汪建：当我谈论BI时，在谈论什么

关于智能，华大董事长汪建不止一次提出新想法。

最近一次，他谈及了BI（Bio-Intelligence）。

关于这个新概念，更深层次的含义是什么呢？

我们听老汪说说。

汪·见丨汪语常新

人类对智能的追求要回到生物学的基本原理上来，回到对生命复杂系统的系统性认知上来。从单一的技术性思维到系统性的认知思维，是人类从工业时代迈向生命时代的必由之路。

进入生命时代，“人工智能”的技术性局部应用需要升级到“生物智能”（Bio-Intelligence）的系统性认知与实践。生物智能所包含的科技智能（Scientific Intelligence）、社会智能（Social Intelligence）、文化智能(Ethical Intelligence)具体指什么？ BI又如何通过科技、社会、文化进步的推动实现健康可提升、生命可掌控的“真智能”（RI,Real Intelligence）呢？

世界千变万化，不变的是挑战极限、追求终极的决心。

1

AI到BI，迈向生命时代的必由之路

人工智能的技术应用极其依赖训练数据集的代表性和无偏性，尽管有大量人工智能技术用于医疗健康行业的案例，但大部分训练模型的数据均来自“靶标循证”的临床案例及“假说导向”的临床路径，只能得到当前认知体系下对临床信息极为有限的解读，远远不能满足智能化应用的要求。在生命科学领域，若没有生命全景2B4D（大人群、大数据，Big Population、Big Data=2B；生命4D解读,生命全周期多维度贯穿组学大数据）大人群大数据的支撑，就无法获得因果性的认知，因而无法用以精准地指导健康提升，预测风险，更无法精准地指导生命科学领域的科学发现。

人工智能是人类在现有认知水平下对过往知识的高效总结，是还原论的技术性应用，而非扩展人类认知边界的科学发现。生命科学包含大量未知,亟待科学探索，人脑经过5500多年的演化，形成了复杂的神经网络。结构决定功能。人类对智能的追求要回到生物学的基本原理上来，回到对生命复杂系统的系统性认知上来。从单一的技术性思维到系统性的认知思维，是人类从工业时代迈向生命时代的必由之路。

永远在攀登的老汪

2

BI，直面人类终极需求

“生物智能”的终极目标是实现人类的终极追求，即“生优病少、健康长寿、温饱不愁、环境友好”。“系统”是生物智能的核心。实现这个目标，就要挑战人类对自身的认知极限，一步一脚印地系统性、全景性地认知智能的物质基础，认知生命在时空中的变化规律。

大千世界的万物生长和生老病死都遵循“生命中心法则”，都受控于生命的遗传密码——基因组。实现生物智能，认知掌控生命，必须遵从这一基本法则：从DNA开始解读，全方位全周期，从微观到宏观，从生到死地贯穿生命中心法则。

生命是一个多层次、跨尺度的复杂系统，在时空中动态演变。生命的系统结构，决定了其信息、能量和物质的传递与转化。生命系统有其生老病死的自然规律。生命的繁衍依赖于遗传物质的传承，研究生命起源与进化、生物多样性，可以认知遗传信息如何表征生命系统的组织化，从而认知大千世界。生命系统内部组学之间形成相互作用、相互影响的网络，同时也与内外环境形成互动。完整地认知生命就要理解生命系统如何受内外信息的调节、反馈与控制，二者不可分割。

传统系统论、控制论、信息论的学者没有高效低成本的工具来认知一个完备的复杂系统。从宏观层次的器官、组织，到微米尺度的细胞、细胞器，再到纳米尺度、原子尺度的生化分子，是人们遵循还原论探索的一次次胜利。

人类基因组计划催生的测序仪、质谱仪等生命组学工具日益成熟，结合高分辨率影像系统，使得跨尺度、多层次的生命系统认知成为可能，也在系统论研究中绝无仅有。人们不仅可以将对生命的解读从微米、纳克的尺度推进到纳米、道尔顿的分子和原子级别的生命微观观察尺度极限，更可以遵从生命中心法则，从基因组到蛋白组到多组学贯穿，实现从微观到宏观、从生到死的跨尺度、多维度、多模态、全方位全周期的海量全景式生命大数据解读。

如此复杂的生命系统,起始于基因,从A到Z,贯穿互动，这是生物智能的物质基础。组学工具可以“从因到果”地全景性解读，也可“从果到因”地交叉验证，形成单样本多层面的特征描述。采用“基因+影像”相结合，可在出生缺陷的防控中，从基因之“因”推理影像表型之“果”，从影像表型之“果”追溯基因之“因”，目标是实现已知出生缺陷（上千种疾病）的全面防控。“生物智能”对生命因果关系的追求，是其凌驾于“机器智能”的核心要素。

其中，“生物智能”包括三方面的内容：“科技智能”、“社会智能”和“文化智能”。

科技智能

“科技智能”是实现“生物智能”的科技基础。大人群生命组学大数据（2B4D）是前所未有的系统性认知素材，既包括大人群大样本的低维度有限靶标数据（“已知靶标”），也包括反映系统控制逻辑的个人小样本的高维度贯穿组学时序数据推演（“风险预测”），更有必要将这些多源异构数据进行融合分析得到新的认知（“未知发现”）。亟需一整套软硬件结合的智能化认知计算系统。

计算系统。针对2B4D数据，将以深度学习为代表的人工智能算法以及以非线性动力学为代表的系统方法相结合，开发全新的因果关系发现和网络推理等计算生命信息新理论以及数学建模与自动化的新方法，用以挖掘、阐明、总结和理解海量贯穿组学时序数据所隐含的规律与知识，加速从数据驱动到知识解析、促进新认知指导下的医学健康发展，为在系统层面分析和预测潜在生老病死的机理而建立新的理论方法和软件技术平台。

安全系统。生命组学数据的解读和分析涉及公民的隐私和数据安全。搭建基于区块链及现代密码学的数据共享基础设施，用于组学数据的隐私保护和跨机构的协同利用，确保共享可控制、可审计、可监管，从而支撑科学探索和产业应用，使相关主体（个人、政府机构、医疗机构、科研机构、国家基因库、企业）共有、共为、共担、共享。采用分布式的数据存储及协同计算架构，既可确保个体隐私，又能实现中心监管，在生命时代为个人组学数据资产确权，形成可交换、可交易、可定价地传递生命价值的生态。

计算硬件。2B4D数据的计算与存储可以从生命复杂系统的运行与控制逻辑中得到启发。从开发适合于贯穿组学数据分析的高性能专有芯片，到从大脑结构启发的类脑芯片，到以DNA为介质的海量信息压缩存储方式，再到基于DNA的生物形式计算机，最终实现逻辑运算与生命系统的完美交融。此外，开发低功耗、可植入、无线传感、柔性材料的智能穿戴设备，实时捕捉、搜集、处理边缘的生理信号，也是实现生物智能的硬件基础。

社会智能

“社会智能”(Social Intelligence)是指人类系统性认知自身，需要突破完全依还原论建立的思维、管理和法规的惯性体系，建立为大数据、大科学、大产业保驾护航的社会创新体系，包括创新科技的发展和管理模式、创造市场、创新政策法规。这是在政府引导和经济可行的前提下，社会集体认知的智能进步，“普惠”是社会智能的核心。

建立新知识体系必然带来对社会治理、教育体系、就业结构、产业分工、个体隐私和国家安全等方面的一系列挑战。政府加强引导，将生命组学工具的突破普惠到民众，建立符合生物智能的法律法规和政策体系，同时依法确定生物样本和组学数据安全等级和开放条件，建立共享交流的安全审查机制，社会认知和科学认知协同发展，社会智能为科技智能保驾护航。

文化智能

“文化智能”是指生物智能需要更适应科技进步的文化基础，不断完善社会规范。“从我做起”是文化智能的核心。系统性认知生命使得人类最终可以像探索宇宙一样，协同、开放、自由地探索，甚至掌控生命。有机体的改写、设计和创造，这提出了比机器智能更高的伦理与文化挑战。伦理与文化认知的不规范，不利于科技与认知进步。能读就能写，指的是从认知到掌控，能“读”便在伦理上可“写”，只“写”能“读”之物。这是与时俱进的人类共同意志，是科技进步与个体求生求存本能相结合带来的自生自发秩序。

借鉴先行者的经验，以人类命运共同体的福祉为大目标来逐步弥补伦理和文化的差异，确保认知与掌控的公共属性，可在特定的社会、政治、经济条件下实现身心皆健康的群体形象。新工具体系、新知识体系和新实践体系，带来新文化、新时尚、新生活，开启文化智能与科技智能协同进步的全新时代。

3

真智能：掌控生命

真智能指的是“存、读、写”三技合一，生命可掌控、健康可提升的人类终极追求的实现过程。生物智能为实现真智能、全智能奠定了科技、社会和文化的基础。如果说“读”的最高境界是获得尽可能完整的4D数据，那么“写”的最高境界就是实现在4D数据指导下的实时动态调整，“存”的最高境界则是存大千世界生命之精华，未雨绸缪。

人类对生命的掌控是一个边认知边实践，循环往复、逐级提升的过程，这体现了人区别与机器的主观能动性与创造性本质。在生物智能BI的指引下，人类可以突破人工智能AI的原有局限，不但可以应用于医疗和健康保健，还能通过体育锻炼、营养调节、智力教育，实践全新的脑智干预与智力提升，这是边认知边实践的真智能，也涵盖了能读就能写的科学与哲学含义。改写和超越进化论的重新设计人造染色体、人造细胞，人造组织，人造器官直至人造生命，这可能取得比人工智能、机器智能还快的突破性进展。从我们“已知的生命”向“生命应有之姿态”迈进，这是完备性、巨延性对生命结构和功能的认知前提下，探清自然和生命的创造性本质。因此，人类得以形成的全新的生命观，在生命时代实现对自身完全掌控的真智能。

参考文献

[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.