陈云天教授
陈云天，东方理工高等研究院工学部 助理教授（副高、博导），兼任上海交通大学博导，中国石油大学（北京）兼职教授。
本科毕业于清华大学能源与动力工程系，同时获北京大学经济学双学位，博士提前毕业于北京大学工学院，并获优秀毕业生荣誉，师从张东晓院士。
鹏城实验室博士后，在nature index期刊《Geophysical Research Letters》、《IEEE Transactions on Geoscience and Remote Sensing》、《Applied Energy》、《Journal of Computational Physics》和《Neural Networks》等期刊上发表论文17篇，其中12篇为第一作者/通讯作者。授权专利13项，软件著作权4项。曾主持包含国家自然科学基金在内的课题6项，累计经费860万元。另有参与完成课题5项，累计经费1512万元。
问
陈教授，可以向我们介绍一下您的研究方向吗？
陈云天：我们团队主要做智慧能源和科学机器学习两个领域。
具体探索两种技术路径：一个是知识嵌入，即把领域知识嵌入到机器学习的模型中，构造具有物理常识的人工智能；另一个是知识发现，即用人工智能方法直接从观测数据或实验数据中挖掘科学机理，相当于创造AI科学家，自动进行科学研究。
通过结合知识嵌入和知识发现，不但可以利用知识，还能生产知识，形成闭环，以便于将来形成更大的人工智能生态。这或许也是未来通向真正的智能的路径之一。
问
是什么原因促使您决定走上能源研究的道路？
陈云天：我的研究生涯始于高中,那时人大附中开设研究性学习课题，让自己选课题研究。
正巧高一时我看过一期Discovery节目，节目中研究者将一个大管子插入海水，随着海浪起伏，产生风带动涡轮机旋转发电，这一现象引起了我浓厚的兴趣。我当即决定探索其中的奥秘，后来的两年中，我利用周末和假期时间开展研究，了解到振荡水柱技术并自学透平相关的知识，最终和同班好友设计出了一种叶片会动态改变的透平，提升了能量转化效率，并利用北京运河游船驶过后产生的波浪成功发电。
2010年，还因此获得了向胡锦涛总书记当面汇报的机会，胡锦涛总书记拍着我的肩膀鼓励我说“小伙子加油，勤动脑、勤动手，掌握更多真才实学，将来一定能成为建设国家的高素质创新型人才。”那时起，我便决定将能源这个方向坚持做下去。高考报志愿时，我的第一志愿就报了清华的能源动力系。
问
研究工作是比较枯燥的，是什么支持着您一直坚持下来的呢？
陈云天：就是不断找寻自己吧。
之前高中时,我们学校和美国的一所高中有交换学生项目，当时来我家Homestay的学生和我一直保持着联系。大学时，我曾去斯坦福找他聊，我看他当时每天都在不停折腾，搞乐队等等。我就问他这么折腾来折腾去做什么，结果他说：Try and try, to find myself. 也就是：不断尝试，直到找到你自己，这句话令我感触很深。的确，我们往往都是跟着大家的节奏在走，其实一直没有关注过自己想要什么，自己想成为什么。后来的我也一直尝试着找到自己。
在读书期间，我学习和探索了多种能源。在做波浪能和太阳能等可再生能源研究时，非常规油气研究引发了我的思考。中国的页岩油气资源储量全世界第一，而且化石能源在中国能源结构中也是主体。如果能够提升页岩气和页岩油的技术水平，那么不但能够解决国内“富煤、缺油、少气”的问题，还能因为煤炭向油气的转变进一步降低碳排放，于是博士前几年，我将研究对象转到非常规油气方向。
陈云天
在学习研究之余，为了找到自己，我折腾了很多事情。我博士期间曾与老师同学一起成立过公司：瑞莱智慧RealAI。目前，这家公司估值已经达到几十个亿了。虽然现在我已经退出公司专心做学术，但我一直为这段经历感到自豪。
问
您觉得创业的这段经历对您从事科研工作产生了什么影响？
陈云天：如果没有这段经历，我不会沉下心做学术，并且确定自己的研究方向。
在创办瑞莱智慧期间，我意识到AI在工业界应用面临着数据稀缺、可解释性差、鲁棒性差等问题，这是与传统AI应用场景（如计算机视觉和自然语言处理）完全不同的。这些问题极大制约了AI在实际工业中的落地与商业化。我举个油气的例子，页岩气井打一口下去，成本约5,000万人民币，又比如做一次吸附解析实验就得几天甚至一周时间，而我们获得的可能就是一组数据，甚至一个样本点。这种数据采集成本是无法支撑现在主流机器学习算法的数据需求的，这导致人工智能在很多实际工程问题中是不具有经济可行性的。
我认为解决这个挑战的核心在于融合物理驱动与数据驱动的算法，而我博士后面几年的研究正是这一方向。因此，与其等待学界逐渐解决这一问题，不如我自己继续博士期间的研究，助力AI在实际工业场景中的落地。正是创业期间感受到了工业界真实的痛点，我才选择了当前的道路。解决实际生产生活中的问题这是我作为一名工科生的梦想。创立公司的经历，不仅开阔了我的研究视野，也让我真正沉下心来思考什么技术才是真正被需要的。这段经历让我意识到，做研究不能只是发一两篇文章，而是要解决实际问题。科学研究的使命应该是理解和探索世界，以及根据经验和知识改造世界。
我们现在所做的研究，就是个全球性的前沿问题。回顾历史，人工智能已经三起三落，90年代落下去，在本世纪尤其是AlexNet等一些模型出来后又火起来。我感觉目前人工智能的发展再次进入了瓶颈。纯数据驱动的算法对数据的需求量很大，训练成本又高，推广上存在很多局限，因此学界和工业界都逐渐开始关注如何在人工智能中融合知识。2019年，美国能源部在一个指南中提出了科学机器学习，强调领域知识和物理知识对机器学习的重要性。后来，美国的DARPA也提到过类似概念，叫做AI next。咱们国内清华大学的张钹院士也提出了第三代人工智能。
知识和数据融合的人工智能最近越来越火。今年5月，国家自然科学基金提出了6个人工智能培育方向，其中两个跟我们做的项目直接契合，另一个也有相关。科技部在今年5月也发了一个征求意见稿，叫做2030“新一代人工智能”重大项目，又专门提到这个领域。三年前关注这个领域的人很少，而今年明显感到大量国内外研究者开始探索这个领域。这实在是一件让人激动的事情。
问
那您觉得做知识驱动和数据驱动融合的研究需要注意什么呢？
陈云天：我觉得最主要的是要有开放的思维，能够从多学科交叉的角度处理这个问题。同时一定要避免变身“调包侠”。现在有太多的研究者，就是将一个开源算法调用一下，用在一个领域的数据上，发表一两篇论文。这样不求甚解的做法是无法做出真正有价值的研究的，因为任何一个有编程能力的人都可以胜任调包侠的工作，这并不是一个研究者应该钻研的方向。
我觉得如果想做好研究，还是要深入到算法细节中，甚至要从自己重写一些可以直接调用的算法。当然，重写只是为了更深刻的理解，在使用时，调用优化过的算法是最高效的，没必要重复造轮子。我的本科专业是能源，在我博士期间，我开始研究机器学习，当时机器学习还不是很火，我们组没人做这个方向。我在做第一个研究时，还不会用python，所以我用MATLAB搭建了我的第一个神经网络算法。因为没有神经网络库可以调用，整个前馈计算、反向传播、基于链式法则的梯度计算，都是用MATLAB码出来的，基本上完全从底层开始搭建工作。当时北大工学院也没有这方面的课程，所以算法本身是通过Coursera等线上资源学习的。那时候出bug找不出原因，也不懂怎么解决，那段时间很痛苦，也经常拉着实验室同学讲代码。其实大家研究方向差别较大，同学也不一定了解涉及到的算法，但是大家都很愿意帮忙。我经常讲着讲着就知道代码哪里有问题了，这大概就是最朴素版本的“小黄鸭debug法”吧，只是有点费同学。
现在回想起这段经历，正是因为当年没有这么多开源库，也没有丰富的工具可用，让我理解机器学习的底层原理，让我走上了算法研究者的道路，也让我养成了好的思维习惯，现在我看研究习惯于深入到细节里，因为魔鬼永远都在细节里，必须真正看透才行。所以我现在也要求学生，在探索和学习的时候，绝对不能变成调包侠，一定要搞清楚算法原理和细节。但是在最后实施的时候，又要取百家之长，尽力避免重复造轮子。
问
是什么原因让您选择了东方理工？
陈云天：选择东方理工，主观因素是十分看好东方理工的办学团队，客观因素在于东方理工所给予的平台与支持。
东方理工给我提供了一流的研究平台：第一，东方理工给予青年研究者充分的信任和包容，研究方向很自由，这对于前沿研究和新兴交叉学科研究是非常有帮助的；第二，东方理工的支持力度国内罕见，研究经费的支持力度可以说达到了我们青年教师的最高量级。学校还给了我博导、副高的职位职称，让我有资格尝试独立PI的一切，让我有条件组建自己的研究团队。
问
您有什么经验可以与我们博士生和青年PI分享？
陈云天：由于我也是一名青年教师，所以也谈不上什么经验。但是我个人比较喜欢交叉学科研究，我也对交叉学科在未来研究中的重要性非常看好。在做交叉学科研究时，一定不能为了交叉而交叉，这样的研究就会变得非常割裂。我的经验是去追随自己的兴趣和求知欲。
我们每一个人都是完整的个体。那么我们个人的兴趣、掌握的知识，本身都是存在联结的。如果我们能真正遵从自己的内心去做研究，那自然就会浑然天成且没有割裂感。但如果存在各式各样的因素去影响研究，那么就很容易出现细节研究缺少关联性，或是拼凑感较强的窘境。
乔布斯说过，只有在回顾的时候才能将过去的点点滴滴串连起来。只要做的研究自己感兴趣，未来就一定能有结合的点，这就是交叉学科的本质。以兴趣为导向，很多研究都会融会贯通、殊途同归。青年学者们，在创造力最丰富的时候，不要灌水，不要拘泥于已有的框架，尽情地去尝试，去折腾，找到自己，找到研究方向。
