2023年度「35歲以下科技創新35人」全球入選者正式發布

展望未來，一些進展尤其令人興奮：

內容提示（Prompting）：ChatGPT 的爆火讓人們很好地了解到內容提示，現在很多人已經掌握了如何讓人工智慧模型迅速寫出一封電子郵件或一首詩。但是，軟體開發者才剛剛意識到，內容提示可以幫助他們在幾分鐘內構建出強大的人工智慧應用程式，而過去這需要幾個月的時間才能完成。或許未來，大量的人工智慧應用將通過這種方式構建。

視覺 Transformer：文本 Transformer，即基於 Transformer 神經網絡架構的語言模型，由谷歌大腦及其合作者於 2017 年開發，如今已經徹底改變了寫作。2020 年，視覺 Transformer 一經推出便獲得了廣泛關注，它讓 Transformer 可以完成計算機視覺任務，比如識別圖像中的對象。現在，技術社區中對視覺 Transformer 的討論，讓我想起了 ChatGPT 出現前幾年大家對文本 Transformer 的討論。圖像處理領域也即將迎來一場類似的革命。

人工智慧應用：媒體對人工智慧的硬體和軟體基礎設施以及開發工具給予了很多關注。但除非在其之上建立更有價值的人工智慧業務，否則這種新興的人工智慧基礎設施很難成功。因此，儘管很多媒體的注意力都集中在人工智慧基礎設施層，但人工智慧應用層未來會有更多的增長。

這些領域為創新者們提供了很多機會。其中，許多領域都適用於具備技術知識的人，而不僅僅是那些已經涉足人工智慧領域的人。在線課程、開源軟體、軟體服務和在線研究論文為每個人提供了學習和創新的工具。即使這些技術目前還不在你的掌握範圍內，許多其他創新途徑也是開放的。

我們要知道，許多最初看似有希望的想法，最後會無疾而終。面對創新，失敗不可避免。以下是我參與過的一些項目，你可能沒有聽說過，因為它們都失敗了：

我花了很長時間試圖讓飛機自動編隊飛行以節省燃料（類似於以 V 字形飛行的鳥類）。事後看來，這個項目有些糟糕，而且應該使用更大的飛機；

我曾嘗試使用機械臂把洗碗機里尺寸和形狀各異的餐具取出來。現在看來，這件事開始得太早了，當時用於感知和控制的深度學習算法還不夠好；

大約 15 年前，我認為無監督學習（即讓機器學習模型能夠從未標記的數據中學習）是一種很有前途的方法。事實證明，我同樣踩錯了時間點。不過，隨著數據可用性和計算能力的增長，現在它終於開始發揮作用了。

這些努力沒有成功時，我感到很痛苦，但我學到的經驗教訓對其他項目的成功很有幫助。V 字形編隊的失敗，讓我學會了更好地規劃項目，並預先承擔風險；洗碗機機械臂的失敗，引導我的團隊構建了機器人作業系統（ROS，Robot Operating System），現已成為一個流行的開源框架，主要應用於自動駕駛汽車和機械狗之類的機器中。儘管我最初關注無監督學習是一個糟糕的選擇，但事實證明，我們所做的工作對於擴展谷歌大腦的深度學習研究至關重要。

創新從來都不是一件容易的事。當你做一些新的事情時，也會存在質疑。我年輕時做的很多項目，儘管最終被證明是成功的，但做的過程也曾遭到質疑。這並不是說質疑者總是錯誤的，對於大多數不成功的項目，質疑也會存在。

隨著經驗的積累，我發現越來越多的人會同意我所說的，這讓人很擔心。我希望有人願意「挑戰」我。幸運的是，現在當我做錯了一些事情時，我周圍的人都會如實地告訴我。

儘管有時候質疑是良性的，甚至是必要的，但社會需要創新成果，所以我們要對創新保持樂觀態度。我願意支持那些想要嘗試、但可能會失敗的樂觀主義者，而不會支持那些質疑創新可行性的悲觀主義者。

當我們把人工智慧當作整個社會價值創新的驅動力時，社會責任感就更加重要了。無論是否在人工智慧領域工作，人們對人工智慧可能造成的危害都有所了解，其中既有短期問題（如技術的偏見和有害應用），也有長期風險（如權力的集中和潛在的災難性應用）。就這些問題進行公開且嚴謹的對話非常重要，因為這樣一來，我們可以就真正的風險是什麼，以及如何減少風險達成一致。

在過去的 20 世紀，不斷湧現的創新浪潮降低了嬰兒死亡率，提高了全球識字率以及人們的生活水平，還促進了公民權利的發展，包括保護婦女、少數族裔和其他邊緣群體的權利。但創新也導致了氣候變化、加劇了不平等、讓社會兩極分化、增加了孤獨感等。

顯然，創新是一把雙刃劍，收益伴隨著風險，但我們總不能很明智地管理這些風險。人工智慧是下一波浪潮，我們需要吸取過去的教訓，最大限度地為每個人謀求福祉，同時將傷害降到最低。這需要每個人和全社會共同承諾。

社會層面，各國政府正著手推動對人工智慧的監管。一些創新者認為，監管在一定程度上是對進步的限制，我對此有不同看法。面對不確定的未來，監管可以幫助我們在避免錯誤的同時帶來新的好處。我支持那些要求大型科技公司提高運作透明度的監管，因為這可以幫助我們了解它們的影響，並引導其朝著實現更廣泛社會利益的方向發展。許多現有法規是為前人工智慧時代制定的，現在我們需要新的法規。新法規應該明確，在醫療健康和金融等重要領域，我們想要什麼結果，要避免哪些問題。

但是，避免危害不該只是社會的首要任務，它還應成為每個創新者要優先考慮的事情。作為技術專家，我們有責任了解研究成果的影響，並以有益的方式進行創新。許多技術專家一貫的態度是，技術的發展不可避免，我們對此無能為力，所以乾脆不設限制地自由創新。這是不對的。

當創新者選擇致力於差分隱私（允許人工智慧從數據中學習而不暴露個人身份信息）時，他們發出了一個很強有力的信號，即隱私很重要，這有助於制定公共和私人機構都能採納的社會規範。相反，當創新者創建 Web3 加密協議來洗錢時，也發出了一個我認為有害的信號，即政府不應該擁有追蹤資金的轉移和支出方式的能力。

作為科技從業者，如果你發現了不道德的行為，我希望你向同事和主管提出這個問題，並與他們展開建設性對話。如果有人請你做一些你認為對人類有害的工作，我希望你能努力制止這種行為。如果你無法這樣做，那麼請考慮離開。在 AI Fund，我已經取消了那些我認為經濟上合理但不合乎道德的項目，我希望大家都可以這樣做。

現在，你所要做的就是勇往直前，勇於創新！如果你已經身處這場創新遊戲，請堅持下去，沒人能預測你未來會取得哪些偉大的成就。如果你的想法還處於襁褓階段，不妨與他人分享並尋求幫助，努力將其變成切實可行的項目。現在就開始行動吧，讓我們一起探索創新力量造福社會的未來！

2023 年《麻省理工科技評論》「35 歲以下科技創新 35 人」全球入選名單如下（*以下排序不分先後）。

人工智慧

她正在重新思考如何確保人工智慧的安全。

當我們將人工智慧系統從實驗室推向產業應用時，我們需要提前考慮到可能出現的意外和故障。威斯康星大學麥迪遜分校助理教授 Sharon Li 開發了一種名為「分布外（out-of-distribution，OOD）檢測」的人工智慧安全功能。她表示，當人工智慧模型面對未經訓練的情況時，這一功能可以幫助其確定是否應該放棄採取行動。

Sharon 開發了第一個用於深度神經網絡的分布外檢測算法。隨後，谷歌成立了一個專門的團隊將分布外檢測集成到其產品中。2022 年，Sharon 關於分布外檢測的理論分析在 NeurIPS（人工智慧領域知名會議之一）的 10000 多篇投稿中，被選為傑出論文（outstanding paper）。

我們目前正處於人工智慧的熱潮中，科技公司競相發布人工智慧模型，但大多數模型通過訓練只能識別特定的事物。當它們在不可預測的現實世界裡遇到不熟悉的情境時，往往會失效。它們無法正確、精準地理解自己所「知道」的和「不知道」的，這是許多人工智慧失敗的真正原因。

Sharon 的方法利用機器學習來檢測現實情境中的未知數據，並設計人工智慧模型進行實時調整，從而接受不確定性。它可以幫助自動駕駛汽車在路上遇到不明物體時避免交通事故的發生，也可以幫助醫療人工智慧系統在發現新疾病方面發揮更大的作用。

「在所有這些情況下，我們真正需要的是一個具有安全意識的、可以識別自己不了解內容的機器學習模型。」Sharon 說。

她的目標是讓新型人工智慧模型對開發者和公眾都更安全。

當新型生成式人工智慧模型發布時，無論是聊天機器人，還是圖像生成器，抑或是底層模型的功能，都比模型的發布形式及其受眾、甚至開源還是商用更受關注。但這些情況往往會產生深遠的影響。比如，一方面，更高的開放性意味著有更多的機會來審核和評估模型，但也為不良行為者的濫用提供了可能；另一方面，更封閉的系統可能會導致技術力量過於集中，但會限制其潛在的危害。

2019 年，時任 OpenAI 研究員兼公共政策經理的 Irene Solaiman 提出了一種發布 GPT-2 模型（ChatGPT 的前身）的新方法。該方法考慮了如何在平衡某些安全措施的同時，增加開放性，並將傷害降到最低。Irene 建議分階段發布新模型，以便有更多時間進行測試並構建防範措施。現在，OpenAI、微軟和 Meta 分別在其 ChatGPT、全新必應（Bing）搜索和 LLaMA 模型中均使用了這一方法。

現年 28 歲的 Irene 在離開 OpenAI 後，加入了人工智慧初創公司 Hugging Face，任全球公共政策總監，繼續致力於為未來人工智慧模型的發布方式建立清晰、標準化的流程。此外， 她還從事人工智慧安全其他方面的工作，比如開發新方法以確保在部署新系統前，可以提前考慮社區的文化價值觀。

Irene 表示，她希望生成式人工智慧不僅可以被開發人員利用，還可以為每個人提供幫助，也就是那些「不與生成式人工智慧系統直接交互，但可能會受到影響的人」。

他的系統將計算與人類判斷相結合，性能優於其他圖像生成算法。

34 歲的 Richard Zhang 是 Adobe 高級研究科學家，他發明了圖像生成人工智慧模型（如 Stable Diffusion 和 Stylegan）的視覺相似性算法（visual similarity algorithms）。

在加州大學伯克利分校攻讀博士學位期間，Richard 開始探索生成式人工智慧。當時，他創建了一種被廣泛使用的算法來對黑白照片進行著色，後來這項工作成為 Adobe Photoshop 中的 Colorize 工具。

進行這項工作時，他意識到，目前還沒有一個「良好的客觀度量標準」來訓練人工智慧系統。他表示，很難制定一個說明，哪些特徵會讓人們覺得圖片好看，無論是逼真的色彩，還是圖像的清晰度。

為了衡量不同圖像在人類眼中的相似程度，大多數算法使用了數學模型，但人類感知很複雜，很難被數學問題所概括。於是 Richard 創造了更優越的算法 LPIPS，這是他目前最有影響力的項目。

LPIPS 的獨特之處在於，它將包含人類感知判斷的大數據集納入其計算中，這使它超越了以前的所有模型（其中許多模型已經使用了幾十年），並成為感知相似性的新標準。如果沒有 LPIPS，今天的圖像生成人工智慧就很難實現。

自 2018 年加入 Adobe 以來，Richard 的研究成果已被整合至該公司的商業軟體工具中，包括 Photoshop 的風景混合器（landscape mixer）和智能人像功能（smart portrait features）。此外，他還致力於開發檢測人工智慧生成圖像的算法，這些算法現在是 Adobe Stock 取證工具的一部分。

她正在利用人工智慧打造建築材料領域的循環經濟。

34 歲的 Catherine De Wolf 是蘇黎世聯邦理工學院建築系的助理教授，她正在利用人工智慧，來幫助減少建築行業的排放和材料浪費。其目標是幫助實現一次性建築材料使用理念向循環利用理念的轉變，即重複使用被拆除的建築材料，因為使用舊建築材料比採購新建築材料更便宜。

待拆除的舊建築里有很多昂貴的半成品，如窗戶、金屬和木材。但由於沒人知道建築物材料里具體包含什麼，因此最直接、最容易的處理方法便是拆除後將廢物送往垃圾填埋場，然後生產新的材料來進行新建築的建造。但這一過程會產生額外的排放。

「我的想法是，如果我們有一些工具可以通過掃描建築物，把材料的尺寸、類型、狀態等情況進行數字化，」 Catherine 說，「然後，將這些信息輸入到某個應用中，會怎樣呢？」

首先，Catherine 和她的團隊將來自谷歌街景（Google Street View）、雷射雷達掃描和建築文檔的數據輸入到他們構建的人工智慧系統中，該系統可以預測每棟建築可能包含的材料，以及如何在之後的項目中繼續使用這些材料，然後，她和團隊再用二維碼標記回收的材料。她希望這一過程未來能夠成為建築施工的標準流程。這些二維碼會連結到一個資料庫，該資料庫提供該材料的歷史記錄和重要的物理特性。

在一個項目中，Catherine 領導的團隊為巴黎蓬皮杜中心（Centre Pompidou）的標誌性玻璃面板（因為監管變化被拆除）找到了一家公司，該公司用這些玻璃面板搭建了一間小型辦公室。在另一個項目中，她用該方法打造了一個測地線圓頂，其所使用的材料全部來自於日內瓦的一個舊汽車倉庫。她希望開發一款應用程式，將可重複使用的材料與未來的建築項目相匹配。

他正在使用人工智慧改變化學反應的進行方式。

29 歲的 Connor Coley 開發了一款開源軟體，利用人工智慧來幫助發現、合成新分子。這套工具名為 ASKCOS，已被十幾家製藥公司和數萬名化學家用於創造新藥物、新材料和更高效的工業流程中。

長期以來，開發新分子的最大瓶頸之一是確定有潛力的候選藥物並進行測試。過去，這個過程或多或少都以相同的方式進行：對已知分子進行微小的改變，然後測試新分子的生物、化學或物理特性。

Connor 的方法是一種用於化學領域的生成式人工智慧。化學家先標記出自己感興趣的特性，然後人工智慧驅動的算法針對最有可能具有這些特性的新分子提出建議。該系統通過分析已知分子及其當前特性，進而預測微小的結構變化可能會帶來的新行為，進而提出建議。

這樣一來，化學家就不會在那些不太有效的結構上浪費太多時間。「我們的方法讓搜索有效結構的次數減少了兩倍、三倍、甚至十倍。」 Connor 說，他現在是麻省理工學院化學工程和計算機科學系助理教授。

一旦識別出候選分子，Connor 的軟體就會提出生產它們的最佳方法。他表示，即使化學家「想像」出了一個分子，弄清楚合成方式也不是一件容易的事。

為此，該系統為化學家提供了「配方」，遵循給出的步驟可能會帶來高產量。未來，Connor 將致力於實現實驗室機器人和系統的結合，以便有更多自動化系統能夠通過遵循這些建議的步驟進行測試和改進。

他教會人工智慧自學醫學圖像。

28 歲的 Pranav Rajpurkar 開發了一種讓人工智慧自行學習，並準確解讀醫學圖像的方法，使用時無需人類的任何幫助。

他的系統已經可以達到人類專家的水平，能夠識別可能被忽略的病理，從而防止誤診導致的不必要的醫療程序。Pranav 的最新模型名為 CheXzero，可以進一步提高其性能，並擴展其可處理的圖像類型。

2018 年，當 Pranav 推出允許計算機讀取胸部 X 光片的早期模型時，遇到了一個問題：數據短缺。當時，人工智慧系統用於學習的圖像，主要依靠放射科醫生手動標記。一個人標記單個圖像需要幾分鐘的時間，而人工智慧系統需要數十萬張圖像才能學會它們所看到的東西，因此該領域很快就陷入了困境。

Pranav 的新方法完全不需要人類標記，而是將一組醫學圖像（取自任意數量的私人或公共數據集）與相對應的放射學報告進行比較。系統可以自動將圖像與報告中（以文字形式）描述的問題進行匹配。這意味著 CheXzero 可以使用海量資料庫來學習識別潛在問題，而無需人工準備數據。這種技術又被稱為 「自監督學習」。

Pranav 現為哈佛醫學院生物醫學信息學助理教授，他表示，自己的夢想是最終建立一個能夠獲取患者醫療記錄，並識別醫生可能錯過的問題的系統。

他正在使用遊戲人工智慧來改進基本計算。

34 歲的 Alhussein Fawzi 是開創性地利用遊戲人工智慧來加速基本計算的帶頭人。對流行算法的微小改進可以帶來巨大的影響，比如，降低運行這些算法的設備成本，節約能源。

但優化科學家研究了數十年的代碼，是一個難題。Alhussein 的想法是將尋找新算法的問題視為一種遊戲，並用 DeepMind 的遊戲人工智慧 AlphaZero 來攻克它。

為了在西洋棋這樣的遊戲中獲勝，AlphaZero 會搜索大量走法的可能性，然後選擇最有可能獲勝的棋步。正確算法的排列指令順序有點像選擇贏棋的招式，就像西洋棋一樣，它需要搜尋無數的可能性才能達到目的。

利用 AlphaZero 的改進版本，Alhussein 和同事找到了一種加速矩陣乘法的方法，這是許多常見電腦程式的數學基礎，涵蓋了從圖形到物理再到機器學習等各個領域。他們發現的算法比之前的算法還要快，打破了保持了 50 年之久的記錄。

谷歌 DeepMind 還使用 Alhussein 的方法發現了排序算法中此前未知的捷徑，這種排序算法每天在無數程序中運行了數萬億次。

「你要知道，現在我們使用的很多基本算法，實際上是在現代計算機時代之前開發的，其中大部分是在紙上完成的，這令人震驚，」Alhussein 說，「利用機器學習來嘗試改進這些算法是有幫助的。」

她正在測量人工智慧的氣候足跡。

在構建更強大的人工智慧模型競賽中，科技公司隱藏了一個負面信息：人工智慧的碳足跡。人工智慧系統的構建和運行需要大量的能源和水，一旦部署，每天的碳排放量高達數噸。

33 歲的 Sasha Luccioni 是人工智慧初創公司 Hugging Face 的研究員，她開發了一種方法，來估算和測量人工智慧語言模型的碳足跡。該方法可以幫助企業計算人工智慧系統的二氧化碳排放量（包括訓練它們所需的能源、材料和計算能力等），以考慮其整個「生命周期」中對氣候產生的影響。例如，她的團隊發現，訓練、構建和運行 Hugging Face 的人工智慧語言模型 BLOOM 已經產生了大約 50 噸的二氧化碳排放。

卡內基梅隆大學計算機科學系助理教授 Emma Strubell 告訴《麻省理工科技評論》，Sasha 的工作是「迄今為止對大型機器學習模型碳足跡最徹底、真實和詳盡的分析」。Emma 曾在 2019 年發表了一篇關於人工智慧對氣候影響的開創性論文。

Sasha 表示，她的方法可以幫助人們對人工智慧做出更明智的選擇，因為「沒有其他人對語言模型的排放進行過如此深入的計算」。據悉，她的工具 Code Carbon 現已被下載超過 30 萬次。

「了解這些模型對環境的影響，對於提前解決問題並提高它們的效率極其重要。」她說。

生物技術

她探索了形成特定細胞類型的因素。

當人們對基因編輯工具 CRISPR 感到興奮不已的時候，32 歲的 Julia Joung 來到了麻薩諸塞州劍橋市博德研究所 (Broad Institute) ，加入基因編輯專家張鋒（Feng Zhang）實驗室。在那裡，Julia 深入研究了「基因組規模篩選」，即使用 CRISPR 等工具來改變人類基因組中 20000 個基因中的每一個，然後觀察會發生什麼。

這種基因篩查通常在幹細胞中進行，是數據驅動型實驗室探索生物學邏輯的首要任務之一。

理論上，幹細胞可以被誘導發展成任何類型的細胞。但實際上，許多類型很難甚至不可能在實驗室中生成。

名為轉錄因子的蛋白質可以決定細胞成為什麼類型。但究竟哪些是轉錄因子呢？要知道，我們的身體里有 1500 多種因子。

最初，Julia 找到了一個可以將幹細胞轉化為神經系統細胞的單一因子。但她的研究演變成了一個更大的項目。為什麼不將每個轉錄因子添加到幹細胞中，並觀測每個因子對這些細胞行為的影響？

她的研究結果於 2023 年 1 月發表，是一個關於個體轉錄因子如何影響幹細胞身份的「圖集」。她說，自己的終極目標「是能夠以一種非常可控的方式製造任何類型的細胞」。

特定細胞的供應可用於測試藥物或新型療法。其他研究轉錄因子的科學家希望找到能夠在實驗室中形成人類卵子的組合，甚至提供「返老還童」療法的關鍵。「我們在篩選時不只是生成列表，這是一個有目標的列表。」Julia 說，「而且最終目標是不變的。」

她正在開發下一代 RNA 疫苗。

mRNA 疫苗及其背後的科學家為應對 Covid-19 疫情做出了突出貢獻。這些藥物的作用是傳遞一些遺傳密碼，讓我們的身體能夠產生應對病毒的抗體。如今，僅在美國就已接種了超過 3.6 億劑 mRNA 新冠疫苗，還有許多此類疫苗正在研發，用於流感病毒、愛滋病毒和癌症治療。

但還有很大的改進空間。33 歲的 Anna Blakney 是加拿大英屬哥倫比亞大學的生物工程師，她正在尋找更好的 RNA 疫苗，即更有效、提供更持久保護，可以以更低劑量遞送副作用更少的疫苗。

現有 mRNA 疫苗的常見副作用包括發燒和發冷，有些人還曾出現心血管問題，如血栓。「目前該領域最大的挑戰之一，是安全性以及新疫苗的副作用。」 Anna 說，「未來，我們確實需要考慮，如何最大限度地減少我們需要使用的 RNA 劑量。」

為此，Anna 將重點放在了自擴增 RNA（self-amplifying RNA）上，這是一種一旦進入細胞就能自我複製的 mRNA。理論上，與標準 mRNA 相比，你在疫苗或治療中需要使用的自擴增 mRNA 更少。「你可以使用約百分之一劑量。」 Anna 說，「標準 mRNA 通常編碼蛋白質的時間大約是 3 到 5 天，自擴增 RNA 可以的編碼時間為 30 到 60 天左右。」 這意味著它在體內的作用時間比現有疫苗更長，因此可能不需要頻繁接種加強針。

此外，Anna 還一直研究如何為 mRNA 添加新功能。在她最近進行的一個項目里，她加入了一種新蛋白質的編碼，有助於 mRNA 避開人體免疫系統的攻擊。因此，mRNA 可以更長時間地發揮作用，產生更多蛋白質。「它作為疫苗效果更好。」 Anna 說，目前該藥物已在兔子身上進行了測試。

她用 3D 列印技術製作用於治療耳膜穿孔的醫學移植物。

導致耳膜破損的原因有很多，感染和受傷是較為常見的，而壓力的改變，如潛水，也可能會引起耳膜穿孔。

30 歲的 Nicole Black 在哈佛大學工程科學系攻讀研究生時，從兩位耳科醫生那裡了解到，耳膜修復並不像聽起來那麼簡單。耳膜修復手術通常涉及到從頭部的其他部位切下一些組織或軟骨，然後用它修補破損的地方。手術並不總是成功的，患者經常需要多年後進行後續手術。

因此，她開始著手開發更好的治療方法。她的目標是 3D 列印一種可用於修補的全新材料，就像健康的耳膜一樣。

這並不容易，因為耳膜具有特殊的性質，可以傳導聲波。「耳膜在遇到低頻時，會像軟材料一樣振動，而在高頻時會像硬材料一樣振動。」 Nicole 說。該材料需要能夠支持細胞（包括血管）的生長，還需要足夠堅固，能夠承受外科醫生的操作。但人類的耳膜厚度只有 80 微米左右，約等於人類頭髮的寬度。「這個過程要不斷經歷試錯。」她說。

Nicole 開始在毛絲鼠穿孔的耳膜上測試這些設備，之所以選擇毛絲鼠，是因為它們的耳朵很大，耳膜幾乎與人類的大小相同。當她開始獲得比較積極的結果時，與人一起成立了一家名為 Beacon Bio 的公司，以進一步發展這些技術。不久後 Beacon Bio 被 3D 列印公司 Desktop Metal 收購，Nicole 目前擔任該公司醫療健康部 Desktop Health 的生物材料和創新副總裁。

Nicole 說，她最重要的突破是能夠列印出一種具有特殊結構的材料，可以讓細胞以特定模式生長。這對於耳膜至關重要，同時，她也表示，這對利用 3D 列印醫療設備列印其他器官和組織也將發揮作用。

她開發的設備的最新版名為 PhonoGraft，形狀有點像扁平的線軸，因此可以將其擠壓穿過耳膜上的孔，來到耳膜的另一側。

這種簡單的設計意味著，病人不需要耳科專科醫生就能實現插入。理論上，「任何經過培訓的耳鼻喉專家，只要會操作內窺鏡檢查耳朵，就可以放置這種設備」。 Nicole 表示， 她希望在 2024 年底開始在人體展開測試。

Nicole 還計劃為解決其他健康需求開發設備。其下一個目標是製造血管移植物（比如可以在搭橋手術後使用），來幫助修復血管損傷。

她的技術讓我們看到哪些神經元與特定行為有關。

33 歲的 Christina Kim 開發了一種技術，用於識別參與不同動物行為的神經細胞，這可能會為抑鬱症、焦慮症、藥物和酒精成癮等神經精神疾病提供更好的治療方法。

在人類和動物的大腦中，神經細胞（也稱為神經元）包含數百種不同類型的細胞。一直以來，科學家很難檢測哪種類型的細胞會因特定的刺激而被激活，其中這些刺激包括大聲喧譁、濃烈的氣味或藥物注射。小鼠的大腦與人類的大腦有很多相似之處，過去用於記錄小鼠大腦不同類型神經活動的方法，通常僅限於特定的大腦區域，或者會抑制科學家希望研究的行為。

Christina 的方法是她在史丹福大學做博士後研究時開發的，其工作原理是識別鈣離子水平升高的神經細胞，當神經細胞興奮時，鈣離子就會進入其中。她的團隊給小鼠注射了經過基因修飾的蛋白質，將其大腦暴露在藍光下，並記錄了注射尼古丁，以及經過其他外部刺激後的反應。在鈣離子水平較高的神經細胞中，這種藍光促進了另一種蛋白質的轉錄，該蛋白質具有螢光標記，可在顯微鏡下檢測到。隨後，她的團隊使用 RNA 測序來揭示被標記的神經細胞中存在的特定基因，進而有效地確定其類型。

Christina 現在是加州大學戴維斯分校的神經科學教授，她正在改進這項被稱為 FLiCRE（fast light and calcium-regulated expression）的技術，以便更好地理解大腦信號傳導在分子水平上的工作原理，最終推動開發更有針對性和有效性的療法。

她的 3D 列印設備可以識別血管中的危險斑塊。

34 歲的 Jiawen Li 設計了一種微型設備，可以幫助心臟病專家解決一個常見問題：如何判斷哪些患者心臟病發作的風險最大。

Jiawen 的創新成果是一款超薄 3D 列印內窺鏡，旨在探測血管內部，並生成沉積在體內多年的斑塊的高質量圖像。這些斑塊中的大部分幾乎不會帶來什麼危險，但某些類型的斑塊可能會阻塞動脈並導致動脈破裂。目前，醫生所使用的探針都無法準確地預測哪些斑塊可能會引發問題，其結果通常是昂貴的過度治療，更嚴重的情況會導致猝死。

Jiawen 是澳大利亞阿德萊德大學的生物醫學工程師，她致力於構建一款「相機」，旨在為臨床醫生提供所需的圖像質量，同時足夠小能被放入動脈內部。她的方法是將兩種基於光的成像技術合二為一，集成到一個比一粒鹽還小的鏡頭中。這兩項技術可同時提供斑塊結構的高解析度快照，以及有關斑塊破裂可能性的分子線索。她與德國研究人員合作，開發了一種將透鏡列印到細如人發的光纜上的方法，該光纜可以通過動脈到達心臟。

Jiawen 和同事已經成功在豬身上測試了該裝置，並正在努力進行人體臨床試驗。除了改進心臟疾病的診斷外，他們認為，這一方法還可以幫助醫生在難以成像的區域，如膽管和肺部，進行癌症檢查。

他的系統揭示了癌症如何擴散，有望實現更早介入治療。

31 歲的 Tyler Allen 開發了一種實時成像系統，讓研究人員能夠觀察腫瘤細胞如何在體內移動，這有助於進行更有效的癌症治療。

Tyler 的工作解決了腫瘤學面臨的主要挑戰之一：大多數嚴重的癌症病例都發生在腫瘤擴散或轉移後。在這一過程中，單個細胞在血液中的穿梭就像汽車疾馳在高速公路上，人們對這個過程知之甚少，也很難檢測到。一般情況下，醫生髮現第二個腫瘤時才會知道癌症正在擴散。「到這個階段，預後往往很嚴重。」 Tyler 說。

Tyler 在北卡羅來納州立大學讀博士時開發了一套系統，使實時查看這種擴散成為可能。為構建這一系統，他的團隊將人類癌細胞注射到一種斑馬魚體內，後者經過了基因改造，其血管會發光。他們使用高功率雷射顯微鏡來觀察癌細胞穿過和離開血流的過程，並且特別觀察了那些以簇狀結構移動的癌細胞，因為它們形成腫瘤的風險更高。

研究人員曾認為，這些簇狀結構細胞在離開血管之前需要分解，但 Tyler 的團隊觀察到，有些細胞群能夠完整離開。而能夠完整離開的細胞更有可能在附近組織內形成腫瘤。

作為杜克癌症研究所的博士後研究員，Tyler 將繼續改進他的技術。他的方法或許可以幫助研究人員開發出在癌細胞擴散前就能針對它們的療法。

她正在使用 CRISPR 嘗試治癒杜氏肌肉營養不良症。

Courtney Young，32 歲，在她高中時，她兩歲的侄子 Christopher 被診斷出患有杜氏肌肉營養不良症，這是一種致命的遺傳性疾病。基於此，她開始尋找該疾病的治療方法。她最近在基因編輯方面的工作是數十年來最有希望的進展之一。

肌肉營養不良症是由（基因）突變引起的，這種突變會阻止身體生成維持健康肌肉所需的蛋白質。通過使用 CRISPR-Cas9，Courtney 和她在 MyoGene Bio 的團隊，可以改變患者 DNA，恢復其生成必要蛋白質的能力。

Courtney 及其團隊瞄準一種常見的基因突變的部分並將其去除，之後 DNA 可以自然修復。儘管 CRISPR-Cas9 被用於解決基因突變已有十年，但 Courtney 的研究突破了界限，證明了可去除的突變範圍比之前想像的更大。

Courtney 表示：「目前批准的杜氏肌肉營養不良療法只能解決下游副作用，或者只能提供有限的幫助。我們的方法針對的是疾病的根本原因。」

她設想將 CRISPR 嵌入一種無害的病毒中，並注射到血液里。病毒可以滲透到肌肉細胞，從而讓編輯技術直接作用到患者的 DNA 上。Courtney 認為，臨床試驗最快可能在兩年後開始。

「時間在流逝。」她說，「一旦獲得批准，該療法每年可以幫助多達 1 萬名肌肉營養不良症患者。」

為了製作逼真的軟組織，她從呼吸道感染中找到了靈感。

引起高傳染性呼吸道感染的細菌是否也是設計逼真軟組織的關鍵？34 歲的 Danielle Mai 是這麼認為的。她的史丹福大學實驗室正在進行生物工程研究，利用百日咳或百日咳中的蛋白質來開發新材料，其功能類似於人類的皮膚和肌肉。

在工程材料製造商羅傑斯公司（Rogers Corporation）實習期間，Danielle 開始研究基於蛋白質的聚合物，這些大型鏈狀分子是許多生物體的構建基塊。這項工作很快激發了她的熱情。

通過識別天然存在的蛋白質，然後在實驗室進行複製，Danielle 可以設計出模仿人類肌肉特性和功能的生物聚合物，特別是它們的拉伸和收縮能力——這些特性在目前的人造組織中很難實現。她說，像百日咳這樣的細菌是一個完美的模型，因為它們具有高度重複的蛋白質序列，很容易複製。

「天然存在的蛋白質具有驚人的功能，而且它的分子序列，使其能夠在惡劣的環境中生存數十億年。」 Danielle 說，「我們可以利用這種功能並將其構建到人造材料中。」

Danielle 設想了這些新型生物聚合物的多種應用，比如軟體機器人、再生醫學和可持續生產的非動物基肉類等。

他正在改造細菌來攻擊癌症。

微生物不太聰明，因為它們沒有大腦，甚至沒有神經系統。但它們「擅長」自己在做的事情。研究表明，大約 30 萬億細菌寄居在人體內，比如皮膚、腸道、甚至是腫瘤里。

但如果細菌可以變得更聰明呢？32 歲的 Tetsuhiro Harimoto 是一名博士後，在過去幾年裡一直致力於將細菌轉變為「智能活性藥物」，這種藥物可以通過訓練自動尋找並攻擊惡性腫瘤。

他說：「我希望可以創造出一種由工程化微生物製成的新型藥物傳遞技術，這些微生物能夠高效地靶向腫瘤，自主感知環境，並以可持續和可控的方式生產藥物。」

在哥倫比亞大學攻讀博士學位時，他利用合成生物學工具證明了這是可能的。他向一些細菌中添加了基因，讓它們能夠檢測到自己何時處於惡性腫瘤中（低氧水平在腫瘤中很常見）。他還讓另一些細菌擁有了生產抗癌藥物的能力。

他的下一個項目是整合這些技術，創造出既能夠感知癌細胞，又可以同時直接將它們殺死的細菌。

氣候與能源

他用氨為低排放卡車和船舶提供動力。

交通運輸是世界上污染最嚴重的行業之一，約占全球溫室氣體排放量的 15%。未來幾十年，電動汽車將在減少排放方面發揮作用，但電池容量是一個瓶頸，難以為包括長途卡車和跨洋船舶等在內的運輸載具提供足夠的動力。

34 歲的 Young Suk Jo 用一種看似不太可行的化學物質——氨，提出了一種可能的解決方案。他於 2020 年共同創立的初創公司 Amogy，正在構建可以使用氨（通常是化肥成分）作為卡車和船舶燃料的系統。

氨最有利的屬性之一是其能量密度，這意味著它可以在相對較小的空間內存儲大量能量。液氨攜帶的能量大約是當前主要清潔燃料壓縮氫的三倍。

對於 Amogy 來說，將氨作為燃料用於交通的關鍵是將其分解。該公司的氨發電系統的核心技術，是一種名為「裂解器」（cracker）的化學反應器。該反應器將氨分解成氮氣和氫氣，其中，氮氣可以安全地釋放到大氣中，氫氣可以用於燃料電池來發電。

氨的裂解並不是一個新過程，但他和共同發明者開發了一種化學催化劑，可以幫助反應在較低溫度下進行，從而使該過程可以在運輸工具上完成。該團隊還開發了一種效率高於當前標準的反應器，可將氨中約 40% 的能量轉化為電能。

他正在將廢鋁變成可持續燃料。

每年有數百萬噸鋁會被填埋。在 30 歲的 Peter Godart 看來，這不僅是可用材料的浪費，也是能源的浪費。

就像其他可以提供動力的燃料一樣，鋁在發生化學反應時可以釋放能量。Peter 希望利用廢鋁作為重工業領域使用的清潔替代燃料。為了實現這一目標，他開發了一種化學工藝，可以通過鋁與水的結合將其分解。該過程會產生熱量和氫氣，二者均可用作能源使用。

2022 年，Peter 創立了一家名為 Found Energy 的公司，將他的發現進行商業化。該公司計劃與鋁製造商合作，後者將能夠利用從廢鋁中獲得的能源，為其部分操作過程提供動力。

Peter 的目標是開發一種回收鋁的新方法，並將該金屬轉變為能夠跨行業使用的可持續燃料。一立方米的鋁所包含的能量，是等量柴油的兩倍。對於需要大量能源的長途運輸或工業活動而言，這讓鋁成為提供動力的候選材料成為可能。

她的全新方法使 3D 列印推進劑成為可能。

推進劑是眾所周知的高能材料之一，可用於發射火箭、激活安全氣囊或發射大口徑炮彈和子彈。

公司通常通過將燃料、氧化劑和其他材料混合在一起，然後倒入模具中進行固化來進行生產。29 歲的普渡大學機械工程系助理教授 Monique McClain 正在開發一種新型 3D 列印方法，來生產推進劑並微調其性能。

這種「逐行」（row-by-row）製造工藝有望使高能材料具有新的形狀、更細緻的層次或不同的成分。

該方法可以更好地控制推進劑對爆炸的敏感程度、其隨時間的燃燒方式、能量密度以及影響推力或軌跡的其他特性。類似的技術還可以提高用於爆破、採礦和軍用炸彈等用途的爆炸物的性能。

製造這種材料是危險的，需要仔細控制製造過程的運行壓力、溫度和操作條件。將厚重、粘稠、類似黏土的物質推入 3D 印表機的微小噴嘴裡也是一個棘手問題。考慮到這些，迄今為止，該方法在很大程度上僅限於能量密度相對較低的材料，這意味著爆炸力或推進力會相對較小。

但 Monique 通過多種方式推動了該領域的發展。她是第一批使用新興技術的研究人員之一，該技術可以快速振動 3D 印表機的噴嘴尖端，以更快地擠出此類黏性物質，進而列印出具有更高能量密度的固體火箭推進劑。Monique 還開發了評估所得材料特性的新技術。

美國國防部陸軍研究實驗室和幾個美國國家實驗室，正在或即將開始使用或評估其中一些技術。Monique 無法就這項工作的潛在用途發表評論。但她表示，她正在研發的方法可以更好地控制火箭的加速速度、飛行距離，或其他發射物體的射程。

她的算法正在幫助電網運營商提前規劃。

老化的電網正面臨著越來越大的壓力：可再生能源產生的電力份額不斷增加，但其發電量會受到天氣或時間的影響。與此同時，電動汽車需要越來越多的電能，日益嚴重的熱浪、洪水和風暴也不斷威脅著電力系統的運行。

更複雜的是，越來越多的家庭和企業配備了自己的太陽能電池板、電池或微電網，同時成為了電力的消費者和生產者。

33 歲的 Sivaranjani Seetharaman 是普渡大學工業工程系助理教授，她正在開發工具，以確保我們的電網在面對這些挑戰時仍然可以正常運行。

她還開發了模型來評估電力系統如何根據電源、存儲和其他基礎設施的組合來應對激增的需求和極端的天氣。例如，她和同事發現，如果德克薩斯州的重型卡車運輸行業實現電動化，只需 11% 的車隊同時充電，就可能破壞該地區的電網穩定。

Sivaranjani 使用機器學習和她的模型來訓練算法，幫助電網運營商管理這些動態的、複雜的系統。該軟體工具可以預測供需情況，或者隨著需求、供應和天氣條件的變化，在任何特定時刻幫助確定輸電和配電網絡的最佳電力來源和理想路徑。

她的工具還可以幫助整合所謂的需求響應系統。通過該系統，電網運營商鼓勵客戶在需求高峰期期間減少能源使用，或者在一定條件下，替代客戶進行調整。

要全面解決電網即將面臨的挑戰，需要在未來幾十年內大規模增加清潔發電、能源存儲設施和硬體。但 Sivaranjani 表示，開發更好的算法和其他軟體工具，可以快速提高當前電網的性能，並確保我們為未來構建更高效、更靈活和更強大的電網。

他想要拋棄笨重、不靈活的電池。

30 歲的 David Mackanic 通過製造可彎曲的電池，正在為電子產品帶來新的可能性。

鋰離子電池如今為大多數消費級電子產品提供動力，它們往往堅硬且體積龐大，因此極大地限制了新產品的設計和功能。一個重要原因是電解質，這是電池的化學部分，使電荷能夠在電池兩極之間傳遞。大多數電解質都是由高度易燃的液體製成的，這意味著，鋰離子電池需要一個厚重的保護殼以避免著火。

作為矽谷初創公司 Anthro Energy 的創始人，David 認為他有更好的解決方案。在史丹福大學攻讀博士時，他開發了一種由合成聚合物製成的新型電解質。過去的聚合物電解質要麼脆，要麼導電性差，而他開發的聚合物電解質足夠堅固，並且可以彎曲而不影響性能。由於該聚合物不易燃，用它製成的電池就不需要厚厚的外殼，甚至可以更輕鬆地內置到其供電的小設備中。「你設計設備時可以更靈活，而不需要時刻考慮電池。」 David 說。

2021 年成立的 Anthro Energy 目前正在與多家公司合作，在一系列電子產品中測試其電池，包括可穿戴設備、虛擬現實設備和電動汽車。David 相信，從長遠來看，其產品可以讓汽車製造商在固定的空間內安裝更多的電池，從而將電動汽車的續航里程提高 30%。

他找到了一種將二氧化碳轉化為醇類的方法，後者可以用於製造噴氣燃料。

全球不斷增長的碳排放量，可能是我們當今面臨的最緊迫的問題。34 歲的 Stafford Sheehan 相信，他找到了一種方法，不僅可以減少排放，還可以捕獲現有的二氧化碳並將其轉化為有用的商業產品。

作為 Air Company 公司的聯合創始人兼首席技術官，Stafford 開發了一種將二氧化碳轉化為醇類的方法。就像植物利用光合作用將二氧化碳和水轉化為糖和氧氣一樣，Air Company 的專有技術可以將二氧化碳與氫氣和催化劑結合在一起，所得液體化合物含有可通過蒸餾分離的醇類。

Air Company 正在銷售用其生產的醇類製造的古龍水和伏特加。Stafford 表示，其真正目標是讓航空業用上可持續的噴氣燃料，從而實現航空業脫碳。據國際能源署估計，目前航空業產生的碳排放量占所有能源相關碳排放量的 2% 以上。

目前，Air Company 生產一升噴氣燃料大約需要 12 度電，大約是最終產品所含能量的兩倍。該公司購買可再生能源信用來抵消該過程消耗的電力。目前，他們與美國軍方簽訂了一項有限合同，有望在未來幾年內小規模銷售噴氣燃料。

「在實驗室里做的任何事情都不重要。大多數技術不會在最初的概念驗證階段就夭折，而是會在擴大規模時失敗。」 Stafford 說，「我們已經證明，我們可以在與工業化學技術相關的領域運行我們的反應器系統。」

他將鋰電池的使用壽命延長了兩倍，同時降低了成本和對環境的影響。

32 歲的 Tongchao Liu 開發了一種充電次數更多且製造成本更低的鋰電池。由於鋰電池的壽命和成本是電動汽車普及的主要障礙，他的工作可能會在電動汽車的推廣方面帶來積極影響。

提高電池循環壽命，即電池失效之前可以充電和放電的次數，是一項重大挑戰。但研究人員一直無法就導致電池最終失效的原因達成一致意見。

美國阿貢國家實驗室的助理化學家 Tongchao 構建了一個新的診斷系統來回答這個問題。該系統統一了多種理論，確定了鋰電池的大多數故障發生在陰極，並且是由於每次充電和放電循環期間，陰極內部部件膨脹和收縮時的物理應變造成的。

隨後，Tongchao 利用鈣鈦礦材料開發了一種新的陰極結構，鈣鈦礦材料可以更好地承受壓力。這項創新工作使他研發的電池壽命增加了兩倍，製造成本降低了約 25%，並且不再需要使用鈷。鈷被廣泛用於現有的鋰電池中，其開採環境成本較高。

Tongchao 的長期目標是消除對鎳等元素的依賴，並發明一種不受物理壓力影響的全新電池化學物質。

他公司的廣譜衛星圖像讓我們更清楚地了解氣候變化如何影響地球。

自 20 世紀 50 年代以來，衛星通過捕獲地球表面反射的光波來監控天氣、農作物等。但受到雲層覆蓋、光照條件和距離的影響，衛星圖像會呈現出不一致且模糊的狀態，而且目前太空中的大多數衛星僅能捕獲可見光譜中的光，以及紅外光譜中的幾個波長。

2021 年，Awais Ahmed 的公司 Pixxel 發射了第一顆高光譜試驗衛星，能夠捕獲來自可見光和紅外光譜中 150 多個波長的軌道圖像，可供商業和公共使用。25 歲的 Awais 表示，不同的分子會反射不同波長的光（稱為光譜特徵），通過捕獲更全面的波長集，Pixxel 的衛星可以提供高達當前衛星 10 倍的地球表面信息。例如，我們可以了解農作物的內部健康狀況，或收集有關雪蓋的分子信息，這些信息可能揭示有關氣候變化的重要見解。

Pixxel 於 2022 年再次發射兩顆高光譜衛星，該公司正在致力於利用高光譜數據構建「地球健康監測系統」。Pixxel 目前的客戶包括農業和礦業機構，他們使用高光譜數據來跟蹤土壤和生物多樣性的變化。Awais 計劃開源 Pixxel 的一些數據，並向一些氣候研究實驗室開放訪問權限。

她利用電化學開發模塊化碳捕獲裝置。

31 歲的 Yayuan Liu 正致力於開發不依賴熱量的模塊化碳捕獲裝置。

捕獲空氣中或工廠生產過程中釋放的二氧化碳，是我們目前應對氣候變化的重要手段之一。但當前使用的熱化學機制，要求大多數擁有碳捕獲設施的商業工廠維持 7 x 24 小時運轉，而且有時他們仍然需要使用化石燃料來產生熱能。

Yayuan 正在開發新方法，通過用電化學反應取代熱機制，使二氧化碳能夠在常溫下以更小的規模分離和釋放，進而使二氧化碳捕集變得更加普遍可行和環保。其目標是「未來，每個家庭都有一個小型碳捕獲裝置，可以處理自家的二氧化碳排放」 。

她已經開發了 20 種新的氮基分子，可用於捕獲二氧化碳，其中一些達到了近乎完美的效率。找到可行的分子只是第一步，為了儘快將這些分子變成實用的設備，Yayuan 不再局限於電化學（她的專業領域），而是領導了一個結合了工程學、材料科學和生物學的跨學科研究小組。

計算

他的軟體幫助科學家和公共衛生官員跟蹤疾病爆發。

2020 年初，當新冠病毒開始傳播時，科學家們很快意識到，追蹤病毒的變異方式對於公共衛生至關重要，因為新毒株的出現會讓人們面臨更大的風險。Yatish Turakhia，加州大學聖地亞哥分校基因組研究所的博士後，協助開發了一款名為 UShER 的軟體工具，可以在每個新病毒樣本提交後的幾分鐘內，將這些變異體放在所有已知的 SARS-CoV-2 基因組譜上，對變異體進行追蹤。

該工具自 2021 年起開放了在線訪問，目前包含超過 1500 萬個病毒序列。它幫助科學家和公共衛生官員發現新菌株、為它們命名並跟蹤其演變。它還使他們能夠在全球範圍內高精度地實時監測病毒。

最近，該團隊構建了另一個名為 RIPPLES 的軟體工具，它可以檢查 UShER 廣泛的基因組譜結構，並研究變體的特定「分支」是否可能是重組體，即基因上不同的混合變體。

在開發 RIPPLES 之前，科學家識別潛在重組體的唯一方法是，記住他們在其他變體中發現的突變。RIPPLES 使這一過程自動化，讓專家能夠重建病毒的進化歷史。

「如果沒有 Yatish 的工作，我們對新冠病毒傳播方式的宏觀理解將會受到嚴重影響。」加州大學聖地亞哥分校基因組研究所的科學主任 David Haussler 說，他與 Yatish 一起參與了該項目，「其算法驅動的產品是其他人無法製造的，這是病毒如何在全球範圍內傳播、且具有完整遺傳細節的圖譜。」

他的公司正在研究一種擴展量子計算機規模的新方法。

27 歲的 Bharath Kannan 找到了一種新方法，通過降低基本計算單元（量子比特）的錯誤率，使量子計算機變得更強大。現在，他領導的公司 Atlantic Quantum 正在致力於製造量子計算機，他希望這些計算機能夠推動加密、材料科學和機器學習領域的發展。

量子計算機之所以如此強大，是因為量子比特可以同時以多種狀態存在，從而允許進行新型的計算。但量子比特非常不穩定且容易出錯，因此試圖構建足夠強大的量子計算機來解決現實世界問題的公司很容易陷入僵局。每個新加的用於運行計算的量子比特，可能都需要數千個額外的糾錯量子比特。不幸的是，面臨的問題呈指數增長而不是線性增長，因此這一問題很難輕鬆解決。

Bharath 和 Atlantic Quantum 採取了一種截然不同的方法：構建更好的量子比特。他們的 fluxonium 量子比特使用的運行頻率，比許多其他公司的 transmon 量子比特低得多。在較低的頻率下，信號之間的重疊較少，這意味著干擾更少、錯誤也更少。

研究人員對 fluxonium 量子比特的研究約有十年之久，但它們的優勢並未得到充分利用，因為它們的設計和構建更加複雜，更難以控制。

Bharath 通過開發用於構建和控制低頻量子比特的新電路來解決這些挑戰。他還證明了基於 fluxonium 的量子計算機，可以用比其他類型的量子計算機更簡單的硬體來控制，因為在不犧牲處理速度的情況下，他們的操作更慢。

更環保的晶片，更可持續地製造和處理。

28 歲的 Quansan Yang 正在開發更環保的晶片。微機電系統 （MEMS） 是一種微型晶片，常用於如血壓計和加速度計等設備裡面的傳感器。由於它們經久耐用，一旦設備不再使用，它們通常就會成為電子垃圾。Quansan 率先發明了一種材料和晶片結構，能夠使 MEMS 晶片具有降解性，但依然高度有效。

這項工作在生物醫學領域具有重要意義。患者被植入可監測某些生物指標的 MEMS 植入物後，無需再進行另一次摘除手術，因為該設備將在幾個月內降解並被人體吸收。該創新成果還可用於農業生產和環境傳感器，這些傳感器在完成預定用途後會降解，無需手動拆卸，還能防止設備污染環境。

Quansan 並沒有就此止步。他還發明了一種新的基於雷射的製造工藝，能夠高效、低成本地生產可生物降解的晶片。「許多人希望使晶片的製造變得可持續，其他人正在嘗試製造可降解的電子產品，但他們的製造方法實際上是不可持續的。」他說，他的工作為更全面的方法奠定了基礎，「如果我們能夠使設備的整個生命周期變得可持續，從製造到運行再到處理，那將是非常酷的一件事。」

機器人

他正在教機器人從錯誤中學習。

31 歲的 Lerrel Pinto 是紐約大學計算機科學研究員，他希望看到家庭機器人能做更多事情，而不僅僅是吸塵：「我們怎樣才能真正創造出在我們的生活里不可或缺的機器人？比如它可以做家務、可以為老年人做護理或康復，也就是，當我們需要它時，它就在我們身邊。」

實現這個目標的主要問題在於，訓練多技能機器人需要大量數據。Lerrel 的解決方案是找到收集數據的新方法，特別是讓機器人在學習時收集數據，這是一種名為自監督學習的方法，該方法也獲得了 Meta 首席人工智慧科學家、Lerrel 在紐約大學的同事 Yann LeCun 的支持。

可以煮咖啡或洗碗的家用機器人，這個想法已存在數十年了。但這樣的機器仍然只存在於科幻小說中。最近人工智慧其他領域，特別是大型語言模型，取得了巨大的進展，它們利用了從網際網路上抓取的大量數據集。但 Lerrel 表示，機器人領域無法這樣做。

2016 年，Lerrel 實現了他的第一個里程碑，當時他讓機器人創建和標記自己的訓練數據，並在沒有人類監督的情況下 24 小時運行，由此創建了當時世界上最大的機器人數據集。

此後，他和同事開發了學習算法，使機器人能夠在出現故障時進行改進。機械臂可能多次無法抓住物體，但這些嘗試的數據可用於訓練成功的模型。該團隊已經用機械臂和無人機演示了這種方法，每個掉落的物體或碰撞都變成了寶貴的經驗教訓。

她的機器人在設計時就考慮到了大自然。

這聽起來像是科幻小說中的情節：用活體組織製成的機器人，但 33 歲的 Victoria Webster-Wood 用一系列生物材料製造了機器人，目的是讓機器人技術更加環保。

現在，機器人已在自然環境大量使用中，比如監測海洋或幫助收割農作物，但這些機器人通常是由有害金屬製成的。由於柔軟的機器人腿和手臂很難附著在較硬的身體上，因此使用柔性、可生物降解的材料來製造機器人的嘗試往往不會成功。卡內基梅隆大學機械工程系教授 Webster-Wood 說：「在兩者交接處，可能會出現撕裂或缺陷。機器人可能會因此解體。」

為了解決這個問題，Webster-Wood 從肌腱（將肌肉與骨骼連接的組織）中汲取了靈感。她的團隊使用新型 3D 列印噴頭，通過將膠原蛋白等更強的纖維嵌入由海藻等材料製成的軟線中，構建了生物衍生材料執行器，即能讓機器人移動的組件。這些肌腱狀的執行器可以連接到軟體機器人的肢體和硬質機器人身體上，降低機械故障的可能性。

除這項創新外，Webster-Wood 在新興的生物混合機器人領域還有多項優秀成果，包括用海蛞蝓的肌肉製造機器人的腿，以及對動物的神經系統進行建模，以研究由生物材料製造的機器人如何在沒有外部控制的情況下運行。其目標是讓機器人更像它們模仿的動物。

她的微型軟體機器人可以模仿動物的動作。

過去 30 年來，機器人在醫學領域發揮著越來越重要的作用。這些可編程機器現在可用於外科手術室，能實現更高的精度、更小的切口和更快的癒合時間。但由於它們主要由連接到相機和手術工具的機械臂組成，因此它們只能執行某些特定的程序。

33 歲的 Renee Zhao 是史丹福大學機械工程系助理教授，她希望改變這一現狀。她的實驗室開發了能夠進行更靈活運動的微型機器人。受摺紙藝術的啟發，Renee 的毫米級機器人具有章魚觸手的力量和靈活性。

「雖然我們有骨頭，但人體的大部分結構實際上是基於軟體系統的。生物醫學設備需要與這些系統兼容。」 Renee 說，「從自然界中尋找靈感並複製，是很有意義的，因為大自然已經經過了優勝劣汰。」

Renee 使用由研究摺疊結構的建築師 Biruta Kresling 開發的結構，創造了可以扭轉和彎曲，但仍然保持穩定的微型圓柱形機器人。機器人中嵌入微小的磁性材料顆粒後，Renee 就能夠利用磁場來進行操控。

這些機器人的尺寸和靈活性，是可用於分解血栓、將藥物輸送到特定區域或提供身體內部運作圖像的理想工具。Renee 的實驗室目前正在嘗試可生物降解的材料，這可以讓機器人在完成任務後在人體內安全分解。

「未來，我們將與醫生密切合作，以確定真正的臨床需求。」 Renee 說，「我們不想解決虛構或想像的問題，而是希望利用我們的專業知識幫助醫生應對具體的挑戰。」

無需鑽孔，她用加熱機器人來穿透岩石。

30 歲的 Shivani Torres 一直認為自己是一名手工愛好者。這種動手精神使她發明了一種可以利用熱量，而非爆破或鑽孔等物理方法來穿透岩石的方法。作為 Petra 公司的聯合創始人兼首席產品官，Shivani 領導了一款機器人的研發，該機器人可以利用噴氣發動機產生的熱量來粉碎岩石。

非接觸式鑽孔的想法出現在 20 世紀 70 年代，當時科學家開始嘗試核反應和等離子體作為傳統鑽孔的替代品。但結果證明都不可行。在史丹福大學就讀時，Shivani 在該校的金屬車間裡，親眼目睹了由噴氣發動機驅動的小型火炬的有效性。

在 Petra，她假設同樣的過程也適用於岩石，當岩石在受到高溫作用時會膨脹並最終破裂，Shivani 把這個過程比作將冷玻璃盤放入非常熱的烤箱中。藉助她設計的噴氣發動機和定製的後燃器，Shivani 和她的團隊創造了一種高效的割炬，可以穿透最堅硬的岩石，但對周圍環境影響很小。

Shivani 表示，與傳統鑽探相比，「它更安全、更實惠，而且由於可以使用生物柴油作為燃料，因此也更可持續」。

他的系統幫助自動駕駛汽車「解釋」其決策過程。

神經網絡經常做出連繫統設計者都無法完全理解的決策。這種「可解釋性」問題使得修復有偏見或不準確的結果等缺陷變得更加困難。31 歲的 Daniel Omeiza 正在致力於解決自動駕駛汽車的可解釋性問題。他開發了一種技術，可以就汽車為何以特定方式做出反應，向工程師和駕駛員提供基於視覺和語言的解釋。

他最近的研究通過使用決策樹技術，可以對汽車感知和決策規劃系統的數據進行解析，進而自動生成有關汽車行為的評論，包括語音解釋、駕駛指令和視覺圖表。Daniel 的模型足夠靈活，可以與不同的自動駕駛汽車搭配使用，也可以通過汽車之前記錄的數據或處理有關車輛在運行過程中的操作信息，生成可能的解釋。他目前正在致力於將交通法規整合到該系統中。

Daniel 希望提高自動駕駛汽車的安全性，並幫助人工智慧工程師更高效地編寫系統。他希望他的模型能夠提高消費者對人工智慧技術的信任。「深度學習模型有時會產生疏遠感，尤其是對那些需要解釋才能信任該系統的人而言。」他說。

他正在構建幫助人類在深空生存的系統。

無論是電動汽車的生產，還是交通基礎設施的電氣化，都離不開稀土元素，但稀土元素在地球上的儲備極其有限。同時，稀土元素的提取也需要消耗大量能源，還要付出高昂的環境成本。

為找到更多這樣的元素，有些人已經開始將目光投向地球以外的地方，甚至還有人討論要在太空建立重工業。不過要做到這些，都需要派遣更多的太空人前往遙遠的行星和小行星。但當前用於深空旅行的火箭推進劑的成本非常高。

34 歲的 Forrest Meyen 一直夢想著實現更頻繁的載人航天任務。他是太空科技公司 Lunar Outpost 的聯合創始人，擁有麻省理工學院航空航天博士學位。現在，他的工作可以幫助降低太空探索的成本，並推動太空採礦業的發展。

在過去的八年里，他一直是 MOXIE 開發團隊的一員，這是一款烤麵包機大小的設備。MOXIE 於 2021 年伴隨 NASA 的「毅力」號火星車登上火星，並成功將這顆紅色星球以二氧化碳為主的大氣樣本轉化為氧氣。

這是有史以來首次有一種機器人系統將其他行星的自然資源為人類所用，也是邁向人類領導的火星任務的重要一步。

未來某天，同樣的系統也可能會被用來為從火星返回的任務製造火箭推進劑，這可能為美國宇航局節省數十億美元。Forrest 說：「它使得往返火星成為可能。」但仍然還有許多其他挑戰有待解決，例如如何保護太空人免受太陽的強大輻射，以及是否有可能在火星的土壤中種植農作物等。

現在，Forrest 正專注於領導美國宇航局前往月球南極的首次月球車任務，這是美國從未探索過的地區。該計劃預計在今年晚些時候進行。他和團隊希望月球車能夠探測到水，這也可以用來製造火箭推進劑和收集月球土壤樣本。

- End -