AI领域，重心已从学术界转移到了产业界，并且失衡还在继续。
Science在最新一期正刊上发了一篇文章，整理了近几年AI领域的相关数据，结果也是一目了然：
AI竞赛，学术界输了。
Science统计了论文、AI最大模型以及SOTA模型在各个领域的占比。
从2016年开始，产业界在领先的人工智能会议上发论文的占比开启了野蛮生长的趋势。
4年时间，在论文数量上，产业界几乎从学术界“夺取”了20%。
AI领域的10大模型，2013年之前还都是学术界居于主导地位。
之后，产业界持续发力，到了2016年，再往后10大AI模型几乎全都来自产业界。
SOTA模型就更不用说了，去年一年，产业界直接霸占了语言模型和图像分类的SOTA，
分析情感、语义分割和目标检测的SOTA大概是产业界和学术界各自一半的成果，机器翻译的SOTA则全都来自学术界。
当然，这一趋势在网友们的心中也都是心照不宣的事实，甚至有人做出meme图来调侃：
学术界人才流失惨重
之所以造成现在的局面，最最最重要的一个原因就是：人才流失。
以北美大学的数据为例，目前专门从事AI研究的计算机博士正在涌入产业界：
2004年，只有21%的博士选择进入产业界，到了2020年，进入产业界的博士比例已经将近70%。
并且，这个数据仅限于AI研究方向的人才。
可以从近几年的数据看出，普通计算机科学的产业需求并没有明显的变化，倒是专攻AI领域的人才，市场需求从2006年至今翻了8倍。
那为啥AI人才都从学术界流向产业界了呢？
从大的层面上来讲，和Science之前提到的算力有关。
显而易见，在这块儿，产业界相较于学术界有很大的优势。
工欲善其事，必先利其器，谁的算力强大，自然也就能吸纳更多的人才。
但其实说白了，算力强不强大很大程度上依赖于资金投入。
举个栗子：
学术界的科研资金来源主要来自政府的支持，2021年美国相关部门在人工智能上的投入是15亿美元，同年欧盟的投入是12亿美元。
而相比之下，全球AI产业这一年的支出已经超过了3400亿美元。甚至，2019年谷歌母公司Alphabet在其子公司DeepMind上的投资就已经高达15亿美元。
当然，上面这些都是站在比较宏观的角度来谈的，那作为单独个体的研究人员又是如何考虑的呢？
博士毕业刚刚入职OpenAI的研究员Rowan Zellers就现身说法讲了下。
Rowan Zellers直言他当时在就业选择时也有在产业界和学术界之间有所纠结，但最终还是选择产业界，而原因呢，他也一一列了出来：
-
学术界进行开创性的系统建设研究会变得越来越困难
-
AI领域的科研成本正在以指数级增加
-
学术界转向应用研究是大势所趋
……
基础研究到应用，产业界包圆了
而人才的流失和算力的倾斜，在一定程度上也可以说是必然结果，在Science的文章中，列出了两点原因：
-
AI领域相较于其他学科领域有特殊性；
-
产业界更注重技术商业化。
先来说下AI领域的这个特殊性。
在其他学科领域，学术界和产业界都会自然而然形成一个劳动分工，基础研究交由大学来完成，应用研究和开发则是产业界的工作。
不过，这一套逻辑并不适用于AI圈，在AI领域，基础研究和应用研究之间的界限被模糊掉了。
也就是说，产业中使用的应用模型和基础研究之间有所重叠，就拿谷歌大脑在2017年开发出的Transformer模型来说，它不仅归属于基础研究，也可以进一步直接用在产业中。
除此之外，产业界对人工智能投入的增加可能会实现技术的商业化，这样一来，不仅可以为社会提供实质性的利益，对于产业本身来说，也有所回报。
而学术界呢，资金来源的大头要靠相关机构拨款。
对留校的AI人才来说，虽说发论文可以拿奖金升职，但科研也不是唯一的工作，他们还有授课任务。
并且一般来说学术性研究室都是非盈利性的，比如说Rowan Zellers在加入OpenAI之前，曾在艾伦人工智能研究所工作：时间倒是花了不少，钱呢。。。
emmmmm，这么看来，这一把AI竞赛，学术界是彻底输麻了。
One More Thing
当然AI竞赛，也不能说学术界彻底输了，在Zeta Alpha统计的论文引用排行榜前100中，学术界和产业界之间还是平衡得很好的。
话说回来对于学术界和产业界的AI竞赛，你怎么看？
