一段基因序列能否像一句话一样被AI读懂？一张头部CT里，是否还藏着心血管健康线索？当AI进入一所普通县中，它又能为教师和学生做些什么？
本周，“追星就追科学家”青年思想现场走进清华大学。清华大学生命科学学院钱塘副教授张强锋、上海交通大学人工智能学院副教授张小嫚、浙江江山智慧教育研究中心主任（筹）王华兵分别从生命科学、医学影像和基础教育出发，围绕AI如何读懂生命、走进课堂，以及青年在AI时代为何仍要学习、如何作出选择展开分享。
AI开始“读懂”生命
近年来，人工智能从图像识别、复杂博弈和自然语言处理等领域不断走向科学发现前沿。张强锋介绍，AlphaFold对蛋白质结构的精准预测，也展现出AI改变生命科学研究范式的可能。
张强锋表示，基因、蛋白质和单细胞数据都具有类似语言的序列特征。研究者可以借鉴大语言模型的思路，让AI从海量生命数据中学习规律，为蛋白质设计、基因组研究和新药研发提供帮助。
在他看来，未来的AI或许不只用于分析实验结果，还可以构建“细胞世界模型”，学习细胞如何运行、如何对药物和环境变化作出反应，进而参与提出假设、设计实验和分析数据。届时，生命科学或将从实验观测逐步走向可模拟、可预测、可设计。
张小嫚的分享则从一张医学影像开始。过去，AI更多从医生标注的数据中学习，识别范围也往往局限于已经“见过”的疾病。她和团队尝试让模型同时学习影像、诊断报告和医学知识，使其不仅能够“看图”，也能理解不同疾病之间的联系。
这种方法使AI面对少见疾病和训练中未曾出现的情况时，仍具备一定的判断能力。临床评估显示，借助AI辅助，低年资医生可以减少漏诊和误诊，诊断表现进一步接近经验丰富的医生。
随着研究深入，团队开始尝试从一张影像中寻找检查目的之外的信息。急诊头部CT通常用于排查颅内疾病，但头部影像也可能留下心血管健康的线索。团队由此尝试利用常规头部CT预测心血管风险，让一张已经完成原有诊疗任务的影像，拥有被再次“读懂”的机会。
如今，张小嫚的研究进一步走向“虚拟细胞”。团队把药物、基因、蛋白质和生物机制等知识引入模型，预测不同药物作用于不同细胞后可能产生的反应，为药物筛选和新药发现提供新的思路。
“理想的状态不是让AI完成一次预测就结束。”张小嫚期待，未来AI能够提出假设、设计实验，实验结果再反过来更新模型。计算与实验不断对话，让AI从“看见疾病”走向“模拟细胞”。
张小嫚以自己的经历告诉现场青年，科研道路并不总是一条预先规划好的直线。从医学影像到虚拟细胞，研究方向会随着技术和问题不断变化。重要的是保持好奇，也保持行动，在一次次尝试中找到真正愿意长期投入的事情。
当AI进入课堂，青年如何学习与选择
王华兵把目光转向1500多公里外的一所普通县中。那里没有前沿实验室，教师每天面对的是备课、批改、考试、升学，以及性格和基础各不相同的学生。
“AI进入教育，不能只问技术能做什么，还要先问学校真正需要什么。”王华兵说。学校曾因资源不适配、操作复杂、增加教师负担而走过弯路。经过不断调整，智慧教育系统逐步融入备课、作业批改、学情分析和组卷等日常教学环节，一些重复性、事务性工作开始由技术辅助完成。
变化不只体现在效率上。教师能够把更多精力重新放回课堂、学生和教学本身，钻研教学设计，关注学生差异，开展更有针对性的辅导，也有更多机会走近一个个孩子。
王华兵提醒，AI可以提高效率，却不能代替教师的价值引领和情感陪伴；数据可以记录成长，却不能成为定义孩子的唯一标准。
“好的教育技术，最终回答的不只是快了多少、省了多少，而是每一个孩子有没有被看见、被温暖、被成全。”他说。
技术走进课堂之后，问题并没有结束。三位嘉宾把讨论落到青年自身：AI时代，青年为什么还要学习？
三位嘉宾的回答最终都指向人本身。他们认为，面对触手可及的知识，青年仍要保持好奇、提出问题，形成独立判断，不被现成答案裹挟，也要理解他人的情感，承担自己的责任，把想法变成行动。AI让知识触手可及，却没有让学习失去意义。学习不只是记住知识，更是在思考、选择与实践中，逐渐成为想成为的人。
盛达优配提示：文章来自网络，不代表本站观点。
