¿La investigación académica de CS es realmente valiosa? No he encontrado casi nada valioso o innovador en ellas (excepto casos muy raros en los que los autores tienen una conexión muy estrecha con la industria).

Tal vez en su campo no producen nada de valor. O tal vez solo estás leyendo los documentos equivocados.

Trabajo en sistemas distribuidos (almacenamiento, específicamente) y la investigación académica ha sido enormemente importante allí, dando lugar a todo tipo de cosas buenas:
1) tablas hash distribuidas, ahora utilizadas para todo tipo de cosas por la mayoría de los sistemas distribuidos en el mundo (BitTorrent podría ser la más famosa orientada al consumidor)
2) Ceph, el proyecto en el que trabajo, comenzó como investigación de posgrado
3) fragmentos fundamentales como el teorema CAP, Lamport y relojes vectoriales, etc., surgieron de la investigación académica.
4) el trabajo continuo en modelos de coherencia y programación distribuida está siendo realizado casi en su totalidad por académicos más que por la industria

En contraste con este trabajo, la industria ha producido sistemas reales más grandes utilizando estas herramientas, pero las mayores innovaciones públicas son menos importantes y menos extendidas fuera de algunas cosas, en gran parte de Google (Spanner es el que estoy pensando, y tal vez distribuido reducir mapa aunque Dios parece obvio ahora).

Por otro lado, he visto algunos documentos y conferencias que fueron realmente horribles. La diferencia es que puedes verlos, preservados en todo su esplendor y a menudo concentrados en conferencias de mediocridad de nivel inferior. Hay muchos estudiantes graduados incompetentes en todo el mundo que necesitan publicar en algún lugar para salir del sistema, al igual que hay muchos desarrolladores incompetentes y arquitectos de sistemas cuya investigación pésima resulta en proyectos cancelados, productos que nadie compra y un ciclo de saltando a nuevos trabajos.

Shriram, Ben y Gregory dan excelentes respuestas. Aquí están mis dos centavos. Después de realizar una pasantía en la industria, puedo decir que la mayor parte de la investigación que se realiza en la industria es específica del producto. Realmente no tiene sentido que una gran empresa se centre en la investigación pura de CS a costa de mejorar sus productos. Por lo tanto, la investigación científica básica se realiza en universidades y algunos laboratorios de investigación de la industria (como MSR, IBM Research, National Labs, etc.).

La investigación académica de CS es tan valiosa como la investigación académica de matemáticas o física, es decir, muy valiosa. Claro, a veces puede parecer esotérico. Pero esa es la naturaleza de la investigación. El hecho de que nadie entienda su investigación en este momento, o piense que es valioso, no significa que no va a ser un gran problema dentro de 20 años. Caso en el punto “Aprendizaje profundo”.

Hablas de “valor”. Como otros han preguntado, ¿cómo define “valor”? ¿Su definición de valor es: ¿Cuántas personas pueden comenzar a utilizar esta investigación en su vida diaria? Si es así, entonces ese no es el punto de la investigación académica. La investigación académica se enfoca en extender los límites del conocimiento humano en un campo particular. No le interesa crear herramientas para su uso inmediato. Ese es el trabajo de la industria.

También hablas de “innovación”. ¿Es su definición de innovación: cuán radicalmente diferente es de lo que se ha hecho antes? De nuevo, no es así como funciona la investigación científica. La investigación científica tiene que construir de forma incremental. Esto se debe a que al final del día los académicos realmente están presentando teorías, y esas teorías tienen que ser evaluadas y analizadas tanto experimental como analíticamente. La mejor manera de hacerlo es de forma incremental. Por lo tanto, puede parecer que el factor de innovación es bajo.

Esperemos que esto responda sus preguntas. Y me alegra que lo hayas preguntado.

Absolutamente nada. Esa es una declaración bastante fuerte.

Déjame decirte un ejemplo personal.

Fui investigador en una universidad local centrada en la informática de alto rendimiento. El estado del arte en ese momento eran los clústeres de productos básicos de estilo Beowulf que utilizan herramientas como MPI y PVM. Entonces, mi idea de HPC era construir clústeres construidos específicamente con software especialmente diseñado.

Alrededor de 2010, era un miembro de la facultad contactado por un equipo de investigación que realizaba un análisis de sentimientos que quería procesar sus datos más rápido de lo que se podía hacer en una sola PC. Sin embargo, no podría sugerir construir un clúster dedicado y escribir software personalizado solo para esto. Además, no aprecio la idea de sujetarlos durante todo el proceso engorroso. La barrera de entrada era demasiado alta. Debe haber algo más simple. Ingrese Apache Spark ™ y Apache ™ Hadoop®. Spark fue un proyecto de código abierto recientemente de los caballeros de la Universidad de California, Berkeley. Logramos que funcione rápidamente y la investigación se completó. Unos años después, todos hablan de Big Data con Spark. Spark es ahora el hijo del cartel de la industria para Big Data. Nació con orgullo en la Academia.

Respuesta corta: Sí, incluso si no de inmediato.

Respuesta larga: Regresé a la Universidad de Washington en St. Louis hace unas semanas y un amigo me hizo la misma pregunta en el pasillo. Parecía casi desmoralizado que la investigación académica no importara. Mi respuesta, ser nuevo en la investigación corporativa fue un sí inmediato. Incluso si la influencia comercial inmediata posterior de esa investigación no es evidente de inmediato, al menos, genera una conversación. Esa conversación en los pasillos de las conferencias académicas conduce a ideas y, a menudo, a más conversaciones. Eventualmente podría conducir a productos o generar ideas auxiliares. Aún más fundamental, es que la investigación académica es el campo de entrenamiento para todos los investigadores. Es donde aprendemos cómo hacer investigación. Entonces, sin esa base académica para aprender cómo hacer investigación (es decir, aprender a diseccionar críticamente ideas, defenderlas, comunicarlas, etc.) entonces la investigación comercial no existiría.

Si ve más valor en las grandes empresas y nuevas empresas, puede ver cuántos se fundaron en base a la investigación académica de CS. Justo dentro del área de sistemas informáticos y redes que conozco, algunos que me vienen a la mente son Arbor Networks, Akamai, Conviva, Databricks, Nicira, XenSource y las muchas compañías o productos en el espacio actual de software. redes definidas. Sin mencionar Internet en sí y todas las compañías fuera de esta área, por ejemplo, Duolingo o Google. Estoy seguro de que los lectores aquí pueden proporcionar una lista dramáticamente más larga.

Creo que la capitalización de mercado de estas empresas supera con creces la cantidad que la National Science Foundation gasta en investigación académica de CS (menos de $ 1b / año), que es la mayor fuente de financiación de investigación de CS.

Y al menos tan importante es la influencia de la investigación académica que es más indirecta o menos visible, incluido el trabajo y la educación fundacional de largo alcance.

Para mí, parece que la persona que hace esta pregunta no ha mirado los lugares correctos. Permítame responder esto usando mi propia experiencia personal.

1. Fundé dos empresas (Infocosm, Taalee) y cofundé otras dos (ezDI, Cognovi Labs). Tres de ellos se basan en investigaciones financiadas (en su mayoría fondos federales) realizadas en mi laboratorio de investigación académica que dieron como resultado tecnologías desarrolladas por primera vez en el laboratorio de investigación. Tanto yo como mis cofundadores vimos potencial comercial y licenciamos las tecnologías de las universidades donde hice la investigación para iniciar las respectivas empresas. Cada uno de los proyectos de investigación (todos correspondientes a las tres tecnologías con licencia y las cuatro empresas) están muy bien publicados (por ejemplo, consulte [1] y [2] para ver un subconjunto de la investigación o las patentes publicadas). El cuarto involucró mucha colaboración e investigación patrocinada por la compañía, complementada con pasantías de 6 de mis estudiantes en la compañía para desarrollar tecnología y productos innovadores ([3]).
2. Prácticamente el 100% de la investigación que llevamos a cabo involucra datos del mundo real (físico / sensor, cibernético / web, redes sociales, notas clínicas, etc.) (financiando aproximadamente 20 GRA, en su mayoría doctorados en un momento dado), colaboradores multidisciplinarios que interactuar con problemas y aplicaciones del mundo real todos los días (p. ej., médicos y cirujanos en ejercicio, epidemiólogos, investigadores biomédicos involucrados en disciplinas científicas, formuladores de políticas, etc.) y el impacto en el mundo real (para un solo ejemplo, ver [4]) .
3. Los estudiantes que realizan investigaciones y han publicado documentos relevantes para esta investigación eventualmente comercializada (prácticamente de ellos también realizan pasantías durante su trabajo académico) trabajaron para algunas de las principales empresas (por ejemplo, IBM Watson Division), donde continuaron utilizando las habilidades de investigación e innovación que aprendieron en entornos académicos para investigar más y desarrollar más tecnologías y productos.

Y hay muchos ejemplos exitosos en los que una empresa podría no haberse formado si no fuera por una idea / innovación concebida o desarrollada en el entorno académico. ¿Dónde estaban los fundadores de Google cuando el PageRank fue concebido / desarrollado?

[1] 15 años de búsqueda semántica y aplicaciones semánticas habilitadas para ontología [Algunas de las investigaciones que condujeron a Taalee / Voquette / Semagix]

[2] SoCS: Social Media Enhanced Organizacional Sensemaking in Emergency Response [Algunas de las investigaciones que condujeron a la tecnología Twitris que ahora se utiliza para configurar Cognovi Labs]

[3] Ayuda para HealthCare: Mapeo de notas clínicas no estructuradas a esquemas de codificación ICD-10 – DATAVERSITY (hay una serie de publicaciones relevantes para esta colaboración donde la investigación académica se benefició por el acceso a datos clínicos para evaluar la investigación y la empresa se benefició de numerosas maneras, incluyendo un enfoque innovador para resolver un problema problemático muy desafiante basado en la investigación académica.]

[4] Del estudio de redes sociales a la advertencia de la FDA: por qué las redes sociales pueden ser un canario en la mina de carbón [ejemplo de impacto en la política]

Eso realmente depende de su valor métrico. Como persona de sistemas, ciertamente veo que pasan muchas investigaciones de sistemas que creo que están detrás o a la par de lo que ya sucedió en la industria, no hay duda al respecto. Pero también veo un trabajo teórico y algorítmico que creo que es valioso. Entonces no todo no tiene valor.

Sí, los investigadores pueden y deben mantenerse más actualizados con la industria. Pero esa es su responsabilidad y es difícil obligarlos a hacer su trabajo.

Agregue: Algunos investigadores que creo que tienen un valor agregado: Tarjan (splay trees), Turner (diseño del interruptor), Luna-Garcia (Dual), Varghese (algo de búsqueda). Por supuesto, hay otros fuera de mis intereses.

¿Puedes definir el valor? Está usando implícitamente alguna definición de valor al juzgar estos documentos, por lo que sería muy útil para la discusión si pudiera definirlo, por más vago que sea.

Dicho esto, cuestiono su noción de que las empresas producen la mayor parte, si no todo, el valor, y su noción de que la industria está por delante del estado de la curva.

En mi experiencia, este no es el caso en absoluto. Si bien, hay lugares donde los académicos no pueden competir con la industria (en realidad no podemos construir los chips que diseñamos (aunque algunos de nosotros sí lo hacemos), no tenemos acceso a los centros de datos a escala de Google, no tenemos los datos para hacer varios estudios debido a restricciones de privacidad, etc.), en su mayor parte, la academia existe en CS para probar varios caminos e informar el futuro de la industria (muchas veces las personas hacen un trabajo de 10 años). . Puede que su trabajo no sea la mejor solución, pero es un nodo en el gráfico que necesitaba ser explorado, y en el curso debido del problema que se está explorando, todo el espacio de la solución se atribuye.

Hay otra faceta del conocimiento que debe provenir de la academia: conocimiento que no tiene valor monetario inmediato. La importancia de la mayoría del conocimiento es evidente mucho más tarde.

A2A. Lo que dijo Shriram …

Más allá de eso, claramente no ha estado “revisando” los documentos correctos.

Por ejemplo, ¿ha leído el artículo SOSP Xen de Cambridge (Xen y el arte de la virtualización), que introdujo hipervisores (junto con el trabajo Denali de UW)? Ese diseño permitió la computación en la nube tal como la conocemos hoy, y se ejecuta en todas las nubes, desde Amazon hasta Google y MSFT para …

¿Has leído el artículo de PageRank en WWW de Stanford? La que generó una pequeña empresa llamada Google, que ahora hace gran parte de la investigación de la industria a la que te refieres.

¿Has leído el papel de hashing coherente del MIT que condujo a la fundación de Akamai, la CDN que toca el 80% del tráfico de Internet en la actualidad?

¿O tal vez alguno de los documentos RISC o RAID de Berkeley, documentos que comenzaron múltiples industrias, cada una con más de 10 mil millones de dólares en ingresos?

Ni siquiera estoy tocando las nuevas compañías que están cambiando el futuro de la informática tal como la conocemos, todo, desde Nicira hasta Databricks. Y, por cierto, esto es solo en las áreas de sistemas y redes, sin incluir seguridad, teoría, arquitectura, etc.

¡Sus generalizaciones son innecesariamente provocativas y carecen de motivación! Indique a qué campo pertenece. Sin esa información, es imposible responder su pregunta correctamente sin dañar a los académicos de CS en otras áreas. Si yo fuera usted, miraría las mejores conferencias y revistas en lugar de las mejores escuelas y sacaría conclusiones sobre la influencia académica de CS en la industria. Puedo entender por qué no quieres indicar ni siquiera un solo ejemplo de un mal trabajo de investigación o proyecto de una escuela superior. Pero seguramente puede proporcionar un ejemplo de una gran empresa o startup que está poniendo valor sobre la mesa, para que podamos responder mejor a su pregunta.

1. Ley del esturión. Es el otro 10% lo que realmente importa.
2. Es posible que no esté en una muy buena posición para apreciar lo que los documentos realmente están diciendo (a diferencia de lo que percibe a través de su filtro mental). Blub Paradox.
3. A menudo, algunos de los trabajos más innovadores ocurren cuando no tienes vínculos estrechos con la industria, porque eso es lo que te libera para innovar en lugar de solo seguir el ejemplo de los demás. Las personas pueden tardar mucho tiempo en darse cuenta de que estas cosas son importantes. (Por supuesto, eso también corta el camino opuesto a veces. Simplemente no es tan fácil como podría pensar predecir cuáles irán en cada dirección).
4. La influencia es especialmente difícil de detectar porque, a diferencia de la academia, donde se aplica rigurosamente una cultura de citas, la industria tiene la cultura opuesta: no dar crédito a nadie en absoluto. Por lo tanto, incluso cuando hay influencias, incluso influencias directas, no las descubrirá. La pantalla “Acerca de” de los sistemas de software comercial no incluye bibliografías. Esto oscurece la ruta de la innovación a la aplicación; se podría decir que va tan lejos como para ofuscarlo intencionalmente (por razones de IP).
5. Las empresas le dan mucho dinero a los académicos para que realicen investigaciones (p. Ej .: Programas de investigación de Google) ¿Por qué repartirían sumas generosas por un trabajo inútil? Tal vez ellos saben algo que tú no.
6. El único punto bueno que hace es que algunas cosas son más difíciles de hacer sin datos y recursos a escala industrial. Los académicos están profundamente conscientes de ello y constantemente piensan en las consecuencias de esto y en cómo remodelar su trabajo por completo. Tal vez vienes de un campo donde esto es especialmente cierto y esto colorea tus puntos de vista.

La suya no es un reclamo nuevo. Se ha hecho por décadas. Por lo tanto, haría bien en mirar la historia de varios campos. En un área tras otra, las ideas nacieron en la academia y eventualmente, muy, muy lentamente, migraron a la industria, después de soportar décadas de que se les dijo que estaban equivocadas, irrelevantes, sin idea, estúpidas y peores. En lenguajes de programación, por ejemplo, el horizonte de migración es de unos 20 años (hay numerosos ejemplos de esto). Cuando llegan a la corriente principal, lo hacen con tanta fuerza que la gente olvida que las cosas siempre fueron diferentes, lo que agrava aún más la creencia de que nada útil proviene de la investigación académica.

Estoy de acuerdo con Tony Li en que algunos investigadores no parecen hacer su tarea en el estado del arte de la industria versus los trabajos publicados. La mayor parte del trabajo importante de la industria nunca se publica como un documento académico, pero, sin embargo, está a la vista como un producto de envío con documentación (especialmente libros blancos de los autores) para cualquier persona que se interese en investigarlo.

También veo “ceguera de código abierto” donde se supone que debido a que un investigador puede buscar en el código un clon de código abierto de un producto patentado exitoso (especialmente aquellos con enormes bases y ecosistemas instalados), el producto patentado debe sufrir las mismas deficiencias. , problemas y problemas. Mala suposición, y una que se puede remediar fácilmente usando el producto comercial … sin embargo, algunos académicos parecen evitar todo lo que tendrían que comprar, como si eso lo hiciera indigno.

Dicho esto, para citar algunos contraejemplos a su argumento:
* Los abuelos de todos ellos, las tesis de Church y Turing sobre computabilidad (Princeton y Cambridge, respectivamente). Realmente ayuda saber qué es y qué no es computable …
* Los sistemas de colas de Leonard Kleinrock funcionan (UCLA). Es crucial para casi todos los dispositivos de red / pila producidos hoy, así como para cualquier sistema distribuido basado en colas.
* El teorema CAP de Eric Brewer (UCB) ha influido dramáticamente en el diseño de sistemas distribuidos y es un conocimiento requerido para cualquiera que trabaje en servicios de nube con estado a gran escala hoy.

El único tiene un gran progreso en la abstracción, como en matemáticas, se ha hecho en la academia, pero también en entornos no comerciales y no industriales. Piensa en adelante.
COBOL fue diseñado por quién sabe quién. Fue por negocios y a las empresas ni siquiera les importa. Otro para los negocios es RPG y no tiene popularidad en absoluto. Está columnnerizado como lenguaje ensamblador.
También algunos graduados de CS crearon muy buenos lenguajes como Python, Ruby, Clojure y Scala. Java fue un ejercicio académico basado en álgebra universal. ‘C’ fue académico. Algol, LISP, Haskell, APL, J y Pascal también estaban. IBM diseñó Fortran para ciencia e ingenieros. IBM también inventó el APL como un ejercicio más académico. Fortran palidece en comparación con APL.
Los mejores lenguajes e ideas, como la semántica denominacional, provienen de la academia. Un ejemplo sorprendente es el ecosistema Racket.

No me sorprende si la mayoría de los documentos son inútiles por sí mismos.

Muchos no académicos tienen la impresión de que los académicos funcionan como la historia de Newton y Apple. Newton estaba sentado debajo de un manzano, una manzana cayó sobre su cabeza, y de repente entendió la gravedad.

En realidad, si una manzana cae a la cabeza de un físico de la vida real, probablemente dirá “f * ck”, definitivamente no “eureka”.

La vida real es menos glamorosa y más aburrida que la historia de Newton. Al igual que en la industria, la mayoría de los desarrollos académicos son progresivos. Estos desarrollos son pequeños e insignificantes para los no académicos. Y mucho menos los no académicos, incluso para otros académicos que trabajan en diferentes temas, será insignificante.

De vez en cuando, basado en esas numerosas pequeñas mejoras de innumerables investigadores, alguien escribirá documentos de alto impacto. Estos son los documentos ampliamente conocidos, que pueden o no ser considerados útiles por cualquier persona que no esté trabajando en este tema. Pero otros documentos ciertamente son considerados inútiles por cualquiera que no esté trabajando en ese tema. Poéticamente se llama estar parado en el hombro de un gigante. Los pequeños documentos de mejora pueden no ser famosos; pero sin ellos, no saldrá ningún periódico famoso.

Debería volver a considerar juzgar el valor de la investigación de CS para lo que lee en los documentos. Hay muchos defectos en el sistema de publicación científica, ya que muchos de los trabajos que puede encontrar son la “pieza de publicación mínima” que muchos investigadores académicos producen para que tengan el mayor número posible de trabajos publicados (y citas relacionadas), que en este mundo retorcido significa que usted es un “científico importante” y puede afectar su salario.

Dicho modelo empuja a las investigaciones a preferir la cantidad a la calidad, ya que puede encontrar investigadores que publican entre 10 y 20 artículos por año (en oposición a los documentos que cambian el mundo, como los 4 documentos de A. Einstein que cambiaron la física para siempre). A veces, dichos documentos ni siquiera son escritos por ellos, sino por sus estudiantes, lo que significa que construyeron una “fábrica de papel científico” utilizando empleados gratuitos que desean graduarse. Algunos investigadores pueden incluso tener “tramas secretas” con sus pares para que puedan publicarse lo más rápido posible y citarse entre sí en sus documentos.

Entonces sí … Irónicamente, con el sistema actual, los únicos que podrían publicar un artículo que cambiaría el mundo serían las personas que no se preocupan tanto por su carrera académica y su salario (que afortunadamente, todavía existen, pero no la mayoría).

Sin embargo, la investigación de CS en sí misma tiene mucho valor. Tomemos, por ejemplo, inteligencia artificial y visión por computadora. Estos son campos que necesitan un enfoque académico puro, y cada vez que sale un método novedoso, sacude a la comunidad y está muy cerca de ser utilizado por la industria. Es solo el sistema de publicación que tiene sus defectos.

Algunas investigaciones académicas de CS son valiosas. Sin embargo, la mayoría, como las tesis doctorales y las tesis de maestría, es poco probable que sean leídas por alguien fuera del comité asesor de estudiantes.

Además, y respetuosamente, simplemente no veo cómo un académico que está estudiando el procesamiento del lenguaje natural, por ejemplo, cree que él o ella podría competir con los individuos privados (y equipos de ellos) que usan algoritmos de PNL para aplicaciones prácticas dentro de su producto Sí noto que casos como la tecnología detrás de Google son los recursos para personas que se esfuerzan por defender la posición académica.

Tendría que citar a Ludwig von Mises sobre este fenómeno: que compramos teléfonos Apple y no teléfonos Harvard o MIT, aunque se podría pensar que los profesores deberían tener más conocimiento en la creación de estos dispositivos:

La oportunidad más favorable para competir en el campo de la ciencia.
el logro es proporcionado a los profesores universitarios. Sin embargo, miles
y miles de profesores fallecen sin dejar rastro
en la historia de las ideas y el progreso científico, mientras que muchas de las
los forasteros discapacitados ganan gloria a través de maravillosas contribuciones.

– Ludwig von Mises, Acción humana p. 276

Atribuiría esto a la “mentalidad del silo” que está desenfrenada en la academia, así como a lo que me parece, respetuosamente, una incapacidad para conceptualizar adecuadamente el punto de realizar una investigación.

Muchos proyectos de investigación, especialmente para estudiantes de doctorado y maestría, son ejercicios académicos. Había una hipótesis en aras de la hipótesis; el individuo tiene aproximadamente 2 o 5 años para estudiar los entresijos de esta hipótesis.

Eso es genial, pero desde un punto de vista económico:

1. No hubo indicios de que los resultados del estudio de esta hipótesis tengan algún valor para ninguna persona fuera del campo de estudio (de hecho, los resultados pueden no tener valor para ninguna persona, incluso dentro del campo de estudio).
2. No es necesario que el investigador descubra cómo los resultados de esta hipótesis “encajan” con la tecnología actual. Tal vez los resultados de la investigación estén casi medio siglo adelantados o atrasados ​​en su tiempo (se realizó una gran cantidad de investigaciones sobre fisiología computacional en el MIT en la década de 1970, lo cual es excelente, pero ha tardado décadas en apreciarse y ahora, en muchos casos, desactualizado y ya no es aplicable).

Básicamente, estoy de acuerdo con lo que dice Elon Musk en esta entrevista:
Elon Musk – CEO de Tesla Motors y SpaceX

Descargo de responsabilidad: me esfuerzo por ser amable y respetuoso, así que avíseme si esta publicación lo ofende y lo eliminaré.

Gran parte es basura, pero parte produce avances reales en teoría. Estoy totalmente de acuerdo con la afirmación de que “Nada es tan práctico como una buena teoría”.

Desafortunadamente, incluso las mejores instituciones no son inmunes a la influencia de la basura. Como anécdota, hace algunos años vi una tesis que fue aceptada para un doctorado en Ciencias de la Computación en el MIT (nombre del autor oculto para proteger al culpable). Fue realmente malo, lleno de errores e irrelevancias, además de atacar un problema sin interés cuya solución se conocía desde hacía décadas. Llamé a un profesor que había estado en el comité de tesis (y a quien conocía porque ambos habíamos estado en el MIT en los primeros días de la informática) y le pregunté por qué se había aceptado esta basura. No cuestionó que fuera basura, pero dijo que había mucha presión para aceptar una tesis cuando resultó de mucho trabajo y su autor no era capaz de hacerlo mejor.

En mi experiencia, el 98% de los trabajos de investigación son malos o totalmente olvidables. Pero creo que el 2% restante lo vale. Gracias al CS académico, obtenemos nuevos métodos para el aprendizaje automático, como refuerzo o SVM o aprendizaje profundo, obtenemos nuevos lenguajes innovadores y sofisticados como Haskell, diseños de bases de datos inteligentes como MonetDB, investigación en lenguajes específicos de dominio, nuevos formatos de compresión de video con pérdida, y mucho más. Pero tales gemas son difíciles de encontrar en la enorme pila de mierda.