科技的发展，是一条条不断延伸的世界线。
它很少突然转向，也不会凭空加速。真正让一条世界线发生变化的，往往是一个个具体的坐标：某个人在某个时间点，做出的某个判断。
这些坐标出现时，往往并不显眼。它可能是实验室里一组尚未受到重视的数据，一次没有先例可循的尝试，或是一条当时看起来并不容易走通的路径。等它真正进入产业、走进生活，通常已经过去了很长时间。但总有一些年轻人，会更早地把目光投向那些尚未被充分关注的方向。他们提出新的问题，尝试新的方法，也在一次次验证中，让原本模糊的可能性逐渐变得清晰。
他们，正是世界线上正在生成的新坐标。
《麻省理工科技评论》“35 岁以下科技创新 35 人”（MIT Technology Review Innovators Under 35，简称“TR35”）长期关注的，正是这些尚未完全显现、却可能改变技术路径的年轻创新者。
TR35 始于 1999 年，2010 年开始区域性评选，目前已覆盖拉丁美洲、欧洲、日本、中国和亚太等国家和地区。二十多年间，已有超过 2,800 名青年学者、科学家和创业者入选，其中许多人后来成长为所在领域的重要推动者。
例如，2008 年入选者 Kostya Novoselov，两年后因在二维石墨烯材料方面的开创性实验，与导师 Andre Geim 共同获得诺贝尔物理学奖；2007 年入选者 Mung Chiang，则先后担任普渡大学校长和美国西北大学校长，成为两所大学历史上的首位华裔校长。
AI 的发展轨迹中，也能看到许多后来耳熟能详的名字。1999 年入选的 Marc Andreessen，如今是全球知名风险投资机构 Andreessen Horowitz（a16z）的联合创始人；GPT 的重要推动者 Ilya Sutskever 和 GAN 的提出者 Ian Goodfellow，分别于 2015 年和 2017 年入选 TR35。他们后来所推动的技术，也成为生成式 AI 发展历程中的重要组成部分。
此外，几乎每一家 AI 科技巨头和大模型公司里，都能找到 TR35 入选者的身影：Twitter 创始人 Jack Dorsey、Google 联合创始人 Larry Page 和 Sergey Brin、OpenAI 联合创始人兼总裁 Greg Brockman、英伟达杰出科学家韩松、月之暗面 Kimi 创始人兼 CEO 杨植麟、腾讯首席 AI 科学家姚顺雨……
从某种意义上说，TR35 记录的并不只是“谁已经成功”，更重要的是，在技术路径尚未完全清晰的时候，哪些年轻人正在做出值得关注的尝试。
这种观察，在亚太区已经持续了 12 年。
自 2014 年第一届评选以来，TR35 亚太区累计产生 255 位入选者。评选规模也随着创新生态的变化不断调整：2014 年至 2019 年，每届评选 10人；2020 年扩大至 20 人；自 2021 年起，每届稳定为 35 人。名单规模的变化，也让评选能够持续覆盖更多处于不同阶段的创新者——有人仍在提出问题，有人正在完成关键技术突破，也有人开始尝试将研究成果带入真实应用场景。
12 年的积累，也逐渐勾勒出亚太青年科技人才的创新版图。
纳米技术与材料、生物技术与医学、AI 与机器人、能源与可持续、计算机与电子硬件等领域持续成为重要方向。但如果把这些领域放在更长的时间尺度上观察，会发现真正值得关注的，并不是某一个短期风口，而是不同技术轨迹之间正在形成越来越多的连接。
AI 正在与机器人、电子硬件和具体应用场景结合；材料技术不断向器件、能源和制造环节延伸；生命科学也正在从基础研究走向诊断、治疗与生物工程。越来越多新的突破，发生在学科边界、技术链条与真实需求的交汇处。
创新的边界正在变化。
过去，一项重要的技术突破或许可以在单一学科内部完成；今天，越来越多的问题，需要不同知识体系之间的连接。创新者需要关注的不只是一个问题能否被解决，也包括一项技术如何被验证、被制造、被应用，并在真实世界中持续迭代。
这也正在改变青年科技创新者的角色。
2021 年全新版 TR35 亚太区评选启动后，截至 2025 年，入选者中共有 77 位“先锋者”、37 位“发明家”和“远见者”、12 位“人文关怀者”和“创业家”。
这些不同类型的创新者，走在不同的技术路径上，却有着相似的特征：他们往往还没有抵达终点，却已经站在变化发生的地方。创业也不再只是创新的终点，而成为技术继续向前延伸的一条路径。对于越来越多青年科学家而言，挑战已经不只是完成一次实验、发表一项成果，而是如何让技术找到能够长期发展的团队、场景、资本和组织。
因此，今天我们所看到的亚太青年科技创新者，正在呈现出更加交叉、更加深入、也更加接近真实世界的创新轨迹：研究方向不断跨越学科边界，技术成果从原理走向系统、从实验走向应用，越来越多创新者也开始主动跨越学术与产业之间的边界。
一条新的世界线，正在形成。
沿着这些不断延伸的世界线，2026 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”亚太区入选名单正式发布。（*以下排名不分先后）
她致力于削减大模型训练中的资源浪费，让有限算力也能训练出更小更强的模型。
大模型的进步似乎成为一场规模竞赛：更多参数、更多数据，以及更多算力和资金。夏梦舟却发现，学术团队很难拥有科技公司的算力。资源有限的情形下，她必须思考，究竟有哪些结构是多余的，哪些训练数据真正有用，又能否以更简单的方式让模型更懂人的需求？
基于此，夏梦舟主导开发 Sheared LLaMA，自动移除不重要的维度，将 70 亿参数模型压缩为更小版本，仅使用原本计算量的 3%，就在多项任务中超过多个同尺寸开源模型。
模型变小之后，她开始优化训练数据。此后，夏梦舟与合作者提出 LESS，衡量每条数据对模型能力的实际影响。实验中，模型仅使用约 5% 的训练数据，最终表现就超过使用完整数据集的方案。她还和团队提出偏好对齐算法 SimPO，省去额外的参考模型，以更低成本训练模型理解人类偏好。
近期，她和团队进一步发现，改进模型未必总要向其中灌输更多知识，有时只需帮助它更有效地避开错误路径。下一步，夏梦舟将继续研究如何利用数据合成和智能体系统提升模型的推理能力，让更多研究者参与下一代人工智能的开发。
他主导开发 SpatialAgent、Biomni 等生物医学智能体，使 AI 能够调用数百种科研工具，推动 AI 从回答问题走向自主执行科研任务。
王瀚宸的研究聚焦于让 AI 真正参与科学发现。他的工作从物理学和表征学习逐步拓展到细胞与组织生物学，探索如何让 AI 调用专业工具、分析实验数据、提出假设，并与实验流程衔接。在斯坦福大学计算机系和基因泰克完成博士后研究后，他即将加入 Google DeepMind，继续探索面向科学发现的新一代系统，以及用于开发新型癌症治疗方法的专用模型。
他与团队开发的生物医学智能体 Biomni，是这一方向的代表性工作。Biomni 整合 150 种科研工具、105 个软件包和 59 个数据库，能够自主规划并执行多步骤生物医学任务。在一项涉及 30 名参与者、458 个健康数据文件的分析中，原本约需人工三周完成的工作，Biomni 仅用 35 分钟完成，展示了 AI 处理复杂生物医学任务的潜力。
与此同时，王瀚宸也将智能体拓展到更多科研场景：SpatialAgent 面向空间组学；Perturb-ME 结合基因扰动实验，用于发现癌症中的新型调控机制和潜在治疗靶点；Orion 则让 AI 直接操作细胞成像与分析软件，将科学假说直接连接到实验验证。
除了拓展 AI 的科研能力，王瀚宸也关注模型是否真正可靠。他与团队提出单细胞表征评估方法 scGraph，并构造了一个名为“漂浮的细胞岛”的反例：模型在所有指标上都获得最高分，却严重扭曲了细胞之间的生物学关系。这项工作揭示了现有评估方法可能掩盖模型错误，并提供了识别这类结构失真的方法，为更可靠地使用 AI 分析生物医学数据提供基础。
她把显示屏里的液晶变成能对光进行编码，并将光学指令转化为动作的可编程软物质光子学平台。
大多数人认为，液晶只是显示屏中的一层材料，马玲玲却看到了另一种可能：液晶同时具备晶体的有序性和液体的流动性，还能响应光、电、热、力等各种外部刺激。如果精确设计其中的分子排列，它就有潜力成为一套柔软、轻薄且可重构的光学系统。博士期间，马玲玲及团队提出“多层级液晶超结构”的概念，将自组装液晶分子组织成可控好用的光学微结构。一直以来，她都在尝试利用液晶操纵光。
近几年，她开始将这种能力落实为功能光学器件。马玲玲与合作者提出矢量液晶全息技术，仅利用微米级的单层液晶实现了对光的强度和偏振分布的精准、独立操控。他们还利用新型铁电向列相液晶的极性，让原本固定的非线性光学功能可被预先编码和动态可调。
2025 年，马玲玲和合作者发现一种同时包含单极和双极排列的新型铁电液晶相态，进而将原本需要多组器件完成的非线性光束整形功能压缩进微米级液晶层。她还开发了可重构非线性衍射器件，以较低电场实时改变光束的方向、强度和偏振。
近期，这条路线进一步延伸到“利用光执行动作”，她和合作者开发了一种嵌入液晶全息结构的软体机器人，通过可编码光学命令指挥其完成任务。马玲玲希望这类柔性材料能替代部分体积庞大的刚性光学装置，成为机器视觉、智能机器人、光计算和量子信息系统的基础部件。
她与团队提出大规模强化学习框架 RLinf，将机器人也作为模型训练资源的一部分。
强化学习已经让 AI 学会通过“试错”不断提高能力，但当它从游戏和仿真走向真实机器人，训练成本、硬件差异和系统协同都会变得复杂得多。
于超近年的研究，正是在尝试解决这道从数字世界通向物理世界的门槛。在博士后研究期间，她与团队开发无人机强化学习平台 OmniDrones，为复杂飞行任务提供更高效的仿真训练环境；与此同时，她深入研究大模型强化学习，对 DPO 与 PPO 的优化机制进行理论和实证分析。
随着研究进一步走向真实机器人，于超与团队开发了面向具身智能的大规模强化学习框架——RLinf，试图把原本分散的模型训练、仿真、算力和机器人连接起来，并提出“像使用 GPU 一样使用机器人”的思路：将机器人也纳入统一的资源抽象和调度，让不同机器人能够参与规模化、长期在线学习。RLinf 已进入 Pytorch Ecosystem 生态和 NVIDIA IsaacLab 生态，并被多家企业和高校研究团队采用。
2026 年，于超联合发起物理智能公司正行创新（Striding AI）。她希望继续推进的，是让机器人不再只依赖部署前的一次训练，而能在真实世界的持续交互中学习、适应和进化。
他参与构建视频模型所需的全套技术，推动 AI 从理解文本走向对世界的感知和生成。
大语言模型之所以强大，是因为它们在海量文本上训练出了一个“文字世界”。但进入真实世界，文字无法描述人们每天经历的一切。为了让 AI 认识甚至生成物理世界，Rohit Girdhar 决定搭建一套完整的技术框架。
从底层数据出发，他参与构建了超 3,000 小时的第一人称视频数据集 Ego4D，包含同步音频、三维空间扫描和惯性测量等多模态信号，成为相关领域研究的全球基准。为了让模型一次性处理多种模态，Rohit 与团队提出开源架构 ImageBind，将图像、视频、音频、深度、热成像、运动和文本七种模态整合进单一嵌入空间，使模型获得跨模态零样本识别能力。
理解世界只是一半，另一半是生成。Rohit 与团队提出 Emu Video，将文本到视频的生成分解为“先生图、再动画”，评测表现大幅优于同期商业和学术方案，部分功能已在 WhatsApp 和 Messenger 等应用中服务数十亿用户。
2026 年，Rohit 加入 AMI Labs，致力于构建理解物理规律、具备因果推理能力的世界模型。他相信，下一代 AI 的突破将来自能够“画草图、做模拟、用视觉思考”的系统。
他把量子计算的控制电子学搬进极寒环境，为大规模量子芯片搭建可集成的“神经系统”。
量子比特在接近绝对零度的环境中工作，控制它们的电子设备却通常放在室温。2015 年，还在读硕士的 Bishnu Patra 参观了一个配有五量子比特处理器的实验室：核心芯片只有指甲大小，房间剩余空间却摆满室温控制设备。这让他意识到，量子计算要走向规模化，除了需要更多、更稳定的量子比特，还要像经典计算机从电子管走向集成电路那样，压缩控制设备的尺寸、功耗和热负担。
此后十余年，Bishnu 一直致力于此。他主导设计了一颗在约 3K 温度下工作的低温可编程控制器，并将其接入硅自旋量子处理器，可运行双量子比特算法，精度与传统室温仪器相当。
2021 年加入英特尔后，他把关注点放在可扩展的量子处理器架构，和团队一起开发了能在极低温环境下为量子器件提供偏置和高速脉冲的 CMOS 芯片，参与构建 300 毫米硅自旋量子比特阵列，并主导设计了用于快速读出量子态的低温 BiCMOS chiplet 架构。
2026 年初，Bishnu 加入 Microsoft Quantum 担任高级研究科学家，继续将低温 CMOS 从实验环境发展为支撑实用量子计算机的基础设施。
他参与设计了支撑全球前沿 AI 实验室大规模训练的编译基础设施。
训练万亿参数规模的前沿大模型，计算量远超单块芯片的承载力，必须拆分到数万块加速器上并行处理。怎么拆、怎么协调、怎么减少芯片之间的空闲等待，是一个很少被讨论但决定训练成败的工程问题，而他的工作就主要集中在这一领域。
他在 Google Core ML 期间主导设计了 Shardy，一个基于 MLIR 的张量分区系统。在此之前，研究者需要针对数据并行、模型并行、流水线并行等不同策略分别处理复杂的分布式逻辑，配置繁琐且容易出错；Shardy 将这些策略统一到单一架构中，让用户通过简洁的标注就能指定分区方式，编译器自动处理底层的通信和内存分配。他随后领导了 JAX 从上一代分区系统 GSPMD 到 Shardy 的完整迁移，完成了 JAX 编译栈的一次结构性升级，并参与了 Gemini 系列模型的预训练优化。这套基础设施目前也被其他机构用于各自最核心的训练任务。
此外，他还在 XLA 中优化了算子调度和通信策略，减少芯片之间的空闲等待，进一步提升了大规模训练的硬件利用率。2026 年他加入 Apple Foundation Models，继续从事大模型的性能优化工作。
他正在让大模型更会找信息、读信息，并且学会判断自己的答案是否有依据。
今天的大模型越来越擅长回答问题，但“答得出来”并不等于“答得可靠”：它能否找到真正相关的信息，处理几十万字的上下文，并让答案经得起来源核验，仍然是大模型走向实用需要解决的问题。
高天宇长期围绕这些问题研究大模型的信息获取与处理。他早期开发的 SimCSE 用简洁的对比学习方法提升文本语义表示能力，相关方法被 OpenAI、Meta、Google 等公司的检索与推荐系统采用。
此后，他把研究延伸到“如何判断大模型的答案是否可信”。他与团队开发 ALCE，用于评估带引用回答是否真正得到来源支持；又参与开发长上下文评测框架 HELMET，以及训练方法 ProLong，后者以约 5% 的训练预算达到超过同类开源系统的表现。他还参与开发 MeZO，将大模型微调所需 GPU 显存降低至多 12 倍。
2025 年博士毕业后，高天宇曾短暂加入 OpenAI，随后进入 Meta Superintelligence Labs 从事 AI 研究，并将赴加州大学圣迭戈分校任助理教授。他希望让大模型获取和处理信息的过程变得更高效、可靠，也更容易被验证。
他正在把真实世界“搬进”计算机，让机器人先在虚拟世界里学习，再回到现实中行动。
大语言模型可以依靠海量数字数据和大规模计算快速扩展，但机器人学习一个动作，往往还要在现实世界里一次次尝试：抓错了要重来，换个场景又可能重新收集数据。李昀烛想改变的，就是这种被“物理时间”限制的机器人学习方式。
2022 年，他进入斯坦福视觉与学习实验室，与李飞飞和吴佳俊开展博士后研究，并进一步探索如何通过对真实世界的建模与仿真，让机器人学习突破现实世界实验的限制，变得更加可扩展。
近几年，李昀烛与团队重点研究 Real-to-Sim-to-Real：记录真实机器人、物体和环境，再重建成可交互的模拟世界，让机器人先在其中大量训练、试错和测试，再把策略部署回现实。他们已在双臂操作、线缆等复杂任务中验证这一思路，并用模拟结果预测真实机器人策略的表现。
为了把这套方法带到真实机器人中，李昀烛联合创立了机器人仿真公司 SceniX。2026 年 SceniX 被 World Labs 收购，他也加入 World Labs，进一步将机器人仿真与世界模型、空间智能结合起来。他希望让机器人更多地在计算机中获取、测试和复用经验，再回到现实中验证。
她用 AI 解析细胞的空间组织和动态变化，推动生命科学从描述走向预测。
细胞的状态不仅取决于其分子组成，也受到组织环境、发育阶段、疾病进程以及药物和基因扰动的影响。然而，现有实验往往只能从不同样本中获得离散的时间截面，空间组学数据也常存在分辨率、测量模态和覆盖范围上的差异。何锶瑜的研究致力于开发统计和生成式 AI 方法，从这些不完整且异质的数据中解析细胞的空间组织，并预测其状态变化。
她开发的 Starfysh 从空间转录组数据中推断不同细胞群及其功能状态，用于解析肿瘤微环境的空间异质性。在此基础上，她进一步开发 CORAL，将不同空间分辨率和分子模态的数据纳入统一的生成模型，用于识别组织结构、解析混合细胞组成，并研究细胞间相互作用和潜在分子调控机制。
在细胞动态和扰动预测方面，她开发的 Squidiff 利用扩散模型学习离散单细胞数据中的状态变化规律，预测细胞在不同发育阶段、基因扰动或药物处理后的转录状态。她还将这一方法用于血管类器官发育，模型识别出辐射破坏的关键生物通路，并提出潜在干预方向。
在此基础上，何锶瑜正进一步整合大语言模型和生成式模型，把细胞的分子信息、空间位置和时间变化放到同一个框架中建模，探索构建虚拟细胞世界模型，以预测细胞在不同发育、疾病和干预条件下的状态转变。
她更长期的目标，是让这类模型成为一个“虚拟实验环境”：研究人员可以在真正投入昂贵、耗时的实验之前，先在计算机中模拟细胞行为、检验假设并探索治疗方案，让 AI 从分析已有生物数据进一步走向辅助设计实验和治疗策略。
他正在教 AI 智能体从人类已经会做、却很少系统记录下来的日常“行动经验”中学习。
人类每天都在做大量动作，却几乎不会留下完整记录：怎么折一件衣服、怎么修好水龙头、怎么在网页里填完一份报销单。对智能体来说，这些最接近日常能力的经验，反而不像文字和图片那样可以直接从互联网下载。Aravind Rajeswaran 的研究，长期围绕一个问题展开：既然行动数据如此稀缺，能不能从别的地方把它“转移”过来？
早期，他与团队用少量人类示范结合强化学习，让多指机械手学会开门、敲钉子和手内操作。后来在 Meta，他又把人的第一视角视频变成机器人的学习材料：R3M 从约 3,500 小时人类活动视频中提取可复用的视觉表示，VC-1 则进一步探索让同一个视觉模型服务不同形态的机器人。
2025 年加入微软后，他把这套思路带到电脑操作智能体。现实中缺少完整的网页操作轨迹，他与团队便在合成环境中批量制造训练经验，开发了 Fara-1.5——一个擅长浏览器任务的紧凑型网页智能体。
从人类示范、视频到人工生成的世界，他一直在追问同一件事：没有现成行动数据时，AI 还能怎样学会真正去做？
他把单细胞图谱从描绘细胞差异，推进到定位疾病风险具体作用于哪些细胞。
一个基因变异或一种药物进入细胞后，最终会让细胞发生什么变化？周镜天希望回答这个问题。为此，他把研究分成三个环节：先在单细胞层面测清基因调控信息，再把海量测量结果整理成可用的细胞图谱，最后利用模型让这些图谱具备预测细胞变化的能力。
在测量这一步，他参与开发了能够在同一个细胞中同时读取 DNA 甲基化和三维基因组结构的技术，又将单细胞 DNA 甲基化测序的通量提高到足以进行全脑绘图，并进一步把单个神经元的表观遗传特征与它在大脑中的远距离连接对应起来。
数据规模扩大后，他又开发了一系列分析工具，把海量单细胞数据组织成图谱。他和团队绘制了覆盖小鼠大脑 117 个区域的表观基因组图谱，解析出超过 2,500 个细胞群，随后又将这套研究扩展到成人脑、发育期人脑以及另外 15 个人体器官系统。
在此基础上，他开始让图谱走向预测。其参与开发的方法，可以把疾病遗传风险进一步定位到具体细胞类型和细胞状态；在 Arc 研究所，他还在构建深度学习模型，希望进一步预测基因变异、药物或发育信号出现后，细胞会怎样改变。
从测量、建图到预测，周镜天正在把单细胞图谱从记录生命状态的参考资源，变成理解疾病机制和设计干预方案的计算工具。
他与合作者共同解决了悬置 125 年的希尔伯特第六问题。
1900 年，希尔伯特提出第六问题：能否从微观粒子碰撞严格推导出宏观流体运动定律？这道题悬置了 125 年。
2022 年底，从中科大少年班到普林斯顿博士毕业不久的马骁，加入了邓煜和 Zaher Hani 组成的三人攻关团队。他此前在波动动理学领域的积累，成为团队打开局面的关键钥匙之一。他在证明核心的“组合切割算法”中贡献了多个关键步骤，帮助攻克了粒子碰撞历史的复杂度估计难题。
2024 年 8 月，三人完成长达 150 余页的证明，首次在长时间尺度下从硬球粒子动力学严格推导出玻尔兹曼方程；七个月后，他们进一步导出欧拉方程和纳维-斯托克斯-傅里叶方程，从气体分子的微观碰撞到流体的宏观运动，整条推导链条被严格贯通，为希尔伯特第六问题画上句号。2026 年 7 月，马骁的合作者邓煜获菲尔兹奖，国际数学联盟官方引文将这项合作成果列为支撑授奖的核心贡献。
解决百年难题之后，马骁正将研究重心转向 AI 与数学的交叉，开发开源框架，目标是让 AI 成为严肃数学研究中可审计、可扩展的证明伙伴。
他聚焦生成式世界模型，推动多模态生成模型理解并作用于物理世界。
AI 要进入真实物理世界，依然面临很多难题：不理解物体如何运动、碰撞后会发生什么、一个动作会带来怎样的后果。构建能够学习世界结构、预测动态变化与行动后果的生成式世界模型，正是顾佳涛当前研究的核心。
顾佳涛长期探索生成模型的效率、灵活性与表达能力。作为非自回归生成的开拓者之一，他提出了非自回归翻译模型和 Levenshtein Transformer，通过并行预测与迭代编辑，发展了更高效、灵活的文本生成方法。在三维视觉领域，他与合作者提出 Neural Sparse Voxel Fields 和 StyleNeRF，从二维观测中学习三维表示，支持高效的新视角合成与三维感知的高分辨率图像生成。后续的世界一致视频扩散模型进一步联合建模视觉外观与三维几何，提升生成内容在不同视角下的一致性。
目前，他正将这些研究积累汇聚于生成式世界模型的构建，探索兼具结构一致性与可扩展性的概率生成方法。他与团队提出的 STARFlow 系列，将归一化流扩展至高分辨率图像、视频、与统一多模态生成，在实现高质量视觉合成的同时保留精确似然训练能力，为世界模型提供可扩展的概率建模基础。
未来，他致力于构建面向物理智能的生成式世界模型：将视觉观测连接到几何、物理和动作，同时支持反事实推理与长程规划，让 AI 能够理解世界并在其中行动。
她将多元素氧化物的组分复杂性转化为可控的设计原则，推动电催化剂研发从经验优化走向机制导向的材料设计。
面向绿色氢能生产的能源转化过程中，一个核心瓶颈是如何开发兼具高活性、高耐久性和可规模化应用潜力的催化材料。传统的催化剂优化往往依赖于逐步调整材料组成，但对于多元素材料而言，其庞大的化学组成空间使这种方法变得越来越困难。Jihyun Baek 的研究提出了一个不同的问题：与其不断追求更简单的材料体系，我们是否可以主动引入复杂性，并将这种复杂性转化为开拓全新催化材料空间的设计优势？
她的答案是肯定的。她的研究聚焦于高熵尖晶石氧化物，其中五种或更多金属阳离子共存于同一晶体骨架中，并形成多样化的局域原子环境。通过结合材料合成、先进光谱表征、电化学测试和计算模拟，她揭示了多元素混合如何改变局域应变、电子结构以及催化活性位点。在 Co–Fe–Ni–Cr–Mn 高熵尖晶石体系中，这些效应使材料在析氧反应中的活性和稳定性相比低熵对应体系得到显著提升。
Jihyun 还开发了新的方法来实现对这些复杂材料的快速制备与精准调控。她提出了一种超快速光闪合成方法，利用极快的升温和冷却过程，在数十毫秒内即可形成高熵氧化物纳米颗粒，为在多种基底上快速探索多组分材料提供了一条简单而高效的途径。更近期的研究进一步表明，催化性能不仅取决于材料中包含哪些元素，还可以通过控制不同金属阳离子在晶体结构中的具体占位来进行调节。通过有选择地调控阳离子在四面体位点和八面体位点之间的分布，她的研究确立了配位位点占据作为连接原子结构与催化性能的关键设计参数。
总体而言，这些研究构建了一条贯穿材料发现、快速合成和原子尺度机理理解的研究路线，旨在推动化学组成复杂的催化材料从依赖试错的体系，转变为可进行理性设计的绿色制氢材料。
从看懂一张图到生成一个变化的世界，他帮助视觉智能从感知走向推演。
人理解世界，从来不仅仅靠单独一幅画面。我们会记住前一刻发生了什么，判断物体在三维空间中的关系，并从连续变化中推测下一步。
但对袁粒而言，“看懂一张图”只是起点。他真正关心的是，机器能否像人一样，把眼前的画面放进连续的时间和三维空间里理解，并进一步推演世界接下来会发生什么。围绕这个目标，他的研究不断向真实世界深入：Video-LLaVA 尝试统一图像与视频的视觉表征，让模型跨越静态与动态视觉之间的边界；Point-MAE 则把理解从二维画面推进到三维点云，让机器开始学习空间结构本身。
当研究进一步走向动态世界，他主导了 Open-Sora 开源计划，并将重点转向能够学习时间演化和因果关系的世界模型。总的来说，袁粒希望 AI 不只是生成“看起来正确”的画面或视频，而是能够掌握现实变化背后的通用或物理规律。此外，他还通过 MoE++（新型混合专家）等稀疏架构探索更高效的计算方式，让更复杂的智能真正具备落地的可能。如今，这条路径从宏观物理世界延伸到了 AI4S 微观分子世界，从分子表征到科学数据建模，机器理解世界的对象正在从视觉空间走向更广阔的科学世界。
从“看见”到“理解”，再到“模拟和推演”，袁粒正在尝试回答一个更根本的问题：下一代 AI 基础模型架构，究竟如何才能真正理解我们所处的物理世界？
他把病理、医学影像和组学数据逐步接入同一个生物医学基础模型，推动病理大模型进入真实临床流程。
疾病不会只留下单一的数据痕迹。一个患者可能同时有病理切片、CT、基因组、蛋白组和临床记录，但这些信息长期由不同模型分别处理。王晟提出，生物医学 AI 可能存在一种多模态 Scaling Law：整合的数据模态越丰富，模型对疾病的理解能力也可能进一步提升。
围绕这一思路，他首先从病理图像入手。他和团队开发的 GigaPath 在超过 17 万张全切片、13 亿个病理图像块上训练，覆盖 3 万多名患者和 31 种组织类型，并在 29 项诊断任务中取得领先表现。该模型后来被纪念斯隆-凯特琳癌症中心用于肺癌生物标志物预测，进入真实临床流程。
随后，他把模型扩展到更多医学影像。BiomedParse 将 CT、MRI、OCT、病理、超声等 9 种模态映射到统一表示空间，让一个模型可以同时完成分割、检测和识别；BiomedCLIP 则利用 1,500 万组生物医学图像—文本数据，探索图像与医学语言的统一表示。
在此基础上，GigaTIME 又把病理图像与细胞层面的分子信息连接起来，可以从常规病理切片中模拟空间蛋白组特征，用于分析肿瘤微环境及其与基因突变、免疫状态和临床结局之间的关系。
他最终希望建立能够模拟治疗反应、疾病进展和临床试验匹配的“患者世界模型”，进一步走向对患者完整疾病轨迹的建模。
他正推动 AI 摆脱对海量人工标注的依赖，从有限线索中自主发现、验证并持续更新知识。
现实世界的知识，很少像训练集一样整齐地附着标准答案。新概念不断出现，长尾信息持续变化，而许多专业领域能够提供给 AI 的，往往只是一些零散线索。商静波长期研究一个核心问题：如果人类不再逐条告诉机器“什么是正确答案”，AI 能否依靠有限提示，从数据中持续学习新知识？
围绕这个问题，他逐渐形成并推进“极弱监督”这一研究方向。与依赖海量人工标注不同，他与团队将人类监督从逐条标注样本，转向类别名称、概念定义和任务描述等高层语义提示，再利用海量数据中的重复、上下文和统计规律，让模型自主推断、验证并组织知识。
在这个过程中，商静波进一步发现，弱监督中真正棘手的并非随机出现的错误，而是会把模型持续带向错误方向的系统性标签偏差，并据此提出纠偏和自我修正方法。相关技术已经进入 Amazon 购物助手 Rufus，帮助其应对不断变化的商品和用户需求，也被 Google、Microsoft、eBay、NIH、IMF 等机构应用于互联网、公共卫生、经济分析和科学研究等知识更新迅速、高质量标注依赖专业知识且难以规模化获取的领域。
近几年，他又将这条研究路线延伸到大模型，希望让 AI 面对不断变化、没有现成答案的世界时，也能从有限的人类提示中持续学习，减少 AI 训练和持续更新对大规模人工标注和充足资源条件的依赖，降低其应用门槛，提升 AI 在不同专业领域和资源环境下的可及性。
他不断为生成模型做减法，用更少的先验设计，探索更简单、更统一的生成范式。
今天，生成模型的效果令人惊叹。但惊叹之余，我们也能注意到一个现象，生成模型正在变成一台层层加装零件的复杂机器：人工标注、专用分词器、预训练模块，以及为每个任务单独定制的处理流程……在这样的背景下，黎天鸿选择了一条相反的路。他在追问一个更基础、也更底层的问题：如果把这些外加组件逐步去掉，模型还能不能依靠自身学会生成？
他与合作者提出的 MAGE，将表征学习与图像生成统一到同一个框架中，不再分而治之。随后的 RCG，用模型通过自监督学习得到的表征替代人工标签，在完全没有人工标注的条件下，达到了与有监督方法相当的生成质量。到了 MAR，他回到自回归模型的数学本质，打破了传统自回归生成对离散数据的依赖，将这一建模范式拓展到连续空间，使其能够广泛应用于各类连续数据的生成。JiT 则更进一步去掉了专用分词器、预训练和额外损失函数，让通用的视觉模型直接在原始像素块上完成生成。
纵观这条脉络，黎天鸿的贡献不在于把模型做得更繁复，而在于一次又一次地证明：许多看似必要的复杂设计，其实可以被简化甚至取代。他为通向更简单、更通用的生成模型，开辟了一条从第一性原理出发的道路。
他以统一视觉词元和语言模型打通图像、视频的理解与生成，推动多模态智能从“看懂”走向“创作”。
于力军的研究主线，是推动 AI 从“理解视频”走向“生成视频”。他聚焦多模态基础模型与视频生成，探索如何让文字、图像、视频和音频在统一框架中协同处理，使 AI 不仅能够识别视觉内容，还能据此生成新的内容。
作为第一作者，他提出 MAGVIT，通过三维视觉分词器将视频压缩为空间和时间相结合的视觉词元，并用一个模型支持多种视频生成任务。进一步提出的 MAGVIT-v2，则使用统一词表表示图像和视频，为语言模型处理视觉信息提供了更有效的接口；研究表明，借助高质量视觉词元，语言模型在图像和视频生成任务上可以超过扩散模型，同时兼顾视频压缩与理解任务。
在此基础上，他与团队共同研发 VideoPoet，将文字、图像、视频和音频纳入同一语言模型框架，实现高质量零样本视频生成，并展现出较强的运动表现能力。此外，他还参与 W.A.L.T.，通过统一图像与视频的潜在空间及窗口注意力机制，提升生成质量与训练、推理效率。
他发明可逆自组装固态电解质，让锂电池从设计之初就可回收。
2012 年春天，Yukio Cho 进入日本东北大学读本科。一年前，东北大地震、海啸和福岛核事故重创了这所大学所在的宫城县。校园周围尚未修复的建筑，让他确立了此后贯穿整个职业生涯的信念：科学家有责任开发既安全又可持续的能源技术。
这个信念把他引向一个被忽视的问题。锂电池正在驱动电动汽车革命，但与回收率接近 100% 的铅酸电池不同，锂电池至今没有可规模化的高效回收路径。现有工艺从粉碎切碎开始，把化学上已极其复杂的电池变成更难分离的混合废料。
Yukio 在 MIT 读博期间把这个问题翻转了过来：与其在电池报废后想办法拆解，不如在设计之初就让它可以自行“散架”。他用生物启发的分子自组装化学，设计了内部连接完全基于非共价键的固态电池电解质。电池寿命终结时无需粉碎，只需浸入溶剂，自组装界面层便自行溶解，触发所有组件的洁净分离。他以凯夫拉的芳酰胺化学为灵感，合成出结构稳定且可传导锂离子的自组装纳米材料，并将其转化为可工作的电池单元。
MIT 毕业后，他在 SLAC-斯坦福电池中心从事博士后研究，正在推进高负载全固态锂硫电池研发，目标是实现超过 500 Wh/kg 的下一代储能系统。
她将衣物从被动材料变成可感知、可降温、可交互的智能系统，实现健康守护与可持续生活。
吴荣辉的研究始于一个关乎未来的问题：衣服能否不只是遮蔽身体的“第二层皮肤”，而成为保护健康、应对气候变化的可穿戴技术？围绕这一问题，她以智能纺织品为核心，建立了从聚合物、纤维、纱线到织物和系统的多尺度研究路线，将材料科学、纺织工程、光子学、力学与机器学习贯通起来，推动纺织品从被动材料走向能够感知、响应、调节并与人体互动的技术平台。
她和团队开发了面向城市热岛效应的光谱选择性辐射降温织物，通过分子设计、先进纺丝和光子工程，让织物有选择地向外辐射热量，减少来自地面和建筑物的热输入，在无需额外能源的情况下实现人体被动降温，为户外工作和高温城市提供了更节能、更可及的解决思路。
在健康监测方向，她将天然丝蛋白改造成具有导电性、生物相容性和可降解性的功能纤维，并构筑传感纱线、应变传感器和摩擦纳米发电织物，使衣物能够捕捉人体运动和生理信号。结合机器学习，她还开发了用于三维人体重建、长期运动追踪和手语翻译的智能织物系统，让“穿戴”从信息承载变成信息采集、理解与交互。
他让脑刺激治疗从所有人刺激同一个位置，走向为每个人精准找靶点。
帕金森病患者会出现手抖、僵硬、行动迟缓，也可能伴随认知和情绪问题。药物治疗往往会随着病情进展逐渐减弱效果，而深部脑刺激具有侵入性，在国内的使用率只有约 1%。任建勋想解决的问题是：能不能不开颅，也能更精准地调控大脑？
过去，人们更多把帕金森病看作与运动相关脑区异常有关的疾病，脑刺激治疗也主要围绕这些区域展开。但任建勋发现，这些看似不同的症状，可能都与一个连接身体运动和认知功能的脑网络——躯体认知行动网络（SCAN）有关。他由此提出，帕金森病更应该被看作一种脑网络层面的疾病。
在此基础上，他利用 AI 分析患者脑影像，为每个人绘制个体化脑网络并寻找刺激靶点，同时开发神经调控机器人辅助治疗。相关研究显示，这套方法将靶点定位准确度提高 30%，操作效率提升约 500 倍；相比传统靶点，帕金森核心症状的改善幅度提高超过 100%。
目前，这套技术已在全国 60 多家医院应用，累计服务超过 3,000 名患者，并开始向阿尔茨海默病、自闭症等脑疾病拓展。任建勋希望让脑刺激从依赖经验和固定脑区，走向真正针对每个人的精准治疗。
从端侧模型训练、拓展端侧多模态智能体能力，到构建跨芯片推理引擎，他让终端设备也能在本地运行模型推理。
李志远曾在亚马逊和谷歌参与 Echo、Kindle、Google Assistant、Google Glass 等产品的开发，亲身经历了设备算力、内存、电量和响应速度之间的权衡，也因此决定为终端设备设计专用模型和软件。
2023 年，当行业聚焦于构建更大的云端模型时，李志远联合创立的 Nexa AI 选择了相反的方向——边缘计算：让更小的模型直接在端侧理解指令、调用软件。他参与开发的 Octopus 系列模型，在训练中将函数指令压缩为函数 token，从而让参数量在 5B 以内的小模型，也能在手机、电脑本地根据自然语言指令执行操作。
此后，Nexa AI 陆续推出 OmniVLM 和 OmniAudio 等端侧多模态模型，引入图像和语音模态，并推出了本地文件智能体 Hyperlink。然而，不同设备采用的芯片和操作系统各不相同，端侧模型的跨设备迁移依然是一个难题。对此，李志远主导开发了开源项目 Nexa SDK，通过一套工具即可调用 CPU、GPU 和 NPU。
2026 年，Nexa AI 被高通整体收购后，Nexa SDK 演变为高通的开源生成式 AI 推理框架 GenieX；李志远及其所在团队将继续推动新模型在骁龙手机、个人电脑、汽车和机器人芯片上运行。他的目标是让更多日常 AI 任务在本地完成，从而降低延迟和成本，并更好地保护用户数据隐私。
他用有机小分子挑战了氯碱工业数十年来对贵金属催化剂的依赖。
氯碱工业通过电解盐水生产氯气和烧碱，是现代化工最基础的环节之一。几十年来，其中最关键的析氯反应一直依赖钌、铱等贵金属催化剂，既消耗大量电力，也受到贵金属成本和资源限制。
杨嘉睿尝试了一条不同的路线：让有机小分子来承担这项工作。2023 年，他与团队报道了一种不含金属的有机催化体系，通过可循环使用的二氧化碳激活有机分子，使其在工业级电流密度下仍能高效生产氯气，性能可与传统贵金属阳极相比。论文测算，在实际生产条件下，每吨烧碱的电耗有望降低约 4.6%。
基于这一成果，他进一步将研究扩展到氯、溴等卤素的循环利用，并逐渐形成了“电催化卤素循环”的研究路线：不仅研究怎样高效产生卤素，还尝试让卤素成为可以反复利用的反应媒介。
2025 年，他设计单原子催化体系，一边从盐中制取氯气，一边从 PVC 废塑料中回收其中的氯，让氯有机会重新进入化工生产；此后，他又开发了溴介导的电化学丙烷脱氢技术，利用溴帮助打破稳定的 C-H 键，在室温下将丙烷转化为丙烯，选择性超过 98%，并一步得到高纯丙烯。
从制氯到利用卤素推动新的化学反应，他希望为长期依赖贵金属和高能耗条件的化工过程找到新的实现方式。
她的研究让二维半导体突破静电掺杂极限，实现创纪录的 p 型晶体管性能。
二维半导体被视为后摩尔时代延续集成电路缩放定律的希望所在，原子级厚度赋予它们天然抑制短沟道效应的能力。然而，“越薄、越难掺”这样一个看似矛盾的问题长期困扰着这个领域。传统离子注入会直接击穿原子晶格，表面吸附掺杂又受限于稳定性和散射。p 型二维晶体管尤其艰难，接触电阻居高不下，开态电流始终上不去。
赵蓓找到了一个绕开物理空间限制的思路。她利用单层 SnS₂ 与双层 WSe₂ 构建 Type-III（破隙型）能带对齐异质结，使 WSe₂ 价带电子自发转移至 SnS₂ 导带，在 WSe₂ 中引入稳定的空穴掺杂。更关键的是，这一层间电荷转移可以通过外加栅压进行大幅调制，她将其命名为栅控能带调制超掺杂。系统的门控霍尔测量表明，调制后的空穴浓度达到 1.49×10¹⁴cm⁻²，约为传统栅极电容充电的 5 倍，远超介电击穿所限定的最大静电掺杂极限。基于这一策略制备的 p 型晶体管，接触电阻低至 0.041 kΩ·μm，开态电流密度高达 2.30 mA/μm，均创下了二维 p 型晶体管的国际纪录。
从结构构筑到性能突破，赵蓓的研究先用卷曲自组装解决二维材料如何搭成复杂结构的问题，再用栅控超掺杂解决二维材料如何发挥极限性能的问题。而这两者之间的桥梁，是她对二维异质结界面的深刻理解，界面不仅是不同材料的拼接处，更是调控能带、电荷转移和量子现象的核心开关。
他开发了一种无等离子体损伤、集成生长与刻蚀于一体的技术路径，将氧化镓从实验室材料转化为可规模化制造的高压功率器件平台。
功率电子技术正经历一场基础材料范式的深刻变革。硅已逼近其物理极限，而碳化硅和氮化镓在电压与功率需求持续攀升的背景下，也面临着日益严峻的挑战。氧化镓（Ga₂O₃）拥有 4.8 eV 的超宽禁带和接近 8 MV/cm 的击穿场强，理论上可将功率器件推至全新的高度。然而，理论优势与工程现实之间的鸿沟长期制约着该领域的发展。Anhar Bhuiyan 没有满足于在单一工艺环节上做渐进式改良，而是从零开始构建了一座连接材料与制造的桥梁。
氧化镓长期面临两大难题：其一，高质量厚膜生长与高纯度难以兼得，MOCVD 易受碳污染，HVPE 表面粗糙，而 MBE 生长速率过慢，不适用于厚膜制备；其二，等离子体刻蚀会造成表面损伤，严重劣化器件性能，而湿法刻蚀则缺乏方向性控制。
为攻克这些难题，Anhar 选择回归一种常被忽视的工具低压化学气相沉积（LPCVD），并通过高度精细的工程化改造，将其转变为“生长+刻蚀”双模式系统。他以固态金属镓为源，在 1,000°C 和 1.5 Torr 的条件下实现了 17 μm/h 的生长速率，并将室温霍尔迁移率提升至 162 cm²/(V·s)，碳、氢、氯等杂质均低于 SIMS 检测限。
他还发现，在同一腔室中利用镓与氧化镓反应生成挥发性 Ga₂O 的化学路径，可用于无损伤刻蚀。无需等离子体也无需腔室转移，仅通过调节工艺条件即可沿特定晶向以 2.25 μm/h 的速率雕刻出纳米级精度的垂直结构。这种将生长与刻蚀集成于同一腔室的技术路径，绕过了传统工艺中反复转移、对准和损伤修复的繁琐链条，大幅缩短了氧化镓器件的制造流程，显著降低了成本。
他用新型范德华半导体为中红外光电器件设计提供了新的思路，并在器件性能提升和规模化制备方面取得了开创性的进展。
当中红外光电器件被窄带隙材料的效率死结与规模化困境双重卡住时，黑磷用天然自终止的表面键打开了性能天花板，而 Naoki Higashitarumizu 用墨水、滚印和高压相变三条路线，把它从显微镜下的奇迹变成了可卷曲、可印刷、可量产的技术平台。
Naoki 选择研究黑磷，这是一种范德华层状材料，以空气敏感著称、被认为实用化无望的材料。但他发现了一个被所有人忽略的事实：黑磷的表面，恰恰是它最大的优势。
具体而言，尽管环境敏感性长期以来被视为黑磷的主要缺陷，其自终止表面使其即使在被减薄并加工成适用于器件制备的形态后，仍能够保持优异的光学性能。他将这一内在优势应用于中红外发光二极管（LED），器件的外量子效率超过了同类商用器件。此外，他通过可规模化的钝化与封装技术解决器件稳定性问题，使原本在空气中数秒便会失效的 LED，在封装后于室温条件下的预计工作半衰期达到约 15,000 小时。
在克服了性能瓶颈之后，他进一步将研究重点转向规模化制备。针对传统机械剥离方法只能获得微米尺度薄片的局限，他开发了基于黑磷墨水、滚印以及高压合成的可规模化、低热预算薄膜制备工艺。这些方法实现了更大面积的光学活性黑磷制备，包括利用黑磷墨水或滚印技术在 4 英寸晶圆上形成薄膜，以及通过直接相转变制备连续的厘米尺度薄膜。他的这些研究共同推动了黑磷从一种脆弱的实验室材料，逐步发展为具有实际应用价值和晶圆级制备潜力的中红外光电子材料平台。
她用同步辐射技术打开电池界面化学的黑箱，为开发更安全持久的下一代电池提供思路。
电池为什么会衰减？答案往往藏在一个肉眼不可见的“隐秘界面”里。电极与电解液之间会自发形成一层纳米级的化学膜，即固态电解质界面（SEI），它的化学组成和演化很大程度上决定了电池的寿命、安全性和极限性能，却因太薄、太复杂、太敏感，长期以来几乎是一个黑箱。
谭莎的工作就是打开这个黑箱。她在布鲁克海文国家实验室期间，利用国家同步辐射光源 II 的多条束线，开发出一套表征方法，系统揭示了锂金属电池界面相的形成与动态演化规律。她与团队在锂金属负极的 SEI 中追溯了氢化锂和纳米晶氟化锂等关键组分的化学来源，推翻了学界将界面相视为静态保护层的简化认知，证明它实际上是一个持续演化的动态化学体系。在正极侧，她证明精心设计的电解液添加剂可以构建保护性界面膜，使高镍正极在 4.8V 超高电压下稳定循环，为提升电动汽车电池能量密度提供了可行路径。
她还提出了协同利用阴离子与溶剂共同构建界面相的策略，使锂离子电池在 -20°C 至 60°C 的极端温度下稳定运行，向“全气候电池”迈出关键一步。
他将感知、计算与能量直接嵌入软材料，让机器在生物与极端环境中长出类人的自适应智能。
人体和真实环境不断运动、变形，而传统电子系统往往刚硬、依赖外部设备，难以长期连续交互。吴昌盛从材料与界面出发，发展自适应生物电子学，让电子系统与人体柔软共存并持续感知。他开发无线近红外光谱系统监测新生儿与儿童脑血流动力学，以及穿戴式机械声学弹性成像技术持续追踪深层组织刚度，将柔性电子推向真实医疗场景。他还发展可响应水凝胶生物界面，实现电子器件与组织的稳定贴合和按需无损脱离，解决长期和手术应用中的关键界面难题。
他进一步将这种自适应能力从人体延伸到具身智能。面对软体机器人难以兼顾供能、感知与自主控制的问题，他将柔性电池、软驱动器和传感系统垂直集成于机器人身体，使无缆软体机器人能够自主避障、修正扰动并感知环境。面向机器触觉，他将多模态传感与触觉大模型结合，使机器人从“触摸”走向理解材料、纹理和交互状态，并将机器触觉拓展至深海高压等极端环境。
这些看似跨越医疗与机器人的发明源于同一个思路：材料不应只是承载智能的外壳，而应成为智能的一部分。凭借横跨材料、器件、算法与系统的研究，他致力于发展“自适应物理智能”，将感知、能量与智能共同设计进物理系统，使其主动适应人体需求和复杂环境。
他发明磺酰肼氧化还原中性自由基交叉偶联平台，从根本上简化了手性三维分子的合成路径。
有机合成的核心挑战之一，是构建碳-碳键。过去半个世纪，Suzuki、Negishi、Kumada 等偶联反应彻底改变了平面芳香分子的合成，但它们依赖预活化的金属试剂、贵金属催化剂和严格的无水无氧操作。孙家伟的工作，正是要解决这些问题。
他从一种被长期忽视的化合物磺酰肼切入，建立了一套全新的自由基偶联范式。传统自由基反应需要外加光、电或化学氧化还原试剂来引发，这又导致了操作复杂度和规模化困难的问题。
自由基化学的“阿喀琉斯之踵”源于立体化学的丢失，烷基自由基一旦生成，在皮秒尺度上就会消旋化。这意味着即便你从手性纯的原料出发，自由基偶联的产物也会变成外消旋体。长期以来，主要的方式是设计手性配体来诱捕自由基，但每个底物都需要定制优化，缺乏通用性。
孙家伟和合作者提出了一个方案：阻止自由基逃逸。他们发现，在手性磺酰肼与镍催化剂形成的笼中，氮气释放后产生的烷基自由基并未离开金属配位层，而是通过一个内球面的、近乎同步的反弹路径直接与芳基偶联。这个路径快到足以绕过皮秒尺度的消旋化。实验结果令人惊喜：无需任何手性配体，仅靠底物本身的手性信息，就能实现高达 95% 的立体保持率。
他发现了“扭折带”机制，，打破难熔合金强度与韧性不可兼得的长期困境。
航空发动机、核反应堆、航天器，这些极端工况系统的性能上限，往往不取决于设计巧思，而取决于材料在极端温度下能否不碎不裂。难熔合金能在上千度高温下保持强度，却有致命弱点：极脆，几乎毫无断裂韧性。强度与韧性的矛盾，困扰材料科学界数十年。
Punit Kumar 打破了这一僵局。他在劳伦斯伯克利国家实验室与 Robert O. Ritchie 团队合作期间，发现一种铌钽钛铪中熵合金（NbTaTiHf）的断裂韧性超过 253 MPa·m¹/²，且在 77K 至 1,473K 的极宽温度范围内均表现优异，这在难熔合金中前所未有。团队揭示了出人意料的微观変形机制：在裂纹前方，晶体发生局部弯曲并形成“扭折带”，使变形分散到更广泛的区域，从而提高材料的抗断裂能力。这一发现为难熔合金的抗损伤设计开辟了全新范式。
Kumar 出生于印度比哈尔邦的偏远村庄，在资源匮乏的环境中成长。凭借着坚持不懈的努力，他的求学之路从印度科学理工学院走向了加州大学伯克利分校。2025 年，他加入南洋理工大学任助理教授，开始搭建一个结合增材制造、断裂力学与 AI 驱动材料设计的研究平台，以加速极端环境结构材料的发现。这一愿景在 2026 年获得了新加坡国立研究基金会（NRF）的奖学金，以支持他对抗损伤难熔合金的研究。
他推动人工叶片从实验室中的小型原型走向可规模化应用，让利用阳光制造碳基燃料和化学品成为可能。
一片叶子，可以静静地沐浴阳光，把水和二氧化碳转化为储存在化学键中的能量。人工叶片正是模拟这一自然过程，直接利用阳光，将水和二氧化碳转化为具有高能量密度的化学燃料。
然而长期以来，大多数人工叶片原型的面积仅有几平方厘米，不仅材料容易因水分侵入而降解，器件也难以进一步放大；与此同时，制造多碳燃料还需要更强的反应驱动力。Virgil Andrei 的研究正是围绕这些实际难题展开。
他开发了一种兼具导电与防潮作用的碳层，让易受水侵蚀的钙钛矿吸光材料能够应用于太阳燃料器件。他还将吸光层集成在微米级厚度的金属或塑料薄膜上，与团队共同实现了可漂浮、自支撑的人工叶片，并进一步搭建平方米级太阳能反应器。随后，他将铜催化剂与钙钛矿和硅吸光器件结合，在无需施加外部电压的情况下，仅利用阳光便可生成乙烯、乙烷等多碳化合物。
如今，他正在探索卷对卷和自动化制造技术，进一步扩大这些漂浮系统的规模并提升其性能。对 Virgil 而言，太阳能不仅可以用来发电，更是制造燃料和化学品的起点。
她赋予微型机器人更灵巧的运动、感知和学习能力，向智能化微操纵迈出了重要一步。
生物医学微型机器人已经可以由光场或磁场驱动，甚至用于药物递送。但如果要让它们操作细胞和其他脆弱的生物样本，仅仅具备移动能力还不够。它们还必须知道自己在哪里、距离细胞有多远、该如何调整姿态，并避免在操作过程中损伤脆弱的生物样本。
张丹丹希望推动这些微型机器人从运动走向操作。传统光镊可以利用激光驱动微小物体，但难以让微型机器人在三维空间中灵活调整姿态。她从机器人的形态设计与控制策略入手，利用分布式光学力实现精确的平移与旋转，为多自由度灵巧微操控奠定基础。
在操作细胞之前，机器人首先必须知道自己“在哪里”。显微镜下的微型机器人往往近乎透明，尤其难以判断深度。张丹丹和她的合作者利用显微图像和人工智能判断微型机器人的位置、朝向和深度，并构建了一个多样化的大规模开放数据集，用于训练和评估微型机器人感知模型。针对真实显微图像难以大规模获取的问题，她还基于成像原理生成仿真图像，帮助机器人更准确地“看清”自身。
仅仅看清还不够，机器人还需要学会如何行动。脆弱的生物样本无法承受机器人反复试错，因此她搭建了虚拟训练环境，让机器人先在计算机中练习细胞运输等操作，再进入真实实验，同时保留人类操作者的判断和监督。
未来，她希望这些微型机器人能够在活体组织和类器官中递送、定位并引导治疗性细胞，成为医生伸向微观生命世界的一双“手”。
他正在让无线网络从单纯“传信息”，走向与 AI 一起学习、计算和决策。
无线网络过去更像一条管道，任务是把信息从一端送到另一端。但杨照辉长期研究联邦学习（Federated Learning）后逐渐发现：当 AI 分布在手机、汽车和边缘设备上，信号误差、带宽和能耗都会直接影响模型学得好不好。
此后八年多，他一直沿着通信与智能的交界处推进研究。
他与团队建立了无线传输误差与分布式学习收敛之间的理论联系，并进一步设计通信—计算协同调度机制。在相关实验中，这类方法将系统时延降低 67%，在相同时延约束下提升 AI 准确率 10%；另一套并行通信—计算机制将协作效率提升 40% 以上，并降低系统能耗。
近几年，他又把研究延伸到语义通信和流态天线：前者让网络不再机械传输每一个比特，而是优先传递 AI 真正需要的信息；后者则通过可动态调整位置的天线，为 6G 提供新的空间自由度和抗遮挡能力。相关工作覆盖联邦学习、语义通信、流态天线和通感算融合等方向。他想推动的，是让未来的无线网络不只承载智能，而真正参与智能的形成。
热门跟贴