大学发表论文数和专利数

写老师，一定是挑灯批改作业，雨天送我们回家；写父母，总是冒着风雪背着我们去看医生

2013年我国sci论文数量和发明专利授权量都位居世界第二位。2013年我国知识产出总量优势显著，SCI论文位居世界第2位，国内发明专利申请量和授权量分别位居世界首位和第2位。

较高的知识产出与扩散应用能力是创新型国家的共同特征之一。国际科技论文（SCI论文）和发明专利申请、授权量作为测度知识产出水平的重要指标，在一定程度上反映了国家的原始创新能力、创新活跃程度和技术创新水平。

中国科技发展战略研究院副院长武夷山表示，中国SCI论文在保持数量持续增长的同时，质量也在不断提高。2009—2013年中国SCI论文被引证次数达到360.7万次，超过德国居世界第3位，逐步逼近英国。

尽管国内发明专利申请和授权量均居世界前列，但真正高水平的专利却并不是很多。就像从重视SCI论文数量到重视论文质量的转变一样，我国的专利现在也到了强调质量的阶段。

扩展资料

《国家创新指数报告2014》显示2013年，中国SCI论文数量达到21.3万篇，仅次于美国居全球第2位，占到全球总量的15.0%。

2004—2014年间中国高被引论文数量突破1.2万篇，占到全世界高被引论文总量的10.4%，位于美国（6.2万篇）、英国（1.6万篇）、德国（1.4万篇）之后，居世界第4位。

2013年，中国国内发明专利申请量达到70.5万件，占40个国家总量的44.1%，连续4年居世界首位；国内发明专利授权量达到14.4万件，仅居日本之后，占到40个国家总量的21.4%。

参考资料来源：人民网-《报告》显示：中国创新能力位列世界第二梯队

参考资料来源：中华人民共和国科学技术部-《国家创新指数报告2014》发布

2013年我国SCI论文数量位居世界第2位，发明专利授权量位居世界第3位。

SCI论文是被SCI（Scientific Citation Index，《科学引文索引》）收录的期刊所刊登的论文，目前我国科技界对SCI论文概念模式，小部分研究者误认为SCI是一本期刊，由南京大学引用并成为各大高校和科研机构学术评价和奖惩的一类刊物。

SCI论文本身来说，我国科研工作者大多面临英语能力匮乏的缺陷，尤其对于年龄大和专业性强的科技工作者来说，内容不是问题，英语往往成为了制约的瓶颈。

SCI论文对我国大部分科技工作者来说依然是神秘的，难于发表的，正基于此，大部分科研机构、高校等单位引入作为评价标准，这也是有失公正，虽然缺少人为干预的评价标准，但科研工作者在工作的同时，不得不将精力浪费在于SCI论文的写作与发表。

虽然使得我国科研可与国际接轨，培养我国科技工作者运用SCI官网进行现有论文和科技成果的查询与搜索的习惯，但制约了我国的科技水准，使科研人员不得不分出一部分精力用在外语上，使大量优秀研究成果流入英文期刊，破坏了中文期刊的发展，降低了中文在科技领域的“币值”。

如是指国知局的话，在申请人递交的技术专利当中，并不是每个申请都能授权的。尤其是发明专利。审查特别严格。如果您的技术存在一些问题，国知局就不会给于这个技术授权专利的。如是可以授权专利技术，那国知局就会先给申请人发一份授权通知书。拿到了授权通知书就相当于这个技术已经成为专利了。就等着下专利证书就可以了

SCI创立背景

SCI（Scientific Citation Index）是美国科学信息研究所（ISI）编辑出版的引文索引类刊物，创刊于1964年。分印刷版、光盘版和联机版等载体。印刷版、光盘版从全球数万种期刊中选出3300种科技期刊，涉及基础科学的100余个领域。每年报道60余万篇最新文献，涉及引文900万条。进入SCI这一刊物的论文即为SCI论文。

影响因子

SCI选录刊物的依据是文献分析法，即美国情报学家加费尔德提出的科学引文分析法。该分析法以期刊论文被引用的频次作为评价指标，被引频次越高，则该期刊影响越大。

在一定时期（通常是前两年）内，某一刊物发表的论文，被已经进入SCI刊物的论文所引用的总次数，除以该刊物这一时期内的论文总数，即为该刊物的影响因子。一般来说每一年的6月份公布影响因子，影响因子并不是该年度，而是上一年度的影响因子！

参考资料来源：

中国经济网-《国家创新指数报告2013》发布:我国创新能力稳步上升

百度百科-SCI论文

百度百科-专利授权

大学论文发表专利数

扩展资料

《国家创新指数报告2014》显示2013年，中国SCI论文数量达到21.3万篇，仅次于美国居全球第2位，占到全球总量的15.0%。

参考资料来源：人民网-《报告》显示：中国创新能力位列世界第二梯队

参考资料来源：中华人民共和国科学技术部-《国家创新指数报告2014》发布

论文常用来指进行各个学术领域的研究和描述学术研究成果的文章，简称之为论文。它既是探讨问题进行学术研究的一种手段，又是描述学术研究成果进行学术交流的一种工具。它包括学年论文、毕业论文、学位论文、科技论文、成果论文等。论文主要内容：论文一般由题名、作者、摘要、关键词、正文、参考文献和附录等部分组成。专利计量是以专利中的计量信息作为分析研究的基础，通过对专利的计量分析可以洞察行业技术的发展状况，辨认竞争对手及其技术活动重点和实力并判断行业的竞争态势。趋势表明，专利计量将会成为信息计量学的有机组成部分和竞争情报分析的重要应用工具。专利计量的指标现在很多，但是对于不同的评价目的，应该选择不同的指标以及指标组合。我们在结合世界知名的CHI Research公司设计的指标体系以及其他一些学者研究的指标和文献计量的相关知识”，认为应该从宏观(某领域)、中观(某公司)和微观(某专利)三个层次来设计不同的专利计量指标体系。除了专利的地域分布、时间分布、机构分布、被引次数、平均被引次数、自引次数等基本指标对于每个层次都适用外，每个层次有其自己独特的一些指标。1.宏观专利计量指标此处宏观的意思是从某个产业(领域)来看专利的各种分布。其独特指标有：①技术循环周期(Technology Cycle Time，TCT)：指尚在利用的全部专利年龄的中位数。考察该领域专利多长时间内被取代，反映竞争激烈程度。②科学的强度(Science Strength，SS)：指该领域专利引用的科学文献的绝对数量。考察该领域专利与科学文献之间的关系强弱的绝对量。③科学关联性(Science Linkage，SL)：指科学的强度与该领域的专利数的比值。考察该领域专利与科学文献之间的关系强弱的相对量。2.中观专利计量指标此处中观的意思是从某公司的角度来观察其专利分布。从不同的分析角度来看，我们认为应该从“所有领域”和“具体某领域”来设置不同的评价指标体系。“所有领域”主要是从专利数和专利的领域分布两个指标来分析，在此不进行赘述。“具体某领域”中的独特指标有：①及时影响指标(Current Impact Index，CII)：指该公司前5年专利在当年的平均被引次数与某专利系统中所有前5年专利在当年的平均被引次数的比值。考察公司最新专利的影响。②技术强度(Total Technology Strength，TTS)：该领域该公司与及时影响指标的乘积。考察专利质量，为一个加权指标。3.微观专利计量指标此处的微观的意思是指具体到某一专利个体进行计量。其独特指标主要有：①同族专利：反映该专利的地域分布。②科学力量：指该专利被引单元中科学文献的数量。反映该专利与科学文献的交叉性。③第一次被其他公司专利引用的时间：反映该专利的技术壁垒性，如果很快被引用，说明被替代的可能大，反之亦然。前述分别给出了专利计量的宏观、中观、微观层次的指标体系，对不同的研究目的和研究对象应该使用不同的评价体系。在这里我们想强调以下三点：①宏观、中观、微观三个层次指标体系中有些指标是交叉的，比如专利数和专利的被引次数等，它们是专利计量的基础性指标。但是有些我们认为它最适合归属于某个层次的指标体系便将其归属到相应的指标体系中，比如技术循环周期(Technology Cycle Time，TCT)指标，虽然也可以应用到中观层次的专利计量指标，但是我们认为它最适合计量产业(宏观)专利分布，所以将其归人了宏观评价指标体系中。②对于具体评价，有些指标获取的难易程度是不一样的，并不强求每个指标的数据全部得到。比如及时影响因子(Current Impact Index，CII)，它要求计算专利系统所有前五年专利在当年的平均被引次数，这对于一般专利研究者来说无疑是很难实现的。③微观层次的计量指标是展开其他层次计量的基础，所以在具体应用中，其渗透于其他一切专利计量中，比如高被引专利的定义和选取。

博士学位论文的参考文献数一般应不少于100篇，其中外文文献一般不少于总数的1/2;参考文献中近五年的文献数一般应不少于总数的1/3，并应有近两年的参考文献。本科毕业设计主要参考文献要求10篇以上，其中外文文献2篇以上(指导教师认定为特殊类型的论文，可以不列外文参考文献)。

论文参考文献数量一般是多少?一般来讲，不限篇数，特别是你题目上写要读多少期刊，更没有要求。对这个问题的要求，不在篇数而在其它方面:1、你所写专业里的经典文献你有没有读过，特别是一些经典的综述文章，你一定要读当然也应该引用.2、你研究的专业里最新的文献看过没有，最好近五年的文献看了，再写文章.3、你投稿的'期刊所发表的文章你看过没有，建议也要引上一两篇.写论文不能手头上有什么文献就算数，没有就不算数，因为学术的发展不是以咱们知道与否来决定的，因此一定要去查找文献现在博士、硕士论文以及本科论文参考文献数量─般要求:博士学位论文的参考文献数一般应不少于100篇，其中外文文献一般不少于总数的1/2;硕士学位论文的参考文献一般应不少于40篇，其中外文文献一般不少于20篇。参考文献中近五年的文献数一般应不少于总数的1/3,并应有近两年的参考文献。本科毕业设计主要参考文献要求10篇以上，其中外文文献2篇以上(指导教师认定为特殊类型的论文，可以不列外文参考文献)。参考文献必须是公开出版、发表的(含网上下载)着作或期刊(论文)，统一放在文后，并按文中出现的先后顺序，用阿拉伯数字进行自然编号，序码加方括号。依据国家标准《文后参考文献着录规则》(GB/T7714-2005)，中文参考文献书写格式为:专着:[序号〕作者名．书名[M]．出版地:出版单位，出版年:引文页码。期刊:[序号]作者名．题名[J]．刊名，年，卷号(期号):所引用的文献在期刊中的起止页码。报纸:[序号〕作者名．题名[N].报刊名，年-月-日(版次)。(示例:2009-01-01(1))论文集:[序号〕作者名。题名[C]//论文集作(编〉者。论文集名。出版地:出版单位，出版年:所引用的文献在期刊中的起止页码。电子文献:[序号〕作者名.电子文献名[DB/OL].(发表或更新日期)[引用日期].获取或访问路径(即网址)。学位论文:[序号〕作者名.题名[D].授予单位所在地:授予单位，授予年。专利:[序号〕申请者.专利名[P]:专利国别，专利号，公告日期。外文参考文献编排格式:按语言所在国学术界通行的格式。参考文献作者三名以内的全部列出，四名以上的列前三名，中文后加“等”,英文后加“et al”.作者姓名不管是外文还是汉语拼音，一律姓在前名在后(如Hardy Thomas.)。外文姓不可缩写，名可缩写;如作者为二人以上，第一位作者的格式为先姓后名，后用逗号，其他作者均按先姓后名，但名后不加标点，最后一名作者名前要加and,最后用句号。

我国专利和论文发表数

扩展资料

《国家创新指数报告2014》显示2013年，中国SCI论文数量达到21.3万篇，仅次于美国居全球第2位，占到全球总量的15.0%。

参考资料来源：人民网-《报告》显示：中国创新能力位列世界第二梯队

参考资料来源：中华人民共和国科学技术部-《国家创新指数报告2014》发布

中国接下来的目标只有一个：翻过人类科技的最高峰美国。只要我国的GDP继续保持6.5%以上的增长，我国的研发投入保持10%的增长，大约在2023-2025年左右GDP和R&D经费就能双双超过美国。科技增量随之在其后3-5年左右就能实现超越，这将是历史性的事件。只要大量经费和人力投入这两个发动机加力足够，超越的那一天就指日可待。现在的中国正在科技大爆发，并且规模越来越大，科技成果输出在以远远快于经济成长的速度成长。中国现在每年产出科技成果居世界第二，且正在高速接近人类科技顶峰的美国。而今天的科技大爆发，我们要感谢一个国家和一个人。首先看为什么说今天中国科技处于大爆发阶段。大家现在都感受到，新闻媒体报道的科技成果主观感受上就比往年多，且很多是世界领先和原创，例如量子卫星、世界最快超级计算机神威太湖之光、暗物质卫星、长征七号、FAST天文望远镜、长征五号、天宫二号等等。我们主要从数据方面来观察，我在之前的文章里面其实已经列举过部分，我们更新下2016年9月以来新发布的数据。

建国以来没有一个影响世界的科技发明创造

目前，中国的科技水平在全世界总体处于较先进的水平，尤其是高精尖的航天、航空、军事、高铁、核电、特高压、通信、医药等方面，有些领域处于先进水平，但是也有很多方面还需要追赶发达国家，如与老百姓生活密切相关的机械制造、医疗卫生、教育等方面，还在发展之中。

我国专利和论文发表数据

CnOpenData专利创新数据库涵盖1985-2020年专利信息，专利申请与授权数据库按照发明公布、发明授权、实用新型、外观设计等四个类别分表列式，并保留了各个专利的所有指标内容。

CnOpenData平台的专利申请与授权数据库区别于其他数据库的另一个重要内容是，我们的数据包含了针对每个专利的所有事务信息，包括专利在申请后何时被授权、是否在申请公布后被撤回、专利是否被质押、专利权人信息变更以及专利权终止等所有关于专利信息变更的内容.网页链接

勉强达到二流水平！

建国以来没有一个影响世界的科技发明创造

我国专利和论文发表数量

意味着我国在很多领域已经进行了深入的探索，并且很有可能在不久的将来实现那些理论。

“说实话，我很不喜欢「人工智障」这个词。”

在与掘金志的聊天中，一位从事计算机视觉方向的算法工程师多次表示，他讨厌这个词很久了，几乎是本能的反感，即便只是一种调侃，在他看来都是一种嘲讽。

这种嘲讽就好像是，一名路人，对着自己刚刚学会爬的孩子冷嘲热讽：这孩子真笨，连路都不会走。

他甚至坦言，如果身边有同事使用这个词自嘲，他会刻意与之保持距离，因为这种自嘲实属对自己的工作、对专业知识的“不尊重”。

拥有他这种技术性癖好的工程师不在少数，在掘金志询问的多个从业人员之中，都表达了类似观点：通常被问及人工智能水平时，类似表述以「弱人工智能」为准。

某负责品牌传播与公关的业务专员透露，如果在对外交流中使用了「人工智障」之类的词，被举报或是被公司发现，“直接影响绩效考核”，因为这类不专业的表述很可能导致负面的传播效果。

在与这些人的谈话中，掘金志发现，在AI圈内，从业者对于AI有着清晰的认知，在外宣的时候，对AI的负面化表述都较为严谨。

然而，在圈外，接二连三发生的各种AI事故，让大众对AI的真实能力产生诸多怀疑，关于人工智能变成人工智障的言论甚嚣尘上，唱衰人工智能的声音时常见诸报端。

表面上，这只是一场关于AI的舆论争议。但，其实质却是企业与大众对AI话语权的争夺，并会直接影响到AI的推广、落地与应用。

“如果大众无法对新技术形成有效的认知，那么新技术的推广则是非常缓慢的。” 某传媒大学在读研究生表示，大众对于新技术的接受能力是逐层递进的，这个进程很容易受到舆论影响，而负面舆论则存在一种「爆破效应」，可能会直接摧毁此前建立起的「信任基础」。

比如自动驾驶，公众对其的信任基础很薄弱，出现多次事故之后，这种信任实际上已经消耗殆尽。

相关调研报告显示，自动驾驶一哥——特斯拉FSD在国内的激活率不足10%，甚至相当一部分人没有开通AP服务，即便在开通的人群中，也很少有人会使用AP功能。

这种现象固然有其客观原因（比如路侧数据不够、算法能力有限），但从舆论传播的角度看，自动驾驶的一次失误，比起传统汽车的十次车祸更加严重，从而也给自动驾驶的进一步落地，带来阻碍。

那么，如何给大众建立起对AI的有效认知，推动AI更快、更广泛地落地？

掘金志通过采访之后认为：媒体报道、企业外宣、大众知识普及教育，是三个最主要的途径。而围绕着大众展开的各种「认知教育」，也注定是一场旷日持久的「攻坚战」。

人工智能应用有一个有趣的悖论：当一种AI技术已经非常普及的时候，人们普遍不会认为这就是AI。

好比上世纪八九十年代，一台黑白电视机可能是划时代的象征，需要手动调频；但现在遥控型的彩色电视机成为标配，人们也不觉得这就算智能。又比如，小区停车场通过车牌识别进出、刷脸进入小区等，在近几年开始普及，但人们很少将之与AI联系起来，即便这里面实际上用了各种识别算法、芯片等等。

在大众的认知里，人工智能理所应当达到电影里机器人的水平，或者近似人一样地思考、行动。

“大众有时对于人工智能过于乐观，甚至高估。” 中国计量大学信息学院副教授、人工智能专业负责人杨力认为，作为走向社会的新技术，人们对AI的理解并不全面，认为AI应该无所不能，这种认知与实际并不相符。

在掘金志看来，大众对于人工智能的认知比较浅层，这主要表现在两个方面：

这种浅层认知很容易被诱导，而在一些不着边际的宣传之下，AI本身的能力被过分夸大，大众对AI产生盲目「自信」或高估。

“外行看热闹，内行看门道。”

杨力表示，以人脸识别为例，5年前可能人们会觉得很神秘、先进，但在经过消费类电子的普及之后，许多人觉得人脸识别已经没什么难度了。当他给学生们授课讲人脸识别时，同学们都觉得这已经是很成熟的技术，“并不新鲜，难度不大。”

但其实人脸识别距离高度智能化还有很长一段距离，在许多复杂场景下，很难捕捉到有效的人脸信息。并且，人脸识别在小规模（数据库较小）场景下效果很好，但当数据库非常大的时候，识别的准确率就没那么高了。

“大众由于缺少专业知识，很容易把复杂问题简单化，但从事AI研究的人对此却非常谨慎，普通人觉得简单的技术，从业者可能会觉得‘这个做不了，那个做不了’，简单而言，就是望山跑死马的感觉。 ”

掘金志发现，由于缺少专业的通识教育，大众对于人工智能的了解渠道比较单一，多数是通过媒体报道、企业宣传这两种途径来触及AI，只有小部分人会自发研读相关书籍、学习课程，以增进了解。

从传播的角度看，如果受众获取信息的渠道有限，那么该信息渠道的控制人将具有信息传递的「控制权」，形成一种「舆论垄断」的局面，而信息在经过多次传播之下，极易「失真」。

实际上，这种「失真」是在所难免的。在AI的传播过程当中，形成了圈内和圈外两大群体，由于人工智能本身属于较高门槛的专业，圈内（企业）和圈外（普通受众）之间的连接，主要通过媒体来实现。

但媒体宣传存在问题是，许多从业者要么科班出身，要么跨界转型，真正懂AI的媒体人只有少数。并且媒体本身随着大数据、互联网技术的变化，进一步下沉到各平台，又造就了无数自媒体，形成了媒体界良莠不齐的局面。在流量导向的环境下，各种消息报道层出不穷，而这类信息又存在「放大效应」（比如标题过于惊乍），以至于大众接受到的信息与实际信息存在「误差」。

在人工智能最为火热的时候，不少AI企业为了拿融资、打知名度，纷纷投放广告、软文，宣传产品，造成人工智能已经能够大规模落地的假象。后来AI遇冷，大众对AI的调侃某种程度上可以看作是前期宣传过于猛烈的一种「反噬」。

当然，圈内也注意到大众传媒存在的局限，不少企业在重要的社交平台上都开辟了宣传渠道，但由于内容差异（比如太垂直、产品推广）或渠道差异，并不符合C端属性，多数AI企业无法直接建立起与大众的有效连接。

因此，在“企业-媒体-大众”这一传播链条下，由于大众传媒本身存在机制缺陷，导致大众很难在参差不齐的信息中，建立起对AI的有效认知。然而企业又不得不依赖大众传媒来宣传AI，这种内在矛盾，是造成圈内与圈外对AI产生「认知差异」的重要原因。

“归根到底，还是AI人才太少。”在杨力看来，人才是推动产业发展的核心力量，当前AI处于爬坡阶段，技术本身的问题是造成大众对AI产生质疑的根本因素，舆论传播一定程度上加剧了这种影响。

解铃还须系铃人，不论是AI纵深发展，还是横向传播，只有AI人才，可以给AI「正名」，但现阶段的情况是，国内AI人才极度紧缺。

“应用型人才真的太少了。”杨力感叹道，当AI从空中楼阁走向田间地头，懂技术又懂行业的人“真的不多”。

而在工信部《人工智能产业人才发展报告（2019-2020）》（下称“报告”）里，预计我国人工智能产业内有效人才缺口达 30 万，而这仅是两年前的数据。实际上，在过去的两年里，根据掘金志观察，AI企业对人才的需求持续旺盛，整个AI产业的应用人才缺口进一步拉大。

作为技术/知识密集型产业，AI的人才准入门槛较高，对学历、工作经验非常看重。

根据报告，2019年AI企业发布的岗位中，仅有11.9%的岗位接受专科学历；也仅有5.4%的岗位接受1年以下工作经验的求职人才；接受提供应届生的岗位仅占3.3%。

这意味着要从事AI行业，基本上要求本科学历，同时，由于多数AI企业缺乏人力、资金和动力去培养应届毕业生（至少一年以上），企业对应届毕业生的需求并不旺盛，而更青睐那些拥有知识储备和实践经验的人才，这种“排新”性质的招聘需求，又加重了人才短缺情况。

除此之外，AI对人才的专业性要求极强，尤其是算法研究、应用开发等岗位，60%以上岗位要求具备计算机、数学相关专业背景。

各种线性条件约束下，原本就短缺的AI人才，显得更加「紧俏」。

一位AI初创公司HR告诉掘金志，招人是一件很困难的事，“专业、学校、工作经历筛选下来，符合条件的人很少，加上公司要的是进来立马能产出的人，还要考虑薪资这些因素，优秀的人才很难招到；而走校招的话，优秀的毕业生早早被互联网、明星AI公司签下，剩下的也更青睐大公司。筛选去筛选来，选择真的不多。”

除了缺少与行业相结合的应用型人才以外，在杨力的观察之中，AI的另一个人才缺口，是能够“扎下心来做基础性工作”的理论研究型人才。

根据斯坦福发布的《2022年人工智能报告》，虽然我国在AI 期刊论文的引用数、会议论文发表数量以及在人工智能专利申请数量上排名世界第一，但在AI会议论文被引数上却远落后于欧美。并且，一些创新性的基础理论、前沿科技的研究仍以欧美为主。

“很多人工智能的基础理论，都是由外国人/机构提出来的，比如现在比较火热的深度学习。”

杨力表示，这与我国人工智能起步较晚有很大关系，要弥补这样的差距，除了要加强对基础理论研究的资金、人才投入以外，也应该建立起标准的AI人才培养体系，为AI研究提供源源不断的人才活力。

“学校是培养人才的摇篮，理想的情况是，一部分学生毕业以后从事理论研究，更多的毕业生进入行业，通过产学研联动，来推动AI的落地。”

掘金志了解到，当前我国人工智能产业已经初步形成“政产学研一体化”人才培养生态体系，但仍然处于起步阶段。2019年，人工智能专业正式获批列入本科专业名单，国内诸多高校开始自建或与企业共建人工智能学院（研究院），并开设AI专业。

然而，对于如何培养专业的AI人才，各大高校也正处于摸索之中，尚未形成行之有效的范式。

2019年，国内人工智能专业正式获批，被列入本科专业名单，但开办专业需要经过课程建设、实验条件、专业申报等流程，多数学校于近两年才开始正式招生。

换句话说，距离最早的一批AI本科生毕业，离毕业也还需要大概一到两年的时间。

如何把这一批新生培养成才，来填补当前存在的人才缺口，是一件并不容易的事情。此外，未来的第一批毕业生，其综合能力是否达标也极具象征意义。

“一方面，人工智能专业学的内容很难，以前很多研究生阶段才开设的课程，现在放到本科阶段来学了，对学生是一种压力，对老师的教学方式、技巧也带来挑战；另一方面，如何将人才培养与社会需求结合起来，让学生能够学以致用，也是难点。”

作为人工智能领域的资深学者，杨力在多年的执教生涯中，除了对AI有着深入的研究与思考外，也探索出了一些关于培养AI人才的「方法论」。

“首先要尊重学习规律。” 杨力告诉掘金志，AI本身对实践能力的要求较高，这就不能照搬传统学科的培养模式，即大一大二侧重于理论，大三大四侧重于专业。而应该理论和实践并用，先学习、再实践，在实践中学习，然后呈“螺旋式上升”。

在具体举措方面，他表示，可以通过成立「科创小组」的模式，鼓励学生以团队协作的方式参加各种学习竞赛、研究课题。

这种小组模式的优势在于：小组覆盖全体学生，通过团队协作，形成内部互帮互助的学习氛围，让成员都能参与到实践之中，成为一个「利益团体」；并且，小组的持续时间覆盖学生的整个大学生涯，所有成员都能共享「利益成果」。同时，小组成员之间互相帮助，从某种程度上也能给老师减轻压力。

“其次要因材施教，激发学生对AI的求知欲、探索欲。”

杨力表示，学生对AI的学习兴趣也呈现出明显的「二八定律」，即20%的学生求知欲很强，而80%的学生兴趣一般。

“对于这20%的学生，你只需要告诉他怎样做到最好，并且告诉他这个过程中需要注意的事项、细节，其余的无需太过关心；而对于80%的学生，他们的兴趣没那么高，就需要比较细致的指导，并且需要搭配一些「强制指派」，例如直接分配任务让他们参加。”

“再而，通过激励机制来刺激学生的创作灵感。”

比如，在课程设计时，将创新性纳入评分标准之中，以课程成绩来驱动学生进行创新。

例如，在做某个案例时，如果学生只是根据老师列的步骤照猫画虎，其成绩最高可能也就刚好及格，而剩下的分数则全靠个人创意和发挥。

“大多数学生需要老师给一些推力，而成绩就是最好的激励。”杨力表示，学生为了拿更高的绩点，便不得不“多费心思”，而不是敷衍了之，最终交上来的作品“往往有很多意想不到的亮点”。

“最后，教师与学生之间要形成良性互动的正循环。”

本科教学存在的一个普遍问题是，学生与教师之间的互动较弱，或者只存在于课堂之上，课外的联系非常少，“上课是师生，下课是路人”的情况并不少见。

在杨力看来，如果老师仅仅把教学当作是一种工作任务来完成，那么学生也会采取应付的态度。相反，如果老师富有责任感，学生也会受到其“以身作则的影响“，更有进取意识。

因而，老师可以通过带项目、线上线下互动等方式与学生沟通，来了解学生的需求，给自身的教学工作进行反馈，而这种反馈最终又将通过教学的方式来触及学生，形成「师生共赢」的局面。

除了培养AI人才方法论外，杨力也指出，培养人工智能专业人才需要破除「唯研究生论」。

“读人工智能专业必须读研究生，不读研究生就没有前途。”

不少人持有这样的观点，但杨力却坚决表示反对。他认为，原来很多研究生的课程已经下放到本科来学，本科阶段的人才培养成体系之后，学生的理论、实践能力将能够满足AI行业的基本需求，一味追求研究生教育，只会造成AI圈越来越卷，无助于缓解行业人才短缺情况。

“当然，研究生教育也很重要，但研究生人才培养可能更应该倾向于基础理论方面，而AI的规模化落地，需要更多应用型人才去推动。”

举个例子：很多传统制造业引进了人工智能，比如机械臂、自动化生产设备等，但由于缺少应用型人才，企业买回去的设备不知道该怎么使用，也不知道如何做到效益最大化，更不懂运营维护。

这样的岗位，并不需要从业者非常深厚的理论功底，而是有AI基础，又懂行业的人才。而在传统产业智能化升级过程中，类似的人才缺口非常大。

“实际上，当AI走向各行各业、落地之后，对人才的需求也会发生变化，而在本科阶段，通过理论学习加上与专业相关的社会实践，也能培养出优秀的人才。”

在刚结束的冬奥会上，杨力教授带领他的团队做了一个智能辅助技术，可通过视频来实现对选手动作进行回顾与分析，给裁判打分给予参考。

虽然只是一个比较简单的行为识别，模型并不精巧，市场上有很多AI公司具备开发该技术的能力。但让人欣慰的是，这个项目一经提出，学生们便踊跃参加，在导师的指引下，一步步挖掘数据、标注、建模、训练、测试，整个过程持续两周之久，大部分工作由学生完成，而且是在春节期间，有同学甚至因为出力不够而深感抱歉。

“Talk is cheap.”在杨力看来，这个项目别人有能力做，然而只有他们去落地实践了，并且整个项目由大一学生完成，过程远重于结果，他们“代表着AI领域的新生力量。”

做这个项目也并非一帆风顺。

该项目的成员，中国计量大学信息学院 21级人工智能专业学生，蒋正阳告诉掘金志，小组在建模的时候，要么网络太大训练太慢，要么网络太小而不适合要求，难以达到预期目标。同时，训练也会遇到算力不够的情况。

经过多次失败尝试之后，小组不得不求助于杨力教授，后者补充了一种网络结构，该结构下，模型变得相对“较轻”，训练也可以符合预期。

最终，小组成功研发出“单板滑雪AI裁判技术”。该技术可在画面模糊、相机高速运动、长距离全景画面等复杂场景下，对运动员是否抓板进行精准识别，从而为裁判打分提供依据，助力「冬奥公平」。

“我们的专业知识有限，需要继续加强理论学习。通过这个项目，我们了解了从零开始做项目的过程、方法、难度，积累了经验。当然，最后看到项目跑出来的结果，内心还是很欣喜的。”蒋总结道。

杨力认为，遇到问题很正常，关键在于去行动、实践了。“人在学走的路上，会跌倒很多次，但不能因为跌倒，就只学爬，这样永远也不会走。”

这何尝不是国内AI发展的缩影。

在经历无人问津的韬光养晦期之后，国内AI于10年开始蓬勃发展，商汤、旷视、云从、依图等一众AI公司先后诞生，受到资本热捧，撑起国内AI的希望。但激情燃烧之后，随之而来的是行业落地难、商业化难、变现难等各种质疑。

如今的AI，正处于从爬到走的摸索期，磕磕碰碰、跌倒摔倒等时有发生，也被大众调侃成「人工智障」。

但杨力对此并不沮丧，反而感到乐观，因为“有越来越多的企业、越来越多的人才参与到AI的发展、推广、落地之中”，在“政产学研”模式的推动之下，AI也将被掀开神秘面纱，显露出最真实的样子，而大众在未来也会对AI形成一个“全面、客观”的认知。

在掘金志与多位AI从业者的交流过程中，几乎所有人都对AI充满希望，即便AI仍然处于「弱人工智能」阶段，他们仍然坚信，AI有着光明的未来。

“AI的浩海不止于边边角角，而在于改变世界。”开篇吐槽「人工智障」的那位工程师告诉掘金志，即便改变世界的路途，充满坎坷，但 “因为热爱，所以坚持。”

而对于大众的一些调侃和质疑，他迟疑了一下，回道：

“请给AI一些包容。”雷峰网雷峰网

意味着我们国家的论文是非常优秀的，很多人都非常喜欢，国家的文化水平很高。