每經記者 可楊    每經編輯 魏官紅    

今年春節(jié)期間，林詠華閱讀了馬斯克的自傳，書中寫到獵鷹一號到三號歷經多次失敗，馬斯克帶領團隊在粗陋的環(huán)境中進行試驗，直到第四次發(fā)射成功，這也勾起了她的回憶。

林詠華是IBM中國研究院的首位女性院長，如今供職于北京智源人工智能研究院，任副院長兼總工程師。早年間，她與團隊在戈壁灘的惡劣環(huán)境中和海峽渡輪甲板上的熱浪中進行實驗，最終驗證了系統(tǒng)和技術的可用性，這些經歷至今仍影響著她。

“所有的科研第一要十分注重細節(jié)，第二不能在象牙塔里做科研，甚至連仿真環(huán)境都未必可以，一定要上‘戰(zhàn)場’。”在接受《每日經濟新聞·賽博NBD》專訪時，林詠華表示。

從探索IT（信息技術）與通信的交叉創(chuàng)新，到提出“AI for AI”，再到如今打造統(tǒng)一開源的技術棧，試圖扭轉產業(yè)對單一封閉生態(tài)的依賴——打破技術邊界，已經成為林詠華職業(yè)生涯的注腳，她是一位技術革新者，致力于改變桎梏行業(yè)發(fā)展的底層邏輯。

從無線通訊到AI

林詠華總是站在技術的前沿。

在IBM的前期，她最初的研究方向是IT和通信領域的跨界創(chuàng)新。在她加入IBM的第8年，人工智能產業(yè)升溫，熱潮翻涌，也成為她邁入人工智能產業(yè)的契機。

“人機對決”是人工智能技術躍升的關鍵節(jié)點之一，人類與機器交鋒的瞬間，人工智能的邊界被重新定義，激發(fā)了向前一步的決心。

2011年，IBM的電腦系統(tǒng)Watson（沃森）在美國電視智力競賽節(jié)目《Jeopardy!》（即《危險邊緣》）中戰(zhàn)勝了兩位人類冠軍。Watson的成功，促使IBM將公司戰(zhàn)略全面轉向AI（人工智能），這樣的轉變不僅發(fā)生在IBM，而是發(fā)生在全世界。

2009年，李飛飛團隊提出ImageNet，她認為如果AI要像人類一樣理解世界就需要海量的數(shù)據(jù)，次年，李飛飛發(fā)起了ImageNet大型視覺識別挑戰(zhàn)賽（ILSVRC），“深度學習革命”緩慢拉開帷幕。

IBM的主動轉型與深度學習的熱潮，讓林詠華開始思考，自己的經驗如何才能為人工智能提供新的視角。

“我當時做的是無線通訊和信號處理，通信信號的編解碼運算復雜度并不比深度學習少。”在通信領域，信號的編解碼運算極其復雜，林詠華做過一個計算：每發(fā)送一個比特的數(shù)據(jù)，所需的計算量要高于CNN網(wǎng)絡（卷積神經網(wǎng)絡）。

這意味著，通信技術專家在計算優(yōu)化方面的某些經驗積累可以遷移到AI領域。當時，通信系統(tǒng)早已大量使用FPGA（現(xiàn)場可編程門陣列）等加速板卡，來協(xié)同優(yōu)化效率并支持云端部署，這種算法與硬件協(xié)同優(yōu)化的思維方式，同樣適用于AI領域。

“遷移學習的出現(xiàn)和今天的大模型有異曲同工之妙。”林詠華解釋道，遷移學習是指先訓練一個通用的基礎模型（Backbone），然后通過大量其他領域的用戶數(shù)據(jù)微調學習，使基礎模型能夠適應不同應用場景。例如，先訓練一個計算機視覺模型，再利用醫(yī)療數(shù)據(jù)對其微調，以識別醫(yī)療影像中的病變。

遷移學習的出現(xiàn)，讓林詠華開始思考，能否讓AI模型訓練徹底自動化？

林詠華的設想是，發(fā)揮團隊在系統(tǒng)領域的優(yōu)勢，讓用戶只需要上傳數(shù)據(jù)，系統(tǒng)會自動選擇合適的基礎模型（Backbone），并匹配最優(yōu)的遷移學習算法，啟動訓練。訓練完成后，用戶可以直接在云端部署模型，甚至一鍵自動生成FPGA、GPU（圖形處理器）等不同硬件的核心代碼，實現(xiàn)完全自動化部署。

“這不僅符合IBM的AI戰(zhàn)略轉型方向，也最大化了我們團隊在算法和硬件協(xié)同優(yōu)化方面的積累。”林詠華回憶道，“AI for AI”這一概念，最終成功落地，被IBM實現(xiàn)產品化，并在全球推廣。

尋找AI落地的最優(yōu)解

AI的落地還是太慢了。

從技術到產品落地，是林詠華從二十年前開始思考的課題。

“無論是以前的無線通信中的信號處理還是今天的AI，每年可能不到1%的文章里的算法有機會真正用到產業(yè)界、工業(yè)界，如果這兩條線一直割裂，是不會對產業(yè)有推動的。”林詠華表示。

2019年底，林詠華離開IBM。“在IBM研究院，我看到很多好的AI技術的產品化需要解決方案團隊等部門的配合才能落地市場，周期很長。”從一項好的技術變成一個好的產品，仍有層層壁壘，她感到這是在“隔靴搔癢”。

離開IBM后，林詠華曾經短暫地投身產業(yè)，選擇“AI for 農業(yè)”，但是產業(yè)界的情況同樣復雜，“我發(fā)現(xiàn)，很多AI技術只能解決一部分問題，仍有很多問題需要進一步的研究才能解決”。

在工業(yè)環(huán)境中，AI面對的是高度標準化的生產流程，可以依靠小模型完成特定任務。但農業(yè)不是標準化生產流程，面臨更多復雜場景，在這里，機械臂跟不上人手的速度，AI的決策速度也遠遠高于機械執(zhí)行速度，導致落地困難。“新的技術往往得是‘有錢’的領域才敢先用。雖然農業(yè)領域很需要AI，但是利潤太低，很多地方不會投入。”她分析道。

“如果我繼續(xù)在一個企業(yè)里做這方面的研究，對企業(yè)來說太奢侈了，因為研究是需要不斷投入。”2021年底，林詠華加入智源，她說，再次進入一個研究機構，是因為看到有很多應該用AI直接解決的問題，AI當時的能力和機械臂等硬件的能力遠遠不夠。

在智源，林詠華和她所帶領的技術團隊一起正面臨一場新的浪潮——DeepSeek所帶來的大模型普及。

“我的媽媽和婆婆已經80多歲了，上周末她們同時在不同的群里說，有一個很好的軟件叫DeepSeek，她們一直在上面問各種各樣老人家關心的問題。”這讓林詠華覺得這一波熱潮已經完全到來，“DeepSeek深入到老百姓，不再受限于過去只能通過企業(yè)或政府采買的形式，這倒逼很多企業(yè)盡快上線，所以我認為很重要的一個障礙被推開了。”

另一個尚未被推開的障礙在于成本。

她以DeepSeek為例，如果企業(yè)想要部署，可能需要英偉達H100服務器，8張卡還不夠，要2臺，成本極其高昂。因此，大模型要想可持續(xù)發(fā)展，必須解決高昂的算力問題。

這涉及兩個問題：一是上層算法和系統(tǒng)的優(yōu)化，二是底層硬件的多樣化，只有芯片多樣化，才能拉低硬件的門檻。當前，AI芯片市場幾乎被英偉達的CUDA生態(tài)壟斷，全球超過95%的AI訓練和推理任務都基于CUDA開發(fā)，而其他芯片廠商往往各自為戰(zhàn)，形成了割裂的“煙囪式”生態(tài)。

要打破這種困境，智源尋找到的路徑是開源。例如，DeepSeek推出時，智源就開發(fā)并開源了DeepSeek-R1多芯片版本，讓用戶只需五行命令，就能在非英偉達的AI芯片服務器上部署DeepSeek-R1全流程。

當前，絕大多數(shù)模型的開發(fā)仍然圍繞CUDA生態(tài)進行，包括DeepSeek，林詠華希望，未來開發(fā)者可以在一個開源統(tǒng)一的生態(tài)下進行訓練和推理。

這正是智源推動FlagOS的原因，F(xiàn)lagOS是一個面向大模型、支持異構算力的智能計算“操作系統(tǒng)”。

“我們希望上層的用戶算法、開發(fā)者、模型廠商可以更便捷，不用因為切換芯片公司導致需要替換整個底層架構而擔憂，就如同用戶可以基于Linux的操作系統(tǒng)上運行MySQL。”林詠華闡述稱，統(tǒng)一的生態(tài)需要通過開源的方式進行共創(chuàng)，如果不開源，每個環(huán)節(jié)都以商業(yè)談判和不同的商業(yè)條款來制約，不同的芯片廠商無法參與貢獻，統(tǒng)一的生態(tài)就更無從談起了。

在林詠華看來，開源的最大優(yōu)勢就是共創(chuàng)。一個模型的第一版開源后，全球的開發(fā)者可以接力迭代，讓它在極短時間內迅速優(yōu)化，比如多模態(tài)模型LLaVA，短時間內已經衍生出多個版本，每個版本都比前一代更強。“大家像傳遞接力棒一樣，同時資金和人才的投入不需要受制于一個機構自己的經濟實力。”

向前一步

林詠華始終不喜歡在“象牙塔”里做科研。

在瓊州海峽的海域中央，林詠華曾在輪船甲板上，頂著40攝氏度的高溫，跟團隊一起完成新研發(fā)的無線通訊技術的驗證。在山西五臺縣零下20多度超低溫的環(huán)境中，林詠華團隊通過無線通訊的方式，實現(xiàn)了當時移動通信無法覆蓋的測試。

“通訊需要在不同環(huán)境里驗證，雖然我們可以在模擬信道的環(huán)境中驗證，但實際上很多問題是無法在模擬環(huán)境中能夠被發(fā)現(xiàn)的。”數(shù)次穿梭在酷暑與極寒中，林詠華最終帶領團隊第一次用“標準的IT服務器架構+虛擬化云計算”支持了2G、3G、4G的無線接入網(wǎng)絡；與中國移動等全球領先的運營商一同，開拓了C-RAN（Cloud RAN），把傳統(tǒng)無線領域的專用設備用軟件定義的方式在云平臺上運行，如今，C-RAN已經成為5G通信架構的核心。

“科研第一要十分注重細節(jié)，第二不能在象牙塔里做科研，一定要上‘戰(zhàn)場’。”這是長期以來林詠華對科研的態(tài)度，這個態(tài)度同樣影響著她在智源的探索。

林詠華很喜歡自己的總工程師的頭銜，在技術世界里，女性往往是少數(shù)派，偏見也可能隨之而來。

臉書（Facebook）的前女性高管謝麗爾·桑德伯格在《向前一步》中提到，有能力的人因自我懷疑而苦惱，這種現(xiàn)象有它的學名——“負擔癥候群”(imposter syndrome)。無論男女都容易出現(xiàn)這樣的癥狀，但女性會更嚴重，也會更多地受其限制。

林詠華有同樣的感受，如果同樣坐在一個桌子上，但當不介紹自己的背景，不主動“推銷”自己時，尤其在技術領域，女性很多時候不會是第一個被提問的人。

如何讓別人知道自己能做這件事？只有主動“推銷”自己。這件事無關性別，對誰都不容易，只是女性需要更多的主動推銷，才有可能贏得更多的機會。

“一定要勇敢一些。”這是林詠華給想要從事人工智能技術的年輕女性提出的第一個建議。

她的第二個建議是，利用好自己的優(yōu)勢。當女性希望做到更具領導力時，合作是一個很重要的問題，也是一個難題，如果能夠協(xié)作更多的團隊，那么她有機會比男性更有競爭力。

如果要成為一個出色的研究員或者一個出色的技術領導人，“以身作則”是更重要的事。如今，林詠華仍會每周閱讀新鮮出爐的論文、下載最新模型調試試用，來掌握第一手的技術信息。“技術負責人一定要有足夠的觸覺去感受外面的世界，否則我們很容易閉門造車。”