在嘈杂喧嚣的 AI 世界里，什么才是真正值得关注的？《麻省理工科技评论》的记者和编辑花了多年时间思考这个问题，追踪 AI 的进展，描绘下一步走向。现在，我们第一次把答案浓缩成了一份清单。

受我们每年评选的“十大突破性技术”启发，这是一份全新的盘点：那些正在推动进步或改变权力格局的 AI 大趋势、大方向和新突破——它们定义着今天，也将塑造明天的可能性。

人形机器人数据

Humanoid Data

就像我们说的话和写的字变成了大语言模型的训练数据一样，人类运动的视频如今也在被大规模收集，用来训练人形机器人。

这股风潮始于一个简单的类比：ChatGPT 靠海量文本学会了生成语言，那人形机器人能不能靠海量运动数据学会在真实世界里干活？问题在于，描述人类运动方式的数据集远不像互联网文本那样现成。虚拟仿真曾经是替代方案，但仿真永远无法完美还原真实世界的物理特性，训练出来的机器人一到现实中就容易摔跤。

于是企业决定走笨办法：直接收集真实世界的数据。世界各地出现了大型训练中心，工人穿着外骨骼一天擦几百次桌子；尼日利亚和印度的零工把手机绑在头上，在家拍自己做家务；美国的快递公司给员工装上传感器记录搬箱子的动作，一边研究工伤，一边为未来可能取代他们的机器人积累训练数据。

2025 年，仅人形机器人领域就吸引了 61 亿美元投资。但一段我打开微波炉的视频到底值多少钱？要多少个这样的片段才能教会一个机器人做晚饭？没有人知道这条路能不能走通。

更强大的大语言模型

LLMs+

ChatGPT 之后，下一个大事件是什么？答案可能让人意外：还是大语言模型——只不过更强、更高效、更能独立干活。

当前 LLM 的核心瓶颈在于：它们擅长回答一个问题，但让它们连续工作几天、独立攻克一个复杂的多步骤任务，就很容易跑偏或遗忘。要从“聊天助手”进化成“AI 劳动力”，LLM 需要在三个方向上突破。

第一是效率。混合专家模型（MoE）把一个大模型拆成多个小模块，每次只启动需要的那部分，大幅降低算力消耗。扩散模型和 DeepSeek 提出的“文本转图像编码”等实验性方案也在探索更便宜的计算路径。

第二是工作记忆。两年前 LLM 一次只能处理几十页文本，现在最新模型的上下文窗口已经扩展到了 100 万个 token，相当于一整摞书。但窗口越大，模型越容易在长任务中迷路。MIT CSAIL 提出的“递归 LLM”提供了一种新思路：把输入拆成小块分发给自己的多个副本，各自处理再汇总，在长任务上的可靠性远高于传统方案。

第三是成本。部署 LLM 的费用正在急速下降，一些模型的服务成本按年化计算已经降了几百倍。

LLM 没有过时，它正在脱胎换骨。

AI 诈骗

Supercharged Scams

ChatGPT 让所有人看到了生成式 AI 的威力，犯罪分子也不例外。自 2022 年以来，网络犯罪者迅速把 AI 工具整合进了自己的作业流程：用 LLM 写钓鱼邮件、用深伪技术制作以假乱真的视频、用 AI 自动扫描系统漏洞、让恶意软件变得更难检测……AI 没有从根本上改变黑客攻击的本质，但它大幅降低了入行门槛，让攻击变得更快、更便宜、更容易规模化。

这种趋势已经在全球显现。国际刑警组织警告说，东南亚的诈骗中心正在用廉价 AI 工具提速扩量；阿联酋声称挫败了一系列由 AI 辅助的攻击；Anthropic 则透露，其正在测试的模型 Mythos 在所有主流操作系统和浏览器中都发现了严重漏洞，公司因此推迟了模型发布，并联合多家科技公司成立了名为 Project Glasswing 的防御联盟。

攻击在变强，防御也在跟进。仅微软一家，每天就要用 AI 系统处理超过 100 万亿个可疑信号，一年内拦截了价值 40 亿美元的诈骗和欺诈交易。让攻击成为可能的同一种技术，也可能是未来防御的最大依仗。

眼下，基本的安全措施仍然能挡住大部分粗糙的 AI 辅助攻击。但随着公开可用的生成式 AI 能力不断增强，未来面对更精密的攻击时我们能否守住，还远没有答案。

世界模型

World Models

AI 在数字世界里已经很厉害了，但物理世界仍然是人类的地盘。写小说、写代码远比叠衣服、上街导航容易得多。许多研究者认为，要跨过这道坎，需要一种叫做“世界模型”的技术。

世界模型的核心理念是：让 AI 像人类一样在脑子里构建一个外部世界的模型，用它来预测行动的后果，再据此做决定。你知道把杯子推下桌子会摔碎，是因为你的大脑里有一个够用的物理模型。AI 目前还没有这个东西。LLM 看似能回答“杯子推下桌会怎样”，但研究表明这种“理解”很脆弱，稍微换个条件就彻底失灵。

这个方向最近突然热了起来。谷歌 DeepMind 和斯坦福教授李飞飞创办的 World Labs 都在积极推进，杨立昆从 Meta 离职创办了专注世界模型的初创公司，OpenAI 也把关闭 Sora 视频应用后释放的资源转投到了“长期世界模拟研究”上。

目前的应用还比较初级。谷歌 DeepMind 和 World Labs 在做的事情是根据文本、图像或视频生成可交互的 3D 虚拟环境，可以用在游戏设计和 VR 体验中。《宝可梦 Go》的开发商则在用玩家收集的数十亿张图片构建世界模型的雏形，目标是引导配送机器人。

真正的突破可能要等到世界模型被整合进灵活的智能体，既能理解环境，又能预判后果，还能自己做决定。到那一步，机器人才有可能真正走进物理世界。

战争中的 AI 指挥

The New War Room

把伊朗冲突称为第一场“AI 战争”并不准确。从阿富汗到乌克兰再到以色列，算法帮军方做分析、识别目标已经有好多年了。真正新的东西是：指挥官们开始向基于大语言模型的对话式 AI 寻求行动建议，而不只是让它帮忙分析情报。

过去十年，Maven 等 AI 系统干的是初级分析师的活，从海量监控画面和卫星图像中挑出有价值的信号。现在大语言模型让这些系统变得更具交互性：军方人员可以把一份潜在目标清单丢给聊天机器人，让它建议先打哪一个。Anthropic 的 Claude 已经深度嵌入美军作战流程，以至于五角大楼说要花六个月才能替换掉它。

问题是显而易见的。用过生成式 AI 的人都知道，同一个提示词每次跑出来的结果不一样，建议未必准确。正常情况下用户应该逐条核查，但在“五分钟内决定打哪个目标”的压力下，核查很可能被省略。军事专家还警告说，指挥官可能过度信赖 AI 把复杂战场压缩成一块整洁仪表盘后呈现的画面，而科技公司也可能借此对军方决策产生不当影响。

与此同时，五角大楼正计划让 AI 公司用机密军事数据训练新模型，这将带来全新的安全风险，也让硅谷与五角大楼的距离前所未有地近。

算法自动化军事中的苦差事已经有很长一段时间了，但现在生成式 AI 在作战室里有了自己的席位，指挥官们开始认真对待它的建议。它正在重塑军方共享情报、与大型科技公司合作以及做出致命决策的方式。

被武器化的“深度伪造”

Weaponized Deepfake

随着生成式 AI 的进步和工具的普及，伪造图像、视频与音频的门槛大幅降低，普通人也能制造高度逼真的虚假内容。这些内容已被广泛用于色情制作、诈骗和政治操控，不仅伤害个体，也在更深层次侵蚀社会信任。

其中，女性与边缘群体承受的影响尤为严重，大量深度伪造内容带有性剥削性质。与此同时，政治领域的滥用也在加剧，一些 AI 生成的图像和视频被用于影响公众认知，甚至误导选民。

尽管业界提出了技术防护、用户自我保护和立法监管等解决方案，但都存在明显局限：技术可以被绕过，行为难以改变，监管执行也充满不确定性。随着美国中期选举临近，而相关监管与研究力量却在削弱，深度伪造可能进一步加剧信息混乱。

当真假难辨成为常态，人们失去的或许不只是判断力，而是对现实本身的信任。

多智能体协作

Agent Orchestration

当前，生成式智能体（Generative Agent）正在摆脱只能“聊天”的功能边界，走向任务的自主执行。在此基础上，多智能体系统通过角色分工与动态调度，可协同完成编程、调研、流程管理等复杂任务，让个体工作者具备团队级产出能力。从代码协作到科研辅助，这类工具试图将知识工作模块化、流水线化，重构白领岗位的价值链条。

效率提升的背后是控制力的让渡。当智能体开始操作真实系统、调用敏感数据，模型幻觉、目标错位或提示词注入都可能引发难以追溯的连锁错误。而当前评估标准、审计机制与应急方案普遍缺位，技术落地跑在了安全基建前面。

更深层的拷问在于：当我们习惯将决策链条交给自主代理，人类是变得更高效，还是逐渐丧失对过程的理解与干预能力？信任不该是黑箱的副产品，而需建立在可解释、可回退、可问责的基础之上。

中国的开源押注

China’s Open-source Bet

中国 AI 实验室正以“开源”为杠杆，影响全球的开发者生态。不同于硅谷将核心模型封装收费，DeepSeek、阿里巴巴的千问、月之暗面的 Kimi 等机构选择直接释放模型权重，允许任何人下载、微调、本地部署。这一策略迅速赢得预算有限、追求灵活性的开发者青睐。去年中国开源模型下载量首次超越美国，阿里系模型的社区衍生版本数量已超过谷歌与 Meta 之和。

开源对于中国来说不仅是技术共享，更是地缘博弈下的务实路径：在高端芯片受限的背景下，借助全球开发者的反馈与贡献，反而能加速模型迭代。

当然，开放也伴随着压力。关于模型内容合规约束、能力蒸馏争议依然存在。但当越来越多产品建立在中国开源底座之上，AI 技术的权力结构已悄然重构：多极化不是预测，而是正在发生的现实。

人工智能科学家

Artificial Scientist

当“自主探索”成为可能，AI 在科研中的角色正悄然转变。如今的大模型已能检索文献、撰写论文、生成代码，而下一步的目标更加清晰：打造能独立提出假设、设计实验、解读结果的“人工智能科学家”。

2024 年，DeepMind 凭借 AlphaFold 斩获诺贝尔奖，点燃了新一轮竞争。随后，OpenAI 发布 GPT-Rosalind，Anthropic 深耕生物领域，谷歌推出多智能体协作工具——由不同角色分工配合，共同推进研究流程。

突破不止于代码。为弥补 AI“无法动手”的局限，研究者开始将其接入自动化实验室：OpenAI 与 Ginkgo Bioworks 合作，让 AI 自主迭代实验方案，成功将某种蛋白的合成成本降低 40%。

但效率提升的同时，隐忧也随之浮现。Nature 的一项研究提醒，当科研过度依赖 AI 分析既有数据，探索方向可能偏向“易建模、数据足”的领域，而那些冷门却关键的问题，反而容易被忽视。技术可以加速发现，但科学应有的广度与多元，终究需要人类主动守护。

人工智能抵制浪潮

Resistance

一股对人工智能的质疑浪潮，正在全球悄然蔓延。人们担忧的不再是遥远的科幻场景，而是眼前的现实：数据中心推高了电费，工作岗位被悄然替代，聊天机器人影响青少年心智，军事应用缺乏边界，创作成果被无偿调用。

抗议行动随之浮现。伦敦街头出现示威人群，美国不同立场的群体罕见联合，签署宣言呼吁“技术应服务于人”；部分用户因军方合作卸载常用工具，家长联名要求校园暂缓引入聊天机器人。民意调查显示，多数公众对 AI 的快速渗透持保留态度。

这些声音已开始影响政策走向：纽约、加州为陪伴型机器人设立规则，英国在艺术家反对下撤回版权豁免提案，多地社区成功延缓数据中心建设。技术演进的速度从未放慢，但越来越多的人希望，在塑造未来的过程中，普通人的关切也能被认真倾听。

原文链接：

https://www.technologyreview.com/2026/04/21/1135643/10-ai-artificial-intelligence-trends-technologies-research-2026/

几周之后他上了 Ashlee Vance 的 Core Memory 播客，措辞还要更加直接。在谈到 Gemini 3 反超 OpenAI 时，他表示：“从个人角度，这不是 Google 的反弹，是 OpenAI 自己的失误。”他对 OpenAI 当下处境的判断是，所有头部公司都在同时承受三重压力，做出最强的模型、支付 GPU 账单、维持用户增长曲线，这样的环境里，对高风险研究的耐心会天然变薄，而这也是他创办 Core Automation 的直接前因。

在它的名字里，Core 对应它最核心的赌注，重新审视 AI 系统的底层；Automation 既是方法论也是产品主张。公司官网上写道：下一次 AI 的台阶不会来自把现有配方继续做大——更大的模型、更多的数据、不再学习的静态部署。

图丨Core Automation 官网（来源：Core Automation）

我们可能都遇到过 AI 反应很慢的情况，要转好几圈才给出答案，很多时候问题不在于网速，其实是处理请求的芯片距离太远。我们的声音数据要跑到远处的数据中心，在那里排队、计算、再传回来，一来一回时间就过去了，此次第八代 TPU 正是为解决这个问题而来。

当前，AI 训练和 AI 推理对于芯片的要求越来越不一样。训练需要极致的算力，这要求芯片之间能够高效地协同工作。推理则需要极低的延迟，这要求芯片能够快速处理多个请求，并且还得尽可能地省电。于是，第八代 TPU 分成了 TPU 8t 和 TPU 8i。

TPU 8t：专为大规模 AI 训练设计

TPU 8t 主要负责训练，它被设计得可以成千上万个连在一起工作。谷歌用一个名为 3D Torus 的网络把其连接起来，组成了一个超级计算集群。一个单独的超级计算单元里就装了 9600 颗 TPU 8t 芯片，一起共享高达 2PB 的内存，总共能够提供高达 121 ExaFlops 的算力。

图 | TPU 8t ASIC 框图（来源：谷歌）

TPU 8t 还用到了 SparseCore 这一技术。现在的很多大模型用的是混合专家技术，每次计算只激活一小部分参数，混合专家技术虽然能效高，但是会产生大量不规则的内存访问，这让普通芯片招架不来。

而谷歌此次使用的 SparseCore 技术专门负责处理这种任务，比如它可以让负责核心数学运算的矩阵乘法单元专心做自己擅长的事情，通过这样互相配合的方式，芯片就不会闲置，始终保持满负荷运转的状态。

TPU 8t 还改进了数据传输方式，用上了谷歌自研的 Virgo 网络，把芯片之间的通信带宽翻了一倍，把连接到外部数据中心的带宽提升了四倍。TPU 的 Direct Storage 技术允许芯片直接从高速存储里读取数据，从而能够绕开 CPU 这个“中间人”。

这样一来，喂给芯片的数据流就不会断，训练速度能提升十倍。在能耗上，TPU 8t 相比上一代的每瓦性能提升了两倍。训练超大模型时，它的性价比提升了 2.7 倍。对于需要训练几百甚至上千亿参数模型的团队来说，这意味着能够节约大量的时间和电费。

图 | TPU 8t 机架级与 Virgo 光纤通道的连接（来源：谷歌）

TPU 8i：能快速响应需求和处理长上下文推理

相比之下，TPU 8i 主打一个反应极快，它专门为那些复杂的、需要多步推理的问题而生。当你和 AI 聊一个很长的上下文，比如讨论一个复杂的心理问题，那么 AI 需要记住之前所有的对话内容。

上述对话记忆被存放在一个叫 KV Cache 的地方，而 TPU 8i 配备了 288GB 的高带宽内存和 384MB 的超大片上 SRAM，后者比上一代多了三倍，因此它可以把整个对话的上下文都装进芯片内部，不用频繁地去外面拿数据，处理速度自然也就变快了。

图 | TPU 8i ASIC 框图（来源：谷歌）

TPU 8i 的另一项关键创新是集体通信加速引擎。当大模型进行推理的时候，尤其是在处理混合专家模型时，芯片之间需要频繁地同步数据和汇总结果，这个过程叫做集体通信。要是做得不好，芯片的大部分时间都在干等。

TPU 8i 的 CAE 专门负责加速这个环节，把延迟降低了五倍。它还把芯片之间的互联带宽翻了一番，达到了 19.2 Tb/s。

与此同时，谷歌还为 TPU 8i 设计了一种名为 Boardfly 的全新网络连接方式。传统的 3D Torus 网络在连接大量芯片时，数据包在芯片之间传输时需要经过很多跳。Boardfly 通过借鉴 Dragonfly 拓扑的思想，利用增加长距离直连链路的方式，把由 1024 颗芯片组成的系统里的最远的两个芯片之间的通信距离从 16 跳减少至 7 跳，降低了 56%，让任何两颗芯片之间都能更快地交换信息，助力更好地处理复杂的推理任务。

这些改进让 TPU 8i 在推理任务上的性价比比上一代提升了 80%。对于一家企业用户来说，将能用同样的成本服务将近两倍的客户。谷歌还为 TPU 8i 搭配了自研的 Axion ARM 架构 CPU，并做了针对性优化，让系统运行得更顺畅。

图 | TPU 8i 分层式 Boardfly 拓扑结构（来源：谷歌）

众所周知，谷歌这套 TPU 体系已经运行了很多年，谷歌的 Gemini 正是跑在 TPU 之上。如前所述，他们这次将第八代 TPU 开放给了所有云客户，旨在为全球开发者构建一座通往更高 AI 想象力的算力基石。总的来说，在智能体时代这种芯片设计上的精细化分工，将有利于打造一个随叫随到、反应灵敏的 AI 应用。

参考资料：

https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/eighth-generation-tpu-agentic-era/

https://cloud.google.com/blog/products/compute/tpu-8t-and-tpu-8i-technical-deep-dive/

https://www.bloomberg.com/news/articles/2026-04-22/google-cloud-releases-new-tpu-chip-lineup-in-bid-to-speed-up-ai

https://x.com/patrickmoorhead/status/2046928498292412771

排版：胡巍巍

机械超材料的底层逻辑：当“几何结构”决定物质命运

了解这项研究之前，我们有必要先知道“机械超材料”（Mechanical Metamaterials）这一概念。“超材料”一词源自希腊语，意指“超越物质本身”，它描述的是一类性能主要由其几何排列结构决定、而非单纯由化学组成决定的人工材料。

传统材料的力学特性，如强度、刚度、韧性，很大程度上取决于其原子组成和化学键合方式。超材料的设计逻辑则截然不同：通过在微观或介观尺度上对结构单元进行精心的几何设计并阵列化，工程师可以赋予材料自然界罕见的物理特性。例如，横向拉伸时不收缩反而膨胀的负泊松比（Auxetic）效应、超轻却拥有极高比强度的多孔结构等。

这种“结构即性能”的设计哲学，使得超材料的研究空间极为广阔。研究者们的核心任务之一便是寻找并探索新的几何形式，看看哪些形状和结构能带来工程师所需要的特殊力学行为。

藏在文化图腾里的力学密码

在这项爱丁堡大学的最新研究之前，从人类文化遗产中提取结构灵感的尝试已有先例。折纸艺术就是其中最广为人知的例子。日本折纸的几何折叠原理，尤其是“三浦折叠”（Miura-ori），因其特殊的机械双稳态效应，已被广泛应用于可重构超材料的设计，出现在航天展开结构、柔性电子器件以及软体机器人等场景中。

图 | 三浦折叠折痕图案和折叠形式。（来源：DOI:10.1109/OJAP.2021.3121102）

此外，来自伊朗卡拉甘双子陵塔（Kharraqan twin towers）的砖砌几何纹样，也曾被研究人员转化为双稳态辅助（auxetic）超材料的设计原型。事实上，早在工程师开始系统研究之前，古代工匠就已经将某些具有优良力学性质的几何排列应用于建筑装饰之中，让今天的人们依然能够从这些漫长实践智慧的积淀中寻找灵感。

为何选择汉字？论文的通讯作者、爱丁堡大学工程学院的帕尔维兹·阿拉姆（Parvez Alam）副教授解释道：“某些汉字具有强烈而独特的几何特征，从直觉上就‘感觉’到，它们有潜力展现出独特的力学性质和行为。”

从字形分析的角度来看，汉字具备几个在超材料设计中颇具价值的结构特质。

图 | 伊朗卡拉甘双子陵塔的几何纹样（来源：维基百科）

首先是曲线与弧度。 许多汉字的笔画含有弯曲成分，而曲线在力学结构中往往意味着特殊的柔韧性和能量分散路径。与直线笔画相比，曲线笔画会以不同方式响应外力，影响材料的整体刚度与变形模式。

其次，大量汉字还包含水平方向的笔画，这类结构在工程上相当于贯穿整体的“横梁”，可以有效地将集中载荷分散至周围结构。

图 | 帕尔维兹·阿拉姆（Parvez Alam）（来源：爱丁堡大学工程学院）

初学汉字时，我们需要在田字格、米字格中反复练习，这正是因为汉字是典型的方块字，笔画被约束在离散的方格内，这意味着它们天然适合被转化为周期性超材料的基础网格单元。每个字都能整齐地填充一个方格，再通过重复排列，形成具有规则周期性的结构阵列。

把汉字放进压缩机，“天”字结构为何脱颖而出？

为了便于系统性对比，研究团队挑选了四个笔画简单且在结构上具有演进关系的汉字：“人”“大”“天”“夫”。

其中，“人”字形如一个向下张开的倒置“V”形，两笔撇捺从顶端向下方向外延展，构成一个锥形发散结构；“大”字在“人”字的基础上增加一横，将两条发散的笔画从中部横向连接；“天”字则在“大”字的顶部再增加一横，形成顶部也有横向连接的三层结构。最后的“夫”字与“天”字类似，但顶部横画稍短，且整体布局略有偏移，不与上方完全平齐。

研究团队通过增材制造（3D 打印）技术，将这些字形的对称单元制作成阵列超材料，并通过施加重载压缩，以经典的六边形蜂窝结构作为参照，系统测试其力学性能。

结果显示，这些“汉字材料”展现出了截然不同的压缩与变形规律。其中，由“人”字构成的超材料在受压时最先发生变形。研究指出，构件的曲率和倾斜角度是控制材料刚度与柔性的关键变量。

细而发散的构件更容易发生弯曲主导的变形，赋予材料较高的柔韧性；而较粗或更加垂直取向的构件则更能抵抗压缩，倾向于拉伸主导变形，提供更高的初始刚度。因此，像“人”字这样撇捺细长、向外发散且带有弧度的构件，在受力时往往会最先弯曲。

实验还发现，含有水平笔画的字形在压缩时表现出更强的稳定性。“大”字和“天”字中的横起到了交叉横梁的作用，使其在压缩时表现出更强的荷载分散能力，力不仅沿竖向传导，还通过横画被横向分散至相邻的结构单元，从而增强材料的稳定性，延缓了材料结构的整体坍塌失效。

横梁系统是提升结构整体稳定性的常用手段，而在汉字超材料中，横画数量的增加与材料抵抗失效能力的提升与经典结构工程原理高度吻合。

图 | 汉字超材料阵列与蜂窝阵列的压缩破坏对比（来源：https://doi.org/10.1063/5.0304459）

这项研究中最重大的发现，是“天”字型超材料展现出了压倒性的性能优势。数据显示，“天”字结构的模量和强度显著高于其他汉字设计，也超越了传统的六边形对照组。它不仅拥有最高的比强度和比刚度，甚至达到了高性能金属或刚性塑料泡沫的水平。

更深层的力学机制在于变形模式的转变。论文指出，大多数汉字结构在受力时表现出“弯曲主导”的强度特征，即结构容易发生屈曲，较为柔韧。而“天”字结构却展现出了罕见的“拉伸/压缩主导”强度。研究者推断，这是因为“天”字特有的双层横向支柱产生了相互作用，极大地抵抗了受载后的结构侧向位移。

此外，“夫”字与“天”字虽然相似，但由于顶部横画较短且有偏移，其力学表现就大相径庭。这也证实，超材料的性能对对称性等几何细节极其敏感。只做微小的参数调整，就会显著改变材料的变形模式与整体力学表现。

用工程学的视野重审人类文明结晶

这项研究从汉字超材料本身出发，揭示了一个极具启发性的设计方法论：几乎任何具有几何规律性的人类文化符号，都可能成为有效的超材料结构单元候选。

在数千个常用汉字中，“人、大、天、夫”只是沧海一粟。帕尔维兹强调，这只是“从众多潜在字符中提取的一滴水”。未来，孟加拉语字母、阿拉伯书法、印度梵文等其他人类书写符号，甚至各类装饰艺术中的几何图形，都有可能成为力学超材料的灵感源泉。

文字符号不只是语言的载体，也是特定文化对几何形式长期审美与实践选择的结晶。它们在漫长的历史演变中，经受了书写效率、视觉平衡的筛选，这些经过漫长时间检验的形式，或许在某种意义上也经历了一种非显式的"结构优化"。

从汉字实验中提炼出的规律，未来可直接应用于航空航天（轻质高强可编程材料）、生物医学（可控柔性植入物）以及防撞能量吸收系统等前沿工程领域。

值得注意的是，这项研究目前选取的四个汉字字形简单且相互关联，这在研究设计上便于变量控制与系统比较，但也意味着研究尚处于探索性阶段。

但阿拉姆在接受采访时特别强调了这项研究的跨学科意义。他表示，符号形式的运用“不仅在工程设计中有其价值，还应当激发另一种类型的学习兴趣”，并希望借此推动工程学、材料科学与历史学、文化研究之间更深入的交叉合作。

一篇从汉字中提炼力学规律的论文，出现在严肃的物理学期刊《应用物理学杂志》上，本身就是一件颇具象征意味的事情。它提醒我们，科学与文化从来不是两个相互隔绝的世界：前者追求普遍规律，后者积淀人类经验。最具创造力的结构灵感，或许正来自对人类已有知识体系的重新审视。

参考资料：

https://publishing.aip.org/publications/latest-content/what-can-chinese-characters-tell-us-about-designing-strong-materials/https://pubs.aip.org/aip/jap/article/139/15/155102/3387398/Mechanical-metamaterials-built-from-Chinese

运营/排版：何晨龙

这款名为 AP‑TSCL 的智能隐形眼镜采用三层设计：下层是直接接触角膜的微流控镜片层，内部精密切割了用于储存药物和感知眼压变化的微通道及微室；中间层是一块基于仿生理念设计的力学活性抗溶胀丝蛋白海绵（BASS），它既是感知眼压应变的核心组件，也是一个巨大的药物储库；最上层则是软性隐形眼镜层，它不仅完美封装了内部结构，还能抵消日常眨眼带来的外部机械干扰，并能像普通隐形眼镜一样提供屈光矫正。

其中，最具突破性的是中间层的 BASS 材料。这块微型海绵不仅拥有高达自身干重 2,700 倍的液体吸附能力 ，更具备惊人的弹性韧性：在经受高达 25% 应变的 100 次连续压缩循环后，它依然能保持 100% 的形态恢复与液体保留能力。BASS 结构的引入，彻底解决了过去纯聚合物镜片在受到挤压时微通道容易塌陷或信号漂移的顽疾，大幅提升了传感灵敏度。

图 | AP‑TSCL 智能隐形眼镜（来源：上述论文）

整副镜片由生物相容性优异的聚甲基丙烯酸羟乙酯-有机硅水凝胶复合材料制成。在封装完成后，其在 400 至 800 纳米的可见光范围内透光率高达 95% ，这意味着患者佩戴它时，不仅没有任何异物摩擦感，视线也如平时一般清晰通透。

为了确保长期储存和佩戴过程中的药物稳定性，研究人员还在微流控储药室和通道内壁均匀沉积了一层无针孔的聚对二甲苯保形涂层。这种极其疏水的致密屏障，像给水管加装了纳米级密封圈一样，彻底锁死了水溶性药物，使得加载了药物的 AP-TSCL 在长达 21 天的 35°C 模拟泪液环境中，药物保留率依然超过 95%。

AP-TSCL的工作原理可以用两句话概括：眼压变化让镜片变形，变形驱动液体位移实现监测；眼压超标触发储药腔挤压，压力门控精准释放药物。

在眼压监测方面，镜片边缘有一根极细的微流控通道。当眼压升高时，眼球会发生微小的形变，这种挤压会把镜片内部的指示液体推进微通道里。患者只要拿智能手机对着眼睛拍个视频，手机里的 AI 算法就能自动追踪液体的位移，并实时换算成精准的眼压数值。

最巧妙的设计是自动给药。它不需要任何电子开关，镜片内部自带储药室。研究人员可通过调整通道宽度预设触发阈值，例如 22 mmHg（青光眼临床警戒值）。当眼压低于阈值时，储药腔完全封闭，药物零泄漏；一旦眼压突破阈值，腔室形变超过临界值，微流控通道自动打开，药物被精准释放至眼表；眼压恢复正常后，通道关闭，停止给药，真正实现高眼压才给药、眼压正常就停药的按需治疗。

有些重度患者需要联合用药。这款眼镜可以设计成带有两个不同宽度的通道，比如眼压达到 22 mmHg 时释放第一种药，如果眼压没控制住，继续飙升到 26 mmHg ，它就会触发第二个通道，释放第二种药，完全实现了自动化、个性化治疗。

为了验证 AP‑TSCL 的性能，研究团队在体外人工眼球模型、离体牛眼模型与新西兰兔高眼压模型上，全面评估了监测精度、给药效果与生物安全性。

在临床前验证环节，AP-TSCL 展现出了极高的成药潜力。在兔细胞毒性实验中，将镜片与人角膜上皮细胞共培养 72 小时后，细胞存活率依然高达 98% 以上，与对照组无异。在活体兔眼中连续佩戴两周，角膜依然透亮，未见任何上皮损伤、水肿或炎症反应的组织学病变。

治疗功效的验证更为有力。在基线眼压超过 25 mmHg 的轻中度高眼压兔模型中，搭载噻吗洛尔的 AP-TSCL-Timo 在佩戴 30 分钟内，就成功将兔子的眼压压制到了 20 mmHg 以下的安全红线内，其降压速率和幅度，与医生直接滴注标准剂量的噻吗洛尔滴眼液没有任何统计学差异。

在基线眼压极其恶劣的重度高眼压模型（>40 mmHg）中，搭载双药联合（噻吗洛尔+溴莫尼定）的进阶版 AP-TSCL-Pro 展现了统治力。它的降压效果不仅呈压倒性优势领先于单药滴眼液和单药镜片，更是在连续多天的隔日佩戴治疗中，将眼压牢牢锁定在了安全范围内。

从深层的分子标志物来看，未经治疗的高眼压兔眼视网膜神经受到严重压迫，代表神经胶质增生与损伤的 GFAP 蛋白高表达。而在 AP-TSCL 的精准护航下，GFAP 的表达被有效抑制，同时代表视网膜神经节细胞存活的 BDNF 和 Brn3a 蛋白也得到了完美的保护和维持。

图 | AP-TSCL-Timo 和 AP-TSCL-Pro 佩戴两周后的生物安全性评估（来源：上述论文）

得益于全聚合物注塑与防渗漏涂层工艺，AP-TSCL 中的活性药物能在环境温度下储存长达 5 周而不发生任何化学降解。据悉，Yangzhi Zhu 及其合作者已着手将这项技术商业化，并已申请临时专利。他们认为该平台最终可以扩展到多种眼部疾病，包括干眼症、糖尿病视网膜病变和年龄相关性黄斑变性。

参考链接：

1.https://terasaki.org/institute/yangzhi

2.https://www.science.org/doi/10.1126/scitranslmed.ads9541

运营/排版：何晨龙

修摩托车、保养房子、维护桥梁公路、照料我们的星球——这些事有什么共同点？在斯图尔特·布兰德（Stewart Brand）看来，它们都是“维护”：让事物持续运转所需的一切工作。

布兰德是科技文化的传奇人物，曾创办影响了一整代人的《全球概览》（Whole Earth Catalog），被视为从嬉皮士运动到硅谷崛起之间的关键桥梁。如今 87 岁的他出了一本新书《维护：万事万物·第一部》（Maintenance: Of Everything, Part One），想论证一件事：对某样东西承担起“维护”责任，对维持人类文明的重要性。

“维护者”（the Maintainers）的概念听上去有些新颖，但事实上，自 2010 年代中期以来，维护和修复一直是学术界的热门话题。这是一个全球性的跨学科议题，主要讨论致力于研究维护、修复、维修，以及维持世界运转所需的一切工作。

布兰德说得没错：维护者确实没有得到应有的认可。学者们已经证明，从给工具上油到更换磨损部件再到更新代码库，这些工作的地位往往低于“创新”。维护在许多组织和社会环境中被忽视，而正如“维修权”运动所揭示的，企业为了追求更多利润，经常大幅缩短产品可维护的使用寿命。对布兰德来说，维护更像是一种个人行为，关乎个人的成就与满足感，而不是照料一个共同的世界或让它变得更好。

这本书弥漫着一种暮年气息——与腐蚀、锈蚀和衰败搏斗，试图让事物在不可避免的衰颓中继续运行，像一个人在回望一生、思考终点。《维护：万事万物》与布兰德生命中的每一个阶段都有关联，值得回顾一下这本书在他人生弧线中的位置。布兰德一直对工具和修理东西感兴趣，但他很少把注意力放在最需要照料的那些系统上。

半个多世纪以前，布兰德是“快乐恶作剧者”（Merry Pranksters）的成员，一个反主流文化嬉皮团体，领头人是《飞越疯人院》的作者肯·凯西（Ken Kesey）。1966 年，布兰德联合制作了旅行节（Trips Festival），感恩而死（Grateful Dead）和大兄弟控股公司（Big Brother and the Holding Company）等乐队，在迷幻灯光秀中为数千人演出。

从某种意义上说，旅行节为布兰德后来的全部事业定下了范式。他的传记作者们称他为“网络名人”，一个通过把人聚在一起、构建有影响力人物的联盟来放大自身影响力的人。凯西在 1980 年说过：“斯图尔特能辨认权力，并且向它靠拢。”

布兰德把这套网络逻辑运用到了他最为人铭记的事业上：《全球概览》。这本刊物于 1968 年首次出版，面向嬉皮士和刚刚兴起的“回归土地”运动的成员，座右铭是“获取工具”。书页上满是半圆形活动房屋、穹顶、太阳能板、水泵、净水器等各种离网生活所需的技术。这个愿景看起来可能偏进步或偏左，但其核心哲学是自由至上主义式的粗犷个人主义：抛弃腐败的体制、独自重建文明。这与当时推动深层社会变革的更具集体性的运动（如民权、女权和环保运动）形成了对比。

这套“靠工具就能自己重建世界”的哲学，后来很自然地延伸到了个人电脑和互联网领域——数字工具同样让个人绑开体制、自己动手，布兰德也顺着这条路走进了硅谷。1985 年，布兰德出版了系列的最后一本《全球软件概览》（Whole Earth Software Catalog），同时联合创办了 WELL（Whole Earth ’Lectronic Link，全球电子链接）——一个开创性的在线社区，以促进感恩而死盗版演出录音的交易等而闻名。他还写了一本赞颂 MIT 媒体实验室的书，该实验室以企业赞助的新通信技术研究著称。“实验室将用技术而非经济或政治来治愈技术的病症，”布兰德写道。再一次，靠的不是集体行动，不是政策制定，而是工具。之后布兰德又联合创办了全球商业网络（Global Business Network），一个收费不菲的未来学咨询团体，让他进一步打通了与 MIT、斯坦福和硅谷的联系。布兰德确实帮助缔造了现代数字革命。

随后他的注意力转向了维护。1994 年的《建筑如何学习：建成之后发生了什么》（How Buildings Learn）反对高度现代主义的建筑理念。布兰德认为几乎所有建筑最终都会被改造，但他尤其偏爱便宜、简单的结构，让住户可以轻松改装以适应变化的需求。从某种意义上说，他在重申《全球概览》中那种自由至上主义的哲学：只要能获取工具，人们就能重塑自己的世界。在一章名为“维护的浪漫”中，他呼吁读者去发现各种需要修缮之物的美、价值和偶尔的乐趣。

这一章成了维护研究这个学术分支中许多人的基石。历史学、社会学、人类学等学科的研究者，以及图书馆、IT 和工程等领域的从业者，都开始尝试理解维护和修复的现实与浪漫。布兰德加入了邮件列表、参加了学术会议、与思想领袖们交流。所以当他在新书中写道这是“第一本从整体角度审视维护的著作”时，未免有些不厚道。他心里清楚不是这样。真正的问题在于：他的作品能告诉我们什么别人还没说过的东西？

《维护：万事万物·第一部》是一本奇怪的书。布兰德大量思考一直围绕“获取工具”展开，这一次他以更长的篇幅追问：我们的工具是如何被维护的？但布兰德职业生涯始于一本概览式的手册，这一卷我们拿到的却不知道算什么。文摘？年鉴？百科全书？它的形式和纷乱的内容不容易归入任何体裁。

全书两章。第一章“维护竞赛”讲了三个参加 1968 年“金球赛”（一场单人环球帆船赛）的人。布兰德解释说，三位水手各有各的维护哲学。一个忽视维护、听天由命，他死了；一个事先想到并准备好了一切，虽然没有赢得比赛，但他完赛了，还一度保持着“有记录以来最长的不间断单人航行”世界纪录；第三个赢了比赛，靠的是英雄般的坚韧，布兰德总结他的风格为“来什么应对什么”。这个故事像童话一样结构工整、浪漫到底。和书中大多数轶事一样，它聚焦的是精力旺盛的白人男性的英勇冒险。布兰德对策略毫不遮掩，他的大纲写得很明白：“以一个在生死攸关条件下维护风格的戏剧性较量开篇——一个真实故事，以寓言的方式讲述。”这则神话旨在鼓舞人心。

第二章“交通工具（和武器）”长达 150 多页，包含五个部分、多个小节、五个标注为“题外话”的小节、一个“题外话中的题外话”、两个“附录”，以及几个严格来说不是脚注而是补充材料的注释，读起来有时候像一部未来著作的笔记。布兰德对书的松散不做任何辩解。“我能做的，”他写道，“只是在一些有代表性的维护领域里漫游，看看会浮现出什么。”放在桌上随手翻到任意一页消遣——或许这是一本不错的书。

"交通工具（和武器）"开篇转述了两部著名的维护哲学作品：罗伯特·M·波西格（Robert M. Pirsig）的《禅与摩托车维修艺术》和马修·B·克劳福德（Matthew B. Crawford）的《摩托车修理店的未来工作哲学》。维护既涉及“发现问题”也涉及“解决问题”。大量修理工作伴随着焦虑、不耐烦和无聊，但它也带来正面的价值和成果。“维护摩托车的人从修理的目的中获得力量，这也是摩托车骑行者的荣光。”布兰德写道。

贯穿全书的一条主线是对廉价的赞美，这和《建筑如何学习》一脉相承。亨利·福特的 T 型车击败了早期电动车和劳斯莱斯银色幽灵（Silver Ghost）这样昂贵到极致的豪车，原因很简单：便宜，容易维护。人类历史上最畅销的三款车——福特 T 型车、大众甲壳虫和俄罗斯拉达“经典”，都以廉价为优先，“数十年保持基本设计不变，欢迎车主自行修理”。每一个为能自己动手保持大众甲壳虫运转而自得其乐的爱好者背后，大概有几千个人只是贪它便宜，却恨它老是坏。但布兰德没有引用社会调查之类的研究来了解人们对这类事情的真实感受。

其他小节讲述了美国人如何发明可互换零件（既实现了廉价量产，也让维护变得简单）、维护在突击步枪和战争中如何运作，以及技术手册从近代早期到 YouTube 时代的演变。

但布兰德的论述也有局限性——他把维护当作纯粹的好事。但维护研究这个领域的理念已经发展地更加深刻，深入到了这个领域的反讽、复杂性和困难之中。举个简单的例子：一辆老旧的燃油车，与其花钱一直修下去让它继续上路排放尾气，不如报废回收、换一辆电动车，这样对环境的好处大得多。维护一辆油老虎或一座烧煤电厂，谈不上激进，更像是倒退。此外，维护可能成为穷人不堪承受的负担，而且这个负担不成比例地落在女性和有色人种肩上。维持现有系统运转有时候恰恰是在逃避艰难但必要的变革——比如让技术系统对残障人士更友好。在这一卷里，布兰德对这类困难的取舍不感兴趣，回避了任何关于政治如何塑造这些问题、以及这些问题如何塑造政治的追问。

这种回避在谈到伊隆·马斯克（Elon Musk）的部分表现得最明显。布兰德告诉我们，马斯克是一位“独一无二的大师”。他提到比尔·盖茨（Bill Gates）曾做空特斯拉的股票，结果亏了 15 亿美元——因此马斯克赢了。

在什么样的价值观里，金钱是衡量一切的最好标尺？布兰德正确地指出，电动车的活动零件更少，从这个意义上说比燃油车更容易维护。他最推崇马斯克的原因是，马斯克的产品“已经被证明是颠覆性的，部分原因在于它们把巧妙的设计和出人意料的低成本结合在了一起”。但这里的思考明显浮于表面：特斯拉仍然是豪华车，在联邦税收补贴取消后销量下滑；该公司面临多起维修权诉讼，甚至有一篇法学评论文章专门讨论这个话题。但布兰德却写道，凭借他的公司，“马斯克可能比他那个时代的任何其他商业领袖做了更多实际的拯救世界的工作。”在布兰德写这本书的时候，围绕马斯克在反犹、种族主义、性别歧视、威权主义等问题上的争议已经非常清楚了。对此，这本书却避而不谈。笔者认为，完全不碰这个话题，是偏颇的。有人认为硅谷“快速行动、打破一切”的心态恰恰在破坏健康的维护，布兰德连这个观点都没提——哪怕是为了反驳它。

也许《维护：万事万物·第一部》只是布兰德的热身；也许在后续几卷中他会拿出更成体系的思考；也许他终究会直面那些真正艰难的问题。但看看他过去几十年的轨迹，我们有理由对此表示怀疑。凯西说布兰德善于辨认权力，并且向它靠拢——这么多年过去了，他依然不曾质疑过它。

原文链接：

https://www.technologyreview.com/2026/04/17/1135408/book-review-stewart-brand-fixing-everything-maintenance/

当地时间 4 月 17 日上午，Chidambaran 和 Naqvi 分别在马里兰州和加利福尼亚州被捕，他们将在纽约东区联邦地方法院出庭，面临最高终身监禁的判决。

诈骗“三部曲”：假合同、假客户关系和伪造真实交易

2010 年 Chidambaran 创立了 iLearning，总部位于马里兰州贝塞斯达。该公司声称是一家数字教育公司，基于云计算和人工智能驱动的“即插即用”AI 平台为客户提供自动化解决方案。据该公司描述，其客户涵盖医疗保健公司和学校，主要收入来源于直接或间接向客户销售教育和培训平台许可证。

（来源：iLearning 2023 年 11 月投资者简报）

随着业务发展，该公司收入也快速增长。虚假的财务报表显示，2023 年 iLearning 的收入高达 4.21 亿美元，拥有超过 1,000 个企业终端客户以及约 440 万许可用户。但实际上，这些信息均被严重夸大。

为配合上市交易，iLearning 从一家风险投资机构和两家银行共获得 1 亿美元贷款。2024 年 4 月，iLearning 在纳斯达克交易所上市，股票代码为 AILE，公司市值一度达到约 15 亿美元。

（来源：iLearning 2024 年第二季度投资者报告）

起诉书中提到，在 2019 年 1 月至 2025 年 4 月期间，为获得更多的融资，Chidambaran 和 Naqvi 持续通过虚报 iLearning 财务业绩、构建虚假的客户关系，欺骗公司的个人投资者和投资机构。

具体而言，二人通过与客户签订声称“每年价值数千万美元”的虚假合同，让 iLearning 的收入看起来虚高。实际上，这些合同的背后是由 iLearning 员工或其亲属、朋友冒充客户高管签署的。为获得投资者和贷款方的信任，iLearning 还为这些虚构的客户公司创建了网站。

图丨iLearning 在纳斯达克上市（来源：https://www.justice.gov/usao-edny/media/1436506/dl?inline）

建立了合同和客户关系，接下来 iLearning 要解决的就是公司收入的问题。为了使 iLearning 看上去从合同中获得了真实的收入，Chidambaran 和 Naqvi 实行了一套资金“循环交易”方案：首先 iLearning 从贷款机构和投资者获得贷款或融资，然后将这些资金转给虚假的客户，再由这些客户将资金转回给 iLearning。

实际上，这些所谓的客户是这样来的：在 Chidambaran 和 Naqvi 指示下，iLearning 公司内部员工在印度、阿拉伯联合酋长国和美国等地注册新公司，再以 iLearning 客户的名义开设银行账户，他们用这套“循环交易”方案将数百万美元从 iLearning 公司转入“自己人”控制的账户。随后将这些资金转入以其他实体名义控制的其他账户，最终再将资金转回给 iLearning 公司。数年来，这些循环交易的总金额逾 1.44 亿美元。

毕竟纸包不住火，一家投资研究公司最终还是发现了端倪。2024 年 8 月，在 iLearning 上市 4 个月后，投资研究公司指控 iLearning 公司严重虚报收入，包括将相当一部分报告收入归因于未披露的关联方交易。

报告发布后，iLearning 的股价在一天内暴跌超过 50%，市值也大幅缩水。2024 年 12 月，iLearning 在特拉华州地方法院申请破产法第 11 章的保护，该程序后来于 2025 年转为破产清算第 7 章，同时宣告该公司倒闭。彼时，该公司有数百名未获偿付的债权人以及超过 5,000 万美元的未偿负债。

对造假对应的是，Chidambaran 和 Naqvi 获得的巨额回报。在 2023 年至 2024 年期间，Chidambaran 从 iLearning 获得了超过 70 万美元的工资和奖金。在上市交易中，他还获得了价值 5 亿美元以上的 iLearning 普通股，以及价值约 1,250 万美元的 iLearning 限制性股票单位。Naqvi 也获得了价值约 1,120 万美元的 iLearning 普通股，而 iLearning 则支付了近 450 万美元现金来偿还税款。

名词红利与 FOMO：为何同样的故事一再重演？

类似的案例还有世通（WorldCom）。这家成立于 1983 年的公司，一度成为仅次于 AT&T 的美国第二大长途通讯公司。2002 年 6 月，在一次例行的资本支出检查中，公司内部审计部门发现了 38.52 亿美元数额的财务造假。

美国证券交易委员会在随后的调查中发现，1999 年到 2001 年的两年间，WorldCom 虚构的营收达 90 多亿美元。截至 2003 年底，该公司总资产被虚增约 110 亿美元，而这背后是为了弥补股价下跌带来的亏空和缓解贷款方面的资金压力，通过运营费用资本化等手段虚增利润，来掩盖公司真实的财务状况。

2003 年，该公司宣布破产，WorldCom 的 CEO Bernie Ebbers 被判处 25 年监禁。2005 年， Verizon 以 76 亿美元收购 WorldCom，并重组为 MCI 公司。

从互联网时代再到如今的 AI 浪潮，为什么每轮技术革命的案例总是相似？从 WorldCom 的利润造假到 iLearning 的业务造假中，我们不难发现，实际上他们所利用的正是“名词红利”，即当某个技术关键词成为资本市场的共识，公司只要贴上相关的标签便能更容易地获得估值溢价，AI 正是新一代的“互联网”。

另一方面，也离不开投资者和相关机构的 FOMO 心理状态：当整个时代都在参与某项技术投资的趋势下，难免会担心如不立即参与会因此错失“下一个独角兽”的机会。

这容易导致一个问题，即在缺失尽调、没有过多了解项目和公司的情况下，就盲目跟风投资。回到 iLearning 案例来看，正是利用了名词红利和 FOMO 放大了 AI 叙事，推动资本在短时间内涌入，甚至忽视风险，从而带来价值溢价。

iLearning 是当前 AI 热潮下商业诈骗案例的缩影之一。与此同时，它也留下了一个值得深思的问题：技术在进步，但资本市场对故事的偏好，为何看起来从未改变？或许，是时候回归理性判断了。

参考资料：

https://www.justice.gov/usao-edny/pr/former-chief-executive-officer-and-chief-financial-officer-nasdaq-listed-company

https://www.justice.gov/usao-edny/media/1436506/dl?inline

https://www.reuters.com/legal/government/ex-ceo-ex-cfo-bankrupt-ai-company-charged-with-fraud-2026-04-17

运营/排版：何晨龙

辛顿指出，回顾人类历史，每一次重大技术革命都遵循相似的节奏：淘汰一类劳动，同时开辟新的就业空间。农业机械化把劳动力从土地上解放出来，他们走进了工厂；工厂自动化之后，人们又转向办公室和知识型工作。经济体总能生长出新的需求层次，承接那些被旧技术挤出的劳动力。但 AI 不一样，它不是守在某一扇门后的自动化工具，而是出现在每一扇门的后面。

一个客服人员失业后转行学编程，发现 AI 也会写代码；再转向法律文书处理，AI 同样胜任；尝试内容创作，AI 依然在场。每一次转型还没站稳，就可能被迅速追上。辛顿将这一判断提升到了文明史的高度：人类一路走来，不断突破各种局限。食物匮乏靠农业解决，距离障碍靠交通工具解决，体力限制靠机械解决。每一次突破都催生了全新的人类活动空间。而 AI 正在突破的，是人类智力本身。当智力不再构成瓶颈，新的空间在哪里？

辛顿坦言，自己目前没有答案，也未见到任何人给出令人信服的解释。他还给出了具体的时间预判：2026 年，AI 将在呼叫中心大规模替代人类客服；数年之内，便可能具备独立运行、持续数月的软件工程项目能力。这番言论一经发出，便引发讨论。

但并非所有人都认同辛顿的观点。不久后，另一位“图灵奖得主”杨立昆（Lecun Yan）便公开回应。他措辞直接：“我敬重 Geoff（辛顿），但在技术革命对劳动力市场的影响这个问题上，他甚至不如达里奥·阿莫迪（Anthropic CEO）了解得多。”

（来源：X）

紧接着，他提出了一个更值得深思的观点：不要听 AI 科学家谈这个问题，无论他们多么杰出；更不要听 AI 公司 CEO 的判断，无论他们多么成功。劳动经济学的问题，应当交给研究劳动经济学的学者来回答。

随后，他点名 @ 了五位经济学家：菲利普·阿吉翁（Philippe Aghion）、达龙·阿西莫格鲁（Daron Acemoglu）、埃里克·布莱恩约弗森（Erik Brynjolfsson）、安德鲁·麦卡菲（Andrew McAfee）和大卫·奥托（David Autor）。

这条帖子的价值，不仅在于立场表态，更在于它揭示了当前公共舆论中一个明显的失衡。在“AI 会不会取代人类工作”这个议题上，声量最大的始终是两类人：AI 技术专家和科技公司管理者。前者对模型能力有深刻理解，但对经济系统如何消化技术冲击未必具备专业判断力；后者既有商业动机去渲染 AI 的变革性，也有动机去回避其社会成本。

而真正以劳动力市场为研究对象、积累了数十年方法论和实证数据的经济学家，在公共舆论中的存在感反而薄弱得多。那么，杨立昆点名的这五位学者，对于 AI 与人类共存的问题究竟持怎样的观点？我们不妨逐一了解。

达龙·阿西莫格鲁可能是五人中对 AI 经济影响最为审慎的一位。他任教于麻省理工学院（MIT）经济学系，2024 年因制度经济学方面的开创性贡献获得诺贝尔经济学奖。近年来，他将研究重心转向 AI 领域。2024 年，他发表论文《AI 的简单宏观经济学》，结论出人意料：据其模型估算，AI 在未来十年对美国全要素生产率（衡量经济体整体效率的核心指标）的提升幅度，大约只有 0.5% 至 0.9%。这一数字，与硅谷流行的“AI 将重塑全球经济”的宏大叙事之间，存在近乎一个数量级的落差。

图 | 达龙·阿西莫格鲁 (来源：Wikipedia)

但阿西莫格鲁并非认为 AI 毫无价值。他指出，目前 AI 能够自动化的，仅是企业全部任务中的一小部分；且许多被自动化的环节，并未被生产率更高的新任务所替代。他将这类技术定义为“平庸技术”（so-so technology）：足以替换工人，却未能带来相称的效率提升。劳动者被排挤出局，经济整体并未因此显著受益。

但他并不担忧 AI 过于强大导致人类无事可做。恰恰相反，他认为问题可能在于 AI“还不够强大”：企业之所以有动力用其替换人力，唯一原因是它已经足够廉价，即便替换后的效率增益微乎其微。

2026 年 4 月，他在美国国家经济研究局（NBER）发布新研究，探讨当 AI 生成的内容反过来成为训练 AI 的语料时，不仅模型可能崩溃，人类的知识库也会发生系统性退化。因为 AI 倾向于输出“概率最高”的平庸内容，这会稀释人类文明中的极端案例和独创性思维，导致我们在依赖 AI 的过程中，逐渐丧失处理复杂、罕见问题的能力。

同样任教于 MIT 的大卫·奥托，是当今全球引用量最高的劳动经济学家之一。与阿西莫格鲁相比，奥托的视角中包含更多建设性的可能。他最具影响力的分析框架被称为“基于任务的分析”：不将一份工作视为整体来判断其存废，而是将其拆解为一项项具体任务，逐一考察哪些将被自动化、哪些反而会被增强。在这个框架下，绝大多数工作并非“消失或存续”的非此即彼，而是内部发生结构性漂移：部分环节交由机器处理，另一些环节则因机器的辅助而变得更加重要。

图 | 大卫·奥托 (来源：Wikipedia)

2024 年，奥托曾提出一个反直觉的观点：AI 对中产阶级可能是有利的。其推理逻辑如下：过去数十年间，专业技能的门槛不断提高，医生、律师、高级工程师凭借多年训练积累的判断力，构筑了中等技能劳动者难以逾越的壁垒。但如果 AI 被设计为辅助工具而非替代品，它有可能将部分“专家级判断力”向更广泛的群体开放：社区护士借助 AI 诊断辅助系统，可以承担以往仅由专科医生执行的初步筛查；小型企业主利用 AI 法律工具，能够处理以往需要委托律师的合同审核。

奥托将此概括为“专业知识的民主化”，不是消灭专家，而是降低成为“准专家”的准入门槛。当然，他也反复强调，这并非技术进步的自动结果，而取决于企业的部署方式和政策的引导方向。2026 年 2 月，他与阿西莫格鲁合作发表《构建支持工人的 AI》，系统性地界定了何种 AI 技术可被归为“亲工人型”，试图为技术开发提供明确的价值导向。

这类技术包括：能开辟全新劳动领域的“新任务创造技术”（如让农民转型为管理多维数据的“精准农业调度员”）、旨在降低准入门槛的“决策支持技术”（如辅助护士执行复杂临床诊断，实现医疗专长的下放），以及强调人类处于回路中心的“协作型人机交互”（如在精密制造中由 AI 负责误差补偿，工人负责核心工艺决策）等。

第三位埃里克·布莱恩约弗森是斯坦福大学数字经济实验室主任，同时也是斯坦福以人为本人工智能研究所（HAI）的高级研究员。早在 2014 年，他就与安德鲁·麦卡菲合著《第二个机器时代》，预判了数字技术对劳动力市场的深远冲击，该书至今仍被视为这一领域的重要参考文献。

图 | 埃里克·布莱恩约弗森 (来源：Wikipedia)

但他最具辨识度的理论贡献诞生于 2022 年的“图灵陷阱”。他指出，人工智能领域长期以来存在一种根深蒂固的设计倾向：追求让机器模仿人类、替代人类，将通过图灵测试视为终极目标。然而，这种设计哲学恰恰将技术推上了替代劳动力的轨道，而非增强劳动力的方向。当研发目标一味聚焦于让 AI“像人”，自动化便成为默认路径，“增强”（augmentation）反而被边缘化。布莱恩约弗森主张，应当有意识地将研发方向从“让机器做人做的事”，转向“让人能做以前做不到的事”。

2025 年，他与合作者发表论文《煤矿里的金丝雀》，以翔实的数据追踪了 AI 对就业的早期影响。研究发现，自由职业者和平台工作者首当其冲，这些缺乏组织保护的劳动者，最先承受了生成式 AI 带来的竞争压力。在翻译、文案、基础编程等领域，自由职业者的订单量和收入出现了可观测的下降。

但与此同时，企业端的整体就业数据并未出现崩盘式滑坡，表明 AI 的替代效应在组织内部是渐进式展开的。他目前正在推进“AI 经济仪表盘”项目，用大数据实时追踪全美国数千个职业内部的任务漂移。最新监测显示：2026 年，组织的变革速度终于开始跟上技术的步伐，企业正在经历从“试点 AI”到“重构流程”的惊险跃迁。

安德鲁·麦卡菲是布莱恩约弗森多年的学术搭档，在 MIT 斯隆管理学院担任首席研究科学家，同时也是 MIT 数字经济倡议（IDE）的联合创始人。相较于布莱恩约弗森更偏学术的研究风格，麦卡菲更擅长将复杂的经济学结论转化为企业管理者和政策制定者能够理解的语言，活跃于《哈佛商业评论》、TED 演讲和个人专栏等平台。

图 | 安德鲁·麦卡菲 (来源：Wikipedia)

他的核心立场可以概括为“技术乐观加制度焦虑”。一方面，他相信技术进步整体上扩大了经济总量，但另一方面，他对收益的分配极为警觉。在《第二个机器时代》之后，他与布莱恩约弗森合著《机器、平台、大众》，进一步论证了数字经济的一个显著特征：增长越来越集中于少数平台型企业和超级明星公司，而普通劳动者在增长中所分得的份额却持续缩小。这一“赢家通吃”的趋势在 AI 时代有被加速的可能。

麦卡菲因此并不简单地站在“AI 会创造更多工作”的立场上，他的关切更在于：如果不在制度和政策层面进行主动干预，AI 创造的价值将高度集中于资本所有者和少数高技能劳动者手中。

五人中最后一位是菲利普·阿吉翁。他任教于法兰西学院和伦敦政治经济学院（LSE），2025 年获得诺贝尔经济学奖，获奖理由是其在创新与经济增长理论方面的开创性贡献，尤其是他与彼得·霍维特共同构建的“熊彼特增长模型”。这套理论的核心概念是“创造性破坏”：新技术和新企业的涌现必然摧毁旧的产业结构和就业形态，而正是这种破坏本身驱动着经济的长期增长。值得注意的是，阿吉翁的命题不是“破坏之后经济会恢复增长”，而是“破坏本身即增长的引擎”，二者之间有重要的理论区别。

图 | 菲利普·阿吉翁 (来源：Wikipedia)

将这一框架应用于 AI 议题，阿吉翁的分析路径便十分清晰：AI 当然会摧毁大量现有岗位，但只要这种摧毁伴随着充分的创新活力和足够的制度弹性，它本身就能催生新的产业和新的就业。关键变量不在于技术有多强大，而在于制度环境能否承接这种破坏。市场竞争是否充分、教育体系能否及时调适、社会保障网络是否足够稳固。

阿吉翁最近还在利用大语言模型本身作为经济学研究工具，探索如何借助 LLM 进行大规模社会调查和文本分析。换言之，他不仅在研究 AI 对经济的影响，也在用 AI 重新定义经济学研究本身的方法。

将这五位学者的观点并置，可以看到他们并不构成一个统一阵营。阿西莫格鲁是冷静的怀疑者，认为 AI 的经济影响被严重高估；奥托是有条件的乐观派，认为 AI 有可能惠及中产阶级，但前提是开发方向正确；布莱恩约弗森是结构主义者，强调核心问题不在于 AI 本身，而在于人类选择用它来做什么；麦卡菲关注分配正义，忧虑价值被少数群体攫取；阿吉翁则是历史主义者，相信创造性破坏终将发挥作用，但需要制度层面的配合。

他们之间有交集也有分歧，但也拥有一个底层共识：技术变革对劳动力市场的影响，不仅是一个工程问题，更是一个经济学问题。它取决于制度设计、政策选择、市场结构和企业决策，而不仅仅取决于模型的能力上限。在众声喧哗的当下，我们确然需要更多元的声音。

参考链接：

1.http://www.nber.org/papers/w32487

2.https://www.nber.org/papers/w34854

3.https://www.nber.org/papers/w32140

4.https://www.lse.ac.uk/lse-player/creative-destruction-ai-and-the-european-recovery

运营/排版：何晨龙

新冠疫情开始的时候，珍妮弗·菲利普斯（Jennifer Phillips）注意到了麻雀的歌声。

那些歌声变得更容易听到了，因为世界突然安静了。人们待在家里远程办公，路上的车急剧减少，航空出行近乎停摆；城市平时充斥着鸣笛、刹车和轰油门的嘈杂交响，现在安静得像坟墓。

多年来，菲利普斯一直在研究动物对人类活动制造的嘈杂声“人为噪音”的反应。她和同事们发现，大多数动物真的受不了这些噪音。动物时刻在聆听周围的世界：它们警惕着接近的捕食者发出的窸窣声，或者同类发出的求偶信号。随着人类社会不断扩张，蔓延的城市、工业矿区、纵横交错的公路……世界也变得越来越吵，动物越来越难听到彼此。

2010 年代，菲利普斯和同事们在旧金山的普雷西迪奥（Presidio）公园录制白冠麻雀的叫声。这座公园一半是宁静的自然，一半是汽车噪音：园内有茂密的树丛和草地，但同时有两条高速公路从中穿过，直通金门大桥。在 1950 年代起的早期录音中，麻雀的歌声复杂而低沉，有三种主要的“方言”。但到了 2010 年代，普雷西迪奥的车流量激增，嘈杂声大到麻雀不得不加快颤音速度、提高音调，好让同伴能听到自己。三种方言中最安静的两种，要么已经消亡，要么正走向灭绝。

它们“在拼命扯着嗓子喊，”菲利普斯说，“有车流噪音的时候，它们真的听不到低频的声音。”城市噪音甚至能改变鸟类的身体，它们变得更瘦、压力更大。求偶鸣叫的效果也打了折扣，因为研究人员发现雌鸟通常不喜欢又高又响的嘶吼（这会让它们怀疑雄鸟是不是身体有问题）。噪音还会加剧鸟与鸟之间的冲突，听不到警告叫声的鸟会误入其他鸟的领地。最糟糕的是，在这种情况下生物多样性会受损：整个物种如果扛不住城市的喧嚣，就会离开，再也不回来。

但当疫情那种突如其来的诡异寂静降临时，菲利普斯坐在家里想：外面真的好安静。紧接着她又想：普雷西迪奥的鸟现在是不是能听到彼此了？

她赶到公园，开始录音。果然，公园安静了 7 分贝——这是一个巨大的降幅（大致相当于普通家庭室内音量和窃窃私语之间的差距）。

更令人惊叹的是，研究人员发现白冠麻雀的歌声发生了转变。它们唱得更轻柔了，频率范围更丰富了。一只鸟的歌声传播距离比以前远了一倍。而求偶鸣叫变得更有魅力了。

“它们可以唱出更高水平的歌，基本上就是更性感的歌，而且不用扯着嗓子喊了。”菲利普斯说。

就好像时间被倒转，所有损伤一夜之间被修复了。这也证实了菲利普斯和同行们一直在记录的趋势：人为噪音是我们需要应对的一种新型污染。我们这个永不停歇的工业社会制造的噪音，正以我们刚刚开始理解的方式影响着地球上的所有生命——野生动物和人类都不例外。但电气化和巧妙的城市设计等策略能帮上忙。正如普雷西迪奥所展示的，噪音可以在一夜之间消失，只要我们想办法安静下来。

未被察觉到的影响

很多形式的污染对人类来说是显而易见的——往湖里倒有毒废料、烧煤烟囱排放烟尘和二氧化碳、塑料袋和渔网勒死鲸鱼，就连光污染这么飘渺的概念也在一定程度上进入了公众意识，因为城市居民看不到多少星星，我们也听说过光污染会让迁徙的鸟类迷路。

但主要来自交通的噪音，花了更长时间才引起我们注意。部分原因是它看不见：没有冒烟的烟囱，没有被污染的水道。它一直在背景里振动，我们就这么习惯了。

（来源：麻省理工科技评论）

七八十年代有过一些研究，表明动物受到人类噪音的困扰。但这个领域真正起步是在 2000 年代，部分原因是数字技术让人们更容易在野外长时间录音并进行分析。早期的一声号角来自生物学家汉斯·斯拉贝科恩（Hans Slabbekoorn）。他当时在莱顿市研究鸽子，发现自己几乎录不到一段干净的声音，总是被背景噪音打断，这让他很恼火。有时他能看到鸽子的喉咙在动、在咕咕叫，但就是听不见声音。“如果连我都很难听到它们，”他想，“它们自己呢？”

于是他和一位同事开始在莱顿不同地点录制环境音量。安静的居民区大约 42 分贝，很舒服；嘈杂的十字路口或靠近高速公路的区域则达到 63 分贝，差不多相当于背景音乐的音量。果然，他发现嘈杂区域的鸟唱歌时音调更高。

此后二十年间，这个领域的研究蓬勃发展。科学家发现噪音对动物有几种常见的不良影响。它当然会干扰沟通，但更普遍地让动物处于压力之中，导致体重下降、对求偶信号的反应减弱。如果动物在离公路更近的地方筑巢，繁殖率可能下降，比如东蓝鸲产出的幼鸟就更少。而例如附近机场的飞机起飞声、更加震耳欲聋的噪音可以导致鸟类听力受损。动物对捕食者的警觉性也可能降低：它们会更靠近危险，因为听不到危险在逼近。（有时候反应恰恰相反：它们会变得暴躁易怒、一触即发，因为长期处于高度警觉状态，把一切都当作威胁。）

即使在平时很安静的偏远农村地区，高速公路也能干扰野生动物，因为噪音会传到很远的田野。加州大学戴维斯分校的生物学家弗雷泽·希林（Fraser Shilling）曾站在距离农村高速公路半英里的地方，录到了 60 分贝的声音，比你在荒野中通常听到的至少高出 20 分贝。“摩托车和 18 轮大卡车发出的噪音传播得特别远。”

超过 55 分贝时，很多胆小的动物就会陷入战斗或逃跑的恐慌。例如，短尾猫是一种众所周知对噪音极其敏感的濒危物种，它们的数量“开始断崖式下降，”希林说。超过 65 分贝，“你基本上就把几乎所有野生动物都排斥在外了。”

这还不是野生动物接触到的噪音上限。美国大约有 50 万口天然气井，大多数井口都使用刺耳的压缩机往地下注水。近距离接触时，压缩机能发出 95 分贝的噪音，跟一列地铁差不多响；在怀俄明州的一口气井旁，距离将近四分之一英里的地方仍然能录到 48 分贝左右。

以往，要证明是噪音在导致动物出现各种问题并不容易。但几项精巧的实验证明了噪音足以干扰野生动物。其中之一是保护生物学家杰西·巴伯（Jesse Barber）和他当时在博伊西州立大学的团队做的“幽灵公路”实验。他们去了爱达荷州博伊西山麓一处安静无人的地方，远离任何公路。这片山谷每年有数以千计的候鸟在南迁途中歇脚，它们会在樱桃树丛上大吃一顿，为接下来几天的飞行储备体重。研究人员在花旗松上绑了 15 对扬声器，排成半公里长的一条线，然后播放高速公路噪音的录音。放四天、停四天。他们观察了数千只鸟，还捕获了许多来测量体重。

噪音确实让鸟群大受惊扰。声音一开，将近三分之一的鸟离开了这个区域。留下来的鸟吃得更少了：本来经过一天觅食后体重应该增加，但这些鸟几乎没长。噪音似乎严重干扰了它们的进食，让它们无法积累迁徙所需的体重。

（来源：麻省理工科技评论）

后来又有其他同样巧妙的对照实验。其中一项由乔治·梅森大学的生物学家大卫·路德（David Luther）主导，路德也参与了菲利普斯在旧金山的新冠研究。2015 年，研究人员从出生起就养了 17 只白冠麻雀，在实验室里喂大。为了教它们学唱本物种的歌，研究人员给雏鸟播放成年麻雀的歌声录音，有高音也有低音。其中六只雏鸟在没有干扰的环境下听歌，另外一半在听歌的同时还被播放了城市噪音。

结果很鲜明。没有受到交通噪音干扰的那群幸运鸟，学会了更安静、更甜美、更复杂的歌。而伴着交通噪音长大的鸟，只学会了更高音、更快速、更紧张的唱法——从雏鸟阶段开始，噪音就改变了它们的沟通方式。

人类也讨厌噪音

你没法在人类身上做同样的实验，至少在伦理上不行。但如果可以的话，我们大概会发现同样的结果。我们也是动物，而我们遭受人为噪音影响的方式跟野生动物很相似，尽管制造这些噪音的正是我们自己。

过去几十年的大量研究发现，噪音与睡眠质量差、血压升高、心脏病增多和压力加大存在相关性。一项丹麦研究跟踪了近 2.5 万名护士，发现噪音每增加 10 分贝打击就很大：在 23 年的跟踪期内，研究排除了其他有害健康因素的干扰的情况下，她们的死亡率高出 8%，几乎所有的坏事情发生率都更高：癌症、精神健康问题、中风。正如你大概已经能猜到的，儿童受到的影响也很大。巴塞罗那的研究人员对近 3000 名小学生进行了为期一年的跟踪，发现在更嘈杂学校就读的学生在工作记忆和注意力方面的测试中表现更差。

“我们以为自己已经习惯了，”加州大学戴维斯分校进化与生态学教授盖尔·帕特里切利（Gail Patricelli）说，“实际上我们远没有自己以为的那么习惯。”

当然，这里面也有取舍。很多人知道城市和高速公路的噪音令人烦躁，但我们忍受它，因为它伴随着好处。城市充满了工作机会、社会连接和约会可能；汽车和卡车为我们运来需要的东西，扩大了我们的出行自由。

动物其实也在做类似的权衡。有些物种似乎在某些方面受益于噪音的存在，所以它们反而会向噪音源靠拢。

加州理工州立大学的生物学家克林顿·弗朗西斯（Clinton Francis）和他的团队研究了新墨西哥州农村嘈杂天然气井附近的鸟类种群。大多数物种都避开了井泵的喧嚣。但弗朗西斯惊讶地发现，一些蜂鸟和雀类反而更喜欢这些地方，而且在一个重要指标上它们还更兴旺：在嘈杂区域筑巢的数量比在安静区域更多。此外，有几个物种在更吵的地方成功抚育幼鸟的比例也更高。

怎么回事呢？很可能是噪音让捕食者更难听到这些鸟、找到它们的巢。“本质上就是一面‘捕食者屏障’。”弗朗西斯说，他的研究发现捕食者可以导致多达 76% 的鸟蛋孵化失败，所以这是一个可观的生存优势。

城市也能为某些物种提供同样的保护。以弗拉科（Flaco）的故事为例。这只欧亚雕鸮 2023 年 2 月从中央公园动物园逃了出来，发现自己身处一个绝佳的狩猎场。不停歇的交通噪音理应给它带来麻烦。“像这样的猫头鹰是最容易受噪音污染影响的物种之一。它们要捕捉猎物发出的极其微弱的信号，”弗朗西斯指出。但纽约有它的补偿：猎物到处都是。这些猎物还很天真、毫无防备，从来没想过会有一只翼展六英尺的猫头鹰俯冲下来把自己吃掉。

当然，这些好处不能抵消坏处。人类的噪音或许帮某些鸟挡住了捕食者，但在其他方面让它们过得不太舒服——应激激素偏高，体重偏低；更糟糕的是，那些能在城市里或高速公路旁存活的物种往往全国各地都是同一批。它们只占物种总数的少数；大多数物种被推到更远的地方，随着文明不断向外扩张，它们的生存空间越来越小。

“总体来说，对物种多样性而言，噪音还是一场噩梦。”路德说。

如何让世界安静下来

2000 年代初，荷兰的阿尔韦纳（Alverna）村开始变吵了。一条城际主干道直穿村子，过去十年间交通量增长了三分之二。面对居民对噪音的投诉，镇上提议在道路两侧竖起约 4 米高的隔音墙。居民讨厌这个主意。谁愿意从窗户望出去看到一堵大墙？

镇规划师转而用巧妙的方式重新设计了这条路。他们把路面降低了半米，略微遮挡住轮胎噪音；他们在路两侧修建了约一米高的楔形坡面，表面铺上好看的仿古石材，又挡掉了更多声音；他们种了能吸收噪音的树；最后，还把限速从约 80 公里降到 50 公里。汽车低速行驶时，发动机是主要噪音源——但一旦时速超过 70 公里，轮胎碾过路面的声音就会接管并且响得多。每一项改动单独来看效果不大，但叠加起来让这条路安静了整整 10 分贝。

这个故事点出了噪音的一个奇特优势：跟其他形式的污染相比，噪音可以很快消除。有毒污染物或二氧化碳能在环境中存留数万年；你胰腺里的微塑料大概永远都出不来了；但噪音不同，你把源头一减小，效果立竿见影。

而且大多数有效的办法“算不上什么高科技，”希林说。高速公路旁立一堵高墙就能降噪 10 分贝；双层墙中间填碎石效果更好。这就能把交通噪音压到 55 分贝以下，对那些特别胆小的野生动物帮助很大。不过隔音墙会阻碍动物通行，所以在动物密集的区域更好的做法是筑土堤——高速公路两侧的小山丘。可以优先在生态价值高的区域投入，以控制成本。

“如果有一大片湿地栖息地，方圆 50 英里内独此一处？那我们就应该在它周围建隔音墙，”他说。我们还应该修建天桥和地下通道帮助动物通行。至于乡间天然气井的噪音，各州可以要求企业在井口周围建隔音墙。

城市也可以学着安静下来，阿尔韦纳就是例证。最大手笔的做法是把曾经穿越市中心的嘈杂高速公路埋入地下。波士顿在“大挖掘”（Big Dig）工程中把一座大型高架公路移到了地下；在阿姆斯特丹的一个郊区阿姆斯特尔芬，A9 高速公路正在被封入隧道，地面将变成一座绿意盎然的公园，配上新建筑。“太棒了，不仅解决了噪音问题，还收回了大量空间。”他说。

当然，这种级别的改造花费惊人，这也是为什么政客一听到要减少道路噪音就脸色发白。“大挖掘”花了 150 亿美元，算上利息高达 240 亿美元。当我跟希林提到成本问题时，他叹了口气。“它没有一架 B-1 轰炸机贵，也没有给富人减税贵，”他说，“环境方面的事情之所以被认为贵，只是因为我们的期望值太低，不是因为我们真的付不起。”

也有更便宜、政治上更容易推行的办法：降低城市限速就是其中之一。巴黎最近把环城快速路的限速从 70 公里降到 50 公里，夜间噪音平均降低了 2.7 分贝，这是一个能感知到的变化。在道路和城市周边种更多树木和植被能再降几个分贝，居民也很欢迎。

电气化的普及也会降低音量。“各类电动车都有潜力带来很大的改变。”帕特里切利说。绿灯亮了，旁边一辆电动车加速驶离，它比同级别的燃油车安静多达 13 分贝。这种好处在高速公路上不太明显，因为电动车高速行驶时仍有轮胎噪音。但在城市走走停停的慢速通勤中，对动物和人类的耳朵来说，电动车舒服得多。

事实上，把目前所有使用燃油发动机的东西全部电气化，都会让城市生活更安静。阿拉米达（加州）和亚历山德里亚（弗吉尼亚）等城市正在越来越多地禁止使用燃油吹叶机和割草机——这些东西运转时噪音惊人，而电动版的声音轻柔得多。

我们建造了一个轰鸣的文明，但下一个阶段是使其变得更安静、柔和。

原文链接：

https://www.technologyreview.com/2026/04/16/1135179/anthropogenic-noise-hurting-animals/

2019 年 2 月，大约 30 位合成生物学家和伦理学家聚集在北弗吉尼亚一处会议中心，集思广益，思考那些高风险、前沿、诱人到难以拒绝的研究方向，以及确定美国国家科学基金会（NSF）应该资助哪些这类项目。

会议结束时，他们锁定了一个极具吸引力的候选方向：制造“镜像”细菌。如果这些实验室合成的微生物真能造出来，它们的结构和组织方式会和普通细菌一样，只有一个重要区别：像蛋白质、糖类和脂质这类关键生物分子，会是自然界中对应分子的镜像形态。DNA、RNA 和许多其他构成生命细胞的组件都是“手性”的——它们的结构天生带有固定的旋转方向，就像左手和右手互为镜像却无法重合，它们的镜像会朝相反的方向扭转。

研究人员对这个前景激动不已。“所有人都觉得这酷毙了，”加州拉荷亚 J. Craig Venter 研究所的合成生物学家约翰·格拉斯（John Glass）说。他参加了 2019 年的那次研讨会，本人是合成细胞开发领域的先驱。这是“一个难度惊人的项目，可能会让我们了解如何设计和构建细胞的全新知识，或者关于地球生命起源的新线索”。这群人还看到了巨大的医疗潜力。镜像微生物或许可以被工程化改造成生物工厂，生产出可作为新型药物基础的镜像分子。理论上，这类疗法可以发挥与天然对应物相同的功能，又不会引发不必要的免疫反应。

会议结束后，这些生物学家建议 NSF 资助几个研究团队来开发工具、开展初步实验，开启一条通往“镜中世界”的道路。这种兴奋在全球蔓延，中国国家自然科学基金委也资助了镜像生物学的重大项目，德国联邦研究、技术与空间部（Bundesministerium für Forschung, Technologie und Raumfahrt）也是如此。

五年后，到 2024 年，许多参加过那次 NSF 会议的研究人员已经反悔了。他们相信，在可预测的未来，最糟糕的情况是，镜像生物可能引发一场灾难性事件，威胁到地球上每一种生命形式——它们将在没有天敌的情况下疯狂增殖，躲过人类、植物和动物的免疫防御。

过去两年里，他们一直在拉响警报。2024 年 12 月，他们在《科学》（Science）上发表了一篇文章，并附上一份长达 299 页的技术报告，讨论了可行性和风险。他们撰写评论文章，召开专家小组，还共同创办了“镜像生物学对话基金”（Mirror Biology Dialogues Fund，MBDF）——一家由多方资助的非营利组织，专门支持理解和应对相关风险的工作。这一议题获得了大量媒体关注，也在化学家、合成生物学家之间引发了讨论，甚至蔓延到生物伦理学家和政策制定者之中。

然而很少有人关注的是，这件事是怎么走到今天这一步的，以及关于这种潜在威胁目前还有哪些不确定性。创造一个镜像生命体将极其复杂且昂贵。虽然科学界正在严肃对待这个警报，一些科学家仍怀疑短期内是否可能造出镜像生物。“假想中的镜像生物创造，远远超出当下科学的能力范围，”西湖大学的分子生物学家朱听说。他的实验室专注于合成镜像肽和其他分子。朱听和其他人都呼吁同行不要让推测和焦虑主导决策，并认为现在就号召全面暂停早期研究为时过早——他们认为这些研究可能带来医学上的益处。

但那些举起警旗的研究人员描述了一条、甚至多条通向镜像生命诞生的路径，他们认为，我们迫切需要护栏，来判断哪些镜像生物学研究仍然可以安全进行。这意味着他们正在面对一个别人在过去几十年里多次遇到、结果参差不齐的问题，一个在科学方法里找不到现成答案的问题：当科学家在自己的研究中看到世界末日的影子时，他们应该怎么做？

镜中生命

法国化学家、微生物学家路易·巴斯德（Louis Pasteur）是第一个意识到生物分子自带“手性”的人。19 世纪末，他将所有生命物种描述为“宇宙不对称性的函数”。他思索着：如果能把这些手性组件换成它们的镜像，会发生什么？

科学家如今已认识到，手性是生命本身的核心，尽管没人知道为什么。在人类身上，构成蛋白质的 20 种所谓“标准”氨基酸中有 19 种是手性的，而且手性方向一致（例外是甘氨酸，它是对称的）；蛋白质的功能与其形状紧密相关，它们大多通过手性结构与其他分子相互作用；细胞表面几乎所有受体都是手性的，感染发生时，免疫系统的哨兵利用手性来检测和结合抗原（引发免疫反应的物质），启动抗体制造流程。

到 20 世纪末，研究人员开始探索“反转手性”这个念头。1992 年，一个团队报告合成了第一个镜像蛋白质。这件事随即引发了关于风险的第一次警告——普渡大学的化学家指出，如果镜像生命体从实验室逃出，它们将对任何来自“正常”生命的攻击免疫。2010 年《连线》杂志的一篇文章介绍该领域的早期发现时提到，如果这样的微生物发展出光合作用能力，它可能会抹去我们所知的全部生命。

合成生物学界当时并没有认真权衡这些威胁，斯坦福大学的专家大卫·雷尔曼（David Relman）说。他横跨传染病与微生物学研究，也是肠道和口腔微生物组研究的开拓者。在他看来，镜像微生物的概念在当时看起来远远超出蛋白质研究的实际进展。“20 年前，这几乎只是个纯理论的论点，”他说。

但现在，研究格局已经变了。

科学家在细胞制造蛋白质和自我复制所使用的那一整套机制的镜像版本上，正快速取得进展。这些组件包括 DNA（编码蛋白质配方）、DNA 聚合酶（帮助复制遗传物质）和 RNA（把配方送到细胞的蛋白质工厂核糖体）。如果研究人员能制造出能够自我复制的镜像核糖体，他们就有了高效生产镜像蛋白质的方法。这可以作为疗法的生物制造手段。但如果把这些组件嵌入一个能自我复制、能进行代谢的合成细胞里，就有可能孕育出一个镜像微生物。

2019 年那群合成生物学家聚集在北弗吉尼亚时，他们并没有意识到这项技术推进得有多快。即便他们看到了威胁，也可能被“把科学向前推进”这种耀眼的吸引力所遮蔽。格拉斯说，现在已经看得很清楚的是：研究镜像生命涉及多个学科，但这些领域的研究者各干各的，根本不清楚隔壁领域已经走到了哪一步：化学家不知道合成生物学家在从零开始制造具有天然手性的合成细胞上已经取得了多大进展，生物学家也没意识到化学家在不断构建更大的镜像大分子。“我们倾向于各自为阵，”格拉斯说。而且没人想到要认真审视此前针对早期研究提出过的免疫系统担忧。“房间里没有免疫学家，也没有传染病学家，”格拉斯回忆 2019 年的会议时说，“我可能是最接近的一个，因为我研究致病细菌和病毒，”但他的工作并不涉及这些病原体如何在宿主体内引发感染。

这些科学家当时也不知道，在差不多同一时期，另一场关于镜像生命的对话正在发生。大约从 2016 年起，非营利组织 Open Philanthropy 的研究人员开始整理关于灾难性生物风险的研究档案。这个组织于 2025 年更名为 Coefficient Giving，资助多个领域的项目，信奉一种存在争议的慈善哲学——“有效利他主义”，主张把钱投给潜在收益最大、能惠及最多人的项目。

Open Philanthropy 生物安全小组里有人建议调查一下镜像生命带来的风险。2019 年，该组织开始资助凯文·埃斯维尔特（Kevin Esvelt）研究生物安全议题，包括镜像生命。埃斯维尔特在 MIT 媒体实验室领导一个名为 Sculpting Evolution 的研究小组，专注于基因驱动等可自我传播的生物技术的安全开发，他开始翻阅资料，看看镜像生命是否值得担心。

埃斯维尔特 2013 年曾因率先用 CRISPR 开发“基因驱动”技术而引起关注。这项技术可以让引入某个生物体的基因变化在整个种群中扩散开来。研究人员正在探索它的各种用途，比如让蚊子对引起疟疾的寄生虫产生敌意，从而降低它们传播给人类的概率。但几乎在这项技术开发出来之后，埃斯维尔特立刻主张不要用它来营利——至少要等到有合适的安全措施到位、它在抗疟疾中的作用被证实之后。“你真的有权进行一场‘搞砸了就会影响整个世界’的实验吗？”他在 2016 年接受本刊采访时问道。在媒体实验室，埃斯维尔特主导的工作是开发可以在局部部署、但不会全球扩散的安全基因驱动。

埃斯维尔特说，他常常思考自维持、基因工程技术带来的安全风险，相关研究让他怀疑镜像生物的威胁还没被认真探讨过。他对微生物增长速率、捕食者与猎物、微生物之间相互作用以及免疫学了解得越深，就越担心一件事：如果镜像生物能免疫天然生物的固有防御，一旦它们逃出实验室，就可能造成无法阻止的感染。

即便第一个实验版本的这种细菌脆弱到无法在环境或人体中存活，埃斯维尔特说，用现有技术对它进行基因改造，让它变得更强韧，也并非难事。更糟的是，他说，这样的产物可能被武器化。

但他并不是镜像生命涉及的所有科学领域的专家，于是他开始打电话咨询别人。2022 年 2 月的一个夜晚，在华盛顿特区郊外的一家餐厅，他第一次向雷尔曼描述了自己的担忧；埃斯维尔特希望雷尔曼会告诉他“你错了”，说他在多年的数据搜集中漏掉了什么，但雷尔曼反而陷入了困扰。

担忧蔓延

雷尔曼回到加州后，读了更多关于这项技术、风险以及手性在免疫系统和环境中扮演什么角色的资料。他向自己熟悉的生态学家、其他微生物学家、免疫学家们一一求证，试图打消自己的担心。“我希望他们能说：我想过这个问题，我看到你的逻辑有漏洞。我看出这其实没那么糟，”他说，“结果每一次都没有。每个人都觉得这对他们来说是全新的东西。”

担忧开始蔓延。雷尔曼和芝加哥大学化学教授杰克·绍斯塔克（Jack Szostak）以及一群研究人员合作，试图构建一个“镜像生命不会抹去人类”的论证。这个小组里包括明尼苏达大学的合成生物学家凯特·阿达马拉（Kate Adamala），阿达马拉 2019 年曾分享过 NSF 那笔用于探索镜像生命技术的初始资助。

她也被说服，相信风险是真实存在的，并且对自己此前没有看到这一点感到瞠目。“我希望有那么一个阳光明媚的下午，我们一边喝咖啡一边意识到世界要完了，但事情不是这样发生的，”她说，“我不好意思承认，甚至不是我第一个提出风险的。”从 2023 年底到 2024 年初，这项工作开始呈现出严谨科学调查的形态。专家们面前摆着一个假设——一旦镜像细胞被造出来，它们将构成生存威胁——并被要求去挑战它。目标是证伪这个假设。“如果我们是错的，那当然是再好不过，”匹兹堡大学微生物学家、美国微生物学会候任主席沃恩·库珀（Vaughn Cooper）说。

雷尔曼表示，随着化学家和生物学家对彼此的工作了解得更多，并开始理解免疫学家关于生物体如何防御自己的知识，他们开始把点连成线，看到一幅正在浮现的图景——一种无法阻止的合成威胁。

匹兹堡大学免疫学家蒂莫西·汉德（Timothy Hand）没有参加 2019 年的 NSF 会议，2024 年他刚听说镜像生命时并不担心。“哺乳动物的免疫系统有一种惊人的能力，可以针对任何形状制造抗体，”他说，“是不是镜像又有什么关系？”但当他更仔细地研究这一过程后，他看到了在抗体产生之前的上游就可能出现一连串问题。先看检测环节：免疫系统用来识别和处置入侵者的细胞巨噬细胞，表面使用的是手性感应受体，它们用来抓住入侵者的蛋白质也是手性的。这意味着一种可能：生物体可能被镜像生物感染，但无法检测到、也无法防御它。“缺乏固有免疫感知，对宿主来说是极其危险的局面，”汉德说。

到 2024 年初，格拉斯也开始担心。雷尔曼和来自 Open Philanthropy 的结构生物学家詹姆斯·瓦格斯塔夫（James Wagstaff）前往 Venter 研究所拜访他，讨论利用合成细胞技术构建镜像生命的可能性。“起初我以为，这不可能是真的，”格拉斯说。他们逐条梳理论点和反论点。“讨论越往下，我越觉得不舒服，”他说，“这让我意识到，我过去 20 年里所做的大部分工作，可能正在把世界推向一场难以想象的灾难。”

2024 年下半年，这个逐渐壮大的科学家群体完成了那份技术报告，并在《科学》杂志上发表了政策论坛文章。与此同时，他们开始密集地向各国政府和国际组织发出警告。雷尔曼向白宫和国家安全界人士做了简报，研究人员与 NIH 和国家科学基金会分别会面。“联合国、英国政府、新加坡政府、巴西的科研资助机构，我们都做了简报，”格拉斯说，“我们还通过间接渠道和中国政府沟通过。我们尽量不让任何一方措手不及。”

一年半过去，这一推动已经产生了影响：联合国教科文组织建议在全球范围内预防性地暂停创造镜像生命细胞的工作；资助科学研究的多家大型慈善机构，包括艾尔弗雷德·P·斯隆基金会（Alfred P. Sloan Foundation），已宣布不再资助可能导致镜像微生物诞生的研究；《原子科学家公报》在最新一期关于末日时钟的报告中，把镜像生命列入了考量因素；今年 3 月，联合国秘书长科学顾问委员会发布了一份简报强调相关风险，指出近期在构建镜像分子方面的进展可能会降低创造镜像微生物的成本。

“基于现有证据，我认为现在几乎没有人还相信我们应该制造镜像生命。”MBDF 的负责人、科学家詹姆斯·史密斯（James Smith）说。MBDF 由 Coefficient Giving、斯隆基金会和其他组织资助，专注于评估镜像生命的风险。史密斯说，现在的挑战是科学家如何与政策制定者和生物伦理学家合作，判断多少镜像生命研究可以被允许，以及由谁来执行这些规则。

何处设限

不是所有人都相信镜像生物会构成生存威胁。如果不真的做实验，就很难验证关于镜像微生物如何应对免疫系统及其他领域的预测。一些科学家反对“末日情景”的说法，认为反对镜像生命的论点对危险给出了“夸大的评估”；还有人指出，叫做聚糖的一类碳水化合物本来就同时存在左旋和右旋两种形态，免疫系统两种都能识别。他们认为，聚焦免疫系统与镜像分子相互作用的实验，可以帮助厘清镜像生物的风险，减少不确定性。

即使在那些相信最坏情景可能发生的研究人员之中，大家在线该划在哪里也还有分歧。哪些研究可以做，哪些必须禁止？

德州大学奥斯汀分校的生物技术与合成生物学家安迪·埃林顿（Andy Ellington）不认为镜像生物短期内会成真，即便成真，他也不确定它们会构成威胁。“如果说会有什么东西伤害到人类，这件事大概排在我列表的第 382 位，”他说。但与此同时，他也觉得这是一个值得继续研究的复杂议题，希望相关讨论继续下去：“我们在一片有太多未知的领域里行动，对我们来说做风险评估非常困难。”

即便在相信最坏情景可能成真的人之中，对“界限应该设在哪里”也还存在分歧。哪些研究可以被允许，哪些必须被禁止？

明尼苏达大学的阿达马拉等人认为，核糖体是一条自然的分界线。核糖体是把氨基酸链转化为蛋白质的细胞工厂，会是制造自我复制生物体的关键原料。阿达马拉说，一旦镜像核糖体到位，通往镜像生命的路径将相当直接。但西湖大学的朱听等人反驳说，开发镜像核糖体是值得的，因为它们有可能比传统化学方法更高效地生产医学上有用的肽和蛋白质。他看到这种技术与创造一个活的合成生物体之间有清晰的区别、根本性的鸿沟。“区分镜像分子生物学与镜像生命至关重要，”他说。不过他也指出，不仅仅是镜像这个子集，许多含有非天然成分的合成分子和生物体都可能带来健康风险。研究人员应当专注于制定覆盖此类风险的整体准则，而不是只针对镜像分子。

即使确切的风险仍然不明朗，埃斯维尔特比以往任何时候都更坚信这项工作应当暂停，也许是无限期地暂停。他说，没有人真正意义上挑战过“镜像生命可能抹去一切”这个假设。主要的不确定性不在于镜像生命是否危险，他指出，更多地在于识别哪一种细菌——包括它编码哪些基因、吃什么、如何躲过免疫系统的哨兵——会带来最严重的后果。“面对有可能失去一切的风险，我认为不值得用任何一小部分经济利益去换。”他说。

在某种意义上，科学家曾经走过这条路，制定研究规则和边界。比如新冠疫情开始两年后，世界卫生组织发布了管理生物学研究风险的指南。但这段历史其实深得多：骇人听闻的人体实验事件促成了机构审查委员会的设立，为研究提供伦理监督。1970 年代初，针对实验室感染和生物战日益扩散的担忧，美国疾病控制与预防中心（CDC）设立了生物危害安全等级（BSL），用于规范潜在危险的生物学实验。

1975 年，一项叫做“重组 DNA”的新技术刚刚兴起，它让研究人员可以把一种生物体的遗传物质剪下来拼进另一种生物体内。这项技术的潜力巨大，但风险也显而易见：万一被改造得格外危险的病毒或细菌从实验室泄漏，后果不堪设想。为此，一群遗传学家聚集到加州太平洋丛林（Pacific Grove）的阿西洛马（Asilomar）会议中心，商量如何给这类研究立规矩。会上科学家达成共识：在新的安全指南出台之前，暂停相关研究。1976 年 6 月，NIH 根据会议成果发布了正式规则，按风险等级对重组 DNA 实验进行分类，并与新设立的生物安全等级（BSL）体系对应。

阿西洛马会议常被誉为科学自我治理的成功典范。但这种印象反映的是一种怀旧式的回忆。“实际上它非常混乱、非常‘人’，”莱斯大学的科学史学家路易斯·坎波斯（Luis Campos）说。同样杰出的诺贝尔奖得主在“是否限制重组 DNA 研究”的问题上站在两边。讨论被技术性问题主导，而关于“这项技术会影响到谁”的讨论几乎缺席。坎波斯说，会议直到律师提到责任和实验室泄漏问题之后，才开始真正制定指南。

目前还不清楚，这些源自“已被证实风险的现成技术”的自我治理案例，是否对镜像生命领域有用。三种相互竞争的未来画面正在浮现：镜像生命可能不可行；可能可行但不具威胁；可能可行且足以抹去地球上所有生命。

科学家可能正在出于恐惧和猜测自我审查。对一些人来说，叫停研究既必要又紧迫；对另一些人来说，这是不必要的束缚。可以确定的是，“该拿镜像生命怎么办”这个问题既带来了启发，也带来了困惑，迫使科学家不仅审视当下的研究，也审视它可能通向何方。这是一片未经探索的领域。

原文链接：

https://www.technologyreview.com/2026/04/15/1135197/synthetic-mirror-life-microbes-kill-us-all/

论文作者侯一凡告诉 DeepTech，这套方案的意义在于让带力反馈的大规模数据采集变得容易实现。以前的大规模数据采集基本只记录位置信息和视觉信息，力觉因为成本和技术难度很难规模化。UMI-FT 提供了一个低成本、高一致性、可规模化的力觉数据采集方案，为训练具备柔顺操作能力的机器人策略铺平了道路。

这个系统的核心是一个叫做 CoinFT 的微型传感器，直径 20 毫米，厚度只有 3 毫米。其内部结构由几层带椭圆支柱的介电材料组成，受到压力时电容会发生变化。还有一个五层的神经网络把这些电容值换算成为力和力矩，校准后的精度非常高，力的误差在 0.15 到 0.58 牛之间，力矩误差在 17 到 231 毫牛米之间。相比之下，传统工业使用的六轴力觉传感器又大又贵，一个就要几万块钱，而且特别娇气一不小心就会被摔坏。而 CoinFT 成本只有 10 美元，既耐摔又耐撞。

（来源：https://arxiv.org/abs/2601.09988）

而前面提到的 UMI-FT 系统不仅是增加了传感器，还把苹果手机绑在了机器人的手上。手机负责提供 RGB 摄像头、超广角摄像头、深度摄像头和姿态数据，刷新率从 10 到 60 赫兹不等。指尖的力觉传感器以 360 赫兹的速度进行超快采样，所有数据都会被记录下来。训练时，研究团队采集了 200 到 630 组不等的人类演示数据，每组数据都包含了图像、深度、姿态和每个手指的六维力觉信息。然后，他们使用这些数据训练了一个自适应柔顺策略模型（ACP）。这个模型会输出机器人的目标位置、虚拟目标位置、刚度矩阵、抓握力和夹爪宽度。底层有两个控制器在同时工作，腕部柔顺控制器根据两个手指传来的力和力矩，调整机器人手臂的位置和姿态，抓握力控制器则负责调节手指夹紧的力度。

（来源：https://arxiv.org/abs/2601.09988）

在潜在应用场景上：在工厂里，机器人可以插拔精密的电子连接器，或者装配带有卡扣的塑料件；在医疗领域，手术机器人可以感知缝合伤口时手术针刺穿组织的阻力变化，操作更加安全；在家庭服务中，机器人可以帮你拧开瓶盖、打鸡蛋和擦桌子。

（来源：https://arxiv.org/abs/2601.09988）

总的来说，本次成果等于给机器人装上了一层皮肤，让机器人拥有了触觉，让它能够感知自己用了多大力气，以及外界给了它多少的反作用力。目前，研究团队已经把这套系统的硬件设计和软件代码全部开源。任何实验室或者机器人爱好者，都可以用几千块的成本复制一套用来训练自己的机器人。

参考资料：

相关论文https://arxiv.org/abs/2601.09988

仓库https://umi-ft.github.io/

排版：胡莉花