世界智能计算机大会举行共探智能发展未来

时间：2026-08-14 20:05

雷锋网(公众号：雷锋网) AI 科技评论按：6 月 27 日至 29日，由国际测试委员会（BenchCouncil）主办，国家超级计算深圳中心、中科曙光等单位共同承办的第六届世界智能计算机大会（BenchCouncil 2019）在深圳麒麟山庄举行。世界智能计算机大会作为智能计算机产业备受瞩目的

雷锋网(公众号：雷锋网) AI 科技评论按：6 月 27 日至 29日，由国际测试委员会（BenchCouncil）主办，国家超级计算深圳中心、中科曙光等单位共同承办的第六届世界智能计算机大会（BenchCouncil 2019）在深圳麒麟山庄举行。世界智能计算机大会作为智能计算机产业备受瞩目的国际学术盛宴，来自产学研各领域的专家、学者齐聚于此，围绕以智能芯片和系统为基础的智能计算机产业一同探索、展望智能发展未来。

大会主论坛自然是本次大会最受瞩目的环节，共分两天（上午）进行，雷锋网 AI 科技评论为大家带来全程报道。

主论坛（上）

本次大会主论坛的第一场演讲由深圳市科技创新委员会主任梁永生带来，他的演讲主题是《深圳科技创新环境与政策》。进入正题前，梁永生先首先告知了大家一个「坏消息」：本次的演讲全程无 PPT。对此，他的解释是：「如果用 PPT，大家都只顾着拍照了，相比之下我更希望大家能听我说话，会后记得我说过哪几句重要的话即可。」

深圳市科技创新委员会主任梁永生

梁永生提到，创新要跑起来，离不开 4 驾马车：人才、技术、资金和政策。围绕这四个关键环节，深圳市科技创新委员会已经逐项重新梳理，也在持续研究，怎样推动深圳在这四个维度同步发力，进而把创新这件事做得更扎实、走得更远。拿一个很具体的变化来说，目前深圳市科技创新委员会已经对科研课题的评定方式进行了改革，不再只是沿用过去那种自下而上申报、审定的路径，同时也加入了政府内部基于技术发展需求的自上而下机制，让科研工作者能够更贴近现实发展的实际需要，去推进重点科研项目。

在科技创新环境与政策上，委员会也深刻意识到由于历史原因，深圳在高校资源和基础研究方面的不足，对此，也专门提出了一个关于加快基础技术研究的实施办法：第一点是科学问题的提出。现在科研工作者一般是进行意向导向的研究，因此需要其从现实的需求中提出科研问题；第二点是科研环境。梁永生指出，我国当前的科研环境非常浮躁，希望各位科研工作者能够耐得住寂寞，坐得住板凳，能够获得与诺奖级别的成果，让浮躁的学术氛围静下来；第三点是针对人才的政策，深圳会更加追求国际化的规则，继续加强在国际化人才的聘用、职升、保障措施等方面的建设，不断完整梯队的建设；第四点是提出高校应该发挥出各自的优势，去构建一些平台，实现体制、算法和算力全方位的提高；第五点是鼓励协同开放创新。

演讲最后，梁永生跟大家分享了他自己的几点思考：第一是希望我国在科研发展上做好战术上的应对，比如在芯片这些比较短板的科研领域，可以思考能否从国家层面去部署和推进这些短板科研领域的发展；第二是智能计算能否延展到更高的层次，实现从体制、算法、算法的全方位提高；第三是创新之要，还是在于人才，因此加强人才队伍建设是当下非常重要的工作；第四是推动新产业的发展，目前确定的新产业包括新能源、AI 、第三代半导体等；第五是我们要加强下一代基础教育的创新精神和创业能力的培养；第六是相关政府部门要加强政策规划的引导，制定出能大力推动某一领域和方面发展的政策。

第二位出场的演讲嘉宾是李国杰院士，他带来的演讲主题是《对智能超级计算的几点认识》。

中国工程院院士、中科院计算所首席科学家李国杰

一开场，他就以一种非常谦虚的口吻概括了自己今天要演讲的内容：「由于我现在不在前线做研究了，所以无法到大会的分论坛上做详细的技术解读，只能在这里从宏观层面分享下自己对于智能超级计算机的几点认识。」

他首先回顾了智能计算比较重要的历史阶段，包括上世纪 90 年代初在日本第五代计算机项目带动下掀起了一段时间的智能计算机热，当时的热点是面向智能语言和知识处理（专家系统）的计算机，研究重点是并行逻辑推理。与日本第五代机走的定制化路线不同，我国 1990 年成立的国家智能计算机研发中心（NCIC）走的则是不同的技术路线——通用化路线，在之后的时间里不仅展开了曙光系列并行计算机的研制，还从事人工智能的基础研究和应用研究，并培养了一批与智能信息处理有关的研发人才，为如今的智能超算的发展打下了基础。

随后，他从超算与智能从分开到汇合的发展过程出发，阐述了智能计算机与超级计算机的区别。从第一台计算机开始，超级计算机的发展便一直与模拟神经网络处于「分道扬镳」的状态，直到本世纪以来深度神经网络取得突破以及大数据浪潮的到来，使得超级计算和计算智能（深度学习）开始走向结合，而近几年来，深度学习等智能应用更是推动智能与超算实现了历史性的汇合。总而言之，二者的区别主要在于，传统超级计算机属于数值计算、确定性计算、数字计算、封闭计算以及基于算法的计算；而智能计算机则属于符号计算、非确定性计算、模拟计算、开放计算以及基于数据的计算。而目前大量采用的智能计算实际上是基于 GPU 或 GPU-like 加速嚣的准智能计算，图像和语音的信息处理计算依旧还属于数值计算的范畴。

而本次演讲的重头戏，则是李国杰院士分享了他对于智能超算未来研究方向的几点认识:

第一，需要提高超级计算机的能效和通用性。他表示，智能机的核心特征便是人脑级能效，然而目前超算的能效增长远远低于速度增长，这是该领域 70 年发展中首次出现的困境；此外，目前任何新器件都不可能解决低功耗问题，因此需要跨层协同，提高超级计算机的通用性。

第二，研究具有「低熵」特征的未来架构，通过全栈的系统设计应对不确定性挑战，在问题不确定、环境不确定、负载强度不确定的情况下，保障可预期的性能结果；同时，还要重视研究领域专用系统结构（DSA）以及可重塑处理器（异构计算）。

第三，必须对付动态和不确定的复杂负载，一方面，针对动态性负载，需要从各种各样的应用中贵南出通用型强的指令系统、微体系结构、执行模型和 API 界面；针对不确定性负载，DataFlow 执行模型可能是出路之一，也许能从互联网异步协议中得到启发。

第四，要重视模拟计算、计算存储一体化、事件驱动计算等新技术，其中针对计算存储一体化，他提出了两种方法，一种是 Processing in memory（PIM），在阻变存储器实现神经网络计算，在存储中做深度学习；另一种方法则是采用 3D 堆叠（Memory Rich Processor），即在处理器周围堆叠更多的存储器件。

第五，要建立智能超算基准测试程序。他表示，建立统一的基准平价标准，有助于行业内的良性竞争，而本次大会将发布的 BenchCouncil 性能榜，则将用一把尺子衡量技术，将影响力从学术界延伸至产业界。

「图灵奖得主、计算机体系结构宗师 Da vid Patterson 与 John Hennessy 曾表示，下一个十年将出现一个全新计算机架构的 “寒武纪” 大爆发，学术界和工业界计算机架构师将迎来一个激动人心的时代，而中国学者应该做出不愧于时代的贡献。」

李国杰院士之后演讲的是本次出席大会的另一位院士——杨学军院士，他的演讲主题是《micROS:机器人的「新脑」》。

中国科学院院士、军事科学院院长杨学军

「我们站在时代的节点：一个崭新的产业即将崛起。」杨学军院士引用比尔盖茨的一句话开始了他的演讲，而他本次要分享的「崭新的产业」，指的是人工智能和其他科学技术的交叉融合带来的「机器人革命」。他认为，机器人操作系统将成为「机器人革命」的引擎，是机器人实现自主行为、群体协同和人机共融的「新脑」。然而，目前机器人时代的操作系统主要还面临三大挑战：

第一个多域异构资源管理。目前机器人都采用大量专用软件，可满足指定领域需求、适应特定环境、执行固定任务，然而因其具有资源多域异构特征，难以满足跨域协同的需求；

第二个是复杂环境机器人的自主行为控制。目前，机器人采用的是「感知—规划—行动」的控制回路，适用于简单的合作环境、执行特定具体特务，然而机器人所面临的环境和任务是复杂多变的，行动的动态具有不确定性；

第三个是群体智能。目前机器人研究的着力点在于提高单体智能，使其实现更高的自主性，然而该领域的发展还需要在单体智能得到提升的基础上，聚合多个单体智能形成群体智能，实现一对多、多对多的人机互理解和人机协同。

杨学军院士指出，应对这三大挑战，就必须设计出新的基础软件，对此，其经过对「自主行为与群体智能、多态体系与分布架构、场景理解与人机操控」等科学问题的分析，并结合技术趋势和应用需求，开发出了多态智能集群机器人系统 micROS，杨学军院士将该系统称作机器人的「新脑」。

对于开发出这样的机器人系统，他强调了其中比较关键的几个要素：一是面向行为的概念抽象，即机器人操作系统的核心概念，包括基于「角色」的控制抽象和基于「语义视图」的数据抽象；二是多态分布的体系结构，即机器人群体如何组织管理，包括层次式结构、分布式结构和持续自主对抗学习架构。三是适应环境的群体智能，杨学军院士将这一点称作「人工智能的下一个突破口」。

对于该「人工智能的下一个突破口」，杨学军院士更是给出了一种适应环境的持续自主学习系统的架构模型，其构建环境模型的思路是场景语义，让机器人能够基于环境模型进行观察、判断、决定和行动，还能够利用平行控制架构实现感知、学习、抽象和推理。同时，杨学军院士指出，群体智能突破的途径包括三个台阶：结构性（自聚合机理）；适应性（自组织机理）；涌现性（自演化机理）。

随后出场的是全球高性能计算专家——来自俄亥俄州立大学的 D. K. Panda 教授，他本次带来的演讲是《How to Design Convergent HPC, Big Data Analytics and Deep Learning Software Stacks for Exascale Systems?》。在本次演讲中，他聚焦的是如何使用处理器和加速嚣为百亿亿次的计算机系统设计收敛的高性能计算、大数据分析以及深度学习软件堆栈。

俄亥俄州立大学教授D. K. Panda

他指出，随着百亿亿次的计算机系统的到来，该领域的工程师越来越需要综合考量高性能计算、大数据、深度学习以及云计算几大重要因素来设计能够支持多核系统（如 Xeon, OpenPower, and ARM）、高性能网络以及 GPGPU 的运行环境，让高性能计算、大数据分析和机器学习的应用可直接在现有的高性能基础设置上运行。

对此，他为大家分享了其领导下俄亥俄州立大学计算实验室开发出的三大解决方案，包括：

第一个是面向高性能计算的开源 MPI 系统——MVAPICH2，它能够为使用 InfiniBand、Omni-Path、 Ethernet/iWARP 和 RoCE 等无线带宽技术的高端计算系统和服务器提供高性能、可适应性、容错性，是一种具有 10GigE/iWARP 速度，RoCE 网络的技术。目前该系统已在 89 个国家的 3000 多个组织机构得到应用，下载量已超过 551,000 次。（该项目链接地址：https://mvapich.cse.ohio-state.edu）

第二个是面向高性能大数据分析的项目 HiBD。据悉，该项目包含的安装包有 RDMA-based Apache Hadoop 3.x (RDMA-Hadoop-3.x)、RDMA-based Apache Spark (RDMA-Spark)、RDMA-based Apache Kafka (RDMA-Kafka)、RDMA-based Apache Hadoop 2.x (RDMA-Hadoop-2.x) 等等，目前该项目已在 35 个国家的超过 315 个组织机构得到应用，下载量已超过 30,350 次。（该项目链接地址：https://hibd.cse.ohio-state.edu）

第三个是面向机器学习领域的 HiDL 项目。D. K. Panda 教授指出，相对于高性能计算和大数据分析而言，机器学习使用的是完全不同的一套规则，因而该领域在 MPI 运行环境的设计上面临着更大的挑战，而 HiDL 项目能够通过利用 MVAPICH2-GDR MPI 开发库和 RDMA-Enabled Big Data 堆栈，使用 Caffe 和 TensorFlow 等工具来训练大规模的深度神经网络。对于实现高性能的机器学习训练而言，该项目意义重大。（该项目链接地址：https://www.cse.ohio-state.edu/~panda）

大会首日主论坛的最后一场演讲由中国科学院计算技术研究所研究员、Bench Council（国际开放基准测试委员会）执行主席詹剑锋带来，他的演讲题目为《BenchCouncil 人工智能测试标准、实验床和性能榜》。在本次演讲中，他为大家介绍了本次大会的主办方——Bench Council 成立的初衷、在做的事情以及未来的规划。

中国科学院计算技术研究所研究员、Bench Council执行主席詹剑锋

他直言，当下的智能计算机，骨子里还是建立在神经网络翻跟斗与通用计算部件之上的传统架构。别看现在神经网络理论越来越成熟，算力和垂直领域的数据也在疯狂堆料，深度学习在某些专业场景下甚至已经跑在了人类前面，但在通用计算机体系结构的底层逻辑上，依然横亘着巨大的挑战。正因如此，针对特定领域进行软硬件协同设计，逐渐成了国际学术界心照不宣的共识。与此同时，测试标准对计算机产业的影响力不言而喻，可放眼 TPC、SPEC 这些老牌非营利组织，鲜见中国面孔。正是这种“缺席”，让 Bench Council 的登场显得恰逢其时。

作为一家致力于促进人工智能等新技术的平价、验证、研讨、孵化和推广的非营利国际研究机构，Bench Council 在全球范围内倡导以 Benchmark（测试标准）为主的标准制定，并发布了实验床、性能榜，并举办 BenchCouncil 国际人工智能系统竞赛，来促进新技术（基础和主干的技术创新）的验证和推广，引领产业健康发展。与此同时，詹剑锋还强调，在测试标准的制定上，还应注重国际标准和国内标准的融合。

其中，据介绍，Bench Council 的测试标准包括数据中心 AI、 IoT AI、Edge AI、HPC AI、医学人工智能测试标注以及综合的 BenchCouncil BigDataBench 项目。而实验床采用了联邦学习、实验性操作系统 RainForest、基于图系统的机器学习系统等核心技术，目前已在医学大数据、高能物理数据、商业 AI 、极端天气分析等场景中得到了广泛应用。

主论坛（下）

大会第二天，现任香港中文大学（深圳）的校长讲座教授的黄铠教授带来《Fusion of Smart Clouds with Machine Learning, Artificial Intelligence and Internet of Things》的演讲，拉开了第二场主论坛的序幕。

香港中文大学（深圳）的校长讲座教授黄铠

演讲一开始，黄铠教授便迫不及待地开始为深圳招揽人才：「深圳是中国的科技、创新之城，我去年离开南加州大学时，第一个考虑的城市便是深圳，现在在这里感觉非常好，希望各位也能够加入深圳。」随后他重点从其领导的两个项目入手，围绕如何融合智能云、机器学习、人工智能以及各类网络技术展开了演讲。

第一个项目是将社交媒体（Social）、移动设备（Mobile）、分析（Analytics）、云（Cloud）和物联网（IoT）融为一体的基础研究项目——SMACT，来打造融各项关键技术一提的智能云。他指出，智能云实际上就是一个虚拟的大数据中心，其中云计算实际上包括云端、雾端和边缘计算三个层次：云端为大量数据的中心，雾端为诸多个节点，边缘端则由不计其数的设备组成。而这三个层次间的关系应该是相互支撑的。

同时，他提到未来的人们每个人至少将拥有 100 台设备，如何将这些设备有效地连接起来，则将成为未来需要面临的重要问题。针对连接方式，黄铠教授对比了 4 G、5G 和大规模 IoT 网络在能效、用户体验以及连接密度等方面各自的优势，其中 5G 的整体表现最好，而大规模 IoT 网络在单位面积中能够连接的设备数量是最多的，因此 5G 是我们未来一个非常重要的攻克点，而大规模 IoT 网络技术同样也需要重视。

第二个项目则是由香港中文大学（深圳）领导成立的面向社会的人工智能和机器人研究机构（AIRS）正在开展的一个面向工业自动化和智能制造的智能云平台。据悉，该项目主要是为了响应大湾区的智能产业发展规划，致力于为其打造一个智能产业云与工业数据中心，利用机器学习、 AI 和 IoT 技术来实现产业创新。

最后，黄铠教授总结了目前出现重大突破的 AI 技术和热门的应用场景，其中取得突破性进展的 AI 技术包括迁移学习、AI 芯片和设备、场景理解、音频数据分析、强化学习、Alpha Zero、谷歌的 AutoML 以及联邦学习等；热门应用场景有医疗健康云、数据隐私保护、卫星数据处理、智能制造、智慧农业、自动驾驶、智慧城市等等。而这些技术和应用场景对于各项关键技术的融合都提出了更高的需求。

「无论是智能云，还是机器学习、大数据分析、IoT 等等，我们都还有太多的工作要做，因此各位科研工作者都要一步步地向前迈进。」

紧接着，中科曙光大数据首席科学家宋怀明、寒武纪公司副总裁钱诚、云天励飞联合创始人兼首席科学家王孝宇分别从工业界的视角，分别分享了自己对于智能计算、智能芯片以及 AI 算法方面的看法。

宋怀明在其主题为《智能计算，驱动产业升级》的演讲中指出，包括量子计算、边缘计算和智能计算等在内的先进计算日益成为全球竞争的焦点，其未来的三个创新发展方向包括优化升级、多元融合以及碘伏创新。

中科曙光大数据首席科学家宋怀明

而智能计算作为先进计算的重要组成部分，是以智能驱动、以实现智能化应用为目标、以智能计算机为基础，通过深度学习、云计算、大数据等技术的相互融合支撑的一种计算方式，为传统的计算带来的新机遇和新的发展空间。因此，推动智能计算与传统计算的融合发展，以智能计算带动传统计算的发展，是推动整个计算领域共同发展的有效途径。他以中科曙光在发展智能计算的「三大引擎」——强劲计算力、全栈智能计算场景以及计算普惠化为例，分享了智能计算在未来发展方面的思路。

寒武纪公司副总裁钱诚从 AI 的发展浪潮出发，分享了智能计算和智能芯片在其中所发挥的重要作用，他的演讲主题为《智能芯片和智能计算》。他首先回顾了深度学习崛起和 AI 发展的三次浪潮：神经网络基础理论的提出引发第一次 AI 浪潮；算法应用升级带来第二次 AI 浪潮；而第三次浪潮的到来则是由于深度学习理论框架得到验证。而在整个发展过程中，人工智能发展的核心驱动力便是算力，同时，随着大数据的爆发式增长以及算法的不断提出，算力、大数据、算法共同推动了人工智能如今的快速增长以及应用落地。

寒武纪公司副总裁钱诚

针对人工智能领域的计算问题，业内的主流思路就是用专用的架构来解决特定领域的问题，例如当下专用的智能芯片在广泛应用场景下都得到了应用，但是这些智能芯片如何同时兼顾通用和好用？对此，钱诚提出的思路包括：分析和抽取应用负载特征，设计灵活的指令集，设计可扩展性强、高效的架构，提供灵活的运算器方案以及支持主流编程框架。

最后他指出，未来人工智能、大数据和云计算将不断走向融合和一体化，实现端云融合、端云一体，同时，智能终端的应用未来也将带动下游产业的重新洗牌和升级。

云天励飞联合创始人兼首席科学家王孝宇则围绕如何实现 AI 的规模化应用，进行了主题为《AI 算法平民化》的演讲。他指出，目前 AI 在规模化应用方面所面临的主要障碍：一是人才极度短缺所带来的挑战；二是升级成本高，导致传统企业无法负担；三是开发周期长，无法快速迭代和提高算法。

云天励飞联合创始人兼首席科学家王孝宇

而云天励飞针对这些问题开发出的一站式 AI 研发和应用系统——AIOS，涵盖计算集群管理、数据管理、数据标注、算法训练和算法部署几大功能，利用完整的闭环算法优化以及对海量数据实现深度学习，可支持多用户协作，资源任务共享，让不具备深厚知识储备的人也能在该平台上开发算法和系统，实现 AI 平民化。

除了业界，本次计算机大会还邀请了其他各个领域的专家、学者，从更完整的视角来诠释计算机技术在金融、医疗、政法等各个领域的应用。

俄克拉荷马州立大学教授、西南交通大学大金融大数据研究院院长李维萍教授，带来了主题为《Innovation of Finance and Data Science》的演讲。他表示，实际上，金融领域在数据处理方面对于计算机技术的应用，要比其他领域都更早，但是由于该领域完全以实际结果为导向的性质，其所面临的挑战也非常明显。

另外，机器学习作为当前一个热门的研究领域，能否也成为金融领域一项非常有效的工具，又是否比金融领域已经成熟的方法要好呢？李维萍教授指出，根据金融场景、数据类型以及结构等变化，机器学习与传统金融方法在其中的表现情况都会有所不同。因此，如何让机器学习能够真正在金融领域发挥其作用，成为该领域的一个重要的研究方向。

俄克拉荷马州立大学教授、西南交通大学大金融大数据研究院院长李维萍

最后，他以其开发的一款交易系统的构建流程为例，展示了机器学习等计算机技术在金融交易领域的一般应用方式，具体流程包括：首先对股票的历史数据（价格、成交量、行情信息等）进行训练，从而构建交易模型，即基于机器学习和深度学习，构建股票价格预测学习，并通过相关的算法预测股票的价格变动趋势；之后根据训练得到的股票收益筛选出好的参数和股票获得模型训练结果，同时根据测试得到的股票收益筛选出好的参数和股票获得模型测试结果，产生交易信息；最后，产生的实时交易信息还会返回到交易模型，让模型进行再学习，不断得到改进、优化。

国家卫生健康委能力建设和继续教育中心大数据办公室主任马兆毅，结合国家卫生健康委能力建设和继续教育中心在筹建权威标准化的医学图像大数据库的经历，带来《医学图像数据库建设的探索与实践》的演讲。她表示，本次筹建工作花费了将近三年的时间，其中的标准也经过了专家们的 20 多次会议讨论和探索才最终得以制定。

国家卫生健康委能力建设和继续教育中心大数据办公室主任马兆毅

据悉，数据库的建立旨在实现医学教育模式及内容创新，精准配合分级诊疗，具有数据贯穿临床思维的全过程、标注数据有效服务计算机深度学习及人工智能应用、数据内容持续更新等特点。数据库建设遵循「边建库、边应用」的思路不断进行实践，取得了非常显著的效果。同时，马兆毅指出，制定细化到学科病种的数据标准，建立权威的医学图像大数据库，是我国大数据、人工智能良好发展的基石，数据库还将在医学教育、科学研究、临床应用、产业发展等方面发挥应有作用。

中国科学院计算技术研究所计算机应用研究中心主任赵晓芳教授更从计算机技术落地应用的案例——沈阳纪检大数据平台出发，带来了主题为《纪检大数据与权力管理信息化建设思考》的演讲。

据介绍，纪检大数据平台体系是中国科学院计算技术研究所计算机应用研究中心与沈阳合作的项目，自去年 3 月份启动以来，目前已在展开 2.0 版本的建设方案，综合运用互联网、大数据、云计算和区块链等核心技术，重点建设了 5 大平台（包含 46 个子系统）和 1 套标准规范体系，形成「5 1 N」的监督能力。

中国科学院计算技术研究所计算机应用研究中心主任赵晓芳教授

同时，基于这一实践和应用结果中存在的问题，赵晓芳教授还提出了自己的思考，例如普通信息化下的系统产生的数据反映出了各种各样的问题，我们在已有的信息系统建设中忽略了什么？权利的监察如何前移，以最大程度地保护干部，降低社会损失？以及扩展开来的权利管理是否能构成信息信用管理的统一模式？

针对这些思考，赵晓芳教授提出了三点可以开展的工作，包括：第一，重新梳理智慧城市建设的顶层架构，把治理体系能力建设下沉到基础层，丰富和完善基础库建设；第二，建立以权利树和权利故障模型为核心支撑的确立确认服务模式，从事后监察转到事中确认，采用两线（红线、黄线）三模式（3A：断言、预警和调整）的服务和研究，便侧重监察到侧重研究，构建新的信息化社会下的权利秩序；第三，从干部体系扩展到社会体系，进而构建信息社会的信用秩序。

最后，信诺资本合伙人陈未翔从大数据人才出发，带来了主题为《第四次产业革命的大脑大数据创新人才》的演讲。她指出，当前我们迎来了第四次产业革命——智能革命，而智能的核心实际上是决策的数据化和自动化，未来80% 的价值将由20% 的顶级人才产生，如此一来，创新型数据科学人才便成为这一革命中的稀缺资源。