计算机科学

根据本周加拿大医学协会杂志上的一项分析，食用鱼类中发现的Omega-3氨基酸对健康的好处可能不会超过我们继续捕鱼对海洋造成的损失。

大卫·詹金斯博士认为，尽管一些研究表明，食用富含Omega - 3油的鱼类可以预防心脏病和其他慢性疾病，但与全球鱼类资源急剧减少的证据相比，这些证据并不具有很大的说服力。

从许多单独研究的结果来看，以及meta分析，这些meta分析本身也考虑了许多研究;他们发现，摄入更多的Omega-3脂肪酸可以使预防心血管疾病的效果提高15%。他们所关注的一些研究只在少数情况下发现了好处，而后续研究偶尔会显示，3年后这种好处会逆转。

相比之下，鱼类资源减少和种群崩溃的证据既令人信服又令人恐惧。自20世纪90年代初以来，尽管加大了捕捞力度，但渔获量并没有增加，而自20世纪50年代以来，鱼类种群崩溃的比例一直呈指数级增长。

还需要考虑社会经济因素，例如美国、欧洲和日本渔业的崩溃意味着这些国家越来越依赖从发展中国家进口鱼类。这意味着这些国家要么必须允许外国捕鱼船队进入其水域，要么将其鱼类出口到国外市场，从而剥夺了当地社区重要的蛋白质来源。粮食安全只是造成政治和社会不稳定的因素之一，这些国家往往面临营养和健康挑战。

甚至养鱼也不是解决办法。要养殖鲑鱼、蓝鳍金枪鱼或鲈鱼，你需要喂它们高蛋白的鱼粉和鱼油——讽刺的是，养殖鱼类对野生鱼类资源的压力更大，实际上每生产1公斤养殖鱼类需要2.5-5公斤饲料鱼。

有一个潜在的解决方案——细菌、转基因酵母和植物可能能够满足我们对Omega-3的需求，但这些来源还没有得到适当的调查，以确定什么剂量是健康的，而且还不能满足需求。

报告的结论是:“在长链omega-3脂肪酸的可再生来源变得更普遍之前，避免向发达国家的人们提倡通过食用鱼类来增加长链omega-3脂肪酸的摄入量似乎是负责任的。”

发人深思。

参考文献:David J.A. Jenkins, John L. Sievenpiper, Daniel Pauly, Ussif Rashid Sumaila, Cyril W.C. Kendall, Farley M. Mowat，关于使用鱼油的饮食建议是否可持续?加拿大医学协会杂志;2009年3月17日;180 (6);633 - 637页

新软件可以通过老虎的皮毛来识别老虎，帮助抓捕偷猎者。

老虎的条纹是独一无二的，就像我们自己的指纹一样，所以这意味着可以通过颜色来识别老虎。

保护研究有限公司(Conservation Research Limited)的莱克斯·希比(Lex Hiby)开发了一种软件系统，该系统使用相机陷阱拍摄的图像，并将照片拼接在一起，构建出从颈部到尾巴根部的所有标记的三维地图。这张“地图”不仅可以让我们识别野生动物的个体——帮助我们获得准确的种群数量，还可以被压平，用来识别黑市上交易的兽皮。这还有一个额外的好处，那就是知道老虎是在何时何地被杀的，这有助于捕捉偷猎者。

这也是一种精确的技术。从264到298只老虎的图像中，该软件正确匹配了95%属于同一动物的图像。

这背后的想法，利用模式识别来识别单个动物，已经被用于几种不同的物种，如灰海豹、猎豹、企鹅和鲸鲨。模式识别的美妙之处在于，你不需要你的照片是统一的。事实上，根据研究组织Ecocean的杰森·霍姆伯格的说法，游客和研究人员拍摄的照片一起显示，在过去的12年里，鲸鲨的数量增加了1.7%。

Hiby相信这个软件可以成为中央数据库的支柱，正如他在本周的生物学快报中所写的那样:

“从该数据库中的一只老虎身上取下的皮肤图像可以在几分钟内追踪到这只活老虎最后被记录的地点和时间。”这是一个简单的软件解决方案，可以帮助保护这种濒危物种。

克里斯——我认为答案可能不是——纯粹是因为压力和温度的限制。还有一个事实是，地球内部就内核而言都是液态的。因此你必须面对巨大的压力，巨大的温度我不认为我们有足够的能量或者建筑材料能够承受这些。如果你想一下，地球的半径是5000-6000公里。如果我们站在地球表面，你会感受到一个大气压。你上方的大气层大约有50千米高。如果你要飞到5000公里外的地心那么你身上的大气压就会是现在的100倍所以大气压是如此之大以至于试图穿过那种气体就像撞到一堵砖墙一样。确实很棘手。

克里斯·史密斯回答了这个问题……

克里斯-我有过一段不愉快的经历，因为我曾经在一个实验室工作，那里有很多零下70度的冰柜。我们曾经在零下70度的冰柜里开发各种凝胶之类的东西。如果你不小心，当你走进冷冻室拿出显影剂时没有戴上手套，那么你的皮肤就会冻僵在架子上。当你把手指移开并松开时，它会在上面留下一个可爱的指纹。这简直就是指纹，因为它留下了你手指上的皮肤表层!

冰之所以有粘性正是因为这个原因。冰本身很冷，如果你用皮肤接触它——因为你的身体会分泌少量的液体，汗液，这是一种附着在皮肤表面的咸液体——它实际上会让你的皮肤更粘。这就是我们拥有它的原因。这是为了抓牢。如果你把它触摸到一个非常冷的冰面上，冰就会重新冻结你手指上的液体。

因为液体是一种液体，它进入了你手指上所有的角落和缝隙，然后它会冻结成固体，在你的手指和冰冻的表面，冰之间形成一个非常紧密的联系。你会被粘在表面。

如果它是一个冰块——如果有足够的热量流过你的手指(通常会重新融化短暂的冻结)——那么你可以把自己分离出来。在零下70度甚至更低的冰柜里，南极的人们必须非常小心这种事情——它没有足够的加热，你可能会被永久冻结在地面上，或者你可能会受到严重的伤害。

这就是冰有粘性的原因。你真的被冻住了!

很难想象我们生活的任何方面不是由计算机主导的，而且几乎没有停止的迹象。现在加入我们的是来自微软研究院的克里斯·毕晓普教授，他将告诉我们计算机在未来可能发生的一种变化——它们可能会变得更加智能。但首先，我们所说的计算机科学是什么意思?

克里斯·B我所说的计算机科学是指一系列潜在的思想;概念的数学使数字技术成为可能。我认为计算机科学不是什么也值得一说。在我看来，计算机科学并不是关于如何使用计算机。我们在学校教孩子的是信息通信技术技能。我们教他们如何使用电脑，如何使用软件。这是一套非常重要的技能。这本身并不是计算机科学。这不是最高级别的，正常的电脑使用。下一个层次是如何修改计算机，如何让它们做新的事情。 That's really about programming and software development. That's something which I think would be great if we taught even more of that in schools. We've barely scratched the surface of that in school curriculum. It would be lovely to teach more of them. Underneath that again is this sort of third level, the foundation of the subject. That's computer science. That's the set of mathematics, the concepts that make it all possible. While computer technology evolves incredibly rapidly and next year you've a whole new set of gadgets and the year after it's another set of gadgets again. The concepts of computer science are much more fundamental. Some of them have been around for half a century and they evolve much more slowly. I think it would be just wonderful if we could show children: in particular a lot more of these basic long-term concepts.

Ben:这是对算法的理解，是对核心的数学的理解——完全不考虑技术和你用它做什么。你需要了解这些数字是如何工作的，以便建立这些层，最终进入文字处理器或射击器。

克里斯·B-完全正确。一位名叫Dijkstra的著名计算机科学家曾经说过:“计算机科学与计算机无关，就像天文学与望远镜无关一样。”无论你是在谈论硅还是用齿轮制造计算机或者用DNA或化学以某种方式制造计算机，计算机科学的思想都是适用的。这些是关于计算极限和一般意义上的计算能力的非常一般的概念。

本:正如我们所说，你是微软研究院的首席研究科学家。你在那里做什么?我们认为微软是制造Windows的人，我们的很多电脑都在Windows上运行。我自己的笔记本电脑运行的是Windows系统。你是怎么做的?

克里斯·B-微软的研究人员占总人数的1%左右，这是微软的基本研究组成部分。你可以把我们想象成，在很多方面，像学者一样运作。我们的研究人员有完全的自由来选择他们所做的研究，在他们选择的时间和地点发表，并与学术界充分合作等等。与此同时，他们也可能会提出可能具有商业意义的想法。其中一些想法可能会被注入微软的其他部门。现在，在剑桥(这里是微软研究院的欧洲实验室)，我们有大约120名科学家，他们的研究领域非常广泛，涵盖了计算机科学的许多主流领域，比如安全、系统、网络和编程语言理论等等。我们越来越多样化。我们有像我这样从事机器学习的人。现在有视觉研究者，甚至生态学家和生物学家。作为首席研究科学家，我的主要职责之一是促进跨学科的互动。 There's a big danger in this very heterogeneous environment that everybody stays in their own little stove pipe and they don't really talk to each other. I try to find mechanisms to mix people up and get them to understand the ideas and problems in each other's fields. I hope that will promote interaction between the different disciplines because I'm a great believer that a lot of the really new ideas actually emerge at the intersection of different disciplines. Genuinely new ideas in science are actually quite rare but very hard to find. It's slightly less hard to take a good idea from someone else's field and import it into your own field where it may be quite novel and have quite an impact.

Ben:我们在几周前的节目中有一个很好的例子，Alyssa Goodman正在使用一种软件，这种软件是为了理解和可视化核磁共振扫描而开发的，用来观察外太空。这种多学科研究的确是科学发展的方向。回到你说你自己正在研究的东西:机器学习。智能机器的概念已经存在一段时间了，但我们真正的意思是什么?我们怎样才能让机器学习呢?

克里斯·B智能机器的概念可以追溯到计算机诞生之初，当然，阿兰·图灵，著名的剑桥数学家，现代计算机科学的创始人之一，对制造智能机器的想法非常感兴趣。这显然是一个非常困难的问题。技术在很多方面都发展得非常快。现在的机器非常擅长将数字相乘，比人类做得好得多。还有一些人类和动物非常擅长的任务，我们倾向于将其定性为智力。比如视觉识别:简单地看一个视觉场景，理解不同物体上发生了什么，理解发生了什么，这被证明是非常困难的，要把这些能力构建到计算机中。多年来，我们取得了良好的进展。在拥有真正智能的机器之前，我们还有很长的路要走。事实上，尽管大约30年前，人们试图制造出具有高级智能的机器(你可以与之谈论哲学或文化的机器)，但我们已经放弃了这一点。这真的太难了。 We've taken a bottom-up approach, more of a signal-processing approach. We say let's look at something of a simpler task that machines are not yet good at, let's say people aren't good at, and an example I gave already was recognising objects in the visual world. It's an immensely difficult problem. It appears to be trivial. I can turn around. I can say: well look there's a glass, there's a table, there's a chair, there's a microphone in front of me and so on. I can recognise these objects. Actually what your eye sees is a pattern of light and dark and colour but is miniscule-y variable. No two chairs look the same, the pattern of light in the retina varies as the chair is moved closer or farther away or rotated as light is scattered off other objects. It changes the colour of the light, changes the colour of the chair as this huge variability. Our brain, in think in some way we don't understand yet, mysteriously takes away all that variability and says, no that's still a chair. If we could build a similar capability into machines it would be very powerful technologically. It's an outstanding problem that we're just beginning to make good progress with. It's one of the fast-moving frontiers of machine intelligence at the moment.

本:听起来很刺激。的确，我们看到的是一把椅子，但有太多不同的种类，如果我们把它编入计算机，那将是一个巨大的数据库，里面有他们需要查看的东西。以上是爱丁堡大学教授克里斯·毕晓普的报道。所以在未来，我们的电脑可能会更智能，但这可能不会阻止人们被扫雷游戏分散注意力!

克里斯-我们请来了戴米斯·哈萨比斯，他放弃了设计和编程电脑游戏(如主题公园)的职业，成为了一名神经科学家!告诉我们你的故事。你一开始是计算机科学专业的学生。

Demis -没错。我的本科学位是在剑桥大学的计算机科学专业，我的传统根基是计算机科学。离开后，我成立了自己的电脑游戏公司，在来剑桥之前，我还编写了《主题公园》等游戏。这对我来说是一个很自然的过程。我在伦敦的卡姆登成立了自己的公司，我们将公司规模扩大到65-70人，并为世界各地的大型发行商制作了几款游戏。大约3-4年前，我认为游戏行业的发展方向与我在90年代初进入游戏行业时的想法略有不同。我觉得这是一个更大的行业，大预算的好莱坞式的行业，创意的空间越来越小。

克里斯:你认为金融家注意到这个市场的规模了吗?以前它有点怪，有点小众，不是一个很大的市场——仍然很贵。因为很明显，你说需要大团队的人来做这件事，但利润并不大，所以没有人感兴趣。突然间，人们意识到你可以把电脑游戏和好莱坞大片捆绑在一起，你可以赚大钱。

Demis:是的，我认为部分原因是意识到这是一项巨大的业务，但我认为导致保守主义的主要问题和原因，如果你喜欢的话，就创造性意义而言，是游戏制作变得非常昂贵。图像变得如此复杂，你需要一个团队——《TripleA》现在可以轻松地拥有50名美工。这样做的成本是巨大的。因为一款游戏的成本高达1000万英镑，所以这些发行商的财务人员需要更加确定是否会有回报。这意味着要把它与好莱坞的特许经营联系起来。

克里斯:这显然与你想要做的事情不一致。所以你做了一件很不寻常的事回避了神经科学。

Demis -是的，没错。尽管我已经在游戏行业工作了很长时间，但我所参与的所有游戏设计和编程实际上都包含了许多AI。大多数游戏都是大型战略游戏

克里斯-像我这样的外行的人工智能。

Demis -没错。我编写的游戏包括《主题公园》、《共和国》和《邪恶天才》。它们都涉及到模拟。大多数都涉及到成百上千的小电脑人员，他们参与到游戏环境中来。大多数游戏，如《主题公园》，都让你操纵环境，观察这些自主代理对你的行为有何反应。这些是我觉得有趣的游戏类型，也是我觉得有趣的游戏类型。但这一切的背后是我的激情。我的主要兴趣其实是在人工智能和相关领域(一旦你开始思考什么是人工智能)，你就会开始思考——大脑是如何实现这些最终目标的?

克里斯:你不会是沉迷于自己的游戏吧?

Demis -不。事实上，当你在一款游戏上工作了3-4年之后，你就会厌倦它，即使它是有史以来最好的游戏!

克丽丝:以前我只要十分钟就会对他们感到厌烦。我认为有些策略游戏非常棒，因为它们迫使你以某种方式思考。在早期，我是文本游戏的忠实粉丝。很大程度上，计算机是垃圾，它们唯一能做的就是生成虚假的文本流，让你费力地阅读。他们教会了我惊人的语言技能。我认为这是我对文字、单词和事实有着惊人记忆力的部分原因。你必须在脑海中有效地记住这个电脑冒险的文本环境的图形表示。我想这可能对我的大脑训练有很大的影响。

Demis:当然。我认为那些早期的游戏给你留下了很多想象空间，就像一本书一样，一本伟大的书。它锻炼你的想象力，当然，所有最新的华丽的图形，虽然它看起来非常漂亮，但显然不需要可视化和创造力。

克里斯:现在简单地说一下，你是如何对神经科学产生兴趣的?然后你如何运用你在计算机编程方面的技能来回答关于大脑如何工作的重要问题?

Demis，在我读博士之前我对神经科学了解不多但我读了很多书，我突然意识到计算方法或对算法的理解或Bishop教授所说的基础计算机科学实际上是一种有用的方法也许可以研究大脑是如何工作的。一般来说，大多数人都有生命科学或医学背景，当然，从解剖学的角度来看，这是非常有用的。实际上，在神经科学领域，很少有人用计算的方式来研究大脑，这种类似机器的方式可以提供其他见解。大脑不是机器，但它做的很多事情都相对像机器。

克里斯:你最近解决的问题简单来说是什么?

Demis -我最近的一项研究是试图准确地预测一个人在虚拟现实房间里站在哪里，而他们躺在扫描仪里，仅仅通过他们的大脑扫描。

克里斯:为什么这个问题这么难解决?我认为当你进入一个特定的地方时，大脑中有一些细胞会被激活。我们可以直接读出这个活动是什么，不是吗?

Demis, 30年前我们就知道这些实验是在老鼠身上做的。有一些细胞可以告诉你老鼠在环境或围栏中的位置。没有人真正知道这些细胞在种群水平上是什么样子的。如果你要同时观察一百万个这样的细胞，这是你无法从老鼠大脑的电极上记录单个细胞的。我想知道的是，如果你能以全球鹰的视角观察整个细胞群，你可能会发现一些不同的东西，而这些东西是你在单个细胞水平上看不到的。

克里斯:这应该是一个模型还是现实世界的代表?你是不是想知道，因为和你一起工作的人，埃莉诺·马奎尔非常著名地发现我们的出租车司机在伦敦开车时大脑的一部分更大。你是想了解出租车司机在伦敦是怎么认路的吗?

Demis:我们正在努力理解这些发现，真的。我们知道海马体对空间导航和空间记忆至关重要但我们仍然不知道在这些记忆中编码的环境是什么由这些神经元编码的以及它是如何以及为什么这样做的。你不能随身携带一个两吨重的脑部扫描仪。你能做的最好的事情就是记录人们在一个虚拟的，非常逼真的虚拟现实环境中导航的过程。

克里斯:当你这样做的时候，你看到了什么?这对我们对大脑如何告诉我们如何从A到B的理解有什么影响?

与单细胞记录相比，脑部扫描的分辨率相当低。当你看一个像素，如果你喜欢的话，大脑扫描的一个像素被称为体素——一个3D像素。它包含大约4万个神经元。对于我们的模式识别算法，你需要对与之相关的位置进行分类。它需要几百个体素来训练模式识别算法。这表明空间记忆必须由非常大的神经群编码来表示。其中可能包括200万到500万个神经元。

Chris -之前我们认为这只是一个奇怪的细胞被激发了。现在你说有大量的细胞聚集在一起。他们对特定的位置进行编码。

Demis -没错。它还说明了它们的聚集和结构方式。我们发现这些细胞也非常紧密地聚集在一起，而之前的大鼠文献表明，它们可能是随机且均匀地分布在海马体上。

我们把这个问题交给了微软研究院的克里斯·毕晓普

这是个好问题。cd和dvd的工作方式略有不同，但它们有一个共同点，那就是像所有的计算机存储系统一样，它们都使用二进制。所有的信息都是用1和0或者开和关来表示的在硬盘中，这是用磁性表示的。每个比特都由一个内置在硬盘表面的小磁铁表示，如果它朝北，那就是1，如果朝南，那就是0。读取这些信息的磁头也可以翻转磁体，这样它就可以把信息写入磁盘。CD也很相似。它也有这些1和0，但它们的表示方式不同。它们用小坑表示。当写入光盘时，激光在光盘表面刻下小坑，另一个激光可以读取这些点。 If there's a pit there might be a 0 and if there's no pit it might be a 1.