低級人工智慧 鹦鹉學舌，重複、模仿
高級人工智慧 烏鴉喝水，因果驅動的人工智慧
做自己的特色，相當於拿自己的專業知識去 “搶地盤”： 不同背景的人，在同一件事情時，大家各自有各種的優勢，作為科學背景出身的人，不要想着去搶計算機出身該做的事情，原因有二，一如果這麼做，自己需要付出比計算機人更多時間，學習冗餘的知識；二在計算機科學中缺少掌握專業自然科學知識的人，如果自己不利用自己的優勢去全力以赴，那麼自己很難做出有影響力的工作，人活著一方面是活著，對於現在來說活著就是為了做一些有意義的事情，如果不是這樣的話，和你存在不存在區別在哪裡。
做自己行業的標準： 這個小標題我看起來真的很大，很沒有頭緒，但是這應該是我奮鬥的正確目標，方向大於努力。還要把一句話記在心頭，不要指望靠調調別人的代碼，就發文章。不現實，這個賽道也不容易，自己已經有我經歷了。要用一個架構把一個領域的問題統一起來。比如：薛定諤方程。
人工智慧現狀： “非基礎學科” 領域不需要作出顛覆性的科學發現，多數時候只需要在已有的基礎科學理論的基礎上，基於已有的數據找出一定領域中變量之間的‘模式’即完成了科學發現。
但在一些 “基礎學科” 領域，科學發現並不僅僅是找到數據和經驗材料之間的 “聯繫” 這麼簡單，更多時候其實是在探索和發現新的變量，而由於人工智慧當前更加擅長尋找 “相關性”，所以其在這些鄰域應用的深度還不夠；另一方面科學研究在多大程度上能夠自動化，人工智慧在科學發現的過程中能夠起到多大的作用，還取決於人類對於科學研究活動和科學發現本質的理解。
名言： " If I have been able to see further, it was only because I stood on the shoulders of giants." --Newton
機器學習數據來源：
- 理論計算可以快速產生大量數據。比較 “廉價易得”，但缺乏 “現實複雜度”。
- 過往的文獻和數據庫中有大量的數據。數據庫的數據是結構化的，比較容易提取，但是文獻中的數據是非結構化的，提取這些數據，往往需要具備一定的領域知識。然而手動提取效率太低、時間和經濟成本太高。可以借助自然語言處理技術來提取文獻中的數據。
- 實驗中獲得的數據。非常稀少和珍貴。
深度語句收集：
朱松純：說到了核心的一個問題，就是我們承認和接受未來社會就是大數據或者說是說不清楚的，而且這個模型就非得這個村，那個模型非得那個店，沒有一個統一的說法，這是目前比較流行的說法。但我個人認為，這是一個很大的誤區，科學的發展就是尋求最簡化的解釋，之所以變成現在這個局面，根本上是研究方法出現了問題。
什麼意思呢？就是智能如果作為一個客觀現象來擬合，那它的模型確實非常複雜。我們原來做了一個簡單的判斷物理與智能邊界的實驗（生命度），比如說一個房間裡面兩個物體碰撞，那是很簡單的，幾輪參數就可以擬合；但如果是兩個人，一個人跑出去另外一個在追逐，有各種各樣的社會關係，那物理模型（能量函數、大數據模型）是解決不了的，每一段的智能體運動都要用一個不同的模型來擬合，還是說不清楚。
但是，假設用一個唯心的價值函數，不再是能量函數來描述的時候，非常簡單就把它描述清楚了。所以為什麼我後來討論 “理學” 和 “心學”？心學裡面講，“心即是理，心外無物”，它認為世界上那麼複雜的智能現象都是由簡單的價值觀驅動，找到你的價值觀，你所有的行為就不複雜。如果我專門去複製你的行為，那就是邯鄲學步，擬合是擬合不完的。我一旦搞清楚你的價值取向、你的定位與格局，那你的一切行為都可以被很簡單的動機所解釋了。
所以我認為，現在整個人工智慧，大家還是用原來的一個擬合方式，用大數據的辦法想去解釋人的所有的主觀行為，這是走不通的。
- being 存在
- becoming 變化
- believing 信念
吳家睿：對於青年科學家，我覺得破局涉及到三個方面。第一是涉及到理論的，大部分生命科學家都是在還原論的指導下開展工作，我們現在需要從系統論的角度來做，不然就會研究得越來越細，對一些很細節的事情過分得關注。從研究理論和思維方式來說，光看細節是不夠的，要有系統的觀點。
第二，研究方法，生命科學現在某種意義上是技術驅動，也有一個趨勢就是研究內容追求流量、追求技術，我建議更多提倡思考、提倡理論。
第三，現在功利現象特別嚴重，要弘揚科學精神，比如日本花樣滑冰運動員羽生結弦堅持跳 4A，他不追求金牌，而是追求超越人類極限。我們科學家不要去追求金牌、銀牌、銅牌，而是要去跑得更高、更快、更遠，奧運會精神應該發揚到科學研究上。福柯在他的自傳裡說了一段，如果科學不能帶我們這些有知識的人走向迷途，那科學還有什麼價值呢