正方觀點B：產學研一體化，強烈期待AI本科生

AI人才缺口可以看做一個行業(yè)基本面，而在這背后，是AI科研體系的獨特性，正在催動著AI人才更早與企業(yè)接觸。這也間接促使AI本科生這個群體到來。

大家都在說，AI是一個高度產學研一體化的領域。但到底是怎么一體化的呢？

首先我們可以看到，今天的大多數AI應用是基于神經網絡與算法達成創(chuàng)造性的。而神經網絡的特點是結構延展。換句話說，AI的技術世界不是非此即彼，而是堆疊和嵌入的�；氐饺瞬哦�，這就讓很多企業(yè)中的AI任務與工作，可以分派出來讓獨立小組完成。這讓象牙塔中的師生走入企業(yè)有了絕佳的機會。而一些數據清洗、數據標記類的機器學習基礎工作，更是非常適合交給“懂基礎的實習生”來完成。

另外，根據相關統(tǒng)計，常青藤高校的AI研究成果，有超過75％最終得到了商業(yè)轉化。這個比例在各學科中名列前茅。AI的特性決定了高校中的研究和企業(yè)中的研究相似度非常高，而師生的創(chuàng)造有很大比率可以被快速轉化。這個機會對于老師、學校、學生，以及整個產業(yè)，是一個多方共贏的局面。那么第一步，還是讓學生盡快進入AI的世界。

還有一個問題值得注意，今天的AI研究是要基于大量數據和算力支撐的。但是這些東西往往不存在于研究室當中，而是只見于科技企業(yè)內部。這也就要求實驗室必須要到企業(yè)中去，給企業(yè)提供更多價值。而本科生的勞動和創(chuàng)造力，事實上是這個置換關系之一。

由這些理由，企業(yè)和學校都在期待更多學生快速組成產學研一體化的基礎，讓企業(yè)與學校間的循環(huán)圈層擴大。

這個意義上來說，本科生是AI前進中的必要動力。

正方觀點C：AI必須建立跨學科的獨立體系

還有另一個更加學術層面的聲音，認為今天AI學科的發(fā)展，主要阻礙之一在于附庸于計算機科學專業(yè)，已經十分不利于AI本身的學科發(fā)展。

比如我們知道，AI的頂會、數據測試都自有一套邏輯。假如某企業(yè)的研究成果，在某個頂級比賽上讓人臉識別的效率提升到某某指數，那么當然是巨大的成果。但在高校學科體制中卻不然，因為AI的算法比賽機制是獨立的，不納入計算機科學的考察范疇。這會很大程度上限制國內AI學者參與世界競爭的熱情。

另一方面，AI雖然大體可以看做計算機科學的一個子集。但事實上AI是一個高度跨學科的領域，有大量問題是非計算機科學的，而是涉及信息科學、數學、社會學、心理學、生物學、認知科學，甚至法學、倫理學等等。

在國際范圍內，基于AI成立跨學科研究體是大勢所趨。但現有學科體制卻限制了AI的融合式學科發(fā)展，影響了人才交流與信息互通。

這種條件下，把人工智能學科獨立出來，從本科生開始培養(yǎng)專屬人才就成為了熱門議題。而從技術軌跡的長遠發(fā)展看，一個獨立跨學科的AI科研體系，也是開展國際化AI競爭的絕對必要條件。

給潛在AI本科生的一點建議

人工智能到底要不要成為本科專業(yè)，不是一個絕對如此或者如彼的問題，更多情況下見仁見智，其成敗在于整個教育體系和社會結構的共同把持。但根據上面這些看法，不妨給想要把AI作為專業(yè)的童鞋一點建議：

首先，綜合來看今天AI的應用前景和就業(yè)基本面沒有問題。但未來有不確定性，技術也在隨時變化，一定要理性考慮謹慎選擇。而且讀了AI專業(yè)絕不意味著預定了高薪高職位�？焖僮兓�的AI可能把任何人摔下自己的馬車。

其次，一定要警惕不靠譜的人工智能專業(yè)。AI的師資目前在國內是絕對的師資資源，如果你報考的學校本來在AI領域不強，也沒有引進知名專家，卻突然辦起了AI專業(yè)，那么一定要小心為上——說不定老師還沒有你懂得多。

而國外的AI本科生教育比國內稍早一些，與國內的區(qū)別主要集中在所教授領域相對更集中，更注重學院本身的優(yōu)勢教育和研究。一般美國的AI本科教育，是強調主修方向，其他選修，而國內的AI本科教育還是強調AI領域的通識。哪種更好也沒有定論。

值得注意的是，國外AI本科教育中，明顯比國內更加強調AI的人文與倫理教育。這些內容其實是必修課，有志于AI的童鞋應該想辦法自己補強。

而假如真的很喜歡AI，卻沒有找到合適的專業(yè)也不用急。有一些迂回策略可以考慮，如果有志于高階的AI研究與創(chuàng)造，應用數學和認知神經科學是兩個最好的選擇。假如想要快速進入AI行業(yè)，那么數據科學是最接近應用的AI相關領域。

接下來，關于AI要不要進本科的爭論應該還會繼續(xù)。而與此同時，關于AI要不要進高中的討論，也已經開始進入公眾視野……

文｜腦極體