想学AI的学生数量已涨200% 老师都不够用了
如今，随着神经网络的卷土重来以及深度学习的蓬勃发展——让想学AI的学生越来越多，以至于大学里的老师都不够用了。一份报告显示，从2011年到2020年，美国计算机科学专业的学生人数增加了两倍，从60661人增至182262人。
但计算机科学专业的教师人数才从4363人增加到6230人，增幅不到50%。
也就是说，以前平均一个老师教14个学生，现在一个老师要教快30个学生。
老师更累了不说，学生获得的教学质量也无非跟以前比了。
所以，为什么计算机专业的老师数量没有跟上来？
老师数量x1.5，学生数量x3
这份报告出自美国智库“安全与新兴技术中心”（CSET）。
该调查收集了140多个公立和私立大学计算机科学系的数据。
负责人表示，调查虽然没有专门统计机器学习课程，但计算机科学系的数据足够说明相关趋势。
正如开头所说，2020年计算机系的学生已是九年前的三倍，不管是本科生、硕士生还是博士生都增势明显。
而教师的数量虽然也在增加，但增幅远跟不上学生。
这种的局面让老师们抱怨自己的工作量越来越大，搞研究的时间越来越少。
学生的教育质量同样受损：
很多学校为了应对这个局面，开始提高录取门槛，或者取消小班课程。
就比如2018年时，参与调查的学校中就有60%的学校限制了热门课程的学生人数、61%的学校已经或打算取消小班授课、42%的学校已经或打算提高CS专业的入学门槛……
为什么造成这样的不平衡？
并非全因为人才流向工业界
此前有专家警告称，由于工业界给的薪水更高、资源更容易获得等原因，大学面临着人才流失的困境。
此话不假。
一方面，确实有很多大学教授被一些科技公司挖角。
最有名的案例包括2015年优步在几个月内从CMU机器人实验室挖走近40名专家，2013年Yann LeCun成为META人工智能研究的负责人。
其中，LeCun仍然保留了在纽约大学教课的职位。
这种“双重隶属”关系很常见，很多人教授只花10-20%的时间给公司打工，但总的来看，全职加入工业界的例子还是更多一些。
另一方面，AI相关的博士毕业生虽然越来越多，但进入学业界的数量20来年基本没啥变化，进入工业界的却飞速增长。从下表的曲线可以很明显地观察到这一趋势。
CRA就曾批评行业在博士毕业之前就把他们录取了的现象。
然而，人才都往工业界流失并非全部原因。
事实上：
（1）调查显示，过去二十年，“被工业界挖角”的现象并没有显著增加，高校教师流失的常见原因反而是退休和学术界内的工作变动。
（2）同时，工业界也有一小部分人才往学业界流动。
2020年，有32%的学校表示，他们的老师被工业界聘用；同时，也有38%的学校从工业界聘请了专家来当老师。
同样值得关注的是，有些老师去工业界干了几年后还会选择回到学术界，他们的理由是：工业界工资虽然高、资源多，但无聊，短视。
这在一定程度上缓解了大学教师的人才流失。
（3）另外，对于很多博士生来说，他们的职业选择，并不代表职业偏好。
相反，调查显示，许多博士生对学术界的研究和教课工作比较感兴趣。
报告在此揭开另一重要的原因，其实是学校的招聘速度没有跟上来。
看下面这张图就明白了。
从2006年到2020年间，高校教师岗的招聘难度基本保持平稳，没有太大的增幅。
由此我们可以推断出：
那么，是学校故意不招么？他们完全意识到了紧缺情况呀。
报告指出，主要是钱不够。
总的来说，计算机专业开销比人文学科要高很多，但政府的拨款增长缓慢，对于很多预算比较刚性的学校来说，要接受更多的学生、开更多的课程花掉很多钱后，就只能自己承担额外的教师招聘费用，或者减少对原来教师的补助。
这俩方案实施起来都面临着巨大的内部阻力。
于是，教师岗位的数量就一直没有跟上学生的增长速度。
几点建议
如果这种紧缺不解决，后果也很明显，其中，对于博士生来说影响最严重。
调查显示，近年来，博士生入学人数相比本科生和硕士生增长最慢，这跟终身制教师数量的增长密切相关。
由于导师有限，很多没有在顶刊发表过文章的申请者被拒绝了，这个要求其实很高。
反过来，博士生培养速度变慢，又会进一步限制高校合格教师的供应。
在更深层面，这一现象对AI领域的长远发展也很不利。
最直观的表现，老师把任务都耗在教学上了，哪来时间去搞研究呢？
毕竟工业界更注重利益，创造出根本性进展的可能性较小。
所以，应该怎么办？
这份报告在最后也给出了一些建议：
（1）学术界：简单粗暴，增加经费；
（2）工业界：鼓励雇员同时在学校教书；
（3）政府：为学校提供更多数据和基础计算设施，这样人才就不会因为学校资源不够去工业界了；
……
最后，国内是否也存在这种趋势，请大家畅所欲言。
Articles related to textual knowledge：
