Nature证实：学术界刮起离职潮，大批学者涌向工业界_风闻

杨净 明敏 发自 凹非寺量子位 | 公众号 QbitAI

Nature最新发文：学术界正刮起一阵离职潮。

这当中，处于职业中期的科学家尤甚。

而他们的集体归宿，是转向工业界。

事实上，这种趋势由来已久。早在2018年一项研究预测显示，高等教育将在五年内失去一半至三分之二的学术从业者。

疫情大流行加剧了这一趋势，为大规模出走奠定了基础。

社交网络上有诸多像”The Professor is Out”、“博士妈妈”私人互助小组，在过去一年中成员从几百、一千增至上万，他们不乏在里面探讨如何离开学术界。

而关于**#leavingacademia**的话题，热度只增不减。

但这跟我们这几年听到的恰恰相反。

在国内大批之前涌入工业界的科学家，正在重返高校……

京东副总裁、AI大牛周伯文加入清华电子系；

蚂蚁AI首席科学家漆远加盟复旦大学，担任AI创新与产业研究院院长；

字节跳动AI Lab总监李磊离职，加入UCSB；

字节跳动副总裁、AI Lab主任马维英，加入清华大学智能产业研究院；

旷视南京研究院创始院长魏秀参，出任南京理工大学教授。

……

再早一些，就是像张亚勤、张潼也从工业界重返学界。

所以，究竟为什么会出现这样的反差？

国外学术界刮起离职潮

先来看看Nature这篇文章究竟说了什么。

首先，的确有大批学术人才涌向工业界，而且分散在各个领域，包括地球科学、生物学、心理学、数学等这种研究型也在其中。

在推特话题#leavingacademia下发起的一个谷歌文档。短短20天时间，就有超过400名离职学者更新。

他们的研究领域更是已经横跨到了文史哲、音乐、社会学等领域。

但即便如此，核心领域还是那几个：生物（包含化学）、医学、计算机、临床心理学等。

在这当中，在学界已经小有成就的人还不少。

知名健康博主**@子陵在唱歌**，最近就发文表示：又一个做HIV治愈的朋友Gilad Doitsh离开了学术界去了工业界。

而且这个人在学界曾有过重要突破：2014年发表了篇Nature，首次揭示了HIV造成免疫缺陷的最关键机制。

为什么这些学者，甚至已经有所成就的人，会在此时此刻纷纷涌向工业界？

大的环境背景，主要还是薪资和工作满意度造成的。

杜克大学陈怡然教授就分享了这样一件工作趣事：教授群里讨论工资，结果纷纷抱怨物价高，工资太低，比起工业界差得太远。

在Nature2021年薪酬与满意度调查中，在1200多名研究人员参与的情况下，有近 37%处于职业生涯中期的研究人员对他们当前的职位不满意，比处于职业生涯早期和晚期的研究人员占比都高（他们分别占32%）。

Nature认为这些结果解释了为何许多处于中期的学者重新思考他们的道路。

还有像个****别地区的福祉制度也是影响因素。在英国，养老金的削减加剧了大学教授的罢工和辞职。

但除了大环境本身，更为本质或者更为特殊的原因，还在于有些领域确实已经在进入工业创新落地周期，即产学研转换。

生物制药就是当中的典型。

传统制药行业面临着成本高、周期长等痛点，但AI的加入，就有望解决这些难题。而这一能力已经逐步得到证明。

量子位智库分析的AI制药七大趋势显示，不管是临床进展，研发渗透率还是产业接纳度，都在证明基于AI的制药技术，成为新药研发的必然趋势。

而在2024到2026年，全球AI制药行业将迎来两轮爆发式增长，到2035年仅国内市场规模就可以达到2040亿。

当技术来到工业界快速、规模化地落地，势必会吸引更多人才涌入。

人才流向和技术发展周期有关

当然，专业大佬出走工业界的例子，国内也在发生。

比如在生物计算领域，去年已有两位行业大牛走出校园，开始创业。

被业界誉为**“AI预测蛋白质结构全球第一人**”的许锦波教授，于今年1月在北京创立公司分子之心（MoleculeMind），旨在利用AI技术帮助行业专家快速识别、设计最合适蛋白质。

2016年，由他开发的RaptorX-Contact方法，首次证明深度学习预测蛋白质结构的可行性。AlphaFold正是基于他团队前期研究成果。

另一边，当时也参与了RaptorX-Contact方法开发的彭健教授，也于去年成立了华深智药。

他们想要结合自研高通量生物实验技术，为研发人员提供微观世界分子计算、模拟与设计的智能系统。

去年年底，其开发的HeliXonAI刷新AlphaFold2记录。

而以上两位教授先后踏入工业界，或许并非巧合。

受到大环境以及关键技术突破的影响，近两年生物计算、生物制药正处于发展的新风口上。

行业内亟需高精尖人才引领创新，发展模式也需要不断探索。

因此，行业大牛拥抱工业界，也并不见怪。

实际上，人才流动的方向，是判断技术创新应用的重要风向标之一。

流动规律大致如下：

技术创新周期，人才从学术界涌向工业界；

进入商业落地期后，人才再从工业圈回流到学术圈。

以AI行业为例。

2012年以后，随着深度学习迎来爆发期，全球科技大厂都在广纳AI技术人才，不少行业领军人物因此踏入了工业界。

国内方面，2014年吴恩达宣布加入百度，担任首席科学家职位。

同年，阿里巴巴成立阿里达摩院前身——iDST。前美国密歇根州立大学终身教授金榕，就是在那时加盟阿里，担任iDST首席科学家和副院长。

海外方面，2013年，深度学习之父Geoffrey Hinton加入谷歌，Yann LeCun受聘为Facebook首席AI科学家。

2017-2018年，李飞飞作为斯坦福大学教授，兼顾了谷歌副总裁、谷歌AI/ML首席科学家的职位。

据《卫报》2017年对英国顶级研究型大学的调查显示，当时大学AI人才的流失甚至已经影响到了正常的研究和教学。

伦敦帝国理工学院的一位教授表示，自己的一名博士生为了苹果开出的六位数薪资，直接放弃学业。

但随后在AI开始落地到各个垂直行业，事情就发生了转变，最明显的就是2019年。

当时，张亚勤从百度“退休”，正式加盟清华大学，受聘清华大学“智能科学”讲席教授，牵头筹建“清华大学智能产业研究院（AIR）。

李飞飞也完全挥别了在谷歌的工作，选择继续专注学术。

腾讯AI Lab负责人张潼离职后，来到香港科技大学任教，同时加盟创新工场。

之后几年内，国内大厂频频传出技术大牛离职重返学界的消息，包括漆远、马维英、李磊、王长虎、周伯文……

今年2月，TensorFlow技术主管Pete Warden突然离职，选择重返斯坦福读博。

在个人博客里，他阐述了离职的原因。他表示，自己一直鼓励用TensorFlow Lite Micro尝试各种各样的TinyML项目。

此前他也在谷歌尝试过实验，但谷歌的新硬件设备不仅昂贵耗时多，如果失败了还会带来负面影响。

因此，时隔20多年，他决定重返校园回去攻读博士学位。

为什么会有这种规律？

人才在学术界和工业界之间兜兜转转，其实是技术发展带来的一种自然结果。

不管几年前大火的深度学习、还是像当下生物制药、被元宇宙带火的计算机图形学。

技术创新刚开始的时候，科学家奇货可居，被高薪、高待遇聘请，担当企业的首席科学家。比如当年的吴恩达、张亚勤，现在的图形学大牛王华民等。

企业也纷纷开始建立研究院，各个大厂不用说了，腾讯阿里华为。即便那些垂直领域的企业也都有自己的研究院，比如3D时尚行业的凌迪。

更直接一点，那就科学家来创业，如今也成为一种风潮。

但随着技术进入落地期，企业与科学家之间就显现出一种难以调和的“悖论”——研究和产品的对抗。

毕竟企业做研究的根本目的，还是为了打造产品。

而学术大牛往往更期待可以有足够自由的空间做科研，可以按照自己对专业的认知，来一步步推进技术发展。

由于二者的出发点和侧重面不同，矛盾与摩擦在所难免。

延伸来看，这背后更牵扯到资金方面的问题。

企业端，“唯利是图”，请科学家造研究院最终目的是为了创造营收。而研究院作为成本中心，花钱如流水，如果不能快速实现商业变现，企业靠什么来支撑？

但在纯粹的科学家眼里，探索最前沿的问题是一件长期的事情，应该不计成本，不计营收，又能容许自己的研究为了“短期”利益而降格？

更为直观的是，一旦企业出现财务紧张或到达发展瓶颈期后，内部研究院往往会受到影响。

于是，我们经常会看到这样一种现象，每每新技术周期来临，科学家进入企业搞研究；但当技术趋于应用之后，他们又往往得而复失、重返学界。

这也就导致现在成功的企业研究院很稀缺，其模式可持续的也很少。就像活了二十几年的微软亚洲研究院，也无法实现“自我造血”。

参考链接：[1]https://weibo.com/2199733231/LvMtu6BmC

[2]https://www.nature.com/articles/d41586-022-01564-8

[3]https://docs.google.com/spreadsheets/d/1IrG0bdMzA02Mj7KThJyltVs8HFSGO9topxClG-b4ROY/edit#gid=1940707896

[4]https://twitter.com/search?q=%23leavingacademia&src=recent_search_click