一位女性技术高管，会面对什么？

（图/《机械姬》电影剧照）

越是在这样的环境下，女性越需要勇敢发声，即便没有被提问，也要主动寻找机会表达观点、融入讨论，让自己的光芒被看见。

✎记者 | 潘文捷

✎编辑 | Felicia

北京的一个傍晚，林咏华在办公室里接待了我。她微笑着说，自己身为女性，一路走来，得到了许多的鼓励和支持。她带领团队做系统性的创新，也参与和组织了不少行业女性的活动。

林咏华对计算机技术的热爱，始于她在广州本地少年宫上的编程启蒙课。从AppleⅡ上的LOGO语言，到中华学习机上的C语言，她早早便沉浸于代码天地中。为了支持她的兴趣，母亲不惜花掉半年薪水为她购置了一台“286电脑”。于是，她不再满足于常规操作，而是痴迷于钻研底层技巧，例如如何优化有限的内存，让黑白屏幕呈现出模拟彩色的效果。高中时代，管财务的母亲被手抄工资条折磨得眼花，便“委托”女儿帮忙。林咏华一边备战高考，一边通过自学，编写出了一套用于记账发薪的程序。

后来，林咏华在西安交通大学就读，当时她虽然拥有保研名额，但需要找到愿意接收她的导师。她找到系里最有名且以严厉著称的导师——殷勤业。当时，实验室里主要是男生。殷勤业给了林咏华一个月时间去解决一个难题，以此考察她的动手能力。林咏华成功解决了难题之后，殷勤业同意接收她。“在我后续整个研究生学习过程中，殷老师对我的要求很严格，但也给了我很多支持。”林咏华说。

（图/作者提供）

进入职场后，林咏华有十六七年都在IBM中国研究院工作。“我很幸运，因为IBM本身很鼓励女性走上技术岗位、技术领导岗位。我的上级领导，包括我的mentor（导师），都很帮助我成长。”当时IBM的董事长、首席执行官罗睿兰是一位女性，她在整个公司发起了托举技术领域女性的计划。

林咏华在IBM晋升到技术领域的最高岗位——杰出工程师（Distinguished Engineer）。“罗睿兰女士通过多年的努力，成为IBM首位女性董事长，她也希望有更多的女性能像她这样，走上领导岗位。我相信这是她希望能够帮助更多女性成长的原因。”林咏华说道。

2018年，林咏华被IBM总部任命为IBM中国研究院院长。她不仅是该院成立以来首位在中国本土成长起来的院长，也是首位女性院长。这是标志着其个人职业成就与公司人才发展的重要里程碑。

为了推动AI领先的科研成果实现产业落地，林咏华加入了非营利性研究机构——北京智源人工智能研究院（下文简称“智源”），现担任该研究院的副院长兼总工程师。

在接受《新周刊》的采访时，林咏华谈到了身为一名技术型女性，她如何帮助其他女性共同成长，也谈到了目前她在人工智能领域的一些重要关切和取得的突破。

女性该怎么“推销”自己？

新周刊：你在IBM中国研究院得到了大量的支持和帮助，你自己后来有做类似的工作吗？

林咏华：我在2017年牵头成立了IEEE女工程师协会北京分会。当时依托IBM中国研究院与众多高校的紧密合作，我们在产学研领域具备了一定影响力，也借此为女性技术人才——无论是科研人员还是工程师——搭建起一个专属平台。2019年我们举办了首届论坛，之后每年延续。如今我已不再担任会长职务了。

这类组织在海外起步较早，例如英伟达GTC大会就设有“女性免费、男性付费”的交流派对，以此吸引更多女性参与。我们创立IEEE女工程师协会北京分会之初，国内还鲜有专门面向女性科技工作者的平台；但如今，包括中国计算机学会在内的多家学会，以及国内许多行业的重要会议，都已设立专门针对女性开发者与研究人员的分论坛，为她们创造交流与见面的机会。

在这些会议上，议题往往更偏向“软性”。参与者中既有经验丰富的分享者，也有不少刚刚步入职场或学术领域的年轻女性，她们常带着困惑而来，或希望拓展人脉。我们的分享虽然会涉及技术，但更多时候是探讨技术女性如何充实自我、突破局限，更清晰地认识自身优势，看见自己未来可能成为的样子。

（图/来源网站unsplash）

新周刊：很多女性初入职场，可能不是很自信，不知道怎么展现自己。

林咏华：我很早就注意到这个问题。刚入职场时，每个人都会经历从表现平平到逐渐出色、从无人知晓到被人认可的过程。确实有人天生自信，不管做得怎样都信心满满，但大多数人——尤其是中国人——性格较为谦虚内敛，在职业起步阶段，自信心往往还没建立起来。

信心不是一天养成的。那时我意识到，人如果一直不敢表达自己，只会被困在囚笼里。刚参加工作那几年，我经常逼自己在会上必须至少发言一次，就这样一点点把自信建立起来。

当时常有一些从美国来的资深研究员主持圆桌讨论，他们都是我们敬仰的领域专家。IBM也会优先推荐女性研究人员参加讨论。但即便被安排坐到圆桌边，如果自己不主动发言，也是白白浪费机会。为了给专家留下印象，便于日后能有合作的机会，我只能一次次逼迫自己开口。

新周刊：我看到你在过往的采访中说，同样是坐在桌子前，但如果不主动“推销”自己，第一个被提问的人往往不会是女性，尤其是在技术领域。你是怎么打破这个局面的？女性应该如何主动“推销”自己？

林咏华：我相信很多女性技术工作者都经历过类似的局面：坐在会议桌前，如果桌上没有名牌或职务说明，别人往往会默认这些女性从事的是非技术类岗位，或是担任非技术类岗位的领导。我们必须承认，现实中的数据确实如此。尤其在技术类岗位领导层，女性占比低于20%。所以为了不“猜错”被提问者的职务，人们往往会先向男性提问。

越是在这样的环境下，女性越需要勇敢发声，即便没有被提问，也要主动寻找机会表达观点、融入讨论，让自己的光芒被看见。谢丽尔·桑德伯格所著的《向前一步——女性，工作及领导意志》中对我最重要的提醒就是：开会时不要坐在后排，不要因为没被点名而庆幸“逃过一劫”，而是应该主动“向前一步”。这不仅是对女性的鼓励，对男性同样适用。

《向前一步——女性，工作及领导意志》

[美]谢丽尔•桑德伯格 著

颜筝 译

中信出版社，2013-6

新周刊：参加女性会议和参加普通会议有什么不一样？

林咏华：在当前高校计算机专业中，本科生的男女比例常维持在7∶3，有的学校女性的占比甚至更低；进入技术职场后，女性的占比会进一步下降。这也导致技术会议中男性常占80%甚至90%以上。若一位女性本身性格并不外向，在这样的环境中往往更难主动参与交流。

男性之间可能通过一个拍肩就可以展开对话，而女性技术人员往往缺乏破冰的勇气。但在纯女性场合中，她们更容易放松，也能更快建立起有效联结。女性会议虽不能替代无性别导向的会议，却能让参会者——尤其是学生、青年教师或企业职员——更直接地与院士、教授或技术领袖交流，拓展研究、实习或项目合作的机会。无论男女，融入技术社区、拓展专业人脉都同样重要。

新周刊：我看到你在一个采访中说：“说起来有一阵子我对智源还挺自豪的，当时智源内部的AI系统、AI大模型评测、语言大模型团队的负责人都是女性。”为什么智源有很多女性担任团队负责人？有什么重要的特点或长处能助力她们晋升到这些位置？智源有支持女性的举措吗？

林咏华：我是在2022年发现这个现象的。那时，我们的数据研究组经理是女性，AI系统组经理是女性，语言模型组经理是女性，AI评测组经理也是女性。我在一次IEEE女工程师协会年会上，特意把她们的照片放在一起，很自豪地告诉大家，智源大模型团队从上到下不同层级的领导大都是女性。但这并不是刻意安排的。

我们的人数不多，因此并未刻意推动这类项目，毕竟它们需要大量参与者。坦白说，今天的女性仍须同时承担工作与家庭的双重责任。相较于国内一些大厂，智源为有需要的同事提供了更加灵活的工作条件。在这一灵活体制下，受益更多的无疑是女性同事。

（图/来源网站unsplash）

新周刊：你认为，身处行业之中，个体是否应该关注自己的性别身份？

林咏华：不需要太关注这件事，否则很容易先把自己矮了半截。但是无论女性还是男性，“向前一步”的做法其实都适用——去表达，更主动地去承担一些责任。

AI硬件的创新还远远没到滞缓期

新周刊：智源发布的CCI4.0已经成为全球范围内具有影响力的高质量中英文数据集。对于数据集中可能存在的各种偏见（例如文化、性别、地域等），你们是怎么识别、评估和处理的？在构建如此大规模、高质量的数据集时，你们面临的最大技术挑战是什么？

林咏华：原始的数据的确会有很多不同的价值观、偏见等。我们会训练特定的模型，设计各种规则，对数据集进行清洗和过滤。经过清洗和过滤之后，可以大幅减少这些问题对数据集的影响。但是毕竟数据集为中英双语，规模超过30TB，无法保证每一行数据都无误或来源准确。作为数据集的提供方，我们正凭借自有技术能力努力做得更好。

打造开源数据集，最难的是预判用户需求。用户遍布千行百业，众口难调。今年我们采取了两项重要措施：其一，为CCI数据集打上详尽的标签，仅质量维度便分为高、中、低三级，用户可按标签自行过滤；其二，推出工具平台“数据魔方”，从“我们猜用户要什么”转为“用户自己定义要什么”。用户只需用一两句自然语言描述自己的需求，平台即可从海量数据中即时聚合符合条件的数据集并提供下载服务，让每位应用开发者或行业模型开发者都能取用所需数据。我们近期还会开源一项重要的具身智能数据集RoboCOIN，这是全球本体数最多、标注最细、使用最便捷的双臂机器人操作数据集。

（图/《机械姬》电影剧照）

新周刊：为什么需要提供低质量的数据集？

林咏华：对于特别低质量的数据，我们会直接过滤，但是总会有通过打分来区分的稍低质量的数据。大模型在学习的时候，不能完全依靠高质量数据——如果只见过高质量数据，日后的容错性就比较低。比如，很多时候可能会有一些同音字错误，如果大模型只学习了正确的写法，当咱们问的问题里头掺杂了几个同音错字，它可能就回答不出来了。

同样，我们不仅需要提供成功的数据，也得提供一些失败的数据。见过失败的数据，模型才能够自我纠错。例如让它去拿一瓶水，可能它会将水推倒，那它就知道这瓶水倒了之后，接下来要干什么；如果永远只是正向地告诉它这瓶水该这么拿，那么万一这瓶水倒了，它就不知道该怎么做了。

新周刊：普通人使用AI工具时，常常很难判断各家AI工具的优劣。能否谈谈你们在AI大模型评测方面的理念和方法论？一个客观、科学的评测体系对于引导大模型技术健康发展有多重要？

林咏华：我们一直认为，大模型评测的核心是“以评促优”，即通过评测推动模型变得更加优秀。因此在我们看来，打榜（即让模型在公开的测试平台或榜单上进行“考试”或“擂台PK”，用分数或排名来展示自己当前的能力水平）本身是一件特别次要的事情。如今，众多榜单反复测试的，很多都是常识问答题、数学题、编程题等。逻辑答题能力虽然重要，但如果评测始终围绕这类能力打转，行业便容易忽视对新能力的探索。我们的理念始终是：有能力去设计更新颖的评测维度，可以挖掘模型尚未暴露的问题，并引导大模型企业向这些新能力进发。

智源大模型评测团队自2022年起就持续挖掘和评估大模型能力。语言模型刚兴起时，我们已着手相关工作。2024年，我们多次发版公布结果，并与北京市海淀区教委合作，邀请海淀区教师出了一系列覆盖小学三年级至高中三年级、涵盖多科目的K12新题，确保这些资料是模型从未见过的，再评测模型的测试结果，并与人类智力水平——例如海淀区学生的平均水平，进行对比。

今年年初，我们决定启动全新的推理逻辑评测，原因在于当前大模型的能力已迈上新台阶，沿用旧有评估方法已难以挖掘更多问题。因此，自今年3月开始，我们花费了大半年时间投入全新的、针对逻辑推理能力的题库建设，其中大量题目需人工主观评定，耗时极长。我们针对DeepSeek等模型的逻辑推理的新特性——先输出长段思考过程，再给出结论——搭建了评测集、评测方法和评测基准。我们也刚发布了一套全新的逻辑推理评测体系。

（图/来源网站unsplash）

当前用户普遍关心的是，面对复杂的、未收录的提问，模型能否答对。但是，模型输出推理需消耗大量token，成本最终仍会折算到消费者或企业的账单上。因此，新评测不仅比较哪种大模型能在逻辑推理上攻克更陌生、更复杂的问题，还要比较哪种大模型能用更少的token、更低的成本给出正确答案。

再举一个例子。大模型有时候输出的答案是对的，但“思考”或者推理的过程可能全是错的；也有一些情况中，过程是对的，但输出的结果却是错的。其实很多时候，这不光是用户关心的问题，大模型企业也很关心——企业方也想从评测里知道，现在大模型普遍存在什么样的问题。

新周刊：你强调打破中心化、封闭的“烟囱式”生态，是什么意思？

林咏华：AI硬件的形态还远远没有收敛。把人脑跟AI芯片对比，人脑可以用百万分之一的功耗、万分之一的训练数据量，就达到与现在大模型持平的智力水平。这说明，人脑无论是在结构的高效性还是在学习方法的高效性上，仍然远优于现有的AI芯片架构或算法模式。正因如此，硬件的颠覆性创新还将持续。

（图/作者提供）

问题在于，每一款芯片从设计到批量落地，投资都高达几亿元甚至更多。如果上层的软件完全用不起来或者不能适配，新的芯片就无法被大范围、便捷地使用，投资也就打了水漂。这样的话，试问谁还敢再投资下一款创新芯片？这必然阻碍芯片的创新，也阻碍AI能力的提升。

因此，我们希望打造一个开放的计算生态：底层是各种AI芯片，上层是各种AI算法和模型，中间原本是烟囱式垂直割裂的软件生态，现在我们希望与业界一起打造统一开源的基础软件栈，让创新的大模型算法可以用同一套技术栈运行各种AI硬件。

这样做的好处有二：第一，开发者、用户、企业可以按需选用芯片，选择多了，芯片的价格自然下降，使用门槛更低；第二，制作AI硬件的企业和芯片创新企业可以专注于下一代架构创新，而上面的软件栈由社区共同推进，实现产业分工。

这项技术相当具有挑战性。我们目前正在联合多个科研机构的力量，共同打造一套统一开源、面向多种AI芯片的系统软件栈——众智FlagOS，向下要兼顾不同芯片的架构，并让每种芯片都能极致发挥其性能。然而，“统一”与“极致”之间天然存在矛盾——如果只追求统一，所有芯片可能只能停留在中位性能；如果放弃统一，单一芯片虽可做到极致，却失去了通用性。如何平衡两者，是设计上的核心难点。

这是从芯片角度出发的思考。向上层看，还存在用户开发语言发散的问题。用户可能直接在语言层开发AI算法，而语言层本身正逐渐发散成多种编程语言。我们无法强迫开发者只能使用某一种语言。因此，中间技术栈既要平衡下方芯片的差异，又要兼顾上方用户对各类开发语言的选择需求。

新周刊：一种常见的忧虑是把人类与AI对立起来，担忧AI有朝一日会替代或毁灭人类。也有像唐娜·哈拉维这样的女性思想家会用“后人类主义”确立起新的开放式框架，换一个角度去思考人机之间的情感联结。从一个技术实践者的角度看，你如何看待人类与AI的未来？

《类人猿、赛博格和女人：自然的重塑》

[美]唐娜·哈拉维 著

陈静 译

河南大学出版社，2016-12

林咏华：我始终认为未来必然是人机协同。例如智源在打造众智FlagOS技术栈的过程中，为加快迭代，让生态更蓬勃，我们正在大量使用大模型和AI自动化方式，使技术栈对算法场景的覆盖迭代速度更快。

这个过程本质上就是人机协同：我们构建的技术栈本身服务于AI发展，未来将孕育出更好的芯片与算法；同时，我们也用AI来加速技术栈自身的迭代。今年，我们发布了名为Triton-Copilot的自动化AI工具，用于帮助大模型的开发人员自动生成Triton语言的算子。我们非常相信人机协同的价值。

当然，其中确有必须守住的红线。若在某些场景下刻意用AI作恶，必然引发灾难性后果。这也正是当前人工智能学术界与产业界已形成的共识：AI安全与“AI向善”必须深深刻进所有从业者的脑海，大家共同守住这一底线。所谓“道高一尺，魔高一丈”，因此AI安全研究不可或缺。智源也已确立AI安全的研究方向，专门探讨“矛与盾”的问题。

696期杂志

《她世纪2.0》已上市