决技术难题，但它们的首要出发点是赋能业务，而非推动AI落地。
从大厂运作的组织架构上来说，这些杰出的科学家没有足够的资源或权利去推动产品落地。公司的业务方向会调整，即使科学家有意愿去推动一项产品的落地，成本与代价也会大幅增加，技术的转化率与效率也会受到企业组织架构的影响。
在杨植麟看来，这是一个非常大的限制，这也造成了在大厂中，许多AI技术的落地周期十分漫长，也不够敏捷。因此，2019年博士毕业时，他拒绝了谷歌、Facebook与华为等大厂的高薪offer，选择了回国创业。