生命是个很神奇的过程，我们永远在探索，在有限的时间里，我们还能做一些什么，怎么才能开心而有意义地度过一生，也许一辈子都没有答案，可是那又怎样呢，时间的轴从未停止转动，每天都会把昨天抹去，然后开始新的轮回，你准备好蛮对今天的自己了吗？
大学的时候有个离散数学老师，做的是生物信息分析，利用计算机的一些技术，进行基因编码测序以及信息分析，听起来就很厉害的样子，今天来自李英睿老师的分享以生命为主题，主要讲述人工智能在生命探索过程中发挥的作用，听完之后可能对于生命和AI，你会收获新的认识和理解。
一、课堂回顾
生命怪才——李英睿老师
李英睿，1986年5月24日出生，进入北京大学生物科学专业学习，大二暑假（）进入华大基因（北京华大基因研究中心）进行科研项目实训。曾任深圳华大基因科技服务有限公司（简称“华大科技”）CEO。10月合伙创立碳云智能科技。2月25日入选《福布斯》杂志“30位30岁以下亚洲人物榜”（Forbes 30 Under 30 Asia）生命科学榜。 之所以称英睿老师为怪才，是因为他打破了我对人工智能科学家的认知，通常我们会直观地认为，从事如此高深课题研究，而且获得这么丰硕成就的人，他起码也是硕士，但其实不是，所以除了感叹生命的神奇和伟大，什么语言都显得苍白而无力。
分享内容
1、AI+生命科学
生命科学是个很泛的话题，普通人没事不会研究它，但其实AI已经为生命科学的研究提供了大量的能量和动力：
（1）预测生命状态的未来演变方向和趋势。每个人的生命状态都是一个渐变的过程，所以在不同种状态的演变之间，其实存在着一些概率分布的关系，所以可以通过学习，发现这种概率分布的潜在规律；
（2）预测干预措施及其组合方案对生命状态未来演变方向及趋势的影响，每一种治疗的方案，都会产生不同的影响，所以可以通过预测不同方案的走向预估，选择效果可能最优的方案；
（3）给定生命的状态和未来目标，求极大化该目标的可行干预方案；
（4）从技术上来说，就是对人类的各项生命活动建模，提供可影响人类决策的行为建议，但是人类的生命本质是很复杂的，活动也很多样，所以建模也不是一件容易的事。
2、生命科学建模过程中的数据分析
（1）验证是否可在纯数据驱动下获得好的干预。比如对一个实验者采取7天禁食，20天吃饭。然后收集生命活动的数据，并进行恰当的处理和分析，从而对生命活动作出干预，进而分析下一次生命状态的到来；
（2）数据处理中存在的大量问题具体表现：
需观测和分析的数据存在维度异质性。异质是指在一个大样本数据中，存在很多小样本数据，这些小样本数据的均值以及离散度等都有自己的特征，没有办法直接在大样本数据的层面进行分析和特征提取，增加了数据分析的困难度；
数据源多而分散，数据流碎片化：生命体是十分复杂的，所以观测的生命体征数据也十分复杂，而且实验获得的数据肯能分布也不够集中，而是碎片化地分布的；
数据特征难以预期：这个很明显，医学数据的分析本身就是最难以捕捉的，需要强烈的专业背景和灵活性；
知识发现方向开放而难以预期，当一大推生命数据摆在眼前，分析是没有任何头绪的，我们也没有办法预期会得到哪些结果和结论，所以有时候如何开始都是个问题；
时间、空间的变量进一步复杂了问题，人的生命体征数据在不同的时间以及空间场合吓是会发生变化的，这让数据分析的人真的不知如何是好；
大规模实时在线计算：生命数据体量庞大，如何进行实时的在线计算也是困扰很多生命科学家的问题。
（3）其它一些过程相关的问题
数据本身就具有很多维度，而且采集数据的过程是随机的
可选取的数据分析的角度也不是唯一的，可从多个维度进行思考，比如一些变化的趋势以及趋势背后的蕴藏的意思；
结合计算机处理的一些手段，可以很轻易地验证以前的一些猜想，也可以为新的猜想提供支持，完成快速的迭代。
数据分析的过程中，还有可能因为数据量过少，从而导致发生过拟合，因为就目前的现状而言，愿意参与到生命科学研究过程中的样本还是很少的，一方面是因为生命科学的观测是个持续性的过程，而且可能存在一定的风险，所以无法吸引到足够的样本数。
3、生命科学研究过程中遵循的一些基本方法
（1）假设研究方法：根据个人经验，提出一些可能的假设，然后设计实验进行验证，这其实是对经验要求比较高的，否则假设出错或者没有新发现的可能性就比较大；
（2）把以前的猜测验证新的发现：以前有的一些猜测，可能没有获得及时的验证，但是可能在未来的某一项研究中，就发现了可支撑该结论的数据或结果；
（3）联想观测法：生命是具有体系性的，所以在实验的过程中，必须遵循联系的观测手法。
4、问答
（1）基因检测的成本高，但对于很多疾病的治疗和预防又确实是有效的，而现在相关数据的积累也越来越多，所以如何结合AI 做一些应用，其突破点在哪里？
先举个例子，FDA叫停美国的项目，一方面只说风险高，却没有指明具体的原因，引起了一定的恐慌，背后也隐藏了一些人性的弱点。另一方面，其本身的效用也不够强，安全或者技术上没有达到标准。所以对于基因检测这项技术而言，预测区间的锁定和概率的提高是很重要的，因为基因检测的目的是输出一些优用的结论，比如，你是要死的，这是一句没有一点价值的废话，但是如果输出的是你下个星期就要死了，这是一句信息量含量巨大的话，这样的结论可能才是基因检测想要输出的结果。中国面临的现状是，穷而且老龄化，我们在健康上的投入不高，所以我们只能是说做一些health agent 的工作，对人类的健康进行观测、计算、干预等。
（2）基因编辑技术，对于先天性疾病的治疗，检测以及更改基因或是植入更强的基因都有研究，如何走入大众？
一项技术是否能走入大众，几个因素是很重要的，第一个是成本，成本直接决定这项技术是否能被大众消费，第二个是可返佣程度。只有当一项技术可以解决更多问题，具有良好泛化能力时，才能帮助它更好地走入大众。其它诸如干细胞以及免疫疗法也基本遵循同样的轨迹和原理。
（3）健康管理需要比较长的一段时间，是一种典型的“循证医学”。循证医学和传统医学的不同之处在，除了要有丰富的可靠的医学实践经验之外，做出的医疗决策还要结合当前科学研究给出的证据，进行双向的作证，提高医疗决策的可信度。
（4）关于制药问题，AI有什么正向的推动作用
AI的到来，对于制药的研发是相当有帮助的，一方面可以促进旧药的新用，另一方面可以加快新药的研发。因为说到底，药品的研究更多地依托于经验，而这是AI的强项。
（5）AI+医疗可能的机会
第一，辅助治疗。第二，配合做一些模型的训练；第三，当新的基因、蛋白、常规数据进入医疗，数据的处理需要AI进行辅助。
（6）医院都要区分科室，所以医生也没办法精通所有科室，那智能医疗机器呢？
机器可以实现人类的集体智慧，所以综合判断能力上会比较优秀，而且机器是依照真实世界构建的，可以更全面、系统化、不间断地观测人的准概况
（7）碳云面临的挑战和机遇
首先，健康并不是人的刚需，人只有在生病了之后才会意识到健康及健康管理的重要性。人不一定愿意为健康付出一些什么，没有经历过特别痛苦的时候，不会做出改变；
其次，实验的可持续过程操作复杂，人性的考量很多，只有顺应人性健康管理，才能留住样本，比如在样本正常吸烟的情况下展开健康的管理；
最后，健康管理需要串联多个生活的场景，但是串场景本身也很复杂。
所以健康管理是反人性的，人类的健康管理需要广度。
在未来的三到五年，便捷化、移动化、智能化的医疗将会成为主流。
后话：
所以听完今天这个课，产品狗们的感悟应该是很深的，终于理解健康医疗、生命科学背后是一个多么庞大而复杂的体系。我自己感触最深的一点是，我一直认为健康是刚需，是每个人的痛点，但是听完老师的分享，诚然是我自己欠考虑了。这也提醒我，在面对一些需求的时候，不能自己想当然地觉得需求应该怎么样，保持客观和冷静，做足够的分析和取证，才能更好地判断伪需求，避免出现产品研发自认为一百分，结果上线之后却是0分。很多时候我们说做产品要顺应用户的本性，但往往很多时候，我们要面对的难题在于，我们需要反人类地做一些产品，并且希望用户赏脸，这个时候，想法和思考就很重要了，还是那句话，先问问你自己会不会用，愿不愿意用？
