1980年，麻省理工學院第十三任校長 Jerome B. Wiesner 及教授Nicholas Negroponte共同創辦了媒體實驗室（Media Lab）。作為交叉學科的促進創新應用技術發展的典范，在探索科學前沿探索的同時，也對現行科研成果評價制度提出了挑戰。

在國內，隨著科研水平地不斷提升，交叉學科的發展也日益受到關注。11月30日，國家自然科學基金委員會召開交叉科學高端學術論壇，宣布成立第九大學部——交叉科學部；同時谷歌的 AlphaFold 成功預測蛋白質結構，其背后是少有的機器學習和生物相結合、且真正能解決重要實際問題的成果，再一次將“交叉學科”這個概念推向公眾視野。

12月23日晚，題跋派（由《麻省理工科技評論》中國聯合CB Insights中國聯合發起的未來主義科技領袖社區）舉辦了“交叉跨界重構未來科技創新生態”主題線上研討會，邀請了五位科研領域涉及跨學科交叉的青年科學家，從“交叉學科”的視角探討了以下問題：

如何處理交叉研究領域里不同學科的研究人員互相合作協同的同時，還能保持個人所在學科主體性？

如何看待交叉學科的發展與產業需求的關系？

如何看待把某個領域的研究做深入，與交叉學科本身需要橫向發展之間的關系？

人工智能這項技術應該怎么樣去跟別的學科交叉？

在未來5年，你們認為在交叉學科的哪些領域會有一些比較驚人的突破？你們對這種場景有什么展望？

主持人：齊鵬，同濟大學電子與信息工程學院副教授

圓桌嘉賓：

袁曙光，中國科學院深圳先進技術研究院研究員，計算藥物中心主任，博士生導師

吳志光，哈爾濱工業大學交叉科學中心教授，博士生導師

鄧磊，加州大學圣塔芭芭拉分校電子計算工程系博士后

鄧岳，北京航空航天大學宇航學院及大數據與腦機智能高精尖中心雙聘教授、博士生導師

以下為整理后的文字實錄：

齊鵬：請各位老師先介紹一下自己在交叉領域所做的一些工作。

鄧岳：我是來自北航的鄧岳，我在交叉領域研究的時間不是特別長。在讀博期間，我主要從事機器學習、人工智能方面的基礎理論研究。博士畢業后，開始涉及交叉學科領域的一些工作。目前主要是圍繞腦科學和人工智能的相關課題展開。 之所以選擇這個領域，一方面腦認知對于全世界的科學家來說都是一個比較新的課題，我們希望通過最新的人工智能技術和智能感知技術去了解腦認知的生物機理；另一方面我們希望通過對腦的學習，收獲啟發和觀點，用“生物腦”啟發“智能腦”的研究，從而設計新一代人工智能模型，未來可以將強化學習應用在軍事和醫療中。

袁曙光：我是來自于中科院深圳先進院的袁曙光，我從事的專業是計算機輔助藥物設計。這個領域交叉性特別強，主要通過生物計算的方法來研究蛋白質的三維結構，以及蛋白質與藥物小分子的相互作用，以及利用計算機來發現和設計藥物分子。 我們團隊去年 4 月從瑞士整體回國，創立了計算藥物設計中心。希望通過交叉學科的融合，大大加速臨床前的新藥開發。中心的老師涉及到的研究方向和學科領域眾多，比如結構生物學，藥物化學、計算機技術等，另外還涉及一些生物技術和設備，比如冷凍電鏡技術等。我們目前所從事的生物計算，就是把不同領域老師的工作相互搭配協作，共同加速研究成果的推進。

鄧磊：我本科是在中科大從事光電技術和機器人的相關課題。到清華讀博后，開始從事類腦計算領域相關工作。這個領域的學科也很交叉，當時我們需要從零開始學神經科學、腦科學，在機器學習領域也有所涉及。類腦計算主要還是圍繞芯片來展開，所以還會涉及到電子和微電子領域的技術。在美國期間，我主要是進行芯片架構的設計。 我們團隊目前正在做的工作，是從神經科學和機器學習的理論出發進行研究。另外，還有芯片的設計以及系統的構建，比如普通的計算平臺、服務器、軟件工作都有涉及，所以目前的工作基本上就圍繞交叉學科展開。

吳志光：我是來自于哈爾濱工業大學交叉科學中心的吳志光，從一開始從事科研，我就在從事交叉學科。我目前從事的是生物醫學中微納米機器人的研究。這個領域的科研人員主要以研究機器人領域的居多，另外還有從事微機電系統研究的科學家。 我是化學背景，所以我的工作更多是把膠體進行化學組裝，將生物相容性，生物降解性比較好的材料作為主體，來組裝微納機器人。

齊鵬：如何處理交叉研究領域里不同學科的研究人員互相合作協同的同時，還能保持個人所在學科主體性？

袁曙光：在生物計算領域，如果已經做出準確的生物計算結果，準備發一篇比較好的文章的時候，有時會碰到審稿人問：文章里的生物計算結果是只是停留在理論上嗎？是否有實驗結果來佐證你計算的分子機理是正確的？或者是否可以真正應用到新藥研發過程當中？如果想回應審稿人的質疑，就需要去找可以做生物實驗的合作者。 現在問題就來了。如果我們單純看模擬計算的內容和結果，可能對整個課題來說只是一小部分，但對實驗來說卻是核心內容。衡量下整個課題的所花費的時間，早期通過計算機模擬進行理論計算花的時間并不會很多；但如果找做生物實驗的課題組來合作，實驗部分花的時間可能是計算機模擬的兩倍、三倍甚至更多時間。這個時候，組里的主次關系可能會發生變化。雖然生物計算只是其中一小部分，但是計算結果可能是整個實驗的精髓。 另外現在很多新興的 AI 制藥公司，或者越來越多的國際大型制藥公司，會把生物計算看作領頭羊和最底層的設計者，并不是說只是一個輔助手段。

齊鵬：我說一個我的困惑。我做的是醫療機器人，我們在做醫工交叉時，醫療機器人最終是要應用于臨床，所以這個開發的需求實際上都是由醫生提出來的。我們做出來之后還要給醫生來驗證結果。相當于醫生不僅是出題人，同時還是閱卷人。不知道其他老師有沒有這樣的困惑？ 吳志光：我是做微納機器人的，也會遇到和齊老師提到的類似問題。但是我們一般認為，合作的課題組里沒有一個絕對的主次關系，更多的是組隊合作。在合作的過程中，我做的更多的是介紹好自己，做好自己在課題研究中的角色。 要是遇到了比較棘手的問題，比如攻克癌癥，我們可能一時半會解決不了，但我們可以先解決小問題，積少成多，量變到質變。

鄧磊：最開始當我們研究深度學習的時候，感覺沒有很交叉。但在這幾年，交叉學科就已經發展得非常普及了。 像我們做類腦芯片，本來專長是做芯片，做硬件。但因為大腦本身是一個軟硬件一體的系統，很難說你對他的研究只做硬件的部分。我們當時也沒有什么可供參考，如果只做好硬件。不懂腦科學，不懂神經科學，不懂機器學習，這個事情也做不成，所以當時我們只能硬著頭皮接觸不同學科。 如果說合作中的關系，我覺得需要看這個問題最開始是由誰提出來的。如果我們的項目是為了做出芯片，肯定是以我們為主，我們會去找腦科學家交流，但同時我們也會自己做一些神經科學或者腦科學的建模。但如果我們芯片做出來之后，也可以和一些腦機接口的應用合作。如果剛好有課題組想用我們的芯片來驗證，或者做另外某項課題，那我們就會協同配合。 我們這樣做，倒不是說是為了搶其他領域的人飯碗，而是因為如果我們自己對這些領域不是很了解的話，后面的工作就沒辦法開展了。包括我們現在做軟件也是，大概在 2016 年以前，做 AI 芯片的人，很多都是純做硬件的人，不是很懂機器學習。但是從 2016 年之后，會發現他們也在研究很多算法。因為如果不把算法和硬件一起優化的話，性能很難再提升。 我覺得，最終還是要形成一種相互促進的關系，彼此技術的進步會推動雙方更好的發展，這種生態關系我覺得才是比較良性的。

鄧岳：我覺得從合作的角度看，首先要了解自己的主業是什么。比如說我自己是研究算法的，我能做的模型深度或者說對數據的闡釋和理解肯定是要會比做腦科學、神經科學的科學家要深一些。 但同時，我們也應該認識到，和別人合作的過程其實更多的是妥協的過程。比如說合作方總覺得機器學習能夠解決所有終極問題，其實可能現在的研究進展還是無法根本解決。因為他不懂這個領域，他眼中的 AI 可能是電影里上的那種很快會統治地球的 AI 。 再比如說我們現在在研究對腦的觀測手段，我們覺得說只要醫學上對腦有足夠的觀測，我們建模分析，用數據解釋機理就好了。但其實我們也受限于目前醫學的觀測手段及發展程度。所以現在我們在彼此合作中，慢慢會發現大家能做的事其實就慢慢往中間走。 現在，單一領域的課題成果很難再上 Nature、Science 了，而交叉領域的文章越來越多。有的內容噱頭很大，但如果真的去看他的技術，其實會發現最后也是妥協的結果。有一些研究課題只是淺嘗輒止，我覺得這是目前學術界在交叉學科發展上的大趨勢。但這也是一件好事，因為以前可能沒有人來做這件事。

齊鵬：如何看待交叉學科的發展與產業需求的關系？

鄧磊：從我的角度來講，為什么最近幾年對于交叉學科的市場需求越來越多？其實我同意袁老師剛剛提到一句話，我們已經很難在單一學科的框架下來突破和提升。我本身是做儀器設備和芯片系統的，如果按照原來的思路去做的話，已經很難再去優化整個系統的性能。 我給大家舉兩個例子。 第一個，以前的流式細胞儀，傳統上，會使用高幀率的相機抓拍變化比較快的細胞，或者細胞的變形去分析。但是如果還想整體提高的話，也很難再使用更高幀率的相機。要么提升系統的復雜度，要么把算法搞得很復雜，但是整體都比較難。 但最近的研究中我們發現，也許可以借鑒像青蛙一樣的仿視網膜傳感器。它不是整張圖像曝光，而是一個像素點一個像素點地曝光。雖然整體的背景可能不能拍得那么細，但是它的速度很快。那種場景沒有我們做圖像探測那么復雜，所以其實也是相當于一種市場需求驅動的多學科的應用。 第二個例子。手機做圖像處理現在是一個很簡單的功能，以前可能大家覺得把圖像處理機器學習的算法寫上代碼編譯進手機里，不就可以了嗎？其實以前是可以的，但為什么在這種市場需求存在、并且以前單一學科就可以解決的情況下，現在大家卻發現很難了呢？ 是因為在我們這個時代，從智能手機出現開始，很多系統里面的數據量跟以前不是一個量級的，模型復雜度跟以前也不是一個量級的。再按照以前那樣寫進去，運行會特別慢，就會發現除了做硬件還要做模型、算法的研究和編譯。所以雖然需求還是一樣的，但已經不能再使用以前那種單一傳統的方法，因為我們面臨的數據和模型復雜都變了。 現在很多藥物仿真也是一樣的。因為 AI 模型進來之后，我們會發現用傳統的超算或者 CPU 還是不夠快，所以現在很多人會搞專用的硬件、專用的芯片來搭系統，去做這些事情。

鄧岳：我認為現在的交叉學科和產業化還有一個比較大的鴻溝。在學術上，我們可以接受這種前沿性，因為有國家和基金委的支持。但是真正在做產業化的同時，其實更多的時候考慮的是成本。 所以我覺得，現在我們做交叉研究有點像前段時間華為所講的，我們是要產生一些捅破天的技術，比如說真正改變下一個時代的技術，比如吳老師的納米機器人或者鄧老師的類腦芯片，是真的改變原來的架構，重新書寫一片天地的技術；但目前來說，就我看到的，在產業化這個方面更多的還是會受到成本以及穩定性的約束。因為產業化是要批量生產，它會追求成品率和成本的控制。我們現在更多的是 POC （Proof of Concept）。 但我覺得有一個領域是可以產業化的，比如我們北航做的軍工企業，因為它是不計成本的。我只要生產出一個有效、有用、且穩定的就可以。但如果是面向民用，比如我們手機要用一個AI芯片，那肯定還會有更多需要考慮因素的了。 真正產業化未來還是有很多路要走的。但總之，我覺得是前景是美好的。

齊鵬：如何看待把某個領域的研究做深入，與交叉學科本身需要橫向發展之間的關系？

鄧岳：我認為交叉學科是門檻很高的領域。需要我們給他一個好的定義。一個好的定義，我可能會更偏向它的科學性和前沿性。也就是說這項技術本身是否能夠真的在未來帶來質的改變。 比如說最近很熱的量子技術。如果量子計算機真的實現了，那將完全重新書寫 AI 技術的體系結構。或者袁老師通過計算藥學研制出的新藥，吳老師用納米機器人直接可以送到病灶上……等等，這種利國利民、真正會產生重大突破的、具有科學性的交叉，我認為才是真正有意義的交叉學科。

鄧磊：我覺得交叉這個詞本身褒貶義不明確。最近我感到比較困惑的是，以前會覺得自己什么都懂。但最近就不太愿意說自己是做交叉學科的，因為有的人，尤其是年紀大一點的老師，會不知道我的主業是什么，感覺什么都做，但是什么都做不好。 我不能評價別人好或者不好，我覺得學術多樣性本身是挺好的事情。如果當前的工作方式對你的研究有幫助，比如你覺得目前的課題需要懂很多不同領域的技術，那就堅持去做交叉學科；比如你想深耕某個學科領域，并且做出成果，我覺得這樣也很好。 但我覺得現在跟以前不一樣的一點在于，盡管我們在深耕自己的領域，但還是要清楚目前這個領域內，到底有哪些學科。以及在整個體系內，這些學科的發展瓶頸有哪些。現在會更強調一個整體的系統性發展水平和實力。比如說類腦計算是一個很復雜的學科，但總會有人說類腦計算的發展沒有人工智能好。這其中有很多方面原因，就像在 2013 年左右，大家想做一個很大的卷積神經網絡來做醫療，但是當年的 GPU 跑不動。所以我覺得交叉學科的發展，如果對整個生態的發展有促進作用，我覺得就可以。

吳志光：我覺得交叉學科的發展，很大程度上是由于原來的單一學科解決不了一些問題，現在通過合作，希望實現最終成果的突破。另外我覺得我們對待新興學科的出現，更多還是應該給予鼓勵和理解，要辯證地來看。 袁曙光：我特別同意吳老師的觀點，如果是做一些交叉學科的課題，它應當在學科交叉之后，解決某些單一學科解決不了的問題，或者是說提高之前單一學科的研究效率。 這一點是我個人體會比較深的。在生物計算制藥領域，現在人工智能和制藥兩個領域都發展得很好，如果兩個學科進行交叉，那可以接觸到的資源也是比較多的。但其實到最后，不是所有人都具備這樣一個多學科高度融合的能力，即使早期從不同渠道拿到了很多資源，但最后可能并沒有做出非常突破性的工作，也沒有像我們所預期的那樣，在短期之內通過高度交叉的學科達到新藥研發的目的。 我覺得其實在很多交叉學科自己構建的體系里，并沒有真正的把各個學科有機融合，發揮最大的功效，這是我的一點感悟。

齊鵬：如果你是做人工智能研究的，你覺得人工智能這項技術應該怎么樣去跟別的學科交叉？如果你不是做人工智能的，你希望人工智能技術跟你這個領域去怎么樣去交叉？

袁曙光：人工智能應用到新藥創新，并不是一個新鮮事，30年前這個概念就已經提出來，當時我們是叫 “定量藥效構成關系”，它是用線性回歸的方式來做小分子的一些性質預測。但在30年前，因為很多客觀因素的局限性：一是數據量積累少，二是計算機硬件也跟不上，因此并沒有今天這么火熱。 但是隨著數據量的積累和數據庫的完善，以及像英偉達GPU硬件的發展等，已經實現了能在普通的個人電腦上處理大樣本量和高數據，這個時候AI應用到新藥研發上，就比較現實一些了。 但實際上，我們在真正從事醫療行業研究的時候發現，AI其實并不是一個萬能鑰匙，什么問題都能解決，它更多的是幫助解決某個環節上的問題。因為在我們生物化學領域，從AI預測的準確性角度看，它在預測二分類，比如像有還是沒有，準確率基本可以達到80%甚至90%以上，但是在預測具體數值到底是0.1還是0.2的時候，它的準確率可能只有30%或者40%。 同時，AI 其實只是生物計算應用到新藥研發中非常小的一塊。很多新藥研發是通過其他計算方法比如分子力學等計算方法實現的。

吳智光：因為我不是做AI的，所以對AI的概念沒有一個絕對的理解。我的研究領域是微納機器人，因為它叫機器人，它跟機器之間最大的區別就是它要有自己的智能。比如現在，我們做一個微納機器人，很容易做到通過我們的儀器操控來實現上下左右的走，但是如果讓他自己去完成一些任務比如自己走一個迷宮，那就需要比較智能化的解決方式了。 我們非常希望做的事情就是能不能通過 AI 來設計一些新的納米機器人，這些機器人能達到我們想要的意圖？目前看起來好像還是挑戰比較大的。 鄧磊：好像近幾年有一句話叫“萬物皆可AI”，大家之所以會這么認為其實還是產生了一個錯覺，覺得只要是需要根據數據做決策的場景，都可以建個模型用AI試試結果就出來了。但其實真正想做好AI 的人，會從應用角度考慮，會看市場的痛點和產業鏈的需求，會希望自己的 AI 模型能真正解決問題。 從另外一個角度來說，我覺得 AI 另外一個很重要的點是要好用，可能你看別人說好，用得好，拿到自己的領域發現其實并沒有那么穩定可靠，所以希望還是對自己好用才更重要吧。

鄧岳：我自己就是做 AI 的，但我也是從讀博士開始做 AI 的，其實并不是各種數據都做過。現在有個現象，是個公司都說自己是做 AI 的，我在給我北航研究生上課的時候說，大家不要相信媒體上的 AI，因為媒體把 AI 過度神仙化導致它越來越被過度妖魔化了。只有知道什么是真正的AI，才能知道它能做什么，不能做什么。 現在我們所謂的AI，其實還是基于數據的一個統計模型，相當于是統計學或者應用數學的一個下游。比如谷歌的阿爾法狗為什么能起來？因為算力、GPU和深度網絡已經到了可以計算這么多的場景了，但其實自己看它最初的頂層架構和算法，其實50年前可能就應有的了。所以，這些基于統計的規則的算法，其實算一種數學規則上的暴力美學，并不具有人真正的智能。 所以我一直覺得現在的 AI 不應該叫 Intelligent，應該叫Machine Learning。本質上現在還是一個重復學習的東西，解決問題的能力其實非常有限，創造性還是很差的，不能太期望于它能幫助解決所有的問題。 而 AI 在未來的一個很重要的發展趨勢，其實就是突破這種數學家眼中的 AI 架構，去尋找一種新的架構，解決“人到底是如何思考問題”的。

齊鵬：在未來5年，你們認為在交叉學科的哪些領域會有一些比較驚人的突破？你們對這種場景有什么展望？

袁曙光：我個人還是比較看好量子計算。主要是它未來不僅僅在我們生物醫療領域，對我們整個生活及基礎資源都可以帶來一個質的飛躍。 吳智光：我希望我們的微納機器人有一天能做成跟人的免疫系統一樣，隨時隨地集群在人的體內。假設有人得了晚期的癌癥，那么由于它形成了一個自己的免疫系統，它就隨時隨地的可以進行治療和控制，最后能變成一種相當于我們感冒一樣的慢性病，或者是干脆解決他們。

鄧磊：如果不局限于自己的領域的話，從計算的角度來講，未來5年我感覺現在計算架構里面的異構計算應該會全面鋪開。 比如大家從蘋果出的第一代處理器可以看到，里面的“一個芯片”已經不再是嚴格意義上的以前的“一個芯片”，它實際上在一個芯片里集成了很多個領域的專用的芯片。可能有專門的圖像處理的芯片，有專門的 CPU、GPU神經網絡人工智能的芯片等各個學科的專用的高效芯片，來構建整個高效的系統。 同時也正是因為摩爾定律遇到了極限，或者像馮·諾伊曼也遇到了瓶頸，所以按照原來的那個方式來做芯片，已經很難再去提高整體性了。從這個角度看，未來5年大家應該會在各種計算機系統或者手機系統里面都可以看到這種架構。 鄧岳：我個人比較看好的：一個是量子計算，還有一個就是非馮·諾伊曼體系下的新一代的架構體系。剛剛也被袁老師和鄧老師都說了，我就投個贊成票。

-----關于題跋派TIBA Club題跋派是由《麻省理工科技評論》中國、CB Insights中國聯合發起的未來主義科技領袖社區，旨在聚集新興科技領域的創業者、投資人、產業代表，打通社交圈層，構建科技創新網絡。

原文標題：萬字長文剖析交叉學科技術與市場應用潛力，量子計算或將率先實現驚人突破 | 題跋派

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq