发表学术论文跟产业脱节？
上星期在南港参观智能机械展，第一次看了臺湾诸多「隐形冠军」们，智能化成为业界目前努力的方向，大家朗朗上口，不过落实的部份非常少。
倒是听到业者很多有趣的需求。有位产品布局相对领先的业者提到，对岸的机械业以低价策略切入市场，他们只能以领先的技术、完整的解决方案来保卫市场。这就是为什么得提早投入机械制造智能方案。
不过他担心制造业中的样本少，生产线更换频繁，似乎没有足够的數據训练演算法。我乐观地回答，其实学界也看到了这样的问题，所以这两三年也在顶尖国际会议中，不少人提出使用cross-domain(跨领域)或是few-shot learning(仅有少量样本)等学习法来解决这样的问题。经解释之后，他兴奋地要我推荐几篇论文。
这几年深度学习技术大突破，绝大部分关键性的论文、甚至产业界时常采用的技术，大都发表在顶尖会议上。例如：AlexNet (NIPS'12)、ZFNet (ECCV'14)、NIN (ICLR'14)、VGG (ICLR'15)、GoogleNet (CVPR'15)、ResNet (CVPR'16)、RCNN (CVPR'14)、DQN (NIPS'13)、GAN (NIPS'14)、Memory Network (ICLR'15)、 Word2Vec (ICML'14)、Seq2Seq (NIPS'14)等，不胜枚举。
我观察，这几年越有竞争力的企业，越在乎某些电资领域的顶尖会议—发表、赞助、或是派员参加。国内的MediaTek、HTC、TSMC也算是这些领域的常客，因为他们得利用顶尖技术来维持获利或是与竞争者拉开距离。
这几年顶尖会议也成为产业界猎才、技术展示、探察核心技术的重要地点。例如，过去一年NVIDIA在全球赞助了16个AI Lab，首度召开的跨研究中心会议，也选择在去年7月的CVPR召开。有次在跟NVIDIA黄仁勋創始人开会时，他提到自己也会看这些会议论文，以掌握前瞻技术的走向。
2007年回臺大时，受惠于前瞻思维的资深教授们，我蛮惊讶电资学院内竟然也有配套的多元指标，鼓励顶尖会议论文。这也是为什么臺大电资学院这几年在国际学术的某些领域中还具有话语权的原因。
参与顶尖国际会议也是泛机器学习领域的惯例，在评估学生(入学、就业)或是研究人员时，时常会参考顶尖国际会议的著作、Google 论文引用、产业经验、或是新兴的github纪录。
发表学术论文跟产业脱节？至少在我熟悉的领域正好相反。相信前瞻技术研究，衔接产业未来需求，才更能抓住下个产业浪潮！
