人工智能在国防领域的七大应用
-1-人工智能在国防领域的应用人工智能在国防领域的应用主要用于7个方面：情报、监视和侦察，后勤，网络空间行动，信息操纵和深度伪造，指挥和控制，半自动和自动驾驶车辆，致命自主武器系统。
（1）情报、监视和侦察。由于有大量可用数据集，因此人工智能在情报领域有很大的用处。情报界以及有大量相关的正在进行中的人工智能项目了。就CIA（中央情报局）就有140个使用AI来完成图像识别和预测分析任务的项目。
（2）后勤。人工智能在军事后勤领域也有很大的应用潜力。空军已经开始使用人工智能来进行飞机维护预测。
（3）网络空间行动。人工智能也有望成为促进军事网络空间行动的关键技术。参议院军事委员会、美国网络司令部司令上将MichaelRogers早在2016年就认为，在网络空间领域只以来人类情报是一个失败的战略。随后他澄清说，应当应用一定程度的人工智能或机器学习技术。DARPA2016网络挑战赛也证明了AI赋能的网络工具的潜在能力，比赛参与者开发了能够自动检测、评估和分发补丁的AI算法。这些能力都可以在未来的网络活动中提供不同的优势。
（4）信息操纵和深度伪造。人工智能技术可以用来制造逼真的伪造图片、音频和视频，这也就是今年大火的“deepfakes”（深度伪造）技术。恶意攻击者可以用深度伪造技术来发起信息操纵活动，攻击每个，如生成虚假新闻报道、影响公共信息、侵蚀公共信任、损害名人名声。为了应对深度伪造技术，DARPA发起了媒体取证项目，以寻求自动检测修改、提供关于视觉媒体真实性信息的理由。
（5）指挥和控制。美国军方正在利用AI在分析方面的能力应用于指挥和控制。空军就开发了一个用于多域指挥和控制的系统，未来人工智能还可能用于融合来自不同域的传感器的数据来创建一个信息的单独源。
（6）半自动和自动驾驶车辆。所有的美国军事服务都在努力将人工智能融入到半自动和自动驾驶车辆中，包括战斗机、无人机、地面车辆和海军舰艇等。人工智能在这些领域的应用与商业半自动驾驶车辆类似，即使用人工智能技术来感知环境、识别物体、融合传感器数据、规划路径、以及与其他车辆之间进行通信。
（7）致命自主武器系统（LAWS）。LAWS是一种特殊的武器系统，使用传感器和计算机算法来独立地识别目标和指挥武器系统在没有人为干预的情况下打击目标。虽然这样的系统目前还不存在，但军事专家相信在未来通信降级或拒绝的特殊环境下，传统武器系统无法工作的情况下LAWS会启到很重要的作用。
-2-军事AI融合的挑战从冷战开始，主要的国防相关技术在商用之前都是由政府主导的项目首先开发的，包括原子核技术、GPS和互联网技术。DARPA的战略计算计划(StrategicComputingInitiative)从1983到1993年10年间共投入10亿美元来开发人工智能在军事应用领域的探索，但进展缓慢。目前，商业公司正在引领人工智能的发展，随后国防部才采纳这些工具并应用于军事领域。对如此具有战略重要性的技术来说，只有一小部分商业公司在开发是非常不同寻常的。除了投资领域的快速变化外，人工智能技术在军事领域的应用存在来自技术、过程、人员和文化方面的挑战。
2.1国际竞争
随着人工智能军事应用的规模和复杂程度不断变大，国会和国防部许多官员都非常关注该领域的国际竞争。参议员TedCruz在thedawnofAI听证会的评论中表示，对美国来说，放弃发展人工智能的领导地位（相当于中国、俄罗斯等国家）不仅会使美国处于技术劣势，还可能对国家安全产生严重影响。
2.2人工智能的机遇和挑战
（1）自治。许多自主系统都多少使用了人工智能技术。相关专家认为军事系统在一些特殊任务中替换人类会获有很大的优势，如：长时间的情报收集和分析，清除化学武器对环境污染带来的破坏等。在这些任务中，自主系统可以减少相关风险，降低成本，为国防部使命提供一系列的价值，如下图所示。
（2）速度和耐力。人工智能引入了在极限时间范围内作战的方法，提供给系统在GHZ速度反应的能力，具有动态加速对抗速度的潜力。现在一般公认的是，时间在战争中具有非常重要的优势，并且反过来会促进军事人工智能应用的广泛应用。
（3）规模化。人工智能可以通过增强人类能力和使用更加廉价但性能更佳的军事系统来形成群聚效应。并且，人工智能系统可以增加单个服务单元的效率。有分析师称，人工智能系统的使用可能使得军事力量与人力规模和经济实力无关。
（4）信息优势。人工智能为数据量指数级增长提供了一种有效的分析方法。据国防部数据，军队共拥有11000架无人机，每个无人机每天都记录了相当于三个NFL赛季的高清录像。但国防部没有足够的人员或系统来处理这些数据以提取出有价值的情报。未来人工智能算法会生成自己的数据来进一步分析，以完成类似提取非结构化数据、金融数据、选举结果到报告中的任务。
（5）预测性。人工智能算法可以产生一些出乎意外的结果。并确实有很多失败的案例，前DARPA主任AratiPrabhakar表示，我们发现人工智能是一项非常有能力的技术，但同时也是非常有限的，而且出错的一些方式可能人类从来不会发生。如果人工智能系统发规模部署，那么系统失败可能会引发明显的风险。分析师称人工智能系统识别的方式可能是相同的，可能会引发大规模的破坏效应。
（6）可解释性。目前，性能最好的人工智能算法都无法解释其工作过程。DARPA和其他组织都在努力来对人工智能算法有更好的理解。可解释性对军事应用来说具有特殊的意义，因为人工智能系统推理的透明度会影响操作人员对系统和系统结果的信任度。可解释性还会对军事AI系统可验证和确认的性能带来影响。由于缺乏可解释的输出，AI系统在军事测试时无法通过审计来确认系统满足了性能的标准。
（7）漏洞利用。人工智能系统可能会增加系统被利用的可能性。首先，AI系统的普及增加了可被黑的系统的数量。其次，AI系统存在被窃取的漏洞，而且几乎都是基于软件的方式。最后，对手还可以精心引入图像分类器和其他类型的错误引发的漏洞。这些漏洞引发了我们对鲁棒性数据安全、网络安全、测试和评估过程的需求。
-3-人工智能对战场的影响尽管人工智能还没有以一种正式的形式进入战场，但专家们预测了人工智能会对未来战争带来潜在影响。这种影响将是多方面的，包括商业投资率、国际竞争力、促进人工智能的能力、对AI应用的军事态度、AI特定战争概念的开发。
许多专家断言人工智能军事应用是一种“必然”，认为它必然会带来重大影响。然而，2016年1月，时任联席会议副主席保罗·塞尔瓦将军指出国防部仍在评估人工智能的潜力。企业开发的人工智能技术提供了军事作战的乘数效应吗？如果是，那么可能需要改变我们的战斗方式。如果不是，那么军队需要提高现有的能力以在对手面前取得一定的优势。目前国会也在考虑影响军事AI应用的一些场景并对其进行分析和监管。返回搜狐，查看更多
人工智能在日常生活中的12个例子
在下面的文章中，您可以查看我们日常生活中出现的12个人工智能示例。
人工智能(AI)越来越受欢迎，不难看出原因。人工智能有可能以多种不同的方式应用，从烹饪到医疗保健。
虽然人工智能在今天可能是一个流行词，但在明天，它可能会成为我们日常生活的标准一部分。事实上，它已经在这里了。
1.自动驾驶汽车
他们通过使用大量传感器数据、学习如何处理交通和做出实时决策来工作并继续前进。这些汽车也被称为自动驾驶汽车，使用人工智能技术和机器学习来移动，而乘客无需随时控制。
2.智能助手
让我们从真正无处不在的东西开始——智能数字助理。在这里，我们谈论的是Siri、GoogleAssistant、Alexa和Cortana。
我们将它们包含在我们的列表中是因为它们基本上可以倾听然后响应您的命令，将它们转化为行动。
所以，你打开Siri，给她一个命令，比如“给朋友打电话”，她会分析你所说的话，筛选出围绕你讲话的所有背景噪音，解释你的命令，然后实际执行，这一切只需要几个秒。
这里最好的部分是这些助手变得越来越聪明，改进了我们上面提到的命令过程的每个阶段。您不必像几年前那样对命令进行具体化。
此外，虚拟助手在从你的实际命令中过滤无用的背景噪音方面变得越来越好。3.微软项目InnerEye
最著名的人工智能计划之一是由微软运营的一个项目。毫不奇怪，微软是顶尖的人工智能公司之一(尽管它肯定不是唯一的一家)。
微软项目InnerEye是最先进的研究，有可能改变世界。
这个项目旨在研究大脑，特别是大脑的神经系统，以更好地了解它的功能。这个项目的目的是最终能够使用人工智能来诊断和治疗各种神经疾病。
最著名的人工智能计划之一是由微软运营的一个项目。毫不奇怪，微软是顶尖的人工智能公司之一(尽管它肯定不是唯一的一家)。
微软项目InnerEye是最先进的研究，有可能改变世界。
这个项目旨在研究大脑，特别是大脑的神经系统，以更好地了解它的功能。这个项目的目的是最终能够使用人工智能来诊断和治疗各种神经疾病。
4.抄袭
大学生的(或者是教授的)？)噩梦。无论你是内容经理还是给论文评分的老师，你都有同样的问题——互联网让抄袭变得更容易。
那里有几乎无限量的信息和数据，不太谨慎的学生和员工很容易利用这一点。
事实上，没有人能够将某人的文章与所有的数据进行比较和对比。人工智能是一种完全不同的东西。
它们可以筛选数量惊人的信息，与相关文本进行比较，看是否有匹配。
此外，由于这一领域的进步和发展，一些工具实际上可以检查外语来源，以及图像和音频。
5.推荐
你可能已经注意到，某些平台上的媒体推荐越来越好，Netflix、YouTube和Spotify只是三个例子。这要感谢人工智能和机器学习。
我们提到的三个平台都考虑了你已经看到和喜欢的内容。这是容易的部分。然后，他们将其与成千上万的媒体进行比较和对比。他们主要从您提供的数据中学习，然后使用自己的数据库为您提供最适合您需要的内容。
让我们为YouTube简化这个过程，只是作为一个例子。
该平台使用标签等数据，年龄或性别等人口统计数据，以及消费者使用其他媒体的相同数据。然后，它混合和匹配，给你建议。
6.银行业务
如今，许多较大的银行都给你提供了通过智能手机存入支票的选项。你不用真的走到银行，只需轻点几下就可以了。
除了通过手机访问银行账户的明显安全措施外，支票还需要你的签名。
现在银行使用AIs和机器学习软件来读取你的笔迹，与你之前给银行的签名进行比较，并安全地使用它来批准一张支票。
总的来说，机器学习和人工智能技术加快了银行软件完成的大多数操作。这一切都有助于更高效地执行任务，减少等待时间和成本。
7.信用和欺诈
既然我们谈到了银行业，那就让我们稍微谈一下欺诈。银行每天处理大量的交易。追踪所有这些，分析，对一个普通人来说是不可能的。
此外，欺诈交易的形式每天都在变化。有了人工智能和机器学习算法，你可以在一秒钟内分析成千上万的交易。此外，您还可以让他们学习，弄清楚有问题的事务可能是什么样子，并为未来的问题做好准备。
接下来，无论何时你申请贷款或者申请信用卡，银行都需要检查你的申请。
考虑到多种因素，比如你的信用评分，你的金融历史，所有这些现在都可以通过软件来处理。这缩短了审批等待时间，降低了出错率。
8.聊天机器人
许多企业正在使用人工智能，特别是聊天机器人，作为他们的客户与他们互动的方式。
聊天机器人通常被用作公司的客户服务选项，这些公司在任何给定时间都没有足够的员工来回答问题或回应询问。
通过使用聊天机器人，这些公司可以在从客户那里获得重要信息的同时，将员工的时间腾出来做其他事情。
在交通拥挤的时候，像黑色星期五或网络星期一，这些是天赐之物。它们可以让你的公司免于被问题淹没，让你更好地为客户服务。
9.让您远离垃圾邮件
现在，我们都应该感谢垃圾邮件过滤器。
典型的垃圾邮件过滤器有许多规则和算法，可以最大限度地减少垃圾邮件的数量。这不仅能让你免受烦人的广告和尼日利亚王子的骚扰，还能帮助你抵御信用卡欺诈、身份盗窃和恶意软件。
现在，让一个好的垃圾邮件过滤器有效的是运行它的人工智能。过滤器背后的AI使用电子邮件元数据；它关注特定的单词或短语，它关注一些信号，所有这些都是为了过滤掉垃圾邮件。
10.视频摘要
这种日常人工智能在网飞变得非常流行。
也就是说，你可能已经注意到，网站和某些流媒体应用程序上的许多缩略图已经被短视频取代。这变得如此流行的一个主要原因是人工智能和机器学习。
人工智能会为你做这些，而不是让编辑们花费数百个小时来缩短、过滤和切割较长的视频，变成三秒钟的视频。它分析数百小时的内容，然后成功地将其总结成一小段媒体。
11.食谱和烹饪
人工智能在更多意想不到的领域也有潜力，比如烹饪。
一家名为Rasa的公司开发了一种人工智能系统，该系统可以分析食物，然后根据您冰箱和储藏室中的食物推荐食谱。对于喜欢烹饪但又不想花太多时间提前计划膳食的人来说，这种类型的人工智能是一种很好的方式。
12.人脸识别
关于人工智能和机器学习，如果我们可以说一件事，那就是它们使他们接触到的每一项技术都更加有效和强大。面部识别也不例外。现在有许多应用程序使用人工智能来满足他们的面部识别需求。例如，Snapchat使用AI技术通过实际识别呈现为人脸的视觉信息来应用面部过滤器。
Facebook现在可以识别特定照片中的面孔，并邀请人们标记自己或他们的朋友。
而且，当然，考虑用你的脸解锁你的手机。好吧，它需要人工智能和机器学习才能发挥作用。
让我们以AppleFaceID为例。当你设置它的时候，它会扫描你的脸，然后在上面放大约3万个DoS。它使用这些圆点作为标记，帮助它从多个不同的角度识别你的脸。
这使您可以在许多不同的情况和照明环境中用脸部解锁手机，同时防止其他人做同样的事情。
结论
未来就是现在。人工智能技术只会继续发展、壮大，并对每个行业和我们日常生活的几乎每个方面变得越来越重要。如果以上例子是可信的，这只是个时间问题。
未来，人工智能将继续发展，并出现在我们生活的新领域。随着更多创新应用的问世，我们将看到更多人工智能让我们的生活变得更轻松、更有效率的方式！
基于人工智能的生物信息学研究：机遇和挑战
2021年12月26日，中国计算机学会青年计算机科技论坛（CCFYOCSEF）武汉分论坛举办线下技术论坛（论坛编号：CCF-YO-21-WH-5FT）。本次论坛以“基于人工智能的生物信息学研究：机遇和挑战”为主题，邀请了陕西师范大学、西北工业大学、邵阳学院、华中农业大学、中国地质大学（武汉）、的专家和学者作为论坛嘉宾进行发言和思辨点讨论。本次论坛由YOCSEF武汉AC、华中农业大学教授章文，YOCSEF武汉AC、华中农业大学讲师刘世超共同担任执行主席；YOCSEF武汉AC、湖北大学副教授肖奎，YOCSEF武汉通讯AC、江汉大学讲师刘哲共同担任线上执行主席；华中农业大学为本次论坛提供了支持。本期技术论坛，邀约生物信息学领域相关的专家学者，针对“基于人工智能的生物信息学研究：机遇和挑战”进行主题讨论，分析生物信息学领域面临的主要挑战，探讨人工智能技术应用在生物信息学领域中存在的若干重要问题，探索生物信息学人才培养的痛点与解决之道，把握生物信息学领域未来发展的潜在机遇。
“基于人工智能的生物信息学研究：机遇和挑战”技术论坛
论坛的引导发言环节邀请了3位嘉宾，分别是：陕西师范大学教授雷秀娟、西北工业大学教授施建宇以及邵阳学院教授黄国华。作为中国人工智能学会生物信息与人工生命专委会常务委员，雷秀娟教授带来了题为“基于人工智能的多组学数据与疾病的关联关系预测”的引导发言。雷秀娟教授首先介绍了生物信息学在多组学和疾病方面的研究应用，主要是通过多组学模型来预测疾病，所有的组学信息之间都是有相互联系的。雷教授团队整理制作了多组学与疾病的关联数据库CircR2Disease数据库V2。目前生物信息学研究的热门包括挖掘出生物学实体之间的关系之后，找出疾病靶标。网络特征学习可以采用一些通用的深度学习方法。相似性网络的构建方面，包括相似性计算差用的方法有疾病语义相似性、序列相似性、基因关联相似性等。网络特征提取方法常用的包括表示学习、图神经网络等。评价方法可采用常用的机器学习评价方法，包括混淆矩阵、ROC曲线等。损失函数方面常用Sigmoid、ReLU、LeakyReLU等。CircRNA与RBP结合位点的研究，是利用生物信息学的方法准确解析分子之间的调控机制对探索人类疾病的机理。雷教授团队在生物信息学方面取得了诸多研究成果：提出了CSCRsites方法、circRB方法、CRPBsites方法。CircRNA与疾病的关联关系预测的研究方面，提出了RWRKNN方法、CDWBMS方法、PDC-PGWNNM方法、EDNMF方法、AANE&SAE方法、PCD_MVMF方法、GATCDA方法。代谢物与疾病的关联关系预测的研究方面，提出了SSABCMDA方法、LGBMMDA方法、MDAGCN方法、DWRF方法。微生物与疾病的关联关系预测的研究方面，提出了LGRSH方法、HNGFL方法、MDHN方法。
基于人工智能的多组学数据与疾病的关联关系预测
随后，施建宇教授作为中国计算机学会生物信息学专业委员会等3个国家一级学会的专业委员会委员，结合生物信息学研究的经验与心得，进行了题为“Compound-ProteinInteractionPredictionbyDeepLearning:Databases,DescriptorsandModels”（通过深度学习预测复合蛋白质相互作用：数据库、描述符和模型）的引导发言。施建宇教授分析了当前药物开发的大体趋势，即药物开发是个大工程，大致需要三个“十”：十年成本、十亿美元、十亿销售额。对于如此复杂庞大的工程和研发，需要跨专业科研人员的合作。靶点识别主要由生物学家来完成，而计算机科学家主要专注于化合物分析、化学结构分析、物理特性分析等。目前，AI可以帮助和加速药物研究，传统药物研究中小分子筛选需要11个月的流程，利用AI辅助可以减少至23天。药物化合物的研究中，预测某个化合物会不会和蛋白质进行相互作用。深度学习方法可以很好地帮助CPI（Compound-proteinInteraction）的研究，其本质不在于分类能力，而在于深度学习的神经网络对化合物的结构化序列的刻画能力。化合物描述子的构建需要很强的领域知识，包括1D序列分析、3D结构分析等，而卷积神经网络所具备的强力的数据特征刻画能力，可以很好地帮助化合物描述子的构建。可采用的深度学习模型包括诸多经典的卷积神经网络结构、Attention-based模型、Bindingcomplex-based模型等。对于未来的研究趋势，施建宇教授认为下列问题都非常值得深入研究：(1)如何利用生物信息学领域中大量的未标定数据；(2)如何利用大量现有的序列数据，将其迁移到3D结构的研究中；(3)如何利用深度学习模型进行单细胞测序，等等。
Compound-ProteinInteractionPredictionbyDeepLearning:Databases,DescriptorsandModels
作为最后一位引导发言嘉宾，黄国华教授进行了题为“RNA序列的语义性及其在修饰中的应用”的引导发言。黄教授首先介绍了生物信息学研究的起源，生物信息学的研究可以追溯到1953年在Nature上发表的DNA双螺旋结构论文。DNA测序是DNA研究中的重要主题之一。全球目前大约有1700个DNA序列数据库，其中代表性的数据库包括INSD、库、EMBL库、BioSino库等等。DNA序列分析主要关注DNA序列比对，分析DNA的同源性。计算生物学的一个重要主题就是比较序列并尝试找出两个序列的公共部分。序列比对包括全局比对、局部比对、双重序列比对、多重序列比对等。其优点是通过计算找到同源分子片段，确定其功能；缺点包括计算开销大、对于没有同源性的序列不可使用、完全是形式决定内容而没有解决一词多义的问题、忽略了个体之间的联系。自然语言处理技术所解决的问题与DNA序列对比问题的本质非常相近，因此采用NLP技术解决DNA序列对比问题具有如下优点：（1）捕捉句子的抽象语义关系；（2）能够全面解释句子含义；（3）内容决定形式。在生物信息学领域中常用的人工智能技术和神经网络结构包括word2vec、CNN、LSTM、Attention、Transformer。语义性在RNA序列中的重要应用包括蛋白质翻译修饰PTM（Post-translationalmodifications），即通过调控修饰位点来改善或治疗疾病。对于PTM问题，黄教授团队提出了LSTMCNNsucc模型结构。对于RNA修饰问题，黄教授团队利用CNNLSTM结构实现了RNA序列的特征提取。
RNA序列的语义性及其在修饰中的应用
在思辨环节，参与论坛的所有专家和老师就以下三个议题进行了激烈的探讨：（1）从支持向量机到深度学习，人工智能的发展是否加速了生物信息学问题的解决？（2）聚焦“四个面向”战略部署，人工智能是否带来了生物信息学研究的新范式？（3）人工智能时代，生物信息学研究需要什么样的人才？这三个问题也是目前生物信息学领域需要面对和解决的问题。
对于“从支持向量机到深度学习，人工智能的发展是否加速了生物信息学问题的解决？”这个问题的思辨，专家和老师们讨论了下列子问题：1.1深度学习是否已经取代了传统的人工智能技术？1.2人工智能的哪些关键技术是未来研究的明日之星？
华中农业大学冯在文副教授认为，深度学习技术确实已经在很大成程度上取代了传统的机器学习技术，但传统的机器学习技术也不能被完全抛弃。目前深度学习技术提出了大量的新模型，但是目前还存在一些问题，例如可解释性、数据样本量的限制、技术落地应用遇到的困难。其中，具有代表性的问题如下：（1）传统的机器学习技术可能精度不如深度学习，但是可解释性优于深度学习模型。（2）深度学习需要大量的样本数据，但是在很多应用领域，例如生物信息学领域，样本量（3）特别是标注后的样本量还非常受限。因此，对于生物信息学领域中的很多实际应用问题，例如生物大数据问题，还是依赖于传统的优化方法和搜索算法。
中国地质大学（武汉）唐厂教授认为，对于深度学习是否取代传统的机器学习方法的问题，要考虑具体的研究和应用领域。深度学习效果好的前提是要有充足的算力和充足的训练样本。但是实际工程应用中，很多终端的计算能力非常有限，因而实际应用场景中仍旧采用传统的机器学习方法，依旧可以取得不错的应用效果。生物信息学中的关联关系研究，最终需要靠临床医生去验证，因此深度学习不可完全取代传统的机器学习和数据分析方法。深度学习在某些领域和场景可以获得比机器学习方法更好的效果，但是不能一概而论地说深度学习完全取代了机器学习。
华中农业大学章文教授认为，目前生物医学领域的很多研究者仍旧倾向于传统的机器学习模型，因为深度学习的模型得到的结果难以设计医学实验进行验证。
武汉理工大学李琳教授表示，人工智能NLP领域中目前常采用基于大规模数据样本预训练得到的模型。那么对于生物信息学领域的问题，是否也可以采用预训练模型来获得更好的效果？对于多种类型的数据组合问题，已有的联合表示学习等技术是否可以应用在多组学的研究上？此外，在NLP领域，目前的研究发展趋势是依赖预训练模型抽取的大规模样本的先验知识，然后让下游任务贴合上游得到的特征抽取结果。那么生物信息学是否也可以采用类似的机制？
思辨问题1：从支持向量机到深度学习，人工智能的发展是否加速了生物信息学问题的解决？
在“聚焦’四个面向’战略部署，人工智能是否带来了生物信息学研究的新范式？”的问题上，来自不同领域和方向的专家、老师们也各抒己见，讨论了下列子问题：2.1在哪些重大问题上已经取得了突破？2.2在哪些重大问题上还有待破冰？
施建宇教授认为AI技术在生物信息学领域的应用尚存在如下问题：（1）医疗影像方面，积累了大量的图像数据，可以直接应用人工智能技术辅助诊断工作。但是目前的问题是缺乏统一、权威的评价标准。（2）对于蛋白质的结构预测有个很大的突破。很多蛋白质测定不了结构，因为很多蛋白是膜蛋白，而球蛋白容易测定结构。因此，对于膜蛋白的测定是个非常有前景的研究方向。（3）药物研究的样本数量很有限，例如6000左右的样本数据，如何更好地将深度学习技术应用到小数据样本问题上是个值得研究的问题。（4）深度学习的相关技术，例如Python语言、Pytorch框架等都是国外开发研究的，国内的相关基础技术的研究较为缺乏，需要进一步研究和发展。
黄国华教授则表示，人工智能技术可以用在新型的功能分子的研究上，例如是否可以设计一些类似的功能分子，以促进合成生物的研究和发展。
思辨问题2：聚焦”四个面向”战略部署，人工智能是否带来了生物信息学研究的新范式？
在“人工智能时代，生物信息学研究需要什么样的人才？”的问题上，专家和老师们分析和讨论了如下子问题：3.1从事基于人工智能的生物信息学研究，应该具备哪些基本的知识？3.2生物背景的人才和计算机背景人才，未来谁更有优势？
雷秀娟教授认为，计算机和生物人才的优势不能一概而论，还是需要看具体的领域和问题。目前的研究需要的是高度复合型的人才，需要生物、化学、计算机、信息学等多领域多学科交叉的专业知识。雷教授目前团队中的学生以计算机专业背景为主。
施建宇教授表示，一般来说生物学背景的学生完全不懂数学和计算机，而计算机背景的学生则表示看不太明白生物方面的问题。本身生物信息学就是生物加上信息学，因此需要学生掌握生物学和信息学的基础知识，同时也要掌握最新的人工智能模型和技术。生物学背景的学生只能使用已有的方法来跑数据，对算法和模型本身难以进行研究；而计算机和信息学背景的学生对于实验结果的分析相对欠缺，对数据结果的敏感性不够。因此，学生都应该具备挖掘深层机制的驱动意识。生物和计算机人才都是有优势的，只是侧重点不同。
黄国华教授课题组里面主要是计算机背景的学生，没有生物学背景的学生。计算机学生倾向于写代码写程序，但是对于实验结果的生物学意义缺乏认识和理解，因而计算机学生对于较为复杂的建模感到吃力。因此，计算机学生和生物学学生一起合作、相互互补，才能得到更好的研究成效。
冯在文副教授提到，在2021年国家基金委的研究指南中，生物信息学的大方向是生物大数据的标准化、可视化是一个重要的研究方向，特别是生物大数据的标准化方面。因此，需要形成一个更好的协作机制，方便计算机学生和生物学学生进行讨论、分析、合作。
唐厂教授认为，计算机专业背景强调的是技术和方法，生物学专业背景强调的是机制和原理。只有计算机专业学生更好地理解了生物学的原理和机制之后，才能把技术和方法更好地应用到具体的生物信息学领域的研究中。
李琳教授表示，生物信息学的学生培养方案中加入更多的计算机相关课程，或许能得到更好的人才培养成效，生物信息学的发展主要还是依赖于生物学人才。
武汉科技大学胡威教授表示，生物信息学的培养体系中是否进行了学科交叉的课程设置？如果生物信息学的人才培养体系本身就缺乏计算机的相关课程和知识，是否应该加入相关交叉性的课程？章文教授则回答道，目前华中农业大学生物信息学专业的学生培养体系的课程中，一部分课程跟生命科学专业交叉，而另一部分则涵盖了一些编程相关的课程。即使是在生命科学专业，也是非常欢迎生物信息学学生这样的复合型人才的。
思辨问题3：人工智能时代，生物信息学研究需要什么样的人才？
与会人员合影
本次论坛历时三个小时，通过引导发言、论坛思辨，辨明了生物信息学领域在人工智能时代遇到的新问题和困惑，分析生物信息学领域面临的主要挑战，探讨人工智能技术应用在生物信息学领域中存在的若干重要问题，探索生物信息学人才培养的痛点与解决之道，将更好地推动人工智能深度学习技术在生物信息学领域中的深入应用。