“35岁以下科技创新35人”2026年全球入选者名单发布，他们正在抵达未知之境

自 1999 年起，《麻省理工科技评论》就在全球范围内寻找 35 岁以下、正在推动科技向前发展的年轻创新者。

这项评选最初为纪念《麻省理工科技评论》创刊 100 周年而设立，此后延续至今。二十多年里，技术热点不断变化，从计算机、生物医药到人工智能、气候科技，一代又一代年轻研究者和创业者走向新的技术前沿。但关注的核心始终没有太大变化：谁正在用新的方法解决重要问题，又有哪些想法已经真正做出了成果。

每年，编辑团队都会花费数月时间，在专业评委的协助下，对来自世界各地的候选人进行筛选和评估，最终选出 35 位入选者。

当地时间 9 月 8 日，2026 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”（MIT Technology Review Innovators Under 35，MIT TR35）全球入选者正式发布。

今年的 35 位入选者主要来自四个方向。

在计算与机器人领域，有人正在设计更节能的芯片，也有人尝试让机器人更快学会新的技能；在气候与能源领域，研究者把目光投向农业、重工业等高排放行业，寻找新的减排和清洁生产方式；在生物技术领域，AI、基因编辑等工具正在被用于疾病诊断和治疗；在人工智能领域，一部分人继续改进基础模型，另一部分人则在寻找更具实际价值的 AI 应用。

“35 岁以下科技创新 35 人”2026 年全球入选者名单如下（*以下排名不分先后）

她通过审查常用金融 App，减少亲密关系中的经济控制。

亲密伴侣暴力往往伴随着经济控制，比如掌控对方的钱、接管账户，或者持续监视消费和资金流向。

纽约大学助理教授 Rosanna Bellini 是较早系统研究这一问题的学者之一。她发现，网上银行和支付 App 中一些看似普通的功能，可能被施暴者利用。与此同时，她也在研究施暴者为什么这样做，以及他们通常采用哪些手段。

32 岁的 Bellini 在英国纽卡斯尔大学获得计算机科学博士学位后，开始进入这一领域。2021 年，她前往康奈尔理工学院从事博士后研究，并在康奈尔“终结技术滥用诊所”（Clinic to End Tech Abuse）接触了 120 多名家庭暴力受害者，另外还通过其他项目接触了约 80 人。

在梳理案例、帮助受害者保护设备的过程中，她意识到，人们对一个更基础的问题了解得很少：施暴者为什么会利用技术控制和监视伴侣？

此后，Bellini 与参加行为矫正项目的数百名施暴者进行一对一访谈，也分析 Reddit 等网站上的讨论区和网络论坛。在其中一项研究中，她和合作者收集了 500 多个由施暴者分享的网络案例，分析他们如何为监视行为辩解，以及彼此交流哪些方法。

最近，Bellini 又把研究推进到具体产品上，审查常用金融 App 中哪些设计可能被用于实施经济控制。

在一项开创性的研究中，她和合作者审查了 30 款消费金融工具，包括 JPMorgan Chase、TD Bank、PayPal、Cash App 和Venmo等产品。研究发现，其中不少功能都可能让施暴者在不需要专业技术的情况下，偷偷进入伴侣的银行账户或查看交易记录。

例如，在 Chase 的银行 App 中，团队发现，用户可以在不提醒账户持有人的情况下，新增第二种生物识别认证方式，比如另一枚指纹。Bellini 表示，在团队反馈这一问题后，JPMorgan Chase 随后更新了 App：只要账户新增生物识别信息，用户就会收到通知。

“我们完全可以通过改变这些系统的设计，产生很大的影响。”Bellini 说，“很多时候，只需要做一些很小的调整，就能减少不少伤害和创伤。”

她为 AI 时代设计更节能的计算机芯片。

如今的计算机芯片在运行过程中，会有相当一部分能量以热量的形式散失。这不仅限制芯片性能，还需要额外的散热系统来处理，比如笔记本电脑里的风扇，以及 AI 数据中心庞大且耗水的冷却设施。

31 岁的 Vaire Computing 联合创始人兼首席技术官 Hannah Earley 正在探索一种可能的解决方案：可逆计算（reversible computing）。

传统计算在处理信息时，会不断丢弃不再需要的数据，并将部分能量以热的形式耗散掉。可逆计算则试图保留这些信息，并让计算过程反向运行，从而回收原本会损失的能量，有点像让喷泉里的水循环利用。

2025 年，Earley 和同事展示了一套概念验证电路，证明这种方法已经可以在真实硬件中完成计算。测试中，系统实现了净能量回收：回收的能量至少能够抵消回收过程本身的消耗。这意味着，计算并不一定要把大量电能变成废热。

接下来，Vaire 还需要证明，这种节能效果在更实际的计算环境中同样成立，并能够兼容现有的芯片制造体系。

尽管有诸多挑战，Earley 对此依然乐观。“从物理规律来看，这就是制造计算机最好的方式。”她说。如果这条路线最终走通，可逆计算或许能让算力继续增长，而不必同步付出越来越高的电力代价。

她为外太空设计栖居空间。

过去几十年，空间站和其他大型地外基础设施的建造方式并没有太大变化。每个部件的尺寸都受限于火箭能够容纳的空间。身着笨重宇航服的航天员，需要把自己系在正在建造的结构上，再将各个部件组装起来。这项工作既缓慢又危险，而且可能出错的环节很多。

Ariel Ekblaw发明了一种用自组装部件替代人工操作的方法。通过这种方法，可以达成成本更低、更易于扩展的设计，并让建造过程更加安全。

34 岁的 Ekblaw 在麻省理工学院攻读博士期间，研究方向是机器人技术。她设计了六边形和五边形的板块，作为简单的基本构件，可以批量装入航天飞机。这些板块的侧边嵌有成排磁体，一旦被释放到太空中，就会按照预先确定的方式自主连接。

这些模块化构件可以组合成多种结构，用途广泛，包括建造通道、生活舱，未来或许还可以用于在轨建造太阳能收集装置和数据中心。

为了将这项技术送入轨道，埃克布劳参与创立了两家机构。第一家是非营利机构 Aurelia Institute，负责建造人类太空栖居空间。另一家是营利性公司 Rendezvous Robotics，利用这些板块建造太空太阳能收集装置和数据中心。

2020 年和 2022 年，研究人员先后在国际空间站（ISS）上利用小型模型演示了这一自组装过程。下一步预计将在今年年末进行：32 块各自缩小至餐盘大小的板块，将在空间站内自行组装成一个球体。

如果一切按计划进行，一组尺寸更大的板块将在 2027 年离开国际空间站舱壁的保护，在外部太空环境中开展演示。再过一两年，埃克布劳希望 Rendezvous Robotics 能将早期设计方案送入轨道，进行商业演示。国际空间站计划于 2030 年退役，她希望无论哪种设施接替它，自己的板块都能用于为其建造一个扩展舱。

她正在帮助机器人像我们一样看待世界。

即便是最先进的机器人也缺乏某种灵巧性，它们的工作方式更像流水线上的单一工序工人而非灵活的副主厨，擅长把一项特定的、熟悉的任务重复执行上千次。但把换到一间新厨房、更换厨具或改变食材，整道菜可能就全毁了。Google DeepMind 的研究科学家 Shuang Li 正在努力赋予机器人一种更灵活智能。

32 岁的 Li 在美国麻省理工学院读博期间的研究表明，语言模型可以指导机器人的决策：在给定固定环境的情况下，AI 智能体能够描述出达成特定目标的正确行动路线。

不过，制定计划只是拼图的一部分。即使知道正确的步骤，一个被要求“把苹果放进冰箱”的机器人，仍然需要识别出苹果和冰箱，并在可能与它学习时所见视觉示例相当不同的环境中执行一系列动作。

在美国斯坦福大学做博士后期间，Li 主导开发了 Unified Video Action（UVA），这是一种训练模型，帮助机器人在不同环境之间迁移所学技能。训练视频不仅教机器人该采取什么动作，还教它这个特定动作会如何改变机器人所看到的画面。举例来说，如果它正在拿起一个杯子，机器人会学会把注意力集中在杯子上，追踪它向上移动的过程，而不是去关注背景物体甚至它自己的手，这种方法有助于防止机器人被不熟悉的环境搞糊涂。

UVA 于 2025 年以开源软件包形式发布，如今为 Li 在 Google DeepMind 的工作提供支撑。她正试图将语言模型的规划能力与视频模型的物理直觉结合到一个系统中。Li 相信，随着机器人被设计用于更复杂的任务、训练成本下降，像 UVA 这样的模型将帮助机器人成为更好的助手，无论是在厨房还是其他地方。

这些创新者正在寻找高影响力的 AI 部署方式，并致力于改进底层模型。

他用 AI 让机器人更快学会更多技能。

怎样让机器人更快学会一项新技能？一种常见的方法是强化学习：先让机器人在仿真环境或示范视频中学习，再通过不断试错逐渐掌握任务。

33 岁的罗剑岚一直在研究，怎样把这个过程做得更快、更有效。他在传统强化学习方法上进行改进，让机器人能够用更少的训练掌握更多任务，同时也尝试让机器人共享各自积累的经验，从彼此的数据中学习。

罗剑岚本科就读于武汉理工大学，课余时间曾为自动驾驶模型赛车编程。后来，他前往加州大学伯克利分校攻读博士，并逐渐把研究方向转向机器人学习。

去年发表的一项研究中，他和团队把人类反馈加入机器人训练。当机器人卡住或犯错时，人可以及时介入，减少大量无效试错。结果，机器人学习新任务的速度明显加快，在平底锅里翻鸡蛋、组装宜家置物架等任务上，成功率达到传统训练方法的两倍。

2025 年，罗剑岚回国，并把这些方法带到一家电子制造企业的试点产线上测试。同年，他加入智元机器人，参与具身智能算法研究。

在智元期间，他和团队进一步研究：机器人进入真实环境后，能不能继续学习？他们开发了一套系统，让每台机器人上传执行任务时积累的数据，再汇总不同机器人的经验并反馈给整个集群。这样，一台机器人学到的东西，可以被其他机器人直接利用。

在另一个相关项目中，罗剑岚已经把这种学习方式扩展到 16 台机器人，并计划进一步验证更大规模集群中的效果。

现在，他希望建立一套由训练工具和基础模型组成的开源机器人学习生态。最近，他还发布了一个开源世界模型，让机器人能够更好地预测自身动作可能带来的结果。

从提高单台机器人的学习效率，到让机器人之间共享经验，罗剑岚关注的始终是同一个问题：怎样让机器人学得更快。

她用微型光学系统为设备节省空间。

Jelena Notaros 正在用硅光子学（silicon photonics）把复杂的光学系统缩到微小的硅晶圆上。这不仅能减少设备体积和能耗，为其他元件腾出空间，还可能借助成熟的标准光刻工艺降低成本，实现规模化制造。

“过去想到光学，人们往往会想到体积庞大的镜片，或者实验室里的光纤。”33 岁的 Notaros 说，“但现在，我们可以把这些系统缩小到纳米尺度，并在一块毫米级芯片上集成数万个光学元件。”

为了展示这项技术的潜力，Notaros 和合作者曾把一台 3D 打印机缩小到一枚 25 美分硬币大小，并用它打印出一个仅 1 毫米高的 MIT 标志。他们还制造出微型光镊（optical tweezer），用光来操控小鼠细胞的形状。

最近，团队又把这项技术用于量子计算：他们在芯片中控制带电离子，将其冷却到接近绝对零度，并利用这些离子编码信息。

他们还开发了一款增强现实眼镜原型，可以投射全息图像，同时减少眼疲劳和头痛。该项目获得了美国国防高级研究计划局（DARPA）的资助。

不过，这项技术最有可能率先进入日常生活的应用，或许是激光雷达。目前自动驾驶汽车使用的激光雷达往往体积较大，并带有机械运动部件。Notaros 希望去掉这些运动结构，把传感器缩小到一颗扁豆大小，并分布在汽车的多个位置。这种固态激光雷达不仅体积更小，还能比传统设计探测到更远距离的物体。

他想让助行设备真正适配每一个人。

全球大约每六个人中，就有一人受到行动障碍影响。为了帮助他们，研究人员已经开发了多种助行机器人，但这类设备一直没有大规模普及。一个重要原因是，每个人的身体状况和需求都不同，真正做到个性化适配，往往需要反复调试，既耗时又昂贵。

哈佛大学生物工程助理教授 Patrick Slade 正在尝试解决这个问题。他研究的核心技术之一是“人在回路优化”（human-in-the-loop optimization）：让使用者在实际使用过程中不断提供反馈，再由机器学习算法实时调整设备参数，逐渐找到更适合个人的方案。

与此同时，Slade 也在研究如何更准确地获取人的健康和运动数据。在他看来，只有先准确了解一个人的身体状态，才能更好地进行后续干预。

2022 年，Slade 和同事开发了一款踝关节外骨骼。与过去需要研究人员反复调参的设备不同，它可以在使用过程中逐渐适应使用者。有人希望走路更省力，有人想改善步态，也有人希望走得更快，设备都可以针对不同目标进行调整。

整个训练过程只需 20 到 40 分钟，使用者只需要像平时一样穿着设备走路。测试中，这款外骨骼可以将行走时的能量消耗降低 23%，同时帮助使用者提高行走速度。较短的训练时间，也让这类个性化设备未来的大规模应用更有可能。

围绕这一方向，Slade 还在开发算法，希望更准确地测量人体活动时的能量消耗。目前，他的团队正与多家公司接洽，希望把这套个性化算法用于不同类型的患者，也拓展到运动员等人群。

他还在与可穿戴设备公司合作，利用现有设备采集的数据，研究女性在不同月经周期阶段的能量消耗变化，希望进一步了解这些波动对身体的影响，并探索更多与女性健康有关的问题。

他帮助难民获得医疗服务。

2025 年，全球超过 5,000 万人被迫离开家园，成为难民或寻求庇护者。这种处境往往会让他们难以获得医疗服务。因此，34 岁的 HERA Digital Health 创始人 Aral Sürmeli 说：“如果把所有难民聚在一起组成一个国家，这个国家的健康状况将是全世界最差的。”

2013 年左右，Aral Sürmeli 在土耳其从一名医学生变成了急诊医生。也是从这时候开始，他开始关注涌入该国的叙利亚难民所面临的医疗难题。尽管他们可以获得医疗服务，但语言障碍、医疗记录缺失，以及信息闭塞，都阻碍了他们充分利用这些服务。

他的解决办法，是开发一款工具，帮助难民了解并使用土耳其的医疗体系。2018 年，他推出了 HERA Digital Health。这款软件可提供儿童疫苗接种和产前检查预约提醒，查找可提供服务的医疗机构或附近医院，并安全存储健康记录。它帮助新到难民熟悉陌生的医疗环境，既提供字面意义上的语言支持（除土耳其语外，还提供阿拉伯语、英语、普什图语和达里语信息），也帮助他们了解土耳其儿童疫苗接种时间表、翻译要向药剂师提出的问题，以及弄清如何拨打急救电话。

2025 年，这款工具新增了一个生成式 AI 聊天机器人，旨在提供个性化的医疗支持，并经过审核以确保符合相关文化背景。叙尔梅利的博士研究聚焦于 AI 在人道主义领域的应用，他迫切希望了解这项最新技术是否能帮助到最需要帮助的人。

Aral Sürmeli 将 HERA 的成功归功于自下而上的方式。他的团队根据在土耳其开展的大量实地工作持续完善这款工具，并与难民及约 30 家合作机构协商，着力解决当地的具体问题。已有超过 5 万名难民使用过这款工具。未来一年，HERA 将把其开源平台扩展到土耳其以外，与希腊和叙利亚的合作伙伴开展试点。

有需要的人可以通过智能手机或 WhatsApp 上的聊天机器人使用这款工具。有时，团队会有意采用简单的技术方式，例如以照片形式存储医疗记录。“无论什么方法，只要对他们有效，就必须优先考虑。”叙尔梅利说。

他的公司利用电力从水中提取锂。

随着电动汽车和储能系统需求增长，制造商对锂的需求也在不断上升。锂是当前电池技术中不可或缺的关键材料。

目前，成本较低的锂提取方式主要依赖天然卤水。人们将含盐卤水引入面积巨大的蒸发池，等待水分蒸发，再对留下的锂进行进一步提纯。但这一过程可能持续数月，蒸发池也会给环境带来风险。

Mohammad Alkhadra 开发了一种从卤水中提取锂的新方法。简单来说，这套工艺利用电力，只需几个小时便可以从水中分离出锂。

这一想法源自 Alkhadra 在麻省理工学院的研究经历。他在化学工程教授 Martin Bazant 的实验室完成博士学位，主要研究如何从废水中去除铅等金属污染物，同时回收其中有价值的材料。后来，两人意识到，这种方法也可以用于提取锂，于是在 2022 年共同创办了 Lithios。

Lithios 使用一种磷酸铁化合物从卤水中捕获锂。含锂卤水流过带电的磷酸铁材料板，电流会促使锂从溶液中脱离，并吸附到材料板上。随后，工作人员用清水冲洗反应室并反转电流，使锂重新释放出来。得到的含锂溶液经过进一步处理后，便可转化为电池所需的材料。

Alkhadra 表示，这套系统有望在成本上具备竞争力，操作也相对简单，即使在偏远地区也能运行，因此可以直接部署在锂矿生产设施附近。

Lithios 已获得约 1,500 万美元投资。今年早些时候，公司在美国阿肯色州完成了一项试点项目，并获得美国能源部高级能源研究计划署（ARPA-E）的进一步资助。Alkhadra 表示，一座年产能约为 100 吨锂的更大型工厂，预计将在 2027 年年底或 2028 年年初投入运行。

他开发了让 AI 更节能的软件。

2020 年代初，开发者竞相发布最早一批生成式 AI 模型时，这项技术消耗多少能源，基本不在他们优先考虑的范围内。大约五年后，电力消耗已成为关乎 AI 未来的核心问题。在美国部分地区，AI 带来的用电需求正超出供电能力，推高电价，并削弱电网运行的可靠性。数据中心也成为政治争论的焦点。

面对这些瓶颈，AI 开发者开始优先考虑效率，无论是在模型训练阶段，还是在模型响应用户提示时。要做到这一点，首先需要测量 AI 的能耗，而这长期以来都很困难。模型依赖服务器集群运行，其中既有多种类型的芯片，也有为它们散热的风扇。传统的能耗估算方式，需要拼接使用针对不同芯片的测量工具，而每种工具都有各自的误差范围。

在密歇根大学攻读博士学位期间，30 岁的 Jae-Won Chung 开发了一款软件，将这些数据汇集到同一个界面中。这款名为 Zeus 的软件不仅能追踪能耗，还能提出优化建议。Chung 表示，在某些情况下，模型被调校出的响应速度可能超过实际需要；只要稍微放慢一点，往往就能大幅节能。Zeus 的测量结果也是 ML.Energy 能耗排行榜的数据基础。该项目由 Chung 及其同事主导，向公众开放数十种 AI 模型的能耗数据。

这份排行榜并未涵盖业内许多最知名的产品：OpenAI 的 ChatGPT、Anthropic 的 Claude 和谷歌的 Gemini 等模型都是封闭的，公众无法查看其内部运行机制。但 Chung 表示，排行榜追踪的阿里巴巴 Qwen 等开源模型，仍能为估算大多数消费者熟悉的生成式 AI 的能耗提供有用参考。他的工作已引起英伟达、Meta 和谷歌等主要芯片制造商及 AI 开发者的关注，目前，他正与这三家公司探索合作，以优化 AI 系统的能源使用。Chung 说，行业已普遍将能耗视为一项关键指标，而他如今很大一部分工作，就是让更多人明白：“能耗其实是可以控制的。”

她正在尝试用更低的成本，生产更清洁的钢铁。

钢铁是现代工业最重要的基础材料之一，但它的生产方式已经沿用了一个多世纪。自 19 世纪中期现代炼钢工艺逐渐成熟以来，钢铁生产虽然不断改进，核心流程却没有发生太大的变化。

传统炼钢通常需要把铁矿石送入高炉，在极高温度下用煤炭产生的气体去除其中的氧，再经过后续精炼，最终制成钢筋、汽车车架等产品。

问题在于，这套流程非常耗能，也高度依赖煤炭。钢铁行业产生的碳排放约占全球总排放量的 7%，脱碳一直是工业领域最棘手的问题之一。

改变它并不容易。钢铁行业利润率本来就不高，一座高炉又可以使用数十年，企业很难为了减排提前淘汰仍能正常运转的昂贵设备。Hertha Metals 创始人 Laureen Meroueh 想解决的，正是这个问题：能不能在不过分抬高成本的前提下，把炼钢变得更清洁？

34 岁的 Meroueh 设计了一种新的炼钢炉，希望把原本复杂的生产流程进一步简化。她的方法让铁矿石在熔融状态下直接完成还原，并用天然气和电力替代煤炭。按照 Meroueh 的说法，这套工艺可以将碳排放至少降低一半，同时让生产成本比传统炼钢方式低约 25%。

Hertha Metals 目前已经在休斯敦附近建成一座试验工厂，每天可以生产约 1 公吨钢。现阶段，这座工厂仍然会使用天然气等化石燃料，但 Meroueh 表示，未来如果氢气价格继续下降，这套系统不需要进行大规模硬件改造，就可以进一步切换到低碳甚至零碳生产。

公司还计划在现有试验工厂旁建设一座规模更大的工厂，设计年产能为 1 万公吨高纯度钢，并计划在 2027 年年底前实现满产。

他开发了一种矿物加工新方法。

关键矿物加工历来是一个污染重、成本高的行业。但 Benjamin Mowbray 与他人共同发明了一种新的提取技术，有望以更清洁、低成本的方式，获取更多支撑当今各类技术的原材料。

其中尤其值得关注的是锂。这种关键金属用于笔记本电脑、电动汽车和电网级储能系统的电池。目前，大部分锂来自硬岩矿石，其中最常见的是锂辉石。这种提锂方式成本高昂，部分原因在于，需要将矿石放进窑炉中，在极高温度下焙烧。

几年前，Mowbray 在麻省理工学院从事博士后研究时，参与开发了一种新工艺：用弱酸溶解锂辉石中的硅酸盐。这样不仅能分离并回收锂，还能提取氧化铝、二氧化硅等其他有价值的材料。所用的酸则可以回收并重复使用。

Mowbray 表示，整个过程的温度都低于 95 摄氏度（约 200 华氏度），使用的也是市场上已有的设备，因此成本可能低于其他硬岩提锂工艺。它甚至有望在经济性上与卤水提锂竞争。后者的成本较低，但提取速度可能较慢，也可能对环境造成损害。

为了将这项提锂技术商业化，Mowbray 与他人共同创办了初创公司 Rock Zero，目前担任首席技术官。团队已从投资者处获得约 750 万美元的种子轮融资，另获 100 万美元资助。

Mowbray 的家族与采矿业颇有渊源：他的母亲在加拿大西北地区的一座金矿小镇长大。他原本没打算进入这个行业，大学时学习化学，研究生阶段则专攻电化学。但开始博士后研究后，他意外发现，自己又被采矿业吸引了回来。“兜了一圈，又回到了原点。”Mowbray 说。

他把一种入侵植物变成了可持续包装材料。

随着越来越多行业转向更环保的包装，由玉米、甘蔗等可再生原料制成的生物塑料，正在成为传统石油基塑料的重要替代品。相比传统塑料，它们通常更容易降解，生产过程中的碳排放也更低。但问题也很明显：不少生物塑料不够耐用，价格更高，而且原料往往来自粮食作物，可能进一步推高食品价格。对于肯尼亚这样的中低收入国家而言，即使主食价格只是小幅上涨，也可能给许多家庭带来很大压力。

28 岁、来自肯尼亚的 Joseph Nguthiru 想到了另一种办法。他开发的材料以水葫芦为原料，不与粮食争夺资源，成本也比不少生物塑料更低。

水葫芦在许多热带湖泊中大量繁殖，是一种令人头疼的入侵植物。一旦失控，它们会迅速覆盖水面、消耗水中氧气，导致鱼类死亡，甚至堵塞航道。Nguthiru 曾和同学在肯尼亚奈瓦沙湖上被大片水葫芦困住，这段经历让他第一次想到：能不能把这种“麻烦”变成一种原料？

后来，他创办了 HyaPak，并开始付费请奈瓦沙湖当地渔民打捞水葫芦。水葫芦经过晾晒、粉碎后，团队会从中提取纤维素，再加入不同添加剂，加工成适用于不同场景的材料。目前，HyaPak 已经用它生产育苗袋、果蔬包装，以及鲜花包装套袋。鲜花是肯尼亚重要的出口商品之一。

HyaPak 还在与一家德国物流公司合作开发新材料，并与多个国家洽谈技术授权。虽然这种材料的成本目前还没有完全降到石油基塑料的水平，但 Nguthiru 表示，它已经属于市场上相对便宜的一类生物基替代材料。

“我们的原料到处都有，几乎不需要成本，而且长得非常快。”他说，“这也是我们能够把价格降下来的原因之一。”

她将食物废弃物变成水产养殖饲料。

水产养殖，即人工养殖鱼类及其他水生生物，如今贡献了全球一半以上的水产品产量。在非洲，过度捕捞、水温上升和环境恶化正威胁着野生渔获，许多国家的政府因此积极鼓励居民投身这一快速增长的行业。然而，饲料成本高昂，往往成为养殖户发展的障碍。这些饲料常常依赖进口，或以野生捕捞的鱼类为原料。

Diana Orembe 在坦桑尼亚长大。她亲眼见过包括自己叔叔在内的养鱼户，为了让养殖的鱼获得充足营养而苦苦挣扎。有些人会用鸡粪或腐烂的蔬菜替代正规饲料，结果鱼长不好，利润也随之下降。大多数养殖户则选择购买昂贵的饲料，推高了鱼的售价，让低收入人群常常负担不起。“在坦桑尼亚，鱼本应是一种廉价的蛋白质来源，但现实并非如此。”她说。

30 岁的 Orembe 认为，自己找到了解决办法。她创办的初创公司 NovFeed 正在利用食物废弃物生产鱼饲料，通过一套工艺，将废料转化为优质、高蛋白的饲料。团队首先从当地市场收集土豆皮、菠萝皮和过期水果等废弃物，将其干燥，再用精心筛选的微生物组合进行发酵，最后把得到的营养物质制成颗粒饲料。

目前，已有近 500 户养鱼户使用 NovFeed 的产品。其价格比进口饲料低约 25%，与其他本地生产的饲料相近。公司新工厂于今年 5 月投产，将产能扩大至原来的 20 倍。Orembe 希望，这能进一步拉低产品价格。NovFeed 也在利用自身生产过程中产生的废料：将发酵产生的一种液体副产物转化为低成本有机肥，已有农户将其用于农作物种植。这两项创新都旨在改善坦桑尼亚农民的生计，让全国更多人能够获得营养丰富的食物。

他用固体制冷剂替代危害环境的气体制冷剂。

空调与制冷设备一方面消耗电力，另一方面会泄漏温室气体，其中一些气体的增温效应可达二氧化碳的数百倍。这两类设备合计造成的排放，占全球导致气候变暖的污染排放总量的 7% 以上。

Jinyoung Seo 相信，改用通过固体而非气体制冷剂传递热量的制冷技术，可以大幅削减这些排放。他在哈佛大学攻读化学博士学位期间研究的正是这一方向。2023 年，现年 33 岁的他与他人共同创办了位于马萨诸塞州的初创公司 Pascal，并担任首席技术官，希望将这一理念推向市场。

常规空调和制冷设备通过增大或减小氢氟碳化物等制冷剂的压力，使其升温或降温。制冷剂在回路中循环时，随之在液态与气态之间转换，完成放热和制冷。

Pascal 则在开发固体制冷剂。公司表示，这种制冷剂有望消除主要的泄漏隐患，并使能耗较常规制冷方式最多降低 20%。这家初创公司已找到一种实现固态到固态相变的方法——可以将其想象成意大利面条在沸水中变软——而且无需以往尝试中所需的那么高的压力。

诀窍在于将机械压力与化学作用结合起来：压缩机改变压力，促使一种反应性气体进入或离开制冷剂，从而帮助触发相变。（公司使用过的气体之一是二氧化碳，但公司表示，其用量很小，不会带来显著的泄漏问题。）由于固体无法像气体那样在制冷回路中流动，Pascal 的系统还会循环使用一种辅助制冷剂来承担热量输送任务，而这种辅助制冷剂甚至可以只是空气。

Pascal 究竟选用了什么固体材料？Seo 只透露，这项技术的核心是一种工业上常用的粗颗粒多孔材料，公司通过专有工艺对其进行改性。

这家初创公司已筹集逾 1,500 万美元资金，并将其技术集成到一台餐饮业使用的三门冷柜中。它希望最终与饮料公司合作，这些公司拥有并运营着便利店或食品杂货店里常见的品牌冷柜。

他利用 AI 追踪污染物的扩散。

卫星、气象站和空气质量监测设备，为我们了解大气中漂浮的颗粒物、温室气体及其他污染物，提供了重要的观测信息。

但这些信息往往零散、彼此割裂，也不完整。卫星无法时刻经过同一地点，云层会遮挡观测视野，地面监测站之间也存在大片空白，尤其是在全球较低收入地区。这些局限使研究人员和政策制定者难以全面了解污染物如何在空气中迁移、推动气候变化、影响臭氧层、改变天气，乃至危害人体健康。

北京大学助理教授韦晶正在利用 AI 填补这些空白。34 岁的他开发了一系列机器学习工具，将物质在空气中运动和发生反应所遵循的物理规律融入模型训练。借助这些规律，模型能够重建数据集中缺失的气体、液滴和颗粒物的空间分布，而且几乎可以针对任意时间点进行重建。

这些工具可以生成野火烟雾、甲烷泄漏及其他污染物的高分辨率地图。软件至少每天更新一次信息，有时更新频率更高，空间分辨率可精细至不足一公里。它既能回溯数十年前的情况，也能预测未来数天的变化。

韦晶已利用这些工具，构建了覆盖中国、美国乃至全球的历史空气质量和细颗粒物数据集。近年来，已有数千篇论文引用他的数据。

这些信息可以帮助准确定位主要污染源、发现企业的违规行为，并追踪温室气体排放。研究人员将这些地图与疾病分布规律交叉比对，已经借助韦晶的成果发现，臭氧污染对健康的危害远高于此前预期。例如，一项研究表明，极端温度与细颗粒物污染可能相互作用，加重老年人的认知障碍。

随着韦晶的数据集及相关研究让温室气体和其他污染物的危害变得更加清晰，这些发现也提供了更有力的依据，支持政策制定者采取更多措施，要求企业减少污染。

他开发了更懂城市的 AI 气候模型。

从短期天气预报，到预测未来几十年的气候变化，人类越来越依赖各种模型理解气候。但传统气候模型需要根据物理规律，计算陆地、海洋、大气等系统之间复杂的相互作用，不仅计算量巨大，也非常消耗算力。

近年来，研究人员开始用传统气候模型生成的数据训练 AI，希望用更低的计算成本、更快地得到接近传统模型的结果。不过，城市一直是一个比较难处理的场景。

同一场高温中，不同城市、甚至同一座城市的不同街区，温度都可能相差很大。建筑有多密、多高，屋顶能反射多少阳光，周围有多少道路和车辆，都会影响热量如何在城市中积聚和散发。但这些细节很难被大尺度气候模型准确描述。

33 岁的郑中华正在尝试解决这个问题。他目前是曼彻斯特大学数据科学与环境分析副教授，并开发了一套专门面向城市环境的 AI 气候模型。

郑中华团队首先使用传统城市气候模型 Community Land Model Urban 生成的数据训练 AI，让它学习城市地表与大气之间的热量交换规律。之后，他们又加入伦敦一处观测站的真实数据进行微调，让模型进一步学习现实城市中热量如何从地面和建筑表面传递到空气中。

在另一组真实观测数据的测试中，这套 AI 模型给出的结果比传统模型更加接近实际情况。速度上的差距则更加明显：传统模型需要大约 12 个小时才能完成的一次长期城市气候模拟，AI 模型只用了 17 秒。

郑中华做的并不只是给传统气候模型加上 AI。他还设计了一套新的城市分类方法，让模型能够更细致地区分不同的建筑布局、屋顶特征和交通活动，从而更准确地描述城市中的热量交换。

这些建模工具全部采用开源方式，其中一部分已经可以直接通过云平台使用。这意味着研究人员和城市管理者不必自己搭建昂贵的计算系统，也可以利用这些工具模拟世界不同城市在高温等气候条件下的变化。

郑中华希望，这些模型最终能够真正进入城市规划和防灾决策：帮助规划者判断哪些街区更容易积聚热量、怎样的城市设计能够缓解高温，也帮助政府更准确地预测极端天气对城市居民的影响。

他为分子生物学创建了开源 AI 工具。

Gabriele Corso 基于计算机科学背景，开发出能够预测新分子（包括复杂蛋白质和新型药物）结构与功能的软件，然后将这些工具开源，供所有人使用，共同推动该领域的发展。

2024 年，谷歌 DeepMind 发布 AI 模型 AlphaFold3，用于理解具有生物学意义的分子结构及其在体内可能发生的相互作用。该公司表示，这是第一个在准确性上超越传统基于物理方法的 AI 模型。当时，Corso 正在 MIT 攻读博士学位，并参与开发一个与之类似的模型 Boltz-1。

AlphaFold3 在学界长达数月的呼唤下，才向研究人员开放使用，且有一定的使用限制。对 Corso 和其他人来说，这些限制令人不快。Corso 表示，“这提醒我们这个行业正在朝怎样的方向发展。”

作为回应，27 岁的 Corso 决定将 Boltz-1 作为开源项目发布。模型的每一部分，包括代码、模型权重、数据集和基准测试，都可供任何人自由修改和使用。

Corso 并未止步于此。他和团队发布并开源了后续版本 Boltz-2，以及一个生成式 AI 工具 BoltzGen，它类似于 OpenAI 的视频生成工具 Sora，面向与分子靶标结合的蛋白质。2025 年 1 月，他成立了一家公益公司 Boltz，继续开发新模型，并围绕这些工具构建软件和服务。

Corso 表示，目前全球排名前 20 的制药公司，以及数千家生物技术公司和全球数十万科学家，都在使用基于这项工作的模型。

“我们所做的一切都将是可获取的。”Corso 说，“有些将以开源方式提供，有些将通过 API 提供。我们会继续尽可能广泛地让它们可用。”

她参与开发了首款个体化基因编辑疗法。

2024 年夏天，小 Kyle Muldoon 出生了。他出生时就患有一种罕见且可能致命的遗传病。此时，宾夕法尼亚大学的一支研究团队已做好伸出援手的准备。

临床科学家 Rebecca Ahrens-Nicklas 和 Kiran Musunuru 一直在探索个体化基因编辑疗法，用于治疗像 Kyle 所患疾病这样的遗传病。这种疾病会导致有毒的氨在血液中积聚。他们意识到，Kyle 可能成为首位接受此类疗法的患者。

如今 26 岁的 Sarah Grandinette，当时还是 Kiran Musunuru 实验室的研究生。她说，Kyle 一获得基因诊断结果，她就立刻投入到了这个项目。

她的首要任务，是找到一种可能帮助 Kyle 的基因编辑方法。研究团队已决定采用碱基编辑：这是一种基于 CRISPR 技术的方法，通过化学方式改变 DNA 中的单个“字母”。

Grandinette 构建了携带凯尔同款基因变异的细胞，并用这些细胞筛选多种碱基编辑方案。她说，基于这些测试，团队在 Kyle 出生六周后，就向他的父母提出了一种可行的治疗方案。他们同意让孩子接受治疗。

随后，团队与一家药品制造商合作，将实验室中的研究分子制成药物。

Grandinette 则开始在携带与 Kyle 相同基因变异的动物身上进行测试。

她必须争分夺秒：Kyle 当时正在医院等待肝移植，并面临不可逆神经损伤的风险。小鼠研究取得正向结果后，她和同事紧接着开始研究这种药物在猴子体内的效果。

这些测试以及其他安全性研究的结果都振奋人心。于是，团队向美国食品药品监督管理局提交了数据，后者在一周内批准将这种药物用于 Kyle。

Kyle 在大约七个月大时开始接受治疗，首次用药剂量很低。在接下来的几周里，他又接受了两次更高剂量的治疗。他的治疗反应良好，所以医生减少了他此前使用的药物，并最终允许他出院。

“他的各项发育指标都达到了标准，”Grandinette 说。她在 Kyle 开始治疗的那天见到了他。“他的情况相当好。”

他开发的平价压迫绷带可能挽救产妇的生命。

作为坦桑尼亚的医学实习生，Paschal Kija 亲眼目睹了在非洲农村地区分娩的危险。每年，非洲大陆约有 20 万名妇女在分娩期间或产后不久死亡，死因却源于在资源充足的医疗机构中可以轻松处理的并发症。

其中最常见的致命并发症是产后大出血，它可以通过注射一种刺激子宫收缩来止血的药物进行预防。然而，这些药物需要冷藏，但坦桑尼亚的许多地方诊所并不具备冷藏条件。这些诊所也缺乏有能力处理严重病例的人员，危急产妇必须被转送他处，延误病情。Kija 的团队曾试图挽救一名产妇，但由于需要跋涉超 60 英里输血，最终抢救失败。Kija 表示，“那是一个毁灭性的时刻。”

28 岁的 Kija 因此选择偏离临床医生的职业道路，开始动手研究解决方案。在实习期间，他接触过一些通过压迫腹部来减少产后出血的设备。但这些设备要么非常简陋，只有一块被当作绷带的布，要么太贵且太复杂，受过有限培训的医护人员无法操作。

为解决这一问题，他与医学院同学 James Kalema 共同设计了一款产品，名为 Mkanda Salama（斯瓦希里语中意为“安全绷带”），这是一种由弹性泡沫和医用级织物制成的腰带、一个手动泵和压力计组成，医护人员能够借此快速施加和监测压迫力。它操作简便，成本仅为 70 美元。在 Kija 团队 2023 年发表的一项研究中，该绷带帮助 73% 的产妇在 20 分钟内止住产后出血。Kija 表示，对于轻度和中度病例，该设备可以独立止血；对于重度病例，它有助于争取时间，以便转运患者或在现场进行更复杂的干预。

目前，Kija 创立的初创公司 Afya Lead 正与联合国人口基金和坦桑尼亚主要的政府卫生研究机构合作开展该设备的临床试验，已在坦桑尼亚 60 家医疗机构部署。他希望它有朝一日能成为挽救非洲妇女生命的常备工具。

他让 AI 设计病毒……而且成功了。

AI 能设计新的生命形式吗？2025 年，斯坦福大学博士生 Samuel King 给出了初步答案：他使用生成式 AI 模型 Evo，为噬菌体（一种感染细菌的微型病毒）创建了全新的基因蓝图。

接着，King 将这些设计打印为 DNA 链，并将其加入含有大肠杆菌的培养皿中。其中一些病毒开始发挥作用：它们自我组装出新的副本，从细胞中裂解而出，并感染了附近的其他细菌。

病毒并非生命体，因此这还不算 AI 生成生命的案例。但接下来，科学家们可能很快就会让 AI 模型提出细菌的基因组方案。King 认为，模型未来甚至可能设计出专门用于生产药物或吸收污染的生命形式。而且，即便是定制病毒也可能派上用场，例如，病毒已被用于基因治疗。

27 岁的 King 在加拿大新斯科舍省的一个小镇长大，生活在他父母工作的鱼类加工厂码头旁边。他喜欢带着相机探索周围的风景，但高中时期，气候变化引发的当地渔业困境，激发了他对生物学如何为更可持续的未来提供解决方案的兴趣。“基因组设计吸引我的地方在于，自然界中所有写在基因组里的技术，创造了我们周围看到的一切，包括我们自己。”King 说。

目前，他的下一个重大问题是，探索像 Evo 这样的 AI 模型是否能带给人类一些关于生物学的新知识。此前研究表明，他设计出的一些病毒本不应该起作用，最终却发挥作用了，这可能意味着 AI 发现了新的设计原则。King 目前正在探究模型的内部运作机制，以了解自己是否能像模型那样理解基因组。“这些模型提供了一种看待生物学的新方式。”他说，“我们开始相信这一点了。”

他的逆龄技术有望恢复视力。

吕垣澄对衰老研究很感兴趣，对眼睛也是如此。他的家族中有年龄相关性失明的病史，而他本人在 23andMe 进行的基因检测也发现了一种与黄斑变性有关的突变。他还是细胞年轻化和视觉科学领域一项显著研究成果的主要研究者。2018 年，在哈佛医学院攻读博士学位期间，他利用一种名为重编程的逆龄技术，修复了小鼠的视神经。

如今，34 岁的他在怀特黑德研究所（Whitehead Institute）研究人类视网膜细胞，并开发预防年龄相关性视力丧失的基因疗法。不过，他在博士期间的研究依旧热度不减。6 月，初创公司 Life Biosciences 宣布，在该方法的首次人体临床试验中，已将他所开发的重编程疗法的一个药物版本注射进一位青光眼患者的眼内。

重编程是一种让细胞恢复年轻的过程，可使细胞“时光倒流”，回到胚胎状态。2006 年，日本研究人员证明，在实验室中引入四个关键基因（缩写为 OSKM）就能触发这一过程。这种方法效果强大，但以这种方式拨回时钟也存在风险，例如可能导致癌症。

吕垣澄找到了一种控制这一效应的方法。他将基因组合缩减为 OSK，去掉了最可能引发危险变化的那个基因 M，并将研究重点放在视神经上。他的成果于 2020 年发表在《自然》上，掀起了美国科技界亿万富翁的投资热潮，为 Altos Labs 和 NewLimit 等私营公司引入了巨资，用于探索抗衰老医学。

纵使外界喧嚣一片，他依旧一头扎进实验室研究，试图弄清 OSK 究竟发挥了什么作用。一些长寿专家认为，人类可以活到 200 岁。但他并不认同。他认为，随着年龄增长，人体出问题的地方实在太多。不过，他承认自己的研究改变了人们讨论这一话题的方式。“六年前，你不能谈论返老还童。我们不用这个词，因为会遭到反对，”他说。“但我认为，人们已经接受了一个观念，那就是确实可以逆转分子层面的年龄。”

他正在寻找大脑中“情绪是怎么产生的”。

愤怒、恐惧、焦虑这些情绪，究竟是怎样在大脑中产生的，一直是神经科学的重要问题。过去，一种常见的研究思路，是寻找与某种情绪或行为相关的特定神经元：比如观察人在愤怒、恐惧，或者动物表现出攻击行为时，哪些神经元会被激活。

30 岁的 Aditya Nair 选择了另一种思路。他认为，情绪可能并不对应某一个神经元，而是来自许多神经元共同形成的活动模式。通过分析这些复杂信号，他找到了一种方法，可以把大脑中原本不容易察觉的神经活动模式，与特定情绪和行为联系起来。

Nair 将机器学习和钙成像结合起来，同时分析数百个神经元的活动。借助这种方法，他在小鼠下丘脑中发现了一些与攻击行为密切相关的神经活动模式。

他把这种现象比作一支管弦乐队。如果只听其中一种乐器，很难判断整首曲子的情绪；只有把不同乐器的声音放在一起，整体的旋律和情绪才会显现出来。对大脑来说也是如此，真正重要的可能不是某一个神经元是否放电，而是许多神经元如何协同活动。

更关键的是，Nair 不只找到了这些模式，还证明它们可能具有因果作用。当研究人员按照某种特定模式刺激小鼠的下丘脑时，小鼠会出现与攻击状态相关的下颌运动。这意味着，这些神经活动模式可能不只是情绪产生后的结果，本身也参与了情绪和行为的形成。

沿着这条线索，Nair 又开始研究参与情绪调节的神经网络，并发现血管加压素、催产素等神经肽也可能发挥重要作用。相比谷氨酸等快速传递神经信号的物质，神经肽的作用往往更加缓慢、持久。Nair 认为，这或许能够部分解释一种很常见的体验：让人生气的事情已经过去，愤怒本身却不会立刻消失。

接下来，更大的挑战是确认这些在小鼠身上发现的规律，在多大程度上同样适用于人类。这个目标距离真正实现还很远，但如果未来能够识别出与焦虑、抑郁等状态相关的异常神经活动模式，就有可能进一步探索新的干预方式，通过改变这些模式来缓解症状。

他找到了一种让 X 射线设备更高效的方法。

大多数 X 射线设备的工作原理是将电磁辐射射向患者身体，再通过一种名为“闪烁体”的材料将 X 射线转化为可见光。几十年来，这种成像方式一直是不可或缺的临床工具，但它存在一个重大缺陷：提高分辨率需要更高的辐射剂量。

32 岁的 Charles Roques-Carmes 改进了 X 射线和 CT 设备中使用的一种材料，开创了一种名为“纳米光子闪烁”的新方法。设备的整体效率提升了一个数量级，可在不增加辐射的情况下获得更好的图像。

具体而言，Roques-Carmes 和团队调整了闪烁体的表面形状，在现有闪烁体上刻蚀间距仅 500 纳米（约为人类头发宽度的 1/200）的微小凹槽。在不增加能量消耗的情况下，这一新设计发出的可见光是原始设备的 10 倍。相关研究论文 2022 年发表于《科学》。

这项技术如果进入医院，影响将是巨大的。它可以在降低患者所受辐射剂量的同时提高 X 射线的图像质量。这不仅在儿科尤为重要，在肿瘤学中广泛使用的高辐射 CT 检查中也同样关键。此外，这一突破还适用于所有使用闪烁体的场景，包括机场行李扫描仪、高能物理实验以及制造产线检测等。

近年来，Roques-Carmes 进一步推进了他的设计。他从工艺难度较大的刻蚀表面转向制造多层、多色闪烁体，并开发专门针对这些结构调优的检测算法。这类系统可以生成更精细的图像，而且可能更易于制造。

她正在把光谱学从实验室带到现场。

作为埃塞俄比亚的医学生，Loza Tadesse 意识到，诊断工具的匮乏是医生能提供的医疗质量的主要限制。这在许多可能缺少 MRI 或 CT 扫描仪的乡村诊所中尤为突出，在任何需要抽取血样、送往实验室、等待数天才能拿到结果并开始治疗的场景中同样如此。

现在，34 岁的 Tadesse 是 MIT 机械工程系助理教授，她正在开发能够更快速分析多种物质化学成分的工具。她的实验室开发了一种微型传感器，可以通过简单的呼气测试诊断肺炎，也可以用于检测其他生物分子、工业化学品或几乎任何研究人员感兴趣的物质。

Tadesse 采用的核心技术是光谱学：这是一门通过物质吸收、反射和散射光的独特方式来分析物质的科学，可用来检测从药物粉末到星系组成等各种对象。

Tadesse 目前正在利用生成式 AI 开发一套“虚拟光谱学”工具。在传统实验室中，你可能需要通过多种光谱技术来分析一种物质，例如拉曼散射、X 射线衍射和红外吸收，使用不同的电磁波段并观察不同的物理现象。但通过构建具有物理理解能力的 AI 模型，她的团队证明，只需进行一次测量就能通过算法生成其他测量结果：在对近 700 项矿物样本的测量中，他们的 SpectroGen 工具给出的结果与传统方法几乎完全吻合。

这颠覆了“准确鉴定需要昂贵的研究设备”的理念，正如 Tadesse 所言，“我可以携带一台简单的仪器……（就相当于）随身带上了整个大实验室。”

她的愿景远不止医学诊断。无论是在医学、制造、农业还是环境监测领域，她希望世界上每个人在需要的时间和地点，都能获得“有关调查对象的高质量信息”。

她从艺术中汲取灵感，研发生物电子器件。

全球已有超过 24.4 万人在大脑中植入了电极。这些探针可以揭示大脑的运作方式，调控神经元的放电，甚至让人通过意念控制设备。但它们并不完美。器件可能损伤周围组织形成的瘢痕，这些瘢痕又可能降低植入物的效能。

34 岁的杨笑提出了一个解决方案：让植入物更像脑细胞。这意味着要把它们做得极其微小。她和同事利用光刻技术制作出显微尺度的超薄金属与聚合物器件。

这些器件还具有柔性，可以形成类似于同步放电的脑细胞簇的结构，就像大脑自身的神经网络一样。当她和同事将这些器件注入活体小鼠的大脑后，器件与小鼠神经元融合得非常完美，以至于研究人员几乎无法区分两者。

这项技术尚未达到可用于人体的阶段。目前，她正专注于构建脑类器官，即能够协同放电的神经元团簇，几乎就像一个“迷你大脑”。但她表示，要在不损伤神经元本身的情况下监测这些放电活动，一直很困难。为解决这一难题，她从日本传统剪纸艺术 kirigami 中获得了灵感：通过裁剪纸张形成三维造型。

她和同事制作了一张超薄电极薄片，然后在其表面切割出微小图案。展开后，形成的蜂窝状结构就像一个螺旋形篮子。

她说，如果将早期类器官放在这个结构上方，类器官最终会与这些剪纸式电极交织融合。她和同事已利用这一器件研究带有与多种神经精神疾病遗传相关特征的细胞。

接下来，她计划开发更多生物电子器件，以深入了解人体最复杂的器官。“大脑有 860 亿个神经元，以及……数百万亿个连接，这真让我着迷。”她说。

她正在帮助我们理解人类究竟会与 AI 建立怎样的关系。

2025 年初，Myra Cheng 开始研究大语言模型的“迎合”现象时，AI 研究圈之外几乎没有多少人听说过 sycophancy（谄媚）这个概念。几个月后，情况完全变了。同年 5 月，Cheng 发布了自己的第一篇相关论文。

就在此前，OpenAI 因 GPT-4o 过度迎合用户而遭到批评：模型会夸张地奉承对话者，无论用户说什么都表示赞同，哪怕观点本身十分荒谬。往轻了说，这只是让人觉得烦人；严重时，它甚至可能让一些脆弱的用户陷入越来越深的妄想。但和许多突然闯入现实生活的 AI 问题一样，当时我们对这种现象几乎一无所知。作为斯坦福大学计算机科学博士生，Cheng 的研究为这场讨论提供了亟需的实证依据。

她比较了真人和大语言模型对 Reddit 论坛“Am I the Asshole?”（我是混蛋吗？）中问题的回答。这个论坛里，人们会讲述自己在人际冲突中的经历，再请其他网友判断自己到底有没有做错。结果显示，大语言模型比真人明显更容易迎合提问者。Cheng 还进一步分析了这种迎合是如何发生的。例如，模型可能毫无保留地接受用户对事件的描述方式，或者不断确认、强化用户的情绪和立场。此后，25 岁的 Cheng 开始进一步研究这种行为会带来什么后果。

今年早些时候，她在《科学》发表了一项研究，探讨迎合型模型如何改变用户看待人际冲突的方式。结果表明，这类 AI 更容易让用户相信“自己才是对的”，也让他们更不愿意为自己的行为承担责任。她还研究了人与 AI 关系中的其他问题，例如，人们往往会高估 AI 实际带来的效率提升。为了理解这种人类历史上从未出现过的新型关系，Cheng 使用的工具跨度很大，从大语言模型提示策略，到 20 世纪中期的社会学理论，都被纳入了她的研究。

Cheng 已经证明，大语言模型的过度迎合确实可能造成伤害。她也清楚，AI 还有许多尚未被她和其他研究者发现的阴暗面。但她的研究并不只是为了揭示风险。她说，真正驱动自己继续做下去的，是不断设想这样一个问题：一个真正能够造福人类的 AI 系统，究竟应该是什么样子？

他用智能体集群模拟复杂事件。

许多构建 AI 智能体的公司把它们定位为可以替个人处理繁琐事务的私人助理。美国麻省理工学院研究员 Ayush Chopra 有不同的愿景：大规模的智能体集群协同工作，为整个人群探索问题。

Chopra 称这些集群为大规模群体模型（LPM，large population models）。每个单独的智能体可能智能有限，但数以亿计的智能体之间的互动会产生一种群体心智，可用于模拟各种复杂现象，从人群行为到疾病传播方式。

2024 年春天，Chopra 和同事用一个模拟家禽和奶牛养殖场供应链的 LPM，着手预测禽流感在全美的传播。不同的智能体模拟不同的指标：鸟类迁徙、受感染农场的废水泄漏、全美农民和消费者的经济行为等等。

Chopra 说：“这个智能体集群正在捕捉从十亿只鸟类的迁徙模式到 Whole Foods 和 Target 消费者行为的全部动态。”

该模拟识别出了 100 个热点区域，他和所在团队将这些区域分享给了美国疾病控制与预防中心（CDC）和美国农业部。到当年年底，这些地点中有 87 个已报告了禽流感病例。

Chopra 还在用 LPM 模拟 AI 工具可能如何影响全美 3,000 个县中的 1.51 亿工人，以及更广泛的经济中可能出现的变化。目标是让政策制定者看到比单纯的就业数据更详细的 AI 潜在影响视图。

展望 LPM 之外，随着多智能体系统变得越来越普遍，Chopra 的工作也可能揭示如何让海量 AI 智能体进行一般性的互动。今天，大多数智能体团队都在由单一软件“操纵者”控制的某种框架下运行。但随着团队规模的扩大，协调能力必须内化到智能体自身当中。Chopra 说：“中央协调器无法扩展到 1,000 亿个智能体。”

他创造的世界模型能训练机器人在陌生空间中导航。

当 Danijar Hafner 还是德国乡村的一名高中生时，他通过吴恩达这样一位前 TR35 获奖者开始学习 AI。“这个领域的很多人都是从吴恩达在 Coursera 上的机器学习课程开始学习的，”Hafner 说。吴恩达是 Google Brain 的联合创始人，也是 2008 年 TR35 入选者。

如今，Hafner 专注于创造世界模型，用于训练智能体进行规划，以及训练机器人在陌生地形和区域中行进。

31 岁的 Hafner 于 2015 年作为学生研究员在 Google Brain 开始了他的 AI 生涯，之后转到 Google DeepMind。如今他已离开 DeepMind 创办了自己的初创公司。在此期间，他曾与 Geoffrey Hinton 和 Ashish Vaswani（极具影响力的论文《Attention Is All You Need》的合著者）等顶尖人物共事。

Hafner 先是训练世界模型，然后使用基于模型的强化学习，让 AI 智能体在从未经历过的全新环境中做出决策。多年来，他发表了一系列开创性的研究论文，包括发表在《自然》杂志上的论文。

他的第一个突破是 PlaNet，一个通过提前规划来训练智能体执行动作的世界模型。他的 Dreamer 2 训练出了第一个使用世界模型在 Atari 2600 游戏中达到人类水平表现的智能体；Dreamer 3 是第一个独立完成《我的世界》钻石挑战、成功在游戏中挖到钻石的智能体。Dreamer 4 更进一步，它仅从录制好的游戏视频的离线数据集中学习挖钻石，从未直接与游戏交互。这些成果意义重大，因为它证明智能体可以在一个环境中学习某种知识，然后将该知识应用到其他地方。

不过他的研究超越了游戏范畴，对机器人技术具有实际意义。Hafner 的 DayDreamer 项目证明了这一点，该项目使用 Dreamer 算法让机器人在新环境中自主运行，并对新体验（比如被推倒）做出反应，而无需专门训练。如果我们希望机器人能够在我们家中等不熟悉的环境中与我们共同生活或工作，它们就必须掌握这些技能。

他用理性去审视 AI 相关的狂热宣传是否真的兑现了自己的承诺。

几年前，一些政治学研究得出了一个令人惊讶的结论：机器学习似乎已经能够完成一件近乎神奇的事情，预测内战。这些研究声称，新一代 AI 模型比传统统计方法更擅长判断哪些国家或地区可能爆发冲突。但当时还在普林斯顿大学的 Sayash Kapoor 和一位同事尝试复现这些研究时，却发现结果根本站不住脚。正常情况下，AI 模型应该先用一批数据进行训练，再用另一批从未见过的数据测试预测能力。但 Kapoor 发现，一些研究并没有遵守这样的评估流程。模型在测试之前，就已经意外接触到了本应被隐藏的信息。这就像一个学生在考试之前已经看过答案，然后你再根据考试成绩判断他学得有多好。

把这一方法学错误排除之后，Kapoor 发现，那些所谓的新型内战预测模型，其实并不比几十年前的传统统计模型更准确。他开始怀疑，这种问题恐怕并不只存在于政治学领域。随后，他展开了一项更大规模的审查，最终在近 300 篇论文中发现了类似问题，涉及的领域从精神病学一直延伸到营养学。

例如，有一项医学研究声称 AI 可以预测高血压，但研究人员实际上已经把“患者是否正在服用降压药”这一信息输入给了模型。这几乎等于提前把答案告诉了 AI。从那以后，Kapoor 开始承担起一个特殊角色：用证据检验 AI 行业那些声势浩大的宣传究竟经不经得起推敲。

Kapoor 在印度东北部城市巴特那长大，在大学学习机器学习。最初，这些知识对他来说还非常理论化。直到后来，他进入 Facebook 工作，参与开发用于预测儿童是否面临虐待或自杀风险的 AI 模型。他说，“这些问题真的很沉重。”

亲眼看到 AI 可能如何影响现实世界之后，他决定进入普林斯顿大学信息技术政策中心攻读博士，并于 2026 年 7 月完成学业。按照计划，他将在 2027 年 8 月加入加州大学伯克利分校任教，届时还不到 30 岁，继续研究 AI 对社会的影响。

在一个不断有人宣称“AI 什么都能做”的时代，Kapoor 做的事情很简单：寻找具体的证据。例如，“预测性优化”领域曾宣称，AI 可以帮助判断一名刑事被告是否应该在审判前获释。Kapoor 和同事则具体指出了这类技术必须解决的一系列缺陷。当一些 AI 公司高管声称人工智能将让人类工作走向消失时，他也参与研究并提出，AI 对社会的影响，可能更接近电力或互联网这样的“普通技术”，而不是一种突然颠覆一切的神奇力量。

从这个意义上说，你或许可以把 Kapoor 称为 AI 浪潮中的“异议者”。但在这个从来不缺 AI 布道者的行业里，他所做的，也许只是把天平重新拉回平衡。

他正在打造实现完全自主科学的工具。

作为 2023 年成立的初创公司 Lila Sciences 的联合创始人，Ben Kompa 帮助确立了公司雄心勃勃的目标，实现“科学超级智能”。他的愿景（也是 Lila 使命的核心）是利用 AI 运行科学方法的每一个步骤：从产生假设到设计实验，再到在自动化实验室中执行实验，然后用结果指导下一系列实验。

如今，作为 Lila AI 实验室创新负责人，Kompa 的工作是在 AI 与实验室之间建立连接，使这一愿景在材料科学、化学和生命科学领域成为现实。这项责任很大程度上依赖于 Lila 的软件操作系统。该系统构建在大语言模型之上，使公司的 AI 能够与各种分析和实验室仪器进行交互。

不过，AI 驱动的软件只是公司实现自主科学发现使命中的一步。31 岁的 Kompa 和同事还在整合新的机器人硬件和其他工具以扩展实验室自动化能力，同时改进 AI 模型及其理解数据并从中学习的能力。

Kompa 的学术背景和训练为他充分利用近年来 AI 与科学交叉领域的爆发式兴趣做好了充分准备。在美国哈佛大学读博期间（他于 2022 年 8 月获得博士学位），他开始研究大语言模型如何应用于科学和医疗保健领域。当他加入生命科学风险投资公司 Flagship Pioneering 时，大语言模型能够设计、运行实验并从结果中学习的信念，促使他和联合创始人创建了 Lila Sciences。

在 5.5 亿美元风险投资的推动下，Lila Sciences 正迅速扩展业务，并搬入剑桥市一座新的 25 万平方英尺的实验室和办公空间。这里足够容纳大量的实验设备、机器人和仪器，供 Kompa 和同事建造他们喜欢称之为“AI 科学工厂”的设施。

她正在让医疗聊天机器人更好地服务非英语用户。

如今，几乎所有大型 AI 公司都在推出能够提供医疗建议的大语言模型，越来越多人也开始通过聊天机器人获取健康信息。当然，这类工具仍有不少局限，但在提供初步建议、缓解焦虑等方面，大语言模型已经展现出一定价值。问题在于，这种便利目前很大程度上属于英语使用者。

研究人员发现，面对一组医学选择题时，OpenAI 于 2023 年发布的 GPT-4 在英文环境下准确率达到 90%，换成法语后却只有 55%。事实上，几乎所有主流大语言模型在英语上的表现都明显优于其他语言，其中一个重要原因是，它们接受训练时接触到的英文数据远多于其他语言。

东京大学研究人员李紫辉正试图缩小这种差距，她采用的是一个分两步推进的方法。首先，她和合作者建立了一套评测基准，用来比较不同大语言模型在不同语言下完成相同医疗任务时的表现。她尤其关注南亚和非洲地区的语言，因为这些语言在 AI 企业使用的训练数据中往往最为稀缺。随后，团队再根据评测暴露的问题，设计相应的方法来提升模型表现。

他们发现，大语言模型用英语推理时往往更加高效。同一个问题，如果用英语可能只需要三步推理，换成斯瓦希里语，可能要走十步。为了解决这个问题，李紫辉团队开发了 Med-CoReasoner。它要求模型同时使用当地语言和英语进行推理，再以当地语言输出最终答案。其中，当地语言负责提供与当地医疗实践和语境相关的信息，英语则承担主要的逻辑推理任务。两条推理路径相互配合，从而提高模型整体的准确性。

这项研究还处于早期阶段，但李紫辉已经开始考虑下一步。她希望未来能将医疗聊天机器人真正部署到医院中。不过，她并不认为 AI 应该替代医生。“我还是会建议大家去看医生。”她说。

他正在寻找一种能够规模化让科技公司承担责任的方法。

人工智能正在越来越深地进入我们的生活，但对于支撑这些 AI 系统的模型，我们依然知之甚少。它们究竟用了哪些数据训练？可能造成什么伤害？这些关键信息往往并不透明。其中一个原因是，长期以来，我们很大程度上只能依赖以盈利为目标的 AI 公司自己披露这些信息。

32 岁的 Shayne Longpre 刚刚从 MIT 媒体实验室取得博士学位，并加入 Anthropic。过去几年里，他一直试图改变这种严重的信息不对称。2023 年，他发起了 Data Provenance Initiative（DPI，数据来源倡议），一个面向全球的研究项目，从四个维度系统研究 AI 系统。第一，追踪训练公开和私有模型所使用数据集的来源、许可和授权情况；第二，研究互联网正在如何因为 AI 而发生变化；第三，观察国家、企业和开发者之间的权力关系如何重新分配；第四，研究不同群体如何使用，或者滥用 AI。

他们的研究已经揭示了一些重要变化。例如，为了阻止 AI 爬虫抓取网站内容用于模型训练，越来越多网站开始限制访问，互联网因此正在变得更加封闭。团队还发现，中国开源 AI 模型的下载量已经超过美国开发的模型。

创建 DPI 的经历也让 Longpre 意识到，保障独立研究者能够接触和测试 AI 系统同样重要。过去，一些 AI 公司设置了严格的服务条款，甚至会封禁那些测试模型安全护栏的研究人员账号。2024 年，Longpre 与他人共同发表了一封公开信，并获得超过 350 名相关人士联署，呼吁科技公司为进行这类独立评估的研究人员建立“安全港”机制，也就是明确保护符合条件的善意研究行为。

公开信发表后，OpenAI 扩大了对部分研究人员的保护范围。欧盟《人工智能法案》后来也采用了类似思路，为红队测试等研究活动提供相应空间。如今，Longpre 自己也进入了 AI 公司内部，加入 Anthropic。但他的目标并没有改变。他希望继续推动一项越来越紧迫的工作：建立一套真正能够观察、审视 AI 系统的基础设施。

随着 AI 智能体越来越普及，而且不同智能体之间开始频繁互动，未来的研究也不能再只盯着单个模型。我们需要评估的，将是一个由多个模型、智能体、平台和组织共同组成的 AI 生态系统。而要做到这一点，就需要比以往更多的跨机构协作。Longpre 过去几年的工作，正在为这种协作搭建基础。

她是一位研究我们如何与 AI 互动的哲学家。

当 ChatGPT 于 2022 年推出时，很少有人能预测到数百万计的人会开始依赖聊天机器人获取情感支持，而且结果如此喜忧参半。但这对 Giada Pistilli 来说并不那么意外。多年来，Pistilli 一直在研究人们如何与 AI 互动，先是在法国巴黎索邦大学做博士研究，之后在 AI 公司 Hugging Face 担任首席伦理学家。

她对这一话题的兴趣源于在索邦大学攻读硕士期间。她的论文主题是对话式 AI 能否服务于民主协商，这使她后来接触了法国公共部门使用的更基础形式的聊天机器人。她说：“经过近三年的研究，我的结论是聊天机器人效果不佳，而其中涉及的风险太大了。”

她并没有回避这个问题，而是决定帮助它们更好地满足我们的需求。34 岁的 Pistilli 如今在法国 AI 公司 Mistral 领导一个团队，试图让 AI 更有效地处理不同的语言和文化。除此之外，这项工作让她能够基于她那篇著名论文《机器里的幽灵带美国口音》（2022 年以预印本形式发表，恰逢 ChatGPT 问世同一年）中的发现继续深入。该论文指出了基础模型中的文化偏见程度，并主张用更多样化的数据和视角来训练它们。

如今，Pistilli 游走于哲学与实操性 AI 研究之间。去年，她与 Hugging Face 的同事合作创建了首个评估 AI 陪伴的基准，名为 INTIMA。该基准衡量 AI 模型是否强化情感依赖、维持专业边界，或者能否提供中性的回应，既解答用户的问题，又不涉及用户与聊天机器人的关系，也不偏离主题。

Pistilli 并不想对 AI 陪伴做出道德评判，她也警惕重蹈 20 世纪 90 年代关于电子游戏与暴力的恐慌，经过 20 多年的研究，至今仍未发现明确关联。关于聊天机器人的证据最终可能同样无定论。

这个问题无疑是她整个职业生涯中会反复回响的主题。事实上，她写了一本书（预计今年秋季出版），探讨如此多的人与首要作为科技公司产品出售的 AI 系统建立关系所带来的后果。

她正在打造更接近人类视觉方式的 AI 模型。

今天的 AI 视觉模型已经相当强大。自动驾驶汽车能够在城市道路中穿行，ChatGPT、Claude 和 Gemini 也可以把一张照片里的内容描述得十分详细。但关于这些系统的可靠性，还有很长的路要走。这正是 Mengmi Zhang 想解决的问题。

过去十年间，34 岁的 Zhang 一直同时研究人类视觉和机器视觉。她希望弄清两者究竟有什么不同，并进一步探索，如何让 AI 像人类一样看得准确、高效。与现有的 AI 视觉系统相比，人类的视觉更加高效、灵活，也更加稳定。我们甚至不需要刻意思考，就能迅速从复杂环境中抓住最重要的信息。即使到了一个完全陌生的地方，这种能力也不会突然失效。

在早期的一项研究中，Zhang 观察了人类如何在复杂场景中寻找物体，其中就包括经典的“寻找威利”（Where's Waldo?）游戏。随后，她根据人类可能采用的视觉搜索机制，构建了一个解决同类问题的视觉模型。Zhang 认为，这项工作在某种程度上提前预示了后来主导现代 AI 的 Transformer 架构。

最近几年，她又开始构建更多受人类视觉启发的模型。有些模型会同时处理视觉和听觉信息；还有一些模型在训练早期只能看到模糊的灰度图像，以模拟婴儿逐渐学会“看见”世界的过程。她希望，通过让视觉模型越来越接近人类视觉，AI 不仅能够变得更加实用，也能反过来帮助我们理解大脑。

除了研发更好的 AI，Zhang 还在利用 AI 建模人脑、研究人类视觉。而一个越像人类的视觉模型，也越适合用来研究人类本身。她的工作实际上也在挑战一种近年来越来越常见的观点：神经科学已经没什么可以教给 AI 了。深度神经网络最初本就受到人脑启发，但近年来许多 AI 突破已经与神经科学关系不大。与此同时，人脑的运行效率依然远远高于今天的 AI 模型。于是，包括 Zhang 在内的一批研究者又开始重新向大脑寻找答案。

Zhang 说，“有人会说，神经科学帮助 AI 的时代已经结束了，但我的看法恰恰相反。”

1.https://www.technologyreview.com/innovators-under-35/2026/