1980年，麻省理工学院第十三任校长 Jerome B. Wiesner 及教授Nicholas Negroponte共同创办了媒体实验室（Media Lab）。作为交叉学科的促进创新应用技术发展的典范，在探索科学前沿探索的同时，也对现行科研成果评价制度提出了挑战。
在国内，随着科研水平地不断提升，交叉学科的发展也日益受到关注。11月30日，国家自然科学基金委员会召开交叉科学高端学术论坛，宣布成立第九大学部——交叉科学部；同时谷歌的 AlphaFold 成功预测蛋白质结构，其背后是少有的机器学习和生物相结合、且真正能解决重要实际问题的成果，再一次将“交叉学科”这个概念推向公众视野。
12月23日晚，题跋派（由《麻省理工科技评论》中国联合CB Insights中国联合发起的未来主义科技领袖社区）举办了“交叉跨界重构未来科技创新生态”主题线上研讨会，邀请了五位科研领域涉及跨学科交叉的青年科学家，从“交叉学科”的视角探讨了以下问题：
如何处理交叉研究领域里不同学科的研究人员互相合作协同的同时，还能保持个人所在学科主体性？
如何看待交叉学科的发展与产业需求的关系？
如何看待把某个领域的研究做深入，与交叉学科本身需要横向发展之间的关系？
人工智能这项技术应该怎么样去跟别的学科交叉？
在未来5年，你们认为在交叉学科的哪些领域会有一些比较惊人的突破？你们对这种场景有什么展望？
主持人：齐鹏，同济大学电子与信息工程学院副教授圆桌嘉宾：
袁曙光，中国科学院深圳先进技术研究院研究员，计算药物中心主任，博士生导师
吴志光，哈尔滨工业大学交叉科学中心教授，博士生导师
邓磊，加州大学圣塔芭芭拉分校电子计算工程系博士后
邓岳，北京航空航天大学宇航学院及大数据与脑机智能高精尖中心双聘教授、博士生导师
以下为整理后的文字实录：
齐鹏：请各位老师先介绍一下自己在交叉领域所做的一些工作。
邓岳：我是来自北航的邓岳，我在交叉领域研究的时间不是特别长。在读博期间，我主要从事机器学习、人工智能方面的基础理论研究。博士毕业后，开始涉及交叉学科领域的一些工作。目前主要是围绕脑科学和人工智能的相关课题展开。
之所以选择这个领域，一方面脑认知对于全世界的科学家来说都是一个比较新的课题，我们希望通过最新的人工智能技术和智能感知技术去了解脑认知的生物机理；另一方面我们希望通过对脑的学习，收获启发和观点，用“生物脑”启发“智能脑”的研究，从而设计新一代人工智能模型，未来可以将强化学习应用在军事和医疗中。
袁曙光：我是来自于中科院深圳先进院的袁曙光，我从事的专业是计算机辅助药物设计。这个领域交叉性特别强，主要通过生物计算的方法来研究蛋白质的三维结构，以及蛋白质与药物小分子的相互作用，以及利用计算机来发现和设计药物分子。
我们团队去年 4 月从瑞士整体回国，创立了计算药物设计中心。希望通过交叉学科的融合，大大加速临床前的新药开发。中心的老师涉及到的研究方向和学科领域众多，比如结构生物学，药物化学、计算机技术等，另外还涉及一些生物技术和设备，比如冷冻电镜技术等。我们目前所从事的生物计算，就是把不同领域老师的工作相互搭配协作，共同加速研究成果的推进。
邓磊：我本科是在中科大从事光电技术和机器人的相关课题。到清华读博后，开始从事类脑计算领域相关工作。这个领域的学科也很交叉，当时我们需要从零开始学神经科学、脑科学，在机器学习领域也有所涉及。类脑计算主要还是围绕芯片来展开，所以还会涉及到电子和微电子领域的技术。在美国期间，我主要是进行芯片架构的设计。
我们团队目前正在做的工作，是从神经科学和机器学习的理论出发进行研究。另外，还有芯片的设计以及系统的构建，比如普通的计算平台、服务器、软件工作都有涉及，所以目前的工作基本上就围绕交叉学科展开。
吴志光：我是来自于哈尔滨工业大学交叉科学中心的吴志光，从一开始从事科研，我就在从事交叉学科。我目前从事的是生物医学中微纳米机器人的研究。这个领域的科研人员主要以研究机器人领域的居多，另外还有从事微机电系统研究的科学家。
我是化学背景，所以我的工作更多是把胶体进行化学组装，将生物相容性，生物降解性比较好的材料作为主体，来组装微纳机器人。
齐鹏：如何处理交叉研究领域里不同学科的研究人员互相合作协同的同时，还能保持个人所在学科主体性？
袁曙光：在生物计算领域，如果已经做出准确的生物计算结果，准备发一篇比较好的文章的时候，有时会碰到审稿人问：文章里的生物计算结果是只是停留在理论上吗？是否有实验结果来佐证你计算的分子机理是正确的？或者是否可以真正应用到新药研发过程当中？如果想回应审稿人的质疑，就需要去找可以做生物实验的合作者。
现在问题就来了。如果我们单纯看模拟计算的内容和结果，可能对整个课题来说只是一小部分，但对实验来说却是核心内容。衡量下整个课题的所花费的时间，早期通过计算机模拟进行理论计算花的时间并不会很多；但如果找做生物实验的课题组来合作，实验部分花的时间可能是计算机模拟的两倍、三倍甚至更多时间。这个时候，组里的主次关系可能会发生变化。虽然生物计算只是其中一小部分，但是计算结果可能是整个实验的精髓。
另外现在很多新兴的 AI 制药公司，或者越来越多的国际大型制药公司，会把生物计算看作领头羊和最底层的设计者，并不是说只是一个辅助手段。
齐鹏：我说一个我的困惑。我做的是医疗机器人，我们在做医工交叉时，医疗机器人最终是要应用于临床，所以这个开发的需求实际上都是由医生提出来的。我们做出来之后还要给医生来验证结果。相当于医生不仅是出题人，同时还是阅卷人。不知道其他老师有没有这样的困惑？
吴志光：我是做微纳机器人的，也会遇到和齐老师提到的类似问题。但是我们一般认为，合作的课题组里没有一个绝对的主次关系，更多的是组队合作。在合作的过程中，我做的更多的是介绍好自己，做好自己在课题研究中的角色。
要是遇到了比较棘手的问题，比如攻克癌症，我们可能一时半会解决不了，但我们可以先解决小问题，积少成多，量变到质变。
邓磊：最开始当我们研究深度学习的时候，感觉没有很交叉。但在这几年，交叉学科就已经发展得非常普及了。
像我们做类脑芯片，本来专长是做芯片，做硬件。但因为大脑本身是一个软硬件一体的系统，很难说你对他的研究只做硬件的部分。我们当时也没有什么可供参考，如果只做好硬件。不懂脑科学，不懂神经科学，不懂机器学习，这个事情也做不成，所以当时我们只能硬着头皮接触不同学科。
如果说合作中的关系，我觉得需要看这个问题最开始是由谁提出来的。如果我们的项目是为了做出芯片，肯定是以我们为主，我们会去找脑科学家交流，但同时我们也会自己做一些神经科学或者脑科学的建模。但如果我们芯片做出来之后，也可以和一些脑机接口的应用合作。如果刚好有课题组想用我们的芯片来验证，或者做另外某项课题，那我们就会协同配合。
我们这样做，倒不是说是为了抢其他领域的人饭碗，而是因为如果我们自己对这些领域不是很了解的话，后面的工作就没办法开展了。包括我们现在做软件也是，大概在 2016 年以前，做 AI 芯片的人，很多都是纯做硬件的人，不是很懂机器学习。但是从 2016 年之后，会发现他们也在研究很多算法。因为如果不把算法和硬件一起优化的话，性能很难再提升。
我觉得，最终还是要形成一种相互促进的关系，彼此技术的进步会推动双方更好的发展，这种生态关系我觉得才是比较良性的。
邓岳：我觉得从合作的角度看，首先要了解自己的主业是什么。比如说我自己是研究算法的，我能做的模型深度或者说对数据的阐释和理解肯定是要会比做脑科学、神经科学的科学家要深一些。
但同时，我们也应该认识到，和别人合作的过程其实更多的是妥协的过程。比如说合作方总觉得机器学习能够解决所有终极问题，其实可能现在的研究进展还是无法根本解决。因为他不懂这个领域，他眼中的 AI 可能是电影里上的那种很快会统治地球的 AI 。
再比如说我们现在在研究对脑的观测手段，我们觉得说只要医学上对脑有足够的观测，我们建模分析，用数据解释机理就好了。但其实我们也受限于目前医学的观测手段及发展程度。所以现在我们在彼此合作中，慢慢会发现大家能做的事其实就慢慢往中间走。
现在，单一领域的课题成果很难再上 Nature、Science 了，而交叉领域的文章越来越多。有的内容噱头很大，但如果真的去看他的技术，其实会发现最后也是妥协的结果。有一些研究课题只是浅尝辄止，我觉得这是目前学术界在交叉学科发展上的大趋势。但这也是一件好事，因为以前可能没有人来做这件事。
齐鹏：如何看待交叉学科的发展与产业需求的关系？
邓磊：从我的角度来讲，为什么最近几年对于交叉学科的市场需求越来越多？其实我同意袁老师刚刚提到一句话，我们已经很难在单一学科的框架下来突破和提升。我本身是做仪器设备和芯片系统的，如果按照原来的思路去做的话，已经很难再去优化整个系统的性能。
我给大家举两个例子。
第一个，以前的流式细胞仪，传统上，会使用高帧率的相机抓拍变化比较快的细胞，或者细胞的变形去分析。但是如果还想整体提高的话，也很难再使用更高帧率的相机。要么提升系统的复杂度，要么把算法搞得很复杂，但是整体都比较难。
但最近的研究中我们发现，也许可以借鉴像青蛙一样的仿视网膜传感器。它不是整张图像曝光，而是一个像素点一个像素点地曝光。虽然整体的背景可能不能拍得那么细，但是它的速度很快。那种场景没有我们做图像探测那么复杂，所以其实也是相当于一种市场需求驱动的多学科的应用。
第二个例子。手机做图像处理现在是一个很简单的功能，以前可能大家觉得把图像处理机器学习的算法写上代码编译进手机里，不就可以了吗？其实以前是可以的，但为什么在这种市场需求存在、并且以前单一学科就可以解决的情况下，现在大家却发现很难了呢？
是因为在我们这个时代，从智能手机出现开始，很多系统里面的数据量跟以前不是一个量级的，模型复杂度跟以前也不是一个量级的。再按照以前那样写进去，运行会特别慢，就会发现除了做硬件还要做模型、算法的研究和编译。所以虽然需求还是一样的，但已经不能再使用以前那种单一传统的方法，因为我们面临的数据和模型复杂都变了。
现在很多药物仿真也是一样的。因为 AI 模型进来之后，我们会发现用传统的超算或者 CPU 还是不够快，所以现在很多人会搞专用的硬件、专用的芯片来搭系统，去做这些事情。
邓岳：我认为现在的交叉学科和产业化还有一个比较大的鸿沟。在学术上，我们可以接受这种前沿性，因为有国家和基金委的支持。但是真正在做产业化的同时，其实更多的时候考虑的是成本。
所以我觉得，现在我们做交叉研究有点像前段时间华为所讲的，我们是要产生一些捅破天的技术，比如说真正改变下一个时代的技术，比如吴老师的纳米机器人或者邓老师的类脑芯片，是真的改变原来的架构，重新书写一片天地的技术；但目前来说，就我看到的，在产业化这个方面更多的还是会受到成本以及稳定性的约束。因为产业化是要批量生产，它会追求成品率和成本的控制。我们现在更多的是 POC (Proof of Concept)。
但我觉得有一个领域是可以产业化的，比如我们北航做的军工企业，因为它是不计成本的。我只要生产出一个有效、有用、且稳定的就可以。但如果是面向民用，比如我们手机要用一个AI芯片，那肯定还会有更多需要考虑因素的了。
真正产业化未来还是有很多路要走的。但总之，我觉得是前景是美好的。
齐鹏：如何看待把某个领域的研究做深入，与交叉学科本身需要横向发展之间的关系？
邓岳：我认为交叉学科是门槛很高的领域。需要我们给他一个好的定义。一个好的定义，我可能会更偏向它的科学性和前沿性。也就是说这项技术本身是否能够真的在未来带来质的改变。
比如说最近很热的量子技术。如果量子计算机真的实现了，那将完全重新书写 AI 技术的体系结构。或者袁老师通过计算药学研制出的新药，吴老师用纳米机器人直接可以送到病灶上……等等，这种利国利民、真正会产生重大突破的、具有科学性的交叉，我认为才是真正有意义的交叉学科。
邓磊：我觉得交叉这个词本身褒贬义不明确。最近我感到比较困惑的是，以前会觉得自己什么都懂。但最近就不太愿意说自己是做交叉学科的，因为有的人，尤其是年纪大一点的老师，会不知道我的主业是什么，感觉什么都做，但是什么都做不好。
我不能评价别人好或者不好，我觉得学术多样性本身是挺好的事情。如果当前的工作方式对你的研究有帮助，比如你觉得目前的课题需要懂很多不同领域的技术，那就坚持去做交叉学科；比如你想深耕某个学科领域，并且做出成果，我觉得这样也很好。
但我觉得现在跟以前不一样的一点在于，尽管我们在深耕自己的领域，但还是要清楚目前这个领域内，到底有哪些学科。以及在整个体系内，这些学科的发展瓶颈有哪些。现在会更强调一个整体的系统性发展水平和实力。比如说类脑计算是一个很复杂的学科，但总会有人说类脑计算的发展没有人工智能好。这其中有很多方面原因，就像在 2013 年左右，大家想做一个很大的卷积神经网络来做医疗，但是当年的 GPU 跑不动。所以我觉得交叉学科的发展，如果对整个生态的发展有促进作用，我觉得就可以。
吴志光：我觉得交叉学科的发展，很大程度上是由于原来的单一学科解决不了一些问题，现在通过合作，希望实现最终成果的突破。另外我觉得我们对待新兴学科的出现，更多还是应该给予鼓励和理解，要辩证地来看。
袁曙光：我特别同意吴老师的观点，如果是做一些交叉学科的课题，它应当在学科交叉之后，解决某些单一学科解决不了的问题，或者是说提高之前单一学科的研究效率。
这一点是我个人体会比较深的。在生物计算制药领域，现在人工智能和制药两个领域都发展得很好，如果两个学科进行交叉，那可以接触到的资源也是比较多的。但其实到最后，不是所有人都具备这样一个多学科高度融合的能力，即使早期从不同渠道拿到了很多资源，但最后可能并没有做出非常突破性的工作，也没有像我们所预期的那样，在短期之内通过高度交叉的学科达到新药研发的目的。
我觉得其实在很多交叉学科自己构建的体系里，并没有真正的把各个学科有机融合，发挥最大的功效，这是我的一点感悟。
齐鹏：如果你是做人工智能研究的，你觉得人工智能这项技术应该怎么样去跟别的学科交叉？如果你不是做人工智能的，你希望人工智能技术跟你这个领域去怎么样去交叉？
袁曙光：人工智能应用到新药创新，并不是一个新鲜事，30年前这个概念就已经提出来，当时我们是叫 “定量药效构成关系”，它是用线性回归的方式来做小分子的一些性质预测。但在30年前，因为很多客观因素的局限性：一是数据量积累少，二是计算机硬件也跟不上，因此并没有今天这么火热。
但是随着数据量的积累和数据库的完善，以及像英伟达GPU硬件的发展等，已经实现了能在普通的个人电脑上处理大样本量和高数据，这个时候AI应用到新药研发上，就比较现实一些了。
但实际上，我们在真正从事医疗行业研究的时候发现，AI其实并不是一个万能钥匙，什么问题都能解决，它更多的是帮助解决某个环节上的问题。因为在我们生物化学领域，从AI预测的准确性角度看，它在预测二分类，比如像有还是没有，准确率基本可以达到80%甚至90%以上，但是在预测具体数值到底是0.1还是0.2的时候，它的准确率可能只有30%或者40%。
同时，AI 其实只是生物计算应用到新药研发中非常小的一块。很多新药研发是通过其他计算方法比如分子力学等计算方法实现的。
吴智光：因为我不是做AI的，所以对AI的概念没有一个绝对的理解。我的研究领域是微纳机器人，因为它叫机器人，它跟机器之间最大的区别就是它要有自己的智能。比如现在，我们做一个微纳机器人，很容易做到通过我们的仪器操控来实现上下左右的走，但是如果让他自己去完成一些任务比如自己走一个迷宫，那就需要比较智能化的解决方式了。
我们非常希望做的事情就是能不能通过 AI 来设计一些新的纳米机器人，这些机器人能达到我们想要的意图？目前看起来好像还是挑战比较大的。
邓磊：好像近几年有一句话叫“万物皆可AI”，大家之所以会这么认为其实还是产生了一个错觉，觉得只要是需要根据数据做决策的场景，都可以建个模型用AI试试结果就出来了。但其实真正想做好AI 的人，会从应用角度考虑，会看市场的痛点和产业链的需求，会希望自己的 AI 模型能真正解决问题。
从另外一个角度来说，我觉得 AI 另外一个很重要的点是要好用，可能你看别人说好，用得好，拿到自己的领域发现其实并没有那么稳定可靠，所以希望还是对自己好用才更重要吧。
邓岳：我自己就是做 AI 的，但我也是从读博士开始做 AI 的，其实并不是各种数据都做过。现在有个现象，是个公司都说自己是做 AI 的，我在给我北航研究生上课的时候说，大家不要相信媒体上的 AI，因为媒体把 AI 过度神仙化导致它越来越被过度妖魔化了。只有知道什么是真正的AI，才能知道它能做什么，不能做什么。
现在我们所谓的AI，其实还是基于数据的一个统计模型，相当于是统计学或者应用数学的一个下游。比如谷歌的阿尔法狗为什么能起来？因为算力、GPU和深度网络已经到了可以计算这么多的场景了，但其实自己看它最初的顶层架构和算法，其实50年前可能就应有的了。所以，这些基于统计的规则的算法，其实算一种数学规则上的暴力美学，并不具有人真正的智能。
所以我一直觉得现在的 AI 不应该叫 Intelligent，应该叫Machine Learning。本质上现在还是一个重复学习的东西，解决问题的能力其实非常有限，创造性还是很差的，不能太期望于它能帮助解决所有的问题。
而 AI 在未来的一个很重要的发展趋势，其实就是突破这种数学家眼中的 AI 架构，去寻找一种新的架构，解决“人到底是如何思考问题”的。
齐鹏：在未来5年，你们认为在交叉学科的哪些领域会有一些比较惊人的突破？你们对这种场景有什么展望？
袁曙光：我个人还是比较看好量子计算。主要是它未来不仅仅在我们生物医疗领域，对我们整个生活及基础资源都可以带来一个质的飞跃。
吴智光：我希望我们的微纳机器人有一天能做成跟人的免疫系统一样，随时随地集群在人的体内。假设有人得了晚期的癌症，那么由于它形成了一个自己的免疫系统，它就随时随地的可以进行治疗和控制，最后能变成一种相当于我们感冒一样的慢性病，或者是干脆解决他们。
邓磊：如果不局限于自己的领域的话，从计算的角度来讲，未来5年我感觉现在计算架构里面的异构计算应该会全面铺开。
比如大家从苹果出的第一代处理器可以看到，里面的“一个芯片”已经不再是严格意义上的以前的“一个芯片”，它实际上在一个芯片里集成了很多个领域的专用的芯片。可能有专门的图像处理的芯片，有专门的 CPU、GPU神经网络人工智能的芯片等各个学科的专用的高效芯片，来构建整个高效的系统。
同时也正是因为摩尔定律遇到了极限，或者像冯·诺伊曼也遇到了瓶颈，所以按照原来的那个方式来做芯片，已经很难再去提高整体性了。从这个角度看，未来5年大家应该会在各种计算机系统或者手机系统里面都可以看到这种架构。
邓岳：我个人比较看好的：一个是量子计算，还有一个就是非冯·诺伊曼体系下的新一代的架构体系。刚刚也被袁老师和邓老师都说了，我就投个赞成票。
-----
