从AI研究员到免疫学学生的技术跨界之旅

去年，作者对免疫学产生了浓厚兴趣，这种强烈的吸引力堪比2012年初次接触机器学习时的体验。当时作者毅然从能源交易量化分析师转行，花费十年时间深入研究机器学习、人工智能、数据伦理和算法危害。2022年，作者完成了7门在线课程，目前正在学习另外4门课程，并创建了2000多张免疫学相关的学习卡片每日复习。

免疫学领域充斥着专业术语和陡峭的学习曲线：IL-2、IL-4、CD-3、C3等大量字母数字组合的缩写词。但在这些术语背后，隐藏着令人着迷的机制。随着学习的深入，作者意识到需要通过正式的学习计划来获得更系统的知识体系。

重返校园

作者被免疫学硕士项目录取，并于上月正式开始学位学习。虽然最终目标是将机器学习与数据伦理专长应用于该领域，但作者认为首先需要充分理解相关的免疫学知识。机器学习实践者常常在缺乏对目标领域深入理解的情况下盲目应用技术工具，这是需要避免的。

免疫学领域的复杂性和未知性令人惊叹：2021年研究人员才证明爱泼斯坦-巴尔病毒会导致多发性硬化症；关于病毒感染与神经退行性疾病（如阿尔茨海默病）关联的新发现不断涌现；2022年末的研究发现了水痘-带状疱疹病毒显著增加中风风险的可能机制。

大流行时代的生存

即使在新冠疫情持续造成死亡和残疾的当下，科学记者Ed Yong警告我们已进入"大流行时代"，疫情暴发的可能性日益增加。气候变化迫使物种进入新的栖息地，提高了来自哺乳动物体内约4万种病毒溢出风险。未来几十年，免疫学、病毒学和微生物学将变得更加重要。

数学生物学与医学AI

作者20多年来一直专注于数学、计算机科学和数据伦理领域，拥有数学博士学位，并在工业和学术界拥有12年的数据科学家、教师和研究员经验。作为某知名AI教育机构的联合创始人，作者曾创建世界上最受欢迎的深度学习课程，并担任某大学应用数据伦理中心的创始主任。

在医学领域，作者长期保持研究兴趣：在读研期间通过某医学研究所奖学金进行细胞过程的数学建模，在某知名评论期刊发表关于医学机器学习的文章，并曾受邀在某顶尖大学医学AI研讨会上发表主题演讲。

领域专业知识的价值

某AI教育机构的核心使命是强调领域专业知识的重要性。2016年该机构成立时的首篇公告中就明确指出：“只有领域专家才能：充分理解并认识该领域最重要的问题；拥有解决这些问题所需的数据；理解实施数据驱动解决方案的机遇和约束。”

机器学习实践者将技术应用于只有表面了解的领域是危险的（除非与领域专家进行端到端的紧密合作）。作者一直对跨学科合作和改变职业生涯的工作方式充满兴趣，曾撰文论述定性人文研究对AI领域的重要性，并曾为转行成年女性教授软件工程课程。

现在，作者正在践行自己的建议，深入免疫学领域，长期目标是将新获得的知识与数据伦理和机器学习技能相整合。虽然在职业生涯相对"稳定"的阶段公开开启新方向令人忐忑，但同时也充满兴奋感。作者希望通过博客文章分享作为免疫学学生的旅程，正如一直鼓励AI学生们所做的那样。