This is an interview I received from DialogDE, a Chinese media focusing on culture exchange between Germany and China. In this interview, I shared my nine-year study & work experience on AI in Germany; compared German AI and Chinese AI industry & development; interpreted the tech and academic culture of two countries; and explained my mission at German-Chinese Association for Artificial Intelligence. If you are a German/English media who is interested in publishing a translation of this interview, please feel free to contact me.

This interview was originally titled as “谈情说-AI-访德中人工智能协会主席肖涵博士” and published on Aug. 25, 2018.

Table of Content

我与 AI 的不解之缘


『对话德国』:肖博士您好,您为什么选择了人工智能这个领域?

回想起来,其实并没有哪一个时间点说我“决定”或“选择”了人工智能这个领域,而是不知不觉走到了今天。能够走入 AI 领域和我自小以来对计算机的兴趣分不开。

1996 年我 9 岁时,家里有了第一台电脑,1997 年 14.4Kbps 的拨号上网第一次看到 Yahoo 的页面,初中时 (1999年) 开始用 QB/VB 写软件、用 HTML 写网站,高中时 (2002年) 发布过自己写的 C# 的 windows 工具,还在《电脑爱好者》、《电脑报》的杂志上有几篇技术小文章。对计算机技术的热爱让我近 20 年来一直在这条路上前行,从未放弃。

真正接触人工智能是在大学。

我当时在北邮的专业是通信信息工程,学的是如何处理各种信号,包括音频信号编码调制,图像信号压缩滤波等等。久而久之,就会想到是不是能做一些更“酷”的信号处理,比如是不是能够识别一句话的语气,识别说话者的身份?当时也尝试过一些传统信号处理的方法,比如傅立叶变换、频谱分析等。

恰巧大二时我正开始学习德语准备德福考试,我还为此特地写过一个程序,对德语的语法进行剖析和建模,试着训练一个分类器去区分德语词的阴阳中性。这些早期的尝试和摸索,现在看来虽然很稚嫩,却是我一直以来对人工智能领域好奇心的体现。

我在 2007 年学习德语时做了一个 “Sätze2Object” 软件,它可以将用户输入的一句德语自动转化成一个可视化的结构(有点像语法树)。这是我第一次尝试用算法建模人类的自然语言。

2008 年,我有幸作为一名实习生加入到惠普实验室 HP Labs,研发内部搜索系统。当时科技界对人工智能的应用主要还是数据挖掘和浅学习 (shallow learning)。学术圈内,神经网络相对低调,基于全贝叶斯和非贝叶斯的统计方法争得热火朝天。我当时在 HP Labs 从事的任务是扩展一个叫做 LDA 的贝叶斯模型 (Latent Dirichlet Allocation),并把它应用在信息检索系统中。

在实习的这一年里,我有幸接触到了机器学习领域内最早的一批探索者。他们大多是清华大学和中科院计算所的研究生和博士生(因为 HP Labs 就在五道口清华科技园内)。10 年后的今天,HP Labs 早已经人去楼空。那时还青涩的他们现在也已经成为各大互联网公司中的高管、独角兽的创始人或大学教授。

2009 年本科毕业时,在那个周围同学还没听说过“机器学习”这个词的年代,我毕业论文的英文版本已经发表在 ACML(第一届亚太机器学习会议,由周志华老师主办)学术会议上了。这期间积累的经验在我来到德国之后仍然受用。在慕尼黑工大攻读硕士和博士期间,我的导师多次对我在机器学习领域的直觉和开拓性表示了肯定。

今天回过头来看,这一路上我遇到了很多值得感谢的人。他们对人工智能的求知和信念感染了我。

特别是我的父亲,肖扬。他曾是北京交通大学计算机学院的一位教授,把一生都奉献给了学术和他的学生。是父亲激发了我对计算机和人工智能的好奇;他的宽容和耐心,为我创造了自由探索的条件;他的博学是我求学时的标杆,使我对知识的渴求和好奇心保持至今。

我在德国的两次半创业经历


『对话德国』:我们了解到,您在德国期间尝试过几次创业,能否与我们分享一下这些创业经历和感悟?

严格来说是两次半创业。一次是“找德到”(一个留德博士申请 app);一次是德中人工智能协会;还有几次零碎或不完整的尝试,我把它们归结起来算半次。

“找德到”是一段非常有意思的经历。2015 年的时候,我在知乎回答了一个关于如何申请德国博士的问题,随后便不断有人加我微信咨询相关的事情。我发现他们问来问去的问题都非常相似,实际上是完全可以做到自动回答的。

当时我总结了德国博士申请者的三个主要痛点:1)找不到职位。因为德国的博士职位需求一般分散在在各个大学研究所的主页中,不太好找;2)职位信息看不懂。这些博士职位描述一般用德语书写,尽管实际工作中可能只需要英语交流;3)没有前辈能问。

所以针对这三个痛点我制作了“找德到” app,不仅实时更新所有德国大学的博士职位,还能自动地回答申请者提出的问题。值得一提的是,这个自动回答问题的 chatbot(对话机器人),是我通过在微信中和几百位咨询者的聊天记录训练而成的。

这个业余项目持续了两年多,从制作、发行、推广、客服,全都是我一人利用下班后的业余时间完成。当时我还找到一个德国华人论坛的 CEO 商讨融资的事情。直到 17 年初,由于精力和兴趣的关系,我停止了“找德到”的一切服务。


『对话德国』:这段创业经历给您带来了什么收获?

带给了我很多思考。

首先,做一个面向 C 端的产品是非常难的,要有充足的耐心。用户是非常挑剔的,而好的用户体验也是千人千面的。有时候用户的心理和你的直觉恰恰相反。

比如“找德到”最初的目标是利用数据挖掘、AI 等技术实现留学咨询的全自动化。这样不仅能解放我的时间和生产力,也更容易复制这种模式到欧洲其它国家的留学市场。后来,我才逐渐意识到咨询者希望从你这里获得的是一种 1-on-1 时被重视、被特殊关照的感觉,尽管他们问的问题是相同的。

其次,在德国做一个服务华人的互联网 Startup 是不容易的,因为没有那么大的市场去养活你独角兽的梦想和野心。

最后,就是控制住流量入口非常重要。在德国华人这个不大的圈子里,消息的传播主要靠论坛、微信群和朋友圈。因此,谁能把消息最大程度并以最快速度覆盖到这个圈子中,谁就更有机会做成一些事情。


『对话德国』:那您的第二次创业经历呢?

第二次创业是 2017 年中旬开始的德中人工智能协会。

其实想把德国做 AI、数据科学的人聚集起来的这个想法在我就读于慕尼黑工大时就已经有了。但是直到 17 年开始,我才慢慢的对此有了更清晰的规划和路线,决定把这个事情正式做起来。

一开始是几个同行朋友,后来不断发展壮大,如今已有 400 余名(非正式)中外会员。虽然协会是注册在德国的一个非盈利组织,但是需要的努力和付出一点不比 Startup 要少。如果说“找德到”考验我的更多是技术工程能力,那么协会考验我的则是资源整合和组织规划的能力。

而且,由于其非盈利的性质,无论是自己还是其他成员都需要更大的能动性。在没有大饼可画、没有钱可图的情况下,如何说服自己去做一件事情,如何说服别人共同完成一件事情,如何规划未来的发展方向,这都是需要我不断思考的。

协会于今年 7 月 29 日在柏林保时捷数字实验室 (Porsche Digital Lab) 举办了第一次会议。邀请了 6 位来自中德两国学术机构、公司的专家学者,为 50 余位与会友人做了精彩的分享。

我相信与会的每个人无论在知识上还是社交圈上都有很多收获。在这里我也想再次特别感谢从德国其它城市远道而来参会的中德朋友们。

回国后的感悟


『对话德国』:您在 Zalando 任高级科学家,创办了德中人工智能协会并担任主席,在德国已经受到很多认可,为什么会决定辞职回国加入腾讯?

对国内的 AI 发展感到好奇,想去学习,所以选择了去腾讯 AI。

我在离开 Zalando 的时候,老板找我谈 counter-offer,并问我为什么要回国。他说你为 Zalando 做出了很多贡献,现在大家都很看重你,你在这里会有更多的上升空间,是不是公司有什么做法你不满意,为什么选择离开?

我回答说:Zalando 是我职业生涯的第一步。三年半的时间里教会了我很多东西。公司没有什么做的不对,只是如果我留在这里,我的世界观将只有 Zalando;我眼中的企业文化,也只有 Zalando 的这一面之词。世界是多面的,文化也是多元的,我只有经历了不同我才可以去思考去对比,最终创造自己的文化。

当大家得知我回国要加入腾讯的时候,很多在德国的中国朋友感慨说又一个人回国了,一些外国朋友也非常惊讶,不明白为什么德国好山好水却留不住人。

我一直觉得回国与否不应该是 Team China 或 Team Germany 的站哪队的问题,如果把回国和留在德国当做站队,那就有些狭隘了。

一个人才需要具有国际化的背景和经历,无论在哪个国家都能吃得开、摸得透、取长补短;尤其是技术性人才,技术没有国界,不要被那些民粹标签所束缚。

今年 7 月底,我回到柏林一周,走访了几个德国 IT 企业做了些技术交流,其中也包含我的老东家 Zalando,受到不少好评,我自己也收获颇丰。相信那些持站队想法的朋友们,看到这里多少会有点感悟。

之所以选择去腾讯,还有一个原因是深圳这座城市。作为一个北京人,我对深圳是没有太大印象的。很多关于深圳的消息我只是在书本和新闻联播里听过。所以我很好奇这个传说中高速发展的新兴城市到底是怎样的,生活在那里的人又是怎样的一些人,有着怎样的故事?

说实话,北京人来深圳的不多,但我还是想趁着年轻亲身体验一下这个改革开放的代表城市。

所以,又是好奇心,驱使着我来到了深圳。如果你也怀揣着同样的一份好奇心,我相信你能理解的。


『对话德国』:在德国生活工作多年,回国之后到现在遇到了哪些大的挑战?哪些事情和您决定回国时的想象不同?

差异和不适应肯定是有的。

我 22 岁来到德国,生活、学习、工作九年,先后经历了求学、工作、组建家庭。很多时候,我的生活和思维方式会更贴近德国社会一些。

国内(深圳)给我的感觉是年轻活力,节奏快,消费多,娱乐多;用一个词来说就是热闹,但留给自己的时间不多。德国相对安静很多,节奏也慢些。每天虽然过得按部就班,但留给自己思考的时间很充裕。国内(深圳)的人都很忙碌——忙着工作,忙着攒钱贷款买房,忙着结婚生孩子,忙着给孩子挑幼儿园挑学校。似乎每一个人都有一个挂历,每天早上出门前你需要先瞅一眼,今天该进行到哪一步了。

虽然在德国什么小事儿都要预约,可是从人生的尺度来讲,德国人过得更随性一些。那里的时间是流淌着的,就像分别贯穿柏林和慕尼黑的那两条河,不慌不张地流淌着,静到你可以忘掉它们的存在,可以把它们当作你生活风景中的一部分。

但话说回来,差异和冲击确实带来了更多的思考。我觉得趁着年轻多思考一下挺好,知道这个世界是多元的,才会知道哪种方式才是自己喜欢的方式,究竟什么才是自己想要的生活。把这些都想清楚了,OK,继续前进。这个时候,你迈出的脚步才会更加坚定,也会更加珍惜自己的生活。

AI 的具体应用


『对话德国』:您目前在腾讯 AI 部门负责机器阅读理解团队,可以简单介绍一下阅读理解是想解决什么问题么?

阅读理解 (Reading Comprehension) 问题其实就是我们在小学、初中、高中语文或英语考试时所做的那些题:给你一篇文章,你在阅读后,需要回答几个问题。

比如我们所熟知的:“这篇文章的中心思想是什么?”,“作者为什么要写 xxx,他想表达什么?”。

阅读理解能力是人类必备的技能之一。它和视觉不同,不是人类先天具备的技能,而是需要后天不断练习而成的。当人接触一种全新的语言时,还需要重新学习那种语言的阅读理解能力。

对于一个在中国接受了九年义务教育的学生,他具备了对汉语、文言文和英语三种语言的阅读理解能力。而对于一个智能系统,如何赋予其阅读理解能力是迈向强人工智能的重要一步。


『对话德国』:机器阅读理解面临的最大挑战有哪些?

挑战有很多。

现在这个领域内主要使用深度学习模型来做这个任务,而这些深度学习模型的核心大多只是浅层的语义匹配。因此对于原文中可以找到答案的问题,模型可以很好地回答;而对于那些需要归纳总结和推理的问题,模型则无法给出合理的答案。

另外一个挑战就是拒绝回答。

拒绝回答是指当所问的问题无法通过原文中的信息作答时,模型应该回答“不知道”。对于人类,回答“不知道”非常轻松。但是“不知道”的背后实际上隐藏着大量的分析总结和推理,即便是面对相同的原文和相同的问题,具有不同阅读理解能力的人,回答“不知道”的概率也不同。

因此,如何判断一个问题是“真不知道”还是由于模型能力不足的“假不知道”,也是领域内研究的重点之一。


『对话德国』:AI 的应用场景很多,具体到搜索领域您觉得 AI 最大的优势在哪里?

搜索和信息检索领域经过十几年的发展,现在已经有了方方面面的进步。

算法的核心从最早的关键词匹配搜索,到同义词模糊匹配,再进化到现在的深层语义匹配。检索的内容涵盖了文本、网页、图片、音乐、视频、地图。结果的展现形式也不仅仅是返回链接,有的做了自动摘要,有的自动提取了问答信息展现给用户。

虽然如今很难有人能再撼动 Google 在通用搜索领域的地位,不过在一些垂直领域,例如商品、时装、报表等,仍然蕴藏着很大的机遇和挑战。

比如 Zalando 一直在优化自己的时装搜索系统,不仅通过商品的文字描述,还要结合时装的外观、色彩、款式和其它服饰搭配进行综合排序,再给出最优的搜索结果。

通过 AI 对某个垂直领域知识的理解、建模,恰恰是 AI 带给行业的机遇。

中德两国的普罗大众与 AI


『对话德国』:很多人对人工智能持怀疑态度,您是怎么看的?能不能谈一下您对人工智能的理解?

对人工智能持怀疑态度的人主要分两类,一类是认为人工智能只是一个噱头,是近几年的商业炒作而已。另一类是政策性的专家学者,他们出于对伦理的担忧而对人工智能保持警惕。而真正做 AI 的科学家,虽然或许因为现阶段方法的局限性而感到不满和沮丧,但他们很少对 AI 的前景持怀疑态度。

其实人工智能的概念并不新。从艾伦·图灵那个年代开始,计算机科学家们就一直朝着这个方向努力。可以说,计算机的诞生就是人工智能的起点。

半个世纪以来,科学家们经过了很多理论和方法论上的交替迭代,形成了如今以深度神经网络为主、通过大量数据训练的 AI 模式。这种神经网络模型包含海量参数,因此有着超高的自由度和记忆容量,使得它能够记录数据中潜在的规律,从而实现“智能”。

回顾这半个世纪以来 AI 领域的探索和前进,每一步背后所依靠的理论都涵盖了大量的数学、优化理论、概率论、图论等知识。所以人工智能并不是近几年才有的商业噱头,而是实打实的技术积累。

近十年来,由于多核芯片技术的发展、GPU(图形处理器)制造成本的降低、云计算资源的扩增,从而导致计算力得到了极大的释放。一些过去完全不敢想象的超大规模深度神经网络,在这种强大计算力的支持下,也是可以在一定时间内被训练完成。

这就给人工智能跳出象牙塔并应用在人们的日常生活中提供了可能。这也是为什么近几年来人工智能越来越多地被大众所熟知。

我经常看到有些文章中提到人工智能抢人类的工作,侵犯人类的权益(例如隐私权),甚至担心电影里的那种 Apocalypse(末日劫难)情节重现。我觉得每个时代的人类都有其特定的生产力和生产方式。而在 AI 时代,人类不再需要从事低脑力劳动,这部分工作将完全由 AI 承担,人类可以被解放出来从事更高级的脑力劳动。所以那些靠重复性低脑力劳动支撑的行业,他们的工作会最先被 AI 取代。

我个人认为,这种生产力上的升级是人类整体文明的一大进步。而至于 AI 完全取代人类成为太阳系中唯一的高级智慧,我觉得这个担心有些杞人忧天。


『对话德国』:所以您觉得人工智能也有它的局限性?

应该说目前人工智能的方法论有一定的局限性,距离真正的强人工智能 (Artificial General Intelligence) 还差得很远。

比如现在最为流行的深度学习,实际上是通过大量数据对大量非线性函数的拟合,从而近似“智能”。但是,这个网络并没有完全理解数据背后的意义,而只是对数据之间的共现关联信息进行了归纳总结。

显然,这和人脑的运作是不太一样的,因为人脑在学习一个新的概念时不需要太多的数据。这也是当前人工智能的一个研究重点。

不过,我们也不必武断地认为那些和人脑不同的智能就并非“真的智能”。在宇宙中,智慧的存在方式和表达方式有很多种,人脑只是其中一种。而或许这种通过数字化的参数堆叠神经网络则恰好代表了另一种智慧。在那种智慧文明中,数字的表达、计算和存储就像碳基生物的新陈代谢一样自然而然地进行着。


『对话德国』:您感受到的德国(人)对 AI 的态度与中国(人)有什么区别?

两国发展 AI 的方式不同。中国偏民用,德国偏工业。

在中国,AI 几乎是人人耳熟能详的名词,它遍布在人们的生活中。在中国,无论是刷个新闻、发个短视频、修个图美个颜,还是订个外卖打个车,生活中的方方面面都会涉及到 AI。而这些商业应用背后的互联网公司里,真的有一批在做 AI 的人不断地优化着算法,以打造更好的用户体验。

中国拥有着规模巨大的单一市场,这为商业创新、民用 AI 提供了高速发展的土壤。可以说,现阶段中国的人工智能是由互联网公司牵头引领的、围绕着改善民生而服务的。

反观德国的 AI,则是由车企和传统制造业牵头引领的,围绕着升级工业制造而服务。这和德国雄厚的工业积累及疲软的互联网企业是有关系的。德国的车企结合自身的资源配置,会很自然地把 AI 优先落地在工业领域,比如优化生产流水线,提升机床加工效率,降低质量检测中的坏件率等。当然,自动驾驶也是他们的研发重点。

另外,德国的医疗器械企业对 AI 的研发投入也很大。而这种研发不仅仅停留在图像识别(如肿瘤识别)等纯软件领域,在硬件领域他们也利用 AI 提升医疗手臂、扫描仪等高精密机械的精准度。

当然,作为一个在德国生活的普通人,每天的生活中很难直接享受这些技术成果。而德国的民生、互联网市场,主要被 Google, Facebook, Twitter, Amazon 这些美国公司所统治,德国本土的大中型互联网企业几乎一个手就可以数得过来,所以无法形成像中国一样的本土化互联网生态圈。

不过德国人在日常生活中也能享受到 AI 带来的便利,比如不少德国人的家里都有 Amazon 的智能音箱,但这毕竟是来自美国的输出。

所以孰好孰坏?我觉得这是两种发展 AI 的不同方式。

到底是先民用,让大众享受 AI 带来的种种便利;还是先工业,用 AI 对传统制造进行升级换代。其实二者各有好处也各有局限。全民 AI 及其商业模式在短期内会吸引来大量的人才和资本,但对国家和社会的长远发展缺乏实际支撑。工业 AI 正好相反,则是一个厚积薄发的过程。但在人才资本高速流动的今天,这种模式显得有些古板而缺乏弹性,吸引不了年轻人。

如何有效地结合二者,取长补短,其实也正是我们德中人工智能协会的目标之一。


『对话德国』:如果以 Zalando 和腾讯为例进行对比呢?

这两家公司分别作为德国和中国本土优秀的互联网公司,近几年来都在 AI 上大力投入。

当然,腾讯的超大体量和市场地位决定了它对 AI 的投入要远比 Zalando 大得多。即便不算分散在各个业务、产品部门中的数据科学家和机器学习工程师,仅仅隶属于腾讯 AI 部门的研发人员已经接近 400 人。而在与之对应的 Zalando Research,这个数字只有 10。

从广度来讲,腾讯 AI 在社交、游戏、用户内容、医疗、自动驾驶等都有涉猎和输出;而 Zalando Research 只在电商领域的搜索和图像方面有输出。

在发展策略上,首先,双方都很在意在学术圈内树立影响力,从而吸引优秀的 AI 人才。腾讯每年在 AI 顶级会议的论文多达几十篇,这是令 Zalando 和世界上大多数互联网科技公司望尘莫及的。此外,在技术成果转化上,腾讯的 AI 技术落地的机会还是要多一些,能输出的产品也相对多一些。

企业界 AI vs.高校 AI


『对话德国』:您觉得在德国高校和企业做人工智能有什么区别?

我博士论文一做完就加入了 Zalando。在学校读博的后期,我逐渐意识到学术界没有可操作的大数据,所用的都是 toy example(简单的例子),无法真正把机器学习算法实际应用起来,所以一心想着早点出来。在加入 Zalando 后,最初的两年半我在研发团队,负责推荐和搜索算法的研发。最后一年我调到了 Zalando Research。这是一个纯研究的团队,就有点像回到大学里一样。

在大学里做研究,侧重的是方法的严谨;而在公司里做研发,侧重的是资源的配置。

在大学里你可以花上两个月的时间在同一个问题上钻牛角尖;而在公司里,你需要及时舍弃掉那些希望不大的尝试,充分调用整合不同团队间的技术、数据资源以快速达到目标。我也听到有人说,在读博时学到的东西在公司没有用,真正的公司里用的机器学习人工智能技术都比较初级。这种说法也不对。我在读博时研究的贝叶斯方法、高斯过程和子模优化等都应用在了公司的产品中。

事实上,现在 Zalando 网站和客户端搜索框中的自动补齐功能,就是我在职时基于贝叶斯方法打造的。我目前就职的腾讯 AI 部门,每天也需要不断尝试前沿的深度学习技术,并思考如何把它有效地输出到产品中。

除了技术对产品的输出,个人能力对团队的输出也非常重要。

我刚进入 Zalando 工作时,工作方式基本是读博时那一套:埋头苦干憋大招。有一天我被老板叫去,他说,Han, 我知道你专业能力很强,效率高,但是如果你把你的知识分享出来,那么整个团队的效率将会成倍地提高。而那种倍数不是你一个人单枪匹马所能达到的。

这句话对我特别受用,并一直贯穿在我随后的工作乃至如今在腾讯的工作中。

现在,我对自己的工作时间规划中,有 30% 的时间专门用于提高团队的整体工作效率,包括实验基础设施的搭建、通用模块和工具的维护、开课对团队进行技术培训等等。

最后我想强调,在公司里,定量地追踪一个研究项目的进度对于一个团队非常重要。

一般来说,我会使用 OKR (Objective Key Result) 等方法为团队先拟定一个季度的中期目标。然后团队成员每天需要记录所做的工作,每隔两天我会通过例会的方式同步一下进程,让大家回顾这两天的工作,舍弃掉该舍弃的,并规划好后两天的工作。这样团队中彼此之间的工作相互透明,减少了重复劳动,也加强了合作和交流。相反,如果不这么做,团队有可能长时间在原地打转。

有人可能会说研究性和探索性的工作是很难量化跟踪的,我觉得这是一个经验和技巧问题。

首先,每天的工作记录要细化:一项工作只要连续超过 2 个小时,就应该记下来;但是如果一项工作持续时间超过 2 天,就应该思考如何拆分,看看是不是其中的一些子任务可以由团队的其他人帮助共同完成。

对 AI 初创企业和 AI 领域华人的建议


『对话德国』:除了 BAT 等巨头在大力发展 AI,很多初创企业也加入了这个大潮。您对小的 AI 初创企业有什么好的建议?怎么做才能存活得更久不被淘汰?

一个好的 AI 研发团队到底需要什么?我觉得就三点:旺盛的好奇心,清晰的目标,相信自己正在做的事情。这样一个团队,哪怕是互联网巨头都很难凑齐。

好奇心是一个研发团队的核心,没有好奇心的人做事情只会浅尝辄止。而有些人拥有旺盛的好奇心,求知欲强,可是想法天马行空,不顾整体规划,什么都想尝试,最后偏离了主线。

有些人有着清晰的目标,但内心却不相信人工智能的未来,他的动力源于目标背后的金钱或头衔,做起事来得过且过,能用就行。

所以,如果一个初创企业能找到这样一个团队,那么它就具备了成为独角兽的条件,也就不会被淘汰。


『对话德国』:对于在德国的 AI 初创企业呢?

中国和美国在 IT 和 AI 领域的成功模式,是无法直接复制到欧洲的。

中国的最大优势在于什么?体量大。可是你会发现来自中国的产品,带有很强中国特色的用户体验,除非专门剪裁重塑,很少能直接输出到其他国家。

而欧洲的优势在于什么?多元化。可是你即使做到德国第一,法国人也可能从来没听说过你。所以在德国甚至在整个欧洲,Startup 的梦想都不大,试图模仿中美 to C 的模式,结果早早就把自己卖掉了。

人们常说失败是成功之母,其实成功也是成功之母。在芬兰诺基亚之后,赫尔辛基涌现出的一大批的 Startup 就是很好的例子。

如今的德国,已经逐渐改善了创新和人才所需要的软硬件环境,无论是政府、市场、资本和大厂都对 Startup 采取了更加宽容和更加支持的态度。

政策方面,即便有中美科技界所头疼的 GDPR(欧盟数据保护条例),其实也为欧洲的 Startup 指出了一条更健康更理性的发展道路。

所以我认为,如果德国的 AI Startup 瞄准在 B 端市场而不是 C 端市场上,把自己的梦想和视野都放得再大一些,坚持下来,是可以在 AI 领域占有一席之地的。


『对话德国』:您对今后想进入人工智能领域工作的留德学生在学校期间和择业时分别有什么建议?

保持一颗好奇的心,特别重要。

所以趁着有时间,多去尝试、探索各种算法。如果模型出错出 bug 了,不要直接放弃扔了换下一个,一定要搞懂为什么会出错,错在了哪,错误有没有通用性,下次能不能不犯这个错。不懂就问,问导师问同事问网上。

再有就是多写多记录。不仅是多写代码,你更应该开设自己的技术博客,边写边总结,整理自己的思路。不要害怕自己写得幼稚没有人看。分享知识的目的从来就不是炫耀。况且,总有人不如你,总有人能从你的身上学到东西。


『对话德国』:您对在德国人工智能领域的职场华人发展有什么建议吗?

如果你具有很强的专业背景,已经是团队里的技术核心骨干,不妨多思考如何帮助提高整个团队的能力。

我认为一个 AI 团队的能力有个 upper bound(上界),也有个 lower bound(下界):upper bound 通常由团队里能力最高的人决定,他是团队所有人看齐的标杆,也决定了一个团队的视野。

具体到 AI 领域,upper bound 表现在是否掌握了最先进的算法和理论,知不知道哪些问题值得花时间深挖而哪些是坑。如果一个团队的 upper bound 很低,那么做的工作就缺乏创新,方向模糊,很容易重造轮子走弯路。

而 lower bound 代表了团队某一方面的缺失和不足,它可以是编程技能不足、基础设施不完善、实验记录无规范。lower bound 直接决定了一个团队的速度,如同木桶中的短板效应和并发多进程中最慢的那个进程,正是 lower bound,而不是 upper bound 决定了一个团队的实际速度和产出。

而作为团队里的标杆,一方面要不断提高自己,以提高团队的 upper bound;另一方面要通过分享技术,传承经验的方式培养其他成员,同时花一些时间做“公益”,比如改善数据管理,完善实验基础设施等,以提高团队的 lower bound。

通过反复的迭代,不断提升 upper 和 lower bound,同时缩小二者之间的 gap,才能打造出一个强有力的 AI 团队。


『对话德国』:感谢您接受我们的访谈。最后能否请您为《对话德国》的未来发展提一些建议或寄语?

非常感谢《对话德国》的这次采访。

在德华人技术人才的一大特点就是低调,我身边就有很多例子。我觉得《对话德国》提供了一个特别好的平台,让更多的中国人了解到德国的技术现状和未来。

我真心祝愿对话德国越办越好,能够挖掘到所有德国华人精英,向世界展示这个群体的魅力。我也希望所有的读者,尤其是在德的华人技术人才都能参与进《对话德国》这个平台中来,积极输出,为搭建德中文化科技的桥梁贡献一份自己的力量。