科技成果转化的最后一公里

“我们学校根本就不鼓励老师从事科研成果转化。”在一所高校的办公室里，一位工科学院的老教授否定得果决。尽管帮助不少企业解决生产自动化难题，这位教授的大部分时间仍是科研和教学，办公桌上还放着未改完的学生作业。

办公室临着实验室，从办公室的小窗望出去，学生们正在对各种机械设备进行测试。作为研究机械工程的教授，他从教以来，参加了多个产业化项目，从最早的“863计划”，他便参与其中，主要是为工厂提供自动化设备解决方案，常常亲自到企业，呆上几个月时间。

即便如此，在他看来，学校的评价体系仍旧是论文导向。“不被主流评价体系认可，也是一件很孤单的事情。”对于评价体系这一点，另一位在科研院所长期从事产业化的科研人员深有体会。他们看来，尽管政策上不断出台规定，鼓励科技成果转化，但许多院所和高校在评价体系却仍旧保留原样，打击了科研人员的转化热情。

尽管这几年来我们不断推出《科技成果转化法》的修订和细则，但在落地上存在较多问题，原因在于相关的细则和规定，并未明确，导致各单位院所的落实细则不同。

除了评价体系之外，熊鸿儒发现，目前科研人员转化激励面临净收入难核算、税负偏重等问题，还有新出台的减半征税政策落实难的问题；一些单位管理制度建设跟不上，法人责任不积极落实；由于鼓励政策与问责标准存在不一致，科研人员存在顾虑；改革的“过渡期”问题:从“严规定、宽执行”转向“宽规定、严执行”，一些科研人员的获得感不强。并且，科技风险投资机制不完善。一位投资机构投资人也表示，许多没有成果转化经验的单位给他们的反馈是，不想做科技成果转化，因为有风险，不如不做。

虽然现行的政策鼓励科研人员离岗创业，但在实施过程中，真正离岗创业的科研人员寥寥。一位科研院所的研究员告诉记者，他更愿意科研和产业化“两条腿走路”，曾经也有几位同事离岗创业，但都失败了。“有产业化能力的人，万事俱备，可以下海，没有把握最好还是别去。”他说，创业留职留薪三年这事儿，这位研究员也并不乐观，他认为政策的背后还有太多利益需要平衡，“尽管出了政策可以停薪留职，但对研究所来说，要怎么发展？如果大家都出去创业，对所里没有一点贡献的话，院所怎么办？”也正因为这个原因，一些科研院所对于离岗创业政策并不积极。这位研究员认为，较好的方法是能够鼓励公司去创新，让研究所的人到公司去，帮助公司创新。

学者观察

李纪珍所在团队的研究发现，科学家或学者，在学术创业的过程中发挥的作用与企业的经营绩效和吸引风投的成功率相关，这也是学术创业相比其它类型的创业不同之处。

另外，由于大学要参与各类排名，导致不同大学对学术创业的态度不一样，比如在各类大学排名的影响下，排在最前面和最后面的中国大学，总体来说对学术创业积极性不高。反而是排在最中间的高校对于学术创业最有积极性，其中的一个解释是大学排名主要考虑教学和研究成果，使得排名靠前的大学总体上缺乏动力去进行科技成果转化，排名靠后的大学总体上没有能力去进行科技成果转化。

熊鸿儒表示，针对目前政策落地面临的问题需要继续出台鼓励与规范性制度的配套政策细则，解决好政策落实的“最后一公里”问题；加强不同政策、不同部门、不同层级(权属)之间的协调，增强政策一致性，做实容错与免责机制；加快培育专业化技术转移机构和人才 (技术经理人队伍)，建立完善可持续的利益分配机制；进一步深化高校及科研院所的事业单位改革，切实扩大自主权，促进科技、产业、投资融合对接；鼓励和包容多样性，及时总结好的经验，加强国家技术转移体系建设。

在经济观察报闭门会议上，专家称，社会缺乏对工程师群体的尊重与认可，弘扬“工匠”精神在现实中难以落实，优秀人才都在离开这个群体。各级“双创人才”要么是教授、长江学者，要么是企业的董事长、总经理，工程师几乎没有被列入人才序列。目前，创业企业找一个CEO不难，找一个营销总监也不难，最困难的是找一个CTO和几个能够落实技术方案的工程师。工程师的问题也许是中国将来做技术商业化的一个短板，这个短板相信5年之内会显现出来。

一线体验

麦歌算法科技CEO王晓东表示，科技型初创企业要平衡的一件事就是科研与企业，但这两者的关系甚远。首先需要了解二者的目的，科研的本质是解决问题，企业的目的是盈利。

王晓东的团队完全是从科研走出来的队伍，做医学文本的自然语言处理。他举例，在这个领域，第一家公司通过深度学习做体内器官的分割，每个模块大概一百多兆，分割的准确率达到98%，整个胸腔的切割加起来需要1G。第二家公司做同样的产品，每个模块只需要8兆，总共一套胸腔切割加起来是100兆左右，只不过准确率低一些，大概是97%。两款产品如果拿到企业客户那里，他们会认为第二块产品更好，因为在现实场景中，如果要将这款产品运用在医院，需要适应医院陈旧的设备，很多设备甚至连Win10系统都没有，1个G的内存放到医院的系统上无法运行。但反过来，如果放到科研人员眼里，却是第一款产品胜出，因为准确率高。这是两种不同的思维造成的。

因此，截然相反的目的使得科研人员有时很难转变思维。例如，当科研人员做研究时，会通过一些数据集做测试，这些数据集标注非常完善，科研人员一起做算法、模型、最后得出一个很漂亮的结果。但真正产业化落地时，往往没有一个完善的数据集，里面都是现实中会遇到的问题、错别字、格式不清晰等。当科研人员要接手这样的产业化项目时，重点成了处理这些数据，而不是做模型测试。我们在实践过程中也会遇到可能曾经在科研上进行多年，已经做到极致的项目，行业落地时困难重重。