AI岁月,一场技术前沿的传承与激辩

作者 | 徐晓飞 杏花 莓酊 海涛 琰琰 维克多
编辑 | 周蕾
2021年12月9日,中国深圳。
由粤港澳大湾区人工智能与机器人联合会、雷峰网联合主办,深圳市人工智能与机器人研究院、深圳市机器人协会、深圳市人工智能学会支持的第六届GAIR全球人工智能与机器人大会,于上午9:30在中洲万豪酒店正式拉开序幕。
作为粤港澳大湾区的第一AI盛会,GAIR大会已成功举办五届,留下众多精彩、经典和令人惊叹的瞬间。GAIR 2021则延续以往豪华阵容,以1场主旨论坛、2场行业峰会、9场高峰论坛,涵盖自动驾驶、安防、集成电路、医疗、元宇宙、碳中和、隐私计算、新消费等热门领域。
往届GAIR多在夏季举办,今年受疫情影响,GAIR 2021延至秋冬方与观众见面。恰逢岁末年初,GAIR 2021也以众多华彩时刻和观点碰撞的火花,为行将结束的这一年,带来一场人工智能与数字化产、学、研、投的年终盛宴。
在12月9日的首日主论坛中,多位顶级学者的精彩演讲,与由十余位AI学术大咖带来的三场高端对话,他们口中那些学术史背后的激荡故事,与众多推动学科发展的传奇人物,使这一天成为值得反复品味的一天。
首先,是本次大会主席,加拿大工程院院士、加拿大皇家科学院院士、IEEE/AAAI Fellow杨强教授登台致辞,他代表主办方之一粤港澳大湾区人工智能与机器人联合会,向大会表示热烈的祝贺,并回顾GAIR五年来的举办历史,同时围绕本次大会的主题“加速自助创新 重构数智转型”展望未来。他表示:
人工智能受到疫情的洗礼,新基建等因素对人工智能进行了实战的考验,疫情的各项措施也离不开人工智能的加持。今年数字化是热潮,以5G、数据中心、工业互联网、物联网为代表的新基建在2021年爆发,这是信息数字化的基建,人工智能和机器学习基础进一步巩固,成为企业“数智化”转型的基础设施。
2020年底召开的中央经济工作会议强调,强化国家战略科技计划成为2021年八项任务的第一位。现在我们又面临各种大变局,科技的自立自强呼声和规划越来越重要。
图片
杨强院士
1
香港中文大学(深圳)副校长罗智泉:
攻克5G网络寻优“学术无人区”
紧接着,在首个Session“AI前沿”中,中国工程院外籍院士,加拿大皇家科学院院士,香港中文大学(深圳)副校长,IEEE/SIAM Fellow罗智泉,带来以《5G网络性能的模型和优化方法》为主题的演讲,分享其团队在5G网络性能的模型和优化中用到的AI技术和数学模型技术以及探讨了解决5G网络性能优化的问题。
罗智泉教授今年是第二次参加GAIR,他的研究方向主要集中在优化理论、算法设计以及其在信息科学中的应用;曾荣获2010年美国运筹学和管理学研究协会(INFORMS)颁发的Farkas奖,以表彰他在最优化领域的杰出贡献。
在演讲中,罗教授先首先简要分析了5G网络优化的产业现状与面临三大主要挑战,随后展示了其团队成员在现实网络统计模拟技术构想 、5G非独立组网的B1及A2参数优化、5G小区物理标识规划、网规网优高维解空间寻优算法、波束空间用户流量分布建模及应用等五个方面的最新研究成果。
罗智泉教授认为:
我们国家通信界的产业设备是世界领先的,但设备领先并不等于网络整体性能的领先,5G网络性能优化面临的主要挑战有三,即网络高度复杂的超大规模参数组合、高风险的现网调参以及解决5G网络寻优问题这个学术无人区。
接着,罗教授展示了团队研究成果,他们在SIAM/IEEE Trans. Signal Process/NIPS等国际顶级期刊会议上发表了10+篇Paper,申请了4份专利,其成果已在中国、荷兰、瑞士、德国等全球5G网络中规模应用,支撑多个运营商5G网络性能领先。因此,5G网优这个问题前景是广阔且光明的。
图片
罗智泉院士
2
加拿大工程院院士于非:共享智能
不仅是技术问题,更是经济问题
第二位演讲嘉宾,是加拿大工程院院士,人工智能与数字经济广东省实验室(深圳)执行主任, IEEE/IET/EIC Fellow于非教授,他的演讲主题是《互联:从质量、能源、信息到智能》。
报告分为五个部分,一是以车为例,向与会者分享了背景知识——互联和自动车辆;二是信息互联中的分层设计、跨层设计、跨系统设计范式:三是人工智能在信息互联中方法;四是主讲报告的主题《互联:从质量、能源、信息到智能》。第五部分是总结。
他在回顾信息互联的研发的过程中提到了维数灾难和模型灾难的问题。另外,目前由数据驱动的人工智能方法存在数据利用率低、泛化能力低、可解释性差的问题。
通过人类的发展历史,他提出智能网联是未来趋势,对机器和人而言,作出重要的决定比简单的获得信息更加重要。共享智能不仅仅是技术问题,也是经济的问题。
他以联网的角度重新思考科学的发展历程,指出我们经历了质量互联、能源互联、信息互联三个发展阶段,下一步将会是智能互联。他展望了这个领域的机遇和挑战。
图片
于非院士
上午大会的压轴环节,是“并行处理与系统结构四十年”圆桌论坛。
人工智能近十余年的突破离不开算力的提升,而并行处理,正是近二十年来计算能力的快速提升的主要推手,但鲜少有人关注到算力腾飞背后的人物。
并行领域的系统性突破始于20世纪80年代,开创者正是一位华人——1984年,黄铠教授出版了《计算机结构与并行处理》一书。该书作为并行处理领域的第一本国际性经典著作,推动了高性能计算的研究热潮,也为我国“863”计划上马智能计算机选型通用并行计算机起到了至关重要的作用。
图片
黄铠教授
而这场圆桌论坛,正是从如今时任香港中文大学(深圳)校长讲席教授的黄铠博士出发,围绕他与多位中国计算引领者的故事,诠释了一颗颗富有中国梦、中国心与中国魂的学者之心。
李国杰院士、郑纬民院士、倪明选教授、徐志伟研究员、金海教授、刘云浩教授、杨铮副教授,这7位Fellow组成的四代“全Fellow”豪华阵容,都与黄铠教授有着深厚渊源,在闲话家常间分享了不少共同回忆与科研趣事,现场欢声笑语不断。在对并行计算与系统结构领域发展历史的回顾中,学术精神与家国情怀也使在场观众深受感动。
图片
在GAIR 2021上,黄铠回忆1974年第一次重返中国大陆的情景,仍然记忆犹新、热泪盈眶:「当时访问,我连旅费都没有,还找朋友们借了钱,买了机票,从纽约转巴黎、开罗、巴基斯坦,再绕过喜马拉雅山与新疆大沙漠,一共飞了34个小时才到北京。」自这一年起,黄铠便与大陆高校建立了密切的学术交流,在清华、北大、中科院等学校担任讲习或客座教授。
1978年,黄铠刚到清华担任讲习教授时,国内的老师都没有接触过西方的计算机知识,他从美国带回来的几大箱资料成为了上世纪中国学者系统学习计算机的关键窗口。
郑纬民院士是最早翻译黄铠著作的中国学者之一。在翻译《高等计算机系统结构并行性、可扩展性、可编程性》一书时,由于对系统结构知识了解不深,郑纬民感到「很费劲」,就一边翻译、一边将不懂的问题记下来,一共记了一百多个问题。后来在新加坡的一次学术会议中,他便拿着这一百多个问题请教黄铠教授,对方十分耐心给他作了解读。
中国计算领域的传奇人物——李国杰院士,也是在听取黄铠的讲座后,进入了计算机体系结构的大门。他直言黄铠是中国并行计算与人工智能计算的引路人,正是在黄教授的课堂上才了解到数据流(Data Flow)等新概念;后来他也成为黄铠在普渡大学招收的第一位来自中国大陆的学生。
图片
李国杰院士
1987年,李国杰学成归国,加盟中国科学院计算研究所,在促进中国计算机体系结构发展变革上扮演了重要角色:长期从事国家「863计划」高技术研究,两次担任国家「973 计划」项目首席科学家,主持研制曙光一号并行计算机等重大项目等等。1995年,李国杰当选中国工程院院士。
1995年,李国杰创建曙光信息产业有限公司后,急需人才,黄铠便向他推荐了当时毕业、在美漂泊的徐志伟。于是,1996年,徐志伟从美国回到中国,担任该公司的总工程师。
回国后,徐志伟继续与黄铠合作研究,并在1998年一起出版了一本关于可扩展并行计算的教材,也就是广为传播的《Scalable Parallel Computing》一书。这些研究也启发了中科院计算所曙光高性能计算系统从原来的超级计算机向超级服务器的转型。
时任香港科技大学(广州)创校校长的倪明选,是黄铠的第一个博士生。1994年,倪明选因并行和分布式系统领域的贡献被评选为IEEE Fellow,其论文曾被评选为最近25年计算机体系结构领域最有影响力的41篇论文之一。
图片
倪明选教授
到了黄门第二代,即黄铠的「徒孙」,则开始出现基于系统结构的新方向探索。
倪明选在密歇根州立大学任教时指导的博士生、时任清华大学全球创新学院院长的刘云浩便专攻物联网,他是中国最早定义「物联网」的学者之一,当选IEEE/ACM双料Fellow,也是目前唯一一位获得ACM主席奖的中国学者。
刘云浩回忆,博士临近尾声时,他曾犹豫毕业设计的研究课题究竟要选物联网定位还是可信P2P,最后在一次学术会议上受到师爷黄铠在P2P上的研究启发,就选择了P2P。目前,他的主要研究方向除了物联网,也有P2P与云计算等富有黄门特色的方向。
而刘云浩的学生、时任清华大学软件学院副教授的杨铮,也是物联网与无线感知方向的新星,今年入选2022年IEEE Fellow,是入选中国学者中最年轻的一位。
时任华中科技大学教授的金海,称自己是黄铠教授的「旁系亲属」,他在1998年至2000年期间在南加州大学跟随黄铠做博士后研究。黄铠交给他的第一个任务,就是将他与徐志伟合著的那本《Scalable Parallel Computing》所有习题做一遍,并照正规解题答案出一本书。
后来,金海成为推动中国并行处理发展的重要学者之一,他所主持的云计算项目(「面向多租户资源竞争的云计算基础理论与核心方法」)也获得了2020年度国家自然科学奖二等奖。
在圆桌的最后,黄铠教授感叹:「1974年他首次到北京时,中国还处于文化大革命的白热化时期,计算机科技研究大大落后于世界强国,如今,随着一代代中国学子的成长,四十年过去,中国已经站起来了。」
黄铠曾道,只要自己的身体还行,他就希望多培养人才,为中国的科研事业做贡献。在黄铠教授的感染下,他的学生如今也多在学术界或工业界成为一方掌舵人,同时继续培养更多的优秀人才,传承知识,推陈出新。
图片
在聆听了上午场多位重量级嘉宾的精彩演讲和讨论后,大会在下午继续迎来两场重磅圆桌论坛。
3
院长论坛:AI创新与人才培养
大会下午的第一场,进入了备受期待的“院长论坛”环节,这是国内人工智能学术界关于未来人才培养和发展一次少有的顶级讨论。这一圆桌环节的主持人是AIRS研究院执行院长杜子德教授,出席圆桌的四位AI院长分别是:
澳门大学科技学院院长、IEEE Fellow,须成忠教授;
深圳理工大学计算机科学与控制工程院院长、AIMBE Fellow,潘毅教授;
哈工大人工智能研究院院长、IEEE Fellow,刘劼教授;
南方科技大学斯发基斯可信自主系统研究院执行院长、IEEE Fellow,姚新教授。
图片
院长论坛:AI创新与人才培养
论坛开始之后,各位院长分别介绍了各自学院的建设情况,以及目前所遇到的AI人才培养教学和产业研究的困难。其中,杜子德率先提出了他对现今人工智能研究院的顾虑,他觉得,”现在各地建设的人工智能研究院已经不下几十个,但除了发一些文章,实际的产出都比较有限,这种情况的生存能力比较堪忧。”
对此,刘劼教授表示,”哈工大有悠久的机器人和人工智能科研和人才培养经验,无论是研究院的科研产出,还是生存,最终都要回归到人,是’铁打的人,流水的营盘。’只有把人留得住,人才继续研究,整个团队才能继续发展。现在可能大家都习惯叫人工智能,我相信中间可能会有一些变化,但只要团队留得住,就会继续往前走。
此次论坛中,人工智能人才培养观中究竟是更重视理论,还是更重视应用,也吸引了现场观众的积极反馈。
图片
姚新教授
姚新教授表示:“因为商业应用的热度,目前大家把AI研究和教学的精力大都放在了应用环节。但深度学习就像一个漂亮的房子,计算机科学与工程是地基。大家一窝蜂去盖房子,是否会突然发现地基有一天会塌掉?要想做好人工智能及其应用,必须打牢计算机科学与工程的基础。从人才培养而言,既使做应用也需要有计算思维和逻辑思维能力。不应过度强调人工智能应用的特殊性。”
对于这个问题,须成忠教授也做过调研,他发现先有某一专业领域(比如医学)的知识,然后学习人工智能的人才,相比计算机系毕业后再去学领域知识的人才,在就业中受到的欢迎度更高。
图片
左:杜子德教授,右:须成忠教授
而潘毅教授在深圳理工大学在制定计算机科学教学计划时也有类似的矛盾,计算机里最重要的就是硬件系统、操作系统和算法,如果把这些基础课打得很扎实,很多AI课程就安排不上,四年教学时间就变得捉襟见肘。”
图片
潘毅教授
临近结束时,各位院长也分享了自己对于AI人才培养的心得:
须成忠教授认为”人工智能的教学核心不应该叫人工智能,数据科学会更加贴切、更加准确。”
潘毅教授表示:”AI教学观要顶天、立地;顶天是要发明新理论,立地是要让人工智能真正落地应用。”
刘劼教授表示:”人工智能要强调交叉学科属性,人工智能要往下面走,必须跟领域结合,解决实际问题才有未来。”
姚新教授表示:”人工智能人才培养到底是强调能力,还是强调知识,培养人工智能人才和培养计算机人才有什么不同,或许更值得大家思考。”
图片
杜子德教授
杜子德总结道:
人工智能本质是一个应用领域,而不是基础学科。而计算机科学与人工智能之间是系统和应用之间的关系,”中国真正做计算机系统的高校非常少,因为开发先进的计算装置(包括芯片、体系结构、总线、存储等硬件和OS、编译、语言、中间件等软件)是很难的。”
人工智能和很多专业领域密切相关,比如医学、汽车、金融等等。AI人才不应局限于自身,而要多和行业专家合作去解决问题。
结合自身经历,杜子德表示,即便在人工智能时代,计算机科学基础对逻辑思维非常重要。我们如今最匮乏的,还是有批判性思考能力以及解决问题能力的人才。
至此,在热烈的掌声中,院长论坛拉下了帷幕。
4
圆桌论坛:1991人工智能大辩论
三十周年纪念
大会进行到下午16时,以“纪念1991年人工智能大辩论三十周年”为主题的圆桌论坛,在南方科技大学斯发基斯可信自主系统研究院执行院长、IEEE Fellow姚新的主持下正式开启。
1991年,恰逢日本五代机研发失败,以符号逻辑为基础的传统人工智能遭遇理论危机,IJCAI在《Artificial Intelligence》专刊上组织的人工智能的大辩论引发强烈反响,并最终促进了连接主义、行为主义的兴起,引领了新一代人工智能基础理论范式。
GAIR:人工智能大辩论三十周年 纪念视频
参与这场论坛的嘉宾,是这场里程碑式变革的重要见证者,他们分别是:
杨强,加拿大工程院院士、加拿大皇家科学院院士, 微众银行首席人工智能官,IEEE/AAAI Fellow;
张成奇,悉尼科技大学副校长,澳大利亚人工智能联合会理事长;
周志华,南京大学计算机科学系主任,人工智能学院院长,ACM/AAAI/IEEE/AAAS/IAPR Fellow;
赵峰,清华智能产业研究院首席科学家、国际欧亚科学院院士、IEEE Fellow、Sloan Fellow
林方真,香港科技大学计算机系教授,AAAI Fellow;
林德康,奇点机智联合创始人。
图片
圆桌论坛:1991人工智能大辩论三十周年纪念
林德康指出,1991年人工智能领域的主要争论分成两个派系,也就是符号主义和行为主义,两派的代表人物,正是IJCAI 1991 计算机与思想奖的两位得主——Martha Pollack,以及Rodney Brooks。
Martha Pollack指出AI应该通过符号逻辑表达出来的约束公式,来描述世界,再用约束满足的方法把高层次的目标细化,其中的典型就是规划方法。
Rodney Brooks则表示,行为主义的方法才是正确的AI范式,根据低层次感知信号去得到高层次决策。
林德康补充道,这两种思路中,前者属于自顶向下的形式,后者属于自下而上的形式。并且规划方法解决的问题大多是人为构造的,而行为主义方法则更针对现实。
在深度学习将感知智能急速推进的过去十年中,人们早已见证自下而上方法论的有效性。但深度学习的黑箱性质造成的脆弱性、非因果性困境下,人们又不得不重新开始考虑符号逻辑的重要性,以此增进深度学习的可控性和可解释性。
在三十年后的这场论坛中,他们也将围绕当年这场大辩论的核心矛盾,也就是符号主义和行为主义的矛盾,以及五个基本问题,来探讨AI的当下和未来,以此承前启后,引导下一代AI人才。
图片
这五个基本问题分别是:
1. 知识与概念化是否是人工智能的核心?
2. 认知能力能否与感知分离开来研究?
3. 认知的轨迹是否可用类自然语言描述?
4. 认知能否从学习汇总分离进行研究?
5. 所有的认知是否有一种统一的结构?
论坛上,杨强教授首先回顾了上世界80年代末人工智能发展的历史背景。他表示,1991年人工智能经历了”七年之痒”,专家系统的失败,逻辑AI的死路以及神经网络的天花板等一系列事件让大批从业者对人工智能失去兴趣,同时又认为新事物希望渺茫。后来行为主义兴起,黑箱的机器学习也被接受……这其实是一种文化的转变,也间接了导致深度学习的黑箱属性。在他看来,今天的AI发展,更像是借鉴于模型驱动的物理学,即一个通用模型,解释所有智能现象,而在当年是一套算法解释智能现象。同时,科学也是螺旋式上升的,当年侧重于解决认知问题,今天硬件的发展让感知研究变成热门,或许能够借鉴感知研究方式解决今天的认知问题。
人工智能发展至今已近70年,但在张成奇看来,它仍然没有跳出图灵实验的”套路”。1950年的图灵实验从”只看结果,不看过程”的方式定义了人工智能,早期研究通过模仿人类侧重于认知智能,并将感知划定在智能之外;现阶段,AI在深度学习、算力、数据的加持下加速发展了感知智能,又把攻关难题抛向了认知领域。在未来,感知智能、行为主义和分布式AI的结合会是一个有希望的方向,或许能带来认知智能的突破。
图片
张成奇教授
周志华表示人工智能的概念和内涵一直在动态发展,今天的“AI”和90年代初的”AI”实质上并不是一回事,当年的AI主要是指”智能行为的符号化建模”这条研究路线,并且当年的神经网络是”与AI对立”的事物。机器学习的发展已经让现在的AI超越当年的内涵,不能再简单归类为三大主义,例如规则学习和决策树大体上可以归入符号主义,神经网络可以归入连接主义,强化学习和演化学习可以归入行为主义,但统计学习、贝叶斯学习很难归入以往的三大主义。事实上AI已形成五大主义:符号主义,连接主义,行为主义,频率主义,贝叶斯主义。但回过头来看,它们任何单方面或许都不够,需要多方融合集成,例如知识推理与机器学习的融合。周志华补充道,他个人可谓是“集成主义(ensemblism)”者,这是他自己造的一个词。
AI模型推理的可解释性一直是机器学习亟需攻克的关键目标,如何啃下这块“硬骨头”,赵峰从人和机器的各自优势和取长补短方面谈了自己对下一代人工智能系统的看法。从感知这个角度,有些动物或许比人类更敏感,但人能够总结过往经验,用语言描述,形成体系化知识,这是人与动物相比最大的差异化优势;目前机器学习的知识挖掘仍停留在“关联度”,未有效地触及因果关系,如今在大数据和大算力的支撑下,将机器学习、结构化知识、和认知行为理论有机结合起来,或许有望突破现在纯数据驱动的模型推理的黑盒挑战,实现真正可解释、负责任的AI。
林方真认为,1991年的AI大辩论并不是真正的辩论。传统AI偏向自顶向下,优先考虑人的高层推理和决策过程。Rodney Brooks则提倡自下而上,从简单本体开始学习。当年Nils Nilsson也因而倡导AI研究应该考虑融合智能本体。这个观点甚至在当年最有影响的AI教课书上都有体现。林方真补充,人工智能是个渐进的和多方位的学科,不同问题需要不同方法。知识表示和推理是智能的基本部分,而逻辑则是推理的数学基础。事实上将逻辑用来形式化人类推理原于古希腊,是哲学家和数学家上千年来的研究结晶。最后,林方真表示,逻辑推理被神经网络取代的可能性不大,AI的各种方法和工具应该结合而不是取代。
伴随该论坛的结束,以“AI前沿创新与人才培养”为主题的 GAIR 2021 首日也落下了帷幕。追溯历史、致敬传奇,经历了如此高规格活动现场和高密度信息容量的双重洗礼,GAIR 2021 在人工智能学界和业界绽放出耀眼的光芒华彩。
值得关注的是,与历届一样,此次 GAIR 大会为期三天,在今明两天里,是同样无比精彩的 2 场行业峰会和 8 场高峰论坛。
它们涵盖国产芯片、智能驾驶、元宇宙、隐私计算、医疗科技、AI安防、碳中和、新消费等数个年度热门领域,囊括了国内人工智能和机器人学术界、工业界及投资界三大领域,众多领域资深专家将以主题演讲或圆桌讨论的形式来对相关话题进行深入探讨。
创历史、领未来,这些对人工智能的前沿探索和创新应用令人期待,让我们不见不散!

书法作品落款常识

书法落款,不单是尾部,是包含了作者在书法作品中除正文内容以外的所有书写内容。落款包括:正文内容的出处、赠送对象、创作缘由、创作时间、作者姓名、字号等。

落款的字体,一般是隶不用篆,楷不用隶,行草不用楷书。落款。一般是”文古款今””文正款活”。正文是甲骨文、金文、大小篆,落款就用篆书、章草、楷、行书;正文若是隶书、楷书、魏碑,落款可用楷书或行书;在实际运用最多的落款字体还是行书,既易识别,又显活泼。

很多人不懂书法落款,让原本满意的正文内容竟然被落款毁了。下面,我们来看看都有什么问题:

1、落款的字不应该大于正文主题的字。应比正文的字小且协调。

2、题款不能题在整个正文上面,国展上也有出现很多此类情况,是非常不适合的。

3、印章绝对不能比落款的字大。大幅大印章,小幅小印章。

4、如果正文的最后一行只有2-3个字,落款直接在下面写,请不要转行另起一行写,不要画蛇添足。

5、盖印不要贪多,合适最好,古人作品的印章大多不是自己盖的,是流传导致。盖章数量一定要慎重,不要盖得又多又杂,喧宾夺主。

6、接正文落款的两排小字左边,不要超过正文的宽度

7、落款中的年、月,公历农历不能混写。题款时如落书写地点,用雅称而不用俗称。农历天干不写“年”。

8、横幅或斗方正文在上的,其下面的落款宽度不要超过上面正文的宽度。

9、已经落款盖印,款后不可再署上款赠人,再署就失敬

10、上款有人名的,上款上端不可盖闲章,压在人名头上。一来失礼,二来破坏画面。

11、如果书写对联,须将上款写在上联,下款落在下联;如果是龙门对,上款在右边,下款在左边。书法四联首幅,右上可盖小印章。其余不可盖,如统统盖上,行气就破坏了。

12、对于横幅作品,一般只落下款而不落上款。

品悦大巴扎自助西餐厅

想吃肉的同学可以到这里吃吃新疆风味的自助餐,一定不会让你失望,这里品种齐全,品质不错,各种品类都不受限制,除非你太过分一次性拿多吃不了剩下很多,会扣除200浪费押金(不知道会不会真执行,反正入场前会收),到后面让我感受最深的是羊肉串放着都没人拿,长长的队伍在等着羊腰子上场(当然开始的没有烤羊腰子)。餐厅价格还比较合理,中午168,晚上215。饭量大爱吃牛羊肉的同学去这里是不错的选择,比吃串店肯定划算。后面另一栋楼还有个点餐的餐厅,那红柳串是真过瘾(20元/串)人气好像比自助餐还火爆一些。

空气清新远山红霞美不胜收

淅淅沥沥下了两天,终雨过天晴,准备迎接中秋,也真对的起嫦娥!下午去玉渊潭锻炼锻炼,路上人流涌动,看来很多人都呆北京了,至少学校的一纸通知,我就只能在北京呆着。在中路的湖堤上,喜欢摄影的、路过的熙熙攘攘、里三层外三层的站了一圈,在那里拍夕阳西下。我也凑个热闹记录下今天的晚霞和远处的山峦,感受一下这非常清新的空气。

真诚祝愿教师节快乐!

教师节快乐!
Jiàoshī jié kuàilè!
С днем учителя!
행복한스승의날되세요!
happy teacher’s Day!
feliz Dia dos professores!
alles Gute zum Lehrertag!
bonne fête des professeurs!
til hamingju með kennaradaginn!
Καλή Ημέρα του Δασκάλου!
hyvää opettajien päivää!
feliĉa Tago de instruisto!
zoo siab xib fwb hnub!
¡feliz Día del Profesor!
fijne leraren dag!
幸せな先生の日!
สุขสันต์วันครู!
教師節快樂!

AlphaFold预测完整人类蛋白质组结构

2021年7月24日讯/生物谷BIOON/—2021年7月22日,DeepMind宣布与欧洲分子生物学实验室(EMBL)合作,为人类蛋白质组的预测蛋白质结构模型建立迄今为止最完整、最精确的数据库。这将涵盖人类基因组所表达的全部约20000种蛋白质,并且这些数据将免费向科学界公开提供。该数据库和人工智能系统为结构生物学家提供了探究蛋白质三维结构的强大的新工具,并提供了一个宝贵的数据宝库,可能开启未来的进步,并预示着人工智能驱动的生物学的新时代。

AlphaFold于2020年12月被蛋白质结构预测关键评估(Critical Assessment of protein Structure Prediction, CASP)的组织者认可为解决蛋白质结构预测这一具有50年历史的巨大挑战的方案,这对该领域是一个惊人的突破。AlphaFold蛋白质结构数据库建立在这一创新和几代科学家的发现之上,从早期的蛋白质成像和晶体学的先驱,到后来成千上万的花了数年时间对蛋白质进行实验的预测专家和结构生物学家。该数据库极大地扩展了积累的蛋白质结构知识,使科学家们可用的高精度人类蛋白质结构的数量增加了一倍以上。推进对这些构成生命的基石(即蛋白)的理解,将有助于各个领域的研究人员加速他们的工作。这些基石支撑着每种生物中的每一个生物过程。

Alphafold是去年12月宣布的支持这些结构预测的先进人工智能系统。2021年7月15日,Nature期刊公布了Alphafold最新高度创新版本背后的方法及其开放源代码(Nature, 2021, doi:10.1038/s41586-021-03819-2)。7月22日的最新成果以论文的形式发表在Nature期刊上,论文标题为“Highly accurate protein structure prediction for the human proteome”。该论文提供了构成人类蛋白质组的蛋白质的最完整图片,并发布了来自另外20种对生物研究很重要的有机体的蛋白质结构图片。

DeepMind创始人兼首席执行官Demis Hassabis博士说,“我们DeepMind的目标一直是建立人工智能,然后将其作为一种工具,帮助加快科学发现本身的步伐,从而推进我们对周围世界的理解。我们使用AlphaFold生成了人类蛋白质组的最完整和最准确的图片。我们相信,这代表了迄今为止人工智能对推进科学知识的最重大贡献,并很好地说明了人工智能可以为社会带来的各种好处。”

AlphaFold已经在帮助科学家们加速发现

通过基于氨基酸序列在计算上预测蛋白质形状的能力–而不是通过多年艰苦、费力且往往昂贵的技术进行实验来确定–已经帮助科学家们在几个月内实现了以前需要花费数年的时间才能完成的任务。


全链结构预测,图片来自Nature, 2021, doi:10.1038/s41586-021-03828-1。

EMBL总干事Edith Heard说,“AlphaFold数据库是开放科学良性循环的一个完美例子。AlphaFold是利用科学界建立的公共资源中的数据进行训练的,所以它的预测结果公开是有意义的。公开和自由地分享AlphaFold的预测结果将使各地的研究人员能够获得新的见解并推动发现。我相信AlphaFold确实是生命科学的一场革命,就像几十年前的基因组学一样,我非常自豪EMBL能够帮助DeepMind实现对这一卓越资源的开放访问。”

AlphaFold已经被合作伙伴使用,如被忽视疾病药物倡议(Drugs for Neglected Diseases Initiative, DNDi),旨在推动对那些严重影响世界贫困地区的疾病的救命疗法的研究;酶创新中心(Centre for Enzyme Innovation, CEI),正在使用AlphaFold来帮助设计更快的酶,以回收我们一些污染最严重的一次性塑料。对于那些依赖实验性蛋白质结构测定的科学家们来说,AlphaFold的预测有助于加速他们的研究。例如,科罗拉多大学博尔德分校的一个研究团队发现,利用AlphaFold预测研究抗生素耐药性是有希望的,而加州大学旧金山分校的一个研究团队则利用它们来增加对SARS-CoV-2生物学的了解。

AlphaFold蛋白质结构数据库

AlphaFold蛋白质结构数据库建立在国际科学界的许多贡献上,以及AlphaFold复杂的算法创新和EMBL欧洲生物信息学研究所(EMBL-EBI)在分享世界生物数据方面几十年的经验。DeepMind和EMBL-EBI正在提供对AlphaFold预测的访问,以便其他人可以将该系统作为一种工具来启用和加速研究以及开辟全新的科学发现途径。

EMBL副总干事和EMBL-EBI主任Ewan Birney说,“这将是自人类基因组图谱绘制以来最重要的数据集之一。让国际科学界能够获得AlphaFold预测,开辟了许多新的研究途径,从被忽视的疾病到用于生物技术的新酶以及两者之间的一切。这是一种伟大的新科学工具,它是对现有技术的补充,并将使我们能够推动我们对世界的理解的边界。”

除了人类蛋白质组之外,该数据库还推出了约35万个蛋白质结构,包括20个具有生物学意义的有机体,如大肠杆菌、果蝇、小鼠、斑马鱼、疟原虫和结核菌。对这些有机体的研究已经成为无数研究论文和众多重大突破的主题。这些结构将使各种领域的研究人员–从神经科学到医学–能够加速他们的工作。

AlphaFold的未来

随着我们继续投资于AlphaFold的未来改进,该数据库和系统将定期更新,在未来几个月内,我们计划将覆盖范围扩大到几乎所有科学上已知的被测序的蛋白质—超过1亿个蛋白质结构,涵盖大部分的UniProt参考数据库。(生物谷 Bioon.com)

参考资料:

Kathryn Tunyasuvunakool et al. Highly accurate protein structure prediction for the human proteome. Nature, 2021, doi:10.1038/s41586-021-03828-1.

John Jumper et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021, doi:10.1038/s41586-021-03819-2.

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。