2023年度“35岁以下科技创新35人”全球入选者正式发布，两天后杭州继续见证亚太创新青年的力量！

2023 年 11 月 2-3 日，第三届《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区发布仪式暨青年科技论坛将在杭州未来科技城举办。

让我们一起见证创新青年崛起的新兴力量！

创新是提升社会发展水平、推动经济增长的强大引擎。抗生素、电灯、冰箱、飞机、智能手机……我们现在所拥有的，正是创新先驱们所创造的。 《麻省理工科技评论》每年进行的“35 岁以下科技创新 35 人”评选，旨在表彰那些在职业生涯早期取得了巨大成就，并且可能取得更多成就的人。

（Andrew Ng），全球著名的人工智能创新者，领导开发了 AI Fund、DeepLearning.AI 和 Landing AI。2023 年《麻省理工科技评论》“35 岁以下科技创新 35 人”全球评选邀请吴恩达撰写了开篇词，以下为主要内容：

多年来，我一直从事人工智能研究和相关产品构建，并有幸参与了一些影响较大的创新工作，比如在斯坦福大学使用强化学习操控直升机无人机，启动并领导谷歌大脑（Google Brain）来推动深度学习的大规模应用，创办在线教育公司 Coursera 等。下面， 关于如何做好创新、避开“陷阱”、避免创造出可能有危害的东西，我分享一下自己的经验。

正如我之前所说，我相信人工智能是一种新形式的“电力”。 电力彻底改变了几乎所有行业以及我们的生活方式，人工智能也在做同样的事情。 它正渗透到每个行业和学科中，其带来的进步可以让很多人受益。

人工智能就像电力一样，是一种通用技术。 许多创新，如与医疗、太空火箭或电池设计相关的创新，大多数只适用于单一目的。 相比之下，人工智能可用于生成艺术、网页内容搜索查询、优化运输路线以及节省燃料、减少汽车事故等多个方面。

人工智能的进步为社会以及所有人提供了一个 探索其是否可以或如何应用于相关领域的机会。 因此，通过学习人工智能可以去做更多此前从未做过的事情。

举个例子，在我领导的风险投资机构 AI Fund，我有幸参与了将人工智能应用于海运、人才管理、教育和其他领域的项目。 由于许多人工智能技术都是全新的，人们尚未开发其在大多数领域的应用，而 通过这种方式，可以了解如何利用人工智能为人们提供与他人合作的机会。

展望未来，一些进展尤其令人兴奋：

内容提示（Prompting）：ChatGPT 的爆火让人们很好地了解到内容提示，现在很多人已经掌握了如何让人工智能模型迅速写出一封电子邮件或一首诗。但是，软件开发者才刚刚意识到，内容提示可以帮助他们在几分钟内构建出强大的人工智能应用程序，而过去这需要几个月的时间才能完成。或许未来，大量的人工智能应用将通过这种方式构建。

视觉 Transformer： 文本 Transformer，即基于 Transformer 神经网络架构的语言模型，由谷歌大脑及其合作者于 2017 年开发，如今已经彻底改变了写作。 2020 年，视觉 Transformer 一经推出便获得了广泛关注，它让 Transformer 可以完成计算机视觉任务，比如识别图像中的对象。 现在，技术社区中对视觉 Transformer 的讨论，让我想起了 ChatGPT 出现前几年大家对文本 Transformer 的讨论。 图像处理领域也即将迎来一场类似的革命。

人工智能应用： 媒体对人工智能的硬件和软件基础设施以及开发工具给予了很多关注。 但除非在其之上建立更有价值的人工智能业务，否则这种新兴的人工智能基础设施很难成功。 因此，尽管很多媒体的注意力都集中在人工智能基础设施层，但人工智能应用层未来会有更多的增长。

这些领域为创新者们提供了很多机会。 其中，许多领域都适用于具备技术知识的人，而不仅仅是那些已经涉足人工智能领域的人。 在线课程、开源软件、软件服务和在线研究论文为每个人提供了学习和创新的工具。 即使这些技术目前还不在你的掌握范围内，许多其他创新途径也是开放的。

我们要知道，许多最初看似有希望的想法，最后会无疾而终。 面对创新，失败不可避免。 以下是我参与过的一些项目，你可能没有听说过，因为它们都失败了：

我花了很长时间试图让飞机自动编队飞行以节省燃料（类似于以 V 字形飞行的鸟类）。事后看来，这个项目有些糟糕，而且应该使用更大的飞机；

我曾尝试使用机械臂把洗碗机里尺寸和形状各异的餐具取出来。现在看来，这件事开始得太早了，当时用于感知和控制的深度学习算法还不够好；

大约 15 年前，我认为无监督学习（即让机器学习模型能够从未标记的数据中学习）是一种很有前途的方法。事实证明，我同样踩错了时间点。不过，随着数据可用性和计算能力的增长，现在它终于开始发挥作用了。

这些努力没有成功时，我感到很痛苦，但我学到的经验教训对其他项目的成功很有帮助。 V 字形编队的失败，让我学会了更好地规划项目，并预先承担风险； 洗碗机机械臂的失败，引导我的团队构建了机器人操作系统（ ROS，Robot Operating System），现已 成为一个流行的开源框架，主要应用于自动驾驶汽车和机械狗之类的机器中。 尽管我最初关注无监督学习是一个糟糕的选择，但事实证明，我们所做的工作对于扩展谷歌大脑的深度学习研究至关重要。

创新从来都不是一件容易的事。 当你做一些新的事情时，也会存在质疑。 我年轻时做的很多项目，尽管最终被证明是成功的，但做的过程也曾遭到质疑。 这并不是说质疑者总是错误的，对于大多数不成功的项目，质疑也会存在。

随着经验的积累，我发现越来越多的人会同意我所说的，这让人很担心。 我希望有人愿意“挑战”我。 幸运的是，现在当我做错了一些事情时，我周围的人都会如实地告诉我。‍

尽管有时候质疑是良性的，甚至是必要的，但社会需要创新成果，所以我们要对创新保持乐观态度。 我愿意支持那些想要尝试、但可能会失败的乐观主义者，而不会支持那些质疑创新可行性的悲观主义者。

当我们把人工智能当作整个社会价值创新的驱动力时，社会责任感就更加重要了。 无论是否在人工智能领域工作，人们对人工智能可能造成的危害都有所了解， 其中既有短期问题（如技术的偏见和有害应用），也有长期风险（如权力的集中和潜在的灾难性应用）。 就这些问题进行公开且严谨的对话非常重要，因为 这样一来，我们可以就真正的风险是什么，以及如何减少风险达成一致。

在过去的 20 世纪，不断涌现的创新浪潮降低了婴儿死亡率，提高了全球识字率以及人们的生活水平，还促进了公民权利的发展，包括保护妇女、少数族裔和其他边缘群体的权利。但 创新也导致了气候变化、加剧了不平等、让社会两极分化、增加了孤独感等。

显然，创新是一把双刃剑，收益伴随着风险，但我们总不能很明智地管理这些风险。 人工智能是下一波浪潮，我们需要吸取过去的教训，最大限度地为每个人谋求福祉，同时将伤害降到最低。 这需要每个人和全社会共同承诺。

社会层面，各国政府正着手推动对人工智能的监管。 一些创新者认为，监管在一定程度上是对进步的限制， 我对此有不同看法。 面对不确定的未来，监管可以帮助我们在避免错误的同时带来新的好处。 我支持那些要求大型科技公司提高运作透明度的监管，因为这可以帮助我们了解它们的影响，并引导其朝着实现更广泛社会利益的方向发展。 许多现有法规是为前人工智能时代制定的，现在我们需要新的法规。 新法规应该明确，在医疗健康和金融等重要领域，我们想要什么结果，要避免哪些问题。

但是，避免危害不该只是社会的首要任务，它还应成为每个创新者要优先考虑的事情。作为技术专家，我们有责任了解研究成果的影响，并以有益的方式进行创新。许多技术专家一贯的态度是，技术的发展不可避免，我们对此无能为力，所以干脆不设限制地自由创新。这是不对的。

当创新者选择致力于差分隐私（允许人工智能从数据中学习而不暴露个人身份信息）时，他们发出了一个很强有力的信号，即 隐私很重要，这 有助于制定公共和私人机构都能采纳的社会规范。 相反，当创新者创建 Web3 加密协议来洗钱时，也发出了一个我认为有害的信号，即 政府不应该拥有追踪资金的转移和支出方式的能力。

作为科技从业者，如果你发现了不道德的行为，我希望你向同事和主管提出这个问题，并与他们展开建设性对话。 如果有人请你做一些你认为对人类有害的工作，我希望你能努力制止这种行为。 如果你无法这样做，那么请考虑离开。 在 AI Fund，我已经取消了那些我认为经济上合理但不合乎道德的项目，我希望大家都可以这样做。

现在，你所要做的就是勇往直前，勇于创新！如果你已经身处这场创新游戏，请坚持下去，没人能预测你未来会取得哪些伟大的成就。如果你的想法还处于襁褓阶段，不妨与他人分享并寻求帮助，努力将其变成切实可行 的项目。 现在就开始行动吧，让我们一起探索创新力量造福社会的未来！

2023 年《麻省理工科技评论》“35 岁以下科技创新 35 人”全球入选名单如下 （*以下排序不分先后） 。

人工智能

她正在重新思考如何确保人工智能的安全。

当我们将人工智能系统从实验室推向产业应用时，我们需要提前考虑到可能出现的意外和故障。 威斯康星大学麦迪逊分校助理教授 开发了一种名为“分布外（ out-of-distribution， OOD）检测”的人工智能安全功能。 她表示，当人工智能模型面对未经训练的情况时，这一功能可以帮助其确定是否应该放弃采取行动。

Sharon 开发了第一个用于深度神经网络的分布外检测算法。随后 ，谷歌成立了一个专门的团队将分布外检测集成到其产品中。2022 年 ，Sharon 关于分布外检测的理论分析在 NeurIPS（人工智能领域知名会议之一）的 10000 多篇投稿中，被选为杰出论文（ outstanding paper） 。

我们目前正处于人工智能的热潮中，科技公司竞相发布人工智能模型，但 大多数模型通过训练只能识别特定的事物。当它们在不可预测的现实世界里遇到不熟悉的情境时，往往会失效。 它们无法正确、精准地理解自己所“知道”的和“不知道”的，这是许多人工智能失败的真正原因。

Sharon 的方法利用机器学习来检测现实情境中的未知数据，并设计人工智能模型进行实时调整，从而接受不确定性 。 它可以帮助自动驾驶汽车在路上遇到不明物体时避免交通事故的发生，也可以帮助医疗人工智能系统在发现新疾病方面发挥更大的作用。

“在所有这些情况下，我们真正需要的是一个具有安全意识的、可以识别自己不了解内容的机器学习模型。 ” Sharon 说。

她的目标是让新型人工智能模型对开发者和公众都更安全。

当新型生成式人工智能模 型发布时，无论是聊天机器人，还是图像生成器，抑或是底层模型的功能，都比模型的发布形式及其受众、甚至开源还是商用更受关注。 但这些情况往往会产生深远的影响。比如 ，一方面，更高的开放性意味着有更多的机会来审核和评估模型，但也为不良行为者的滥用提供了可能；另一方面， 更封闭的系统可能会导致技术力量过于集中，但会限制其潜在的危害。

2019 年，时任 OpenAI 研究员兼公共政策经理的 提出了一种发布 GPT-2 模型（ChatGPT 的前身）的新方法。 该方法考虑了如何在平衡某些安全措施的同时，增加开放性，并将伤害降到最低。 Irene 建议分阶段发布新模型，以便有更多时间进行测试并构建防范措施。现在， OpenAI、微软和 Meta 分别在其 ChatGPT、全新必应（Bing）搜索和 LLaMA 模型中均使用了这一方法。

现年 28 岁的 Irene 在离开 OpenAI 后，加入了人工智能初创公司 Hugging Face，任全球公共政策总监，继续 致力于为未来人工智能模型的发布方式建立清晰、标准化的流程。此外， 她 还从事人工智能安全其他方面的工作，比如开发新方法以确保在部署新系统前，可以提前考虑社区的文化价值观。

Irene 表示，她希望生成式人工智能不仅可以被开发人员利用，还可以为每个人提供帮助，也就是那些“不与生成式人工智能系统直接交互，但可能会受到影响的人”。

他的系统将计算与人类判断相结合，性能优于其他图像生成算法。

34 岁的 是 Adobe 高级研究科学家，他发明了图像生成人工智能模型（如 Stable Diffusion 和 Stylegan）的视觉相似性算法（visual similarity algorithms）。

在加州大学伯克利分校攻读博士学位期间，Richard 开始探索生成式人工智能。 当时，他创建了一种被广泛使用的算法来对黑白照片进行着色，后来 这项工作成为 Adobe Photoshop 中的 Colorize 工具。

进行这项工作时，他意识到，目前还没有一个“良好的客观度量标准”来训练人工智能系统。 他表示， 很难制定一个说明，哪些特征会让人们觉得图片好看，无论是逼真的色彩，还是图像的清晰度。

为了衡量不同图像在人类眼中的相似程度，大多数算法使用了数学模型，但人类感知很复杂，很难被数学问题所概括。 于是 Richard 创造了更优越的算法 LPIPS， 这是他目前最有影响力的项目。

LPIPS 的独特之处在于，它将包含人类感知判断的大数据集纳入其计算中， 这使它超越了以前的所有模型（其中许多模型已经使用了几十年），并成为感知相似性的新标准。 如果没有 LPIPS，今天的图像生成人工智能就很难实现。

自 2018 年加入 Adobe 以来，Richard 的研究成果已被整合至该公司的商业软件工具中，包括 Photoshop 的风景混合器（landscape mixer）和智能人像功能（smart portrait features）。 此外，他还致力于开发检测人工智能生成图像的算法，这些算法现在是 Adobe Stock 取证工具的一部分。

她正在利用人工智能打造建筑材料领域的循环经济。

34 岁的 是苏黎世联邦理工学院建筑系的助理教授， 她 正在利用人工智能，来帮助减少建筑行业的排放和材料浪费。其 目标是帮助实现一次性建筑材料使用理念向循环利用理念的转变 ，即重复使用被拆除的建筑材料，因为使用旧建筑材料比采购新建筑材料更便宜。

待拆除的旧建筑里有很多昂贵的半成品，如窗户、金属和木材。 但由于没人知道建筑物材料里具体包含什么，因此最直接、最容易的处理方法便是拆除后将废物送往垃圾填埋场，然后 生产新的材料来进行新建筑的建造。但这一过程会产生额外的排放。

“我的想法是，如果我们有一些工具可以通过扫描建筑物，把材料的尺寸、类型、状态等情况进行数字化，” Catherine 说，“然后，将这些信息输入到某个应用中，会怎样呢？ ”

首先，Catherine 和她的团队将来自谷歌街景（ Google Street View） 、激光雷达扫描和建筑文档的数据输入到他们构建的人工智能系统中，该系统可以预测每栋建筑可能包含的材料，以及如何在之后的项目中继续使用这些材料， 然后，她和团队再用二维码标记回收的材料。她希望这一过程未来能够成为建筑施工的标准流程。这些 二维码会链接到一个数据库，该数据库提供该材料的历史记录和重要的物理特性。

在一个项目中，Catherine 领导的团队为巴黎蓬皮杜中心（ Centre Pompidou ）的标志性玻璃面板（因为监管变化被拆除）找到了一家公司 ，该公司用这些玻璃面板搭建了一间小型办公室。 在另一个项目中，她用该方法打造了一个测地线圆顶，其所使用的材料全部来自于日内瓦的一个旧汽车仓库。 她希望开发一款应用程序，将可重复使用的材料与未来的建筑项目相匹配。

他正在使用人工智能改变化学反应的进行方式。

29 岁的 开发了一款开源软件，利用人工智能来帮助发现、合成新分子。 这套工具名为 ASKCOS，已被十几家制药公司和数万名化学家用于创造新药物、新材料和更高效的工业流程中。

长期以来，开发新分子的最大瓶颈之一是确定有潜力的候选药物并进行测试。 过去，这个过程或多或少都以相同的方式进行： 对已知分子进行微小的改变，然后测试新分子的生物、化学或物理特性。

Connor 的方法是一种用于化学领域的生成式人工智能。 化学家先标记出自己感兴趣的特性，然后人工智能驱动的算法针对最有可能具有这些特性的新分子提出建议。 该系统通过分析已知分子及其当前特性，进而预测微小的结构变化可能会带来的新行为，进而提出建议。

这样一来，化学家就不会在那些不太有效的结构上浪费太多时间。 “我们的方法让搜索有效结构的次数减少了两倍、三倍、甚至十倍。” Connor 说，他现在是麻省理工学院化学工程和计算机科学系助理教授。

一旦识别出候选分子，Connor 的软件就会提出生产它们的最佳方法。 他表示，即使化学家“想象”出了一个分子，弄清楚合成方式也不是一件容易的事。

为此，该系统为化学家提供了“配方”，遵循给出的步骤可能会带来高产量。未来， Connor 将致力于实现实验室机器人和系统的结合，以便有更多自动化系统能够通过遵循这些建议的步骤进行测试和改进。

他教会人工智能自学医学图像。

28 岁的 开发了一种让人工智能自行学习，并准确解读医学图像的方法 ，使用时无需人类的任何帮助。

他的系统已经可以达到人类专家的水平，能够识别可能被忽略的病理，从而防止误诊导致的不必要的医疗程序。Pranav 的最新模型名为 CheXzero，可以进一步提高其性能，并扩展其可处理的图像类型。

2018 年，当 Pranav 推出允许计算机读取胸部 X 光片的早期模型时，遇到了一个问题： 数据短缺。 当时，人工智能系统用于学习的图像，主要依靠放射科医生手动标记。 一个人标记单个图像需要几分钟的时间，而人工智能系统需要数十万张图像才能学会它们所看到的东西，因此该领域很快就陷入了困境。

Pranav 的新方法完全不需要人类标记，而是将一组医学图像（取自任意数量的私人或公共数据集）与相对应的放射学报告进行比较。 系统可以自动将图像与报告中（以文字形式）描述的问题进行匹配。 这意味着 CheXzero 可以使用海量数据库来学习识别潜在问题，而无需人工准备数据。 这种技术又被称为 “自监督学习”。

Pranav 现为哈佛医学院生物医学信息学助理教授，他表示，自己的梦想是最终建立一个能够获取患者医疗记录，并识别医生可能错过的问题的系统。

他正在使用游戏人工智能来改进基本计算。

34 岁的 是开创性地利用游戏人工智能来加速基本计算的带头人。 对流行算法的微小改进可以带来巨大的影响，比如，降低运行这些算法的设备成本，节约能源。

‍‍

但优化科学家研究了数十年的代码，是一个难题。 Alhussein 的想法是将寻找新算法的问题视为一种游戏，并用 DeepMind 的游戏人工智能 AlphaZero 来攻克它。

为了在国际象棋这样的游戏中获胜，AlphaZero 会搜索大量走法的可能性，然后选择最有可能获胜的棋步。正确算法的排列指令顺序有点像选择赢棋的招式， 就像国际象棋一样，它需要搜寻无数的可能性才能达到目的。

利用 AlphaZero 的改进版本，Alhussein 和同事找到了一种加速矩阵乘法的方法，这是许多常见计算机程序的数学基础，涵盖了从图形到物理再到机器学习等各个领域。 他们发现的算法比之前的算法还要快，打破了保持了 50 年之久的记录。

谷歌 DeepMind 还使用 Alhussein 的方法发现了排序算法中此前未知的捷径，这种排序算法每天在无数程序中运行了数万亿次。

“你要知道，现在我们使用的很多基本算法，实际上是在现代计算机时代之前开发的，其中大部分是在纸上完成的，这令人震惊， ”Alhussein 说，“利用机器学习来尝试改进这些算法是有帮助的。 ”

她正在测量人工智能的气候足迹。

在构建更强大的人工智能模型竞赛中，科技公司隐藏了一个负面信息：人工智能的碳足迹。人工智能系统的构建和运行需要大量的能源和水，一旦部署，每天的碳排放量高达数吨。

33 岁的 是人工智能初创公司 Hugging Face 的研究员，她开发了一种方法，来估算和测量人工智能语言模型的碳足迹。该 方法可以帮助企业计算人工智能系统的二氧化碳排放量（包括训练它们所需的能源、材料和计算能力等），以考虑其整个“生命周期”中对气候产生的影响。 例如，她的团队发现，训练、构建和运行 Hugging Face 的人工智能语言模型 BLOOM 已经产生了大约 50 吨的二氧化碳排放。

卡内基梅隆大学计算机科学系助理教授 Emma Strubell 告诉《麻省理工科技评论》，Sasha 的工作是“迄今为止对大型机器学习模型碳足迹最彻底、真实和详尽的分析”。 Emma 曾在 2019 年发表了一篇关于人工智能对气候影响的开创性论文。

Sasha 表示，她的方法可以帮助人们对人工智能做出更明智的选择，因为“没有其他人对语言模型的排放进行过如此深入的计算”。据悉， 她的工具 Code Carbon 现已被下载超过 30 万次。

“了解这些模型对环境的影响，对于提前解决问题并提高它们的效率极其重要。 ”她说。

生物技术

她探索了形成特定细胞类型的因素。

当人们对基因编辑工具 CRISPR 感到兴奋不已的时候，32 岁的 来到了马萨诸塞州剑桥市博德研究所 (Broad Institute) ，加入基因编辑专家张锋（Feng Zhang）实验室。在那里，Julia 深入研究了“基因组规模筛选”，即使用 CRISPR 等工具来改变人类基因组中 20000 个基因中的每一个，然后观察会发生什么。

这种基因筛查通常在干细胞中进行，是数据驱动型实验室探索生物学逻辑的首要任务之一。

理论上，干细胞可以被诱导发展成任何类型的细胞。 但实际上，许多类型很难甚至不可能在实验室中生成。

名为转录因子的蛋白质可以决定细胞成为什么类型。 但究竟哪些是转录因子呢？要知道， 我们的身体里有 1500 多种因子。

最初，Julia 找到了一个可以将干细胞转化为神经系统细胞的单一因子。 但她的研究演变成了一个更大的项目。 为什么不将每个转录因子添加到干细胞中，并观测每个因子对这些细胞行为的影响？

她的研究结果于 2023 年 1 月发表，是一个关于个体转录因子如何影响干细胞身份的“图集”。 她说，自己的终极目标“是能够以一种非常可控的方式制造任何类型的细胞” 。

特定细胞的供应可用于测试药物或新型疗法。其他研究转录因子的科学家希望找到能够在实验室中形成人类卵子的组合，甚至提供“返老还童”疗法的关键。“我们在筛选时不只是生成列表，这是一个有目标的列表。”Julia 说，“而且最终目标是不变的。”

她正在开发下一代 RNA 疫苗。

mRNA 疫苗及其背后的科学家为应对 Covid-19 疫情做出了突出贡献。这些药物的作用是传递一些遗传密码，让我们的身体能够产生应对病毒的抗体。如今，仅在美国就已接种了超过 3.6 亿剂 mRNA 新冠疫苗，还有许多此类疫苗正在研发，用于流感病毒、艾滋病毒和癌症治疗。

但 还有很大的改进空间。 33 岁的 是加拿大英属哥伦比亚大学的生物工程师，她正在寻找更好的 RNA 疫苗，即更有效、提供更持久保护，可以以更低剂量递送副作用更少的疫苗。

现有 mRNA 疫苗的常见副作用包括发烧和发冷，有些人还曾出现心血管问题，如血栓。 “目前该领域最大的挑战之一，是安全性以及新疫苗的副作用。” Anna 说， “未来，我们确实需要考虑，如何最大限度地减少我们需要使用的 RNA 剂量。 ”

为此，Anna 将重点放在了自扩增 RNA（self-amplifying RNA）上，这是一种一旦进入细胞就能自我复制的 mRNA。理论上，与标准 mRNA 相 比，你在疫苗或治疗中需要使用的自扩增 mRNA 更少。“你可以使用约百分之一剂量。” Anna 说，“标准 mRNA 通常编码蛋白质的时间大约是 3 到 5 天，自扩增 RNA 可以的编码时间为 30 到 60 天左右。” 这意味着它在体内的作用时间比现有疫苗更长，因此可能不需要频繁接种加强针。

此外，Anna 还一直研究如何为 mRNA 添加新功能。 在她最近进行的一个项目里，她加入了一种新蛋白质的编码，有助于 mRNA 避开人体免疫系统的攻击。 因此，mRNA 可以更长时间地发挥作用，产生更多蛋白质。 “它作为疫苗效果更好。 ” Anna 说，目前该药物已在兔子身上进行了测试。

她用 3D 打印技术制作用于治疗耳膜穿孔的医学移植物。

导致耳膜破损的原因有很多，感染和受伤是较为常见的，而压力的改变，如潜水，也可能会引起耳膜穿孔。

30 岁的 在哈佛大学工程科学系攻读研究生时，从两位耳科医生那里了解到，耳膜修复并不像听起来那么简单。 耳膜修复手术通常涉及到从头部的其他部位切下一些组织或软骨，然后用它修补破损的地方。 手术并不总是成功的，患者经常需要多年后进行后续手术。

因此，她开始着手开发更好的治疗方法。 她的目标是 3D 打印一种可用于修补的全新材料，就像健康的耳膜一样。

这并不容易，因为耳膜具有特殊的性质，可以传导声波。 “耳膜在遇到低频时，会像软材料一样振动，而在高频时会像硬材料一样振动。” Nicole 说。 该材料需要能够支持细胞（包括血管）的生长，还需要足够坚固，能够承受外科医生的操作。 但人类的耳膜厚度只有 80 微米左右，约等于人类头发的宽度。 “这个过程要不断经历试错。”她说。

Nicole 开始在毛丝鼠穿孔的耳膜上测试这些设备，之所以选择毛丝鼠，是因为它们的耳朵很大，耳膜几乎与人类的大小相同。 当她开始获得比较积极的结果时，与人一起成立了一家名为 Beacon Bio 的公司，以进一步发展这些技术。不久后 Beacon Bio 被 3D 打印公司 Desktop Metal 收购，Nicole 目前担任该公司医疗健康部 Desktop Health 的生物材料和创新副总裁。

Nicole 说，她最重要的突破是能够打印出一种具有特殊结构的材料，可以让细胞以特定模式生长。 这对于耳膜至关重要，同时，她也表示，这对利用 3D 打印医疗设备打印其他器官和组织也将发挥作用。

她开发的设备的最新版名为 PhonoGraft，形状有点像扁平的线轴，因此可以将其挤压穿过耳膜上的孔，来到耳膜的另一侧。

这种简单的设计意味着，病人不需要耳科专科医生就能实现插入。 理论上，“任何经过培训的耳鼻喉专家，只要会操作内窥镜检查耳朵，就可以放置这种设备”。 Nicole 表示， 她希望在 2024 年底开始在人体展开测试。

Nicole 还计划为解决其他健康需求开发设备。 其下一个目标是制造血管移植物（比如可以在搭桥手术后使用），来帮助修复血管损伤。

她的技术让我们看到哪些神经元与特定行为有关。

33 岁的 开发了一种技术，用于识别参与不同动物行为的神经细胞，这可能会为抑郁症、焦虑症、药物和酒精成瘾等神经精神疾病提供更好的治疗方法。

在人类和动物的大脑中，神经细胞（也称为神经元）包含数百种不同类型的细胞。一直 以来，科学家很难检测哪种类型的细胞会因特定的刺激而被激活，其中这些刺激包括大声喧哗、浓烈的气味或药物注射。 小鼠的大脑与人类的大脑有很多相似之处，过去用于记录小鼠大脑不同类型神经活动的方法，通常仅限于特定的大脑区域，或者会抑制科学家希望研究的行为。

Christina 的方法是她在斯坦福大学做博士后研究时开发的，其工作原理是识别钙离子水平升高的神经细胞，当神经细胞兴奋时，钙离子就会进入其中。 她的团队给小鼠注射了经过基因修饰的蛋白质，将其大脑暴露在蓝光下，并记录了注射尼古丁，以及经过其他外部刺激后的反应。 在钙离子水平较高的神经细胞中，这种蓝光促进了另一种蛋白质的转录，该蛋白质具有荧光标记，可在显微镜下检测到。随后 ，她的团队使用 RNA 测序来揭示被标记的神经细胞中存在的特定基因，进而有效地确定其类型。

Christina 现在是加州大学戴维斯分校的神经科学教授，她正在改进这项被称为 FLiCRE（ fast light and calcium-regulated expression ）的技术，以便更好地理解大脑信号传导在分子水平上的工作原理， 最终 推动开发更有针对性和有效性的疗法。

她的 3D 打印设备可以识别血管中的危险斑块。

34 岁的 设计了一种微型设备，可以帮助心脏病专家解决一个常见问题：如何判断哪些患者心脏病发作的风险最大。

Jiawen 的创新成果是一款超薄 3D 打印内窥镜，旨在探测血管内部，并生成沉积在体内多年的斑块的高质量图像。 这些斑块中的大部分几乎不会带来什么危险，但某些类型的斑块可能会阻塞动脉并导致动脉破裂。 目前，医生所使用的探针都无法准确地预测哪些斑块可能会引发问题，其结果通常是昂贵的过度治疗，更严重的情况会导致猝死。

Jiawen 是澳大利亚阿德莱德大学的生物医学工程师，她致力于构建一款“相机”，旨在为临床医生提供所需的图像质量，同时足够小能被放入动脉内部。 她的方法是将两种基于光的成像技术合二为一，集成到一个比一粒盐还小的镜头中。这两项技术可同时提供斑块结构的高分辨率快照，以及有关斑块破裂可能性的分子线索。 她与德国研究人员合作，开发了一种将透镜打印到细如人发的光缆上的方法，该光缆可以通过动脉到达心脏。

Jiawen 和同事已经成功在猪身上测试了该装置，并正在努力进行人体临床试验。 除了改进心脏疾病的诊断外，他们认为，这一方法还可以帮助医生在难以成像的区域，如胆管和肺部，进行癌症检查。

他的系统揭示了癌症如何扩散，有望实现更早介入治疗。

31 岁的 开发了一种实时成像系统，让研究人员能够观察肿瘤细胞如何在体内移动，这有助于进行更有效的癌症治疗。

Tyler 的工作解决了肿瘤学面临的主要挑战之一： 大多数严重的癌症病例都发生在肿瘤扩散或转移后。在这一过程中， 单个细胞在血液中的穿梭就像汽车疾驰在高速公路上，人们对这个过程知之甚少，也很难检测到。 一般情况下，医生发现第二个肿瘤时才会知道癌症正在扩散。 “到这个阶段，预后往往很严重。 ” Tyler 说。

Tyler 在北卡罗来纳州立大学读博士时开发了一套系统，使实时查看这种扩散成为可能。 为构建这一系统，他的团队将人类癌细胞注射到一种斑马鱼体内，后者经过了基因改造，其血管会发光。 他们使用高功率激光显微镜来观察癌细胞穿过和离开血流的过程，并且特别观察了那些以簇状结构移动的癌细胞，因为它们形成肿瘤的风险更高。

研究人员曾认为，这些簇状结构细胞在离开血管之前需要分解，但 Tyler 的团队观察到，有些细胞群能够完整离开。而能够完整离开的细胞更有可能在附近组织内形成肿瘤 。

作为杜克癌症研究所的博士后研究员，Tyler 将继续改进他的技术。 他的方法或许可以帮助研究人员开发出在癌细胞扩散前就能针对它们的疗法。

她正在使用 CRISPR 尝试治愈杜氏肌肉营养不良症。

，32 岁，在她高中时， 她两岁的侄子 Christopher 被诊断出患有杜氏肌肉营养不良症，这是一种致命的遗传性疾病。基于此， 她开始寻找该疾病的治疗方法。 她最近在基因编辑方面的工作是数十年来最有希望的进展之一。

肌肉营养不良症是由（基因）突变引起的，这种突变会阻止身体生成维持健康肌肉所需的蛋白质。通过使用 CRISPR-Cas9，Courtney 和她在 MyoGene Bio 的团队，可以改变患者 DNA，恢复其生成必要蛋白质的能力。

Courtney 及其团队瞄准一种常见的基因突变的部分并将其去除，之后 DNA 可以自然修复。 尽管 CRISPR-Cas9 被用于解决基因突变已有十年，但 Courtney 的研究突破了界限，证明了可去除的突变范围比之前想象的更大。

Courtney 表示： “目前批准的杜氏肌肉营养不良疗法只能解决下游副作用，或者只能提供有限的帮助。 我们的方法针对的是疾病的根本原因。 ”

她设想将 CRISPR 嵌入一种无害的病毒中，并注射到血液里。 病毒可以渗透到肌肉细胞，从而让编辑技术直接作用到患者的 DNA 上。 Courtney 认为，临床试验最快可能在两年后开始。

“时间在流逝。”她说， “一旦获得批准，该疗法每年可以帮助多达 1 万名肌肉营养不良症患者。 ”

为了制作逼真的软组织，她从呼吸道感染中找到了灵感。

引起高传染性呼吸道感染的细菌是否也是设计逼真软组织的关键？ 34 岁的 是这么认为的。 她的斯坦福大学实验室正在进行生物工程研究，利用百日咳或百日咳中的蛋白质来开发新材料，其功能类似于人类的皮肤和肌肉。

在工程材料制造商罗杰斯公司（Rogers Corporation）实习期间，Danielle 开始研究基于蛋白质的聚合物，这些大型链状分子是许多生物体的构建基块。 这项工作很快激发了她的热情。

通过识别天然存在的蛋白质，然后在实验室进行复制，Danielle 可以设计出模仿人类肌肉特性和功能的生物聚合物，特别是它们的拉伸和收缩能力——这些特性在目前的人造组织中很难实现。 她说，像百日咳这样的细菌是一个完美的模型，因为它们具有高度重复的蛋白质序列，很容易复制。

“天然存在的蛋白质具有惊人的功能，而且它的分子序列，使其能够在恶劣的环境中生存数十亿年。” Danielle 说， “我们可以利用这种功能并将其构建到人造材料中。 ”

Danielle 设想了这些新型生物聚合物的多种应用，比如软体机器人、再生医学和可持续生产的非动物基肉类等。

他正在改造细菌来攻击癌症。

微生物不太聪明，因为它们没有大脑，甚至没有神经系统。 但它们“擅长”自己在做的事情。 研究表明，大约 30 万亿细菌寄居在人体内，比如皮肤、肠道、甚至是肿瘤里。

但如果细菌可以变得更聪明呢？ 32 岁的 是一名博士后，在过去几年里一直致力于将细菌转变为“智能活性药物”，这种药物可以通过训练自动寻找并攻击恶性肿瘤。

他说： “我希望可以创造出一种由工程化微生物制成的新型药物传递技术，这些微生物能够高效地靶向肿瘤，自主感知环境，并以可持续和可控的方式生产药物。 ”

在哥伦比亚大学攻读博士学位时，他利用合成生物学工具证明了这是可能的。 他向一些细菌中添加了基因，让它们能够检测到自己何时处于恶性肿瘤中（低氧水平在肿瘤中很常见）。 他还让另一些细菌拥有了生产抗癌药物的能力。

他的下一个项目是整合这些技术，创造出既能够感知癌细胞，又可以同时直接将它们杀死的细菌。

气候与能源

他用氨为低排放卡车和船舶提供动力。

交通运输是世界上污 染最严重的行业之一，约 占全球温室气体排放量的 1 5%。未来几十年， 电动汽车将在减少排放方面发挥作用，但电池容量是一个瓶颈，难以为包括长途卡车和跨洋船舶等在内的运输载具提供足够的动力。

34 岁的 用一种看似不太可行的化学物质——氨，提出了一种可能的解决方案。 他于 2020 年共同创立的初创公司 Amogy，正在构建可以使用氨（通常是化肥成分）作为卡车和船舶燃料的系统。

氨最有利的属性之一是其能量密度，这意味着它可以在相对较小的空间内存储大量能量。 液氨携带的能量大约是当前主要清洁燃料压缩氢的三倍。

对于 Amogy 来说，将氨作为燃料用于交通的关键是将其分解。 该公司的氨发电系统的核心技术，是一种名为“裂解器”（cracker）的化学反应器。 该反应器将氨分解成氮气和氢气，其中，氮气可以安全地释放到大气中，氢气可以用于燃料电池来发电。

氨的裂解并不是一个新过程，但他和共同发明者开发了一种化学催化剂，可以帮助反应在较低温度下进行，从而使该过程可以在运输工具上完成。 该团队还开发了一种效率高于当前标准的反应器，可将氨中约 40% 的能量转化为电能。

他正在将废铝变成可持续燃料。

每年有数百万吨铝会被填埋。在 30 岁的 看来，这不仅是可用材料的浪费，也是能源的浪费。

就像其他可以提供动力的燃料一样，铝在发生化学反应时可以释放能量。Peter 希望利用废铝作为重工业领域使用的清洁替代燃料。 为了实现这一目标，他开发了一种化学工艺，可以通过铝与水的结合将其分解。 该过程会产生热量和氢气，二者均可用作能源使用。

2022 年，Peter 创立了一家名为 Found Energy 的公司，将他的发现进行商业化。 该公司计划与铝制造商合作，后者将能够利用从废铝中获得的能源，为其部分操作过程提供动力。

Peter 的目标是开发一种回收铝的新方法，并将该金属转变为能够跨行业使用的可持续燃料。 一立方米的铝所包含的能量，是等量柴油的两倍。 对于需要大量能源的长途运输或工业活动而言，这让铝成为提供动力的候选材料成为可能。

她的全新方法使 3D 打印推进剂成为可能。

推进剂是众所周知的高能材料之一，可用于发射火箭、激活安全气囊或发射大口径炮弹和子弹。

公司通常通过将燃料、氧化剂和其他材料混合在一起，然后倒入模具中进行固化来进行生产。 29 岁的普渡大学机械工程系助理教授 正在开发一种新型 3D 打印方法，来生产推进剂并微调其性能。

这种“逐行”（row-by-row）制造工艺有望使高能材料具有新的形状、更细致的层次或不同的成分。

该方法可以更好地控制推进剂对爆炸的敏感程度、其随时间的燃烧方式、能量密度以及影响推力或轨迹的其他特性。 类似的技术还可以提高用于爆破、采矿和军用炸弹等用途的爆炸物的性能。

制造这种材料是危险的， 需要仔细控制制造过程的运行压力、温度和操作条件。 将厚重、粘稠、类似黏土的物质推入 3D 打印机的微小喷嘴里也是一个棘手问题。 考虑到这些，迄今为止，该方法在很大程度上仅限于能量密度相对较低的材料，这意味着爆炸力或推进力会相对较小。

但 Monique 通过多种方式推动了该领域的发展。 她是第一批使用新兴技术的研究人员之一，该技术可以快速振动 3D 打印机的喷嘴尖端，以更快地挤出此类黏性物质，进而 打印出具有更高能量密度的固体火箭推进剂。Monique 还开发了评估所得材料特性的新技术。

美国国防部陆军研究实验室和几个美国国家实验室，正在或即将开始使用或评估其中一些技术。Monique 无法就这项工作的潜在用途发表评论。 但她表示，她正在研发的方法可以更好地控制火箭的加速速度、飞行距离，或其他发射物体的射程。

她的算法正在帮助电网运营商提前规划。

老化的电网正面临着越来越大的压力： 可再生能源产生的电力份额不断增加，但其发电量会受到天气或时间的影响。 与此同时，电动汽车需要越来越多的电能，日益严重的热浪、洪水和风暴也不断威胁着电力系统的运行。

更复杂的是，越来越多的家庭和企业配备了自己的太阳能电池板、电池或微电网，同时成为了电力的消费者和生产者。

33 岁的 是普渡大学工业工程系助理教授，她正在开发工具，以确保我们的电网在面对这些挑战时仍然可以正常运行。

她还开发了模型来评估电力系统如何根据电源、存储和其他基础设施的组合来应对激增的需求和极端的天气。 例如，她和同事发现，如果德克萨斯州的重型卡车运输行业实现电动化，只需 11% 的车队同时充电，就可能破坏该地区的电网稳定。

Sivaranjani 使用机器学习和她的模型来训练算法，帮助电网运营商管理这些动态的、复杂的系统。该 软件工具可以预测供需情况，或者随着需求、供应和天气条件的变化，在任何特定时刻帮助确定输电和配电网络的最佳电力来源和理想路径。

她的工具还可以帮助整合所谓的需求响应系统。 通过该系统，电网运营商鼓励客户在需求高峰期期间减少能源使用，或者在一定条件下，替代客户进行调整。

要全面解决电网即将面临的挑战，需要在未来几十年内大规模增加清洁发电、能源存储设施和硬件。 但 Sivaranjani 表示，开发更好的算法和其他软件工具，可以快速提高当前电网的性能，并确保我们为未来构建更高效、更灵活和更强大的电网。

他想要抛弃笨重、不灵活的电池。

30 岁的 通过制造可弯曲的电池，正在为电子产品带来新的可能性。

锂离子电池如今为大多数消费级电子产品提供动力，它们往往坚硬且体积庞大，因此极大地限制了新产品的设计和功能。 一个重要原因是电解质，这是电池的化学部分，使电荷能够在电池两极之间传递。 大多数电解质都是由高度易燃的液体制成的， 这意味着，锂离子电池需要一个厚重的保护壳以避免着火。

作为硅谷初创公司 Anthro Energy 的创始人，David 认为他有更好的解决方案。 在斯坦福大学攻读博士时，他开发了一种由合成聚合物制成的新型电解质。 过去的聚合物电解质要么脆，要么导电性差，而他开发的聚合物电解质足够坚固，并且可以弯曲而不影响性能。 由于该聚合物不易燃，用它制成的电池就不需要厚厚的外壳，甚至可以更轻松地内置到其供电的小设备中。 “你设计设备时可以更灵活，而不需要时刻考虑电池。 ” David 说。

2021 年成立的 Anthro Energy 目前正在与多家公司合作，在一系列电子产品中测试其电池，包括可穿戴设备、虚拟现实设备和电动汽车。 David 相信，从长远来看，其产品可以让汽车制造商在固定的空间内安装更多的电池，从而将电动汽车的续航里程提高 30%。

他找到了一种将二氧化碳转化为醇类的方法，后者可以用于制造喷气燃料。

全球不断增长的碳排放量，可能是我们当今面临的最紧迫的问题。34 岁的 相信，他找到了一种方法，不仅可以减少排放，还可以捕获现有的二氧化碳并将其转化为有用的商业产品。

作为 Air Company 公司的联合创始人兼首席技术官，Stafford 开发了一种将二氧化碳转化为醇类的方法。 就像植物利用光合作用将二氧化碳和水转化为糖和氧气一样，Air Company 的专有技术可以将二氧化碳与氢气和催化剂结合在一起，所得液体化合物含有可通过蒸馏分离的醇类。

Air Company 正在销售用其生产的醇类制造的古龙水和伏特加。 Stafford 表示，其真正目标是让航空业用上可持续的喷气燃料，从而实现航空业脱碳。 据国际能源署估计，目前航空业产生的碳排放量占所有能源相关碳排放量的 2% 以上。

目前，Air Company 生产一升喷气燃料大约需要 12 度电，大约是最终产品所含能量的两倍。 该公司购买可再生能源信用来抵消该过程消耗的电力。 目前，他们与美国军方签订了一项有限合同，有望在未来几年内小规模销售喷气燃料。

“在实验室里做的任何事情都不重要。 大多数技术不会在最初的概念验证阶段就夭折，而是会在扩大规模时失败。 ” Stafford 说， “我们已经证明，我们可以在与工业化学技术相关的领域运行我们的反应器系统。 ”

他将锂电池的使用寿命延长了两倍，同时降低了成本和对环境的影响。

32 岁的 开发了一种充电次数更多且制造成本更低的锂电池。 由于锂电池的寿命和成本是电动汽车普及的主要障碍，他的工作可能会在电动汽车的推广方面带来积极影响。

提高电池循环寿命，即电池失效之前可以充电和放电的次数，是一项重大挑战。但研究人员一直无法就导致电池最终失效的原因达成一致意见。

美国阿贡国家实验室的助理化学家 Tongchao 构建了一个新的诊断系统来回答这个问题。该系统统一了多种理论，确定了锂电池的大多数故障发生在阴极，并且是由于每次充电和放电循环期间，阴极内部部件膨胀和收缩时的物理应变造成的。

随后，Tongchao 利用钙钛矿材料开发了一种新的阴极结构，钙钛矿材料可以更好地承受压力。 这项创新工作使他研发的电池寿命增加了两倍，制造成本降低了约 25%，并且不再需要使用钴。 钴被广泛用于现有的锂电池中，其开采环境成本较高。

Tongchao 的长期目标是消除对镍等元素的依赖，并发明一种不受物理压力影响的全新电池化学物质。

他公司的广谱卫星图像让我们更清楚地了解气候变化如何影响地球。

自 20 世纪 50 年代以来，卫星通过捕获地球表面反射的光波来监控天气、农作物等。 但受到云层覆盖、光照条件和距离的影响，卫星图像会呈现出不一致且模糊的状态，而且目前太空中的大多数卫星仅能捕获可见光谱中的光，以及红外光谱中的几个波长。

2021 年， 的公司 Pixxel 发射了第一颗高光谱试验卫星，能够捕获来自可见光和红外光谱中 150 多个波长的轨道图像，可供商业和公共使用。 25 岁的 Awais 表示，不同的分子会反射不同波长的光（称为光谱特征），通过捕获更全面的波长集，Pixxel 的卫星可以提供高达当前卫星 10 倍的地球表面信息。 例如，我们可以了解农作物的内部健康状况，或收集有关雪盖的分子信息，这些信息可能揭示有关气候变化的重要见解。

Pixxel 于 2022 年再次发射两颗高光谱卫星，该公司正在致力于利用高光谱数据构建“地球健康监测系统”。 Pixxel 目前的客户包括农业和矿业机构，他们使用高光谱数据来跟踪土壤和生物多样性的变化。 Awais 计划开源 Pixxel 的一些数据，并向一些气候研究实验室开放访问权限。

她利用电化学开发模块化碳捕获装置。

31 岁的 正致力于开发不依赖热量的模块化碳捕获装置。

捕获空气中或工厂生产过程中释放的二氧化碳，是我们目前应对气候变化的重要手段之一。 但当前使用的热化学机制，要求大多数拥有碳捕获设施的商业工厂维持 7 x 24 小时运转，而且有时他们仍然需要使用化石燃料来产生热能。

Yayuan 正在开发新方法，通过用电化学反应取代热机制，使二氧化碳能够在常温下以更小的规模分离和释放，进而使二氧化碳捕集变得更加普遍可行和环保。其目标 是“未来，每个家庭都有一个小型碳捕获装置，可以处理自家的二氧化碳排放” 。

她已经开发了 20 种新的氮基分子，可用于捕获二氧化碳，其中一些达到了近乎完美的效率。找到 可行的分子只是第一步，为了尽快将这些分子变成实用的设备，Yayuan 不再局限于电化学（她的专业领域），而是领导了一个结合了工程学、材料科学和生物学的跨学科研究小组。

计算

他的软件帮助科学家和公共卫生官员跟踪疾病爆发。

2020 年初，当新冠病毒开始传播时，科学家们很快意识到，追踪病毒的变 异方式对于公共卫生至关重要，因为新毒株的出现会让人们面临更大的风险。 ，加州大学圣地亚哥分校基因组研究所的博士后，协助开发了一款名为 UShER 的软件工具，可以在每个新病毒样本提交后的几分钟内，将这些变异体放在所有已知的 SARS-CoV-2 基因组谱上，对变异体进行追踪。

该工具自 2021 年起开放了在线访问，目前包含超过 1500 万个病毒序列。 它帮助科学家和公共卫生官员发现新菌株、为它们命名并跟踪其演变。 它还使他们能够在全球范围内高精度地实时监测病毒。

最近，该团队构建了另一个名为 RIPPLES 的软件工具，它可以检查 UShER 广泛的基因组谱结构，并研究变体的特定“分支”是否可能是重组体，即基因上不同的混合变体。

在开发 RIPPLES 之前，科学家识别潜在重组体的唯一方法是，记住他们在其他变体中发现的突变。 RIPPLES 使这一过程自动化，让专家能够重建病毒的进化历史。

“如果没有 Yatish 的工作，我们对新冠病毒传播方式的宏观理解将会受到严重影响。 ”加州大学圣地亚哥分校基因组研究所的科学主任 David Haussler 说，他与 Yatish 一起参与了该项目， “其算法驱动的产品是其他人无法制造的，这是病毒如何在全球范围内传播、且具有完整遗传细节的图谱。 ”

他的公司正在研究一种扩展量子计算机规模的新方法。

27 岁的 找到了一种新方法，通过降低基本计算单元（量子比特）的错误率，使量子计算机变得更强大。 现在，他领导的公司 Atlantic Quantum 正在致力于制造量子计算机，他希望这些计算机能够推动加密、材料科学和机器学习领域的发展。

量子计算机之所以如此强大，是因为量子比特可以同时以多种状态存在，从而允许进行新型的计算。 但量子比特非常不稳定且容易出错，因此试图构建足够强大的量子计算机来解决现实世界问题的公司很容易陷入僵局。 每个新加的用于运行计算的量子比特，可能都需要数千个额外的纠错量子比特。 不幸的是，面临的问题呈指数增长而不是线性增长，因此这一问题很难轻松解决。

Bharath 和 Atlantic Quantum 采取了一种截然不同的方法：构建更好的量子比特。他们的 fluxonium 量子比特使用的运行频率，比许多其他公司的 transmon 量子比特低得多。在较低的频率下，信号之间的重叠较少，这意味着干扰更少、错误也更少。

研究人员对 fluxonium 量子比特的研究约有十年之久， 但它们的优势并未得到充分利用，因为它们的设计和构建更加复杂，更难以控制。

Bharath 通过开发用于构建和控制低频量子比特的新电路来解决这些挑战。他还证明了基于 fluxonium 的量子计算机，可以用比其他类型的量子计算机更简单的硬件来控制，因为在不牺牲处理速度的情况下，他们的操作更慢。

更环保的芯片，更可持续地制造和处理。

28 岁的 正在开发更环保的芯片。微机电系统 （MEMS） 是一种微型芯片，常用于如血压计和加速度计等设备里面的传感器。由于它们经久耐用，一旦设备不再使用，它们通常就会成为电子垃圾。Quansan 率先发明了一种材料和芯片结构，能够使 MEMS 芯片具有降解性，但依然高度有效。

这项工作在生物医学领域具有重要意义。 患者被植入可监测某些生物指标的 MEMS 植入物后，无需再进行另一次摘除手术，因为该设备将在几个月内降解并被人体吸收。 该创新成果还可用于农业生产和环境传感器，这些传感器在完成预定用途后会降解，无需手动拆卸，还能防止设备污染环境。

Quansan 并没有就此止步。 他还发明了一种新的基于激光的制造工艺，能够高效、低成本地生产可生物降解的芯片。 “许多人希望使芯片的制造变得可持续，其他人正在尝试制造可降解的电子产品，但他们的制造方法实际上是不可持续的。 ”他说， 他的工作为更全面的方法奠定了基础， “如果我们能够使设备的整个生命周期变得可持续，从制造到运行再到处理，那将是非常酷的一件事。 ”

机器人

他正在教机器人从错误中学习。

31 岁的 是纽约大学计算机科学研究员，他希望看到家庭机器人能做更多事情，而不仅仅是吸尘：“我们怎样才能真正创造出在我们的生活里不可或缺的机器人？比如它可以做家务、可以为老年人做护理或康复，也就是，当我们需要它时，它就在我们身边。”

实现这个目标的主要问题在于，训练多技能机器人需要大量数据。Lerrel 的解决方案是找到收集数据的新方法，特别是让机器人在学习时收集数据，这是一种名为自监督学习的方法，该方法也获得了 Meta 首席人工智能科学家、Lerrel 在纽约大学的同事 Yann LeCun 的支持。

可以煮咖啡或洗碗的家用机器人，这个想法已存在数十年了。但这样的机器仍然只存在于科幻小说中。最近人工智能其他领域，特别是大型语言模型，取得了巨大的进展，它们利用了从互联网上抓取的大量数据集。但 Lerrel 表示，机器人领域无法这样做。

2016 年，Lerrel 实现了他的第一个里程碑，当时他让机器人创建和标记自己的训练数据，并在没有人类监督的情况下 24 小时运行，由此创建了当时世界上最大的机器人数据集。

此后，他和同事开发了学习算法，使机器人能够在出现故障时进行改进。机械臂可能多次无法抓住物体，但这些尝试的数据可用于训练成功的模型。该团队已经用机械臂和无人机演示了这种方法，每个掉落的物体或碰撞都变成了宝贵的经验教训。

她的机器人在设计时就考虑到了大自然。

这听起来像是科幻小说中的情节：用活体组织制成的机器人， 但 33 岁的 用一系列生物材料制造了机器人，目的是让机器人技术更加环保。

现在，机器人已在自然环境大量使用中，比如监测海洋或帮助收割农作物，但这些机器人通常是由有害金属制成的。 由于柔软的机器人腿和手臂很难附着在较硬的身体上，因此使用柔性、可生物降解的材料来制造机器人的尝试往往不会成功。 卡内基梅隆大学机械工程系教授 Webster-Wood 说： “在两者交接处，可能会出现撕裂或缺陷。 机器人可能会因此解体。 ”

为了解决这个问题，Webster-Wood 从肌腱（将肌肉与骨骼连接的组织）中汲取了灵感。 她的团队使用新型 3D 打印喷头，通过将胶原蛋白等更强的纤维嵌入由海藻等材料制成的软线中，构建了生物衍生材料执行器，即能让机器人移动的组件。 这些肌腱状的执行器可以连接到软体机器人的肢体和硬质机器人身体上，降低机械故障的可能性。

除这项创新外，Webster-Wood 在新兴的生物混合机器人领域还有多项优秀成果，包括用海蛞蝓的肌肉制造机器人的腿，以及对动物的神经系统进行建模，以研究由生物材料制造的机器人如何在没有外部控制的情况下运行。其 目标是让机器人更像它们模仿的动物。

她的微型软体机器人可以模仿动物的动作。

过去 30 年来，机器人在医学领域发挥着越来越重要的作用。 这些可编程机 器现在可用于外科手术室，能实现更高的精度、更小的切口和更快的愈合时间。 但由于它们主要由连接到相机和手术工具的机械臂组成，因此它们只能执行某些特定的程序。

33 岁的 是斯坦福大学机械工程系助理教授，她希望改变这一现状。她的实验室开发了能够进行更灵活运动的微型机器人。受折纸艺术的启发，Renee 的毫米级机器人具有章鱼触手的力量和灵活性。

“虽然我们有骨头，但人体的大部分结构实际上是基于软体系统的。 生物医学设备需要与这些系统兼容。” Renee 说， “从自然界中寻找灵感并复制，是很有意义的，因为大自然已经经过了优胜劣汰。 ”

Renee 使用由研究折叠结构的建筑师 Biruta Kresling 开发的结构，创造了可以扭转和弯曲，但仍然保持稳定的微型圆柱形机器人。 机器人中嵌入微小的磁性材料颗粒后，Renee 就能够利用磁场来进行操控。

这些机器人的尺寸和灵活性，是可用于分解血栓、将药物输送到特定区域或提供身体内部运作图像的理想工具。Renee 的实验室目前正在尝试可生物降解的材料，这可以让机器人在完成任务后在人体内安全分解。

“未来，我们将与医生密切合作，以确定真正的临床需求。 ” Renee 说，“我们不想解决虚构或想象的问题，而是 希望利用我们的专业知识帮助医生应对具体的挑战。 ”

无需钻孔，她用加热机器人来穿透岩石。

30 岁的 一直认为自己是一名手工爱好者。这种动手精神使她发明了一种可以利用热量，而非爆破或钻孔等物理方法来穿透岩石的方法。作为 Petra 公司的联合创始人兼首席产品官，Shivani 领导了一款机器人的研发，该机器人可以利用喷气发动机产生的热量来粉碎岩石。

非接触式钻孔的想法出现在 20 世纪 70 年代，当时科学家开始尝试核反应和等离子体作为传统钻孔的替代品。但结果证明都不可行 。 在斯坦福大学就读时，Shivani 在该校的金属车间里，亲眼目睹了由喷气发动机驱动的小型火炬的有效性。

在 Petra，她假设同样的过程也适用于岩石，当岩石在受到高温作用时会膨胀并最终破裂， Shivani 把这个过程比作将冷玻璃盘放入非常热的烤箱中。 借助她设计的喷气发动机和定制的后燃器，Shivani 和她的团队创造了一种高效的割炬，可以穿透最坚硬的岩石，但对周围环境影响很小。

Shivani 表示，与传统钻探相比，“它更安全、更实惠，而且由于可以使用生物柴油作为燃料，因此也更可持续”。

他的系统帮助自动驾驶汽车“解释”其决策过程。

神经网络经常做出连系统设计者都无法完全理解的决策。 这种“可解释性”问题使得修复有偏见或不准确的结果等缺陷变得更加困难。 31 岁的 正在致力于解决自动驾驶汽车的可解释性问题。 他开发了一种技术，可以就汽车为何以特定方式做出反应，向工程师和驾驶员提供基于视觉和语言的解释。

他最近的研究通过使用决策树技术，可以对汽车感知和决策规划系统的数据进行解析，进而自动生成有关汽车行为的评论，包括语音解释、驾驶指令和视觉图表。 Daniel 的模型足够灵活，可以与不同的自动驾驶汽车搭配使用，也可以通过汽车之前记录的数据或处理有关车辆在运行过程中的操作信息，生成可能的解释。 他目前正在致力于将交通法规整合到该系统中。

Daniel 希望提高自动驾驶汽车的安全性，并帮助人工智能工程师更高效地编写系统。 他希望他的模型能够提高消费者对人工智能技术的信任。 “深度学习模型有时会产生疏远感，尤其是对那些需要解释才能信任该系统的人而言。 ”他说。

他正在构建帮助人类在深空生存的系统。

无论是电动汽车的生产，还是交通基础设施的电气化，都离不开稀土元素，但稀土元素在地球上的储备极其有限。同时，稀土元素的提取也需要消耗大量能源，还要付出高昂的环境成本。

为找到更多这样的元素，有些人已经开始将目光投向地球以外的地方，甚至还有人讨论要在太空建立重工业。不过 要做到这些，都需要派遣更多的宇航员前往遥远的行星和小行星。但当前 用于深空旅行的火箭推进剂的成本非常高。

34 岁的 一直梦想着实现更频繁的载人航天任务。 他是太空科技公司 Lunar Outpost 的联合创始人，拥有麻省理工学院航空航天博士学位。 现在，他的工作可以帮助降低太空探索的成本，并推动太空采矿业的发展。

在过去的八年里，他一直是 MOXIE 开发团队的一员，这是一款烤面包机大小的设备。 MOXIE 于 2021 年伴随 NASA 的“毅力”号火星车登上火星，并成功将这颗红色星球以二氧化碳为主的大气样本转化为氧气。

这是有史以来首次有一种机器人系统将其他行星的自然资源为人类所用， 也是迈向人类领导的火星任务的重要一步。

未来某天，同样的系统也可能会被用来为从火星返回的任务制造火箭推进剂，这可能为美国宇航局节省数十亿美元。Forrest 说： “它使得往返火星成为可能。 ”但仍然还有许多其他挑战有待解决，例如如何保护宇航员免受太阳的强大辐射，以及是否有可能在火星的土壤中种植农作物等。

现在，Forrest 正专注于领导美国宇航局前往月球南极的首次月球车任务，这是美国从未探索过的地区。该计划预计在今年晚些时候进行。他和团队希望月球车能够探测到水，这也可以用来制造火箭推进剂和收集月球土壤样本。

- End -