今也谈谈，古也谈谈。这里是一手查旧账一手翻新闻的深空小编。小编整理了半天，给大家带来了这篇文章。不让大家久等了，下面马上进入正题吧。顶尖学术期刊《自然》今天上线了一项有关癌症诊断的重要研究。来自加州大学圣地亚哥分校的科学家，训练人工智能从血液中鉴定来自微生物的线索，不仅可以识别出癌症，还能对不同类型的癌症做出区分。研究机构评价说，这项新的诊断工具，“可能会改变人们观察和诊断癌症的方式”。我们知道，目前大多数癌症在诊断时需要进行手术活检，从可疑的肿瘤部位取出样本，并由富有经验的专家寻找某些与癌症相关的分子标记物。这样的方法耗时、昂贵，还因为是入侵式的，可能给患者带来痛苦。正因为如此，很多科研人员正在努力开发液体活检技术，希望通过简单的验血，快速识别出特定的疾病。现有的各种液体活检技术，检测目标大多针对我们自身的基因组，例如血液中从肿瘤脱落的DNA，或是特定的蛋白质等。而在今天要介绍的这项新技术中，研究人员另辟蹊径，让我们体内的“外来者”透露肿瘤的信息。▲血液中既有我们自身的基因信息，也有“外来者”的基因信息世界上几乎各个角落都有细菌、病毒等微生物的存在，人体内也不例外。事实上，常驻人体的微生物数量远超我们自己的细胞数量，它们的核酸片段经血液游荡在我们全身。近年越来越多的研究证据开始显示，人体微生物对多种类型的肿瘤有“贡献”。就以微生物最丰富的部位肠道为例，学术经纬在过去也和读者朋友们介绍过多项研究，有些肠道细菌可能引发结直肠癌，还可能通过免疫系统影响肝癌的发生、诱发白血病，等等。正在UCSD医学院攻读博士的Gregory Poore和他的导师Rob Knight教授也注意到了细菌、病毒和癌症的关系，并且猜想，这些微生物在癌症中起的作用或许比现在所知的更大。“以前的癌症研究工作大多假设肿瘤是在无菌环境，而忽略了人的癌细胞与细菌、病毒以及其他生活在人体的微生物可能有复杂的相互作用。”Knight教授说。▲抽一管血，检测是否患癌以及什么癌症，实现这样的目标或许并不遥远获得了大约18000份样本，对其全基因组数据和全转录组数据重新检查。这些样本涵盖了33种癌症、10000多个病例，包括原发性和复发性肿瘤以及转移扩散的肿瘤，既有肿瘤组织也有相邻组织和血液样本。从几千份样本中找到独特的微生物特征后，研究人员把工作交给了人工智能，训练机器学习模型来挖掘大量数据，把特定的微生物序列特征与特定的癌症相匹配。为了尽量避免在样本采集、测序等各个步骤中可能存在的微生物污染问题，研究人员对数据集做了严格的生物信息学过滤。而且，在癌症3期、4期的数据从数据集中去除后，发现模型依然可以对许多癌症做出区分，这意味着，癌症的早期阶段就能从血液中读取出特定的微生物核酸特征。▲在各种组织和肿瘤中都可以发现微生物的核酸片段，利用人工智能对血液中核酸片段的特征进行识别接下来，要让这套AI模型在真实世界中接收检验。来自UCSD Moores癌症中心的合作者提供了包括前列腺癌、肺癌和黑色素瘤等100名患者的样本，让AI对每份血浆中的微生物核酸特征进行鉴定，并与69名健康无癌个体的血样进行比较。分析取得了令人欣喜的结果，机器学习模型不仅可以区分患癌和无癌的样本，还相当擅长区分不同类型的癌症：以86%的敏感性识别出肺癌患者，对于无肺部疾病的个体没有出现假阳性报告，并且以81%的准确率区分出前列腺癌和肺癌。“只要一管血，就能够全面了解肿瘤细胞的DNA和患者微生物群的DNA，可以说，我们迈出了重要的一步，来更好地理解癌症中宿主-环境的相互作用。”这项研究的共同负责人、肿瘤学家Sandip Pravin Patel博士说。他相信，如果这项研究结果能经过未来的检验，“可能会对癌症患者的诊疗和癌症早诊有重要影响”。▲《自然》同时发表了评论，对这项研究给出积极评价当然，作为一项早期的概念验证研究，这种检测方法要应用到临床还需要做大量工作，而我们对微生物在人体中的作用、在肿瘤微环境中的作用也还有许多需要回答的问题。正如研究者所言，“这只是研究血液微生物群和癌症相互作用的开始”。但随着新认识的积累，我们期待一条全新的治疗途径在脚下展开。欲要知晓更多《人工智能“验血”，全新角度检测癌症》的更多资讯，请持续关注深空的体育资讯栏目，深空小编将持续为您更新更多的体育资讯。王者之心2点击试玩
随着现代科学技术的飞速发展，先进的技术在各个领域都得到了广泛的应用。人工智能现在成为了相当火热的技术，下面就为大家介绍一下人工智能的利与弊。人工智能的利与弊一、人工智能技术的发展对我们的益处1、商业价值很高一般认为，人工智能有三大商用方向：一是信息聚合；二是评估用户情绪反应；三是与用户建立关系，可以通过这三点建立与用户之间的社交纽带，让他们经常回访。怎么做？给用户反馈。第一步就是要收集用户数据，利用人工智能更好地了解用户，基于大数据的分析，为用户创造优质的、长期的个性化体验。企业就能够相应的赚取更多的商业价值；2、带来更多新的工作机遇就像曾经脱离了传统农业、传统手工业的大量劳动力，在现代工业生产和城市服务业中找到新的就业机会那样，人工智能的进步也将如此——由当前数据密集型机器学习、通过机器学习与人工智能会话的系统而延伸出的很多领域，将会在未来带来很多工作机遇；3、人工智能让人类生活更美好比如说，人工智能的医疗应用惠及大众。我们医生或许难以保持最新治疗方案和方法，也无法了解所有医学例案。人工智能可以在短时间内分析大量数据，精确判断病症，并找到最佳的治疗方案，为人们提供最好的治疗；二、人工智能带给我们的弊端1、大规模的失业人工智能的发展，导致很多人失业。据人力资源和社会保障部2016年新闻发布会介绍，2016年末中国失业率达，机器人不会犯错，不会累，不需要休息，不需要工资。这完全可以代替很多职业，例如工人，司机等等不需要思想的工作。如此便会导致大批大批的人失业，大批大批的人整日无所事事；2、对人类的一次大淘汰人工智能时代的到来可能是对人类的一次大淘汰。机器人对人类的大淘汰，如果处理不好有可能引发核大战，那将是人类的灾难，人类可能因此而灭亡；3、人才争夺战导致垄断、贫富分化加剧人工智能时代的到来，必将引发空前的人才争夺战。谁拥有的各类一流人才数量多质量高，谁就能赢得最后胜利。同时这会导致巨头的垄断、贫富分化加剧；对待人工智能，我们应该以客观的角度去看待它，扬长避短，充分利用人工智能的优点。希望我的理解能够帮助你们更进一步了解人工智能。
2021年6月30日 已经508分了 不管用什么公式统计 还是第一名 每年固定的几个cancer statistics 上万引用就够他的分数了。。
在计算机科学中，人工智能（AI）有时被称为机器智能，是由机器展示的智能，与人类和动物展示的自然智能形成对比。通俗地说，“人工智能”一词用来描述模仿人类与其他人类思维相关联的“认知”功能的机器，如“学习”和“解决问题”。随着机器变得越来越有能力，被认为需要“智能”的任务通常会从人工智能的定义中删除，这种现象被称为人工智能效应。特斯勒定理（Tesler's Theorem）中的一句妙语说：“人工智能是尚未完成的事情。” 例如，光学字符识别经常被排除在人工智能之外，已经成为一种常规技术。现代机器能力通常被归类为人工智能，包括成功理解人类语言， 在战略游戏系统（如象棋和围棋）中处于最高水平的竞争， 自主操作汽车、内容传递网络中的智能路由以及军事模拟。人工智能可以分为三种不同类型的系统：分析型、人类启发型和人性化人工智能。分析型人工智能只有与认知智能一致的特征；生成对世界的认知表示，并利用基于过去经验的学习来为未来的决策提供信息。人类启发的人工智能包含认知和情商的元素；除了认知因素之外，还要理解人类情感，并在决策中考虑它们。人性化人工智能显示了所有类型能力（即认知、情感和社会智能）的特征，能够自我意识，并在与他人的互动中自我意识。人工智能于1956年作为一门学术学科创立，此后几年经历了几次乐观浪潮， 接着是失望和资金损失（被称为“人工智能冬天”）， 接着是新的方法、成功和新的资金。 在其历史的大部分时间里，人工智能研究一直被划分为许多子领域，这些子领域之间往往无法相互沟通。 这些子领域是基于技术考虑的，如特定目标（如“机器人学”或“机器学习”）， 特定工具的使用（“逻辑”或人工神经网络），或深刻的哲学差异。 子领域也基于社会因素（特定机构或特定研究人员的工作）。人工智能研究的传统问题（或目标）包括推理、知识表示、规划、学习、自然语言处理、感知以及移动和操纵对象的能力。 一般智力是该领域的长期目标之一。 方法包括统计方法、计算智能和传统的符号人工智能。人工智能中使用了许多工具，包括搜索和数学优化、人工神经网络以及基于统计、概率和经济学的方法。人工智能领域借鉴了计算机科学、信息工程、数学、心理学、语言学、哲学和许多其他领域。这个领域建立在人类智能“可以被如此精确地描述，以至于可以制造一台机器来模拟它”的主张之上。这引发了关于创造具有类人智能的人工生命的思想本质和伦理道德的哲学争论，这些问题自古以来就被神话、小说和哲学所探索。有些人还认为人工智能如果发展势头不减，将对人类构成威胁。其他人认为人工智能不同于以前的技术革命，它会带来大规模失业的风险。在二十一世纪，随着计算机能力、大量数据和理论理解的同步发展，人工智能技术经历了一次复兴；人工智能技术已经成为技术产业的重要组成部分，有助于解决计算机科学、软件工程和运筹学中许多具有挑战性的问题。
随着现代科学技术的飞速发展，先进的技术在各个领域都得到了广泛的应用。人工智能现在成为了相当火热的技术，下面就为大家介绍一下人工智能的利与弊。人工智能的利与弊一、人工智能技术的发展对我们的益处1、商业价值很高一般认为，人工智能有三大商用方向：一是信息聚合；二是评估用户情绪反应；三是与用户建立关系，可以通过这三点建立与用户之间的社交纽带，让他们经常回访。怎么做？给用户反馈。第一步就是要收集用户数据，利用人工智能更好地了解用户，基于大数据的分析，为用户创造优质的、长期的个性化体验。企业就能够相应的赚取更多的商业价值；2、带来更多新的工作机遇就像曾经脱离了传统农业、传统手工业的大量劳动力，在现代工业生产和城市服务业中找到新的就业机会那样，人工智能的进步也将如此——由当前数据密集型机器学习、通过机器学习与人工智能会话的系统而延伸出的很多领域，将会在未来带来很多工作机遇；3、人工智能让人类生活更美好比如说，人工智能的医疗应用惠及大众。我们医生或许难以保持最新治疗方案和方法，也无法了解所有医学例案。人工智能可以在短时间内分析大量数据，精确判断病症，并找到最佳的治疗方案，为人们提供最好的治疗；二、人工智能带给我们的弊端1、大规模的失业人工智能的发展，导致很多人失业。据人力资源和社会保障部2016年新闻发布会介绍，2016年末中国失业率达，机器人不会犯错，不会累，不需要休息，不需要工资。这完全可以代替很多职业，例如工人，司机等等不需要思想的工作。如此便会导致大批大批的人失业，大批大批的人整日无所事事；2、对人类的一次大淘汰人工智能时代的到来可能是对人类的一次大淘汰。机器人对人类的大淘汰，如果处理不好有可能引发核大战，那将是人类的灾难，人类可能因此而灭亡；3、人才争夺战导致垄断、贫富分化加剧人工智能时代的到来，必将引发空前的人才争夺战。谁拥有的各类一流人才数量多质量高，谁就能赢得最后胜利。同时这会导致巨头的垄断、贫富分化加剧；对待人工智能，我们应该以客观的角度去看待它，扬长避短，充分利用人工智能的优点。希望我的理解能够帮助你们更进一步了解人工智能。
是医学,生命科学领域的数据库,旨在组织、分享科研领域信息。为用户提供文献检索,图片检索,影响因子查询,免费全文下载,国家自然科学基金统计分析等服务
内容涉及药学、临床医学、基础医学、预防医学、法医学和生物医学工程等。除了可以检索丰富的医学文献外，还支持药物和疾病检索。
library
Cochrane library（考克兰图书馆）是the Cochrane Collaboration的主要产品，目前是John Wiley & Sons国际出版社负责出版。
它包含以下6个数据库 ?
Database of Systematic Review（医学保健领域系统评估的领先资源）
临床对照实验数据库
Methodology Register（介绍进行对照试验时所用方法的参考出版物）
Technology Assessment Database（卫生技术评估）
Economic Evaluation Datab6（经济评估数据库）
The Cochrane Collaboration（组成Cochrane Collaboration的80个组织的信息）
trials
Clinical trials（美国临床试验数据库）是美国国立医学图书馆（NML）与美国食品与药物管理局（FDA）在1997年开发的数据库。里面提供了网站临床试验注册辅导，登记了各种观察性研究和干预性研究，包括药物、器械和手术等干预方式。其注册和查询临床试验均为免费~
5.万方医学网
是万方数据股份有限公司旗下的网站。拥有220多种中文独家医学期刊全文、1000多种中文医学期刊全文、4100多种国外医学期刊文摘（全文以电子邮件原文传递方式获得，核心期刊全部收齐），其中包括中华医学会、中国医师协会等独家合作期刊220余种；中文期刊论文近360万篇，外文期刊论文455万余篇。
6.知网 中国知识资源总库提供CNKI源数据库、外文类、工业类、农业类、医药卫生类、经济类和教育类多种数据库。CNKI已集结了7000多种期刊、近1000种报纸、18万本博士/硕士论文、16万册会议论文、30万册图书以及国内外1100多个专业数据库。
如果是校外没有这些数据库账号，可以从seek68文献馆中找到。而且还省米。
人工智能的第一代模型，有优点，但是也有很大局限性。这个优点是显然的，因为它是模仿人类的，它可解释，鲁棒性很强，但是它的局限性也非常大。因为最大的问题是人类的知识经验，很难准确表达，这就是产生的后来人工智能冬天的根本原因。当时的应用很有限，几乎没有推广，但是，有了大数据以后，这个问题得到了很大改善，特别是机器的能力提高以后，可以把大量的数据作为知识放在机器里，这就是最典型的沃森系统。沃森系统可以做癌症的免疫治疗，这里面用多少知识呢？100万个医学杂志中抽取的2500个摘要，400万病人的数据，再加上1861年以前所有药物的专利，它有医学知识，并联的数据再加上药物知识，就可以做癌症的免疫治疗。当然了，很多慢性病的治疗和管理，这个系统也做得很好，中国的国内也有大量这方面的工作在探索和研究。第二代人工智能，一个最重要的成果就是深度学习。也就是说，第一代人工智能提出来，如果能够很好地利用人类的知识，就可以建立很好的人工智能系统，如果我们有充分数据，也有可能建立起有用的人工智能的系统。深度学习为什么这么受重视？一个很重要的原因，它有两个重大变化。当网络层次增加以后，有两个重大变化：第一个变化，输入只要原始数据，不需要预处理。第二个是性能提高很多，这就造成了深度学习的重大突破。也就是说，它从一定意义上有通用工具，对领域的知识要求不高，同时能够处理大数据。这就带来很大的变化，大家也看到了，语音识别，2001年时它的识别率停留在80%，也就是20%的误识别率；2016年误识率就降到了，达到专业速记员的水平，到了2017年，所有产品包括谷歌、微软，包括中国的讯飞、百度，用的全是深度学习。变化更大的是图像识别。有一个标准的图像识别数据集 ImageNet，大家知道，2011年，它的误识率是50%，有一半认错了。但是四年以后，2015年就超过了人类水平，原因也是利用了深度学习。最后一个，给大家印象最深就是AlphaGo，大家都知道了。因此就有很多估计，十年之内代替40%以上人类的工作，三五年里面，智能驾驶车就可以量产，等等，刚刚李院士说到了这个问题，他分析得很深刻。实际三五年里面不可能量产。
人工智能有个特点，我今天在报告里面主要传达这么个特点：大家不能指望人工智能一出来就「毕其功于一役」。它永远在路上，这就是人工智能的魅力所在。我们看一下人工智能究竟做了什么事儿？第一件事就是第一代人工智能提出的符号模型，以知识经验为基础的推理模型，这是人工智能的第一个重大突破。这个突破后来产生了一个结果，就是这个理论提出时有个非常乐观的估计，1956年由西蒙提出，基于这种模型，十年之后机器可以打败所有棋手，二十年以后机器取代人类所有的工作。实际并不是这样，六十年以后机器才打败棋手，机器究竟代替人类的所有工作是什么时间，可能还很遥远，这也是人工智能的另外一个特点，往往被高估。人工智能的第一代模型，有优点，但是也有很大局限性。这个优点是显然的，因为它是模仿人类的，它可解释，鲁棒性很强，但是它的局限性也非常大。因为最大的问题是人类的知识经验，很难准确表达，这就是产生的后来人工智能冬天的根本原因。当时的应用很有限，几乎没有推广，但是，有了大数据以后，这个问题得到了很大改善，特别是机器的能力提高以后，可以把大量的数据作为知识放在机器里，这就是最典型的沃森系统。沃森系统可以做癌症的免疫治疗，这里面用多少知识呢？100万个医学杂志中抽取的2500个摘要，400万病人的数据，再加上1861年以前所有药物的专利，它有医学知识，并联的数据再加上药物知识，就可以做癌症的免疫治疗。当然了，很多慢性病的治疗和管理，这个系统也做得很好，中国的国内也有大量这方面的工作在探索和研究。第二代人工智能，一个最重要的成果就是深度学习。也就是说，第一代人工智能提出来，如果能够很好地利用人类的知识，就可以建立很好的人工智能系统，如果我们有充分数据，也有可能建立起有用的人工智能的系统。深度学习为什么这么受重视？一个很重要的原因，它有两个重大变化。当网络层次增加以后，有两个重大变化：第一个变化，输入只要原始数据，不需要预处理。第二个是性能提高很多，这就造成了深度学习的重大突破。也就是说，它从一定意义上有通用工具，对领域的知识要求不高，同时能够处理大数据。这就带来很大的变化，大家也看到了，语音识别，2001年时它的识别率停留在80%，也就是20%的误识别率；2016年误识率就降到了，达到专业速记员的水平，到了2017年，所有产品包括谷歌、微软，包括中国的讯飞、百度，用的全是深度学习。变化更大的是图像识别。有一个标准的图像识别数据集 ImageNet，大家知道，2011年，它的误识率是50%，有一半认错了。但是四年以后，2015年就超过了人类水平，原因也是利用了深度学习。最后一个，给大家印象最深就是AlphaGo，大家都知道了。因此就有很多估计，十年之内代替40%以上人类的工作，三五年里面，智能驾驶车就可以量产，等等，刚刚李院士说到了这个问题，他分析得很深刻。实际三五年里面不可能量产。技术已经完全成熟，我们现在的研究已不成熟，主要是应用问题。为什么在人工智能上往往产生乐观估计？主要原因有两个：一个是对发展人工智能的困难性估计不足，对取得的成果估计过高。一个估计不足，一个估计过高，就产生了问题。另外一个很重要的原因，受历史事件的影响。过去我们发现，有了蒸汽机以后就产生了工业革命，有了电动机发动机以后就产生了电气革命，有了计算机以后产生了信息革命，大家很希望有一个东西出来以后引起人工智能的革命。现在的问题是，有没有？至今为止，还没有发现人工智能里面的蒸汽机和计算机。曾经最开始寄希望于符号模型，结果发现符号模型也没有那么管用。第二次发现的是大数据+深度学习，以为大数据+深度学习就是人工智能的蒸汽机和计算机，为什么这样？这不能不考虑到人工智能的特点，我们说深度学习根本不是AI的通用机。现在大家在寻找通用的人工智能，到底有没有，还有争论，不去管它，但至少深度学习不是人工智能。这个非常明显，第一代人工智能也好，第二代人工智能也好，它的应用场景必须满足以下五个条件。从正面来讲，所有的应用场景，如果满足以下五个条件，计算机绝对能够战胜人类，不管这个问题多么复杂：具有丰富的数据或知识，完全信息，确定性信息，静态，单领域和单任务。最明显的例子是围棋，围棋多么复杂，但是围棋满足这五个条件，所以计算机战胜在围棋上战胜人类是早晚的事情。所以从正面来讲，如果你满足这五个条件，不管多复杂，计算机绝对战胜人类。长远来看，如果你的应用场景不完全满足这五个条件，其中有些条件不满足，你这个工作就变成困难。自动驾驶为什么如此困难？根本的原因在这里。为什么我们难以做出来廉价、可靠的自动驾驶呢？背后的原因就在这里，因为自动驾驶很多条件都不满足，它不是完全信息，它不是确定性信息，它不是静态的环境，或者是按照确定性规律演化的，它的很多东西是不可预测的，它也不是单领域的，里面有人驾驶的车、行人、其它车辆。所以刚刚李院士提出来专用道，就是把这些东西弄干净，变成单领域。所以我们一直说，如果有些条件是不符合这五条，你就需要下功夫。现在人工智能能够在这些领域里面得到应用，换句话说，这些领域里面有很多应用产品符合刚才讲的五个条件。如果这些领域里面的应用场景符合五个条件，大家大胆去做，绝对会超过人。根据现在计算机强大的力量，是可以做到这一点的。但是，这些应用里面，也有大量不符合那五个条件的，大家必须下功夫，不能指望靠现在的第一代、第二代人工智能去解决它。举个简单的例子，复合场景下的决策，完全信息条件下的决策或者完全信息下的博弈，计算机战胜人类是绝对的。下面一个问题，不完全信息的博弈及打牌，大家都知道，今年5月份对扑克牌这个问题也解决了。换句话说，6人无限注的德州扑克，计算机能战胜人类，这就意味着概率意义下的不确定性，机器也可以战胜人类。但是人类的决策环境都不符合前面两个条件。所以在复合环境下的博弈或者复杂环境下的决策，机器跟人类还差得比较远。从这里来讲，应用场景是极为重要的。
没有什么特殊要求，只要像素300dpi，图像清晰即可
打开AI，进行画板的创建。画板参数的设置：这里我们选择通用画板，命名画板名称，选择RGB颜色，选择PPI为300进行创建画板。创建好画板之后我们就可以将模式图、以及图片放进来进行排版。我们首先将模式图放进来。下来我们将四张图片复制进来，记住要选择所有图片，进来之后同比例缩小（按住shift即可同比例缩小）。将各个图片进行展开放置。将各个图片嵌入，防止图片丢失。我们将图片首先进行垂直居中对齐。
这个随便吧……图片的话，看你采图时用的软件啊~ 统计图表的话EXCEL、SPSS……如果是有特殊要求的，还是看看人家的征稿要求吧……
Figure里面的图片主要包括 位图 和 矢量图 两种。 1. 位图 ，一般是由显微镜、照相机等等直接获取的实验图像，其特征是放大之后，图片会模糊；图片像素越高，文件越大。例如常见的细胞免疫荧光图片、电镜图片等。处理位图一般使用 Photoshop 等软件。 2. 矢量图 ，又称为向量图形，一般由作图软件作出，以线条和颜色块为主。矢量图大小一般在100K左右，且无论如何放大都不会失真。 处理矢量图一般采用 Illustrator 、CorelDRAW等软件、。 并且，制作完整的Figure在组图的时候一般使用使用illustrator（Photoshop也可以用来组图和标注，但是操作复杂，效率不高；PPT也是一种用来组图的常用工具，然而其简单的功能使其很难产生非常精美的figure），其强大的功能、高效率的操作、快速的标注和注释能力，一旦小伙伴们掌握它，在画Figure的时候就有一种飞一样的感觉了。 上面讲了SCI论文的Figure的构成，那么这些图片的格式是什么呢？哪些才能符合杂志的要求呢？ 众所周知，图片的格式有多种多样，JEPG、JPG、PDF、PNG、Tiff、Ai、EPS等等，每一种图片格式都有优缺点，因此，在不同的领域可能采用的图片格式有所不同。 但是，对于SCI文章发表而言，尤其是生物医学领域， 大多数杂志都是要求最后的Figure必须是Tiff格式 （有部分杂志JEPG和Tiff格式都可以）。 因此，最保险的做法就是把Figure存储为Tiff格式。 其中，Figure里面的 位图可以存为JEPG或者Tiff ，里面的 矢量图一般存储为Tiff 。 最后导出整张Figure的时候，最保险的做法就是存储为SCI文章通用的Tiff格式。 分辨率， 基本上要求 300 or 300 dpi以上 ，我们在 使用illustrator或者Photoshop导出Figure的时候把分辨率设置成300dpi ，基本上大多数杂志的要求都能够满足。 图片大小 ，大多数的SCI杂志都要求最好把 Figure的大小控制在10MB以内 。图片若是太大的话，一是投稿上传Figure的时候会比较慢，二也不符合杂志要求。若是Figure太大，超过了10MB，就需要将图片进行压缩。无论是Tiff格式的Figure，还是图中的位图还是线图， 均可以通过LZW无损压缩方式对文件体积压缩 。 图片压缩的时候最常使用的软件是Photoshop。采用PS将Figure打开，然后另存为文件，PS就会打开一个窗口，其中在“图像压缩”这里点击 LZW ，然后保存就可以了。 图片的格式一般有RGB和CMYK两种。 大部分SCI期刊都接受 RGB 颜色模式的插图文件，少数期刊要求作者在出版印刷前提交CMYK颜色模式的插图文件，颜色模式的转换建议在PS等位图编辑软件上进行。 同时，一般尽量避免出现红色与绿色，色盲的人看不出差别；不要用色彩相近的颜色标识图，并且避免使用灰度。当然，现在一般对Figure中的红色与绿色也不作要求，毕竟生物医学领域诸多荧光显色、生信领域的不少图片都是红绿色。 SCI文章的Figure文件名一般在投稿上传图片的时候需要注意，可以命名为如下样式： 、…、…Figure 、Figure (多个图片拼合成一张的，是算做一个图的)。 必须要注意的是： 一张图由几个部分组成的，应算作一张图，应在PS软件或者AI软件中合并为一张图片文件进行提交， 切忌不要提交诸如Figure 1A、 Figure 1B、 Figure 1C、 Figure 1D的情况， 除非杂志社有要求。 SCI文章的Figure的长和宽都是有要求的。目前SCI文章插图的排版按照Figure的宽度分成三种形式进行排版： ①半版（8cm）；②2/3版(14cm)；③整版（17cm） 。 ①半版图（宽度为8cm） Figure的总宽度为8cm，高度最高不可超过20cm ，过高会导致很难排版。图片左右需留少量边。必须注意的是，不管某张figure内容再少，其宽度最少也应该设置为8cm，而最好不要设置成小于8cm的尺寸。 ②2/3版图（宽度为14cm） Figure总宽度为12-15cm（最佳14cm），高度最高不可超过20cm ，图片左右需留少量边。图片中每个部分用a、b、c等标注。有的杂志要求使用大写的A、B、C等标注。 ③整版图（宽度为17cm） Figure总宽度为17cm（最佳14cm），高度最高不可超过20cm ，图片左右需留少量边。 整版图对于数据量比较大的Figure是比较常用的。图片中每个部分用a、b、c等标注。有的杂志要求使用大写的A、B、C等标注 SCI文章的Figure的字体一般采用英文的Arial或Times New Roman字体 ，若是采用Times New Roman，那么所有的Figures都需要统一为Arial格式；若是若是采用Arial，那么所有的Figures都需要统一为Times New Roman格式。 字体的大小一般为尽量使用7-12号字 ，最好不要小于6号字体，也最好不要大于14号字体。推荐使用7号字体，做出来的图比较美观。 SCI文章的Figure中的线形图或者柱形图的 线条粗细在之间 ，整个Figure的线条粗细需要统一，比如采用粗细，基本上所有的figures的线条均统一采用粗细。另外需要注意的是 线条一般采用黑色，尤其是坐标轴 。
柳叶刀、JAMA、BMJ、新英格兰医学杂志、双月刊1001柳叶刀，这是英国权威的医学杂志，由爱思唯尔(Elsevier)出版的高影响力期刊，柳叶刀杂志上面也有大量OA文章，可供小伙伴们免费下载。JAMA,美国医学会杂志。该杂志也是国际著名的医学期刊，在网站上注册一个账号，可以下载部分免费的文章，感兴趣的小伙伴不妨试一试。BMJ，英国医学期刊。同样是著名的国际医学期刊，BMJ官方网站上的很多文章都可以免费下载查看的。BMJ还有一个专门的student-bmj板块，是一份针对医学生和初级医生的月度国际医学期刊，有兴趣有条件的小伙伴倒是可以尝试投稿、新英格兰医学杂志，该杂志上面有大量高质量可免费下载和查阅。双月刊1001，英文版属，自然，审核录用简单，Am，中国知网，我想知道下面向我们国内医学界，医学信息国内发行速度最快的国家级综合性医学期刊。
不好发，新英格兰医学杂志》是由美国马萨诸塞州医学协会出版的医学期刊，创刊已200余年，杂志主要提供重要的、未被刊登过的研究成果、临床发现以及观点，注重文章的实用性。NEJM是目前全世界阅读、引用及影响最广泛的综合性医学期刊。此次投稿的栏目是《临床医学影像》(Images in Clinical Medicine)，该栏目刊登临床上罕见但具有启发性的病例，特别受广大读者的欢迎。栏目发表形式图文并茂，即典型照片加简明扼要的病例介绍。据NEJM官网显示，该栏目文章是NEJM点击量最高者之一，单篇周点击量可达6万余次。目前每年投稿量超过10000篇，拒稿率超过99%，竞争近乎惨烈
我个人觉得新英格兰杂志不好发，我觉得难度比较大
目前，人工智能集计算机学科、神经生物学、语言学等多种学科于一体，引起了众多学科的日益关注，已发展成为一门具有广泛应用的交叉学科。以下是我精心整理的浅谈人工智能发展的大学期末论文的相关资料，希望对你有帮助!
人工智能发展现状与未来发展
一、人工智能概述
人工智能自诞生几十年来， 在崎岖的道路上取得了可喜的进展。目前，人工智能集计算机学科、神经生物学、语言学等多种学科于一体，引起了众多学科的日益关注，已发展成为一门具有广泛应用的交叉学科。人工智能虽然取得了快速的发展，但像许多新兴学科一样，人工智能至今尚无统一的定义。人工智能的发展引起了学术界的关注，尽管学术界有各种不同的说法和定义，但就其本质而言，人工智能是研究、设计和应用智能系统，来模拟人类智能活动的新学科。人工智能的目的就是利用各种自动化机械或者智能机器，来模仿、延伸和扩展人类的智能思维，从而实现计算机网络管理的人性化。
二、人工智能的研究历史
(一)1956年-1970年
人工智能诞生于一次历史性的聚会。为使计算机变得更“聪明”，或者说是计算机具有智能，1965年夏季，在美国达特莫斯大学举行了一次为期两个月的夏季学术研讨会。10位来自美国神经学、心理学、数学、信息科学和计算机科学方面的杰出科学家，在一起共同学习和探讨了用机器模拟人类智能的有关问题，并提议正式采用了“人工智能AI”这一术语。从而，一个以研究如何用机器来模拟人类智能的新兴学科——人工智能诞生了。
(二)1971年-80年代末
在科学上，前进的道路从来就不是平坦的，成功和失败、顺利和挫折总会交织在一起。人工智能也是如此，自它诞生至发展一段时间后，就遇到了不少的问题。在这种困难的环境下，仍有一大批人工智能的学者潜心研究。他们在总结前一段研究工作经验、教训的同时，从费根鲍姆“以知识为中心”开展人工智能研究的观点中找到了新的出路。
(三)20世纪80年代至今
人工智能逐步向多技术、多方法的综合集成与多领域、多学科的综合发展。其他学科的学者陆续将本学科的理论与方法向人工智能渗透，从而导致人工智能出现研究多学科交叉的现象。各学科对人工智能的渗透反映了目前人工智能发展的一种趋势，其渗透的结果现在还不是很明显，还需要时间的考验。目前，人工智能技术正在向大型分布式多专家协同系统、大型分布式人工智能、广义知识表达、并行推理、综合知识库、多种专家系统开发工具、大型分布式人工智能开发环境和分布式环境下的多智能协同系统等方向发展。
三、人工智能应用领域
目前 ， 人工智能在许多领域都得到了应用，其应用领域如下：
(一)在企业管理中的应用
刘玉然在《谈谈人工智能在企业管理中的应用》中提到要把人工智能应用于企业管理中，认为要做的工作就是弄清楚人的智能和人工智能的关系，从企业的发展目标出发，深入了解人工智能的内涵，搭建人工智能的应用平台，研究并开发企业智能化软件，这样一来，人工智能就能在企业决策中起到关键的作用。
(二)在医学领域中的应用
人工智能在国外发展很快，在医学方面取得了很大的成就。国外最早将人工智能成功应用于医疗诊断的是MYCIN专家系统。美国及其他发达国家的科学家已成功研制出了用于人类血管治疗的微型机器人，此外，在不久的将来，就会制造出能够在毛细血管里自由活动的机器人。20世纪80年代初，我国已成功将人工智能应用于医学，且在这方面有了新的突破，例如许多高等院校和研究机构共同开发了基于人工智能的医学计算机专家系统，并成功地应用于临床。
(三)在矿业中的应用
第一个将人工智能专家系统应用于矿业的是美国的专家系统PROSPECTOR，该系统用于勘探评价、区域资源估值和钻井井位选择等等，为矿业的开采带来了方便。1980年以来，美国的矿业公司在人工智能上加大了投资，其中矿山局匹兹堡研究中心与其它单位合作开发了用于煤矿开发的专家系统。
(四)在技术研究中的应用
人工智能在技术研究中的应用，首先是应用于超声无损检测与无损评价领域。在超声无损检测与无损评价领域，目前主要广泛采用专家系统对超声损伤中缺陷的性质，大小和形状进行判断和归类。此应用节省了许多人力，另外这些技术的应用，使得无损检测的定位、定性和定量的可靠性有了大幅度提高，为无损评价奠定了良好的判定基础。
(五)在电子技术方面的应用
人工智能在电子技术领域的应用由来已久。随着网络的迅速发展，网络问题日益突出，网络技术的安全成了我们关心的重点。因此在传统技术的基础上进行网络安全技术的改进，，大力发展挖掘技术、免疫技术，及开发智能机器，人工智能技术在这方面为我们提供了可能性。
四、人工智能的发展现状
国外发展现状。目前，人工智能技术在发达国家发展很快。尤其是在美国，发展更为迅速。在人工智能技术领域十分活跃的IBM公司，在智能电脑方面有了新的突破，成功地生产了具有人脑千分之一智力的电脑，而且正在开发功能更为强大的超级电脑。据其内部消息透露，预计该超级电脑研制成后，其智力水平将大致与人脑相当。除了IBM公司外，其他公司也加紧了这方面的研究，估计在未来几年内其成果更为惊人。
国内发展现状。二十一世纪是信息化时代，作为现代信息技术的精髓，人工智能技术必然成为新世纪科学技术的前沿和焦点。在我国，很长一段时间，专家们都把研制具有人行为特征的类人性机器人作为奋斗目标。机器人的发展水平不仅与计算机科技水平相关，而且与一个国家工业的各方面的发展水平密切相关。中国科技大学在国家基金的支持下，经过十年攻关和钻研，于2000年，成功地研制出我国第一台类人性机器人。
五、未来发展
人工智能的研究一旦取得突破性进展，将会对信息时代产生重大影响，对人类文明产生重大影响。科学发展到今天，一方面是高度分化，学科在不断细分，新学科、新领域不断产生; 另一方面是学科的高度融合，更多地呈现交叉和综合的趋势，新兴学科和交叉学科不断涌现。大学科交叉的这种普遍趋势，在人工智能学科方面表现尤其突出。由脑科学、认知科学、人工智能等共同研究智能的本质和机理，形成交叉学科智能科学。学科交叉将催生更多的研究成果，对于人工智能学科整体而言，要有所突破，需要多个学科合作协同，在交叉学科研究中实现创新。
人工智能一直处于计算机技术的前沿，其研究的领域和方向在很大程度上将决定了计算机技术的发展方向。今天，已经有很多人工智能产品融入了我们的日常生活。将来，人工智能技术的发展将会给我们的学习、生活、工作带来更大的影响。
下一页分享更优秀的<<<浅谈人工智能发展的大学期末论文
让AI技术与基础医学理论结合，成为AI用于临床 探索 的新思路。目前这一新思路已被证实确有更大潜力——
最近，由广州市妇女儿童医疗中心教授夏慧敏和加州大学圣地亚哥分校教授张康领衔、人工智能公司依图 科技 等共同参与的科研团队设计出一套基于AI的疾病诊断系统，就将医学知识图谱加入其中，使AI可以像人类医生一样根据读取的电子病历来“诊病”。
结果也颇为乐观：用纳入系统的55种常见儿科疾病和部分危急重症作测试，AI的诊断水平可达到儿科主治医生的专业水准。
目前，这一研究成果《使用人工智能评估和准确诊断儿科疾病》已于2月中旬在线发表于《自然—医学》杂志。
将深度学习技术与专业医学知识图谱进行结合，是该人工智能辅诊平台的最大特色。依图医疗总裁倪浩在接受笔者采访时说，未来对临床数据进行学习、为医生提供更多的辅助诊断能力（病种），采用深度学习+知识图谱的方式“很可行”。
为了使AI辅诊平台拥有专业的儿科医学知识，科研团队让它学习了万名儿童136万份电子文本病历中的诊断逻辑。这些来自广州市妇女儿童医疗中心2016年1月至2017年7月间的电子病历，覆盖了初始诊断包括儿科55种病例学中常见疾病的亿个数据点。
除了将医疗知识进行整合，科研团队还利用依图 科技 的自然语言处理（NLP）技术构建了一个自然语言处理模型，以对这些电子病历进行注释——通过将病历变得标准化，该模型在未经过“培训”的情况下可以粗略地将临床信息进行分类。
“粗略分类是指，将整个电子病历当作输入，将专家诊断结果作为输出，以达到粗略的分类。但这样并没有真正理解疾病本身，也很难解释为何做出了这个诊断。”倪浩告诉笔者， NLP模型虽然突破了病历文本语言和计算机语言之间的障碍，但知识图谱才是让AI诊断平台获取专家能力的关键 。
这也是他们接下来的一项重要工作：由30余位高级儿科医师和10余位信息学研究人员组成的专家团队，手动给电子病历上的6183张图表进行注释、持续检验和迭代，以保证诊断的准确性。
通过资深医疗专家注释的图表对AI诊断平台进行“培训优化验证”后，研究人员发现，经过深度学习的NLP模型可以对电子病历进行很好的注释，在体检和主诉项目的注释上分别达到最高灵敏度和精确度。也就是说， 深度学习的NLP模型能够准确地读取电子病历中记录的信息，并可以准确作出符合临床标准的批注。而这也是整个研究中最为关键的部分。
“通过引入知识图谱将每种疾病的电子病历深入解构，使得NLP模型具备了理解电子病历的能力。例如手足口病与哪些特征密切相关，川崎病最相关的特征是什么，让模型在给出准确诊断的基础上，能够具备更好的医学可解释性。”倪浩解释说，“有了知识图谱，再用深度学习技术来解构电子病历，就能够真正理解临床数据。基于此，机器学习分类等算法就有用武之地，否则把电子病历当成‘黑盒子’，是无法构建高精度可解释的模型的。”
综合利用深度学习技术与医学知识图谱对电子病历数据进行解构，研究人员据此构建了高质量的智能病种库，这使得后续可以较容易地利用智能病种库建立各种诊断模型。
构建一个多层级的诊断模型，是研究人员把AI诊断平台打造成为儿科医生的第二步。倪浩介绍说，这一基于逻辑回归分类器创建的诊断模型，首先会按呼吸系统疾病、胃肠道疾病、全身性疾病等几大系统分，然后在每一类下面做细分—— 这是让AI模拟人类医生的诊疗路径，对目标患儿的数据进行逐级判定 。
结果显示，基于NLP模型准确读取的数据，AI诊断模型能够对儿科疾病作出精确诊断： 平均准确率达90%，对神经精神失调疾病的诊断准确率更是高达98%。
在对相应儿科疾病的划分和诊断上，该诊断模型同样表现不俗。系统对上呼吸道疾病和下呼吸道疾病的诊断准确率分别为89%和87%。同时，该系统对普通系统性疾病以及高危病症也有很高的诊断准确率，例如传染性单核细胞增多症准确率为90%，水痘为93%，玫瑰疹93%，流感94%，手足口病为97%和细菌性脑膜炎为93%。
这揭示出，该诊断系统可以根据NLP系统注释的临床数据信息对常见儿科疾病作出较高准确度的判断。
研究人员随后运用11926个临床病例比较了AI诊断系统和5个临床治疗组诊断儿科疾病的水平，其中参与研究的治疗组从事临床工作时间和资历逐渐增加。结果显示， AI诊断系统反映模型综合性能的F1评分均值高于2个年轻医生组成的治疗组，但稍逊于3个高年资医生组成的治疗组。
论文认为，这说明该AI诊断系统可以协助年轻治疗团队进行疾病诊断，提升团队诊疗水平。
今年1月1日，该系统在广州市妇女儿童医疗中心投入临床应用。 仅1月1日至1月21日短短20天，该院医生实际调用它开展辅助诊断30276次，诊断与临床符合率达到。广州市妇儿中心医务部主任孙新在体验该系统后表示，这套系统在对疾病进行分组分类方面“比较科学”。
上述论文发表后，《纽约时报》点评这项研究称，“前后访问了儿科医院18个月中数十万名中国就医儿童的数据，能有这么庞大的数据量用于研究，也是中国在全球人工智能和竞赛中的优势。”
“数据确实是我们此次研究成果的核心关键之一。”倪浩说，“不过，高质量标准数据来源于强大的联合团队，我们专门开发了数据标准系统，进行了大量的数据标注。”
论文通讯作者之一、广州市妇女儿童医疗中心教授夏慧敏表示，这篇文章的启示意义在于“通过系统学习文本病历，AI或将诊断更多疾病”。不过他提醒道， 当下还须清醒认识到，仍有很多基础性工作要做扎实，比如高质量数据的集成便是一个长期的过程。
笔者了解到，该医院在近3年里注重将数据标准化、结构化处理，实现了50多个诊断数据子系统的相互交流和互联互通，为该系统应用打下了基础。
“此外，A I学习了海量数据后，其诊断结果的准确性仍然需要更大范围的数据对其进行验证和比对。 ”夏慧敏说。
AI技术落地的4元素之中，场景也非常重要。论文的另一位通讯作者张康认为，该研究以儿科疾病为对象意义重大。
“对儿科疾病的诊断是医疗中的一大痛点。一些儿科疾病威胁程度较大需要尽快得到治疗，而儿童恰恰不善于表达病情，因此快速、准确地对儿科疾病进行诊断非常必要。”张康表示，当前儿科医生供不应求，论文中构建的AI诊断系统对于严重不足的医疗资源会有很大的辅助作用。
相关论文信息：DOI:
都说我们即将迎来人工智能时代，那么到底哪些能力是人类所独有的?拥有这些特质的人，又适合做什么工作?下面来说说人工智能时代人类需具备哪些技能，一起来看看。
1
探索和创造精神
说到AI(Artificial Intelligence，人工智能)，我们的第一反应就是海量快速的数据处理能力。
AI基于大数据而学习，阅读20万份医学论文，对于医疗AI来说是小菜一碟，但是对医生而言，可能穷其一生都不一定能读完。
在这个意义上，一个苦读5年的医学生确实不及一个医疗AI。
但是人的可贵之处，在于永远有一种对未知领域的天生的好奇心。
一个小孩子看到一块布，不知道布底下是什么，一定要打开看看;看到一扇门，成年人告诉他不许去，他一定要去看看。
人的好奇心可能就是未来人类与AI合作的基础，人去探究，发现的成果让AI去学习。
职业可能性：研究、开发、创新、创意、探索者
2
感受美的能力
说到感受美的能力，并不是说AI不能学艺术，AI甚至也能根据艺术理论的规律去创作，比如写诗或者画画。
但是美这件事情本身，涉及到人的主观体验，这是一件很神奇的事情。到目前为止，神经科学还不能完全解释这些主观体验是从哪儿来的。
因为从物理上看，所有的颜色都不过是电磁波，346纳米跟532纳米没有任何性质上的差别，但是我们人对这些颜色的主观反应是不一样的。
AI是一个纯电脑电路，不同纳米的电磁波不会让它产生愉快或者不愉快的差异。
但是从进化心理学角度来说，人类在这方面已经有了几千几万年的积累。这是人类独有的，是和AI不一样的竞争优势。
职业可能性：艺术家、审美师、体验师、美丽生活者
3
综合理解的能力
综合理解能力其实就是知识和常识的区别。
“人工智能之父”马文·明斯基在他的《情感机器》里说，人类和人工智能最大的不同之一就是：人能把某一领域分门别类的知识放到自己的常识系统里，可以随时随地调用它们，并放到其他领域中，发生知识的迁移和重新组合。
比如不同语境中的“北京”，在关于特朗普的文章里，“北京”可能是政治经济学含义;而在一篇和希腊有关的文章里，“北京”可能是一个历史学含义。这种跨学科的常识系统，目前AI还做不到。
当我们人学习一个新东西时，先是在脑子的浅层，之后被压到脑子的深层，变成我们的背景知识，这知识就会产生很多新的内涵。
有些碎片我们自己会赋予它意义，能把一些无关的东西讲述成一个完整的故事，有些并不是逻辑上真正的关联，而是我们给它的意义上的关联。
我们经常会有那种时刻：
“我小的时候遇上一个人跟我说了一句话，中学时曾经看的一本书，大学时做的一个决定，所以我今天才可以坐在这里跟你面对面”。
这就好像冥冥中有一种力量决定了我今天的存在，但实际上是你自己把这些完全无关的东西串在了一起，是这些曲折变化造就了今天的我。
可如果这些东西没有真正明确的逻辑联系，AI是不会做出这种判断的，它会明确告诉你说这些东西是毫无关联的。
但是我们所有的人都需要这种意义，我们每个人都是靠这种自我讲述、自我认知的意义在往前生活的。
职业可能性：讲述者、分析师、策略官、咨询师
4
自我主动性
AlphaGo下棋很厉害，未来人工智可能在每一个领域都比人厉害，但我们也不会害怕，因为它们是听指令的。
什么时候我们才会害怕它呢?那就是人工智能觉醒的时候，就像《西部世界》里面的情节。
你说“Siri你帮我查一个东西”，她说“等会儿，我懒得看”，那个时候人可能就要害怕了：它现在不愿意听指令，某一天会不会把我们杀掉呢?
人工智能会不会觉醒呢?我们先来看看人类的觉醒发生在什么时候。
很多父母都知道Terrible 2，就是孩子的违拗期，“过来-不要，走吧-不要，出来-不要，出去玩吧-不要”，任何事情他都说不要，为了说不要而说不要，对于人来讲，就是人性的一个大的觉醒。他意识到了自己的存在。
但人类的这种觉醒跟我们是一个肉体的、有形之躯有关系，如果只是一个程序，不管这个程序有多厉害，没有生存的直接危机，可能永远都不会觉醒。
未来，人类带着一整个公司的AI去创业也是有可能的，但这种自我主动性仍然只是人类的宝贵特质。
职业可能性：创业者、领导人、管理者
5
情感与交流的能力
情感与交流，是人对于精神共鸣的向往，对于群体的一种归属感，就是人和人的交流不仅是语言文字上的交流。
人和人的表情、眼神、身体的交流到现在这个阶段可能会更加重要。
语言交流越来越方便，越来越低成本，但是越在这种时候，我们就越会发现，线下交流还是有一些不一样的地方。
AI可能能算出一个最优的策略，未来可能每个公司的AI都能算出一个很好的商业模型，那么哪个项目会做呢?可能人的因素会更重要一些。
这个团队和另外一个团队就是能产生精神上的火花，那这个项目就能往下做。
职业可能性：陪伴者、社交者、沟通者、媒介者
那么，怎样才能通过教育，更好地发展这些能力?作为昔日“学霸”和如今一个小女孩儿的妈妈，她认为什么才是教育中最重要的内容?演讲结束后，外滩君有幸与她有了一次更为深入的对谈。
B：说到人工智能，有人说“我们已经身处人工智能元年”，这样的判断准确吗?
H：从人工智能的快速发展和它的能力提升来讲，确实已经进入了一个要突飞猛进的时代。
由于有像DeepMind这样的一些团队，算法好，迭代也很快，所以人工智能会有比较快的发展。从这个角度来说，人工智能处于其自身领域的元年，那是有可能的。
但是人工智能这个行业是不是足够影响我们全社会了呢?可能还没有那么快，可能还需要几十年的发展过程。
像工业革命，对当时社会的冲击也很大，但是要全面铺开也还是花了很长时间的。但是人工智能的影响在最近的一二十年间，可能会在方方面面都体现出来。
B：艺术能力是人类智能中非常独特的一部分。在你的作品《弦歌》中，钢铁人入侵地球，音乐会成为人类免受攻击的庇护所。从这部作品，看得出你对古典音乐非常熟悉，你接受了怎样的艺术教育?你会让孩子学乐器吗?
H：对于音乐我其实是一个门外汉，就是凭兴趣去听，也没有很深入地去研究。
但是我学过差不多五年的大提琴，从本科的时候开始学，后来又跟着一个在中国音乐学院附中教书的老师学了两年，所以很喜欢音乐赏析，但其实不专业。
我不着急让孩子学乐器，音乐其实最重要的是对于“听”的一种感知，是训练耳朵的过程。
手指本身不那么重要，耳朵更重要一点。
所以在孩子小的时候，可能就是让她唱唱歌跳跳舞;到大一点呢就让她多去听一些东西，包括各种各样自然界的声音;
再大一点，会让她试着去听一点音乐，包括对音高的训练等等。
至于具体去学某一种乐器，我也想让她稍微学一点，看她是不是有兴趣。
B：个性化、定制化是未来教育的一大特征，感觉你的求学路径就已经相当个性化了，套用一个被用滥的句式，可能就是“不研究物理的经济学者不是好科幻作家”。你的这种“跨界”完全是由兴趣引领的吗?
H：我从小到大都还挺喜欢想问题的，不管是科学的还是社会科学的，包括文学的。
所以可能从中学开始，我就想着做一个以研究为生的人。中学的时候就已经确定要把一个有趣的研究方向作为职业生涯的方向了，所以选择了物理。
我一直对天体物理有兴趣，大概从小学三年级就开始喜欢了，当时也只是看一些课外的科普书。
高三的时候，我认真考虑了一下把天文研究作为自己职业的可能性，觉得可以，就报了物理系。
高考前还去清华物理系的天体物理中心咨询过，大概问了一下他们那边是学什么东西的，后来就报了。
报了以后也确实读到研究生，但是后来转到经济学，主要是因为研究兴趣的转向。
在学物理的过程中，从物理学中的统计力学、耗散理论、自组织，再到社会科学理论的研究，再到社会学、经济学，慢慢慢慢就从自然科学往社会科学偏。
从大三到研究生二年级，利用四年的时间一点一点逐渐增加了社会学、经济学方面的学习，到研二的时候就想往社科方向去转了。
不过我还是选择了社科方向里相对偏定量研究的数量经济学。
转过去之后，没有觉得在研究方法上有太大的冲突，因为都是做数据处理、数据分析，从一些现象推导到背后的原因。
在我看来，只要有这样的方法论基础，其实具体研究哪个学科都是差不多的。
小说写作一直是我的兴趣之一，一直没有放弃，也算是一个比较大的追求吧。
但是我一直觉得小说写作不是一个职业化的追求，只是一个寄托我心情所感的方向。
我对职业的定义就是“你为别人服务”，但写小说纯粹是为自己服务，所以没考虑过当全职作家的事情。
到目前为止，我一直是以研究作为自己的主要方向，从最开始学物理到学经济，基本上没有变过。
B：在你的成长过程中，父母对你的干预多吗?
H：我父母对我的心理预期不是很高，我妈妈真心诚意地觉得我能考个一本就可以了，然后她就问我说你能考到一本吗，我觉得这个应该没问题，她就觉得没什么可管的了，就放手了。
我为什么就想以做研究为生呢，可能就是因为我父母从来没有给过我任何方向上的指导和预期。
大概从我小学一年级开始，父母就完全放手“大撒把”，一天学习也没管过。
小的时候启蒙倒是还比较早，很早就可以去做一些自主阅读。小学二年级以后，看书这方面就再也没求助过父母。
所有的书都是自己想着找着看，所有的方向、以后想干什么都是自己慢慢摸索了以后，摇摆、摩擦、碰撞后决定的。
中间也会有摇摆，但是在摇摆的过程中，父母也不会特别干预。自己摇摆来摇摆去，折腾来折腾去，最后还是觉得做研究是适合我的，博士毕业后就选择了一份做研究的工作。
B：你怎么看待现在家长们普遍存在的焦虑情绪?你对自己孩子的教育有什么规划吗?
H：优质资源不够是一个社会现实，但我觉得父母其实可以稍微改换一点点思维方式：我们现在看到的优质资源，它到底有多优质?在二十年后，它是不是这个孩子生存、就业所必不可少的呢?
当然了，能上一个好学校还是不错的，但这绝对不是未来仅有的路。
像我们现在这个时代，有很多大V、网红，以及一些新兴行业的人，并不一定就是名校毕业的，未来可能会有更多新的机会出来。
如果一个人有自主性，有自主学习的能力和自我提高的意识，知道在他想从事的领域需要学习什么，还是会有很多学习、工作的机会的。
父母与其焦虑，不如多培养一些孩子的能力。
孩子在最小的时候，都会有一些自我主动性，也就是一些玩儿的兴趣。
孩子心里的这些小火苗是很宝贵的，父母可以有一点帮助、促进和肯定，也可以不管不问，不管的话，这些小火苗能旺盛一些，能自己燃烧，可能比父母的帮助效果更好。
有些父母可能会认为这种自主性的小火苗跟他们给他设计的不相符，所以就会想法设法去打压孩子的自主性。
但其实，人的自主玩性和自主学性是一个东西，都是把自己的精力放在一个领域里面。
父母如果想让孩子有自主性，最开始就不要打压他自主玩和管理自己生活的初始动力，慢慢地再指导他把这种初始的动力放在一些他自己喜欢的方向上，有更大的追求。
方向的选择也很重要。
父母需要接受的一点就是，不是你引导的所有方向，孩子都能够有兴趣去投入的。
所以，父母虽然可以引导，但真正的选择还是让孩子自己去做，这样他在往前走的时候就始终是他自己在为自己负责。
对于我自己的孩子，我希望80-90%都是她自己摸索的，她爱怎样就怎样，因为这个世界属于她。她在成长过程中会遇到的东西是我无法预见，也无法替她做决定的。
在剩下的10-20%里，我希望她能得到一点文明的概念、有公德心，能尊重他人。
选择文明是一种底层的价值观的问题，即使别人不文明，你也是文明的。
演讲这天，郝景芳是推着婴儿车一路狂奔至会场的。演讲时，女儿晴晴一直在观众席边上酣睡。
演讲结束后，她与热心的读者合影、签名，但总会时不时瞟一眼边上的女儿。
在接受外滩君专访时，她又特意把婴儿车换了个方向，“要让她在醒来时第一眼就能找到我”，她说。
在教育这件事上，她信奉科学育儿，但又不建议用力过猛。毕竟，那些人类独有的美好心性都是自然而然、水到渠成的结果。