丁源森新闻资料

简

ADVERTISEMENT

ADVERTISEMENT

最新文章

发现宇宙“吞噬者”扬威天文界丁源森独中的骄傲

今年3月21日，国际权威科学期刊《自然》封面发表了科学家的一项重要研究成果“每12颗恒星中至少1颗吞噬了一颗行星”，揭示了天文界的一个惊人现象，我们浩瀚的宇宙中存在着“吞噬者”。

7月前

最新文章

新教育

【代码之外】丁源森／透视人工智能机遇与责任同行

有一天，我们团队里一名博士后在Slack群里用ChatGPT发了一首“歌颂AI老大千秋万载”的颂词。他自嘲说，如果有一天AI真的统治世界，他就用这首诗投靠AI，以求保命。虽然他是在开玩笑，但这让我意识到，对于“天网”式的AI统治，确实有不少人是真的感到恐惧的。正因为很多人对AI和机器学习持悲观态度，我在之前的文章中也努力向大家展示其正面影响，尽量以务实和乐观的角度来论述。但赞美之余，我们也不能掉以轻心，忽视其潜在问题。老子说，“祸兮福所倚，福兮祸所伏”，因此，这个系列的最后一篇，要全面探讨一下AI的好与坏。只有全面、理性地探讨，我们在问题出现时才不会乱了方寸。 AI在基础科学研究中的多面作用：不仅仅是效率目前的AI在多个方面都给了我们保持乐观态度的理由。它在各领域解决了一些长期困扰我们的“瓶颈”问题。在生物科技这个领域，AI帮助我们更快、更低成本地了解蛋白质是如何折叠的，这对于发现新药至关重要。借助AI，我们能够快速从大量的基因序列中推测分子结构和属性，无需耗费大量资金进行生化实验。这不仅大幅降低了生产成本，也显著提高了研发效率。值得一提的是，目前AI在这一领域的表现已远超传统技术。除了生物科技，物理学也因为AI的加持而得到了重大突破，特别是在核聚变研究方面。如果您还记得我们在〈黑洞与咸煎饼〉中的讨论，您就知道核聚变理论上并不是难以克服的难题——太阳就是一个天然的核聚变反应器。然而，在地球上模拟这一过程的主要挑战在于，我们很难精准地控制电离子以实现全方位的均匀施力。借助强化学习，也就是AlphaGo等软件所使用的技术，现在我们能够实时预测和调整各个不均匀的部分。这也使得核聚变首次实现了能量输出大于能量输入。而如果核聚变能够成功实现商业化，它将成为一种极度环保的能源选择。与核裂变不同，核聚变不仅是一种干净的能源形式，还不存在失控的风险。又比如在我的研究领域——天文学，AI也具有巨大的潜力。您可能在疫情期间看过Netflix的电影《不要抬头》（Don’t Look Up），它讲述小行星即将撞击地球的故事。尽管这个主题有些老套，但在现实生活中，从海量数据中识别对地球潜在威胁的小行星，确实是一项极其复杂的任务。我和我的同事们也正在利用电脑视觉技术——类似于监控系统的人体追踪技术，来寻找这些小行星。当AI被不当使用的潜在危害尽管机器学习在多个方面都正在推动我们社会的发展，但并非所有影响都是正面的。虽然我之前一直强调AI的积极潜力，但我们也必须警觉于它可能带来的风险。在马来西亚，我们普遍存在一个误区，感觉大家好像认为机器学习是一个高端且难以触及的领域，我们也只能嗑瓜子，看着中美竞争就好了。然而，事实上，机器学习的入门门槛其实相对低。尽管有些研究确实需要大量资金，但普通学生甚至高中生也能理解其中的基础概念。据我所知，像新加坡就正在全球以高额奖学金吸引电脑科学博士生。如果我们马来西亚不开始重视AI和机器学习，那么我们将面临严重的全球竞争劣势。我们需要让年轻人知道，机器学习并不是高不可攀，反而是未来发展的必备技能。而正因为机器学习的门槛相对较低，这也为不怀好意的人提供了更多可乘之机。我们常说人工智能正在变得越来越“智能”，但这种智能不是说有意识，而是它可以用少量的样本做到泛化。以人类来说，我们能够仅凭几句话就识别出说话的人，这是一种高度的泛化能力。而当前的人工智能技术也越来越能在少量样本的基础上进行泛化。这样的进步当然带来潜在的社会风险，比如通过简短的语音样本就能模仿某人的声音。但是这种问题，我觉得所谓“魔高一丈，道高一尺”，最后我们社会也会慢慢适应。说到坏人用AI做坏事，其实还有更令人担忧的潜在问题。我曾与一位专门使用AI进行蛋白质折叠研究的同事讨论过这个问题。他最担心的是，这种低成本的“制药”技术具有双刃剑的性质：一方面具有制药的潜力，另一方面则可能利用AI来设计病毒，而且成本不高。我自己当时听的时候也是吓出了一身冷汗。这让我回到了文章的开头，我觉得我们有时在讨论AI时会失焦。像大量失业和“天网”式的自我意识机器人的出现确实有些过于想像，但我们应记住，人类最大的威胁往往还是来自人类自身。勇往直前，在风险与机会中寻求平衡有人可能会问，既然有这么多不确定因素，为什么不直接限制这些技术的发展呢？这当然是一个值得深思的问题，美国等国家也在频繁讨论这一点。但核心问题在于，即使我们限制大型模型的发展，问题本质并未解决。小型模型同样有可能造成巨大的破坏，特别是考虑到这一领域的入门门槛相对较低。另一方面，我们面临许多紧迫和复杂的问题，从应对气候变化和寻找可持续能源，到治疗癌症，甚至应对不可预见但极其严重的问题如小行星威胁。在所有这些方面，机器学习都是我们人类现在唯一的希望。因此，我们不能因为某些潜在的风险而因噎废食。然而，不管大家觉得我们是因噎废食还是饮鸠止渴，事实是这个大门已经被敲开了。我们现在能做的最好的事情，就是每个人更深入了解这些新兴技术，并形成自己的见解，而不是随波逐流。不确定的未来的确会令人不安，不过我觉得人类发展总是像在高空的钢索上行走，永远都具有风险和不确定性。但停滞不前不是选项，我们唯有勇往直前才能保持平衡。更多相关文章：【代码之外】丁源森／AI在天文上的神助攻【代码之外】丁源森／做AI时代里的六边形战士【代码之外】丁源森／论AI的养成与黯然销魂饭【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人

1年前

新教育

新教育

【代码之外】丁源森／AI在天文上的神助攻

当OpenAI发布了ChatGPT，那个月简直不要太疯狂。事实上，业内早有大型语言模型在测试中，但都等待着一个先行者。OpenAI勇敢地走在了前列，行业巨头如谷歌都hold不住了，紧随其后发布了自家的Bard模型。在Bard的示范中，它回答了这样一个问题：“如何向我的9岁孩子解释詹姆士·韦伯望远镜的某个发现？”Bard说：“韦伯望远镜拍下了第一张太阳系外行星的照片。”虽然听起来感觉没问题，但如果Bard读过《星洲日报》的专栏，就会知道这是错的。尽管韦伯望远镜主要用来研究太阳系外的行星和它们的大气，并拥有高清成像功能，但首张行星照片的记录其实是20年前的事。（20年前，“自适应光学”Adaptive Optics开始在天文领域流行，尤其应用在8-10公尺的大望远镜上。这技术为望远镜提供了“降噪”功能，通过调整镜片消除大气扰动，使我们能更清楚地观测远方的行星。）当Bard的这一错误被揭露后，资本市场对谷歌这类大模型的信心大受打击，谷歌市值蒸发了千亿。深入机器学习：训练大型语言模型的机制那么，为何Bard会犯下这种“幻想”（即一本正经胡说八道）的错误呢？要理解这一点，我们首先得了解这些模型的训练机制。前文曾经提过，机器学习和传统编程不同的地方在于：我们不再逐个给机器下命令，而是让机器自己从数据中发现规律。实际上，机器学习语言的方式跟我们小学的文字游戏很像，即从网络上的大量文本中挖掉一些词，然后尝试填补空白。例如，“（某某）是马来西亚的第十任首相”，或“（某某）是马来西亚的传统美食”。在这过程中，每个句子里的关键词都有可能被隐藏，模型的任务就是要猜测这些空格的内容。有时候，一个空格可能有多个合适的答案，因此机器不仅要给出答案，还要给出各种答案的可能性。看起来简单，但是模型可以通过这种方式学习到很多东西。就像我们小时候在各种科目做的填空题，虽然填空，但每门课教给我们的东西是不同的，比如语文教我们语法；历史教史实；数学教逻辑。同样的，机器也在大量数据中努力学习，仿佛不停地刷题。大型语言模型就像云顶高原的老虎机，每次“摇动”都产生不同的输出。通过大数据训练，我们就像在老虎机上作弊，使得它的输出更符合我们的预期。超越ChatGPT：开源模型的多样化应用了解这个概念后，你就能明白为什么Bard突然短路了。詹姆士·韦伯望远镜有很多“第一”，它确实重点研究太阳系外行星并拥有先进的成像技术，但把这些信息组合起来却反而不对，这就像有人问你在马来西亚应该吃什么，你回答“Roti Canai夹榴梿配 Laksa。” 虽然当前的AI仍然会犯一些低级错误，但是大语言模型的应用不仅仅局限于简单地使用ChatGPT，要知道ChatGPT只是众多大型语言模型中的其中一个。虽然OpenAI已经不再 Open（开源），但众多模型包括脸书Meta的LLaMa模型系列仍是开源的，而这些开源的模型允许我们在这些训练模型的基础上进行微调，进而释放更多潜力。这好比你已经有一群优秀的大学毕业生，虽然他们不一定会有特定领域的专长，比如说天体物理的一些特定知识，但如果可以让这些模型再“进修”，那么它就可以发挥更大的能量。这正是我的研究团队正在探索的其中一个方向。让AI看懂30万篇天文论文最近我们的团队对这些开源模型进行了微调，利用过去30年天文科学期刊发布的大约30万篇文章对其进行训练，训练方法和上述说的文字填空和接龙是一样的。当然，这里对于模型的训练还包括我们的一些小巧思。比如说让两个语言模型“对战”，其中一个模型扮演学生回答天文问题，另一个则扮演教授点评学生的答案，两者互相竞争。（这里就不谈技术细节了）其实我们一开始也没底，就觉得可以试一试。模型的表现确实让大家很震惊，比如说我们尝试用AI生成天文学博士论文的研究方向，并请天文物理学家评分。评分结果显示，AI生成的论文题目在专家眼中甚至优于一般天文物理博士生能够提出的论文方向，一些同事不禁戏称：“真的不能让你继续搞下去，不然我们都失业了。” 必须说明的是，我们的目标并非取代人类工作，但我们必须接受的是，在这个新的时代里，AI生成的答案已俨然成为了评价的基线，只有超越AI的答案才被视为有价值。虽然这么说感觉有点残忍，但这未尝不是好事，因为AI把所有人的基准能力都拔高了一个纬度。要知道每个人都有自己的特长，而这些特长大概率还是比目前的模型更好，但是模型却可以补足每个人在其他方面的短板。比方说，我以前觉得自己做研究还可以，但比较苦恼的是如果要我用英文写期刊文章，我就觉得对我这种非英语母语的人特别吃亏。虽然现在的模型不见得能写出媲美狄更生和王尔德的大作，但我却可以享受着类似用母语写作的畅快。 AI：平等的桥梁与公正的裁判从宏观角度来看，我乐观地认为无论是回顾历史还是展望未来，这些AI模型将促进人与人之间的平等，并为弱势群体创造更多机会。比如说，以前我们时常依赖某些指标，例如论文的被引用次数来评估一个人对于某个领域的贡献，但学术界其实并非完全公正。有时候，一些普通的论文莫名火起来，而其他有价值的论文却可能因为种种原因被埋没，所以这些指标往往并不能很公平地去评断一篇学术论文的价值。而我们的研究团队正在研究的其中一个方向，就是用我们微调后的模型去读遍所有论文，忽略人为的主观评价，客观地分析所有文章，从而找出任何一个能推进这个领域的真正先驱。至于展望未来的部分，AI也只会让科技更加平等与开放。以天体物理为例，这是一个高投资的研究领域，可惜绝大部分的人再有才识也可能只屈就于一些岗位上，找不到人去交流。但微调后的大型模型可以独当一面，能力未必比各个领域的博士们差，可以成为弱势研究者的研究伙伴，不让个人际遇妨碍他们的成就。这也是我们团队做这项研究的最大初衷，而我们的团队也逐步在网上公开所有AI生成的天体物理博士论文方向。还记得IBM的深蓝吗？有人说，AI的出现是人类的消亡，可是要知道这种论述在历史上从来没有断过，但是也从来没有预言成真过。还记得IBM的超级电脑深蓝曾经击败国际象棋大师卡斯帕罗夫吗？当时有人悲观地认为国际象棋已经结束了，但在二十多年后的今天，人们反而可以在任何地方、任何时间和AI对弈及学习，我们看见的是国际象棋更加昌盛，在很多非传统强国也是遍地开花。更多相关文章：【代码之外】丁源森／做AI时代里的六边形战士【代码之外】丁源森／论AI的养成与黯然销魂饭【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人

1年前

新教育

新教育

【代码之外】丁源森／做AI时代里的六边形战士

对于真正对电脑感兴趣的学生，选择电脑科学系当然没问题。但要明白，电脑科学系的课程远不止机器学习那么简单，还包括传统的电脑系统设计、编译器等。对于仅仅想了解机器学习的学生，这些课程不见得是最重要的。在大型语言模型日益普及的今天，跨学科知识变得尤为重要。

1年前

新教育

新教育

【代码之外】丁源森／论AI的养成与黯然销魂饭

小时候，网络还未普及，每逢农历新年，我总被TV2“逼迫”着再看一次星爷的《食神》。片中最后他和反派来一场厨艺battle，反派做出了精致且食材丰盛的佛跳墙，但星爷却用内功做出了简朴无华的叉烧饭，名叫黯然销魂饭。无招胜有招，最终，黯然销魂饭大获全胜，评委薛家燕和司仪罗家英都流下了感动的眼泪。让我们从黯然销魂饭开始，谈谈AI是如何养成的。传统编程的局限首先，我们来了解传统计算机编程。传统编程中，计算机的功能是复刻所有人类设定的明确指令。以超市收银机为例，其指令非常明确：见到泰国龙珠香米，收费X令吉；见到宾宾米果，收费Y令吉。这也可能是大家比较熟知的计算机功能，它可以熟练地重复执行某些特定的指令。照本宣科，就像孩子把一本课本从头到尾的死背硬记，但这种方式是有巨大的局限性的：第一，这种传统编程方式在处理大量或复杂数据时往往力不从心，就像一锅佛跳墙，虽然食材种类繁多，但最终能加入的调料和步骤都是固定的，即使面对更丰富的食材，如果你只按照固定的食谱来烹调，最后出来的还是同样一道佛跳墙；第二，许多数据里并没有像刚才这个收费清单的简单情况，即 A（货物）和 B (价钱) 这样一对一的对应关系。例如YouTube视频，其内部知识大多是隐性的，难以设定明确指令。机器学习（Machine Learning，也俗称为AI）应运而生，其核心是在没有对计算机下特定的指令识别数据的规律。实际上，计算机学习的这些核心思想并不新鲜，早在上世纪中叶，包括计算机之父图灵在内的人，就已经开始对这方面探索。 “Laksa-槟城+怡保” 我小时候，妈妈怕我读书太辛苦，带我去一个关于训练记忆力的补习班。我依稀记得里面核心的思想可以分成两个部分：第一，不要死背硬记，要把知识点压缩成知识图谱（mindmap）；第二，大量运用联想，从而对很多知识点进行整理。现代机器学习的思路与之相似，计算机学习在很大程度上是内建自己的一个知识图谱，把海量的信息简化成自己的一套关系链，并通过这些内建关系实现泛化（即一通百通，举一反三）的能力。这里比较经典的一个例子是，比如说你在ChatGPT里输入：国王（King）减掉男人（Man）加上女人（Woman）。ChatGPT给你的回答会是女王（Queen）。这展示了机器不是简单地记住词汇，而是理解了其内在关系。例如，它把“国王”解构成“权利+男人”，所以当你减去男人再加上女人的时候，那这时是“权利+女人”，所以可以对应的是女王。看官也可以试试在ChatGPT上输入“Laksa-槟城+怡保”，回答是河粉。知识图谱与认知过程电脑学习在某种程度上是对世间万物信息的一种内建压缩。正因为这种内建的知识结构，机器学习才表现出了所谓的“智能”。这与人类的认知过程颇为相似。很多人错误地认为眼睛就像照相机，完整复制进入视野的所有信息。但实际上，如果我们的眼睛真的每一秒都要完整成像，那会对我们的能量造成巨大的消耗。正如计算机的学习模式，我们的大脑接收的信息其实是非常碎片化的。而是根据大脑内建的世界认知，在大脑中用部分信息自动重塑整体。正因为我们的感觉器官都在重塑信息，我们会被一些光学幻觉所欺骗。比如，两个实际身高相同的人在某种背景下，可能看起来一个比另一个高。这是因为，我们大脑运用了我们对于世间的内建规律去补全信息。当你刻意去打破这些规律时，重塑起来的成像就会偏离原型。大家可能还记得AlphaGo与李世石的围棋比赛。尽管人类在多数情况下都溃败了，但在第四局中，李世石下了一步意想不到的棋。这像光学幻觉一样，超出了AlphaGo的内建知识图谱的范围，导致它连续走了若干“臭棋”，从而让人类扳回一局。其中的道理也是一样的。超越棋局：机器学习的变革如何构建知识图谱一直是电脑学习的6关键，但这也是我们长久以来的盲区。在深度学习兴起之前，比如在国际象棋方面，我们人类对我们从经验得来的方法论是非常自信的，所以大部分的下棋机器，都有一堆我们人类的经验规则。尽管机器里面有“学习”的成分，但是这就有点像做佛跳墙。我们一开始就决定了要用哪一些食材，认为这些食材和食谱上的方式必然就是最好的。计算机学习界的权威人物瑞奇·萨顿（Rich Sutton）在其“苦痛的教训”博客中深入批评了这种自以为是的态度。我们经常认为自己对这个世界的解读方式是最佳的，但多次的失败证明这种思维方式是短视的。过去10年里，计算机学习领域的大部分突破，无论是AlphaGo的升级版AlphaZero还是现有的ChatGPT，都采取了一种更自然的“黯然销魂饭”的做法，即让机器在尽可能少的人为干预下自主学习如何从数据中发现规律。而瑞奇·萨顿认为，鉴于计算机的计算能力将会持续指数增长（也就是所谓的摩尔定律），让机器自我学习才是最佳选择。写到最后，我还是担心这种计算机“自我”学习的描述可能会让一些人感到不安。但是，还是接我们上一篇聊到的，这种自主其实和我们认知中的“自主意识”是完全不同的概念。还是那句，这些机器学习模型仅仅是对大量信息进行解析、分类和抽象链接——就像那个国王的例子一样。当我们使用Google搜索或浏览抖音推荐时，这种信息解构和分类的概念早已融入我们的生活中。与其毫无根据地感到担忧，不如静下心来享受一顿美味的黯然销魂叉烧饭。作者简介：吉隆坡中华独中毕业生，2017年美国哈佛大学毕业，2019年获得美国NASA哈勃奖学金，于美国普林斯顿高级研究院（IAS）研究天体物理，现任澳洲国立大学电机系和天体物理系副教授，专注于利用机器学习技术研究天文大数据的统计推理。更多相关文章：【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人

1年前

新教育

用心教育

世界最先进望远镜——韦伯，要来到马来西亚啦！

韦伯是什么？如果你是天文学迷的话，你一定还记得去年的盛事，那就是韦伯望远镜成功升空，成为天文界最新的宠儿。比起勤勤恳恳工作数十载的哈勃望远镜，韦伯望远镜更具优势，笔者也就不跟大家哈拉，上来直接给你们硬核的。韦伯的半径是哈勃的3倍。因为采光的速率和镜面的面积成正比，所以韦伯的效率约为哈勃望远镜的10倍，即一个哈勃需要花10年去干的活，韦伯只需要一年就“搞定”。更重要的是，哈勃主要的观测波段是紫外线和可见光，而韦伯观测波长较长的红外线。韦伯当初设计时采取红外观测的主要考量，就包括了目前天文界比较火爆的两个课题——寻找太阳系外的生命，和寻找最古老的星系。寻找系外生命关于前者，天文界寻找外星文明的主要手段是仔细刻画太阳系外行星（简称系外行星）的大气——看看那些类似地球的行星中有没有一些有机气体和水分。而韦伯在这里发挥的作用是巨大的。要知道水分在大气中主要“发光”的波段为红外线，但是地球的大气水分同时也大量地吸收红外线，所以地球上的天文仪器很难去捕捉系外行星红外的波段。由于韦伯发射在地球之外，不会被地球大气所“蒙蔽”，因此也成为了少数可以去研究系外行星大气的仪器。而现在实测下来也确实如此。要知道当初韦伯的第一次成果发表会，NASA发了5个结果 “秀秀肌肉”，就展示了韦伯能够精确无误探测到系外行星的水气。当然了，那个结果并不意外，因为我们之前就通过一些手段知道该行星是有水分的，不过因为那个行星并不在适合生命发生的宜居带，所以这个结果也只是实测一下韦伯的能力。但即便如此，笔者当初在线上观看这个“直播”时也是被震掉了一个下巴。依韦伯的这个实力，估计找到在宜居带且有水分和有机气体的行星也就是10年以内的事了。寻找最古老的星系不过除了寻找系外生命，韦伯的另一个主要突破点，如上所说，是寻找宇宙中最古老的星系。这里请跟随笔者一个比较绕的逻辑链。宇宙里最古老的星系也是离我们最远的星系，这是因为光“只能”以光速传播。比如说，太阳离我们有大概8“光分”，即光需要8分钟才能从太阳抵达地球。但是换一个说法，我们现在看到的太阳并不是现在的太阳，而是8分钟前的太阳（是的，如果太阳现在爆炸了，你还有8分钟能活）。以此类推，如果一个星系离我们130亿光年，它们的光在宇宙中传播了约130亿年（这里稍微不准确，应为精确的算法还需要涉及宇宙的膨胀）才抵达我们，也就是说我们现在接受到的关于这些星系的照片，是宇宙130亿年前的情况。简单扼要地说，只要找到越远的星系，他们对应的也是最古老的星系。可是如何找到这些遥远的星系呢？这里，宇宙的膨胀又帮上了一个大忙。由于宇宙一直在膨胀，因此当光运行的时候，它们也会不断地被时空拉长——可见光会被“拉扯”成红外线。而因为越遥远的星系的光要运行得更久，一般的星系发射的光大部分都在可见光的波段，所以如果它们是遥远的星系，它们现在就会呈现成一个主要在红外波段发光的天体。笔者绕了九转十八弯，简单扼要地说，只要我们能找到在韦伯（红外线）能观测到，而比如说哈勃（可见光）又看不见的星系，这些都有可能是最古老星系。韦伯的意外发现在韦伯还没发射前，透过哈勃我们知道的最古老的星系约为宇宙大爆炸后4亿年的星系，而且就只有一个。而韦伯发射后，天文圈的“考古队”真是内卷得不可开交。就一两周的时间，多个团队陆续发表已搜索到“一打”比5亿年还年轻的星系，而且刷新了之前的纪录。现在最古老的星系约为3亿年。笔者的一些同事都是没日没夜地卷。这样刷榜可能看起来没什么营养，但其实不然。这个发现可以说是天文界的一个震撼弹，笔者这里震掉的就不止一个下巴了。天文圈之前虽然知道韦伯必然能超越哈勃找到更古老的星系，但这个成群的发现其实是远超乎预期的，主要因为宇宙这么早期就出现“星系婴儿潮”实际上违背天文其他的一些观测，比如说所谓的宇宙再电离现象。简单说，如果有大量的早期星系，他们的辐射应该会将宇宙早期的气体（比诺兰更高级的“Intergalactic” medium) 造成一定的影响，而这个和现在对于再电离的研究还是有点分歧的，因此韦伯前几个月的观测迫使了天文学家再次审视关于星系形成和演化的理论。韦伯真的要來了说到这里，就要回到笔者的标题党。不说你不知道，一说你吓一跳。笔者将在吉隆坡（2月6日到10日）组织第一次，由国际天文学联合会（International Astronomical Union, IAU）冠名的天文会议（详情浏览 jwstmalaysia.com）。这项会议将迎来许多天文界国际大腕，重点讨论韦伯的发现和关于古老星系的形成，届时将有八十多个演讲和170个与会者。这项会议也是IAU第一次在马来西亚的会议，上一次IAU在东南亚的会议还得追溯到30年前在印尼的会议了。虽然这个会议的对象是天文界的科研工作者，不过为了让民众共襄盛举，我们也特别邀请3位天文界大腕在2月8日（星期三）下午两点半，在马来亚大学公开演讲，这场活动免费且完全对外公开，不管你是男女老少，懂不懂天文，爱不爱天文，都欢迎前来感受天文的美。有兴趣的人请到jwstmalaysia.com点击“Public Talk” 登记。号外笔者两年前还常常在星洲日报《活力副刊》和大家聊天文，本以为休息一段时间后再执笔，可是这两年一直都搁着，因为工作确实比较忙，要带十多人的科研小组，还要写企划书找经费写得头顶冒烟，以及组织这个会议（其实还有一个同其他大马天文学家组织的2023年全球大马天文学家大会GMAC），搞得笔者这两年都一直处在爆肝状态，所以就没更新专栏。不过，如果这次在吉隆坡的天文会议能够点燃大家对于大自然的兴趣，那已足矣。作者丁源森现任澳洲国立大学天文系与电脑科学系副教授，主要研究方向为人工智能在天文中的应用。他是吉隆坡中华独中校友，2017年哈佛大学天文系博士毕业，后为NASA哈勃学者、普林斯顿大学及普利斯顿高等研究院博士后研究员。更多文章：【研究故事】利用真菌修复被污染的土壤 2青年为少数民族室内设计夺金奖 2022年USAHA TEGAS文化遗产美术赛：学生结合经验及想法，画出独有文遗创作绘画，是21岁的她在俗世中唯一念想

2年前

用心教育