对话哈佛教授、MorphMind 联合创始人刘嘉（Jia Liu）：从理解生物智能到赋能机器智能，构建硬科技时代的 AI Agent Universe
刘嘉教授不仅在柔性电子与脑机接口的前沿阵地深耕多年，更在通用人工智能（AGI）重塑科学范式的当下，联合创立了AI Agent平台MorphMind，试图将实验室里的“专家经验”转化为永不凋零的数字资产。
5月4日，科技自媒体「小满书简」与哈佛大学教授、MorphMind联合创始人刘嘉（Jia Liu）进行了一场跨越时区的深度对话。
在这场访谈中，刘嘉教授抛出了多个震撼行业的观点：他认为AI的“幻觉”并非只有负面影响，反而是捕捉科学发现中“天才火花”的关键；具身智能在真实世界还有很长的路要走，而“人机协作”的闭环正通过AI眼镜等新型交互在实验室悄然发生。
Q： 您之前创立脑机接口公司 Axoft，致力于大脑与机器的无缝连接，现在联合创立了 MorphMind。从“理解生物智能”到“赋能机器智能”，您怎么看这两者之间的延续性？
Jia Liu： 我可以简要讲讲是如何从脑机接口慢慢过渡到 MorphMind 的。这是一个非常自然的逻辑延伸。在实验室的研究中，我们不仅做前端神经接口，还要处理海量的神经元解码数据，同时也做了多年柔性电极研究。现在无论是埃隆·马斯克的 Neuralink，还是国内的一些公司，他们用的很大一部分技术，其实都是我们当年开发的，当然我们现在有更新的技术，也为此成立了 脑机接口公司Axoft，最近刚完成 A 轮融资。
脑机接口是一个极其复杂的领域。它不仅包含前端的柔性电极接口、中端的高性能芯片，更关键的是后端的数据解码。在我的实验室，我们要处理这整个链条上的所有问题。
Q： 所以现在的技术能测到多少数据？
Jia Liu： 以前只能测几十个神经元，而且时间很短。现在我们可以持续几个月甚至几年，同时测量成百上千个神经元。你可以想象，这个数据量是极其巨大的。
Q： 面对这么庞大的数据，传统的自动化分析手段失效了吗？
Jia Liu： 传统的深度学习和机器学习，本质上是 “记忆机器”（Memorizing Machine）。
比如你要训练神经网络认识一只猫，你需要找上千张猫的照片。如果下一张照片跟训练集比较吻合，它就认识；如果找一张很奇怪、它没见过的猫，它就不知道那是猫了。
在科研领域，这成了最大的问题。对于生物数据，人工神经网络的泛化能力（Generalizability）有极大的局限性。如果我们要解码大脑信息，必须先人工标注数据去训练神经网络，并且要假设测量环境非常稳定。一旦你从一个动物换到另一个动物，或者从一个病人换到另一个病人，甚至测量稍微有点不稳定，之前训练的所有模型就都失效了。
Q： 生成式 AI（Generative AI）的出现是转机吗？
Jia Liu： 大语言模型出来的后，我们发现泛化性的问题是能被解决的。
还是拿“认猫”打比方。不再需要给它上千张照片，只需要告诉它推理逻辑：如果你看到一个动物毛茸茸的、眼睛大大的、会喵喵叫，那它就是猫。这种基于 推理逻辑的训练具有极强的泛化能力，它能适应数据的变化。
Q： 大模型也有“幻觉”和“随机性”的问题，这在科学界是怎么处理的？
Jia Liu： ChatGPT 虽然推理能力强，但它的推理链条（Reasoning Chain）非常短。写封邮件没问题，但如果你让它做很多步的科学数据分析，它一定会会产生幻觉（Hallucination）。因为它的本质是基于上下文预测下一个词，这种长距离的预测是随机且不可控的。
Jia Liu： 我们人类做研究不是从零开始，比如一个博士生做数据分析，导师会告诉他：第一步先看前人怎么做数据预处理，第二步看后处理，调用现成的软件。但中间总有几步，比如分辨什么是噪音、什么是神经元信号，需要 Manual Curation（人工策展/筛选）。
我们想，如果不是让 AI 随便跑，而是给它一个 Framework 呢？
-
传授知识： 我们告诉 Agent，判断神经元信号不能只看波形，还要看频率分布。真正的信号符合泊松分布，噪音是随机分布。
-
人机协作： 让大模型像人一样去看中间数据（Intermediate Data），基于我们给它的知识进行判断。
这就是我们一年前做的 Spike Sorting AI Agent。它运行得非常漂亮，实验室的学生都非常兴奋。
Q： 这个工具后来是怎么演变成 MorphMind 平台的？
Jia Liu： 我们发现这个模式可以跨越到任何领域。我的实验室现在就像一个 “AI Agent Universe”：有分析基因组学的、有分析动物行为的、甚至有设计柔性电子器件的 Agent。
但问题来了：我想分享给其他实验室，他们学不会。因为搭建这种能精准控制、不失控的 Agent，需要用到 LangChain、LangGraph 这种复杂的工具，得写非常流利的 Python 代码。而绝大部分领域的专家其实是不会写代码的。
Q： 所以这就是 MorphMind 要解决的“门槛”问题？
Jia Liu： 丁教授（MorphMind创始人丁杰：清华校友，哈佛博士）跟我说，这事学术界干不了，需要一个云端的系统。因此我们融了500 万美金，搭建了一个技术团队，包括之前在亚马逊负责AI基础设施的骨干，创立了MorphMind。
MorphMind 其实就是一个 AI Agent 的 YouTube 或抖音。 它让专家不需要编程经验，就能通过自然语言，把脑子里的“专家知识”Transfer（转移）到 AI Agent 上。
这个过程很像教授带博士生：你让 AI 先跑一遍，看它每一步是怎么想的，如果它错了，你更正它，告诉它“不该这么想，该那么想”。经过几个循环，它就成了承载你知识的数字载体。我希望不仅我们自己能开发工具，全世界的专家都能在这个平台上分享和使用这些可信的 AI Agent。
Q：人工智能（特别是生成式 AI）本质上是概率模型，MorphMind 是如何通过数学底座，将 AI 变成一个可审计、可推演的逻辑引擎？
Jia Liu： 现在的生成式 AI 能力与传统的代码（Traditional Coding）其实是处于两个极端的（Opposite）。
传统的 Coding 非常 Rigid（刚性），它非常精准（Precise），但也非常死板。当你的数据发生变化时，它没办法自动适应，必须人工手动去改参数。 而生成式 AI（特别是大模型）牛在它有极强的 Reasoning（推理）能力，能基于数据进行逻辑调整。但它的问题是比较随机。
Q： 那要怎么降低这种随机性，让它在科研里落地？
Jia Liu： 我们要做两件事：
-
拒绝“从零开始”： 我们不需要 AI 从头生成一切。科研中，大部分数据分析已经有前人写好的、经过验证的成熟代码。
-
AI 充当“操作员”： 大模型的作用不是去重新发明算法，而是去 Fine-tune Parameters（微调参数）。它作为一个“推理引擎”，去调用这些 Rigid Code 进行运算，得到中间结果（Intermediate Result）。
然后，AI 会像人类专家一样判断：这个中间结果是对还是错？如果是对的，走到下一步；如果是错的，它会基于逻辑回退，去重新调整算法参数。
Q： 相当于大模型不是“野生”的，而是被约束在一个框架里？
Jia Liu： 它必须在 AI Agent 的 Framework 里面工作。我们利用的是它的 Reasoning Capability（推理能力），但底层的数据处理是基于 Hardcode（硬编码） 的算法。
Q： 实验室常面临人才流动导致研究中断，MorphMind 是如何将个人的专业经验转化为实验室永久资产的？
Jia Liu： 就是把知识变成 AI Agent。以前一个学生毕业走了，他处理这类数据的经验可能就带走了。现在，我会要求学生不要光做数据分析，而是想办法弄出一个 AI Agent 来帮忙做。
即便学生离开了，这个 Agent 永远留在实验室，它承载了那部分知识。
Q： MorphMind 初始选择专注于生物、半导体、化学等“硬科技”领域，但现在似乎吸引了很多大众层面的用户？
Jia Liu： 这是一个非常有意思的现象。我做 MorphMind 的初衷确实是为了我自己的科研，但是发现后台有大量的 User在做“抖音号生成”。有很多 User 的操作完全不是我们一开始想的样子。
比如有一个最成功的 User，他用 MorphMind 做了很多 AI Agent并设定好逻辑，Agent 每周自动生成一个新视频介绍公司产品，然后发布。
Q： 这种不同层面的应用对MorphMind 平台的意义是什么？
Jia Liu： 非常有意义。 第一，我们只管做一个 AI Agent 平台，至于 User 怎么 Explore（探索），我们不设限。 第二，大量的 User 和数据能让我们 Improve the platform（提升平台）。
通过大众应用积累的数据，反而能推动我们把科研领域的工具做得更精、更强。之前的很多结果来源于Beta Test（测试阶段），现在我们的真实场景发布了，那些我们没想过的应用场景，肯定会带给我们更多惊喜。
Q： 在您的研究中，AI 自动化分类细胞表型时，它是如何平衡速度和科学发现的偶然性的？
Jia Liu： 速度和偶然性其实不需要平衡，它们是两个维度的东西。现在的 AI Agent 在处理空间转录组（Spatial Transcriptomics）这类复杂数据时，速度是人类不可匹敌的。它一瞬间能发现无数结论。
但问题在于：你怎么知道它是对的？所以它必须被 Grounded by the reference（由参考文献锚定）。它需要实时校验文献，判断哪些是已验证的，哪些是新鲜的，而哪些是它自己 Hallucinate（幻觉）出来的 Garbage（垃圾）。
Q： 科学界很多伟大的发现，似乎往往来自于那一点点“意外”或者说“不守规矩”？
Jia Liu： 这正是高阶科学发现的难点：透过现象看本质。牛顿、爱因斯坦之所以伟大，是因为他们能通过现象猜测出一个以前从未有人想过的本质。这叫 Extrapolation（外推），也就是在训练集之外找到那个点。要实现这种突破，反而需要 Leverage AI 的 Hallucination（利用 AI 的幻觉）。
为了保证整体的正确性，设想未来是一个 Multi-Agent Society（多智能体社会）。这个社会里大部分 Agent 是正常的、严谨的，但我们要容忍、甚至特意培养几个疯狂的、天天胡思乱想的 Agent。由那些严谨的 Agent 去评判这些疯狂 Agent 产生的主意。这就像人类社会需要天才一样，我们需要一个多智能体协作的生态。
Q： 现在的“人机协作”边界在哪里？AI 只是负责重复性脑力劳动吗？
Jia Liu： 现在的生成式 AI，其高阶决策能力在某些维度上已经高于人类。人类现在的相对优势反而不在数据分析，而在做实验。
我们组在做 Physical AI，想让 AI 闭环（Close-loop）：分析完数据，直接设计实验并操作机器人。但问题是，具身智能现在还做不到。
因为机器人要处理的是真实世界，那是无限的随机、无限的数据。对任何一种意外做出正确决定，这对目前的机器智能是极难的。
可这种事对“生物智能”来说简直是 Piece of cake（小菜一碟）。动物天生会走路、跑步，大脑只需耗费“一碗米饭”的能量；而 AI 训练一个模型可能需要一个核电站。这就是为什么我花这么多精力做脑机接口，我们要搞明白：为什么这些对机器极难的事，对生物智能如此简单？
Q： 在机器人还做不到的情况下，在实验室里怎么实现闭环？
Jia Liu：我们在实验室推的一个方向是 Close-loop（闭环）：既然机器人不行，我们就让人戴上 AI 眼镜。AI 通过眼镜实时看到实验场景，给出指令指导人去操作。这种“人机协作”是目前最现实的提效方案。
Q： 这种专家 Agent 模式，会改变实验室与大厂的竞争格局吗？
Jia Liu： 最终可能就没有“实验室”和“大厂”的区别了，只有 Cloud Lab（云端实验室）。
以后大规模实验会外包，实验室只需用 Agent 做分析，直接跟 Agent 协作的。我的实验室现在已经 100% Agent 化了，没有一个学生是单打独斗的，每个人都有好几个 AI 帮他做手术、做实验。
Q： 在您看来，AI、生物工程与柔性电子，这些未来 3-5 年的爆发点在哪？
Jia Liu： 肯定是脑机接口。中国已经把它写进了“十五五”规划，美国埃隆·马斯克也在推。
-
全产业链重构： 前端柔性电极、中端芯片、后端算法，全部都要换代。
-
窥探本质： 只有通过脑机接口，我们才能真正认知生物智能与人工智能的差别，从而激发 AI 的下一步突破（比如泛化能力、持续学习能力、低能耗）。
-
种群存续： 这是最关键的。AI 是指数增长，人类智能是停滞的。当“奇点”来临，AI 将一去不返。
人类要生存，要么 Part of AI，要么 AI become part of us。没有第三个选择。脑机接口就是连接人类智能（HI）与人工智能（AI）最关键的节点。它是必然，也是终局。
Q：在 AI 已经能自主编写代码、查阅文献、甚至分析实验数据的今天，青年科学家应该如何培养自己的核心竞争力？
Jia Liu： 这确实是一个看似老调重弹、实则迫在眉睫的问题。现在的现实是：今天学到的任何具体技能，未来都有可能被 AI 完全取代。
那么最关键的是什么？我觉得是：Follow your heart（跟随你的内心），去寻找最感兴趣的是什么。
当外部的衡量标准（比如学历、编程能力、数据处理速度）都变得廉价时，人内在的驱动力和对问题的独特视角是最具价值的护城河。
Q： 现在的创业热度很高，对于正在创业或准备创业的青年科学家，您有什么建议？
Jia Liu： 这是一个非常好的时代点。但我要说的是：并不是所有人都适合读 PhD，也并不是所有人都适合创业。
最重要的一点是：不要为了创业而创业，一定要找到属于自己的 Niche（生态位）。
不要因为身边的人都在搞创业，就觉得非创业不可。关键在于看这个路径是否合适。每个人都有属于自己的路，不需要盲目地 Follow others（追随他人）。在AI 时代，找准自己的位置，比盲目奔跑重要得多。