可加性|普林斯顿大学王梦迪：从基础理论到通用算法，看见更大的AI世界观( 五 )

强化学习、统计优化是王梦迪组的两大研究方向，但她并没有将自己局限于机器学习的范畴。
青年科学家如王梦迪，成长于学科渐趋深度融合的大环境，也拥有了更大的研究世界观。在科研上，他们站在巨人的肩膀上，追求探索与创新的工作。跨学科作为火花碰撞的主要口子之一，自然对新一代的研究员有着致命的吸引力。
如果说达特茅斯会议的头脑风暴，是学科知识融合的起切口，那么，「AI for Science」（将人工智能应用于科学研究）似乎是人工智能首次作为一门成熟的独立学科，加入到学科间的交流中。科学领域的「大熔炉」是否会形成？答案仍未揭晓，但趋势却渐显。
「普林斯顿以科学为本，也愿意站在一个更高的理论角度来思考学科的发展，对AI for Science十分关注。」王梦迪谈道。
王梦迪对「AI for Science」的关注，始于2019年。那时，王梦迪在学术休假期间加盟DeepMind，兼职任高级研究科学家，也接触到了许多将人工智能技术用于科学研究的工作，比如能够预测蛋白质结构的 AlphaFold，不久前用神经网络求解混合整数规划（MIP）问题等。
王梦迪与团队追求创新研究，探索前人没有涉足过的问题。在她看来，机器学习领域更多基础问题已经解决，但在应用中还有大片空白。比如，在 AI 与生物学、AI与医疗、AI与材料等的结合研究中，学科间的融合是一大难点。
在与跨学科的科学家合作的过程中，王梦迪的一个感受是：两个领域的学者在定义问题的语言与方式上十分不同：
「机器学习的研究者习惯一上来就先问数据是什么、输入输出是什么，而自然科学的科学家可能对『输入』的概念很模糊。尤其是当数据少时，我们会需要对数据进行迁移学习，了解其他关联数据，分析数据之间的相似性，寻找内在逻辑和图谱等等。所以，要设计机器学习算法来辅助science，还要有大量沟通。」
不过，王梦迪并不沮丧。DeepMind是将人工智能应用在科学研究上的领头羊。来自 DeepMind 与其他机器学习领域的科学家的自信也感染了王梦迪:
「DeepMind的价值观就是要推动人类文明的进步。我感觉研究人工智能的学者都非常自信，觉得自己有能力解决世界上最难的问题。这种自信非常棒，会给予自己主观能动性，也会感染其他学者，帮助不同学科的人更快、更好地联合在一起，去解决原先以为难于登天的问题。」
近日，王梦迪与团队在这方面也取得了不错的成果：他们将单细胞的状态（来自于单细胞的逆转因子测序）当成一个系统来进行强化学习建模，通过高通量的单细胞测序数据来重建一个单细胞的状态变化轨迹，甚至找到它的重要隐变量，从而预测干细胞的分化和癌症细胞的病变。他们用深度学习的方法优化碱基序列和蛋白质氨基酸序列，辅助开发新的基因编辑、基因治疗工具。
问及为何「AI for Science」的首选领域是结构生物学，王梦迪解释：主要原因是结构领域的数据相对多；即使没有数据，还可以用分子动力学进行计算模拟。很多AI在药物发现上的突破，即是从这个角度出发，用深度学习进行加速，做泛化性处理。然而在数据量更稀少的问题上，还有大片空白等待探索。
谈起DeepMind，王梦迪非常爱戴，这个由世界顶级科学家创立的科研机构在用 AI 推动科学进步、社会进步的进程上敢为天下先，给全世界的学者带来了信心。但与此同时，DeepMind也无需被过度神化：「单就强化学习的应用技术而言，国内的领头羊，比如腾讯 AI Lab、阿里达摩院、滴滴等，并不比DeepMind差。」
追溯DeepMind发展飞快的更深一层原因，是 DeepMind 的科学家在母公司谷歌的支持下，能够自由地探索研究。相比之下，「国内应该没有一个 AI 机构能像 DeepMind 一样拿到那么多没有限制的资源。所以，从资源投入的角度来看，将任何一个以前的研究机构与 DeepMind 比都是不公平的。」

6、青年学者的乐观主义
王梦迪对人工智能的未来十分乐观。
她认为，机器学习仍在快速发展，当越来越多学科与知识融入其中，也必然产生越来越多的新问题。从这个角度来看，后继者在可以前人的基础上开辟新的道路，深度学习的瓶颈未必是人工智能研究的瓶颈。年轻的科学家们有机会拓展机器学习的边界、甚至科学的边界，在AI的大领域中找到自己的位置。
也许是年龄与所带领的博士生相仿，王梦迪似乎更能理解学生的想法，愿意支持学生做各种各样的选择。无论是进入学术界传承衣钵，亦或进入工业界推动技术落地；是做应用和产品，还是理论研究，她认为，这些方式都能推动人工智能发展，无以臧否。雷峰网