大家好，我是本栏目的编辑郝帅。现在我给大家解释一下上面的问题。学术界已经并将继续在人工智能和机器学习的发展中发挥重要作用。作为旧金山大学的计算机科学教授和数据集成软件提供商SnapLogic的首席科学家，我很幸运能与AI和ML在学术和专业领域展开合作。我的职业生涯是从一个纯粹的学术领域开始的，大约10年前，当我转向我的双重角色时，我才开始意识到，在促进创新方面，工业界和学术界必须共同努力，才能取得显著的效益，尤其是任何大规模的数据运营技术。

当然，在人工智能的发展过程中，学术界已经完成了许多理论和实验工作。学术界面临的挑战是获得真实世界的使用数据，这些数据可用于训练模型和访问能够大规模部署和测试AI和ML算法的平台。

大约15年前，搜索和社交公司发现现有的数据库解决方案不适合他们庞大的数据集，于是创造了定制的解决方案。在可扩展存储系统的帮助下，他们随后邀请学者分析这些新收集的数据。这些新数据有助于为学术界发展的所有理论机制提供动力，实现建议和预测的真正应用。数据可用性的增加影响了人工智能的理论方面，并在学术界和工业界之间建立了这种共生关系。没有它，人工智能的进步可能不会像现在这样遥远。

发展工业界和学术界的关系。

作为一名教授和一家科技公司的首席科学家，我见证了学术界和工业界之间的文化差异。在我看来，两种文化的本质都有其地位。学术界是学生学习和发现计算机科学基础的地方，而工业界是基础实践付诸实践的地方，从而为社会带来真正的价值。然而，随着合作的增加以及AI和ML的发展，两种文化都有机会相互受益。

我已经能够将工业经验融入我的课程。我现在教的一些东西，尤其是在分布式系统中，是你在学术界传统上看不到的。然而，通过教授构建生产软件的现实，它可以更好地为学生在行业中的未来做准备，并有助于在学习难度概念时激励他们。与行业建立联系也意味着我的一些学生有机会在现实世界的人工智能项目中在SnapLogic领域工作。

同样，当机器学习应用于实际的行业问题时，它需要研究中使用的学术科学方法。实现机器学习不同于实现新的软件功能。对于大多数功能，您可以指定需求并提出开发计划。当试图实现机器学习时，情况并非如此。相反，机器学习需要大量的实验，看起来更像是学术科学实验。这样，建立假设然后运行实验的学术文化对于机器学习在工业中的成功部署是必需的。

商业世界中的人工智能。

未来几年，人工智能将为企业带来巨大的利益。创新、提高效率和更大的产出将是主要内容。人工智能将有助于释放宝贵的资源部署到其他领域，从而增强现有产品和服务或开发新产品和服务。它将改变工作角色，让员工专注于依赖人类技能的任务，如情绪洞察力或创造性智力。

但这不会在一夜之间发生。这将是一个稳定的渐进过程。为了让我们保持在正确的轨道上，学术界和工业界之间的合作将是至关重要的。它们加在一起比它们的部分总和还要强。通过共享资源和人才，人工智能的创新将蓬勃发展。