源自传统工业的工程思想对新兴技术的发展非常重要。计算机产业在发展初期曾遇到过“软件危机”，当时的软件研发都是程序员的独立活动，没有工程化的团队和项目管理的概念，这导致了软件的发展严重落后于硬件的发展。直到人们将“工程思想”引入软件开发活动，才让软件产业迎来突飞猛进的发展。最终诞生了“软件工程”这门方法论的学科。

基于对选矿智能化的技术需求分析， AI大脑是产品的核心。笔者就如何打造AI大脑的研发团队，浅谈一下工程策略。

项目经理和主体专业

产品研发负责人相对于工程上的项目经理，一般由精通该领域，工作经验丰富的复合型人才担任。一个常规的选矿厂建设工程，项目经理一定是一专多能的，经理的能力越强，项目就越好做。“多能”是指项目经理必须对各个专业都有足够的了解，尤其对专业对接的知识要懂。而“一专”是指什么？必须先弄清楚什么是“主体专业”。

笔者从事多年的选矿设计工作，选矿设计作为工程化很成熟的传统行业，很值得借鉴。一个选矿项目的负责人一般是选矿工艺专业，这是因为选矿项目的核心技术是选矿工艺，只要工艺做得好，项目就可以说是成功的。而且，工艺工程师从事的项目相对单一，选矿工程师只做选矿厂，化工工程师只做化工厂，而土建、电气既能做选矿项目，也同样能做化工项目。这就导致，工艺工程师的合作对象更单一，更容易了解合作对象，所以项目经理一般都是由工艺专业出身。选矿项目也有辅助专业做项目经理的，这种一般都是从业多年，且熟悉工艺的高级工程师。

目前选矿智能化还处在起步阶段，笔者认为，负责人一定要由主体专业的工程师担当。那么，如何区分主体专业呢？这并不是显而易见的。

方案设计人才需求分析

一个选矿智能化产品是否有可行性，产品需求定位是否合理，技术上能否实现，市场潜力多大，研发成本多高，这些问题可以参考选矿项目的“方案设计”思考。笔者认为，目前选矿化的市场热情很高，也符合政策和行业发展的方向，但产品需求定位找不到方向是个突出的问题。这个问题必须由精通选矿工艺的人才来主导才能解决。

选矿智能化研发的“方案设计”，应该由选矿研究员和选厂技术员主导。另外，要有精通人工智能算法的人才，判断方案是否有技术可行性。“方案设计”的任务分析见图1所示，各任务的负责专业均为主体专业，可以是选矿专业也可以是人工智能专业。笔者认为，宜优先考虑选矿专业。

图1 “方案设计”阶段主体专业分析

详细设计人才需求分析

该阶段的任务分析见图2所示。选矿样本集的制作主要依赖选矿试验和工厂实际生产获取，以浮选智能化为例，应以浮选试验获得的样本为训练集，工厂样本为验证集。样本集的制作工作应由选矿专业完成。样本是模型的老师。细心、敬业的标注人员非常重要，错误的标注很难被发现，这将严重影响最终的产品质量。但样本标注是个劳动密集型的工作，可以考虑采用外包或劳务方式解决。但是，选矿样本的专业性很强，要尽量保证标注队伍的稳定，不宜经常更换标注员。

图2 “详细设计”阶段主体专业分析

人工智能是个日新月异的领域，不管是CV还是NLP都有很多算法。在CV领域几乎每周都有新的深度学习算法被提出。人工智能工程师的任务不是发明算法，而是寻找最合适的算法，以及该算法的最优参数组合。

算法调参，并没有模式化的方法。一个算法有很多参数，如何确定最佳组合？这个问题类似于选矿研究的条件试验，如何寻找最佳操作条件。在现阶段，可以让选矿研究人员和人工智能工程师共同制定算法调参的试验方案。

在模型完成训练后，要对其进行硬件部署。目前的人工智能主流框架都是用Pytorch开发，模型的部署是个比较固定的工作，按照框架要求即可。这个工作一般由C++程序员完成。

在详细设计阶段，选矿专业和人工智能专业均为主体专业。笔者认为，宜优先考虑人工智能专业。

人工智能专业

人工智能经历了“机器学习”和“深度学习”两个发展阶段。近几年，才有高校设立专门的人工智能专业，早期多是应用数学，尤其是统计学，现在信息科学、计算机或者自动化这些专业做的也比较多。笔者认为，这些专业都可以被认为是“广义的人工智能专业”。对于早期的“机器学习”，统计学专业可以说是天生的算法工程师。到了“深度学习”时代，这些专业跟人工智能的关系只能说是相近专业，且相近程度也不一样。至于由谁来做人工智能工程师，关键看有没有从事过人工智能的学习和研究，而不应该只看专业出身。

内外部团队

内部团队要做核心业务，非核心业务尽可能的交给外部团队完成。自研风险高，且外部有成熟解决方案的东西，宜寻求外部合作完成。以选矿工程项目为例，选矿工艺方案是核心业务，所以选矿设计院一定要有自己的选矿工艺工程师团队。虽然很多设计院都有自己的辅助专业团队，但把辅助专业的工作交给外部团队在技术上是没有问题的。项目中涉及的各种机电设备是自研难度很高的产品，且该类产品在技术和市场上都很成熟，因此多是用外购方式获得。

笔者认为，选矿智能化的核心技术是样本数据集和算法及调优参数，当然还有项目经理的综合能力。这些工作必须由内部团队完成。内外部团队的组成见图3所示。

图3 内外部团队组成示意图

需要特别说明的是，优秀的人工智能工程师的价格很高，对于从事选矿研究的企业来说，自己招聘或培养一支人工智能工程师团队，在经济上未必是个好的策略。目前市场上，有大量的专门从事算法实现的公司或者团队，这些团队中不乏大厂的人工智能工程师或者高校教研人员兼职，与这些团队合作未尝不是个好办法。不管是与哪个外部团队协作，都要尊重市场机制，应以长期合作为目的，建立一套成熟的合同管理方法，充分考虑知识产权，在合作与保密之间寻求平衡。