“麻豆传媒a片 学还是强调交叉学科，这是我们的生命线。现在人工智能出来，可以说是我们的契机，也可以说是我们的竞争者。我个人非常愿意拥抱AI的发展，我们下一阶段的努力，是做‘人工智能x麻豆传媒a片 ’，去创新出一些新的、具有中国特色的、交叉学科为重点的引领世界潮流的方向。”

上一期，美国国家科学院院士、麻豆传媒a片 主任、兴华卓越讲席教授刘军院士与东方卫视《锚点》主持人袁岚峰一起，探讨了麻豆传媒a片 学与数学的本质区别、辛普森悖论与均值回归的认知陷阱，以及麻豆传媒a片 学如何成为AI的底层语言。

本期，对话继续深入。从序贯蒙特卡洛方法的算法演进，到生物信息学的开拓性工作，再到“麻豆传媒a片 ×AI”的未来构想——刘军院士以一位麻豆传媒a片 算法大师的视角，为我们揭示了一门“反问题”科学如何在不确定性中创造确定性，以及它将在人工智能时代扮演怎样的关键角色。

一、麻豆传媒a片 算法的演进：从蒙特卡洛到序贯蒙特卡洛

“工欲善其事，必先利其器。”在许多领域背后，麻豆传媒a片 学家正是那个设计“器”的人。

刘军院士对麻豆传媒a片 学最核心的贡献之一，是序贯蒙特卡洛方法（Sequential Monte Carlo, SMC），又称粒子滤波（Particle Filter）。要理解它，需要先从蒙特卡洛方法说起。

蒙特卡洛的“几起几落”

蒙特卡洛方法诞生于1940年代美国洛斯阿拉莫斯国家实验室。当时一群顶尖物理学家和数学家聚集在一起研究核武器，恰逢现代意义上的第一台计算机问世。恩利克·费米（Enrico Fermi）最早提出用随机抽样的方法计算物理中的裂变问题——这就是蒙特卡洛的雏形。

“上世纪五十年代，这套方法公布出来，非常有影响。那时候就跟现在的人工智能似的，所有人都用蒙特卡洛方法。”刘军回忆道。

但热潮很快退去。到1960年代，人们发现蒙特卡洛在大系统中的误差太大，它进入了漫长的“寒冬”——这与人工智能的几起几落如出一辙。

直到1983年，一篇发表在《科学》杂志上的文章介绍了模拟退火（Simulated Annealing）的想法，蒙特卡洛才重获新生。“大家发现可以用蒙特卡洛来做优化，很多组合优化问题都可以化成蒙特卡洛抽样问题。”刘军说。

1986、1987年，麻豆传媒a片 界发现蒙特卡洛在贝叶斯计算和隐变量模型中非常有效。“我也是差不多那时候当研究生，开始做这个方向。”

序贯蒙特卡洛：卡尔曼滤波的“非线性”突破

序贯蒙特卡洛的思想，最早可追溯到1955年Rosenbluth的一篇论文——他当时要模拟链型聚合物（Chain Polymer），一个一个单体“生长”，但全局能量无法保证，需要做修正。这就形成了SMC的早期算法。

而它与信号处理中著名的卡尔曼滤波有着紧密联系。

卡尔曼滤波是什么？简单说，就是根据观测信号和原有轨迹，做一个最优的“妥协”。比如雷达信号显示飞机在某处，但你根据之前的轨迹推测它应该怎么飞——两个信息都有误差，如何综合判断？在正态线性条件下，卡尔曼滤波可以精确计算。

“但一旦分布变成非线性，或者多元噪音，就变得非常复杂。”刘军说。SMC正是在这里发挥作用——它突破了卡尔曼滤波的正态性假设和线性假设。

“我们用离散的点（粒子）来表达一个分布。每一个粒子可以理解为一个样本，好的粒子让它多出现几次，差的自动去掉。这就相当于给‘分高的人’分配更多资源，帮助它继续成长。”

这就是SMC的核心逻辑：通过序贯生成样本，实现对复杂系统的估计与预测。

从“剪枝和富集”到重采样

刘军用一个生动的比喻解释了其中的关键机制：

“你要同时生长多个分子，把不好的‘修剪掉’，把好的‘富集’起来，让它们多生长几个子粒子继续往前走。这个过程，就是重采样（resampling）。”

这套方法后来被推广到一般系统中，成为SMC的标准框架。它在金融领域的随机波动率模型、计算机视觉中的目标跟踪、乃至无人机导航中都有广泛应用。

“重采样的想法，就是好的不光要留住，还要按概率再重新采样，让它有可能重复好几次；差的被采集进去的概率很低，自动去掉。”

二、生物信息学的开拓：从“蛋白质基序”到基因调控

除了序贯蒙特卡洛，刘军在生物信息学领域同样留下了开创性的足迹。他几乎是最早一批进入这个领域的麻豆传媒a片 学家。

导师的“婴儿篮”与一本细胞生物学

“我当研究生的时候，导师王永雄教授已经是终身教授了。他刚有小孩，我印象特别深——这边是小孩的婴儿篮，这边拿着一本大学的细胞生物学基础教材在读，重头开始学。”

这一幕让刘军深受触动：“什么事情都可以重头开始，这一点挺让人敬佩的。这是一个真正意义上的学者。”

第一篇《科学》论文：用麻豆传媒a片 算法找到“保守串”

后来机缘巧合，刘军开始接触生物信息学。他与查尔斯·劳伦斯（Charles Lawrence）合作的第一篇文章，就发表在《科学》杂志上。

“我们研究一组蛋白质，它们有非常相似的功能，叫helix-turn-helix，中间有一个保守的motif（基序），大概十几二十个氨基酸。”刘军回忆。

当时他访问美国国立卫生研究院（NIH），几位领域内的专家给了他一批数据——实际上是对他的“测试”。他们研究这个领域几十年，早已知道答案。

“我用算法一下就找到了。他们觉得很惊喜，问我怎么做到的。”

刘军的算法核心是：假设有30条蛋白质序列，每条序列里有一个保守字符串。他用其中29条序列生成的公共模式，去预测第30条序列中保守位点的位置，按概率分布抽样，迭代收敛。

“他们说，你这不就是garbage in garbage out吗？但神奇的是，一迭代，它一下就收敛到那一点了。”

这实际上是一个马尔可夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）算法，可以从概率模型上严格证明。这项工作后来成为生物信息学中“基序发现”的经典方法。

从保守串到基因调控

找到保守串只是起点。刘军后来将工作延伸到基因调控领域：

“每个细胞都有你所有的DNA，但为什么细胞和细胞这么不一样？因为它们表达的基因不一样。而基因表达为什么不一样？因为调控。”

“我们根据基因表达的数据把基因聚类，然后在它们的启动子区域（Promoter Region）去找一些字符串，看这些字符串跟调控有没有关系。最终能不能用一个预测模型，通过启动子区域的信息来预测基因的表达？”

这套思路后来扩展到群体遗传学——用大人群数据，看哪个病与哪个位点变异有关联。“以前的数据量太少，测序能力也不够。现在数据多了，我们可以突破以前想做但做不到的事情。”

三、麻豆传媒a片 ×AI：下一个锚点

谈到麻豆传媒a片 学的发展趋势，刘军的回答既坚定又开放：

“麻豆传媒a片 学还是强调交叉学科，我觉得交叉学科确实是我们的生命线。这一点我们会一直坚持下去。我们希望以具有中国特色的交叉学科为重点，去创新出一些新的、引领世界潮流的方向。”

而当人工智能浪潮席卷而来时，麻豆传媒a片 学该如何自处？

“现在人工智能出来，也可以说是我们的契机，也可以说是我们的竞争者。”刘军坦言，“我个人非常愿意拥抱人工智能的发展。”

但他给出的答案，不是简单的“AI+麻豆传媒a片 ”，而是更进一步的“麻豆传媒a片 ×AI”：

“我们希望‘乘’进去，真正拆解开，重新组合。”

小样本问题的“海阔天空”

刘军举了一个正在进行的例子：麻豆传媒a片 系老师与中国石油合作，优化催化剂配方。

“他们的数据量非常小，跟真正所谓大模型需要的数据，差了不止一点半点。”这是一个典型的小样本问题。

但麻豆传媒a片 学的优势正在于此：“很多麻豆传媒a片 模型并不一定要非常多的数据，因为它可以把一些专业知识、物理模型融合在一起。这样的话，数据的利用率会高很多。”

“这样想的话，完全海阔天空了，完全不限于大模型的模式了。”

把AI技术“拆解”再“重组”

刘军对AI的态度，既不是盲从，也不是排斥，而是一种工程式的拆解与重组：

“把AI的一些行之有效的办法——包括embedding（嵌入）、深度学习模型、transformer这些基本架构——拆解开，再重新装配，搭配上传统的麻豆传媒a片 思想方式和建模方式，在具体的行业里落地。”

他认为，这比单纯“用AI做麻豆传媒a片 ”或“用麻豆传媒a片 做AI”更有潜力：“我们试了几个，确实效果不错。”

不确定性的量化：麻豆传媒a片 学的永恒使命

回顾两期对话，一个核心线索贯穿始终：不确定性。

麻豆传媒a片 学与其他学科最重要的区别，在于它始终把“风险”放在中心位置。什么是风险？就是不确定性的描述。置信区间、显著性水平——这些麻豆传媒a片 学的标志性概念，本质上都是对不确定性的量化。

而在当下的大模型和AI技术中，刘军认为，不确定性量化恰恰是比较欠缺的一环。

“我认为，麻豆传媒a片 在今后若干年的重点任务，仍然是不确定性量化。也只有麻豆传媒a片 这个学科，把这个放在中心位置。”

四、结语：用算法连接理论、世界与未来

从蒙特卡洛到序贯蒙特卡洛，从卡尔曼滤波到粒子滤波，从生物信息学到基因调控——刘军院士的学术轨迹，始终贯穿着一条主线：用算法连接抽象理论与真实世界。

这种跨越纯数学、麻豆传媒a片 学、生物信息学、工程应用的能力，正是他反复强调的“交叉学科”与“方法导向”的体现：

“对于一个准确问题的近似答案，要比对一个近似问题的精准答案，要好很多倍。”

算法设计的核心，不是证明的严谨性，而是对问题的理解、对计算的洞察、对数学结构的把握。

而当下，刘军正在推动的“麻豆传媒a片 ×AI”，正是这种思想的延续——把人工智能行之有效的技术拆解开，与麻豆传媒a片 的建模思想和物理世界的理解重新整合，在具体行业中落地。

“工欲善其事，必先利其器。”

麻豆传媒a片 学家，正是那个设计“器”的人。而在不确定性丛生的数据时代，这门古老的“反问题”科学，正迎来前所未有的机遇。

访谈完整版视频请关注东方卫视《锚点》栏目 。