高校科研院所开展“强化学习”和“人形机器人”、“大模型”方向的研究的最大障碍是什么？

本文的title看上去像是在发牢骚，实际却是讨论一个现实的问题，那就是未来人工智能在科研院所开展的可行性的分析。

因为自己曾在东北某海边985读博士，最后虽然是结业没有学位，但是这些年的工作和时间花销却是实实在在的，因此对这个问题还是有些话说的。

本文所提的三个方向被认为是未来人工智能的核心，但是这三个方向其实并不是很适合科研院所来搞。记得我读博的前三年，整个实验室只有一块1080ti的显卡，虽然每人都有一个1060ti的显卡自用，但是这个配置对于本文所提的这三个方向来说简直是有些开玩笑了。一个实验室三五十人，搞其他方向的研究生要发论文冲CCF的A/B/C，有的要发专利，有的要做项目，有的要赶deadline，有的要给论文补数据，师兄读博后要冲基金，等等，全指着这一块1080ti的显卡，而像自己所在的强化学习方向，那更是计算性能消耗的重灾区，只要跑上一个Demo算法，全实验室整整半个月的进度是要全部挂住的，都要被block，也是无奈，所以只能调调代码，能跑通就kill下来，不然全实验室的人都等着你也是要人吃不消的，而其他方向的一个实验2小时就跑完了，如果心理素质好些的独占服务器一天都可以把重复实验跑完，这就显示出了不同研究方向在实际开展中的所面对的不同问题了。

好多科研院所的导师脱离一线，对很多研究方向的细节其实并不了解，他们或许知道这几个方向大火，有了一定了解后也确实认为这是一个有前途的研究方向，但是唯独没有考虑过这几个方向的可行性。可以说这几个研究方向最大的障碍就是资源，这个资源包括软方向的也包括硬方向的，软方向的包括实验室内部有没有人以前做过这方面的研究，有没有过一定尝试和积累，硬方向的包括实验室的资金是否充足，是否有足够的计算资源，而软硬方面最为掣肘和瓶颈的其实是硬方向的不足，因为软方面往往可以通过人力去克服（无非就是多花时间、多花精力，玩命干），但是硬方面的不足则往往是超出人力所能的（回天乏力）。

所以，在我看来，即使“强化学习”、“人形机器人”、“大模型”方向是公认的未来人工智能的核心和重点，但是各个科研院所在具体展开时也是要对自身软硬件方面的资源进行一定的评估，如果每人只有一个RTX 2060或RTX3060的显卡，我想这几个方向就不要做梦了。其实最为要人痛心疾首的是有的老师既然没有显卡要学生用CPU跑，没有人形机器人要学生用纯仿真弄，没有大显存的显卡要学生自己解决“大模型”的运算，我想如果这样搞的话那注定会出现很多的遗憾的（这就明显不是能让学生毕业的节奏嘛）。