当地时间 6 月 30 日，第 21 届 Innovators Under 35 评选结果公布，即 2021 年度全球 “35 岁以下科技创新 35 人” 。

在这 35 名科技创新人士中，包含 6 位华人/华裔，他们分别是中科院等离子体物理研究所研究员郑金星、曦智科技创始人兼 CEO 沈亦晨、阿贡国家实验室助理科学家徐洁、IBM T.J. 沃森研究中心的孙啸、猛犸生物科学公司的詹妮斯・陈（Janice Chen）、以及 Huue 公司联合创始人 Tammy Hsu。其中，郑金星和沈亦晨长期在国内。

三十而“励”，这份评选非常“年轻”，最小的仅有 27 岁。在评选时，编辑们的首要任务是在众多申请者里面筛选出 100 名入围候选人，提交给 25 位评委专家，评委们在人工智能、生物技术、软件、能源、材料等多个领域各有专长，基于专家评审的宝贵帮助，最终遴选出 35 位获奖者。

MIT TR35（MIT Technology Review 35 Innovators Under 35）——“35 岁以下科技创新35人”，是全球权威的青年科技创新人才评选之一。从 1999 年开始，每年会在全球范围内寻觅最有可能改变世界、极具才华和创新精神的年轻技术人才、创新者或企业家。该榜单从影响力、创新力、进取力、未来潜力、沟通力五个维度评估，涵盖 IT（计算机、通信、网络）、生物医药、商业等领域，最终选出 35 位科技创新精英。

该榜单分为五个类别，有发明新技术、为解决问题的方法赋予新的想象力的发明家（Inventors），有利用科技手段改善人类生活环境、甚至用科技解决人类生存问题的人文关怀者（Humanitarians），有将原有技术赋予创新活力的远见者（Visionaries），有拓展人类科学知识边界的先锋者（Pioneers），有在科学技术中发现商业机会、扩大市场甚至创造市场的创业家（Entrepreneurs）。

“35 岁以下科技创新 35 人”全球及亚太区发布仪式将于 2021 年 10 月 28-29 日在杭州未来科技城举办。此次发布活动将由杭州未来科技城（海创园）管委会指导、DeepTech 主办、《麻省理工科技评论》承办，与以往不同的是，此次全球 TR35 将与亚太区 TR35 联合发布，届时将有百余位科技界行业专家和青年领袖齐聚一堂，在杭州未来科技城共襄这场人才盛会。

发明家

他研发的高效量子模拟算法可能有助于找到新型材料。

分子是非常复杂的。中学课本上电子如行星般围绕原子核转动的画面，就让我们暂且先忘掉吧。电子可被许多原子核共享，它们以量子力学方程所描述的方式相互作用着。这些复杂的相互作用会随着电子数量的增加而呈指数增长。它们在很大程度上决定着化学反应和分子的特性。

使用传统计算机来完美模拟电子的运动可能需要花费数百万年。但对于量子计算机而言，这一切都可以迎刃而解。量子计算机上运行的算法可能会在几天甚至几小时内完成这些精确的计算。所得到的结果将帮助我们精确设计具有特定特性的分子，并且精准掌控他们的反应。

足够精确的量子模拟可能会催生新的化合物。例如更优良的高温超导体、可以从空气中提取氮气或二氧化碳的催化剂、新的药物、更有效的太阳能电池、飞机的坚固轻质材料等等。这将是一种不用合成新物质就能快速探索其特性的方法。材料科学的新时代可能近在眼前。

2014 年至 2020 年期间，瑞安・巴布什与谷歌和其他地方的合作者一起发表了数十篇论文，概述了计算效率大幅提升的量子模拟算法。这些论文表明，在足够强大的量子计算机上，一些量子模拟计算原则上可在几个小时内完成。

让我们看看固氮酶这个例子。一些细菌利用固氮酶来从空气中去除氮气，从而合成氨（一种氮和氢的化合物），这个过程被称为固氮。固氮对农业至关重要，这也就是为什么以氮为基础的肥料是世界粮食系统的关键一环。固氮酶是一个大分子，包括一个被称为钼铁蛋白 M - 簇（FeMoco）的催化部位。

目前，我们所需的大多数肥料是通过一种被称为哈伯法的能源密集型技术生产出来的，这种合成氨的技术所耗费的能源约占人类总能源使用量的 2%。巴布什说：“如果我们能够使用这种酶（固氮酶）来合成氨，那么我们也许就能够设计出一种工业上可行的、可以扩大规模并大量节能的新型化肥生产方法。”

他和他的合作者已经找到了一种潜在的方法：通过使用量子计算机来分析铁蛋白 M - 簇（FeMoco）。他们阐明了一种机制，可以打破氮气分子中氮原子之间相结合的的键，然后成功地结合氮气与氢气。（巴布什承认，在传统计算机上使用巧妙的近似方法来模拟这一过程，可能会更快达到目的）。

巴布什推进的另一个研究方向旨在研究量子计算机如何计算金属和晶体中的电子行为。潜在的应用可能包括寻找更好的超导体或制造更有效的太阳能电池。在这些材料中，重复的原子结构在相互依赖的电子中会产生非常复杂的结果，而巴布什正在研究如何利用量子计算机来理解这些相互作用。

在未来，量子计算机将很有可能对我们的物质世界进行重塑。如果这一天真的可以到来，那么巴布什的工作必将是原因之一。

他研发的轻量级传感器能使可穿戴技术的用途更广、实用性更强。

可穿戴技术能提供关于使用者健康状况和身体指标的实时信息，但事实证明，为收集数据的传感器制造出轻便实用的供能系统绝非易事。

阿梅伊・班多卡认为他开创了一条采用非传统技术创造 “自供电” 生化传感器的新道路，这有助于实现可穿戴设备的轻量化和简洁化。他表示，自己的发明比两年前生产的同类设备在体积上小 4 倍，在重量上则轻了 20 倍。

要把传感器缩小，关键之处在于重构其供能方式。“在我之前，这个领域内的所有团队都选择使用这些极为笨重的电池，传感器本身只占到设备总体积和总重量的 3%，” 班多卡如是说。

所以，他造了个不用电池的传感器：它不需要任何类型的电源驱动，而是利用酶的催化特性来生成信号。这一理念可用于制造针对某些化学物质的自供电传感器，但其它类型的传感器仍需要电源。

针对后者，班多卡开发了一种靠汗液发电的轻量化电池，这种电池有一个镁制正极和一个由银与氯化银构成的负极，其中包含干纤维素薄膜。

一旦佩戴者开始出汗，纤维素膜就会吸收汗液，构成电池中的电解质，使得电池开始运作并为传感器供能。

目前，班多卡已经测试了一款采用这种电池的心率传感器且取得了较好结果，这为可穿戴的心脏监控设备开启了一片新天地。

她的 AI 技术在高效而精确的同时还能维持公正、保护隐私。

当维珍妮娅・史密斯开始在人工智能方向攻读博士学位时，在她头脑中有个待回答的问题：该如何利用存储在多个设备上的数据来训练一个神经网络？

她致力于找到问题的答案，这使她成为了联邦学习领域的先驱。联邦学习旨在处理分布于数以百计乃至以百万计的远程来源之中的数据。

谷歌的研究人员于 2017 年首次把联邦学习带入了人们的视野，并将其运用于谷歌自家的移动设备中。他们采用的方法是在本地设备上对数百万个神经网络进行训练，然后将其上传至公司服务器，它们会在服务器中与主模型进行融合。

这种方式让主模型得以使用来自于每部设备的数据进行训练，但又不必将数据进行集中处理。由此，移动设备体验的延迟会有所降低，用户的数据隐私保护也得到了加强。

但是，整合数以百万计的 AI 模型非没有风险，用这种方式训练出来的中心模型可能会有整体表现良好、但边缘用户体验极差的情况发生，例如对陌生口音束手无策的语音识别软件。

针对这一弊端，史密斯提出了一种新技术，推动联邦学习向更 “个性化” 的方向发展。传统的联邦学习会把好几百万个模型融为一体，但史密斯的方法是把彼此相似的本地化模型相结合，其产物不是一个，而是一堆模型。

数据的差异性越显著，最终得到的模型数量就越多。这样一来，每个模型仍然是由来自大量设备的数据训练出来的，但也实现了为不同的用户细分群体进行量身定制。

史密斯也在致力于解决联邦学习领域内的其它难题，比如考虑不同的设备的电池和内存容量限制。为了鼓励后续研究的进行，她与人合作开发了一款开源工具，这款工具让研究人员能够在更真实的环境中运用更真实的数据集对他们的联邦学习技术进行测试。

她为类肤质电子设备制作出了持久耐用、易于生产的聚合物半导体材料。

徐洁做出了能量产的可打印可延展电子设备。在未来，她的诸项突破性成果可应用于可穿戴技术、先进机器人以及拥有连接到皮肤的传感器的人机接口技术等领域。

对于徐洁而言，这项创新成就的关键之处在于发明出即使在被折叠、拉扯或持续移动的状态下也能保持正常工作的聚合物电路。

此前，研究人员一直没能攻克这座大山，直到徐洁于 2016 年造出了一种附着于橡胶表面的双聚合物涂层，可以将其延展至原本尺寸的两倍大且仍能导电。

2019 年，徐洁对这项技术进行了改良，采用卷到卷（roll-to-roll，R2R）工艺将可延展半导体投入量产。这是一种广泛应用于工业制造的工艺，可用于在大型胶辊上打印包括纺织品和塑料在内的许多产品。这种创新式改良是前所未有的。

简而言之，徐洁发明的新材料及其制作工艺，会让柔性屏幕和贴肤医疗传感器变得更实用且更易于制造。

三星电子已经为徐洁在与其合作期间协助改良的两种工艺流程申请了专利，对于拥有功能性类肤质表皮的义肢的设计，徐洁的新材料也能有所助益。

出于对产生更多塑料垃圾的担忧，徐洁正在寻找能循环利用或者可被生物降解的聚合物半导体材料。她表示：“我认为，无论要制造何种类商业化材料，都必须从一开始就抱着这样的想法。”

他设计的 AI 软硬件可以在降低能耗的同时保证足够精度。

人工智能系统通常需要极大的计算量，这就是近年来 AI 硬件研究人员一直试图向低精度 “妥协” 的原因。低精度指的是这样一种精确程度：它足够精确，能够得到正确的答案，又能避免使用需要追踪大量数位信息的高强度计算。

深度学习依赖于可能有数十层的网络，以及数百万甚至数十亿个需要校准为正确值的参数，这一过程被称为训练。这通常需要耗费数日以至数周时间，利用好几百个专用芯片进行计算。

孙啸所在的 IBM 研究团队一直在寻找利用 3 位甚至 2 位数进行训练和计算的方法（作为对比，现在的笔记本电脑和手机利用 20 位数进行计算，而大多数的专业机器学习芯片用的是 5 位数）。

难点在于找到能用很小的数字进行整个计算过程的方法，你可能仍然需要进行数万亿次计算，但每次计算的算量会小很多。

这既省下了时间也节约了能源：根据孙啸和他 IBM 的同事发表的一篇论文，在进行同样计算的情况下，用 2 位数比用 10 位数要节能 20 倍以上。

在 2 月份，IBM 发布了一枚新款芯片，其部分技术架构基于孙啸的工作成果。这款芯片主要利用 3 位数进行神经网络训练计算。

IBM 希望这款芯片既可以用于在云计算中心训练大型神经网络，也可以部署在手机上，利用本地数据训练神经网络。

可为神经网络执行运算任务的光学芯片或蕴藏巨大商机。

神经网络中有两种基本的运算方法。首先，神经网络必须经过训练，通常需要大量的数据来调整大量 “神经元” 之间的连接强度。接下来，已经存在的连接会被用于进行决策。这就像学习驾驶和上路驾车之间的区别。

这种区别非常重要，如果神经网络需要几周时间来学习如何识别图片，那么这就不一定是个问题。但如果它正在控制一辆自动驾驶汽车，那么神经网络就必须在几分之一秒的时间内做出 “生死攸关” 的判断。

这就是我们需要光子计算机的原因，尽管经历了数十年的研究，它的性能仍然无法满足我们的要求。

原因之一，相对于电子而言，光子的驾驭难度更高。但对于特定种类的计算来说，例如针对那些我们经常使用的、利用当下神经网络来进行推理所涉及到的运算，光子正是我们所需要的东西。

2017 年，沈亦晨与尼古拉斯・哈里斯（Nicholas Harris）共同发表了一篇广泛受到引用的论文。该论文的内容侧重语音识别、以及图像识别等机器学习任务所用到的光学回路。

一篇评论文章指出，他们的设计 “真正代表了使用光子的重要神经网络架构的并行运用，而且现代芯片厂家可以轻易地大规模生产出这种光子系统” 。这意味着基于集成芯片的光子计算系统蕴藏了巨大商机，每个使用神经网络来进行决策的设备都会用到它。

沈亦晨和哈里斯分别建立了自己的初创公司，沈亦晨的公司曦智科技于 2019 年发布了一种原型光学人工智能芯片，他表示自己的公司已经筹集到了超 1 亿美元的投资。

光学芯片中的光子可以让神经网络更快地做出决策。

几十年以来，物理学家和工程师们一直梦想着研制出使用光子而不是电子的光学芯片，来进行计算任务。光学芯片运行速度快，同时兼具低能耗的优点。然而，让它们真正运行起来却并不是一件容易的事。

2017 年，尼古拉斯・哈里斯与沈亦晨等其他麻省理工学院的同事，共同发表了一篇受到多次引用的论文。在论文中，他们提出了一种运用光学芯片的方案，可以计算出经过传统方式训练的神经网络的输出结果。

论文介绍了一种由 56 个可编程干涉仪设备构成的 “光路”，其中，干涉仪设备可以分解并重组光波。它解决了一个简单的正确识别元音的问题 —— 在 180 个案例中，电路分辨出了四分之三的元音。

虽然还比不过识别率准确率超过 90% 的普通计算机，但是该电路的表现尚算亮眼。之后不久，沈和哈里斯分别创立了各自的初创公司。

一旦这样的神经网络能在光学芯片上实现功能以及训练，一些推理过程例如找出元音对应的声音或自动驾驶汽车如何应对走在马路上的行人，就会像光子通过芯片一样顺滑，同时还兼具高速和节能的优点。

2021 年 3 月，Lightmatter 宣布将要开始发售一种 “机器学习加速器” 芯片。哈里斯表示，“这是一种完全与众不同的计算机。”

就目前情况来看，我们产品的处理速度是拥有最顶级节点的数字计算的 20 倍。Lightmatter 在五月完成了第二轮的融资，总投资额达到了 1.13 亿美元。

他促进了基因编辑能力的拓展。

基因编辑工具 CRISPR 使用一种叫做 Cas9 的蛋白质，来对基因组中的目标部分进行剪切。虽然编辑能力效果惊人，但它仍具有一定的缺陷，因为它可能会改变基因组中其它不需要编辑的地方。如果你只想进行一次临时性的调整，那么 Cas9 无法满足你的需求。

乔纳森・古腾伯格正在研究另一种编辑工具，以规避这些缺点并拓展 CRISPR 的编辑能力。他使用一种比 Cas9 更加紧凑的蛋白质 Cas12，可以同时对许多基因进行编辑。Cas12 可以被用于编辑病人的免疫细胞，从而使其对癌症产生抵御效果。

之后又出现了 Cas13：古腾伯格和他的同事奥马尔・阿布迪耶（2020 年度 35 岁以下创新人物）证明，该蛋白质可以将 RNA 而不是 DNA 作为标靶。这是一个有趣的发现。

许多病毒将 RNA 作为遗传物质，而细菌则同时具有 DNA 和 RNA。因此，研究人员做出推论，我们可以使用 Cas13 来从人类细胞中的病原体内寻找遗传物质，将基因编辑工具用作基于试纸的诊断测试。2019 年，古腾伯格和阿布迪耶联合创办了 Sherlock Biosciences 以推进该技术的商业化进程。

她联合发明了针对难治癌症的新型免疫疗法。

对于特定癌症，采用免疫疗法，即利用人体自身的免疫系统来对抗它们，是可能的，但有时并不会完全奏效。谢莉・阿克曼表示，“有一些病人没法使用这种方法，效果很差。”

想要让免疫疗法药物发挥作用，肿瘤就必须要处于 “活跃状态” 或者是恶化阶段。一种叫做 T 细胞的免疫细胞可以识别出活跃的肿瘤。

在免疫疗法药物的促进作用下，T 细胞能够更好地对抗癌症。然而，许多肿瘤都呈现出 “不活跃的状态”，因此就躲过了免疫系统的监测。没有 T 细胞的帮助，免疫疗法药物也不能对肿瘤产生效果。

曾在斯坦福大学就读研究生的阿克曼和药物与病理学教授埃德加・恩格曼，共同开发了一种旨在将不活跃的肿瘤转为活跃肿瘤的疗法。

该方法使用附着有肿瘤靶向抗体的免疫刺激小分子药物，来促进免疫系统识别肿瘤并对其展开攻击，进而将其转换为被肿瘤克星 T 细胞占据的活跃肿瘤。

2015 年，恩格曼成立了一家生物科技公司 Bolt 生物医疗，尝试将这一技术市场化。阿克曼于 2018 年加入了 Bolt。

在童年时期，阿克曼的叔叔和一位好友因转移性肿瘤相继在一年里去世，这段经历使她一直致力于癌症疗法的研究。阿克曼希望自己的疗法能够治愈更多的病人。

去年，Bolt 生物医疗已经开始向患有乳腺癌、胃癌等其它肿瘤的患者实施这一疗法，其中就用到了一种叫做 HER2 的蛋白质。Bolt 生物医疗筹集到了 4.38 亿美元的资金，同时正在研发针对结肠癌、肺癌以及胰腺癌的药物。

人文关怀者

她用人工智能来探究不同种族、性别和阶层之间健康差异的根源。

康奈尔大学计算机科学家艾玛・皮尔森利用人工智能和新兴的数据科学模型揭示了性别、种族、社会经济群体和其他人口类别之间的健康差异产生的原因。

她说：“这些只是我通过数学在大量数据集中寻找规律的花哨方式，而我正在寻找的特定规律可能将有助于解决健康和社会科学中的某些古老问题。”

她所调查的 “古老问题” 的具体范围很广，但她专注于公共卫生领域如何形成了系统性的不平等现象，以及消除这些不平等的办法。

例如，通过分析移动电话数据，皮尔森最近发现，一些特定的 “超级传播者” 聚集点是出现新冠疫情大范围传播的重要原因，并且低收入和少数民族社区承受着更大的风险。

除了新冠疫情，皮尔森的研究小组最近研究了近十年的数据，来反应美国各地警察在管理交通时的所展现的种族差异程度。

她也分析了 109 个国家数百万女性的月经健康数据，证明了月经对女性情绪和行为的影响是如何普遍存在的，并且寻找方法将关于女性健康的讨论去污名化。

她还使用深度学习来研究膝关节疼痛的数据，揭示出这个问题往往没有得到很好的重视，并且她发现这一问题在种族服务不足的和经济基础较差的群体中更加严重。

皮尔森还将向大众宣传这些工作作为自己的使命，使这项工作不仅停留在学术报告，而是引起更多大众的重视。她是《纽约时报》和《大西洋月刊》的定期撰稿人，用简单易懂的语言向广大读者描述她的工作。她还直接与能够向政策制定者施压的组织接触。

在交通治理方面有关种族差异的工作最终导致洛杉矶警察局宣布其将减少随机拦截的数量，而州卫生部门则依靠她的新冠疫情研究结果来确定如何重新安全开放企业。

皮尔森自称是一个数学书呆子。她在斯坦福大学同时获得了物理学学士学位和计算机科学硕士学位。她随后作为罗德学者前往牛津大学，在那里获得了统计学硕士学位，之后又在斯坦福大学获得了计算机科学博士学位。

“计算方法在这里不是可有可无的，” 尔森说。“它们是唯一的解决方案。”她还表示：“我想研究那些与人们生活息息相关的问题。” 她认为这种想法很大程度上源自于自己的家族病史。

2011 年 12 月，皮尔森得知自己携带着一种会增加患乳腺癌和卵巢癌风险的突变基因，这促使她专注于研究能够对医疗保健和医学界产生影响的工作。

像医疗保健这样的行业需要处理巨大的数据集，然而只有通过像皮尔森掌握的那些分析技术才能真正理解这些大数据。

这些数据可能来自于成千上万人的基因组，包含数以百万计的数据点，或者是来自许多不同病人的 TB 级医疗图像信息。人工智能工具可以对这些数据进行分类，寻找人类无法轻易识别的规律。

她高超的手术技巧让佩戴假肢的人恢复了触觉。

什里亚・斯里尼瓦桑现在是麻省理工学院（MIT）的一名生物医学工程博士后研究员，她在儿时就目睹了带着假肢生活需要面对的种种挑战。

她的一个朋友生下来就没有四肢，不得不戴假肢生活，而其大脑先天缺少那些人体用于感知物体、保持平衡、感知自己的空间位置的信号，类似于那些神经被切断的截肢者。斯里尼瓦桑发明了两种能帮助佩戴假肢的人很快恢复触觉的新型外科技术。

斯里尼瓦桑的第一项创新是把小块肌肉移植到残肢上，这样做能够增强大脑对肢体姿势和运动的意识。她在 MIT 攻读博士期间就发明了这项技术。在临床试验中，接受过这种手术的患者对假肢的控制能力更强，而且比那些接受传统截肢手术的患者承受的痛苦更少。

她的第二项创新则有望在未来恢复患者的触觉，其原理是把一个人的残肢植入指尖或脚上的皮瓣皮肤，再用肌移植物和电极包裹皮瓣皮肤，然后在假肢或假手装上传感器和无线发射器。

当假肢或假手接触到一个物体时，就会把这种感觉传到移植皮肤上的天然传感器，最终再传到大脑。这两种创新技术既可以用于截肢手术中，也适用于截过肢的患者。

最后，斯里尼瓦桑希望她的工作可以让假肢的使用感更真实，并希望能够推动截肢技术从一种抢救方式转变为恢复病人活动能力的方法。

他发明的人工智能系统为结核病找到了更适合的治疗方法。

新冠肺炎爆发以前，结核病是世界上最危险的感染病之一，每年导致 150 多万人死亡。迫于这一问题，斯利拉姆・钱德拉塞克兰开发了人工智能工具来找到治疗该疾病的药物组合。他的目标是提高现有抗生素的有效性来抑制结核病患者的耐药性。

人们没有完成治疗疗程或治疗不当时就会发生耐药性感染，另外人们在接触了耐药细菌感染患者时也会发生这种情况。一般来说，结核病的疗程会持续 6 至 9 个月，而耐药性感染的疗程需要 18 至 24 个月。钱德拉塞克兰想大幅缩短这一时间，让病人更快痊愈，这样还可以节省数千美元的治疗费。

钱德拉塞克兰的系统预测了各种药物组合治疗结核病的有效性。他说道：“我们有非常惊人的发现”，其中包括一种能增强现有抗生素有效性的抗精神病药物。他和团队在实验室中证实了这一结果。

许多药物在实验室中有效，但在人体内却无效，钱德拉塞克兰想确保他的算法考虑到了这一点。他建立的一个系统模拟了感染部位的特征，如感染部位获得了多少氧气或是否存在氨基酸，而这些都会影响药物的有效性。目前，钱德拉塞克兰的实验室还在排查治疗耐药性结核病临床试验的药物组合。

他发明的仿生手既灵敏又实惠。

阿德尔・阿赫塔尔开发了增强假上肢的使用功能的算法。有些假肢可以发送电流刺激神经，这样使用者就能 “感觉” 到假肢碰到的东西；还有些假肢可以记录肌肉收缩引起的电流，从而控制肢体运动。

阿赫塔尔做这项工作已经 10 多年了，他最初是伊利诺伊大学厄本那 - 香槟分校的博士研究员，然后在 2015 年创办了机器人义肢初创公司 Psyonic。

阿赫塔尔手握四项先进的义肢专利，这些专利都已投入使用在 Psyonic 的第一个产品 ——“万能之手” 上。该产品由肌肉传感器和蓝牙（是的，有应用程序！）控制，向用户提供触觉感知数据，而且可以承受日常生活的正常按压，比如撞到桌子也不会破损。

阿赫塔尔表示，他的 20 人团队在设计时考虑到了用户的购买能力，制造的义肢价格足够便宜，可以享受联邦医疗保险。

这意味着大多数美国人能买得起这款义肢了。阿赫塔尔解释称，此前唯一给义肢投保的保险与退伍军人的福利和工人的索赔要求有关，据他估计，这仅仅覆盖了美国需求的 10%。

一旦医疗保障制度给义肢投保，这个比例能上升至 75%。阿赫塔尔说道：“如果医疗保障制度给覆盖了义肢，那么其他保险公司也会纷纷效仿。”

远见者

她在努力为量子计算打造一个更加多样化的未来。

2018 年，凯拉・李加入了 IBM 的企业咨询组，她的工作的一部分是让客户对量子计算感兴趣。她说，面对每一个客户，她都需要弄清楚同一件事：“如何让这项有点复杂、听起来有点像科学项目的新技术与客户之间产生联系？”

这项工作有点类似于她的另一个工作：领导启动 IBM-HBCU 量子中心项目，这是 IBM 公司与 23 位来自传统黑人大学（简称 HBCUs）的同事共同合作的项目，旨在让黑人学生和教师更多地接触和了解量子计算。李希望为理工科黑人学生和学者提供基金，让他们在这个新兴领域出类拔萃。

通过这项合作，传统黑人大学的本科生、研究生和教员们可以访问 IBM 公司的云量子计算服务，并运用此服务进行研究。

李表示，这一合作关系不仅可以为从事量子项目的黑人教师提供支持，而且可以给 “这些研究项目的发展” 提供资金。例如，IBM 最近与国际光学与光子学会开启了新的合作，专门为 IBM-HBCU 量子中心的成员设立了一个量子光学与光子学教师奖。

李认为这个项目将能够支持黑人学生更多地参与到量子计算领域，而目前该领域黑人学生的人数严重不足。2017 年，获得物理学士学位的黑人学生仅占美国所有物理学士毕业生的 3%，而获得物理学博士学位的黑人学生仅占 2%。

此外，根据美国国家科学基金会的数据，所有获得博士学位的黑人学生中，有三分之一的学生是在传统黑人大学获得的学士学位，但迄今为止，传统黑人大学为学生提供的学习或开展量子信息研究的机会却很少。

李想改变这一现状。她希望量子中心项目可以给大家创造 “看得见、摸得着的参与量子计算的机会”，向学生简单展示 “量子科学家是什么样子的”。她把这一点看得非常重要，因为量子计算是一个非常年轻的领域。

她说：“我们确实处于一种全新的计算模式正在开启的转折点，正如 60 年代开启了新的计算模式一样…… 所以我们今天要问的问题是实现量子位是什么样的？我们如何制造噪点更小的量子位？它的架构是什么样的？”

但李认为有关量子计算机还需要探讨一个更深层次的问题：“我更关注谁会用量子计算机。”

谁有机会从事这项前沿技术的研究将决定该领域的发展方式。她举了人工智能的例子。众所周知，人工智能深受种族偏见问题的困扰。

她认为，这个问题在量子计算领域可能会呈指数级恶化，既因为机器的复杂性和不可预测性，也因为该领域的 “代表人物更少”。

他设计了全新公共政策，并推动了能源创新。

2013 年瓦伦・西瓦拉姆获得了博士学位，方向是新型太阳能材料。但当时毕业后，他还很迷茫自己的所学要如何在私营部门大展拳脚。

21 世纪 10 年代早期清洁技术的泡沫破灭后，很少有主营太阳能这一先进技术的创业公司能够幸免于难。中国制造的硅基太阳能电池板垄断了市场。

这一经历让他开始思考，要对创新体系做出哪些改革，才能开发更优质、更廉价的清洁能源技术。在他的研究和著作中，西瓦拉姆认为，政府必须为重要技术提供更多资金和初期政策支持。他还认为，要想进一步提高太阳能的发电比例，还需要更多的重大（技术）突破。

当时，他是印度大型可再生能源公司 ReNew Power 的首席技术官，负责的就是如何解决这些问题。如今，他加入拜登政府，担任美国气候特使约翰・克里的能源创新高级顾问，和他一同前往印度。

通过谈判，克里和印度达成了一项合作，旨在帮助印度完成 2030 年的气候目标，包括实现 450 千兆瓦的可再生能源产能。

西瓦拉姆认为，创新是美国帮助其它国家提升应对气候危机能力的最有力的工具。降低零碳技术的成本，就能加速零排放能源的转型，让清洁能源更加便宜、更易获得，且更容易得到政策的支持。

西瓦拉姆补充说，这对贫困的国家更为重要，因为它们通常无法承担牺牲经济增长的代价。他警告称，如果无法取得这些进步，新兴经济体的排放量在未来几十年将大幅上升。

她的工作保证高大上的 AI 工具可以在现实中应用。

艾玛・毕德在技术领域出名的方式不同寻常：她的一项研究发现，公司的某项新技术并不能应用于现实生活中。

在这项研究中，艾玛测试了 Google Health（谷歌健康）开发的一款深度学习算法。该算法可以扫描眼睛图像，检测是否出现了糖尿病性视网膜病变。这种病变是由高血糖引起的，会损害视网膜，使患者无法感光。

艾玛发现，该算法在实验室中准确率超过 90% ，但在泰国 11 家诊所的实际测试中却失败了。她认识到这是因为该算法是针对高清晰度的眼部扫描图像来训练的，当诊所采集的图像质量因光线不足等因素而受到影响时，扫描结果就会大打折扣。超过 20% 的视网膜扫描图像无法使用，绝望的病人和医生也只能寻找更传统的治疗方法。

艾玛认为这些不满意的结果正说明，在应用 AI 工具之前，需要让它经过严格和精细的测试。“现实世界中的人类是很复杂的，而我们应该注意到这点，” 她说。“我们必须要尽一切努力，去研究这些后续影响，这样我们才能降低一切会产生危害的风险。”

她利用计算机科学和公共政策来寻找应对气候变化的方法。

普里亚・唐蒂知道，像气候变化这样既复杂又广泛存在的问题不可能仅靠一门学科就能解决。因此她联合创立了跨学科的气候变化组织 ——Climate Change AI，汇集了各行各业的专家学者，来展示机器学习能如何帮助人类社会应对这场危机。

唐蒂的工作涉及计算机科学、工程学和公共政策等多领域。她的主要研究方向是电网能如何更可靠地实现可再生能源的接入。

唐蒂还是 2019 年一篇有影响力的论文《用机器学习应对气候变化》的主要作者。“那篇论文引起的巨大反响正说明，许多人都意识到应对气候变化是一种道德义务，但他们也感觉自己找不到一个能做出有效工作的社群，” 唐蒂说。

作为印裔二代，唐蒂深知地球上最脆弱的人群已经感受到了巨大的负担，而气候变化只会进一步加重这些负担。“我们知道，最贫困的人口受到气候变化的影响往往是最大的，” 唐蒂说道，“我们的组织希望能帮助缓解这一问题。”

她利用机器学习让疼痛管理更方便。

研发智能技术，帮助病人评估和控制疼痛，一直都是莎拉・伯杰的个人目标。许多年来，她一直看着自己的父母饱受慢性疼痛的煎熬，四处寻医问药。

“慢性疼痛造成的痛苦，很大程度上是因为你无法再拥有控制身体和知觉的能力，” 伯杰说。“而数字技术能让病患拥有一种控制感，并能和医生建立起更有信息含量的对话。”

伯杰是 IBM T.J. 沃森研究中心的神经学家。她借助机器学习的方法将长期疼痛进行量化，并帮助预测缓解疼痛的方法。通过可穿戴设备和环境传感器，她可以获取心率、睡眠模式、甚至病人说话时的声学特性等指标，从而得到病人疼痛体验的数据。

接着，机器学习将分析这些指标，同时也将其他因素考虑进来，比如往往是由长期不适、行动力下降，或痛失所爱所带来的情感损伤。比起容易产生主观偏差和陷入简单化陷阱的常见疼痛量表，她给出的评估和治疗计划结果会更全面、更清楚。“疼痛不是线性的，” 伯杰说。“我们对疼痛的评估也不应如此。”

许多慢性病患者，特别是妇女和有色人种，会觉得自己被医疗系统边缘化，想要治疗疼痛时也经常遭遇偏见。伯杰说：“我的使命便是疼痛管理能成为一种容易获取的、个性定制的、值得信任的体验，惠及不同社会经济背景的人群。”

他设计的 AI 系统可以合成十分逼真的人声。

2016 年，Aäron van den Oord 刚刚凭借图像生成的研究获得了一个奖项时，他突然有了一个新的想法。如果他的技术能够预测一个二维的像素序列，那么是否也能够预测声音的波形，从而生成逼真的人声呢？

这个主意很有意思，但似乎希望渺茫。他在谷歌的人工智能子公司 DeepMind 工作时，他的经理给了他两周时间来尝试，说如果不成功，他就要去研究别的东西。

结果超出了所有人的预料。不到两周，van den Oord 就设计出了一个原型模型。不到三个月，它就生成了比现有系统都要逼真的声音。之后的一年后里，谷歌就开始使用他设计的 WaveNet 模型为谷歌助手生成声音。

WaveNet 可以生成 51 种语音，其中包括谷歌助手使用的最新的声音。谷歌助手可以帮用户打电话预约理发店、约会议时间和订餐厅。

其所使用的声音逼真程度十分惊人。谷歌首席执行官桑达尔・皮查伊 2018 年首次展示了 Duplex 技术 ，它可以和人一样发出 “嗯啊” 这样的填充词，这无疑是人机交流研究中的全新高度。

语音助手不仅需要合成声音，还得辨别别人说的话，并理解他们在说什么。这些要求对于机器来说都是很大的挑战。

但研究人员一直以来都在寻找合适的人工声音，以实现自然且生动的对话。“一段声音所可以表达出的意思特别丰富。” van den Oord 如是说道。

她的测试率先确定了新冠病毒的感染人数。

2020 年初，凯特琳・萨德勒原本的计划是让她的实验室在慢节奏的季节里慢慢开始运转。后来，新冠疫情爆发了。她和团队在短短几周内率先开发出一种有效的抗体分析方法，能够确定新冠感染人数，无论他们是否出现症状。

抗体可以标记病毒，进行攻击，帮助身体产生免疫反应，并在体内留存数月。但已有的测试并不能找到新冠病毒的特殊抗体，以至于之前接触过其他冠状病毒的人会出现假阳性结果。

萨德勒和美国国立卫生研究院的团队研发了一种高敏感度的抗体测试。他们通过 6 种不同的分析方法，更准确地识别新冠抗体。

今年一月公布的早期结果显示，约有 1680 万美国人感染新冠，但尚未确诊。萨德勒将在今年秋天再次更新数据，她估计三分之一的美国人已经感染新冠肺炎。

这种血液检测足够敏感，可以确定个体是否拥有病毒抗体，或是对疫苗的反应，同时也可以发现病毒变种。它上手简单、成本低廉，在富裕国家和贫穷国家都可应用。“这场大流行病是全球性的，” 萨德勒说，“这意味着我们需要用全球思维想问题。”

她利用模拟的环境来教会机器人更好地与人类配合。

多萨・萨迪格研发了计算机预测人类行为的新方法，希望为人机共享交通等未来铺平道路。

在 2016 年的一篇被广泛引用的论文中，她和同事们设定了两辆汽车的理想情况：一辆由人驾驶，另一辆由计算机程序驾驶。她首先让真人和自动驾驶程序在类似电子游戏的模拟环境中，按照预先计划好的路线驾驶汽车。

根据人们在模拟环境中的行为，她开发了人类驾驶的路径模型，然后机器人司机用这个模型来产生与人类互动的新策略。在没有被明确告知的情况下，它会在十字路口慢慢倒车，鼓励 “人类同伴” 先走。它甚至出现了 “脾气”，学习如何插队超车，或是突然急转弯让人类不得不变道。

最近，萨迪格和她的博士后迪伦·洛西（Dylan Losey ）在一个模拟环境中教会了机器人如何在游戏中欺骗人类。在这个游戏中，要通过谈判让对方多搬盘子到桌子上。

他们在研究论文中说：“这个机器人是能搬两个盘子的，但它却误导人类它只能搬得动一个盘子，以减少自己的工作量。” 教机器人变懒似乎是一件不太值得的事情。

但是萨迪格和洛西考虑的是机器人的未来应用，例如，它可能会帮助中风患者康复。他们认为机器人 “需要做出智能的决定来鼓励用户的参与。”

她发明了一种全新的、气候友好型的水泥制造方法。

水泥制造是气候变化的最主要因素之一。制造水泥过程中所排放的二氧化碳量占全球二氧化碳排放量的近十分之一。为了制造水泥，我们通常需要把磨碎的石灰石与沙子、粘土和其他材料一起，在窑中加热到 1500˚C（2700˚F）左右。

石灰石在分解时会释放出二氧化碳，为达到高温而燃烧的化石燃料也会释放二氧化碳。每生产一磅水泥，就会有大约一磅的二氧化碳逸出到大气中。

而利亚・埃利斯提出了一个更好的处理办法。Sublime Systems 是她在 2020 年 3 月共同创立的一家初创公司，他们将石灰石粉末溶解在水中，然后通过施加电流的方式来触发一系列的化学反应。

用电而不是用热来分解石灰石的理念由来已久，不过以往人们是在更高的温度下试验的，而 Sublime 的设备可以在室温下运行。

石灰石仍然会释放出大量的二氧化碳，但这些二氧化碳会更容易地被捕获和再利用 —— 与氧气混合的气体会从设备的一端排放出来，而氢气则从另一端排放。

这种电化学反应产生了纯净的熟石灰，一种由钙、氧和氢组成的白色粉末。

然后，再把纯石灰放置窑中，与硅和氧气一起以清洁的方式加热，这样就制成了水泥。据了解，利亚・埃利斯和她的同事仍在考虑各种潜在的商业模式。

利亚・埃利斯表示，由于他们可以使用太阳能或风力发电场的电力，而这种电力的价格正越降越低，这样他们生产的水泥将能够与标准水泥的价格相差无几。

先锋者

他正在用人工智能与气候变化作斗争。

作为宾夕法尼亚大学的博士后研究员，大卫・罗尼克在 2019 年领导撰写了一份有影响力的报告，该报告描述了机器学习可以怎样通过不同的方式减少温室气体排放并帮助社会适应气候变化，包括预测能源需求，管理森林，以及模拟地球尺度的天气系统。

这篇报告的共同作者包括 DeepMind 的联合创始人德米斯・哈萨比斯和图灵奖得主约书亚・本吉奥。那一年，罗尼克还在三个主要的人工智能大会中领导组织了第一个关于气候变化的研讨会，同时他也也是联合国气候变化会议上关于人工智能活动的主要组织者。

“罗尼克在号召人工智能从业者从事气候变化工作方面具有巨大的影响力，” 谷歌大脑联合创始人、百度前首席科学家吴恩达说，“通过帮助我们了解人工智能如何帮助气候变化并不知疲倦地围绕这一话题建立团体，罗尼克的努力已经在这个重要的话题上催生了大量活动。” 罗尼克现在在麦吉尔大学领导一个小组，旨在使用不同的人工智能技术来攻克与气候有关的问题。

例如，与气候变化有关的数据在各国之间有很大的差异，包括基础设施支出记录，温室气体排放记录，以及简单的天气模型，然而气候问题只有从全球层面理解，才能真正被解决。

罗尼克说：“在南半球，关于基础设施的信息可能较少。因此，当涉及到能源需求或管理沿海洪水风险的决策时，政策制定者的信息与方法可能会受限。”

各国对于数据是否记录的标准也有不同的规定。例如，德国要求收集关于其太阳能电池板位置的信息，但美国却不这样做。所以研究人员正在使用机器学习来从卫星图像中识别美国的太阳能电池板。

罗尼克称，相对于现有技术，机器学习还可以用来更准确地预测能源需求。得益于此，能源供应商能够更有效地管理他们的电网。

罗尼克和他的同事们也正在努力研发新的机器学习技术，来研究气候变化。例如，他们正在建立迁移学习算法，通过一些特定案例来训练人工智能，然后将其应用于新的条件下。

他们还在研究元学习，这是一套使人工智能更好地从小型或不完整的数据中学习的技术。罗尼克认为，这些方法对生物多样性建模特别有用，因为现实世界的数据来源非常不完整。

罗尼克还参与了将机器学习与气候模型相结合并以此来模拟复杂的物理和大气过程（如云的形成）的项目。云层形成的精确方式，以及它们反射或吸收阳光的程度，是现有气候模型中最大的不确定性来源之一，部分原因是在气候模型中模拟云层需要进行大量运算。

使用机器学习，科学家们将无需理解云层里到底发生了哪些可能的大气化学反应，而是直接构建云层形成的时间、地点、反射程度的模型，还能更快地运行模型。

罗尼克和他的合作者相信，人工智能将会是应对气候变化的有力武器。与此同时，人们越来越担心机器学习本身也是这一严峻问题的一部分。

罗尼克承认，训练当今最大的人工智能模型消耗了大量的能源，但他指出，这些消耗只占全球排放量的一小部分。

人工智能产生的真正气候风险其实与它在石油和天然气勘探等领域的应用有更大关系。他说："我更担心机器学习的负面应用，而不是它的能源消耗。"

他致力于打破年轻黑人从事人工智能职业的障碍。

摩西・纳马拉明白两个基本事实：第一，人工智能的滥用对世界各地的黑人群体造成了不同程度的伤害；第二，黑人在大学人工智能项目中的代表性不足。在 2018-2019 学年，美国计算机科学博士课程的学生中只有 1.8% 是黑人，而硕士生的数据也只是稍好一点。

摩西・纳马拉还明白：进入人工智能行业的障碍往往源于资源获得的限制，而其中一些资源是导师网络可以提供的。

他说：“一个是信息，比如申请人需要知道，作为本科生应该寻求哪些研究机会，哪些大学项目和教授最符合他们的利益，以及有什么样的资源可以帮助他们完成昂贵的申请过程。如果你不知道在哪里查找信息，那么这就是你迈向失败的第一步。”

所以在 2018 年，摩西・纳马拉共同创建了 Black in Artificial Intelligence，以帮助申请研究生院的学生。目前，Black in AI 已经指导了 400 名申请人，其中 200 人已被具有竞争力的人工智能项目录取。

据了解，Black in AI 提供了一系列的资源：来自在读博士生和教授的指导，简历评估，以及关于申请院校的建议。摩西・纳马拉的导师系统现在正自然而然地往下一步发展：帮助黑人博士生和硕士生找到第一份工作。

她使用人工智能来设计芯片，速度远超人类。

安娜・戈尔迪使用强化学习来设计计算机芯片，这是一种人工智能技术，通过不断地生成人工神经网络解决方案来发挥作用。然后，该系会统向人工神经网络提供反馈，“强化” 导致成功结果的途径，削弱导致失败的途径。

机器学习的这一分支也是教计算机下象棋或围棋等游戏最好的技术，它使戈尔迪和她的团队能够加快芯片设计的进程。

现代芯片是由数百万甚至数十亿个部件组成的。有的进行计算，有的在短期内存中存储数据。要想找到在芯片中放置所有元件的最佳方式，可能需要工程师们花费数周甚至数月的时间。他们必须努力使功耗和面积最小化，但也要使性能最大化，还要同时确保组件之间的数据流不会过于拥挤。

而戈尔迪的人工智能可以在六个小时内提出方案，所提出的方案可以与人类开发的解决方案相媲美，有的甚至可以超过人类的解决方案。

戈尔迪说：“人工智能系统生成了这些非常奇怪的、看起来驴唇不对马嘴的布局。芯片设计师可能会在想：如果它错了怎么办？” 但它并没有。

2021 年初，戈尔迪与谷歌工程师合作，将她为谷歌最新的人工智能芯片所设计的布局投入了实际生产。通过使用人工智能来加快设计性能更佳的硬件，她希望为人工智能进一步改善和加快硬件设计铺平道路，在硬件和人工智能之间创造一个共生循环。

他建立了一个基于智能手机的平台来教年轻人编程，并在此过程中缩小非洲的 IT 技能差距。

SuaCode.ai 是乔治・博滕的创业项目。它的横空出世在很大程度上是个意外。2013 年，作为达特茅斯学院的一名本科生，他与一群朋友合作，在他们的家乡加纳为高中生开办了一个暑期创新训练营。

这次创业经历一帆风顺，以至于孵化出了一个创业公司：2018 年，博滕和联合创始人 Victor Kumbol 上线了 SuaCode 的第一个原型产品，这是一个为期八周的基于智能手机的课程。这个课程教授 Processing，Processing 是一种基于 Java 的语言。

该课程现在已经有来自二十几个国家的 600 多名毕业生。博滕目前是苏黎世联邦理工学院应用机器学习专业的博士生，他还设计了一个讲英语和法语的人工智能教学助理，名为 Kwam—— 这是对加纳第一任总统夸梅・恩克鲁玛的致敬。博滕说：“他的泛非洲主义愿景与我们培养全非洲青年的目标异曲同工。”

博滕希望该课程的自动化性质将能够帮助到更多的学生 —— 让学生们尽早接触编程，为进一步接受教育打下基础，并最终帮助他们在技术领域找到高薪工作。

他的碳纳米管研究可能会使计算机更新换代。

马克斯・舒莱克建造了世界上第一台基于碳纳米管的功能型计算机。基于碳纳米管，他还设计了集成了计算单元、存储和传感器的片上系统。这些新技术加在一起，可以将计算机的能源效率提高到 1000 倍，为一些新设备的开发提供可能，例如低成本医疗传感器。

舒勒克告诉我们，“碳纳米管” 基本上可以看成是一根管壁只有一个碳原子厚的吸管。20 年来，研究人员一直在说要用它们来取代传统的硅芯片。但事实证明，碳纳米管晶体管和导线与实际的设备之间的距离还是很远，而舒勒克已经解决了一些问题，将这个设想变为了现实。

他设计了一种方法，可以在生产过程中去除未达标的碳纳米管，设计了新的工艺，能够兼容于常规的半导体代工厂生产线，还提出了一种设计，确保包含一定数量未达标碳纳米管的芯片能运作。

这些技术突破意味着我们向下一代计算机系统迈出了重要的一步，而下一代计算机系统的能源效率将远远高于迄今为止的任何产品。

舒莱克动力十足，他还致力于另一项壮举：单片式三维纳米系统。这些系统利用碳纳米管将微处理器、存储器和其他功能层直接融合在一起。

传统的设计是将微芯片和存储器制成独立的芯片，由导线连接。但在这些芯片之间大规模的数据流动会导致运行速度减慢和能源浪费 —— 这个问题在业界被称为 “内存墙”，而舒莱克的 3D 纳米系统解决了这个问题。

他建立了用于可控核聚变反应和热等离子体约束的超导磁体计算模型。

郑金星主要工作是模拟计算用于超高温度下控制等离子体的大型超导磁体临界特性和多尺度交流损耗。这是核聚变能源技术的重要技术之一。郑研究员主要工作是中国聚变工程试验堆（CFETR）大型超导磁体研发工作，CFETR 预计将在 2035 年之前完成立项建设，但达到全功率运行可能需要 5 到 10 年的时间。

核聚变反应堆基于原子结合时释放的能量，具有创造清洁能源的巨大潜力，并且比现有基于裂变反应的核能技术更安全。但，目前为止还没有人建造出实际可用的反应堆，部分原因是容纳必要的等离子体非常具有挑战性，期间的温度可以达到数亿摄氏度。

郑研究员的创新工作在于建立磁约束聚变大型超导磁体临界特性运行安全模型和发展了多尺度交流损耗计算模型，该模型有助于我们理解多个大型超导磁体是如何在聚变反应发生时，通过快速改变其磁场来将等离子体保持在一个地方。

中国未来的 CFETR 计划将在 2030 年代以超过 1 吉瓦的功率运行。这是目前位于法国南部、世界各国合作完成的聚变反应堆 ITER 功率的两倍。

他研究出了如何让微型机器人动起来的方法。

马克・米斯金研究出了一项几十年来世界顶级纳米科学家都望而却步的技术：让小到看不见的机器人有了生命（能够动起来）。

米斯金的微型机器人是 50 多年来电子科学持续创新的结果，正是这些创新让制造出比人发丝要细小的硅芯片成为可能。

这些芯片是机器人的大脑，但问题的难点在于，如何让这些芯片移动：以前的方法是将它们连接到一对像腿一样的微型支架上。但在如此小的规模上做到这一点，所需要的电压实在太高。

他的技术是用大约十几个原子厚的铂片来制造腿型支架，其中的一端覆有一层更薄的钛。与机器人大脑相连的太阳能电池会产生电流，让这些铂片受激而发生弯曲，从而推动机器人向前行进。

米斯金最初的机器人原型是他在康奈尔大学担任博士后科研人员时开发的，这种机器人只需要五分之一伏特即可移动，并且尺寸仅为 40×40 微米，比许多单细胞微生物还要小。

它被吉尼斯世界纪录认定为有史以来最小的可以行进的机器人：可以一次在一个 10 厘米的晶圆上制造出一百万个这样的机器人。

目前，米斯金的机器人能做到的只是在显微镜下跳跃，但在宾夕法尼亚大学的实验室里，作为电气和系统工程教授的他，正在为具有可编程内存的 “智能机器人” 制造四肢。该机器人是与密歇根大学的研究人员共同开发的。

长远来看，米斯金想使用微型机器人来设计新材料、清除作物害虫，甚至充当显微外科医生，通过编程来逐个消灭癌细胞。

忆阻器可以作为一种新型且更有效的现代电脑的基础元件。

忆阻器是一种新型的电路元件，于 1971 年便在理论上存在。2008 年，惠普的研究人员首次在由二氧化钛制成的纳米器件中发现了它们，但该技术并没有像最初预测的那样取代了闪存。

电阻器是控制电流流动的电路元件。忆阻器，顾名思义，就像一个带记忆的可调性电阻。关掉电源以后，忆阻器便会 “记住” 它最近的电阻。根据这项技术，便会有望做出更快、更高效的芯片，将有逻辑的内存集成在一起。

阿德南・米霍尼克在使用氧化硅开发忆阻器，氧化硅是计算机芯片中最常用的材料。他最直接的目标是制造高密度、低功耗、高运算速度的存储器。并且，他有野心使用忆阻器的物理原理来为未来的神经形态系统实现内存计算和类脑功能。

该项技术的支持者说，在其他各种用途中，忆阻器可以大大提高人工智能系统的能源效率。米霍尼克说，忆阻器的 “交叉阵列” 可以使用当前硬件的 500 分之一的能耗来执行各种深度学习任务。他联合创立的一家初创公司在今年 3 月份才完成了一轮 190 万美元的融资。

她的微型生物传感器可让科学家更好地了解抑郁症和痴呆症。

中冢菜子正在构建一种可以精确检测大脑和身体其他部位的化学变化的微型传感器。科学家可以使用这些信息来帮助他们了解和治疗抑郁症和痴呆症等疾病。

与早期的传感器相比，中冢的传感器更擅长区分结构相似的化学物质，如神经递质及其前体和代谢物等。

目前，她的传感器主要用于在实验室中对样本进行测量，但该技术目前正在被改进，以便于直接在人体内和更广泛的化学物质上工作。

中冢使用被称为 “适体” 的分子构建传感器，适体可以被设定成对特定目标具有强吸引力的分子。

她首先使用了一种由 DNA 构建的适体，该适体在血清素存在的情况下可以改变其形状（血清素是一种神经递质，在控制睡眠和食欲等身体功能，以及抑郁和强迫症等疾病中起着重要作用）。

后来她开发了一种新方法，将适体连接到一个直径只有 10 纳米的微型移液管的开口上，并与电路相连。

当适体在血清素存在的情况下改变其形状时，它便会改变电流。该传感器可以测量脑液或组织中的样本，还具有直接测量实验室培养皿或大脑中的单个神经元的潜力。

“这可能有助于我们更好地了解帕金森病等其他疾病，” 中冢说。她的传感器可用于实时监测患有此类疾病的患者体内或体内的神经元是如何相互作用的。由于适体可用于各种测试，中冢的技术可以更快、更便宜且更准确地检测患者的各种医疗状况和感染状况。

创业家

她正在使用 CRISPR 进行新的诊断测试。

詹妮斯・陈（Janice Chen）跳上一辆优步（Uber），里面塞满了微波炉大小的设备。当时，陈还是加州大学伯克利分校的博士生，她被邀请到一个实验室，利用她发明的新技术在医院医学样本中搜寻人类乳头瘤病毒。

很快就有了结果。她的测试使用了基因编辑工具 CRISPR，几乎每次都能发现病毒，为病毒检测提供了一种新方法。

她和其他几名学生，以及 CRISPR 的共同发现者詹妮弗・杜德纳（Jennifer Doudna）共同成立了一家公司，计划开发新一代测试仪器。他们给公司起名为猛犸生物科学公司。

要打入诊断行业并不容易：几家拥有成熟技术的公司占据了主导地位。作为猛犸生物科学公司的首席技术官，陈现在领导一个 40 人的团队。

她说，她依靠的是自己十几岁时的国际象棋比赛经验，当时她学会了如何一步一步地建立阵地，做出有意义的牺牲，深入了解竞争对手的想法。

陈在盐湖城长大，她的父母是来自中国的移民。她的哥哥是花样滑冰世界冠军和奥运会奖牌得主。

她说，在她的成长过程中，她的父母敦促她和她的兄弟姐妹们 “找到你们的激情，尽最大努力以一种有意义的方式不断进步”。

她学会了如何了解竞争对手的想法。陈苦学了多年的国际象棋，但最终在她父亲的生物技术供应公司兼职时找到了自己真正的兴趣所在。在那里，她第一次复制了基因、改造了细菌。

后来，在普林斯顿大学，她有机会参与一个正在进行的大型项目，将酵母细胞的 DNA 部分组装成整个基因组。

作为一名本科生，她在实验室里做了一些琐碎的工作。然而，这里的生命正被从头开始改造，而她也是其中的一员。

在攻读博士学位的过程中，陈在杜德纳的伯克利实验室找到了一份工作。2012 年，CRISPR 编辑技术就是在杜德纳的实验室合作开发的。

陈投身于快节奏的搜索之中，以发现和理解更多类型的 DNA 编辑器，并将其用于新用途。她展示了一种特殊的基因编辑酶可以进行诊断测试。

她的测试可以在样本中找到一个特定的病毒 DNA 序列，将其切割，释放出一个荧光信号，最终报告结果。

这看起来对传染病检测非常有用，可以尝试将其商业化。这也正是促使她在 2017 年与他人共同创立猛犸生物科学公司的原因。

接着新冠疫情出现了。当标准检测方法在 2020 年春季遭遇挫折时，美国食品和药物管理局（FDA）向猛犸生物科学公司和其它数十家规模较小的公司开了紧急绿灯，允许它们出售自己的病毒检测试剂。

这是一场危机，但这也意味着财政紧缩被放松了。自疫情开始以来，猛犸生物科学公司已经获得了 3000 万美元的政府资助。

截至 2021 年 5 月，猛犸生物科学公司正准备将公司的首个产品商业化，公共卫生实验室可以使用这些试剂盒同时进行 1500 次新冠病毒检测。这与现有的测试相比，需要的人工干预更少。

他经营着一家公司，正在研究信使核糖核酸（信使 mRNA）的未来。

安全有效的新冠疫苗终于为疫情提供了出路。这些疫苗中最具创新性的是利用信使核糖核酸来指示细胞制造病毒中的一种蛋白质，从而使身体产生针对病毒的抗体。现在，科学家们正在研究这项基础技术的各种其他潜在用途。

雅各布・贝克拉夫特说：“经历了新冠疫情，信使核糖核酸技术从可能有用变成了对人类有效。”

他经营着一家名为 Strand Therapeutics 的初创公司，该公司正在研究信使核糖核酸的未来 —— 通过 “编程” 使分子具备更多有用的技巧，比如只在特定的细胞类型中、在特定的时间打开，或者自动复制自己以增强效果。

尽管信使核糖核酸的效果是暂时的（因为它是一种不稳定的分子），但在许多方面，使用它比试图改变细胞的基因组更简单、更安全、更快速。该公司正在推行的一个想法是，通过注射信使核糖核酸来指示人体的免疫细胞对抗皮肤癌和乳腺癌。

贝克拉夫特在伊利诺伊州中部的一个小型农业社区长大，该社区以一个在二战期间发现了如何大规模生产青霉素的联邦实验室而闻名。他说自己在高中时连看细胞图片的耐心都没有。

“直到上大学，我才认识到生物其实是一种机器，而不仅仅是一堆需要记忆的东西。” 贝克拉夫特表示，“但当有人告诉我一个系统是如何运作的，我就明白了。我可以想象出来。”

她的新染料可以使世界上最常见的服装更加环保。

许多消费者没有意识到，牛仔布的标志性颜色 - 靛蓝，需要甲醛和氰化物等合成化学物质。这些化学品可能对工人有害，有时还会污染当地水源。因为牛仔裤是非常常见的服装，所以这是一个巨大的环境问题。

Huue 公司的首席科学官许泰美与同事们合作，共同研究了自然界中颜色的形成过程，并对微生物进行编程，使其通过酶作用并产生他们想要的颜色。其研究结果是一个可持续解决方案，不依赖有害过程或化学品。

现在的挑战是如何让这种天然染料像该行业所依赖的合成染料一样便宜。Hsu 说：“化学工业已经有 100 年的时间来改进他们的工艺，使其具有成本效益。我们是两年前成立的，正在努力追赶。我们的一个最大目标就是降低生产成本。”

Huue 有望在明年发布其靛蓝染料。许的下一步工作是研究如何诱导微生物产生一系列不同的染料。她说：“我们正试图为时装业提供一种替代方法。” 而现在的挑战是如何降低成本。

她的微型卫星可以把通信带到地球上最遥远的地方。

萨拉・斯潘格罗没能成为宇航员。但是，在与加拿大航天局的试飞失败四年后，她实现了自己的太空里程碑：推出了世界上成本最低、随时可用的卫星通信网络。

斯潘格罗拥有密歇根大学航空航天工程博士学位，是 Swarm Technologies 公司的首席执行官，该公司致力于为地球上任何地方的设备提供价格低廉的数据服务。

如今，地球表面近 90% 的地方，包括海洋、沙漠和极地地区，都没有互联网。长期以来，因为卫星网络的部署和维护通常要花费数十亿美元，所以通过卫星进行通信的成本一直居高不下。

降低成本的关键是缩小卫星尺寸：Swarm 的卫星大约只有一片法国吐司那么大，是目前轨道上最小的双向通信设备。

由于它们非常小巧，它们可以以低廉的价格搭乘商用火箭：Swarm 公司将在 2021 年底前将 150 颗卫星送入近地轨道，整个发射成本将不到 300 万美元。

Swarm 的数据连接使用的是甚高频无线电频谱，无法让海员通过流媒体观看 Netflix：它目前的传输速率是每秒 1 千比特，类似于 20 世纪 90 年代的拨号上网。

相反，Swarm 的优势在于，它让客户能够从世界上最遥远的地方传输小而有用的信息包。

这使他们能够远程监控供水，检测管道泄漏，测量土壤含量，跟踪野生动物，或保证疫苗在冷链运输中的温度。

-End-

特别鸣谢：REN、靖海

专业审校：靖海、REN、杨一鸟、vantee、龙盼、赵韶鲜

责编：多加