採訪 | 王藝
編輯 | 微胖
鄭宇說，京東金融的城市計算，是一盤很大的棋。
2018 年 2 月 13 日，城市計算領軍人物鄭宇正式加入京東金融。此前，他曾是微軟亞洲研究院城市計算領域的負責人，毫不誇張地說，「城市計算」一詞，就是他提出來的。
鄭宇有一連串響噹噹的頭銜——上海交通大學講座教授（Chair Professor）、香港科技大學客座教授、ACM Transactions on Intelligent Systems and Technology（TIST）主編、全球傑出青年創新者（MIT TR35）、2014 年《財富》雜誌中國 40 位 40 歲以下商界精英...... 除了這些，鄭宇還在 Google Scholar 城市計算領域世界學者的論文引用排名中名列榜首。
和很多人一樣，在得知鄭宇加入京東金融這一新聞時，我的第一反應是，為什麼要去京東金融？京東金融作為金融科技公司，為什麼要做城市計算？畢竟，鄭宇這次所帶領的，是一個一級事業部。
帶著這樣的疑問，機器之能採訪到鄭宇，希望找到問題的答案。以下為採訪實錄，機器之能做了不改變原意的整理。
京東金融給了我很大的空間，成立了一個一級事業部，從資料到研究到開發到市場，能夠形成一個閉環。這種閉環的空間不是什麼地方都可以給的。
你加入京東金融這件事在業內反響很大，是什麼原因讓你做出這個決定？
我覺得有幾點原因，首先看大環境，現在人工智慧與實體經濟結合是大趨勢，智慧城市是抓手。這個事情一定要有人來做，我覺得現在是一個很好的時間點。
第二，京東金融給了我很大的空間，也給了我足夠的信任來做這件事。包括成立獨立的一級事業部等等。另外我們還會建立城市計算研究院，我還兼任整個京東金融的首席資料科學家。我覺得這是非常難得的機會。
一級事業部不像一個小組或者研究院，它是一個獨立的事業部，可以發展得很大。我們從資料到研究到開發到市場，能夠形成一個閉環。這種閉環的空間不是什麼地方都可以給的。
從戰略制高點看的話，一級事業部的成立也說明了整個京東金融對城市計算這件事的重視，同時讓我感受到京東金融有足夠的信心和勇氣來對城市計算進行投入。
要做城市計算這件事，一定需要非常大的空間和信任，同時我需要面對的挑戰也會更大。以前我可能只關注研究、開發和落地，那現在還要關注市場、資料、資源、客戶的對接，各方面的事情都要考慮。
最後一點是，我比較認可京東的文化和價值觀，踏踏實實地幹事情，然後努力成功。確實有很多企業給我拋過橄欖枝，但是我最後還是選擇了京東金融。
你所負責的這個事業部預計要招多少人？
這個暫時要保密，再過一段時間之後，我們會有一個比較官方的宣佈。
可以說的是，我們現在正在建立二級部門，分別著眼於環境、交通規劃等方面。所以京東金融的城市計算是一個很大的架構，不是說只是一個小團隊。
預計會建幾個二級部門？
這個到時候大家就知道了，可以說大家關心的我們都會有，像交通、環境都會有，但這個具體數字是多少，得等到具體的情況來看。
京東金融是一家服務金融行業的科技公司，為什麼要做城市計算？
這裡有兩個關鍵詞，金融和科技。京東金融其實是科技公司，它的商業模式是 B2B2C。當然，很多人認為京東金融是一個金融公司，但其實不是這樣的，它的業務是為金融行業提供一些科技技術。
比如它為銀行提供風控模型，讓銀行更好地為 C 端客戶提供貸款服務。在這裡京東金融是第一個 B，銀行是第二個 B，然後終端客戶是 C。京東金融並不是說直接放貸給個人，它更多地是扮演了一個技術賦能者的角色。
這種 B2B2C 的模式我非常認可。因為我們可以把中間的這個 B 想象成 G。我們給相關主管機構提供技術，讓他們更好地為百姓服務。
你可以認為，城市計算是京東金融作為一家科技公司，對現有業務的擴充。TO G 的業務需求會著眼於交通、環境等等，這會反哺京東金融的科技公司屬性。
我們的定位是要成為國內最好的智慧城市技術平臺和解決方案提供方，同時我們也希望成為產學研一體化的典範。
京東金融當前的業務與城市計算最緊密的連線點在哪裡？
智慧商業。大家對城市計算瞭解得比較多的方面可能是環境、交通、規劃等，但其實智慧商業也是城市計算的很大一部分。包括商業選址、地產價格評估，還有甚至幫銀行做一些 B 端的風控等。
舉個例子，一個企業到銀行貸款，要蓋一個娛樂城，那銀行就要對這個專案進行風險評估，確保到了還款時間能按時收回貸款。以前銀行的方法可能是去評估這個企業本身的一些徵信資質，比如壞賬率，誠信度等等。
但是企業資質良好，不代表它開發的每個專案都沒有風險，因為這個風險不是企業本身決定的，而是由這個地方的發展環境和消費水平決定的。這些東西只能從別的資料反映，銀行本身也沒有。可以從專案周邊居民的消費水平反映，從人們出行的方式反映，從地區周邊的配套反應，甚至包括基礎設施比如路網、車站是不是變得越來越完善來反映，這些因素綜合決定了這個地域本身的發展程度。
這其實代表了城市計算的一個願景，用多元的、不同的時空資料融合來做一些事情。不管是分析預測，還是因果分析，還是異常檢測，都能夠從更多維度、更準確地進行。
在京東金融的城市計算佈局上你有怎樣的規劃？
我們的定位是要成為國內最好的智慧城市技術平臺和解決方案提供方，同時我們也希望成為產學研一體化的典範。這兩點很重要，我們不希望只是一個工程公司，賺很多錢，而是希望真的作為一個科技公司，把產學研帶動起來。這是國家一直強調的東西，只有這樣產業才有長遠的生命力。
這兩點定位之後，我們也就知道了應該怎麼做。一方面給國家相關機構提供服務，一方面給一些大型國有企業提供服務，幫助他們解決行業痛點，還有就是我們會跟高校進行合作，建立一些人才聯合培養機制，聯合實驗室，也會合作發表一些論文，攻克一些重點難題。我們這三方面會一起做。
至於佈局，各個地方的業務需求是不一樣的，有些地方可能比較關心環境，有的地方可能比較關心交通，有的地方可能關心他們自己的經濟 GDP 問題、脫貧問題等等。所以我們會針對於各個地方的需求，儘量利用我們一個比較通用性的平臺，來滿足各地差異的需求。
所以是要看具體的需求才能決定業務開展的優先順序？還是已經有規劃？
我們已經有規劃，確定了大概哪幾個方向是一定要做的，先把它做起來，然後根據各個地方的需求進行定製化。交通、環境、規劃、智慧商業這幾個方向是一定要做的。
是否有多長時間推進多少個城市這樣的計劃？
這種量化數字跟我們具體的團隊和人數有關係。我覺得其實這不是重點，我相信未來一段時間大家會看到我們更多的佈局。
在城市計算這件事上，京東金融的優勢是什麼？
其實京東金融本身有海量的資料。根據最新財報，京東集團的活躍使用者已經有 2.925 億。我們不僅有京東集團的商城資料，包括產品本身資料、使用者交易資料、物流資料，還有京東金融本身的一些理財、支付和消費資料，構成了一個很大的資料群體。
這些資料可以從側面描述城市的經濟維度，甚至跟別的資料融合之後可以反映這個城市的發展趨勢，因為材料樣本已經足夠大。特別是還有物流的資料在裡面，其實也反映了城市的一些動態的韻律，跟城市和城市之間的一些消費的交往，以及物流需求的一些往來。所以說京東的資料是很好的，很難得的。
再就是京東集團在地方上跟很多管理部門已經形成了有效配合，它的渠道和品牌效應可以幫助我們比較順利地開展很多事情。
劣勢呢？
我覺得不能說是劣勢，就是我們未來會在哪方面進行努力。我們會把科技含量提高，然後我們會跟更多的高校合作，跟政府和企業加強聯絡合作。有了我們這個事業部之後，我相信城市計算這件事情會更加順暢，變得更好。
你剛剛說到，京東金融在城市計算的智慧商業領域有很好的條件，那在像環境、交通等領域，京東金融會怎樣參與？
首先，京東金融作為科技公司，我們用科技服務於各個其他的 B。可以是銀行，也可以是有關主管部門，也可以是其下屬的大型國有企業。這樣的話我們就可以做交通服務、環境服務，我們並沒有把自己限制在金融場景裡面。
可能現在最初的一些專案是在與金融相關的消費場景中，後面慢慢地我們會建立企業信用，做企業服務，也會和政府有一些專案合作。再往後可能政府以外、金融以外的很多專案也都是我們希望做的。
所以，未來京東金融的定位是科技公司，其根本是 B2 B2 C 的模式。我們強調科技服務，而不強調金融本身。以後大家會越來越發現這個趨勢。
京東金融的城市計算和阿里的城市大腦會有怎樣的不同？
對於其他公司我不作評價。我在這個領域的工作十幾年前就開始了，這十幾年來也一直堅持紮根在這個領域。我有這樣的一個情懷，希望能用畢生所學真正地服務中國。
這也是我出來最根本的原因。我只希望我們能夠實實在在地把城市中的問題解決掉，幫助到城市建設，同時我們也很願意跟其他公司共同合作來推進這個程式。
所以您認為城市計算的市場容量是很大的，合作大於競爭？
對，行業需求非常大，現在更多的應該是推動行業共同發展。另外，城市計算有它自己特殊的業務邏輯。要做城市計算這個行業，其實不是那麼容易，它有它的門檻。除了技術本身的門檻之外，還有業務邏輯和場景的門檻，還有地域的限制。這就導致了為什麼到現在還沒看到一家特別大的城市計算公司。很少有人能夠做到這一點，我們希望能夠做成這個最難的事。
城市計算問題狀態空間大、動作空間也大、還是一個開放系統，問題解決起來比 AlphaGo 難多了。
城市計算問題和其它人工智慧相關問題相比，有哪些特有的技術難點？
第一，城市計算是時空資料，它不是一般的影片影像文字，它所用到的資料管理辦法和人工智慧方法和其他問題都不太一樣，不是說拿一個 CNN 或者 LSTM 就能解決的。它有自己特殊的時空屬性，包括時間的趨勢、週期和鄰近性，包括空間距離和空間層次性。這些特殊的時空特性用普通演算法是抓不住的。
還有就是在真正的城市計算裡面，會用到多個資料來源，而不是單一資料來源。比如剛剛我們說到的娛樂城案例，需要用到 POI、路網資料點，加上環境消費等等很多種資料，融合這麼多資料才能判斷這個地方未來的變化。
多後設資料融合本身就是一個難點，在機器學習當中也是一個相對比較新興的學科和研究方向。來自於不同領域的資料如何做到 1+1 大於 2 的知識發現，這個其實是一件很困難的事情。
同時，城市計算也不是一個簡單的雲端計算問題，現在雲端計算平臺對這種時空資料的支援都不足夠好。時空資料的資料結構查詢方法，以及剛剛說的多後設資料的融合、索引機制都不存在，所以市面上任何一家公司的雲直接拿來做城市計算都不太合適。必須要經過特殊的技術積澱，使得雲能夠具備對時空大資料的管理、分析和挖掘能力，並且形成動態閉環，這非常難，門檻也很高。
所以最後會有一個京東金融城市計算雲？
不，我們事業部不做雲，我們希望讓市場上的雲端計算公司擁有挖掘分析城市大資料的能力。可以是京東金融自己的雲，可以是微軟的雲，也可以是騰訊的雲，華為的雲，都可以。我們會讓雲廠家快速擁有對城市大資料的分析、挖掘和管理能力，並且能夠快速形成閉環，做一些實時動態的分析挖掘業務。這是我們的能力所在，也是我們的門檻。
能否舉例具體說明一下城市計算之「複雜」？
我講個具體的例子，比如說交通訊號燈的控制問題，就比其他任務，比如 AlphaGo 要難太多。AlphaGo 是一個 19×19 的網格，每個格子上的狀態只有黑棋、白棋和沒棋三種，狀態空間就這麼大。
但是和 19×19 個格子相比，整個北京的紅綠燈路口數量有幾萬，而且每個路口的狀態和動作也會更多，比如這個道路的交通流量速度是 40 公里每小時，另一個是 45，還有 30 的；訊號燈的控制的變化可能是紅燈 30 秒，綠燈 20 秒，都是連續變數，這個空間狀態就比剛才的三個狀態要大多了。
而且很多資料是缺失的。可能這一時刻剛好這條路上沒有人，或者沒有車經過，或者沒有埋感測器，那我們就拿不到這條路的資料，拿到的是一個不完整的觀察。
另外，還有道路是一個開放系統，在圍棋裡面，我說一句話，在旁邊走兩步路，不會影響圍棋的結果。但是在道路上，有一個人過馬路，哪怕一條狗穿過馬路，都會改變道路的狀態。
所以城市計算問題狀態空間大、動作空間也大、還是一個開放系統，那問題解決起來肯定比 AlphaGo 難多了。
我再舉個例子，城市人流量的預測，我們把城市分成很多個網格，要預測每一個網格里面，未來會有多少人進和出。
一個網格中的人流量既跟它自身前一個小時有多少人進和出有關係，也跟他周邊那些鄰居格子有多少人進和出有關係，因為有人會從旁邊過來。還跟離格子很遠的地方，某個區域的人的進和出有關係。因為當你這裡有大事情發生的時候，會有很多人從很遠的地方，坐地鐵從地下鑽出來，這個時候你如果只是靠網格周邊的人員變化，就不能捕捉到大事情發生時的異常，就像一些地方發生的踩踏事件一樣。
如果你想對每一個格子都能準確預測人流量，也就意味著你要把城市的所有其他格子的狀態都作為輸入，來預測這個變化。而且格子和格子之間是相互依賴的，你不能說我先做 A 格子再做 B 格子。因為 A 格子進入了多少來自 B 格子的人，也就意味著 B 格子出來了多少人到 A，這是一個相互的東西，所以要同時做。如果你把每個格子單獨拿出來做，那這個模型會相對簡單，可是你發現這樣做出來，總人數加到一起可能都不等於全城總人數。
要把這麼多格子一起做起來的話，有一個傳統的方法，就是用 graphic model，把每個格子當作一個節點，每個格子跟其他格子建立邊的關係，那這個複雜度就非常非常高了，所以以前的機器學習根本做不了，直到現在深度學習出來之後，才有解決方案。
除了格子本身的資料之外，還有天氣、事件等能夠影響人流量的資料，都是要動態輸入的。這麼多資料，需要在秒級或者分鐘級得出結果。比如交通量預測，或者預警任務，對時效性要求很高。這麼多資料的處理，沒有特殊的方法的話，可能一個小時過去了，特徵都沒提完。
現在我們看像人臉識別這樣的任務，就是一張圖片和特徵，是單一資料來源的單一樣例，而城市計算是多個資料來源的多個樣例，所以複雜度是不在同一個量級上的。
京東金融在計算資源上的投入一定很大。
我們有一些特殊的方法，如果沒有很好的方法的話，那就只能靠堆機器，必然是不可行的，對國家資源也是一種浪費。我們用特殊的方法，結合分散式技術和時空索引技術，能夠用十分之一的機器實現十倍的效率。
說到踩踏事件，當時你發微博說可以用城市計算解決這個問題，最終還發了一篇論文，但是受到了很大的爭議，說是在蹭熱點，你本人對這件事怎麼看？
當時我在微博上說，完全可以透過大資料和人工智慧方法提前預測，加強管控，避免踩踏。有些人支援我，相信我一定能把這個問題解決掉。也有一撥人說，「這個東西根本就不需要你預測，誰都知道會有很多人來。」
但其實仔細想一想，很多人是多少人？50 萬人很多，100 萬人也很多。可是應對 100 萬人和 50 萬人的安全級別戒備是完全不一樣的。另外，就算你知道 100 萬人要來，那這 100 萬人是分成五個小時均勻來，還是說在某兩個小時峰值到達？這兩種情況所採取的安全措施也是完全不一樣的。所以只能大概知道有很多人要來，但不知道會有多少人、具體什麼時候來。這個時候就需要用技術的方法來解決。
現在，我們可以預測各地區的人流進和出，能夠提前幾個小時告訴城市主管部門，這邊可能會有問題，你可以加強管控，提前預防，比如透過媒體通知疏散人流。這些事情一定是越早做越好，人家都來了，你再讓人家回去，這也不現實。
城市計算已經在我們的實際生活中解決了哪問題？
很多，比如 2014 年我給環保部做的霧霾預測，那段時間是北京空氣越來越糟糕的時候，我們定義了問題。
第一，怎麼根據環保部門設立的這些有限的空氣質量監測站點，把那些沒有監站的地方的空氣質量給估計出來。
城市空氣是不均勻的，空氣質量會受很多複雜因素的影響，包括周邊交通流量，周邊是否有廠礦，擴散條件怎麼樣，是公園綠地還是建築群等等。這些東西都不是線性的，不是均勻變化的，甚至每個小時差異都特別大。
環保部門只設立了有限個監測點。為什麼不多建？因為站點很貴，一個國產的站點大概需要 100 萬人民幣，進口的要 200 萬人民幣的樣子。而且還要維護，站點的佔地面積還蠻大的，它不是一個小盒子就可以做的，一定是要在一個大的地方部署一個很大的裝置才能做這件事情。如果真的在北京每一平方公里都放這樣一個裝置的話，大概需要 3000 多個站點，根本沒法維護，所以只能設立有限的站點。
站點有限，空氣質量又不均勻，那怎麼辦？只能用人工智慧和大資料的方法，結合交通氣象以及地理資訊的變化來學習。這就是一個非常典型的半監督學習的案例，只用有限的樣本，來推斷所有地區的空氣質量。
這是第一步，然後第二步還要預測，剛剛是搞清楚現狀，現在是預測未來。空氣質量會受天氣的影響，受地區綠化的影響，受人類地面活動排放的影響，所以看天、看地、還要看人。
另外，我們拿到的天氣預報的資料都是不準確的，現在天氣預報的準確率只有 40% 左右，你的模型要在很多這種不確定的資料上訓練，大資料和人工智慧就有這種能力，把很多不確定的資料加在一起，形成確定的資料；把很多稀疏的資料疊在一起，得到一個明確答案。
這篇論文我們發表在 KDD 2013 上，是領域內第一篇用大資料做空氣質量分析和預測的文章，引用率特別高。同時技術也已經落地，已經覆蓋到中國 300 多個城市。
像今年過年某些地區遊客滯留這件事情，能夠怎樣透過城市計算進行解決？
遊客滯留是一大類問題，大家在某段時間大家扎堆過去，但是景區旅客接待能力不足，或者說運力不足導致遊客滯留在某地，不能及時返回。這個問題是我一直想做的問題，我覺得很有意思。
國家旅遊局希望能夠預測未來一段時間，比如黃金週，各個景點的人數。你如果只是把某個地區單獨拎出來，根據往年資料來看，預測一定不準。為什麼？因為這是一個相關性問題。可能前一年去這個地方的人很多，第二年就沒人去了。可能突然某個景區火了，帶動了鄰近的景區。還有一些景色相似的地區，比如一個地區出現問題了，大家都不去了，導致去另一個相似地區的人突然變多了。或者出國便宜了，出國遊的人變多了，國內遊的人就變少了。原因有很多，不能單獨看，要多維度聯動一起看。這些維度有些是關聯存在的關係，有些是增強關係，有些是互相的排斥關係，都要搞清楚。
一個厲害的人大概同時能把十個專案撐起來，而一個平庸的團隊可能鋪一百個人下去，也討論不出來一個結果。
目前城市計算所面臨的最主要的挑戰是什麼？
缺資料科學家。很多人覺得自己已經將 AI 掌握得很成熟，演算法研究的很好，但這不代表他能夠解決行業問題。要解決行業問題，還需要對行業本身的瞭解。
舉個例子，比如說空氣質量分析和預測工作，你必須知道是什麼因素導致了空氣汙染，這樣才能想到用什麼樣的資料來分析和預測。當反映某個因素的資料不存在的時候，你要想是不是能夠有別的資料來替代。還有這個行業裡面的傳統方法是什麼樣子？有什麼樣好的思想可以借鑑？有什麼地方是不行的？為什麼不行？我們要怎樣做才能讓它行？你的方法比原來的方法好在哪裡？這些問題都要搞得很清楚。
否則即便你做出一個東西，看起來模型結果比較好，行業的人不見得會認可你。因為你講不清楚，你沒有跟別人溝通的語言。業務場景是在別人那，你最終要落到業務場景裡去。
比如我接到過的城市需求是發展大資料產業。你要自己找到問題，比如充電樁選址是個問題，你要提出方法，用什麼資料，怎樣實現。在這方面北京和上海會好一些，但是如果我們要求全國各城市都具備計算機問題的分析能力，那要求太高了。政府是城市管理部門，不是科研部門。
所以現在我不擔心硬體不發達，或者演算法上不去，或者演算法本身研究不出來，這都不是問題，我相信總會有突破。怎樣把這些 AI 大資料人工智慧演算法跟行業的問題對接，是需要一大批資料科學家來支撐的。
合格的資料科學家需要有怎樣的特質？
既要深度地瞭解行業，也需要懂資料背後的知識，而不是資料表面的格式。要懂各種各樣的模型，不單單要具備底層的機器學習能力，還要有視覺化、資料管理能力。他要懂得雲平臺怎麼用，因為最後產品會落到雲平臺上來，做一個好的資料科學家是站在雲平臺上看問題，想資料關聯模型，把模型有機地組合到一起，部署到我們的雲平臺上。
我覺得以後我們國家要加大力培養資料科學家，而不是簡單地培養 AI 人才。在學校裡上幾門課，學學演算法，學學工具，這些都不難。難的是學了之後要到各行各業裡面去工作，解決行業問題，這中間有很高的門檻。這種經驗的積累不是在學校裡能夠學得到的，需要靠資料和專案去餵養，在實戰中去修煉。
所以我很鼓勵高校的一些學生，特別是高年級的研究生們，能夠多出來接觸實際的企業，看到實際的問題，用真實的資料做一些東西。除了理論研究之外，我們也可以看看這個研究怎麼落地應用，並從中得到一些反饋，同時你也會發現新的問題，甚至可能是核心的研究問題，是以前沒想到的問題。所以我覺得這是一個產學研一體化的東西。
我們需要多長時間才能擁有足夠多的資料科學家？
按照以往經驗的話，7 到 10 年培養這樣的一個人。五年的博士加上兩年的工作經驗，如果博士全在學校裡面，那可能還不行。
我發現在我帶的學生裡面，有很多人有這樣的問題。你給他培訓得很細緻，讓他做了很多專案，但是他沒有環境轉換能力，換了就不懂。因為他沒有快速的學習能力、高度的抽象能力、以及舉一反三的能力。這可能跟悟性是有關的，還需要資料敏感性。有的人一看到問題，馬上就能想到什麼資料可以反映這個問題，但很多人就很難建立這個思路。
比如他看到計程車資料就想到計程車，想不到可以變成車流、人流，還能反映區域的經濟、交通環境的變化。這個思路穿過來之後，就能用領域 A 的資料解決領域 B 的問題。
這個真的是看悟性，有時候你教都教不來。我從這麼多的學生中觀察，成才率很低。培養資料分析師很容易，可能資料分析師國家有幾千幾萬名，但是資料科學家真的非常少。所以說中國一定要加大力度培養這種人才，才能在世界上立於不敗之地。
在這方面我們的團隊還好，因為我們團隊已經磨合了很多年了，在這個方向我們也研究了很久，經驗積累比較多。然後我自己學生跟我讀書也讀了四五年的博士，所以相對來說他們是有一些經驗的。
一家公司想做城市計算的話，需要有怎樣的素質？
我覺得需要有資料和團隊。首先，做城市計算需要有良好的資料基礎和資料資源。大家都以為政府資料特別多，但其實不是這樣的，很多時候政府也需要行業資料來支撐他們的決策，共同解決問題。
還有一個就是團隊。其實我覺得人才是最關鍵的，現在都說 AI 大戰其實是人才大戰。但不是說 AI 比賽是千軍萬馬的比賽，不是說我有一百個人就比你十個人要厲害。很多時候能不能解決問題，往往靠一個人靈光一現。比如說問題卡在那，某一種資料缺失，怎麼想都搞不定。這種時候往往是靠某一個人靈光一閃，發現另外一種資料，透過怎樣的轉變，怎樣的使用就能解決問題了。當幾個看上去沒用的資料組合在一起的時候，在一種特殊場景和模型下面，能夠發揮出一些意想不到的優勢，這就是人才的作用。
一個厲害的人大概同時能把十個專案撐起來，而一個平庸的團隊可能鋪一百個人下去，也討論不出來一個結果。所以 AI 真的不是一個靠千軍萬馬過河的學科。京東在這方面已經意識到了戰略儲備的重要性，也在花大力氣投入引進尖端人才。