當我談論BI時，在談論什麼
汪·見丨汪語常新
人類對智能的追求要回到生物學的基本原理上來，回到對生命複雜系統的系統性認知上來。從單一的技術性思維到系統性的認知思維，是人類從工業時代邁向生命時代的必由之路。
邁進生命時代，「人工智慧」的技術性局部應用需要升級到「生物智能」（Bio-Intelligence）的系統性認知與實踐。生物智能所包含的科技智能（Scientific Intelligence）、社會智能（Social Intelligence）、文化智能(Ethical Intelligence)具體指什麼？ BI又如何通過科技、社會、文化進步的推動實現健康可提升、生命可掌控的「真智能」（RI,Real Intelligence）呢？
世界千變萬化，不變的是挑戰極限、追求終極的決心。
1
AI到BI,邁向生命時代的必由之路
人工智慧的技術應用極其依賴訓練數據集的代表性和無偏性，儘管有大量人工智慧技術用於醫療健康行業的案例，但大部分訓練模型的數據均來自「靶標循證」的臨床案例及「假說導向」的臨床路徑，只能得到當前認知體系下對臨床信息極為有限的解讀，遠遠不能滿足智能化應用的要求。在生命科學領域，若沒有生命全景2B4D（大人群、大數據，Big Population、Big Data=2B；生命4D解讀,生命全周期多維度貫穿組學大數據）大人群大數據的支撐，就無法獲得因果性的認知，因而無法用以精準地指導健康提升，預測風險，更無法精準地指導生命科學領域的科學發現。
人工智慧是人類在現有認知水平下對過往知識的高效總結，是還原論的技術性應用，而非擴展人類認知邊界的科學發現。生命科學包含大量未知,亟待科學探索，人腦經過5500多年的演化，形成了複雜的神經網路。結構決定功能。人類對智能的追求要回到生物學的基本原理上來，回到對生命複雜系統的系統性認知上來。從單一的技術性思維到系統性的認知思維，是人類從工業時代邁向生命時代的必由之路。
永遠在攀登的老汪
2
BI,直面人類終極需求
「生物智能」的終極目標是實現人類的終極追求，即「生優病少、健康長壽、溫飽不愁、環境友好」。 「系統」是生物智能的核心。實現這個目標，就要挑戰人類對自身的認知極限，一步一腳印地系統性、全景性地認知智能的物質基礎，認知生命在時空中的變化規律。
大千世界的萬物生長和生老病死都遵循「生命中心法則」，都受控於生命的遺傳密碼——基因組。實現生物智能，認知掌控生命，必須遵從這一基本法則：從DNA開始解讀，全方位全周期，從微觀到宏觀，從生到死地貫穿生命中心法則。
生命是一個多層次、跨尺度的複雜系統，在時空中動態演變。生命的系統結構，決定了其信息、能量和物質的傳遞與轉化。生命系統有其生老病死的自然規律。生命的繁衍依賴於遺傳物質的傳承，研究生命起源與進化、生物多樣性，可以認知遺傳信息如何表徵生命系統的組織化，從而認知大千世界。生命系統內部組學之間形成相互作用、相互影響的網路，同時也與內外環境形成互動。完整地認知生命就要理解生命系統如何受內外信息的調節、反饋與控制，二者不可分割。
傳統系統論、控制論、資訊理論的學者沒有高效低成本的工具來認知一個完備的複雜系統。從宏觀層次的器官、組織，到微米尺度的細胞、細胞器，再到納米尺度、原子尺度的生化分子，是人們遵循還原論探索的一次次勝利。
人類基因組計劃催生的測序儀、質譜儀等生命組學工具日益成熟，結合高解析度影像系統，使得跨尺度、多層次的生命系統認知成為可能，也在系統論研究中絕無僅有。人們不僅可以將對生命的解讀從微米、納克的尺度推進到納米、道爾頓的分子和原子級別的生命微觀觀察尺度極限，更可以遵從生命中心法則，從基因組到蛋白組到多組學貫穿，實現從微觀到宏觀、從生到死的跨尺度、多維度、多模態、全方位全周期的海量全景式生命大數據解讀。
如此複雜的生命系統,起始於基因,從A到Z,貫穿互動，這是生物智能的物質基礎。組學工具可以「從因到果」地全景性解讀，也可「從果到因」地交叉驗證，形成單樣本多層面的特徵描述。採用「基因+影像」相結合，可在出生缺陷的防控中，從基因之「因」推理影像表型之「果」，從影像表型之「果」追溯基因之「因」，目標是實現已知出生缺陷（上千種疾病）的全面防控。「生物智能」對生命因果關係的追求，是其凌駕於「機器智能」的核心要素。
其中，「生物智能」包括三方面的內容：「科技智能」、「社會智能」和「文化智能」。
科技智能
「科技智能」是實現「生物智能」的科技基礎。大人群生命組學大數據（2B4D）是前所未有的系統性認知素材，既包括大人群大樣本的低維度有限靶標數據（「已知靶標」），也包括反映系統控制邏輯的個人小樣本的高維度貫穿組學時序數據推演（「風險預測」），更有必要將這些多源異構數據進行融合分析得到新的認知（「未知發現」）。亟需一整套軟硬體結合的智能化認知計算系統。
計算系統。針對2B4D數據，將以深度學習為代表的人工智慧演算法以及以非線性動力學為代表的系統方法相結合，開發全新的因果關係發現和網路推理等計算生命信息新理論以及數學建模與自動化的新方法，用以挖掘、闡明、總結和理解海量貫穿組學時序數據所隱含的規律與知識，加速從數據驅動到知識解析、促進新認知指導下的醫學健康發展，為在系統層面分析和預測潛在生老病死的機理而建立新的理論方法和軟體技術平台。
安全系統。生命組學數據的解讀和分析涉及公民的隱私和數據安全。搭建基於區塊鏈及現代密碼學的數據共享基礎設施，用於組學數據的隱私保護和跨機構的協同利用，確保共享可控制、可審計、可監管，從而支撐科學探索和產業應用，使相關主體（個人、政府機構、醫療機構、科研機構、國家基因庫、企業）共有、共為、共擔、共享。採用分散式的數據存儲及協同計算架構，既可確保個體隱私，又能實現中心監管，在生命時代為個人組學數據資產確權，形成可交換、可交易、可定價地傳遞生命價值的生態。
計算硬體。2B4D數據的計算與存儲可以從生命複雜系統的運行與控制邏輯中得到啟發。從開發適合於貫穿組學數據分析的高性能專有晶元，到從大腦結構啟發的類腦晶元，到以DNA為介質的海量信息壓縮存儲方式，再到基於DNA的生物形式計算機，最終實現邏輯運算與生命系統的完美交融。此外，開發低功耗、可植入、無線感測、柔性材料的智能穿戴設備，實時捕捉、搜集、處理邊緣的生理信號，也是實現生物智能的硬體基礎。
社會智能
「社會智能」(Social Intelligence)是指人類系統性認知自身，需要突破完全依還原論建立的思維、管理和法規的慣性體系，建立為大數據、大科學、大產業保駕護航的社會創新體系，包括創新科技的發展和管理模式、創造市場、創新政策法規。這是在政府引導和經濟可行的前提下，社會集體認知的智能進步，「普惠」是社會智能的核心。
建立新知識體系必然帶來對社會治理、教育體系、就業結構、產業分工、個體隱私和國家安全等方面的一系列挑戰。政府加強引導，將生命組學工具的突破普惠到民眾，建立符合生物智能的法律法規和政策體系，同時依法確定生物樣本和組學數據安全等級和開放條件，建立共享交流的安全審查機制，社會認知和科學認知協同發展，社會智能為科技智能保駕護航。
文化智能
「文化智能」是指生物智能需要更適應科技進步的文化基礎，不斷完善社會規範。「從我做起」是文化智能的核心。系統性認知生命使得人類最終可以像探索宇宙一樣，協同、開放、自由地探索，甚至掌控生命。有機體的改寫、設計和創造，這提出了比機器智能更高的倫理與文化挑戰。倫理與文化認知的不規範，不利於科技與認知進步。能讀就能寫，指的是從認知到掌控，能「讀」便在倫理上可「寫」，只「寫」能「讀」之物。這是與時俱進的人類共同意志，是科技進步與個體求生求存本能相結合帶來的自生自發秩序。
借鑒先行者的經驗，以人類命運共同體的福祉為大目標來逐步彌補倫理和文化的差異，確保認知與掌控的公共屬性，可在特定的社會、政治、經濟條件下實現身心皆健康的群體形象。新工具體系、新知識體系和新實踐體系，帶來新文化、新時尚、新生活，開啟文化智能與科技智能協同進步的全新時代。
3
真智能：掌控生命
真智能指的是「存、讀、寫」三技合一，生命可掌控、健康可提升的人類終極追求的實現過程。生物智能為實現真智能、全智能奠定了科技、社會和文化的基礎。如果說「讀」的最高境界是獲得儘可能完整的4D數據，那麼「寫」的最高境界就是實現在4D數據指導下的實時動態調整，「存」的最高境界則是存大千世界生命之精華，未雨綢繆。
人類對生命的掌控是一個邊認知邊實踐，循環往複、逐級提升的過程，這體現了人區別與機器的主觀能動性與創造性本質。在生物智能BI的指引下，人類可以突破人工智慧AI的原有局限，不但可以應用於醫療和健康保健，還能通過體育鍛煉、營養調節、智力教育，實踐全新的腦智干預與智力提升，這是邊認知邊實踐的真智能，也涵蓋了能讀就能寫的科學與哲學含義。改寫和超越進化論的重新設計人造染色體、人造細胞，人造組織，人造器官直至人造生命，這可能取得比人工智慧、機器智能還快的突破性進展。從我們「已知的生命」向「生命應有之姿態」邁進，這是完備性、巨延性對生命結構和功能的認知前提下，探清自然和生命的創造性本質。因此，人類得以形成的全新的生命觀，在生命時代實現對自身完全掌控的真智能。
參考文獻
[1] McCulloch W S, Pitts W. A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of mathematical biophysics, 1943, 5(4): 115-133.
[2] Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. nature, 1986, 323(6088): 533.
[3] Chen Y, Argentinis J D E, Weber G. IBM Watson: how cognitive computing can be applied to big data challenges in life sciences research[J]. Clinical therapeutics, 2016, 38(4): 688-701.
[4] Gurney K. An introduction to neural networks[M]. CRC press, 2014.
[5] Crick F H C. On protein synthesis[C]//Symp Soc Exp Biol. 1958, 12(138-63): 8.
[6] Floreano D, Mattiussi C. Bio-inspired artificial intelligence: theories, methods, and technologies[M]. MIT press, 2008.
[7] Yao P, Wu H, Gao B, et al. Face classification using electronic synapses[J]. Nature communications, 2017, 8: 15199.
[8] McAfee A, Brynjolfsson E, Davenport T H, et al. Big data: the management revolution[J]. Harvard business review, 2012, 90(10): 60-68.
TAG:老汪 |