從1987開始 第3175章 人才論

王森說道：“明年至少還有五十名以上的東蘇專家來？”

就算比不上伊戈爾的團隊。

但以東蘇的技術人才儲備和培養情況，也不會比自己的水平差多少啊。

水平再差的，易總也不見得要。

那情況自然就不同了。

易飛說道：“伊戈爾要拉的名單，咱自然都想辦法聘來，咱在東蘇也有自己的獵頭公司啊，也在尋找各種各樣的人才，東蘇這方麵的人才怎麼著也有上千個吧，我們聘來上百個也不是太難。”

東蘇一年畢業的博士都有幾萬名。

人工智慧這方麵主要牽涉到數學和物理，他們這方麵培養的人又多。

不從東蘇找，從哪裡找？

留學歸來的學生本就不多，國內的人才根本就斷檔。

招收的大學生、研究生，一時半會冇有辦法跟得上，主要是用來梯隊培養的。

來之即戰的，還都靠東蘇那邊的人才。

王森說道：“是不是咱國內招聘的人也要相應的增多。”

易總多次說過，聘請東蘇專家來開發不是最終目的。

最終目的是打造一支本土化的年輕隊伍。

易飛說道：“既然說到這個問題，王主任，過了年你還有個任務，就是在3月份的時候，想辦法多招一些國內的優秀大學生、研究生，博士生不太好招，數量太少了，早就被國家級的研究院所占住了。但數學係和物理係的高材生，我們還是有不少機會搶來的。”

王森說道：“易總，我明白了九十年代國內就業環境讓數理生更好招攬，但還有一個核心技術層麵的問題：單純研發人工智慧，相比計算機、電子專業，是不是數學、物理專業的學生剛需度更高？海外做AI

的團隊大多以計算機科班為主，為什麼咱們的研發重心反而偏向數理人才？”

本年度的招生是鄭韻和陳武文負責的。

分到人工智慧的學生，大部分是名校數學係和物理係畢業的。

學計算機工程的不是太多。

不是說學數學和物理的不重要，但難道不是學計算機工程的更好嗎？

趙麗麗說道：“歐美高校計算機專業課程體係完整，從高等數值分析、線性代數、概率論、電磁場、信號係統全部深度覆蓋，計算機學生本身數理功底紮實，自然能直接上手AI

研發。但國內計算機專業完全是兩條路子，教學重心全部放在基礎編程、數據庫、辦公軟件應用、簡易單片機控製，高階數理課程隻是淺嘗輒止。很多計算機畢業生，隻會寫循環、判斷語句，麵對矩陣擬合、多變量優化、噪聲濾波、光學成像建模完全無從下手。”

“反觀數學係、應用物理係，四年甚至研究生階段全程深耕底層理論，這恰好是人工智慧最核心、無法替代的根基，我們拆分清楚AI

全流程研發的各個環節，就能看明白數理專業不可替代的作用。”

易飛拿起紙筆，在稿紙上劃分出人工智慧完整研發鏈條，分成演算法理論設計、硬體感知建模、算力並行優化、工業場景落地四大板塊，逐條拆解數學、物理在每個環節的核心作用，講清為何AI

研發底層必須依靠數理人才。

他先寫了一個定論：計算機、電子專業負責把成熟演算法落地工程、寫驅動、搭程式、調試板卡。

但人工智慧所有核心創新、底層建模、精度優化、多源數據融合，全部離不開數學與物理。

二者是AI

的根基，冇有數理功底，隻能做表層代碼搬運，無法完成原創智慧體係研發。

一、數學係是人工智慧演算法的核心骨架

現在研發的全品類AI

傳感器、並行圖形算力、工控自適應智慧，整套智慧演算法全部建立在數學體係之上。

線性代數：神經網絡本質就是海量矩陣乘加運算，多通道圖像畫素融合、多傳感溫壓振動數據融合，全部依靠矩陣變換；我們自研四路並行畫素渲染架構、多模態數據預處理，底層全是線性代數模型，數學係學生天生熟練掌握矩陣分解、特征值、空間變換，上手速度遠超普通計算機學生。

概率論與數理統計：AI

自適應溫補、噪聲濾波、缺陷識彆判定、設備故障預判，核心是概率分佈、誤差擬合、置信區間計算。傳統符號專家係統之所以崩潰，就是缺少統計擬合能力，而我們數據驅動型AI，全程依靠統計數學做誤差修正。

優化數學、數值分析：工業產線智慧調控、機械臂姿態校準、圖形晶片分塊並行填充演算法，需要求解多元約束優化方程，迭代收斂、降低運算損耗，這是數學係研究生主修內容，普通工科幾乎不會深入學習。

離散數學、拓撲：視窗分層掩碼演算法、總線仲裁邏輯、即插即用資源調度、圖像輪廓分割，依靠離散與拓撲理論搭建邏輯模型。

冇有數學係人才，我們隻能照搬海外現成簡易演算法，無法自主設計適配國產傳感、自研算力晶片的專屬智慧模型，更做不到依靠演算法規避海外專利。單純計算機學生隻能按照現成公式寫代碼，一旦工況、硬體參數變化，整套演算法直接失效，冇有自主調優、重構模型的能力。

二、物理係是人工智慧感知、硬體算力的底層支撐

人工智慧不隻有軟件演算法，感知硬體、算力晶片、信號傳輸是AI

落地的載體，這一塊完全離不開物理專業知識，也是我們自研傳感、並行圖形晶片、PCI

總線的關鍵。

電磁與固體物理：自研AMR

磁阻傳感器、PCI

總線信號時序設計、顯卡PCB

電磁乾擾抑製、晶片內部多級信號緩衝，全部依托電磁學理論，解決工業複雜電磁環境下AI

數據失真問題。

光學物理：AI

工業視覺傳感器、光電成像單元、晶圓缺陷光學檢測，涉及光路、透光率、光學畸變校正，物理專業學生可以自主設計成像補償演算法，降低視覺識彆誤差。

力學、動力學：微型IMU

慣性姿態傳感、機械臂運動模擬、設備振動數據降噪，依靠剛體力學、流體力學建立運動模型，實現姿態AI

自適應校準。

半導體物理：圖形加速晶片微結構、薄膜工藝、溫漂產生機理，隻有物理係能精準建模，配合數學溫補演算法從根源降低傳感器、晶片的溫度漂移誤差。

如果缺少物理人才，我們設計的傳感器、算力板卡會出現大量底層硬體缺陷，光靠軟件演算法無法徹底彌補硬體先天偏差，AI

精度、穩定性永遠追不上海外產品。

三、計算機、電子專業的定位：工程實現，而非底層創新

計算機、電子專業學生的作用，是把數理團隊推導完成的數學模型、物理模擬模型，轉化為可運行代碼、可量產硬體電路。

數學係給出融合演算法公式，計算機學生編寫韌體、驅動程式，移植到圖形晶片與工控板；

物理係完成傳感光學、電磁模擬，電子專業繪製PCB、調試電路、搭建測試工裝。

他們是落地執行者，卻無法獨立完成AI

體係從零到一的原創設計。九十年代國內計算機專業短板明顯，缺少數理底層積累，隻能做二次開發，很難支撐我們自主研發全套AI

底層架構。

四、結合佈局，看數理人纔不可替代的價值

圖形晶片並行AI

預處理：需要數學做並行優化，物理做顯存信號、光電轉換建模；

工控自適應智慧調控：數學做多變量優化，物理做設備熱力、動力學模擬；

多模態融合AI

傳感器：數學做數據融合降噪，物理做傳感材料、光路、電磁結構設計。

一套完整AI

研發閉環，數理人才負責‘造大腦、造五官’，工科人才負責‘搭軀體、做裝配’。隻招計算機電子學生，隻能複刻海外成熟低端方案，永遠突破不了海外底層技術與專利壁壘。