周志华:南京大学LAMDA实验室将加大力度与华为合作

毕业季,南京大学周志华教授称LAMDA将加大与华为合作力度。华为是南大毕业生向往企业,LAMDA多项成果已在华为应用。朱越博士从LAMDA加入华为后表现出色。当前AI人才缺口大,企业通过多种方式培养人才,未来AI人才争夺将更激烈。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  转载于 新智元  

编辑:金磊、张佳、大明

【导读】又到一年毕业季,想好去哪了吗?当然是华为!近日,南京大学周志华教授发布微头条:“LAMDA接下来会加大力度跟华为合作。”朱越博士作为从LAMDA加入华为的一员,现身说法,表示从未后悔。

2019,到华为去!

最近的局势对华为来讲可以用“腥风血雨“来形容。就在这个紧要关头,南京大学计算机系主任、人工智能学院院长周志华力挺华为,表示“LAMDA接下来会加大力度跟华为合作。”这则消息一出,短时间内阅读量便高达11万!网友纷纷点赞!

LAMDA(Learning And Mining from DatA):机器学习与数据挖掘研究所。隶属于南京大学计算机软件新技术国家重点实验室和南京大学计算机科学与技术系。

华为,早已成为南大毕业生最向往的企业之一

早在5月24日,南京大学便已发文《2019,到华为去!到科技创新前沿去!》,号召同学们加入华为,贡献自己的力量。文中称:

在华为,已经有众多南大学子默默坚守岗位,为科技自立奉献绵薄之力。 
华为早已成为南大毕业生最向往的企业之一。每年毕业加入华为的学生数量,已经遥遥领先其他500强企业,常年位居首位。

25日,华为南京研究所官方招聘微信公众号“HW南研招聘”也发文《励学敦行:从LAMDA到华为,奋斗在AI科技创新前沿》做出了响应,文中提到:

作为在人工智能核心的机器学习领域植根中国本土的世界级研究团队,LAMDA已有多项成果在华为成功应用实施。双方在人工智能核心技术的研究和转化方面开展进一步全面深入的合作,必将带来更大的技术进步。

而后,其它媒体也对此报道称:“而在国内,‘北有清华、南有南大’更成为AI领域的领先者。

对此,周志华老师在朋友圈中发表评论:

我们规模小、起步晚、水平有限,一直努力向清华北大自动化所等先进兄弟单位学习,希望能不断进步。

新智元也对周志华老师进行了采访,周老师表示:LAMDA跟华为已经合作多年

朱越博士:从LAMDA到华为,从未后悔!

在加入华为的大军中,朱越博士就是其中之一。朱越博士2018年毕业于LAMDA研究所,师从周志华教授,毕业后果断加入华为。

朱越博士基于在LAMDA学习到的先进技术,在入职不到一年的时间里一战成名,通过对项目中AI算法的重构和优化,使内存开销大幅减少至50%,训练时间急剧缩短为原来的10%,成为部门AI算法研究方面的带头人

在朱越博士看到母校南大发布了《2019,到华为去!到科技创新前沿去!》后,在其朋友圈评论道:即便在这艰难时刻,从未对自己的选择感到后悔,反而是被不知何时印入心中的巨大自豪感与使命感包裹。

注:信息源自“HW南研招聘”

新智元还在LAMDA官方网站中查到,除了朱越之外,还有师颖毫及杨森等人目前也就职于华为。

师颖毫于2015年6月在南京大学获得计算机科学与技术学士学位。同年,考入南京大学攻读硕士学位。在校期间研究兴趣包括:机器学习和数据挖掘。

杨森于2015年6月获得南京航空航天大学计算机科学与技术学士学位。同年,被南京大学免试录取攻读硕士学位。在校期间研究兴趣包括:机器学习和数据挖掘。

华为为广大优秀的毕业生提供了广阔的舞台,而这些优秀的同学也让华为更加强大。

“有多好的人才,才可能有多好的人工智能”

中国人工智能市场增长惊人,但在人工智能基础研究和创新,尤其是在AI高端人才储备方面,仍然存在很大缺口。

根据高盛《全球人工智能产业分布》报告统计,2017年全球新兴人工智能项目中,中国占据51%,数量上已经超越美国。但全球人工智能人才储备方面,中国却只有5%左右——人工智能人才缺口已达百万量级

正如周志华老师在新智元此前报道中的称,“人工智能时代最缺的就是人才。因为对这个行业来说,你有多好的人才,才可能有多好的人工智能。

从目前市场对人工智能人才需求百万缺口的现状来看,高校对人才的培养很难满足企业的需求。一边是高校高端AI人才培养缓慢,一边是企业招不到高端人才,供需两端都面临着脱节问题,而这样的状况还将持续一段时间。

高端AI人才脱节问题已经引起高校和企业的注意,无论是高校还是企业,在AI时代构建新的竞争优势的核心,关键在于人工智能高端人才的有效供给。

而正如上述,高校对AI人才的培养无法满足快速发展的市场需求。因此,企业对于AI人才培养的现实路径主要分为两种:

  • 一种是企业从学校里寻找相应背景的人才,或从职场上寻找年轻且有学习能力的人,进入到企业体系里,通过项目的方式来培养;

  • 另一种是企业在人才未完成学业时开始介入,由企业赋能高校进行人才培养。

所培养的人才一部分回归到培养企业,一部分也会输送到与高校签订协议的企业里去。

无论知识体系的搭建、教学计划的实施和人才考核评估,企业都在其中发挥着主导作用,因为知识体系、用人目标设计和能力训练,以及人才的评估和认证标准主要来自企业实践的提炼和确认,这是当前最快提升人才培养速度和质量的方法

未来,AI资源的争夺必将愈演愈烈,而人才必定是率先争夺的资源之一。毕竟,人才决定人工智能。

南大加油!华为加油!

附:LAMDA简介

LAMDA隶属于南京大学计算机软件新技术国家重点实验室和南京大学计算机科学与技术系。 LAMDA 位于南京大学仙林校区计算机科学技术楼。

“LAMDA” 的含义是 “Learning And Mining from DatA”。LAMDA 的主要研究兴趣包括:

  • 机器学习

  • 数据挖掘

  • 模式识别

  • 信息检索

  • 演化计算

  • 神经计算

  • 以及相关的其他领域。

目前的主要研究内容包括:

  • 集成学习

  • 半监督与主动学习

  • 多示例与多标记学习

  • 代价敏感和类别不平衡学习

  • 度量学习

  • 降维与特征选择

  • 结构学习与聚类

  • 演化计算的理论基础

  • 增强可理解性

  • 基于内容的图像检索

  • Web 搜索与挖掘

  • 人脸识别

  • 计算机辅助医疗诊断

  • 生物信息学等。

LAMDA官方网站:

http://lamda.nju.edu.cn/CH.MainPage.ashx

LAMDA毕业学生就业查询地址:

http://lamda.nju.edu.cn/previous_people_alumni.ashx


您还可以在以下平台找到我们

你点的每个在看,我都认真当成了喜欢

<think>嗯,用户是通信工程本科,现在读研,研究方向是zk(零知识证明)和rl(强化学习)。他现在想转到AI领域,但不确定自己的选择是否正确,因为未来想以就业为主。现在纠结是该多实践AI项目还是继续做好研究。 首先,我需要理解他的背景和目标。本科通信工程,可能学过一些数学和编程,但AI相关的课程可能不多。研究生阶段接触的是zk和rl,这两者都是比较专业的领域,尤其是零知识证明可能和密码学、区块链相关,而强化学习是AI的一个分支。用户现在担心自己的研究方向是否对就业有利,尤其是想转向更广泛的AI领域。 接下来要考虑AI就业市场的需求。当前AI热门方向包括机器学习、深度学习、自然语言处理、计算机视觉等。强化学习虽然也是AI的一部分,但应用场景可能相对窄一些,比如游戏、机器人控制、推荐系统等。零知识证明则更多在区块链、隐私保护领域应用。如果用户希望进入主流AI行业,可能需要补充其他AI领域的知识和项目经验。 用户现在需要决定是继续当前的研究还是转向实践项目。考虑到就业,实践经验很重要,但研究经历同样有价值,特别是如果研究内容能AI结合的话。比如,零知识证明在隐私保护方面可能AI的联邦学习、数据安全等领域结合,强化学习本身属于AI,可以深入并应用到实际场景中。 建议用户先评估当前研究方向是否具备AI结合的潜力。如果可能,将zkAI隐私结合,或者深化rl的应用,这样既利用现有研究背景,又贴近AI领域。同时,补充AI核心知识,比如学习经典算法、参加项目或比赛,积累实践经验。另外,关注目标岗位的要求,比如工业界更看重编程能力和项目经验,可能需要加强Python、框架使用、项目部署等技能。 时间管理也很关键,平衡研究和自学。设定短期目标,比如每周投入一定时间学习AI课程,参开源项目或Kaggle比赛。建立作品集,展示相关项目,这对求职很有帮助。实习也是重要途径,可以积累经验并了解行业需求。 总结下来,用户不必完全放弃当前研究,而是寻找AI的交叉点,同时补充必要的技能和实践经验。这样既能完成学业,又能为就业做好准备。</think>作为一个从通信工程转向AI领域的非科班研究生,你的困惑是许多跨领域学习者共同的经历。结合你的背景和就业导向目标,我会从以下几个方面给出建议: ### 1. **先明确方向:RL和ZK是否AI就业冲突?** - **强化学习(RL)本身就是AI的核心分支**,在游戏AI(如AlphaGo)、机器人控制、推荐系统、金融交易等领域有广泛应用。如果你的RL研究偏向算法改进或实际场景应用,这本身就是AI领域的高价值方向。 - **零知识证明(ZK)AI的结合点正在兴起**,例如: - **隐私保护AI**:联邦学习+ZK实现数据隐私验证 - **区块链+AI**:去中心化AI模型的训练推理 - **AI模型可验证性**:用ZK证明模型推理过程的正确性 这些交叉领域在Web3和隐私计算方向有较高人才溢价。 ### 2. **就业市场的分层策略** - **核心AI岗位**(算法研究员/工程师):需要扎实的机器学习基础(统计学习/深度学习)、熟练的编程能力(Python/PyTorch/TensorFlow)、项目/比赛经历。 - **垂直领域AI岗位**:如通信+AI(5G网络优化)、金融+AI(量化策略)、制造业+AI(工业视觉)等,你的通信工程背景可能成为差异化优势。 - **交叉领域前沿岗位**:ZK+AI方向目前属于蓝海,头部区块链公司(如Chainlink、以太坊基金会)和隐私计算公司(如矩阵元)正在布局。 ### 3. **具体行动建议** **① 知识体系补全(按优先级排序)** ``` 1. 机器学习基础 - 《机器学习》(周志华西瓜书)核心章节(1-10章) - Coursera《Machine Learning》(Andrew Ng) - 重点掌握:线性模型/决策树/集成学习/聚类/降维 2. 深度学习 - 《动手学深度学习》(李沐)PyTorch实践 - CS231n(计算机视觉)或CS224n(NLP)选其一 3. 强化学习专精(结合现有研究) - 《Reinforcement Learning: An Introduction》Sutton - 实践Gymnasium库(OpenAI Gym继任者) 4. ZKAI交叉知识 - 学习circom语言编写zk-SNARK电路 - 研究论文《zkML:Zero-Knowledge Machine Learning》 ``` **② 项目实践策略** ``` 1. 短期(1-2个月): - Kaggle入门赛(如Titanic/房价预测) - 复现经典RL算法(DQN/PPO)控制CartPole 2. 中期(3-6个月): - 开发"ZK验证的MNIST分类器"(用ZK证明推理过程正确性) - 参加AI+区块链黑客松(如ETHGlobal活动) 3. 长期(6个月+): - 将研究生课题工程化(如基于RL的5G网络资源调度系统) - 在GitHub建立专题仓库(如zkRL-Collection) ``` **③ 时间分配建议** ``` 研究生课题(50%) | AI基础学习(30%) | 实践项目(20%) ↓6个月后过渡到↓ 课题研究(30%) | 深度项目(40%) | 求职准备(30%) ``` ### 4. 差异化竞争力构建 - **技术博客输出**:定期在知乎/Medium撰写"ZK在AI中的应用"系列文章 - **社区参**:加入FATE(联邦学习开源项目)社区,参开发讨论 - **证书背书**:考取AWS机器学习专项认证(适合工程岗)或Kaggle Expert头衔 ### 5. 就业渠道参考 - **传统AI赛道**:大厂算法岗(需LeetCode+论文/顶会) - **新兴交叉领域**: - 隐私计算公司:华控清交/数牍科技 - 区块链基础设施:Chainlink/Oracles类项目 - 通信+AI:华为诺亚方舟实验室/运营商研究院 你的核心优势在于: 1. 数学基础(通信工程训练的随机过程/矩阵分析) 2. 系统性思维(通信系统架构能力) 3. 前沿领域嗅觉(已接触ZK/RL) 建议保持现有研究方向,但需主动将课题AI场景结合。例如开发一个用ZK验证的RL智能体,这既符合学术创新需求,又能直接对接隐私AI的产业需求。同时每周抽出10-15小时系统学习机器学习基础,逐步向目标领域渗透。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值