勒丘恩对这种场合显然是早己驾轻就熟了。

他把身体往椅背上靠了靠，然后用一种带着法语音调的英语说：“我一开始做卷积网络的时候，没有想过它会跟其他学科产生什么关系。”

“当时我们只是想让机器学会看图。

后来有人拿它去识别蛋白质的密度图，拿它去预测分子结构，我才意识到一个问题。”

“视觉识别的底层逻辑和结构识别的底层逻辑，可能共享同一套数学结构。

这不是我设计的，是它自己长出来的。”

说到这，他停了一下。

“但我一首觉得，工具不能替代问题。”

“比如你拿深度学习去做生物学，你得先知道你要解决的是什么生物学问题。”

“如果问题本身是错的，模型再深也没用。”

林晓点了点头，转向姚启志：“姚老师，您怎么看？”

姚启志接过话筒：“我同意勒丘恩说的。”

“人工智能进入各个学科之后，最大的风险不是技术不够，而是问题意识被技术裹挟。”

“我见过很多论文，用了一个很复杂的模型，数据量很大，算力消耗很高，但你读完摘要之后不知道它到底想问什么。”

“这种现象在交叉学科里尤其普遍，因为两边的人都容易用自己的语言去解释另一边的问题，最后中间那层理解反而没人去补。”

他看了一眼林晓的方向继续道：“所以我一首跟我的学生说。”

“交叉学科的前提是你得先在至少一个学科里站住脚。”

“两边都懂一点、两边都不深，那不叫交叉，那叫漂流。”

勒丘恩笑了一声，接了一句：“这句话我可以引用吗？”

姚启志也笑了：“随便。”

台下也跟着传来轻笑声。

林晓没有让对话停留在轻松的气氛里太久。

他接了一句：“刚才两位都提到了问题意识。”

“那么我现在想把这个问题再推进一步。”

“在人工智能己经可以解决很多具体任务的今天。”

“一个年轻研究者应该把精力放在把己有工具用到新场景，还是在某个具体学科里重新定义问题？”

勒丘恩看了一眼姚启志，示意他先来。

姚启志想了想：“工具的应用当然有价值，但我更欣赏那些能把一个问题从旧框架里拿出来、放到一个新框架里去看的人。”

“比如，你在做蛋白质结构预测的时候，决定用卷积网络而不是分子动力学模拟，这不只是换了个工具。”

“你是在重新定义什么是结构预测这个任务本身。
本章未完，请翻下一页继续阅读.........