沈向洋：IDEA 如何找到創新的「甜區」_風聞
极客公园-极客公园官方账号-2022-11-28 14:27
把政府撒播的創新種子，和市場化機制連接起來。
整理 | 凌梓郡
2020 年，沈向洋在深圳成立了 IDEA 粵港澳大灣區數字經濟研究院，開啓了人生的新階段。他希望能以新的機制，做一些推動技術落地的事情。於是這座國際化創新研究機構的定位為：推動 AI 技術發展，立足社會需求，研發顛覆式創新技術並回饋社會，讓更多的人從數字經濟發展中獲益。
2022 年 11 月 22 日，第二屆 IDEA 大會召開，第一天上午的主要議程是沈向洋主講的「IDEA 技術與產品發佈會」。2 個小時的發佈會中，沈向洋介紹了這一年來 IDEA 的各項成果，以及每一項成果背後對趨勢的思考，既涉及當下大熱的 AIGC，也涉及研究方式的轉變……除此之外，他從創新-資本範式的視角，梳理了技術創新從實驗室走向市場的四個階段，以及 IDEA 在這其中的定位，要怎樣做。
最後他總結，IDEA 一直在尋找屬於自己的創新「甜區」，也就是從使命驅動到風險型創新的進程。縱觀整場發佈會，除了獲取前沿趨勢的動態，也能在如何思考科技發展上得到的啓發。
這是沈向洋當天發佈會演講的主要內容，由極客公園精簡整理：
大家早上好！歡迎來到 IDEA 大會。我們非常高興在深圳這片土地上做一些非常了不起的工作。舉辦 IDEA 大會的目的有兩個，第一是有一個機會可以彙報和展示我們在 IDEA 做出的最新成果。第二是希望能夠有機會跟大家分享一下我們對前沿技術的看法和未來趨勢的判斷。
今天我的演講分為兩部分，第一部分是過去一年多來我個人的體會，在計算機科學、人工智能發展方面有些什麼最新的趨勢。在這個過程當中，我也會穿插一些我們研究院做的優秀工作，梳理一下我們 IDEA 研究院到底在做什麼，我們是什麼樣的一批人，怎麼思考這樣的科學的問題，為什麼我們要做這樣的工作。此外，我想把科學研究這件事情和資本的投入之間的關係用一條創新曲線跟大家分享。
關於人工智能的發展，我以前一直講兩大原因：大數據、大算力。精準的算法推動到整個行業發展到現在，這一點很了不起。現在還不斷地有新的了不起的大模型出現，推動着人工智能發展新高潮。
今天，我想跟大家分享四個很有意義的 idea。
01
從一言勝千圖
到一圖勝千言
第一個跟大家分享的 idea，一言勝千圖。人工智能最近的蓬勃發展，就是預訓練大模型的發展，它整體的規模和速度都到了今天我們不可忽視的地步。還有很多問題人工智能還遠遠沒有解決，但沒關係，我今天想跟大家分享一些例子，你講一句話就可以生成出來非常漂亮的照片，而且結果非常震撼，栩栩如生。我自己做計算機視覺這麼多年，三五年前跟我講大概能做出這樣的結果，我是不會相信的。
有一個系統叫做 Open AI，其實也是微軟資助的一家公司做的。你講一句話，日落的時候有一個狐狸在草叢上，能不能用莫奈的風格給它畫出來。一年前 DALL·E 就可以做出這樣的結果：一個草叢的樣子、一個狐狸的樣子、一個日落的樣子。一年以後的結果，進步非常快。
他能夠做出這樣的結果有三個原因：巨大的數據量，龐大的算力，了不起的新的深度學習算法，這裏特別用到 Diffusion 模型。在互聯網上可以找到大量的圖像、標註和語言之間的數據對，來做出這樣的結果。很多人認為今天深度學習出來這樣的結果，技術路線簡單粗暴，但是你不得不同意做出來這樣的結果已經是非常的細緻、漂亮。
有了這樣了不起的結果以後，我們應該去想什麼樣的問題？在 IDEA 技術到了一定地步，我們就想能不能把這些技術做成產品、做成工具。因為我們專注於數字經濟，數字生產力的底層，就是以人工智能為代表的工具。這件事情最重要的是可以幫助藝術家，每個人有藝術創作衝動的時候做一些事情。
有人研究過歷史上了不起的藝術家他們在做作品的時候，為什麼很多藝術家一輩子只能畫幾張畫，而又有其他藝術家可以畫很多畫。最出名的人是達芬奇，藝術史的研究者研究後得出一個可能性：達芬奇那麼多畫不是他一個人畫的，他帶了很多徒弟畫。至少我這個外行看不出來達芬奇畫的質量和他徒弟畫的畫的質量。
藝術家要帶一堆徒弟，才能夠畫很多東西。今天 DALL·E 這樣的系統出來之後，給我們帶來的衝擊是什麼呢？人工智能就是你的小徒弟，有了人工智能加一些工具，每個人都是「達芬奇」，每個人都有機會做這樣的事情，真正提高數字生產力。事實上偉大的藝術家都是非常敏感的技術使用者。達芬奇如果今天在世的話，他肯定第一個嘗試像 DALL·E 這樣的系統。
看到這樣的效果以後，大家是不是覺得人工智能的問題都已經解掉了？當然不是，這裏面還是有很多問題的。今天大數據、人工智能還是一個記憶和闡釋的過程，還沒有真正理解和認知的過程。
舉一個簡單例子，你讓人工智能去做宇航員騎在馬上，然後換一個説法，馬騎在宇航員的身上，就出來這樣的結果。因為以前人類積累的數據裏面就沒有類似概念，所以很正常。這樣一些瑕疵，並不妨礙技術和應用不斷迭代和進步，因為有反饋，我們才能閉環、才能有進步、才能有創新。
大模型這件事情已經火到什麼樣的地步？微軟支持的 Open AI 這樣一個初創公司 DALL·E，號稱估值 200 億美元。比如美國出來一個 Stable Diffusion 的方法，有一家公司他用開源的方法來做，橫空出世，出來就是一個十億美元估值的獨角獸。這家公司的算力遠不如DALL·E，但開源出來，就有很多人用，就有閉環，就有可能進步。
IDEA研究院的張家興博士，兩年前就在IDEA對大模型做深入研究。今天非常高興發佈我們 IDEA 研究院在人工智能內容生成領域的「蓋亞計劃」，一個是模型自動生產力引擎，另外一個方面是預訓練模型體系。
整個項目都是開源的，這個項目也自主研發了首箇中文開源的 Stable Diffusion 模型，這個項目的開源也標誌着中文 AIGC 時代的來臨。我們非常高興能夠為中文 AIGC 社區做一些貢獻。
大家可以看幾個例子，進我們這個系統打一句話：夢迴江南，你就可以看到這樣的結果。現在我們這個模型已經在 Hugging face 上，在一百多個 Stable Diffusion 中今年已經排名第三。三個星期前下載量已突破 10 萬。
02
從分而治之
到合而解之
第二個 idea，我自己花了很多時間思考，大模型出來後人工智能深度學習做法。十年後的今天對研究方法的衝擊，所以我講「從分而治之到合而解之」。學過計算機科學的一定會同意我的講法，以前計算機科學裏有個很重要的研究方法是 divide and conquer，一個問題太大了，就分小塊，小塊之後再拼起來。
十年前，學計算機視覺和學自然語言處理的人基本上老死不相往來，大家都不太清楚對方在做什麼。但今天有了深度學習後，大模型把各個環節的人都集合起來，大家今天都是用大模型方法來做這件事。
最近有一篇非常好的論文，文章叫「圖像即外語」，Image as a Foreign Language。一張圖，想象成外語，它也是一個語言。如果你有這樣的視角，剩下的就簡單了，所有 NLP 裏做的工作，方法論、成果，就可以應用在計算視覺上。
的確是這樣，谷歌研究院兩三年前出來一篇非常了不起的文章，叫做 「Vision Transformer」。Transformer 是自然語言處理這兩年多最了不起的成績，把圖像切成 16×16 的小圖像，然後連在一起，就像一串字符，再把 Transformer 的方法用進去。我們在這個基礎上，把 Vision Transformer 體系用到計算機視覺裏最重要的問題，叫目標檢測。
大家看後面這張圖，檢測出兩個物體，一個叫做摩托車，一個叫做人。計算機視覺理解圖像有很多下游任務。一旦做到目標檢測，可以做目標跟蹤、目標分割。這些問題還有很多行業應用，比如醫療檢測、自動駕駛，有巨大的應用機會。
過去半年來，張磊博士帶領一幫小同學，讓 IDEA 研究院在國際上持續霸榜，半年之久，非常了不起。不僅結果最好，而且模型的尺寸、訓練的代價、所需要的訓練數據，比大多數其他同行做得更強。
這只是結果，給大家感受一下視覺上看起來是怎麼回事。
這裏有一個非常複雜的視頻場景，它檢測運動物體、靜止物體都能做得非常好。我們還在持續不斷推動項目，張磊也把最好的模型開源放在 DETR 上，可以説是最全面的 Transformer 檢測開源框架，這件事讓計算機視覺可以做得更好，我們也很高興不斷和同行競爭，表現出我們可以做到的結果。
這件事情給我的震撼，不僅僅是科研方法的改變，對人工智能、計算機領域的衝擊。這種研究的方法論、深度學習，它對科學研究的衝擊會更加大。
最近到處在談 AI for Science。我們應該選擇一些方向，做更多工具，幫助科學家做更好工作。我自己和清華大學蔡崢教授聯手做天文方面的工作，我相信很快會有一些非常好的成果向大家報告。
03
從重視計算結果
到重視計算過程
第三個 idea，從重視計算結果到重視計算過程。在技術發展過程中，都需要不斷看市場和社會需求的反饋。比如 5G 出來後，到底哪些應用推動了 5G，6G 時應該做什麼新的東西。在計算機科學發展上，市場推動非常大，只要有了不起的應用，這些聰明的人、聰明的錢就會衝進去。
過去這麼多年，從馮諾依曼結構開始，計算就是一個工具，完成的事情是掌握工具的人交給你的任務。我們還在上大學時，最了不起的是科學計算，後來慢慢可以做其他工作。
互聯網出來後有巨大的改變。大家用的 APP 掌握在互聯網平台手上，平台令你使用更加方便，但同時帶來一些問題。平台滲透到我們的工作當中，是一個黑盒子，不透明。你如果希望透明，希望可信可解釋，就需要有一種新的計算體系來解決這個問題：我為什麼看到這樣的結果，你為什麼給我這樣的結果。這變成一個剛需，能夠幫助我們來解決計算過程的問題，不僅是結果的問題。
很多聰明人已經在解這個問題，迴歸這個問題的本質，如密碼學的解法；針對人工智機器學習來講，有聯邦學習。
在 IDEA 研究院，我們選擇了一條不一樣的技術路線，做硬件。
我們去年做了一個東西叫 SPU，去年只是一個樣機，今年已經量產。很多銀行的合作伙伴在使用。SPU 的意思叫做 Secure Processing Unit，思路從 GPU 取得一些設計理念，比如打遊戲要快不卡，就出現 GPU 這個東西。今天的安全，大家並不是不知道，不去做。英特爾已經做了，CPU 裏劃了一塊物理隔離出來的叫 SGX。但我們的看法是應該拿出來專門做一個芯片。如果要做這件事情，安全體現在各個方面，有安全、可信，開機時就要安全，安全運行的容器，運行的過程要安全，還要有一個安全的虛擬操作。
用硬件的核心好處是不改動原來的算法，以前做的事情今天由硬件來加持，就開箱即用，不用再去改代碼。寫過程序的軟件工程師一定會感謝有這樣一些工具可以用。因為改代碼是多麼痛苦的事情。
有了這樣的硬件後，還可以讓我們和很多現有的軟件解法做結合。比如我們和微眾合作，可以把聯邦學習的性能提高很多。
我個人覺得未來 SPU 肯定是一個顛覆性的技術，當然還有很長的路，這個判斷是否準確，IDEA 是不是真正能夠實現，接下來還要驗證。
04
從使用語言
到創造語言
第四個 idea，關於語言。做計算機、人工智能都是在使用語言，更加重要的是應該創造語言。
全世界的人講六七千種語言，至今計算機語言有幾千種。因為人和人之間需要交流，人和機器之間需要交流，它需要涉及不同的語言。過去這麼多年，人工智能想做的事情是，機器能不能學人類的語言，NLP 這樣的語言。
但這麼多年來，國內對語言的重視非常不夠。我們認識的科學家裏，真正創造語言的不多。兩個月前，我邀請到張宏波離開 Facebook 後加入 IDEA 研究院。宏波以前也是我清華的博士生，他是中國科學家中難得的對計算機編程語言有深度研究而且實踐很深的人才。兩個月前，IDEA 研究院技術軟件中心成立。宏波從 2015 年開始發表一個語言，非常受歡迎，叫 ReScript。宏波來了以後很快在網上開了實踐公開課，教 ReScript 編程語言。目前，Rescript 中文版已經發布。有老外説要聽宏波上課要學習中文，因為宏波是用中文來上課。期待未來 IDEA 大會，宏波給大家發佈一些新的語言方面的工作。
今天我也想介紹另外一方面的語言。王嘉平博士帶領團隊在 AI 金融、區塊鏈方面做了很多工作，嘉平現在在研發一個 PREDA 並行區塊鏈智能合約語言。它的目的是你不見得要知道底層的工作是什麼，但一樣可以寫有效的並行區塊鏈程序。
05
創新的四個階段
第二部分，我想談談創新這件事情，在研究院裏怎麼組織起來，怎麼去做，為什麼選擇這樣的課題。
我覺得創新至少是有三個層次的，一個層次是科技、技術的創新；第二個層次是產品的創新；第三個層次是商業模式的創新。這都非常重要。但是科技的創新是最根本的、最顛覆的。
基礎創新這件事情離不開資本，要創新，就要投入，就需要資本。
要理解創新這件事情，要對創新-資本這個範式做一些分析和描述。在實際運行中，我們看到的都是一些具體技術的突破、具體商業的成功、哪個公司又上市了等等。當中有很多不確定性的原則，慢慢融入到這個組織真正運營的經驗裏面，沉澱到組織的文化裏面，我今天嘗試着解釋創新的範式。
我想用一條創新曲線介紹創新過程，也映射到我們 IDEA 在做的事情。這個圖的縱軸是項目投入的資源，橫軸是一個時間線，也包含了一個過程，一個技術從實驗室出發，然後走到大市場，最後做到 Mass Market。
我覺得可以分成四種不同的創新過程，基礎型創新、使命型創新、風險型創新、產品型創新。大學實驗室做的基礎科研，是基礎型創新。每個項目砸出去錢的不多，一個老師帶一個研究生，可能一開始錢不是很多。有些人有一些 Crazy ideas，想改變世界，就是所謂的使命驅動型創新，他有一個 Mission。比如在醫療上一定要做什麼事情，這種是使命驅動型創新，這個單個項目所需要投入的資本就遠遠升高，很多的錢在做使命驅動型創新。風險型創新項目數量更少，特別是到後期的時候能夠投進去錢已經很大了。真正最多錢的創新是在公司，特別是大公司裏面 R&D 的創新，research and development。
我舉個我師兄的例子，今天語音識別很通用了，我有個大師兄 James Baker 非常了不起，他在 1972 年博士論文的時候，就提出來一個數學模型 Hidden markov Model，以隱馬爾可夫模型來解語音。畢業以後，他沒有去做大學教授，他有一個 Crazy idea，他就在想如果這個東西能 work 的話，應該能做聽寫機，所以他是第一個世界上把聽寫機這件事情弄出來的人，那時候的誤差率非常高，應用場景比較受限。
他和他太太兩個人成立了一家公司，叫做 Dragon Systems，這是世界上第一家真正做語音識別的公司。一旦這些小公司把這件事情的路趟通了以後，大公司都蜂擁而上。蘋果、微軟等等都上去了。
整個過程中，我們應該思考資本和項目的配合。在創新過程中，我們要搞清楚誰是真正的參與者、誰是真正的貢獻者，這些參與者和貢獻者通過什麼樣的投資回報和資本的模型，連接在一起。
到最後還是需要有錢來支持整體科研過程。資本的模型有很多種，政府的、市場的；短期的、長期的；盈利導向型的、非盈利的。主體也很多，有政府機構、市場化公司、小作坊、甚至一個人在努力奮鬥。
在所有投資裏，市場才是最大的主體。公司投進來的錢、企業投進來的錢是 R&D 創新裏面最大的一部分。給大家看一個數據，是美國從 1956 年到 2020 年的整個國家的 R&D 的投入數字越來越高的。2020 年，美國整個國家的研發預算，公司、市場投入 75%，政府投入 9.4%。是不是就能夠有一個結論：政府這邊不重要？絕對不是。政府主導的研發雖然在絕對數量上遠遠低於市場主導的，但它有非常重要的引導作用、指向性作用。沒有政府的主體的話，很多未來的創新都是不可能的。
再給大家看一個數字，三個國家的研發對比（圖）。全世界排名第一是以色列，它的全國的研發費用佔 GDP 在 2020 年在 5.4%。第五是美國、第十三是中國。中國對科技的重視可以從這張圖看得非常清楚，在很短的時間之內，中國整體的投入上得快。大家不要小看 2.4%，整個科研的購買力如果也加進去的話，包括人的費用，包括買東西的費用，很多的國內的器件可能都是國外 1/3 的價錢。
結論是非常清楚的。科技是社會進步的根本原因，市場是科技發展的主力軍，但政府是持續發展的初動力。市場和政府兩個都是投資的主體，這些所有的創新都是錢砸出來的。投了錢，他期望的回報到底在哪裏？我的看法很簡單，趨於早期的基礎的創新，包括使命驅動型的創新，出資方主要是政府，當然也包括一些非盈利機構，他不能也不應該對科技投入的資本回報有訴求，這件事情非常重要，這樣才能有長期的觀點，投進去的時候，你不應該想馬上、什麼時候錢就回來了。
基礎型創新的例子就是 NSF（國家科學基金會）模式，國內也有 NSF-C。使命驅動的就是 DARPA（國防高級研究計劃局）模式。還有 VC 模式，到公司這裏就是產品型創新。
NSF 就是撒胡椒麪，支持更多的教授、學生。每個項目的資助是很少，一般 1-2 個研究生，5、10 萬美元這樣的規模。NSF 2020 年預算，在計算機這個行業、信息這個行業總共才 10 億美金，當然也是不小的錢，但是 Google 買 Deepmind 花了 6 億美元。所以 NSF 雖然數量不大，但它能夠支持很多人去嘗試早期的基礎科研的東西。最重要是 NSF 從來不説我們這個東西賺了多少錢，他只是講我們這個支持了多少了不起的學生、後來做了多少了不起的東西。
第二是 DARPA 模型，美國作為一個超級大國崛起，和他們使命型創新做得好是息息相關的。「一戰」之前美國並沒有這麼做，「一戰」之後聯邦政府才把錢投到公共健康、醫療衞生、公共安全裏面。慢慢就走出了一條所謂的 mission driven 的創新道路，特別成功的就是 DARPA，做了全球衞星定位等，這些都是當年使命驅動的，後來對社會、對商業產生了巨大的價值。使命驅動型的創新失敗的比例是非常大的，我們聽到的都是成功的幾個例子。一旦成功，影響力會非常大。
《五角大樓之腦》這本書訪問過很多科研人員，大家一致同意 DARPA 至少領先十幾二十年，有一批非常聰明的人真正把東西做出來。DARPA 的模式到現在為止還是非常受大家的認可，拜登總統提出來給美國國立衞生研究院增加 90 億的研究經費，其中 65 億是專門建立一個以 DARPA 為藍本的高級健康研究計劃署。
風險型投資高風險、高回報，是冒險者的遊戲。創業者更加九死一生。90% 以上的初創公司都是會失敗的。只有商業上的成功，才有更多的錢，政府徵税也好，其他人投錢也好，讓創新這件事情不斷地做下去。這個時候就是講的利潤了，不管是大公司、實驗室也好、小公司也好、自己家車庫也好，起步的時候，就是要去想這件事情的利潤是什麼樣。但還有重要的一件事情，如果沒有基礎型創新和使命型創新的鋪墊的話，風險型創新也是很困難的。政府的投入的重要性就是在這裏。
最後簡單講產品型創新。
平時聽到的也不是太多，就是偶爾類似蘋果出來開個發佈會，其實砸了很多錢。原因是什麼呢？通常公司裏面大多數 R&D 的錢都必須要保持現有產品的不斷完善，以及這些用户的新需求，他要用新的產品來保證公司有盈利，保證每個季度的業績給股東有交代，讓員工可以繼續發工資，所以大多數錢是砸在這裏，這個錢是非常龐大的。
這是 Google 2020 年的數字，Google 排名第一、微軟排名第三，華為非常了不起，華為 R&D 的數字非常龐大，投入非常巨大。
數據來源：歐盟 investment scoreboard
大公司如何創新，這是一個永恆的話題。最後公司不成功、不存在了，其他什麼都沒有了。要做百年老店，必須創新，而且只有自己顛覆自己，積極擁抱顛覆式創新，才能做這件事情。
對於 IDEA 來説，應該把有限的資源投向哪裏，在創新曲線上我們站在哪一端？
IDEA 研究院是一個國際化新型研究機構，我們把使命驅動的研究成果和未來產業發展的需求連接起來。更加具體來講，我們是政府支持的二類事業單位，希望把政府科研投入撒播的創新種子和市場化，特別是在大灣區、深圳市場化的資本機制連接起來。在圖上我們是坐二望三。
06
IDEA 的 crazy ideas
我想通過一系列的 IDEA 正在做的科研產品給大家做具體闡述，到底這些 Crazy ideas 在做什麼。
首先介紹第一個 crazy idea。今天人工智能在發展時，算法可以產生算法，甚至模型可以構建模型了。那我們的 crazy idea 是未來人工智能是不是可以創造人工智能。
這是我們非常喜歡的 James Simons 教授，他 30 歲時就是數學系教授系主任，他做了一段時間數據研究後，突然有一個 Crazy idea，覺得數字建模可以做量化投資，就成立了所謂的文藝復興公司，裏面有一個基金叫做 Medallion，過去年量化率 60% 多。他以前在 UC 伯克利是陳省身教授的博士。
另外一個例子是 Black，Merton 和 Scholes 這三位諾獎經濟獎獲得者，他們的研究成果也影響了金融量化領域。還有很多計算機科學家，比如UC伯克利2011年的圖靈獎，得獎是因為因果推理做得非常好，也影響到了量化。2018年深度學習三劍客的理論也影響了整個行業的發展。
IDEA 研究院郭健教授帶領一個非常強的年輕團隊，做的工作非常好。郭教授幫我總結，過去 40 年來量化投資經歷的三個階段，1.0 幾個聰明的人自己拍拍腦袋想了一些模型出來，2.0 是由小工廠變成大作坊，更多人去找這樣的因子，能夠做成一條流水線。現在機器學習後，用機器學習來做模型，在 3.0 年代。
即使今天 3.0 也沒有真正做到深度學習可以做到的地步，我們提出可以做得更加好，做到 4.0 的階段。它有幾個特點，手工建模到自動建模，從原來是黑盒子到可解釋的人工智能，從只是數據驅動變成數據驅動加上自身驅動。我們這方面做了很多工作。
接下來講第二個 Crazy idea，我想介紹醫療健康方面的，謝育濤在IDEA 做的一個 mission driven (使命驅動）的項目，希望未來讓任何疾病都有「譜」可「醫」，讓醫療知識能夠普惠大眾。
去年 IDEA 大會，跟大家簡單介紹過，我們和哈佛一起合作，和清華俞聲教授一直在做，我們想做的是數據驅動的、人工智能幫助的超級知識圖譜，能把全世界的醫療知識做成超級知識圖譜。我們對標的是全世界最大的美國做的系統 UMLS (unified medical language system)。我們做了不到兩年，已經初見成效，也已經在網上公開。
今天 BIOS 整個系統已經是全世界做得最好的，我們的詞條數目遠遠超過美國的 UMLS 系統，概念數量更加遠遠超過原來的。道理也非常簡單，因為我們是數據驅動的，每天都在挖，每天新的醫學論文出來後，不斷找到新的詞條。準確率、覆蓋率，也是遠遠超過競爭對手。
我們還在繼續做，希望大家嘗試看看我們這樣一個系統。未來應用的空間非常廣泛，我們希望英語、中文甚至拓展到國際上的其他語言。
第三個 Crazy idea，在教育方面我們有一些想法，我喊了一句口號「讓天下沒有難讀的論文」。
今天做科研都是花很多時間在讀論文，論文非常難讀，因為大多數論文、包括我們自己的論文，寫得很差，還要讀，怎麼樣很快把論文讀清楚，我叫做粗讀，怎麼樣讀進去，叫做精讀，怎麼樣瞭解這些東西后還為自己所用。這裏有很多方法，包括找論文不方便，管理工具不方便。
今天我在這裏非常高興的發佈 readpaper2.0 版，我們的系統都是公開免費的。readpaper2.0 版嘗試解決四大問題：找論文問題、智能閲讀問題、文獻管理問題、學術討論問題。
最後想跟大家分享一下使命驅動型的方向，談人工智能在企業方面的應用。題目叫做「第四維度的輔助決策」。我們想做一個商業的事理圖譜。大家今天聽了很多的事理圖譜，它裏面最重要的就是多了一個緯度，就是時間維度信息。這樣跟傳統的知識圖譜不一樣，你可以知道事件之間發生的因果關係、時序關係。為什麼很重要呢？作為一個企業，你必須要關心到底在這樣一個動盪的商業環境下應該做一些什麼樣的決策。
07
尋找創新的「甜區」
最後我想再總結一下，在創新資本的範式中，IDEA 研究院聚焦在哪裏。我們其實一直想找一個創新的「甜區」。有這樣一些經費的支持，做一些使命驅動型的創新，但又不停留在這裏，能夠往前走把很多東西真正落地。
如果我們的目標聚焦於這樣的創新「甜區」，那選手需要一些什麼樣的能力？首先需要有選擇問題的能力。一流高手選問題、二流高手解問題、三流高手抄問題，當然抄也是不容易的。選擇問題的能力是最關鍵的，然後要有資源調配的能力，然後努力不懈，真有把這件事情從頭到尾做起來的能力。IDEA 大多數的項目都是這樣選出來的，如果你有科學家頭腦、企業家素質、創業家精神，那麼 IDEA 就是你的不二之選。
最後我想跟大家分享一個非常激動人心的項目。我們剛剛開始，但已經籌劃了很長時間，就是「低空經濟」。很多飛行器，比如直升機、無人機一般會在 1000 米以下低空飛行。整個空域是可以利用的。低空經濟簡單的定義就是：在低空空域，以有人和無人的低空飛行活動為牽引，輻射帶動相關領域融合發展的綜合性經濟形態。現在被浪費掉的低空資源是自然資源，我們可以把它變成非常有價值的經濟資源，就像地上的路，路修了以後變成經濟資源。
困難在於從今天可以使用、可以通達的空域變成可以計算的空域。空域是非常複雜的事情，今天的無人機飛在天上看不見、管不着、用不着，未來都是需要去做的。我也非常感謝李世鵬院士帶領團隊正在研發一個智能融合的低空系統 SILAS，把所有的場景數字化問題做深入研究，推動這件事情向前發展。今天我也在這裏宣佈，隆重發布《低空經濟白皮書深圳方案》，歡迎大家多提寶貴意見。
最後我想講幾句話結束今天的演講。為什麼我們對低空經濟如此的熱衷，為什麼我們到深圳來創新創業？我們到底想要做什麼？其實原因非常簡單，如果我們回過頭來看整個人類的簡史的話，它就是一部勇闖無人區的歷史。從我們的先人走出非洲大陸，到 1492 年哥倫布發現美洲新大陸，到美國西部開發，甚至到最近大家談得很熱的太空的旅行，人類都是在找這樣的「無人區」。
今天，我們推開窗户，窗外的這片低空就是離我們最近的「無人區」。所以我想我們在深圳，我們一起努力，團結各方的資源，轉化低空為經濟資源，實現低空域的可計算，創建工作、生活的新範式，開拓經濟增長的新空間。謝謝大家！
*文中圖片來源：IDEA
本文為極客公園原創文章，轉載請聯繫極客君微信 geekparkGO
極客一問
如何才能找到創新「甜區」？
