教科书教不出AI人才，百度黄埔学院摸索出一条新路径

这一天是诺兰新片《信条》上线的第一个周末，大家从影院走出来，似乎都不会好好说话了，纷纷在朋友圈打出：！刷二要定一，了脑烧太

“太烧脑了”——同样的心声也回荡在北京市西北部的一个会场内，百度黄埔学院的 80 多位学员，正在经历一场可能比本科毕业答辩更具挑战性的考验。

一间会议室内坐着几位表情认真的评审，很多都是百度的杰出架构师和科学家，环绕他们而坐的是十几位来自各个产业、各种年龄的学员们，大家集体凝神聆听着正在答辩的同学用 PPT 陈述自己的毕业课题。

这些课题都是他们从产业中带来的具体问题与困惑，经过了三个月的课程、讨论、实践，最终呈现出相应的 AI 技术解决方案，为每周的艰苦课程画上一个不负韶华的句点。

可能他们没能第一时间看最新的电影、玩最热的梗，却在这个特殊的 2020，成为站在产业智能化落地的“时间奇点”上的弄潮儿。

教科书长不出 AI，产业智能化的人才困境

“时间奇点”这个词听起来很酷，但 AI 落地产业的过程却一点都不酷，并不像大众猜想的那样充满了赛博朋克式科幻色彩。这一点，黄埔学院第三期的学员们感受十分深刻。

他们大多来自传统行业，有人有十多年的 IT 工程师经验，有人对 AI 有通识性的了解，但 AI 到底能帮助自己的企业和业务解决哪些难题，怎样去解决，解决到什么程度，却没有一堂公开课或是哪篇科普文章能够告诉他们答案。

某种程度上，这也反映了 AI 落地的现实难题：

首先，实践案例较少，业内交流不充沛，不仅传统中小企业对“学习”的需求是迫切甚至饥渴的，许多大型国企的 CTO 或技术负责人也渴望在智能化转型得到务实和细致的指导。但在实际中，绝大多数企业只能从集成商或平台方购买整个系统或通用算法，能力上的雷同会在落地具体场景时遭遇“水土不服”。

其次，平台和工具散落，技术体系庞杂，各种公开课、干货文章和沙龙分享等都比较粗略且碎片化，开发者学习成本高，进而导致 AI 项目推进效率低；

而相比金光闪闪的学术大牛，产业智能化落地阶段对能力的要求，是能将需求转化为问题、进而找到最高性价比解法的工程型人才。早在 6 月份，英伟达工程师 Chip Huyen 就曾针对机器学习岗位裁员潮给出了自己的结论，那就是拥有工程相关的知识背景后，再去接触机器学习，会比直接接触机器学习更有前景。那么，如何让这些具备工程能力的人开始与机器学习握手呢？

答案或许可能是，一套体系化、结构化、定制化的课程，一种能够保证学习效果和实战输出的教育机制，当然，创造一个良好的环境来达成大量（潜在）从业者之间的互动，对前沿案例的分析、探讨，也是必不可少的。

而这些，正是百度黄埔学院已经做了三期的事。

三个月时间魔咒，81 位产业人才的技术求道

12 堂课程，每次三小时的高强度输入，三次专家指导（实际上有专家为学员提供了 12 次之多的辅导），线下同学会、行业聚会等等，这些都是百度黄埔学院第三期学员在三个月的时间里所收获的。

其中百度所调动的支持资源也是有目共睹的。无论是主任架构师、科学家的倾情指导，还是专家与助教无微不至的辅助答疑，都被无私地倾洒在这批未来的“首席 AI 架构师”身上。

为什么要做这件事？为什么黄埔学院的资源在不断加码？

一位第三期课程的班主任告诉我，黄埔学院从第一期到第三期，学员群体开始发生变化，传统企业技术人员的比例开始大幅增加。而这些学员和企业对于 AI 的落地需求又有不同，到底哪些是 AI 能做，哪些是不能做的，局限性在哪里，数据到底怎样用？都需要有专业人士去帮助梳理、普及，并指导实战。

因此，从第一期到第三期，黄埔学院也逐渐摸索出了一条更为清晰的路径。

既然许多传统企业不了解 AI 的边界、不清楚 AI 能做什么该做什么，那就纠集百度自身的科学家和“高工”，给他们手把手指导。有学员分享到，在第一次专家指导的时候，学员认为自己要做的事情很简单，实际上技术实现却很复杂，而百度高工导师们则会给他们梳理清楚，他的业务问题能够用什么技术方法去解决，大致的技术思路和可行性如何，如果遇到问题可以求助于谁。这样的指导十分费时费力，事实上，黄埔学院第三期课程所调动的内部师资规模也是前所未有的。

既然产业交流少，技术人员很难找到同道中人，那就为他们搭建一个 AI 架构师的交流平台，借助同学会、线上互动等形式，学员们终于能与同道中人在一个数字空间内互通有无，培养“同窗”情谊来加深不同行业、不同应用之间的交流；

既然实践案例少，实战经验不足，那就用“魔鬼式”高强度的理论+产业项目结合的方式，来让学员快速在各自业务所面临的难题中应用 AI，调用飞桨的全栈 AI 能力来打造产业化实际案例。比如某商业飞机制造厂，就将飞桨的语义分割算法引入到原材料瑕疵检测的过程当中，目前已经在实际生产中收获了不错的反馈，识别准确率在 95%以上。

基于此，黄埔学院的学员也得以拥有“首席 AI 架构师”的能力，他们是产业化过程当中，既懂应用场景、又懂 AI 技术、能够把 AI 技术应用起来，解决场景当中实际问题的复合型人才。

而伴随着他们的毕业，大量产业 AI 的种子也将在天南海北萌芽而出。

洞见未来，黄埔学院给出的逆时间密码

从这一角度，我们也可以来思考，在疫情之年的国际环境大背景下，我们究竟需要怎样的 AI？

其实答案也已经呼之欲出了，那就是自主可控的 AI，催化产业数智转型的 AI，落地度高、生命周期长的 AI……

这些诉求结合在一起，就变得不那么简单了，而黄埔学院也正在人才培养的过程中，将飞桨种种积累交付给产业：

1. 全栈 AI 能力。作为 AI 时代的操作系统，飞桨集成了 AI 时代所需要的底层工具、软硬件与技术模块，成为连接产业与 AI 的中枢，满足不同阶段的应用需求，用一位学员的话说“新手可以得到保姆级的照料，有一定经验的人则是拿到了一把强有力的武器”。在现实中，这一特点也越来越多地引发了许多学员和所在企业开始从海外深度学习框架向飞桨“搬家”。

2. 贴近产业需求。如果只是技术能力上的一点溢出，自然不足以吸引开发者们开启复杂的代码搬迁工程，作为更符合中国国情的深度学习框架，飞桨能够带给开发者的独特价值，恐怕也是生态壮大的关键。从黄埔学院的学员从业分布就可以清晰地看到，AI 正在快速从互联网领域推向越来越多的传统行业企业，而他们应用 AI 的场景千差万别、各式各样，百度 AI 的应用案例就打消了许多企业的顾虑。

3. 良性开发生态。从黄埔学院与其他各类人才培养计划的不同之处，我们也可以总结出 AI 平台生态更好的打开方式：体系化、高质量、持续性。不追求“速成”，而是用每日、每周的高频交流来建立持久、深度的学员关系，使其不再停留在培训，而是成为“职业大学”来孵化产业高端人才圈。许多同学和企业与百度的关系，都超越了自己入学之初的设想，在现实中产生了更深、更广的合作。

举个例子，某学员在课程期间，通过在企业内部交流又挖掘出了不少能够应用 AI 的领域，比如利用机器视觉辅助飞机的制动器，再比如智能质检来保障生产环节等等，借助这一契机，百度的技术团队也与该企业的工程团队开展了深度交流，针对一些实际层面的技术难题，比如螺丝要确保拧到 6 个 360 度，机器视觉如何实现。而要解决这一问题，百度的视觉技术部、机器人与自动驾驶实验室、深度学习技术平台部、大数据实验室等多个研发部门都出谋划策，来协同输入能够满足产业端的 AI 方案。

这种交流，一方面来自于学员在黄埔学院中对百度飞桨技术体系发自内心的认同感与互信，也离不开百度“简单可依赖”的工程师文化。

类似的产业难题还在不断涌现，这也让产业智能化来到了一个必须从概念走向务实，从算法走向工程的时间节点。

正如黄埔学院一位讲师所说的那样，深度学习的落地其实不是一个技术难题，通常考验的不是算法能力，而是一整套工程落地方案的选择。

今天，AI 已经不需要再反复证明自己，但如何让各个产业在 AI 的高速公路上跑起来？是为每个行业及企业都造新的“轮子”，然后一一教学上路吗？当然是将符合条件的 AI 架构师投掷到各个领域当中去，让他们如同星火一般，将深度学习技术与行业需求真正探索、融合、检验，点燃一方热情。

那么问题又来了，这样的 AI 架构师自己需要拥有怎样的能力？黄埔学院所做的，就是为“首席 AI 架构师”进行能力定义、兵器打造、能量支撑，开启 AI 与产业之间互通有无的那扇门，也为百度 AI to B 打造出差异化的生态优势。

诺兰在《信条》里提到的概念——逆时间，指的是宇宙在某个时间奇点，开始从膨胀转为坍缩。于是，时间逆转，山河倒流。

而产业智能化这件事本身，也如同逆时间的开启一样，一开始可能人们很难观测到其所带来的改变。但通过每个人、每一步微小的位移，世界终将被变幻。而百度黄埔学院所提供的价值，可能是让每个渴望投身 AI、致用 AI 的人，拥有伙伴，辨清方向，望向灯塔，驶进未来。