本文转自：文汇报
迈克尔·莱维特
马剑鹏
漆远
11月15日，“浦江科学大师讲坛”在复旦大学相辉堂开幕。作为一个以汇聚与传播科学思想为主要特色的讲坛，浦江科学大师讲坛旨在打造全球顶尖科学家竞相展示科学思想的大平台、引领人类攀登科学高峰的大本营，让全球顶尖科学家的思想汇聚在上海、从上海向全球传播，向全球呈现科学之美、科学之光、科学之慧。
首期讲坛主讲人是年诺贝尔化学奖得主迈克尔·莱维特教授，复旦大学复杂体系多尺度研究院院长马剑鹏教授和复旦大学人工智能创新与产业研究院院长漆远教授分别作分报告。浦江科学大师讲坛由市政协发起并主管，市政协科技和教育委员会、复旦大学、市科技工作党委、市科委、市科协共同主办，复旦大学承办，世界顶尖科学家协会协办。
迈克尔·莱维特：
科学发现需要更多年轻人在不同领域共同发力
所谓的基础科学，就是还没有被应用的科学。往往一些科学发现，最初我们觉得它毫无用处，但是随着时间发展和技术发展，它显示出了重要的价值。
实际上，任何科学知识都是有用的。在科研中，犯错误是很正常的事情，你错得越多，就证明你做了更多困难的工作。
确保大力去支持和提拔年轻人，让他们能够站在前台去做更多创新性的工作。
何谓科学？什么是未来科学？拉丁语中，科学是“scientia”，意味着知识、专业或是经验。就目前的研究而言，人工智能很重要，但是植物科学或食品科学也非常重要，我们并不知道科学会在哪里取得突破。未来科学，就是艺术与科学的结合。所以，需要很多的年轻人向着不同的目标，在不同领域同时发力。
人工智能的发展离不开生物学
地球上最具智慧的是什么？是计算机吗？是人？其实都不是，最聪明的其实是生物。因为生物（biology）创造了我们人类，生物界可以折叠蛋白质，生物界可以做任何事。地球上最复杂的学科可能就是生物学。
事实上，人工智能的发展也离不开生物学。年，一位神经生物学家的模型推动了人工智能的发展。比如，机器学习中用的神经网络，其实是模仿生物的学习过程。
生物学是最早使用计算机进行研究的领域之一，计算机也一直与生物学有着紧密的联系。
当年，人类使用计算机解开第一个蛋白质三维结构，即血红蛋白时，彼时世界上的第一台电脑，才刚刚诞生10年而已。
计算生物学又名定量生物学，就是用计算方法来解决生物学问题，虽是生物学的一个分支，但具有极强的学科交叉性。
现在，人类已经能够预测超过万个物种的2.14亿个蛋白质结构，几乎涵盖了地球上所有已知蛋白质，被称为改变游戏规则的科学突破——阿尔法折叠，可以说是计算生物界的大明星。人们认为它解决了蛋白质折叠问题，在结构预测上向前迈了一大步。
阿尔法折叠以一种强大的方式结合所有数据和方法，让人类到达以前从未涉足的未知领域。现在我们要认识到，如果没有70多年来几十万个实验科学和15个诺贝尔奖所获得的数据，加之人们所使用过的方法论，那么将是一无所有。阿尔法折叠仍旧完全依赖于所有这些已经被获取的数据。所以，这是一种很棒的数据统计分析技术，但它不是一种数据创建技术。
AI技术并不能完全地应对个性化问题
AI是一个具有魅力的词，也是一个很古老的词。AI真正实现质的飞跃，是因为计算机变得越来越强大。事情永远不会像看起来那么糟糕，也永远不会像看起来那么好。而AI并不是神奇的东西，它并不总是有效。
现在，AI一个非常重要的应用是翻译。例如，当一个人既会英语又懂中文，那对他来说语言间的转换，是很简单的事情。但如果用机器去翻译的话，有时就会很糟糕，甚至听起来很怪异。一位非母语英语发言者，用着带有浓重口音的英文进行演讲时，AI翻译机就无法识别出他的讲话内容。所以，AI不一定在所有的事情上面都能够取代人类，或者说能够做得跟人一样好。目前的AI技术并不能完全地应对个性化的问题，还需要一些突破。
我认为，我们需要认识到计算机已经完全改变了。但人工智能并不是一个魔术，也不是一种魔法，它包含着算法、计算等等这些技术，所以从这个角度说，其实人工智能也是计算机算法中的一组成部分。
从年到年，剑桥大学科学家做出了一系列的突破，数千个科学家解决结构问题、数千个科学家解决序列的问题。深度学习其实提供的是更强大的算力，它的算力要远远超过所有科学家的计算能力加在一起。所以，要教授这些机器学会建立模型，这个过程是非常昂贵的。
未来，AI最有趣的一个应用，就是对风险的评估。也许十年以后，我们可以跟手机说话，比如HiSiri，能不能告诉我，我是不是应该因为这件事情而感到恐慌？在那种情况下，人类会变得更理性。
科学发现来自于跨学科研究和合作
无论从理论还是实验科学而言，我们不可能让单一的科学解决所有的问题。而所谓的基础科学，就是还没有被应用的科学。往往一些科学发现，最初我们觉得它毫无用处，但是随着时间发展和技术发展，它显示出了重要的价值。实际上，任何科学知识都是有用的。
在科研中，犯错误是很正常的事情，你错得越多，就证明你做了更多困难的工作。而基础科学困难在于除了勤奋、努力、智慧之外，机遇或机会也非常重要，在各种各样的科学研究中，甚至在生活中，机会都很重要。有的时候，在生活当中真正好事发生的时候，你可能根本没有意想到，或者预测到这一点。我自己获得诺奖的经历，也让我感受到了这一点。
当然，科学发现还来自于合作。以诺贝尔奖为例，获奖者作为合作者共获奖项非常常见，所有的论文都是合作完成的。事实上，科研就是要两个科学家在不同的领域开展研究。跨学科的研究极其重要，因为它体现了多样性、多元性的一种美感。在这种多元化的环境中工作，就像父本和母本缔造了子本，这个子一代就会展现出比父本和母本更加优秀的一种特征。
当然，合作的核心点是必须有个领头羊。以领头羊为一个基础，可以建立几个相互合作的协作机制。我希望，我的团队成员也能成为其他合作团队的成员，没有门第之见。他们不一定要在同一个地方，但必须要来自不同的领域，或不同背景的人在一起共事，这样就可以碰撞出智慧的火花、思想的结晶，让我们学科不断的成长。
支持年轻人站在前台，做更多创新性工作
跟年轻人合作，尤其跟年轻的研究学者合作非常重要。他们在早期必须要独立开展工作，放开手去做自己想做的事情。
其实，多年以来，我们一直对于年轻人存在偏见，很多的科研经费给予了年纪更大的人，而不是更年轻的科学家。特别是60岁以上的老年科学家，尤其是诺贝尔生理学和医学奖获奖者，获得的资金可能更多。但是，我认为年轻人如果没有得到足够的资金，就无法很好地释放出自己的生产力或研究潜力。
因此，要确保大力去支持和提拔年轻人，让他们能够站在前台去做更多创新性的工作。而且，年轻人的成果被引用的次数会更多，几乎所有拿诺贝尔奖的基础学科研究工作都是年轻人做的。一般年长者才会拿到诺贝尔奖，但他们在30、50年前就完成了工作，却在很久以后才获得诺贝尔奖，原因在于需要时间去证明科学的影响力。
科学中，最后真理都会浮现，你只是在真理上一层层堆叠。在科学研究中，会发现很多错误的东西，关键问题在于我们要能发现能对未来有影响的真正有价值的东西。
马剑鹏：
新药设计首先是计算生物学问题
近年来，随着AI技术的突飞猛进，计算生物学已经从一个相对冷门或边缘的科学，一下子跃升为引领分子生物学的龙头学科。当今，计算生物学是一个大国促进医药行业颠覆性创新发展，所必须占领的制高点之一。
新药设计，首先是个计算生物学问题。所以，计算生物学是一个引领性科学。现在，药物设计每一个环节都可以跟AI有关。
另外，新药研发是一个系统工程。针对同一个目标，不同方向的专业人才，需要保持步调一致、服从统一指挥，要大兵团作战。基础研究带有强烈的工程色彩，工程问题又必须紧密依靠基础研究的支撑。
举例来说，谷歌公司研发的“阿尔法折叠”变成了计算机辅助蛋白质预测的代名词。“阿尔法折叠”用AI算法把蛋白质结构预测朝前推了一大步，全世界为之震撼。为了同一个目标，把各种工程师、各学科人才聚集在统一指挥下，才能做到这件事情。这个例子对现在很多的科学范式，非常有启发意义。
但是，“阿尔法折叠”还远远不能取代实验，还有很多的蛋白质结构它做不了。对于“阿尔法折叠”预测结构中的误差，至今没有任何其他预测算法能够予以修正。分子动力学模拟技术中的增强取样算法，可能是唯一可以进一步提高结构精度的算法。
在现代生物学研究中，计算已经渗透到了研究的每一个角落。未来的发展趋势是计算和实验相结合，即“干湿结合”，这样才能解决更多的生物问题，特别是药物设计问题。
在实际应用中，对于新的目标蛋白的发掘是创新药的源头，这一发掘应始于对重大疾病的临床观察，而不是科技文献或教科书。
举个例子，针对渐冻症，医院神经内科主任韩燕教授开展了合作，其中，中西医结合的手段发挥了很大优势。
这是首次针对自发性渐冻症外周血单核细胞的单细胞RNA测序研究，发现了一种在渐冻症患者中特异性富集的新型细胞类型。这可能是自发性渐冻症的根本原因，这种特定细胞类型的丰度可用于渐冻症诊断。我们发现了70个仅在渐冻症患者细胞簇中富集的基因，能达到93%的预测精度，并可能用于治疗。
人类疾病的类型可能都有一定的共性，找到针对重大疾病的基因或蛋白靶标，取决于对疾病底层机理的准确把握。一种有效的方法是在最短时间内设法对疾病的状态产生一个足够大的扰动，然后通过前后血样的测序对比，可有效地发现关键的致病基因。
因为生物体系越来越复杂，尺度越来越纷繁，所以，我们研究院叫“复杂体系多尺度研究院”。现在，生物学的研究对计算方法的依赖也就越来越强。当务之急是要大力培养人才。事实上，传统搞计算的人和搞生物实验的人完全不同。所以，我们的本科教学要尽量赶上去，能够把人才培养起来。我很自豪地是，本次大师讲坛是唯一一个设在高校的科学讲坛，这对提高年轻人发展计算生物学的兴趣也很重要，我们要从娃娃抓起。
漆远：
人工智能就是新时代的望远镜、显微镜、雷达
人工智能开启未来的科研，就像伽利略发明望远镜、列文虎克发明显微镜一样，人工智能就是这个新时代的望远镜、显微镜、雷达，能让我们看到更远的地方，也能让我们看到更小的细微之处。
人工智能将在可预见的未来，能对基础研究方法带来全方位的助力提升。包括但不限于生命科学、材料科学、新药研发、数学研究、大气科学乃至金融经济学等基础学科研究领域。
每个人都可以看作一台计算机，“硬盘”是父母给的。就像计算机编码使用的是由“0”和“1”组成的二进制数一样，人体DNA中的ATCG的碱基序列就是人类一切生命活动的编码语言。ATCG碱基序列排列组合构成DNA，DNA转录产生蛋白质，蛋白质的互相结合变成网络，组成机体并调控着复杂的生命活动。但最底层的生命逻辑其实还是ATCG碱基序列构成的复杂信息网络——要想解码人类基因，对生命微观结构的研究必不可少。
那么，如何知道微观结构是怎样对宏观产生影响的呢？庞大的基因片段、复杂的蛋白质结构中，究竟是哪一部分起到关键作用？其中的关键联系，如今可以由人工智能在学习、对比庞大的数据后给出可靠预测，大大缩减以往所需的时间、金钱成本。
人工智能正在切实推进助力科研的发展。随着生命科学数据采集成本降低，人工智能在其中扮演越来越重要的角色。
今天人工智能在多个领域的大放异彩，得益于过去的数十年内，计算机算力的大幅提升，以及数据测量采集技术逐渐成熟后带来的成本大幅降低。人工智能需要数据，同时也要研究如何结合其它基础模型，并“教会”人工智能学会自我优化、自我提升。
此外，AI助力科研不仅事关基础研究，更要将人工智能与产业应用结合起来，用原始创新推进科创发展，让人工智能和产业的结合推动底层的科研，用底层创新推动行业发展，推动健康、医药、碳中和、数字经济等行业发展。
联系电话：