近日，麻省理工科技評論在全球範圍內評選出了35位“35歲以下優秀科技創新者”。在入選榜單中，我們發現有6位華人在列，他們是來自中科院物理研究所的鄭金星、Lightelligence創始人沈亦晨、IBM高級研究員孫嘯、Huue創始人Tammy Hsu，阿貢國家實驗室科學家Jie Xu以及約翰普金斯大學助教Janice Chen。

作者 | 陳彩嫻、琰琰編輯| 青暮

“35歲以下科技創新35人”榜單評選涵蓋發明家（Inventors）、創業家（Entrepreneurs）、遠見者（Visionaries）、人文關懷者（Humanitarians）及先鋒者（Pioneers）五大類，涉及軟件創新、生物醫藥、互聯網、材料科學、硬件傳感、通信技術、新能源等幾乎所有新興技術領域。

2017 年，《麻省理工科技評論》將評選榜單正式落地中國，重點發掘中國最具影響力和潛力的科技創新人才。每年由國內外各專業領域的權威人士，包括科學家、商業領袖、投資人等組成中國區榜單評審委員會，參與評審活動。

在此前四屆的中國區榜單評選活動中，已先後評選出140 位極具創新潛力的科技青年，發掘了百餘項由中國青年科學家引導的世界級突破性研究成果。

此外，我們還發現在本次評選中，除了沈亦晨和孫嘯，與人工智能領域相關的創新者還有11位，他們有斯坦福、康奈爾和卡內基梅隆大學教授，也有Google、IBM 、DeepMind高級科學家。

他們的研究成果對人工智能技術發展和應用產生了重要影響，如MIT研究院Max Shulaker對碳納米管的研究可能會導致下一代計算機的誕生；斯坦福大學教授Anna Goldie 用強化學習設計微芯片大幅提升了運行速度。

下面AI科技評論將華人以及與人工智能領域相關的創新者信息整理如下：1

入選華人

鄭金星，中國科學院等離子體物理研究所，34歲

中國科學院等離子體物理研究所一室主任，教授，博士畢業於中國科學院大學核能科學與工程專業，主要從事超導電物理工程研究工作。

入選理由：

鄭金星設計出了更好的方法來模擬使用強力磁鐵在極端溫度下控制等離子體——這對基於聚變的能源來說是一個重大進步。他的工作正在幫助中國領先設計迄今為止最大的聚變反應堆（即“CFETR計劃”）。CFETR 預計將在2035 年之前完成建設並上線，但可能需要5 到10 年的時間才能達到全功率。

聚變反應堆基於原子結合時釋放的能量，具有創造清潔能源的巨大潛力，並且比現有的基於裂變反應的核能更安全。但是目前還沒有人建造出一個實用的聚變反應堆，原因之一是難以容納必要的超高溫度（達到數億攝氏度）的等離子體。

他的創新相當於發現了新的理論模型，有利於理解多個大型超導磁體如何在聚變反應發生時快速改變其磁場以將等離子體保持在一個地方。2018 年，在他的模型的幫助下，中國合肥的一座聚變反應堆（被稱為實驗性先進超導託卡馬克——綽號“人造太陽”）在5000 萬攝氏度下控制等離子體的時長創下了紀錄，達到了102秒。

中國未來的CFETR 計劃在2030 年代以超過1 吉瓦的功率運行，是目前法國南部與世界各國合作完成的聚變反應堆ITER 功率的兩倍。

個人主頁：http://dsxt.ustc.edu.cn/zj_js.asp?zzid=6815

孫嘯，IBM，34歲

現任IBM研究員，本科畢業於北京大學微電子專業，博士與博士後畢業於耶魯大學，主要研究內容是使用減精度推理與訓練來加快深度神經網絡計算。

入選理由：

人工智能計算的關鍵是尋找出在整個計算過程中只使用少數位的技術。之後，你可能還是要執行上萬億次計算，但每次計算都會變得簡單許多。根據孫嘯和IBM同事在ISSCC 2021上發表的一篇論文，使用兩位數的數字不僅節省時間，而且節省能源，比使用數十億數字進行同樣的計算要高出20倍以上的節能率。

孫嘯是IBM Thomas J. Watson研究中心一個研究小組的成員，該小組一直在尋找方法，使用三數位、甚至兩數位的數字來執行這些計算（現代筆記本電腦或手機使用20位數字進行計算，而大多數專用的機器學習芯片只使用5個數位）。

今年2月，部分基於孫嘯的工作，IBM推出了一款新芯片，使用三位數的計算來訓練神經網絡。IBM希望不僅能用這款芯片在雲計算中心訓練大型神經網絡，還希望訓練本地數據、在手機上使用。

個人主頁：https://researcher.watson.ibm.com/researcher/view.php?person=us-xsun

沈亦晨，Lightelligence，32歲

Lightelligence（初創光子AI 芯片公司）聯合創始人兼CEO。高中就讀於杭州外國語學校，本科畢業於約翰霍普金斯大學物理與數學專業，隨後在約翰霍普金斯大學攻讀數學碩士，2016年畢業於麻省理工學院應用物理學專業，畢業沒多久就基於他的博士論文創立了兩家公司，分別是Lightelligence 與Lux Labs。

入選理由：

2017 年，沈亦晨與Nicholas Harris 發表了一篇如今Google學術引用接近1000的論文（“Deep learning with coherent nanophotonic circuits”），談到將光路應用於機器學習任務，比如語音和圖像識別。他們的設計被評為“代表了使用光的神經網絡最關鍵構建塊之一的真正並行實現，現代代工廠可以輕鬆地批量製造這種類型的光子系統。”這意味著芯片的光子計算機可能會成為一個市場巨大的業務，每個要使用神經網絡進行決策的設備都會用到一個光子計算機。

涉及到神經網絡的基本計算有兩種：一是必須對神經網絡進行訓練，通常是向神經網絡展示大量數據，使它們調整眾多神經元之間的連接強度；二是使用現有連接進行決策。也就是學車與開車的區別。

在這種情況下，差異很關鍵。如果一個神經網絡需要數週時間來學習如何識別圖像，那不一定是問題。但如果它正在駕駛一輛自動駕駛汽車，就需要在秒內做出生死推斷。這時候，光子計算機就派上了用場。

儘管光子計算機的研究已經進行了數十年，但效果卻不佳。操縱光子比操縱電子還難。但是，對於某些類型的計算，比如使用現有神經網絡進行推理，光子又是必不可少的。

沈亦晨與Harris 基於這篇工作共同創辦了Lightelligence。Lightelligence 在2019 年發布了原型光學AI 芯片，目前已獲得超過1 億美元的資金。

個人主頁：https://www.shenyichen.org/

Jie Xu，阿貢國家實驗室，33歲

現任美國阿貢國家實驗室助理科學家，博士畢業於南京大學，博士後畢業於斯坦福大學。

入選理由：

Jie Xu 的主要貢獻是發明了聚合物電路（一種即使被彎曲、拉伸和反复移動也仍能繼續工作的材料）。

此前，這對研究員來說一直是一個重大挑戰，直到2016年，她設計了一種應用於橡膠表面的兩種聚合物塗層，該塗層可以拉伸至兩倍大小並仍然導電。2019 年，她對這項技術進行了改良，使可拉伸半導體可以使用卷對卷製造（一種工業製造工藝）進行大規模生產。這是可拉伸半導體第一次付諸大規模生產。

她的工作使可打印、可拉伸的電子產品成為大規模生產的產品。她的多項突破可應用於未來的可穿戴技術、先進的機器人技術以及將傳感器連接到皮膚的人機界面，使柔性顯示器和皮膚穿戴式醫療傳感器更加實用和易於製造，還可以幫助設計具有功能性皮膚狀外殼的假肢。

由於擔心製造塑料垃圾，目前她正在尋找可回收或可生物降解的聚合物半導體材料。

個人主頁：https://www.anl.gov/profile/jie-xu

Tammy Hsu，Huue，30歲

Huue創始人，本科畢業於斯坦福大學生物工程專業，博士畢業於UC Berkeley。

入選理由：

許多消費者沒有意識到，牛仔布的標誌性顏色靛藍需要合成化學物質，如甲醛和氰化物，這可能對工人有害，有時還會污染當地的水源。鑑於牛仔褲是世界上最普遍的服裝之一，這是一個巨大的環境問題。

Huue 的首席科學官Tammy Hsu 與同事合作研究顏色在自然界中的生成方式，然後對微生物進行編程、通過酶促產生他們想要的顏色。這是一種不依賴有害過程或化學品的可持續解決方案。現在的挑戰是使天然染料與工業所依賴的合成染料一樣便宜。

Huue 有望在明年發布其靛藍染料。Hsu 的下一步工作是研究如何誘導微生物生產一系列不同的染料。

Janice Chen，約翰霍普金斯大學，30歲

現任約翰霍普金斯大學助理教授。博士畢業於UC Berkeley。

入選理由：

故事要從幾年前說起：當時，Janice Chen還在UC Berkeley讀博，被一家實驗室邀請用她發明的新技術在醫院的醫學樣本中尋找人乳頭瘤病毒，然後她匆匆忙忙打了一輛Uber。

沒多久，她的測試使用基因編輯工具CRISPR，幾乎每次都能發現病毒，從而為醫院提供了一種新的細菌測試方法。她和其他幾名學生以及CRISPR 的共同發現者Jennifer Doudna（2020年諾貝爾獎得主）共同創立了一家公司（名字叫Mammoth Biosciences），計劃開發新一代測試儀器。

醫療診斷業務市場並不容易進入，因為少數擁有完善技術的公司佔據了主導地位。但是，他們的技術對傳染病測試非常有用，尤其在新冠之後更凸顯了重大的意義。

個人主頁：https://pbs.jhu.edu/directory/janice-chen/2

人工智能領域

Virginia Smith ，卡內基梅隆大學，31歲

獲獎理由：她的人工智能技術高效準確，且確保公平和隱私

Virginia Smith 提出了一種更加“個性化的聯邦學習技術，它不是將一百萬個本地化模型合併為一個模型，而是將最相似的本地化模型合併成幾個模型。數據越異構，模型數量就越多。該技術使每個模型仍然從多個設備中學習，但也為特定用戶提供了定制功能。

Emma Beede，Google，30歲

獲獎理由：她的工作有助於確保人工智能工具在現實世界的應用

Emma Beede測試了Google健康公司（googlehealth）的一種深度學習算法——用於篩選糖尿病視網膜病變（diabeticretinopathy）的眼部圖像。該技術需要關鍵的改進才能在現實世界中應用。她發現，當診所拍攝的眼部圖像質量光線不佳時，掃描就變得毫無用處，超過20%的視網膜掃描被拒絕。該結果說明需要確保人工智能驅動的人類工具在部署前經過嚴格而細緻的測試。

Sara Berger，IBM Research，33歲

獲獎理由：利用機器學習使疼痛管理更容易。

Sara Berger是IBM TJ沃森研究中心的神經科學家，專注於研究利用機器學習量化長期疼痛，並幫助預測緩解疼痛的方法。可穿戴設備和環境傳感器可以捕捉包括心率、睡眠模式，甚至患者語音的聲學特性在內的指標。Berger利用這些患者疼痛體驗的數據和指標，通過機器學習分析提出了一個更全面、更精準的評估和治療計劃。

Priya Donti ，卡內基梅隆大學，28歲

入選理由：通過計算機科學和公共政策尋找氣候變化解決方案。

Priya Donti 致力於研究機器學習可以如何應對氣候變化。結合了計算機科學、工程和公共政策，重點研究了電網如何更可靠地整合可再生能源。2019年，她發表了一篇題為《用機器學習應對氣候變化》的有影響力論文。

Aäron van den Oord ，DeepMind，33歲

入選理由：他開發的人工智能語音系統聲音聽起來非常人性化。

Aäron van den Oord 是Google人工智能研究子公司DeepMind研究員，主要負責圖像生成、語音合成方向的研究工作。他的語音技術能學會預測二維像素序列，還能通過預測波形生成真實的聲音，它發出的聲音比任何現有系統都要真實。

Emma Pierson，康奈爾大學，30歲

入選理由：她利用人工智能來找出種族、性別和階級之間健康差異的根源。

Emma Pierson是康奈爾大學計算機科學家，她利用人工智能和新興的數據科學模型揭示了性別、種族、社會經濟群體和其他人口類別之間的健康差異。她說：“這些都是我用數學在大數據集中尋找模式的奇特方式，而我正在尋找的特定類型的模式正試圖回答健康和社會科學領域的一些老問題。”。

George Boateng，SuaCode.ai，28歲

入選理由：他建立了一個基於智能手機的在線編程平台，解決非洲年輕人在IT技能上落後的差距。

George Boateng和Victor Kumbol共同創辦了一家SuaCode.ai教育公司，現在有來自二十多個國家的600多名畢業生。他目前是蘇黎世理工學院應用機器學習專業的博士生，設計了一個會說英語和法語的人工智能係統。他希望這門課程的自動化性質能為更多的學生提供早期接觸編碼的機會，成為繼續教育的基石。

Anna Goldie ，Google大腦和斯坦福大學，27歲

入選理由：她用人工智能設計微芯片的速度比人類快得多。

Anna Goldie利用強化學習設計了一種計算機芯片。該芯片可以在不到6小時的時間內，與人們所能開發的解決方案相匹配甚至優於這些解決方案。她希望為改進和加速硬件設計的人工智能進步鋪平道路，在硬件和人工智能之間建立一個共生循環。

Moses Namara，克萊姆森大學，29歲

入選理由：他試圖打破黑人青年從事人工智能職業的障礙。

Moses Namara 2018年創立了Black in AI，Black in AI目前已經指導了400名申請者，其中200人已經被競爭性AI項目錄取。它提供了一系列的資源：來自當前博士生和教授的指導，簡歷評估，以及在哪裡申請的建議。Namara現在看到了導師制度發展到下一個合乎邏輯的步驟：幫助黑人博士和碩士生找到第一份工作。

David Rolnick，麥吉爾大學，30歲

入選理由：他利用人工智能對抗氣候變化。

David Rolnick是賓夕法尼亞大學的博士後研究員，他發表了一份有關機器學習如果減少溫室氣體排放和適應氣候變化的有影響力的報告，該報告和合著者還包括DeepMind聯合創始人Demis Hassabis和圖靈獎得主Yoshua Bengio。Rolnick在三個主要的人工智能會議上擔任氣候變化研討會的牽頭組織者，並在聯合國氣候變化會議上擔任人工智能活動的牽頭組織者。

Max Shulaker，MIT，33歲

入選理由：他對碳納米管的研究可能會導致下一代計算機的誕生。

Max Shulaker用碳納米管製造了世界上第一台功能計算機，還設計了將計算、內存和傳感直接集成在一個芯片上的系統。這些新技術可以將計算機的能源效率提高1000倍，並使像低成本醫療傳感器這樣的新設備成為可能。這些突破是邁向下一代計算機系統的重要一步，其能效遠遠高於迄今為止任何一種計算機系統。