做了人工智慧獨立研究很多年，如何找出路？

11-24

被創業／就業／讀博的問題困擾 10+ 年，希望有人能幫助解決，萬分感激。

我的情況非常獨特，你們可能未見過這樣的人……

45 歲，香港人。（但我是很 atypical 的香港人，所以這個標籤或許沒有什麼意義）

2004 年從 New York 某大學本科畢業（那間大學名氣不大），學位是 triple minor 的 undergrad： computer science, chemistry, English literature. 我讀過的科目太多，不在此列舉了……

2004 之後回到香港，從此在家研究人工智慧，沒有賺過錢也沒有工作經驗，其實我這輩子除了暑期工外未工作過，但不斷在嘗試創業（有僱用過各式人士，包括 PhD 和教授）。（在研究方面有和其他學界的研究者交流，主要是美國人）

以前有一點資本，但現在已所剩無幾，其實我來自一中產家庭，勉強算 upper middle class，父母能給我的資本已差不多用盡。

曾經 published in peer-reviewed journal (AI conference)，但我感覺我最新發表的論文已經在研究的最前沿，在亞洲甚至國際也很少人能讀懂，但我相信我研究的方向是很有價值的。

由於本科畢業已經是 2004，現在就算考 master 也可能因為學歷太舊而有問題。而且非常浪費時間。

想創業（這其實是我研究的目的，不是純粹為學術），但找不到合作者，因為看懂我論文所需的門檻也很高。（這是其中一篇論文：知乎專欄）

想在 arXiv 發表論文（便於和廣大研究者溝通），但需要 cs.ai endorsement，如有人可幫助請私訊。

有想過用「眾創」的方式，但我不能兼顧那創業的部分，始終覺得需要起碼一個或以上 co-founder(s)。不介意 open-source。

商業應用的目標是：一個普適智能系統 (general AI)，有簡單邏輯思考的能力，其智能或許相當於小動物／小孩。但我的 focus 不同於機器人 (robotics) 那方面，可以配合／控制機器人。

其實我自己也意識到，又做研究又創業的成功例子是絕無僅有的（我也想不起有誰能做到），但我從一開始就有這個目標，現在不知怎樣繼續下去，又不想讓努力付諸東流，十分痛苦。謝謝你們

====== 補充 ======
1）不是我不屑進大學，而是進不了大學！香港研究員學位嚴重不夠，競爭激烈，我成績沒那麼好，成績也過了期。有時我看到某些研究生／教授出的 paper 水平也是一般（這當然是有的），心中有點 bitter，但我不怪他們，因為這是科技落後的整體結構性問題。

2）我有幾方面贏在起跑線上： A）初中時有人教我電腦，計算機基礎課程我在初中已掌握，當時是 1980s 年代。 B）在名校任教的姨媽作弊讓我進了名校畢業。C）父親在殖民政府當警察令我一輩子不用工作。

3）似乎我贏在起跑線令一些人羨慕／忌恨／不舒服，但當我到美國留學時我也感到自己輸了在起跑線上。既然我的 unfair advantages 有 unethical 的淵源，相信最好的解決辦法是我自願對香港／中國作一些無償貢獻，但如果某些人因為我贏在起跑線而不願合作的話，那是一種資源的浪費，妨礙了我們／中國的進步。

4）我的理論仍在發展，當然有打算 implement。我不斷有寫代碼、做 prototype，但還未到能發表 demo 的地步。

5） AI 不是一個單人可以完成的項目，找合作者是很明智的做法。現時香港／內地似乎沒有專註在 general AI 的公司（或者規模很小，我仍未有聽聞），有的只是某些大公司內的 AI labs，例如百度、華為、阿里……等。

6）批評我論文的人請直接指出哪裡有不善之處，有建設性的批評當然是好的。

7）請不要糾結什麼「文科」的問題，每個人的長處／短處不同，這不是比武大會，關鍵是合作。但整體上中國文人太多，科技人材不夠。

我看了一下你的博客，感覺樓主什麼都懂一點但什麼都不精，喜歡東拉西扯，其實很多基本理論和基本概念是完全不對的。我這裡具體舉幾個例子吧：

1. 說輸入有微小變化，輸出變化極大，這個和動力系統里的混沌不能混為一談，更不是unpredictable。另外，一個系統反向混沌正向就混沌了？
2. Symplectic structure有用到么？沒有用到為什麼要提？樓主把辛幾何的定義寫一下看看？
3. backprop那張圖底下的domain是泛函空間么？明顯不是啊。

建議拋棄這些似是而非的理論，先深入一個方向好好動手做一做，先match state-of-the-art，就算在簡單數據集上跑一個不錯的結果都可以啊。開始寫代碼（或者做數學證明）的時候，一定會發現腦子裡很多概念寫不下來，因為那些都很模糊甚至相互矛盾。等到寫出代碼並且可以運行，能跑出有意義的結果了，思路就會清楚很多。這個過程往往很痛苦，但是一定得經歷，這個是從民科到科班的必要步驟。

最後祝你好運。

當問題描述看到一半時，我就覺得題主一定是香港的Yan King Yin 先生。Yan先生在fb上組織了一個machine learning group（https://www.facebook.com/groups/440406242672213/），我4，5年前還在香港讀碩士的時候就無意之中加入了這個群。Yan先生經常在群里分享自己的AI研究心得（圖文並茂，歡迎能翻牆的同學去看看），帖子裡面各種logic公式看得我一愣一愣的，我當時還以為他是香港哪間學校的老師，查了下資料才比較震驚地發現是位獨立研究者。

講真，我是非常佩服這樣的獨立研究者。我自己感覺Yan先生並不是大家所說的民科（這裡順便提一句，我mit郵箱經常收到民科學者郵寄過來的論文，聲稱自己搞了個物理大統一理論之類的東西，邀請評論，真是謝邀。。）。我印象中，幾年前Yan先生研究的東西我覺得是傳統經典AI，就是基於logic, reasoning, control等rule-based, top-down AI。目前的方向感覺是在往deep learning，deep reinforcement learning轉。文章裡面很多argument和邏輯也是正確的，能感覺到作者有系統研讀過相關領域的教材。感興趣的朋友可以自己去看看題主的知乎回答（甄景賢 - 知乎）。

目前基於傳統AI（top-down，rule-based AI）的研究基本已經停滯，更火的是data-driven, bottom-up AI，代表就是利用神經網路從數據裡面學習，去做各種function approximator 。我最近在幫一個雜誌翻譯一篇New Scientist的科普文，其簡明講述了AI的發展史（The road to artificial intelligence: A case of data over theory)。題主在往這個比較熱的方向轉，是非常正確的決定。如果要我提個意見，我覺得題主可以考慮專註於一個具體問題，而不是general AI，多考慮在實驗上面如何證明自己的一個理論有效。比如說你做DRL的新演算法，能在DeepMind Lab上，或者OpenAI Universe上找些有意思的遊戲跑個分數和結果，那麼更能讓人信服你這個理論和模型確實work。

另外，雖然這也許很俗，但長遠來說一個decent的PhD學位對以後從事研究工作會有很大幫助。PhD的幾年，至少你會是在一個學術community裡面，有更多喜歡學術的人跟你交流，也會有更多人seriously對待你的研究工作。目前題主的情況，也許可以考慮在大學裡面做個RA，technician，或者lecturer，更能有自己的研究空間時間，和接觸到更多的研究者。

其實我寫這個回答的目的之一，是希望有更多的朋友能看到題主Yan先生的研究工作，希望能幫Yan先生找到合適的合作者。畢竟這樣對研究如此一往情深的人不多了。

恭賀新禧。除夕。

大年初一對原答案的補充。

首先，非常感謝最高贊答案 @周博磊的詳盡表述，讓我意識到自己的見識還十分地淺顯。慚愧之餘，見賢思齊。

其次，我已經和題主在評論區有更加深入的交流，對於題主的探索精神，發自內心的欽佩。

路漫漫其修遠兮，雖九死其猶未悔！

新年快樂，萬事順意！

【原答案】

題主您好！

我仔細地閱讀了您的問題，也瀏覽了目前的答案以及評論區，還粗略地看了您的兩篇「論文」。

我本人在北大深圳讀研究生，研究方向恰是AIMLDL，也算是和您一樣的人工智慧」第一線作戰人員「。

因此，想冒昧地跟您表達一下我的幾點看法：

（1）警惕自己不要陷入「民科「的思維怪圈，也要警惕自己無意之間的偏執；

（2）真的要想辦法深入學術和工業界的最前線，深入交流：

①我看題主的字裡行間，透露出一絲天下皆醉我獨醒的味道，不過我希望這是我的錯覺呦；

②無論是AI的前沿學術進展，還是AI的創業最前線，都堪稱是風起雲湧。題主閱歷豐富，我想在這一方面所能掌控的信息和資源肯定遠遠超過我。未知是否有非常常規和密切的交流呢？

（3）我願意相信，題主經過自己的獨立的探索和研究，很多地方有自己的獨到的、科學的見解。那麼，你遇到的問題，肯定不是三言兩語就能夠說清楚的。所以，我想，定點定向、專人專答的深入交流，或許才能真正地幫到你吧。

祝好！

先佔坑後面有空我會站在一個reviewer的角度給你一個審稿意見
--
題主最終目的是創業領域是：general AI
為了這個目標你需要做如下準備：
1.去一個最牛的實驗室跟隨一個世界範圍top的教授（四大的機器學習實驗室）
2.做一個偏應用的課題（項目），發表一些最頂尖的論文（比如NIPS AAAI ICML等）並且實現出來申請專利
3.去DeepMind或者FAIR工作幾年積累下資源
4.組團隊開始創業（比如斯坦福的MBA）開始拉天使投資...
--
我一直覺得找不到好工作的人也沒法成為一個優秀的創業者
我們從一個VC的角度來評估一個團隊和項目的時候會考慮如下這些東西：
CEO學歷職業履歷
團隊的背景及成員構成
項目本身的含金量（比如創新性有沒有專利...）
你們團隊有哪些資源，比如學術界工業的資源是否背後依託有一個最top的實驗室
...
那麼我們依次按照這些評估下題主的各項背景：
New York 某大學本科畢業（名氣不大）：默認CS專業專排不行非名校而且只是一個小本
其他讀的科目比如chemistry, English literature 對創業這方面似乎並沒有用
在家獨立做科研沒有top conference的成果沒有任何專利
沒有工作過沒有耀眼的職業履歷
...
--
關於做科研
題主是在家研究人工智慧
並沒有受過科學的學術訓練
科研是個圈不能閉門造車就算智商如愛因斯坦也是純正的ETH科班出身

做科研最重要的是：
1.需要有最top的教授給你畫個圈指引方向表示這個領域有金子（確定一個小的領域）
2.平時能給你及時的反饋
3.同實驗室師兄弟的手把手帶領和學習
可以參考一下我的回答：在讀碩或者 Ph.D 階段有一個優秀的導師是一種怎樣的體驗？

建議題主可以投一個諸如ACL的short paper這種看一下本領域的同行審稿意見和反饋
不要直接一句：我感覺我最新發表的論文已經在研究的最前沿，在亞洲甚至國際也很少人能讀懂，但我相信我研究的方向是很有價值的。

有機會的話多出去開會像去年的NIPS 就有很多工業界的人去聽Andrew Ng的主題演講，題主去參加這種level的會議應該會碰到同行
NIPS 2016盤點和資源：知乎專欄

此外，題主說的曾經 published in peer-reviewed journal (AI conference)，不是NIPS，AAAI，ICML，ACL這種級別，反正我沒聽過（鄙人雖然不才但是讀的paper還是挺多也很挑食我沒聽過的一定不是有價值的conference）AAAI尚且有很水的paper 更何況...

總之我們這個領域更看重 top conference paper.
而且在arXiv發表論文並沒有用我們發在arXiv上面只是因為審稿時間比較久怕中間idea被別人搶先

題主如果目的是為了和peer researcher溝通，為什麼不直接找top conference 投paper然後過去開會呢直接過去參會也是可以的一同過去開會的就是本領域最頂尖的researcher 不一定廣大科研畢竟還是小圈子
--
題主為什麼總覺得學術界的東西不實用？在AI領域還真不是這樣
NIPS WSDM AAAI有很多paper 還有一些比賽track 做出的成果都是貨真價值可以直接應用在工業界的比如圖像處理人臉識別語音識別等等這些領域 precision提高了多少個點就是可以直接拿來用在工業界的

像Facebook Google baidu 這些AI巨頭需要研發無人車等項目的時候都是直接去CMU 斯坦福挖團隊
怎麼會不實用。

--
此外，題主說的：做研究又創業的成功例子是絕無僅有的。這是不對的當你成為一個top researcher手裡有很多學術界的資源 top paper以及專利的時候創業是自然而然的事情而且這種創業成功的概率更大不是那種小打小鬧騙風投的項目更多投資人會願意投你

創業最講求的就是順其自然還有團隊合作而且IT領域的創業思路和傳統行業並不相同我感覺題主的創業思路似乎沒有跟上這個時代
--
關於審稿意見：
我大概看了一下，第一印象如下：
1.題主更像是在提出一種猜想不能算是完整的research paper
2.沒有benchmark和evaluation part
3.References部分貌似只有一篇1988年的ACL？其他的引用都是太老的理論。你應該有一個related work part，說說當前世界範圍內最前沿的相關研究進展以及他們的優缺點。文中倒是提了一句Google家的word2vec，如果你可以拿它當baseline 然後打敗了它，才更有說服力。
4.如果是發表用的話，你paper里的圖和理論好像大多數都是別人的，你只是在做introduction部分而已，換言之，我看不到你的Proposed scheme和Evaluation這兩個最關鍵的部分到底做了些什麼工作。

--
DeepMind也是致力於general AI，而且已經搞出了大新聞此處感謝阿爾法狗。

建議題主可以嘗試先加入DeepMind和FAIR 參與下工業界前沿的科研
Careers | DeepMind
https://research.fb.com/category/facebook-ai-research-fair/
不過貌似至少需要一個Machine Learning領域的Ph.D

--
題主的research貌似側重於提出一個通用AI的理論但自己更傾向於偏應用的創業
這讓我有點搞不懂了似乎目前這個階段 NLP text mining 圖像識別等等這些領域更適合創業

題主如果以後想把研究課題定在reinforcement learning 這個方向是極好的優秀的教授和實驗室也很多不應該出現沒有合作者以及沒有教授看得懂的情況

最後 表達一下對題主的敬佩 雖然我一般寫審稿意見的時候語氣比較批判和犀利（我總是說別人的paper technically shallow 我老闆總會給我改過來orz）
但本意還是在貢獻自己的所學希望能提供idea 幫到一些忙（生活中我一般兼任一個中肯公正的諍友角色）
順祝題主一切順利新年快樂！

首先，敬佩題主的努力和毅力。
個人覺得無論是為了創業還是別的什麼目的做科研都無可厚非，只是科研本身難度極大，不確定性太多，需要很強的承受能力，題主走到今天，一定非常不易。
話說回來，科學之所以為科學，不就在於其本身的「自證」屬性嗎？（不知道這樣說是否準確，請大神指正）它是一個「客觀」的世界，對的不因為多數人支持而變得更對，也不因堅持的人少而變成錯的。所以沒必要因為得不到別人的認同而沮喪，如果別人不相信，show it。
所以，歸根結底，優秀的理論同樣也需要有優秀的結果。我建議像之前答主所說刷一些標準化測試，或者憑一己之力先做一個可驗證可展示的demo。共勉。

_
謝邀。根據先生目前的情況，在下建議同步進行。

OP1：想做研究，考Master然後PHD，這樣能夠讓你的idea被重視，畢竟學歷也是實力的體現之一。
OP2：想創業，找工程師把想法實現，讓 result 說話，請領域內專家提建議or直接聯繫天使投資人。

做研究和創業本是不同的人生，不然矽谷每年也不會有那麼多人輟學創業。

諾貝爾物理獎得主Brian David Josephson等很多位科學家都被 arXiv 審稿人者退稿而進行抗議，先生可以去viXra試試。

證明理論的最好方法是實踐，格瓦拉說過，讓我們終於理想，讓我們面對現實。

以上，共勉。
_

看了一下你的論文。感覺你的第一個方法本質是用連續空間上的神經網路逼近離散空間上的邏輯結構，有很嚴重的維度災難問題。
第二個方法，我不太熟悉關係代數，抱歉不能提供思路

樓主，我是做平面設計的，也算是個獨行俠，在我的設計思路里有一個萬年不變的準則就是：痛苦之處便是出路所在，因為別人走過的路絕對不會有機會再留給你。獨立研究者，一定要避開主流路線，才有希望。

我也有類似的想法，題主就是一個活生生的例子，不得不說，很感謝分享你的故事。肯定有很多人也有題主這樣的想法。
在我看來，所謂的 general AI 是人工智慧的終極，能夠解決人腦思考、學習、決策、以及認識自我的問題，這是現代人面臨的最大問題，但目前沒有任何方法可以幫助解決這類問題。
我看了題主的兩篇論文，我覺得真正意義上的人工智慧，最後肯定是結合很多種不同的演算法，神經網路，遺傳演算法，貝葉斯等等，但是對於語言、意識、大腦結構的理解，肯定也是必須的。
關於邏輯與神經網路之間的橋，這種工作很有意義，屬於基礎性研究，但是要用於創業，我認為還是需要為他人創造實際的價值。
學術研究的價值存在於未知的將來，而商業的本質是價值交換，題主既然已經有了這麼多年的知識積累，我想應用於現實的需求應該不難。現實需求這東西不好說，需要不停驗證有效性。既然已經沒錢了，那我想題主應該也想好自己的出路了吧。如果自己無法尋找到創業機會，加入已有的團隊也好啊。
另外，一點題外話，單獨的個人很難在社會上得到別人的信任，但是如果你得到了一個比較權威的個人或組織的信任，那麼其他人就會很容易信任你。

CS方向（具體說來是深度學習方向）不同於數學，純做理論會比較難，題主可以考慮先在標準資料庫上跑一個好結果出來。
會議上的展示，審稿人的評判，最終都會落到——「在什麼數據集上提高了幾個點」這個問題。
這很殘酷，很「不優美」，但是這是現在整個深度學習方向的大環境。
當年深度學習之所以火起來，也是因為Hinton他們搞出來的AlexNet結構在ILSVRC上取得了「令人震驚」的效果。
因為題主已經離開學術圈很多年了，一時間引起大家的注意不太容易。比較好的策略就是刷一下ILSVRC或者kaggle等比賽，只要拿到了不錯的效果，就可以以論文或者別的什麼形式報告自己的工作，也容易引起大家的注意和興趣。只要手上有性能優秀的演算法，無論是重新投身學術界，還是去創業，都更容易吸引各種資源。
===============我是補充的分割線===============
標準資料庫有意義嗎？

有，也沒有。

認識ImageNet上那些圖片有嘛用，難不成我用這個教小孩認字學單詞？KITTI又有嘛用，誰真照著這個開車？
但是，我在ImageNet上top1 error刷到5%，說明我牛逼，我的演算法靠譜，比你們不知道高到哪裡去了。
玩明白KITTI，不意味著自動駕駛馬上上路，但是連KITTI都玩不明白，就別想著做自動駕駛了。

標準資料庫就像高考、SAT、雅思、GRE，是人工智慧領域的「標準化」考試，玩的明白，說明這人牛逼。高考考得好不見得一定能成人生贏家，但這是一種能力的證明，是通行證、是敲門磚。

總而言之，我非常建議題主去刷標準資料庫，去打比賽練手，去證明自己演算法的能力，也順便學習調參、數據清洗的「dirty trick」。

==================想到哪兒說到哪兒的分割線==============
題主是不是更關心創（zhuan）業（qian）的事情？

其實在人工智慧領域，只要有技術，是不用擔心沒錢賺的。

因為人工智慧這邊（尤其是計算機視覺），很多技術都是很「好玩」的，比如前些陣子的小黃雞聊天，比如基於Neural Art的Prisma，比如現在好多基於RNN的作詞作曲軟體。

舉個最極端的例子，隨便搞出來一個demo，掛在網站上或者微信公眾號後台，只要足夠新足夠好玩，不愁沒人玩，說不定就刷爆朋友圈了。咱別的不會，掛上Google adsense上賺點廣告費總可以吧？

原來和朋友搞了一個公眾號（ForeignersInTianjin），現在沒人打理已經半死不活的了。我在後台掛了一個人臉識別，輸入人的照片輸出年齡和性別，還有一個小黃雞聊天，過年的時候親戚們還挺願意玩的23333

所以呢，加油吧題主！在咱們這行，有技術不缺錢的！

你先找個conference (aaai, nips, icml之類的), 把你的理論整理出來投出去. 幾個月後貼一下review意見, 已方便大家繼續評論.

先舉兩個例子：

一、80年代後期，玩『「波斯王子」時，突發奇想，為什麼我們天天學習的basic，fortran，不能把命令搞成圖片？非要輸入一大堆DOS命令,回來有個學長說：「你倒是挺那個什麼的，好像美國人有一個操作系統是這樣的」。想法卒。

二、後來有一次學校找學生輸入一部大塊頭的古典名著，我又突發奇想，為什麼不能做一個翻譯軟體？不久有個香港公司做了快易通。

其實世界上，當時的程序員有多少個先不說。但是肯定有1萬個在想我想的事。其中又只有1千個，真的想做，再其中只有100個嘗試了。只有10個堅持了。最後只有一個成功了。然後又沒有用起來，被另外兩個照著做了，於是今天的世界你看到了。。。。。。

所以，這樣想，肯定有無數的人在想著你同樣的想法，關鍵在於你自己要不要做出來？怎麼做？

其次，全身心的投入精神值得欽佩。建議最好和相關的機構或者組織合作，雖然這一點也是看機緣。這個年代已經不可能單兵作戰了。

再者，理論最好有實踐。起碼用什麼軟體，把自己的做法「映射」一下。因為理論可能沒有錯，甚至是絕頂正確的，但是目前沒有軟硬體能跑起來，那就只能留給後人了。文章說實話我是沒有太懂，只是建議。

就像古人對於自然現象的理解，造出來神話。說起「通用人工智慧」，以我的理解，目前只是神話。同樣的，量子力學也是目前物理學的神話。只是後面的這兩個神話，可能會被實現，就像人類學鳥飛一樣，只是一個提示人們可以的範例，至於怎麼實現，可能和原來的範例大相徑庭。

有個朋友說，「通用人工智慧」是上帝的視角。這真是目前人類面前的最大的一個潘多拉盒子，相信人類最終能夠處理好這個問題。

===================================================

補充一下 ^.^

最近一直關注著人工智慧，偶爾看看量子力學。所以先拿量子力學打個比喻：

我們理解的正常空間中，一個人感冒，比如41度了。你拿體溫計怎麼量都是41度。但是在量子世界：（重點）如果溫度計頭朝『』上」，我們量到+41度。如果溫度計頭朝"下"，我們量到-41度。如果溫度計"橫著量"，我們量到+41度或者-41度。事實擺在眼前，但是沒有人能解釋清楚，於是就有了六維空間的說法。所以對於這種現象，我把它稱為『』神話」。就是你知道確實存在但是並不明白的。當然這個比喻，物理系的人會笑話。

古人的神話，也許很多都是曾經存在的，只是當時解釋不了。

人工智慧也是。作為『』通用」的，這個神話在我看來現在是還沒有明確的思路。現有大部分人工智慧其實就是統計學的升級版本，沒有觸及到本質。這個大家都明白，不過多解釋。

先實現一個小目標：如果資料庫能夠做到保存的不是數據，而是函數，是一種多維度空間化的結構，相信可以邁出一小步。網上起碼看到有兩個人提到過，但是局限在數據結構還沒有清晰。

先切入一個具體的小的應用場景吧，越小越好，哪怕只有一個人用。周期越短越好，做一些立即可用的小工具。就是一堆腳本都行。

通用人工智慧是值得追求的目標，但那應該是諾干具體問題解決之後的總結，而非設計的冥想。

暫時先忘掉演算法本身，面向一些具體的問題。這些問題可能需要多種方法的混合。

當然ai沒有普世真理，以上說的對您的具體情況也不一定對。

（本人從事人工智慧研究多年，也是做邏輯推理和神經網路出身，現在在做金融的知識圖譜和自然語言處理應用）

沒有任何攻擊的意思。純粹站在圈外看看我的想法。
我是現在時刻關注智能行業。想跟風長遠賺錢的人。
看到題主。對您的精神很敬佩。

題主眼光超前。技術能力卓越。卻屢次創業失敗。有沒有考慮過，可能你技術很好。卻沒有具備一個領導者的能力，我不是指技術方面的。而是指經營能力一類。
我記得有一句話差不多是這樣講的。一家好的創業公司的老闆。都是好的銷售員。
你技術很過關。但是研究的方向是否是主流呢？
如果你研究的是主流方向。是否考慮低頭去進入行業top公司打工呢。
很大可能，對題主的交際能力會有很好的提升。因為看描述，感覺很工科男的語言描述(沒有歧視意思，工科男很簡單可愛)
畢竟這樣前瞻的行業。你的口才+你的能力。才能拉到投資者。
去看看成功的人是怎麼成功的。看看您欠缺了什麼。又比成功者多擁有了什麼，
畢竟。孔子講過。三人行必有我師。
因為題主問題是有能力，但是為什麼創業總是失敗。所以我冒昧說一下。如果不對。見諒。
對我的話。其他同志有什麼想法可以評價。但是請不要鄙視我。

晚上把閣下的其他回答、上面的論文、2015年的理論、以及在Google Code 上Genifer 項目的比較近期和比較遠期的文件大略地抽樣看過，包含投影片和AGI Book。

有下面感想, 比較散亂, 請不要見怪:

經營的博客十分分散和散亂, 沒有一個有流程的地方去解說自己的主要想法
一稿多投的情況會給人的刷存在感的印象
在分類上其實還算是algorithmic , 但是在近期把產生決定因子的方法改為依賴RNN 了, 那麼RNN 的可靠程度在這個項目中就影響到可行性, 外接PLN 的BN 其實真的很像人類的決策方式, 從語義分拆上入手BN 這個切入點不錯
切入點是不錯, 但我看不到幻想空間, 推動General AI 要費的人力物力很大, 就算知道要拋甚麼進去RNN, 編寫RNN 的費用也可想而知, 因此非營利背景的組織的號召力的幫助是不可缺少的, 如果可以組個像是OpenAI 的組織可能不錯, 不行的話也可以聯絡一下他們看看他們能不能收容
如果進入不了校園, 其實也可以像Ben 一樣參與點社區活動
我覺得像是在AGI方面的圈子打不開不是人們沒有前瞻性, 可能只是因為深度學習的現況還沒到要討論普適演算法的地步而已, 普適技巧可能是有一些
我也幻想到現在普適智能的處境很尷尬, 一來發文空間不多, 二來影響因子難推, 大學甚至arXiv也不會喜歡, 但其實可能也意味著這些內容的深度可能未足以作為獨立被參考的對象。

與題主有些情況類似，目前創業中，不請自來，談談我的想法

題主考慮的三個方向
讀博：我個人對科研充滿敬意，但奈何沉不下心來，對花花世界更有想法，想探知更多的領域，所以碩士畢業就趕緊進了家互聯網公司。
我就讀的是中科院，周圍環境的科研氣氛是很濃的。然而，計算機方向本身是一門重實踐的科學，老師們都需要在工程、科研之間尋找平衡點，而這個方向的又各種能夠創業點不斷湧現，所以所裡面的老師、學生某一天突然創業了也都不稀奇。早年間的聯想、曙光，我讀研那會兒的龍芯，以及最近的寒武紀。
如果題主能沉下心來，讀博其實挺好，靜下心來研究自己喜歡的方向，跟這個領域的人各種交流。然現在人工智慧這麼火，我個人是不考慮這條路的，因為現在是最好的將自己的想法付諸實踐的時刻（Timing點），總感覺不出來折騰折騰人生缺了點啥。

大公司：
我去的公司部門基本每天是碼代碼的，然後跟各種產品經理、市場、客服打交道，不屬於研究性質部門，所以不具備啥參考價值。前面答主的回答應該是這方面的專家。

創業：
因為現在在實踐自己的想法的路上，只說些思考的經歷，權當強化學習裡面的場景提供。
一直考慮的是技術創業，看了整個移動互聯網從興起、喧囂到現在的天下已分。創業是個天時地利人和都得講究的過程。地利和人和每個人都各有不同，所以沒法站在您的角度上看問題，主要聊聊天時。
天時是節奏點，過早或者過完都會極大增加難度。天時是說：一波創業潮流大致大致分為技術創業-產品創業-內容創業三個階段。創業潮的第一波是技術創業，或者說技術核心驅動的創業，代表如小米、DJI，憑藉著對於技術的把握，在移動互聯剛剛到來的時候，就跟著潮流迅速發展。第二波是產品創業，這時候技術已經不再是門檻了，idea是王道，往往以某個idea+產品的形勢出現，比如前兩年各種互聯產品、硬體。第三波就是所謂的內容創業潮流或者說跨領域創業了，各種o2o、自媒體、直播啥的，整個互聯網內部的金子都挖完了，這時候最好的辦法就是跨領域找機會。
AI創業，之前幾年幾乎覺著不可行，因為距離需求端太遙遠，不去大公司沒啥用武之地。不過前進的曠視（face++），商湯（sensetime）之類的公司，倒是找到了合適的點，在一個點上把技術做到了極致，做出了商業模式。早幾年，我一直以為這類創業方式不能在國內生存的（因為缺乏知識產權保護、大公司抄襲嚴重），題主可以看看。這是踩在「產品創業」潮基礎上的，很多中小公司都需要cv相關的技術，但自己搞成本太高，這就給了機會。
深度學習讓整個AI領域創業有了個絕佳的機會，核心在於，它整個把AI和產業結合的距離拉近了，產業化的可能性大大提高了。所以我的感覺是，未來兩年內，都是深度學習帶來的第一波技術潮，能不能抓的住，就各憑本事了。
地利，講求的是了解周圍的環境，尤其是產業環境。了解周圍大家都在研究些啥、哪些是熱點、哪些領域能做出彩，比如alpha go出來了，那可以推演到自己認識的哪些領域。這個相信題主涉獵各個點這麼多年，認知肯定非常豐富。而且，每個人所處的環境不同，這方面沒啥能給的建議。
人和，有兩方面，一個是知己，了解自己愛好啥（題主已經很明確了），以及自己的核心競爭力或者說強項是什麼，有啥是你乾的聊別人幹不了的。個人觀點，一個人研究東西，深度上往往不可能太深（因為缺乏與其他人的討論和競爭），但廣度上一般會比較廣泛（容易跟著自己的喜好就去了），那麼就順著自己走需要廣度的路線是最好的。人和另一個方面，是了解周圍的朋友，有哪些和你能配搭的夥伴，一起來做一件事情，而且要能力互補，談的上來，這樣才能成大事。
題主所說的general AI，如果「自己一個人」繼續搞下去，我建議是放棄，因為這麼做對深度要求非常高，更適合AI團隊，比如百度、阿里的研究院，個人研究下去太容易鑽牛角尖，而且很累，而且肯定沒有人家專門的團隊做的深。
不過從時機上講，在當下（技術創業階段），從廣度出發，與其它的產業，如各種機器人、硬體結合，很容易產生亮點。這樣先做起來個產品，然後能聚集到用戶，再聚集到更多人參與進來，有望在兩年（或者說必須在兩年的技術創業潮內完成）邁向一個新的起點，然後有了自己的AI團隊再說往深了搞。
如果目前沒準備好，那可以準備迎接兩年後的潮（產品創業），採取另一種辦法，在AI領域做深了，找到個點類似於Face++這種，提供SDK，和其他2B端的客戶結合，也是能迸發火花的（個人觀點，這方面的結合需求大概會在一到兩年後興起，屆時，深度學習技術已經由第一批的技術創業的團隊驗證了商業化意義，社會上對於深度學習有了更廣泛的需求，這時候產品創業的時機到了，但大部分產品團隊是不足以支撐深厚的技術積累的，這就是機會）。
如果前面兩件事情都沒做到，那基本就是3到4年之後，如果進入下一個內容創業階段，或者說跨領域結合階段，題主應當準備的是，和對某個領域比如餐飲、醫療、養老行業的人，結合其他領域資源來走。當然，那個時候不是技術核心了，如果堅持技術創業的話，基本這輪周期能找的點很少了。
所見十分有限，題主權當參考。

"但我感覺我最新發表的論文已經在研究的最前沿，在亞洲甚至國際也很少人能讀懂，但我相信我研究的方向是很有價值的。"
---- 我覺得當務之急是寫本書把你推進到前沿的idea讓儘可能多的人一起看看...... on intelligence 那種水平就行...

題主經歷和我有點像，所以很理解題主的感受和困境。不過話說回來，既然你搞的是研究，那就要用研究結果說話，這才是問題的關鍵。

看了一眼題主提供的文章，既然你進入了這個專業，就別自己被所謂「人工神經」等名詞騙了，一言蔽之，你研究的就是一種信息處理演算法。無論任何演算法，永遠達不到你想要實現的AGI理想，但作為演算法，你又沒有深入實踐，做出能改善具體目標的應用。

所以，你現在是兩頭不靠岸，上不著天，下不著地，自己痛苦，別人即使有心，也感覺很難找到切入點去幫你。我的建議很簡單，既然你覺得自己研究有用，那就找一個具體目標去實踐，光一個人臉識別這麼窄的需求都能冒出好幾個創業公司，你難道就找不到一個深耕目標？等你有了初步資源，你再去做更宏觀的研究也不遲。這也是我對自己的建議。

我有個小建議，不一定行，我不是搞科研的，只是一個讀電腦科學的畢業生。你或許可以試試？

我在一些Youtuber 得知，他們在Youtube 拍片(是關於machine learning), 而這個Youtuber 本身沒有任何CS 和 Maths 背景，只是精通python, 熱愛教學。他其中一段片提到他因為拍片而收到大公司 Google, Facebook 等等的offer。由於他有研究 algo trading, 所以引來不少financial firm 的人找他向他買data 定不知怎樣。如果你認為你研究的東西真有值值，就拍片讓更多世人知道研究的東西。

但他是一個白人，中國人有沒有這福氣我就不知道了。
他得Youtube username 是 : sentdex

你可以找找，不妨試試？
不知是否一條出路？

祝好運！

看到一樓的回答，發現您可以算是金庸武俠里的周伯通～～～(金迷)。我一個剛剛入門深度學習機器學習的小白倒是覺得你可以開班授課。講解一些自己的邏輯或學習心得。因為現在網課基本上什麼都有，把自己的名氣做大，然後從事工作應該比較好。