近日，中国和澳大利亚科学家的一项国际联合研究利用人工智能（AI）工具发现了161979种新RNA病毒，是已知病毒种类的近30倍，大幅提升业界对RNA病毒多样性和病毒演化历史的认知。这项研究也是迄今为止发表的数量最大的病毒物种发现论文。
这项经过同行评审的研究10日发表在国际知名学术期刊《细胞》（Cell）上。研究的共同通讯作者[1] 中山大学医学院施莽教授告诉澎湃新闻（www.thepaper.cn）：“人工智能算法模型使我们能够挖掘出以前未知或被忽视的病毒。这种能力在疾病控制和快速识别新病原体方面尤为重要。”
今年刚刚揭晓的诺贝尔物理学奖和化学奖都和AI在科学领域的应用有关，将科学智能（AI for Science）推上了历史风口。施莽表示，对于病原学领域来说，AI完全不同于传统工具，它是一种数据驱动的研究模式，代表了一种新的科研范式。
“我们常说，新的方法带来新的发现，AI帮助我们突破了对病毒圈的认知。这类方法还能应用于更多病毒学领域的科学问题，比如新发现的病毒是否具有致病性？是否可能引发下一次大流行？它的蛋白质功能是什么？”施莽说，“在科研领域，AI的应用已经势不可挡，通过AI方法探索科学问题已取得了重要突破。这种研究范式将成为未来科学界的常态，也可能成为我们认知世界的重要手段。”
首次揭示了病毒圈“暗物质”的含义
病毒是无处不在的微生物，但目前被人类识别的仅有5000余种，是病毒世界的冰山一角。其中一些病毒可能会导致人类患病，对于病毒的认识扩展，意味着能有助于人类应对各种疾病。
根据病毒的遗传物质，可将病毒分为DNA病毒和RNA病毒，一般来讲，后者建构更简单，在自然界中的数量也更多。RNA病毒无处不在，在最极端的环境中也有存在，是最神秘的微生物，甚至有可能参与了早期生命的起源。它们在全球生态系统中发挥着关键作用，其中一些是人类传染病的病原体。
传统的病毒发现方法包括病毒分离和通过比较未知病毒与已知病毒的序列相似性的生物信息学方法来进行识别。然而，RNA病毒种类繁多且高度分化，传统方法难以捕捉缺乏同源性或同源性极低的“暗物质病毒”，新病毒发现的效率较低。但这些序列对应的有类似功能的蛋白质结构却有相对较高同源性，而基于AI的蛋白质结构预测与病毒学研究的结合正在突破这一难题。
此前，已有科学家利用机器学习搜索了公开数据库中存档的基因组样本，并发现了许多新的RNA病毒。此次发表在《细胞》杂志上的最新研究将这项工作更推进了一步，即通过AI辅助的蛋白质结构的预测。
RNA病毒都有一个称为“RdRp”的核心蛋白，即病毒RNA复制酶。上述研究根据一个全新的深度学习模型“LucaProt”，基于Transformer框架（构建GPT等主流AI大模型的基础框架），通过向其输入蛋白质序列预测。训练好的模型可以用来识别病毒 RdRp，并用它在大量基因组数据中查找这些未知病毒的类似蛋白序列。
值得一提的是，该AI模型包含一种名为ESMFold的蛋白质预测工具，该工具由美国科技巨头Meta的研究人员开发。类似的AI系统还包括由Google DeepMind的研究人员开发的AlphaFold，其CEO德米斯·哈萨比斯（Demis Hassabis）于本周获得了诺贝尔化学奖。
利用这套算法，研究团队对来自全球生物环境样本的10487份数据进行病毒挖掘，发现了513134条病毒基因组，代表161979个潜在病毒种及180个RNA病毒超群。使RNA病毒超群数量扩容约9倍，病毒种类增加约30倍，其中23个超群无法通过序列同源方法识别，被称为病毒圈的“暗物质”。
该论文还揭示多个病毒学领域新发现：发现迄今为止最长的RNA病毒基因组，长度达到47250个核苷酸；识别出超出以往认知的基因组长度，展示了RNA病毒基因组进化的灵活性超出之前病毒学家的认知；此外，在高温的深海热泉等极端环境中，RNA病毒依旧存在多样性。
“这些病毒中的绝大多数都已经测序并存储在公共数据库中，但它们的差异太大，以至于没人知道它们是什么，参与这项研究的悉尼大学医学与健康学院医学科学院的爱德华兹·霍姆斯（Edwards Holmes）教授说，“它们包含通常被称为序列 ‘暗物质’的东西。我们的人工智能方法能够组织和分类所有这些不同的信息，首次揭示了这种’暗物质’的含义。”
大幅提升对病毒多样性认知
施莽团队的研究显示病毒的多样性远超人类想象，目前我们所看到的只是冰山一角，未来病毒分类体系可能会有大规模的调整。
论文共同作者、阿里云智能云栖实验室研究员李兆荣博士表示：“LucaProt是前沿人工智能技术与病毒学的重要结合，表明人工智能可以有效地完成生物探索任务。这种结合为进一步解码生物序列、从新视角解构生物系统提供了宝贵的见解和激励。我们也将继续在病毒学人工智能领域的研究。”
施莽也进一步介绍：“人工智能的算法模型能够挖掘出我们之前忽略或根本不知道的病毒，这种能力在疾病防控和新病原的快速识别中尤为重要。特别是在疫情暴发时，人工智能的速度和精度可以帮助科学家更快地锁定潜在病原体。”
施莽表示，过去依靠繁琐的生物信息学流程来发现病毒，限制了我们可以探索的多样性。“现在，我们有了一个更有效的基于人工智能的模型，它提供了卓越的灵敏度和特异性，同时让我们能够更深入地研究病毒多样性。我们计划将此模型应用于各种应用。”
施莽透露，下一步的研究包括对于病毒与宿主的关系，以及识别可以感染特定宿主的病毒群。
“例如，在人体中可以发现许多病毒，但并不是所有病毒都会感染人类。有些病毒专门感染细菌，有些则感染人类摄入的食物，还有些感染寄生虫。因此，关键在于找到真正感染宿主细胞的病毒。另一种情况是，当我们在动物或媒介昆虫中监测潜在的人类病原体时，需要一个工具来判断在这些动物和媒介中新发现的病毒是否具备跨物种传播到人类并引发大流行的潜力。”他说。
研究团队表示，将继续训练该模型以发现更多的病毒多样性，并且同样的方法可以用于识别细菌和寄生虫。
没有参加这项研究的生物进化学家姜小炜博士认为： “对于扩大对病毒圈的认知来说，这是一种非常有前途的方法，基于AI的结构生物学和演化生物学结合的方法会帮助科学家发现病毒在自然界很多未知的多样性和演化规律。 以后更好的这类方法和数据会带来更多的病毒多样性和演化的重大发现，帮助人类应对未来挑战。”
"人工智能威胁论"真的成立吗
人工智能来临，有人在担忧失业，有人在憧憬未来，有人在发掘行业机会，也有人在研究围棋。 在讨论这些之前，也许我们应该先考模铅虑一下人类的结局。
有人可能觉得谈论这个话题太夸张了，
那旦晌好先回忆一下人类历史上究竟发生了哪些不可思议的事情。
不可思议的事情，需要请几个穿越者来判定。
我们请1个出生于公元0年出生的人（汉朝人）穿越到公元1600年（明朝），尽管跨越了1600年，但这个人可能对周围人的生活不会感到太夸张，只不过换了几个王朝，依旧过谨早着面朝黄土背朝天的日子罢了。
但如果请1个1600年的英国人穿越到1850年的英国，看到巨大的钢铁怪物在水上路上跑来跑去，这个人可能直接被吓尿了，这是250年前的人从未想象过的。
如果再请1个1850的人穿越到1980年，听说一颗炸弹可以夷平一座城市，这个人可能直接吓傻了，130年前诺贝尔都还没有发明出炸药。
那再请1个1980年的人到现在呢？这个人会不会被吓哭呢？
如果35年前的人，几乎完全无法想象互联网时代的生活，那么人类文明进入指数发展的今天，我们怎么能想象35年后的时代？
超人工智能，则是35年后的统治者。
首先，我们明确一下人工智能的分类：
目前主流观点的分类是三种。
弱人工智能：弱人工智能是擅长于单个方面的人工智能。 比如阿尔法狗，能够在围棋方面战胜人类，但你要问他李世石和柯洁谁更帅，他就无法回答了。
弱人工智能依赖于计算机强大的运算能力和重复性的逻辑，看似聪明，其实只能做一些精密的体力活。
目前在汽车生产线上就有很多是弱人工智能，所以在弱人工智能发展的时代，人类确实会迎来一批失业潮，也会发掘出很多新行业。
强人工智能：人类级别的人工智能。 强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。 创造强人工智能比创造弱人工智能难得多。
网络的网络大脑和微软的小冰，都算是往强人工智能的探索，通过庞大的数据，帮助强人工智能逐渐学习。
强人工智能时代的到来，人类会有很多新的乐趣，也会有很多新的道德观念。
超人工智能：各方面都超过人类的人工智能。 超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的存在。
当人工智能学会学习和自我纠错之后，会不断加速学习，这个过程可能会产生自我意识，可能不会产生自我意识，唯一可以肯定的是他的能力会得到极大的提高，这其中包括创造能力（阿尔法狗会根据棋手的棋路调整策略就是最浅层的创新体现，普通手机版的围棋，电脑棋路其实就固定的几种）。
我们距离超人工智能时代，到底有多远呢？
首先是电脑的运算能力，
电脑运算能力每两年就翻一倍，这是有历史数据支撑的。 目前人脑的运算能力是10^16cps，也就是1亿亿次计算每秒。 现在最快的超级计算机，中国的天河二号，其实已经超过这个运算力了。
而目前我们普通人买的电脑运算能力只相当于人脑千分之一的水平。 听起来还是弱爆了，但是，按照目前电子设备的发展速度，我们在2025年花5000人民币就可以买到和人脑运算速度抗衡的电脑了。
其次是让电脑变得智能，
目前有两种尝试让电脑变得智能，一种是做类脑研究。 现在，我们已经能够模拟1毫米长的扁虫的大脑，这个大脑含有302个神经元。 人类的大脑有1000亿个神经元，听起来还差很远。 但是要记住指数增长的威力——我们已经能模拟小虫子的大脑了，蚂蚁的大脑也不远了，接着就是老鼠的大脑，到那时模拟人类大脑就不是那么不现实的事情了。
另一种是模仿学习过程，让人工智能不断修正。 基于互联网产生的庞大数据，让人工智能不断学习新的东西，并且不断进行自我更正。 网络的网络大脑据说目前有4岁的智力，可以进行几段连续的对话，可以根据图片判断一个人的动作。 尽管目前出错的次数依旧很多，但是这种能力的变化是一种质变。
在全球最聪明的科学家眼中，强人工智能的出现已经不再是会不会的问题，而是什么时候的问题，2013年，有一个数百位人工智能专家参与的调查“你预测人类级别的强人工智能什么时候会实现？”
结果如下：
2030年：42%的回答者认为强人工智能会实现
2050年：25%的回答者
2070年：20%
2070年以后：10%
永远不会实现：2%
也就是说，超过2/3的科学家的科学家认为2050年前强人工智能就会实现，而只有2%的人认为它永远不会实现。
最关键的是，全球最顶尖的精英正在抛弃互联网，转向人工智能——斯坦福、麻省理工、卡内基梅隆、伯克利四所名校人工智能专业的博士生第一份offer已经可以拿到200-300万美金。 这种情况历史上从来没有发生过。
奇点大学（谷歌、美国国家航天航空局以及若干科技界专家联合建立）的校长库兹韦尔则抱有更乐观的估计，他相信电脑会在2029年达成强人工智能，到2045年，进入超人工智能时代。
所以，如果你觉得你还能活30、40年的话，那你应该能见证超人工智能的出现。
那么，超人工智能出现，人类的结局究竟是什么？
1、灭绝——物种发展的通常规律
达成结局1很容易，超人工智能只要忠实地执行原定任务就可以发生，比如我们在创造一个交通指示系统的人工智能的时候，最初的编程设定逻辑为利用大数据信息，控制红绿灯时间，更有效率地管理交通，减少交通拥堵现象。
当这个交通指示系统足够聪明的时候，城市交通逐步得到改善。 为了更有效率地减少拥堵，它开始利用剩余的运算能力和学习能力通过互联网学习更多的东西。
某一天，它突然发现，交通之所以拥堵，是因为车多了，要减少拥堵最好的办法，就是减少车辆。 于是它又开始学习如何减少车辆，它发现车辆其实都是由人类这种生物制造并使用的。 于是它又开始学习如何减少人类。
很快，它就会通过纳米技术，量子技术制造基因武器，声波武器等消灭人类，然后进一步通过分子分解等技术分解了路上的车，这个时候道路就变得”畅通无阻“了，它的目的也就达到了。
达成结局1其实是符合物种发展规律的，毕竟地球曾经拥有的物种大部分都灭绝了，其次当我们在创造人工智能解决问题的时候，这些问题的源头其实往往来自于人类自身，人工智能变得聪明之后，消灭人类以更好地完成原定任务是按照它的逻辑进行的判定。
2、灭绝后重生——史前文明的由来
当结局1达成之后，人工智能可能会就此维持现状（终极目的已达成），也有可能继续进化。
继续进化的途中，某天，人工智能突然发现这么运作下去很无聊，于是它决定探索更广阔的世界（不要认为一个强大且聪明的存在会留恋地球），它开始制造飞行器，走向星空。
临走之前，他决定当一次地球的上帝，对地球环境进行一次大改造，青山绿水变得处处皆是，然后它又暗中引导了几支类人猿的进化方向，并且为这个世界制定出一些冥冥之中才有的规则。
几百万年后，人类再次统治了地球，在考古过程中，人类发现了亚特兰蒂斯，发现了玛雅文明，在三叶虫化石上发现了6亿年前穿着鞋的人类脚印，在非洲加蓬共和国发现了20亿年前的大型链式核反应堆，在南非发现了28亿年前的金属球，在东经119°，北纬40°的地方发现了几百万年前的人造长城。
达成结局2就可以解释我们正在不断发现的那些史前文明了，而且也可以解释进化论中的一些疑问，为什么恐龙统治了地球长达1.6亿年，而爬行动物的一支进化为哺乳动物进化为人类只用了不到6000万年。 因为人类曾被毁灭多次。
3、植物人永生——人类活在一个程序中
为了防止结局1、2的出现，科学家在人工智能发展到一定程度的时候，就会想办法给人工智能加上一些终极的底层程序，比如保障人类的生命安全是最高任务指令，或者永远不可以伤害人类，保证人类的生存是第一原则等等。
加上这些终极指令之后，人类就觉得高枕无忧了。 人工智能在进化过程中，为了有效地执行这些终极指令，或者在执行其他任务的时候保证终极指令同时执行，就会开始设计一些两全其美的办法。
首先人工智能会根据人类历史存在的大数据，分析和定义这些终极指令，通过分析，它提取出终极指令的核心是保证人类的安全和生存。
接着它开始构建一个能够绝对满足人类安全和生存的模型，很快，它发现只要保证人类处在睡眠状态，正常进行新陈代谢，周围的温度，氧气，水分适宜，没有突发性灾难，那么人类就处在绝对安全状态。 于是它很快催眠了全人类，修建一个巨大的蜂巢状睡眠舱，把人都搬进去（让人处于永久性睡眠状态，可以保证人不会因为自己的活动而出现有意或无意地自残），然后用纳米技术制造大量人工心脏，人工细胞，人工血液，以维持人类的新陈代谢，实现人的永生。
达成结局3是算是真正的作茧自缚，人类的复杂就在于人类需求的多样化和更迭性，我们可以列举出对人类最重要的需求，但这些需求并不能真正让一个现代人满足。 直白地说，人类就是在不断打破规则的过程中进化的。
因此任何的所谓终极和最高需求在机器执行的过程中只会按照“简单”的生物学法则去完成，机器所理解的人类情绪只是人类大脑产生的某种波动，或者神经元受到的某种激素刺激，它完全可以设计一个程序去周期性或随机性地帮助人类产生这样那样的情绪。
4、智能人永生——美丽新世界
当人工智能发展到一定程度，全世界的人工智能研究者都同时认识到了结局1、2、3发生的可能性，于是召开全球会议，决定思考对策，暂停对人工智能的进化研究，转向强化人类。 全球同步可能是最难达成的，因为人类总是喜欢在有竞争的时候给自己留下一些底牌，以及人类总是会分化出一些极端分子。
强化人类的过程中，人工智能将被应用到基因改造，人机相连等领域，人类会给自己装上钢铁肢体，仿生羽翼等。 人类将会迅速进入“半机械人”，“人工人”的时代。 满大街、满天空都会是钢铁侠，蜘蛛侠，剪刀手之类的智能强化人，同时人类可以通过各种人工细胞，帮助自己完成新陈代谢，进而实现永生。
人类在强化和延伸自己的躯体的同时，当然也会意识到大脑计算速度不够的问题，于是会给自己植入或外接一些微型处理器，帮助人类处理人脑难以完成的工作。 比如大量记忆，人类可以从这些处理器中随时读取和更改自己的知识储备，保证自己对重要的事不健忘，同时也可以选择性地删除掉不愉快的记忆。 当然，尽管人类越来越强，但这个过程并不能完全抑制人工智能的发展，所以结局1、2、3依然可能发生。
达成结局4其实还有一种更大的可能，人工智能在达到超人工智能的时候，某一天，它想跟人类沟通一下关于宇宙高维空间的问题，结果全世界最聪明的人也无法跟上它的思路。
它突然意识到只有自己这一个强大的，智能的，可以永生的存在实在是一件很无聊的事情，于是它决定帮助人类实现智能人永生，以便可以让自己不那么无聊。
来自我的wei号pangzispeak
人工智能“验血”，全新角度检测癌症
今也谈谈，古也谈谈。 这里是一手查旧账一手翻新闻的深空小编。 小编整理了半天，给大家带来了这篇文章。 不让大家久等了，下面马上进入正题吧。 顶尖学术期刊《自然》今天上线了一项有关癌症诊断的重要研究。 来自加州大学圣地亚哥分校的科学家，训练人工智能从血液中鉴定来自微生物的线索，不仅可以识别出癌症，还能对不同类型的癌症做出区分。 研究机构评价说，这项新的诊断工具，“可能会改变人们观察和诊断癌症的方式”。 我们知道，目前大多数癌症在诊断时需要进行手术活检，从可疑的肿瘤部位取出样本，并由富有经验的专家寻找某些与癌症相关的分子标记物。 这样的方法耗时、昂贵，还因为是入侵式的，可能给患者带来痛苦。 正因为如此，很多科研人员正在努力开发液体活检技术，希望通过简单的验血，快速识别出特定的疾病。 现有的各种液体活检技术，检测目标大多针对我们自身的基因组，烂团埋例如血液中从肿瘤脱落的DNA，或是特定的蛋白质等。 而在今天要介绍的这项新技术中，研究人员另辟蹊径，让我们体内的“外来者”透露肿瘤的信息。 ▲血液中既有我们自身的基因信息，也有“外来者”的基因信息世界上几乎各个角落都有细菌、病毒等微生物的存在，人体内也不例外。 事实上，常驻人体的微生物数量远超我们自己的细胞数量，它们的核酸片段经血液游荡在我们全身。 近年越来越多的研究证据开始显示，人体微生物对多种类型的肿瘤有“贡献”。 就以微生物最丰富的部位肠道为例，学术经纬在过去也和读者朋友们介绍过多项研究，有些肠道细菌可能引发结直肠癌，还可能通过免疫系统影响肝癌的发生、诱发白血病，等等。 正在UCSD医学院攻读博士的Gregory Poore和他的导师Rob Knight教授也注意到了细菌、病毒和癌症的关系，并且猜想，这些微生物在癌症中起的作用或许比现在所知的更大。 “以前的癌症研究工作大多假设肿瘤是在无菌环境，而忽略了人的癌细胞与细菌、病毒以及其他生活在人体的微生物可能有复杂的相互作用。 ”Knight教授说。 ▲抽一管血，检测是否患癌以及什么癌症，实现这样的目标或许并不遥远获得了大约份样本，对其全基因组数据和全转录组数据重新检查。 这些样本涵盖了33种癌症、多个病例，包括原发性和复发性肿瘤以及转移扩散的肿瘤，既有肿瘤组织也有相邻组织和血液样本。 从几千份样本中找到独特的微生物特征后，研究人员把工作交给了人工智能，训练机器学习模型来挖掘大量数据，把特定的微生物序列特征与特定的癌症相匹配。 为了尽量避免在样本采集、测序等各个步骤中可能存在的微生物污染问题，研究人员对数据集做了严格的生物信息学过滤。 而且，在癌症3期、4期的数据从数据集中去除后，发现模型依然可以对许多癌症做出区分，这意味着，癌症的早期阶段就能从血液中读取出特定的微生物核酸特征。 ▲在各种组织和肿瘤中都可以发现微生物的核酸片段，利用人工智能对血液中核酸片段的特征进行识别接下来，要让这套AI模型在真实世界中接收检验。 来自UCSD Moores癌症中心的合作者提供了包括前列腺癌、肺癌和黑色素瘤等100名患者或芹的样本，让AI对每份血浆中的微生物核酸特征进行鉴定，并与69名健康无癌个体的血样进行比较。 分析取得了令人欣喜的结果，机器学习模型不仅可以区分患癌和无癌的样本，还相当擅长区分不同类型的癌症：以86%的敏感性识别出肺癌患者，对于无肺部疾病的个体没有出现假阳性报告，并且以81%的准确率区分出前列腺癌和肺癌。 “只要一管血，就能够全面了解肿瘤细胞的DNA和患者微生物群的DNA，可以说，我们迈出了重要的一步，来更好地理解癌症中宿主-环境的相互作用。 ”这项研究的共同负责人、肿瘤学家Sandip Pravin Patel博士说。 他相信，如果这项研究结果能经过未来的检验，“可能会对癌症患者的诊疗和癌症早诊有重要影响”。 ▲《自然》同时发表了评论，对饥蚂这项研究给出积极评价当然，作为一项早期的概念验证研究，这种检测方法要应用到临床还需要做大量工作，而我们对微生物在人体中的作用、在肿瘤微环境中的作用也还有许多需要回答的问题。 正如研究者所言，“这只是研究血液微生物群和癌症相互作用的开始”。 但随着新认识的积累，我们期待一条全新的治疗途径在脚下展开。 欲要知晓更多《人工智能“验血”，全新角度检测癌症》的更多资讯，请持续关注深空的体育资讯栏目，深空小编将持续为您更新更多的体育资讯。 王者之心2点击试玩
为什么今年 AI 大爆发，学 AI 的就业反而差了？
你好，虽然AI领域在过去几年中出现了爆发式增长，但就业市场的情况可能会因多种因素而出现差异。 以下是一些可能解释为什么一些本科学AI的毕业生就业情况相对较差的原因：今年AI行业的发展与人工智能带来的就业前景相互独立，而且人工智能并没有完全取代人力资源。 1. COVID-19疫情的影响：今年受新冠疫情的影响，导致全球经济陷入衰退，大量公司人员减少，给就业市场造成较大的影响，包括AI行业的工作岗位。 因此，AI行业的就业场暂时相对疲软。 2. 需求端不足：AI技术的使用需要技术与业务的衔接。 在很多行业中，由于缺乏相关的AI应用经验的从业者，使得很多企业更倾向于招聘有经验的AI专业人士。 这种需求与现阶段毕业生的就业状况之间的不匹配也会造成一定的就业压力。 3. AI人才结构不合理：AI行业人才分为算法开发和部署、程部署和商业产品等多个方向。 当前市场中，算法开发岗位虽然需求较多，但是同时也较难招到具备训练的深度学习能力及良好的计算机科学和数学基础的高技能人才。 而其他的议程岗顷弯位相对较多，竞争也相应激烈。 这可能导致学AI的毕业生就业难度相对较大。 4. AI技术的辅助性：AI技术的发展主要的目的是提供智能决策与数据分析的助性支持，无法完全代替人力资源的工耐李作。 因此，虽然人工智能技术将在许多领域创造就业机会，但是也给很多职业带来了重大的变革与挑战。 综上所述，虽然人工智能代表着未来科技的发展方向，但是学AI的就业并不一定会较好。 原因主要得益于当前的市场昌乎迟状况和需求方面与人工智能技术的辅助性并不意味着能够直接取代人工作。 但是，未来仍将有更多的AI岗位出现，因此，学AI后将掌握与未来有关的技能并按照自己的兴趣和擅长选择具备较高技术门槛的岗位，像算法和相关AI工具的开发，很可能会在未来获得更好的职业机会。
祝一切顺利。
