在人工智能浪潮席卷全球的当下，生成式AI技术以前所未有的速度渗透到各个领域，其中，生物医学领域更是展现出其巨大的应用潜力。金锁钦老师精心主持的“生成式AI及其生物医学应用”科研讨论班，为我们本科生搭建了一个学习前沿知识、探索科研方向的宝贵平台。两次主题讨论的深入研讨，不仅夯实了我们对于生成式AI基础理论的理解，更激发了我们对于其在生物医学大数据分析中应用前景的无限遐想。
本次讨论班以概率论、随机过程和神经网络为核心理论基石，聚焦于生成式人工智能方法及其在生物医学大数据分析中的前沿应用。金老师以其深厚的学术造诣和严谨的教学风格，引导我们系统地学习变分自编码器（VAE）、生成对抗网络（GAN）、扩散模型（Diffusion Model）和流匹配（Flow Matching）等生成式AI的核心理论与模型。
第一次讨论班，2023级弘毅班黄治恺同学系统阐述了生成式AI模型的缘起与发展，深入剖析了传统机器学习在高维复杂数据处理上的局限性。他以严谨的数学推导详细解读了VAE和GAN的核心原理，并从概率图模型的视角阐释了VAE的变分推断及GAN的对抗训练机制。此外，他还进一步介绍了CVAE和WGAN等变体模型，分析了其在样本控制和模型训练稳定性方面的优势。最后，黄治恺同学以“Auto-Encoding Variational Bayes”为例，深入剖析了VAE在图像生成领域的实践应用，为讨论班的同学们提供了对生成式模型理论与应用的深刻理解。
第二次讨论班，2023级弘毅班黄治恺同学着重阐述了近年来备受关注的扩散模型。作为新兴的生成式AI模型，扩散模型在图像生成和音频合成等领域表现出卓越的性能。报告首先深入解析了去噪扩散概率模型（DDPM）的前向噪声添加过程和反向去噪机制，强调其将生成过程建模为马尔可夫链的巧妙设计。随后，报告进一步探讨了条件扩散模型，阐释了条件信息对生成样本精细控制的实现方式。更为重要的是，报告从随机微分方程（SDE）的视角重新审视扩散过程，揭示了扩散模型的深刻数学本质，并为后续模型优化提供了理论基础。
金锁钦教授主持的讨论班，超越了单纯的知识传递，着重培养学生的科研能力与创新思维。金老师鼓励学生积极提问与深度思辨，并针对疑问提供详尽解答。通过结合学术前沿，引导学生探索生成式人工智能在生物医学领域的应用，如时空数据生成、虚拟细胞构建、药物发现和疾病诊断等。参与“生成式AI及其生物医学应用”科研讨论班，不仅使学生掌握了生成式AI的理论基础与核心算法，更激发了其科研热情与挑战意识，为其未来将所学知识应用于实践，并推动生成式AI在生物医学领域的应用奠定了坚实基础。
本次讨论班让我们受益匪浅，也期待未来能有更多机会参与到类似的科研讨论中，不断提升自己的学术水平和科研能力。相信在金锁钦教授的悉心指导下，我们定能在人工智能的浪潮中乘风破浪，勇攀高峰！
（通讯员：郜林轩、胡雪红 摄影：刘晓欢）
