“35岁以下科技创新35人” 中国区新一届入选者名单发布，他们是中国科技创新的坚强力量

《周易》有言：“叁伍以变，错综其数，通其变，遂成天地之文。”“三”“五”，寓意着不同要素之间持续的交汇、碰撞与演化。规律不会在孤立中产生，而是在一次次联系、修正和累积中显现。

科学和技术的发展亦是如此。各个领域研究者和工程师沿着不同方向探索，互相验证、不断汇聚，新的认知一点点浮现。而发掘创新者，同样需要耐心：要在路径尚未清晰、成果还没定型的时候，从草蛇灰线中，识别出激流的方向、分辨出浪花的形状、看见那些可能改变未来的人。

TR35 所做的，正是在共识没有形成之前，探测到这些最初的信号。

1999 年，《麻省理工科技评论》发起“35 岁以下科技创新 35 人”（MIT Technology Review Innovators Under 35，简称 TR35），希望在成果进入聚光灯之前，发现那些最具潜力的青年科技创新者。回望早期的入选者，我们可以看到 Linux 和分布式版本控制工具 Git 的创造者、核心人物 Linus Torvalds、合成生物学的重要奠基者 James Collins、柔性电子与生物集成电子领域的开拓者 John Rogers，以及深刻影响苹果产品设计的 Jonathan Ive 等人。多年以后，这些名字已成为各自领域的重要坐标。

在华人入选者中，同样走出了一批后来影响全球科技发展的科学家和企业家。早年上榜的苏姿丰后来带领 AMD 实现全面复兴，成为全球半导体产业最具影响力的 CEO 之一；鲍哲南长期引领柔性电子和电子皮肤研究，推动电子器件不断向可穿戴、生物医疗等领域延伸；庄小威与团队发明超分辨荧光显微成像技术 STORM，并进一步发展出 MERFISH 等基因组尺度成像技术，推动空间组学等前沿方向的发展。此外，计算材料学代表人物李巨、合成生物学与生物工程领域的科学家和创业者卢冠达、CRISPR 基因编辑的重要开拓者张锋，以及高效人工智能与模型压缩领域的代表人物韩松等知名学者都曾位列其中。

2017 年，TR35 来到中国。自此以来，我们见证一批批中国青年科技工作者从被“看见”开始，走向更广阔的舞台。

在这其中，姚颂几度跨越产业边界，从 AI 芯片到商业航天，再到具身智能，始终追问智能如何真正进入物理世界；姚顺雨沿着语言模型推理与智能体的前沿不断深入，以 ReAct、Tree of Thoughts 等代表性工作，推动大模型从生成语言走向思考与行动；马健则将量子物理、人工智能与自动化实验结合起来，联合创办晶泰科技，让药物与材料研发逐渐摆脱经验和试错的传统路径依赖。

陆朝阳二十余年扎根光量子信息，从多光子纠缠实验走向“九章”光量子计算原型机，一次次刷新人类操控光子与探索计算边界的纪录；沈亦晨从一篇光子计算论文出发，创办曦智科技，让曾经停留在实验室中的构想进入芯片与产业；楼天城长期深耕自动驾驶，推动算法驶出测试环境，进入真实道路与商业场景；印奇从计算机视觉创业起步，又转向大模型浪潮，先后创立旷视科技与阶跃星辰，持续探索人工智能走向规模化应用的可能。

与此同时，陈丹琦从开放域问答和神经检索出发，持续破解大模型如何寻找、理解和利用外部知识的问题，为检索增强语言模型的发展奠定重要基础；狄大卫长期深耕半导体光电子与新型发光器件；丛乐则跨越基因组工程与生成式人工智能，将基础模型、智能体和自动化实验平台带入生命科学，推动科学发现从依靠人工探索走向人机协同。

有人选择探索未知，有人致力于将技术变成产品，也有人在漫长且枯燥的基础研究中持续推进人类科学认知的边界。类似的故事还有很多，而每一位入选者，都有着同样令人瞩目的实力与成就。从“为什么”到“是什么”，他们的发问不一而同；从原始创新到现实价值，他们的答案殊途同归。

新一届 TR35 的入选者今日揭晓，我们看到 AI 依然是最鲜明的一条主线，是当下所有学科创新的主要经络，它所抵达的边界还在深入所有领域的肌理。一方面，AI 正成为科学研究的主要工具，它进入了材料科学、芯片设计、量子研究和生命科学等领域，正在加速科研发现、重构研究方法；另一方面，AI 开始走出数字世界，理解空间、感知环境、规划任务，推动具身智能与机器人不断迈向真实世界。

变化同时发生在创新的土壤之中。我们看到，高校依然是基础研究的重要源头，但新型科研机构、企业实验室和创业团队则在不断成长，科研、工程与产业之间的联系更加紧密；人才的流动路径更加清晰，国内机构从可选项到必选项。今年的名单中，我们还看到了更多女性青年科技工作者的身影。更加多元的经历与视角，正在共同塑造科技的未来。

和往届一样，本届入选者被分为五个类别：在科学边界不断探索的“先锋者”、以独特视角重新定义问题的“远见者”、将想法变成技术的“发明家”、推动技术走向产业的“创业家”、以及用科技回应社会需求的“人文关怀者”。

“35 岁以下科技创新 35 人” 2025 年中国区入选者群像

来自不同区域、不同人生路径的 35 个人，共同汇聚了中国创新不断向前的坚强力量。此刻，我们看到的不只是 35 位青年创新者，更是一个正在加速成长的创新生态：越来越多原创思想从这里诞生，越来越多关键技术、影响世界的故事从这里开始。或许若干年后再回望，未来的中国科技版图上的一些重要支点，正是从他们今天迈出的这一步开始。

“叁伍以变，九载新篇。”九年，是一次回望，也是重新出发。《麻省理工科技评论》中国团队负责发现、记录与连接；未来的故事，将由以 TR35 为代表的新生代力量继续写下。

2025 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”中国区入选者详细名单如下 (*以下排名不分先后）：

她持续推动国产大语言模型从“能聊天”走向“能干活”，探索基础模型向智能体演进的新路径。

过去几年，大语言模型不断刷新对话能力，但在罗福莉看来，真正的竞争才刚刚开始。她认为，AI 正从以预训练为主的 Chat 阶段进入以后训练和真实任务驱动的 Agent 阶段，模型之间的差距将越来越体现在系统能力、工程效率和实际应用效果上，而不仅仅是参数规模。

沿着这一判断，她长期参与国产开源基础模型和代码模型研发，先后在阿里、DeepSeek 和小米从事大语言模型研究，持续推动模型训练、混合专家（MoE）架构、代码智能等关键技术的发展。加入小米后，她负责 MiMo 大模型研发，进一步将研究重点拓展到 Agent、长上下文推理和系统工程，希望让模型真正具备完成复杂任务的能力，而不仅仅是生成答案。

与此同时，她推动 MiMo 系列以 MIT 协议开源，并持续探索异构算力适配、开发者生态等工程体系建设，希望降低国产大模型的应用门槛，让开源模型不仅具有研究价值，也能够成为开发者和产业界真正可用的基础能力。

她推动了微纳光子学与电子硬件的异构集成和实验落地，致力于从物理底层突破传统芯片的能耗瓶颈。

一栋建筑想要节能，窗户既要好看，又要隔热；一个大模型想在手机上运行，既要足够智能，又不能被功耗和散热拖垮。范铃羚的研究，正是在这些看似难以兼顾的约束之间寻找新的计算与能源路径。

她最早从光子材料切入，开发具有红外反射功能的彩色光子建筑薄膜，在保留建筑外观色彩的同时改善热管理，可降低约 10% 的建筑能耗和 3% 的碳足迹，并被用于绿色建筑项目。随后，她把光子学推进到 AI 计算领域，提出基于射频调制光频梳的光子卷积处理器，用光在频域中的并行能力完成高维卷积计算，仿真能效比英伟达 A100 GPU 高出 6 倍以上，也被硅谷科技公司用于探索下一代高效计算硬件。

进入大模型产业一线后，她把“低能耗、高效率”的思路继续延伸到 AI 基础设施。在 Meta GenAI，她参与大模型推理系统优化，推动持久化 KV Cache 等技术落地，显著降低推理延迟和 GPU 资源消耗。如今在 Google DeepMind 与 TPU 团队，她专注于端侧大模型和视频生成模型，希望让复杂模型能够适配移动设备的功耗和散热限制。

从节能窗膜、光子卷积处理器，到大模型推理优化和端侧 GenAI 架构，她的工作正在把更低能耗的智能计算从材料和器件推进到真实产品系统。未来，她将重点关注三个方向：智能窗户、大语言模型端侧光子硬件，以及 AI 驱动的科学研究。

他建立了非厄米拓扑能带理论并提出非厄米趋肤效应，此后从量子引力转向 AI，将理论物理的数学直觉带入大模型强化学习的核心研发。

姚顺宇的科研生涯从物理出发，最终走向了 AI，但贯穿始终的是同一种能力：为复杂系统找到正确的数学框架。

本科在清华物理系期间，他与导师合作，率先建立了非厄米体系的拓扑能带理论。传统固体物理能带理论建立在封闭系统的假设上，但真实量子系统不可避免地与环境耦合、存在增益和耗散。姚顺宇发现，非厄米性会导致所有本征态反常地聚集到边界，他称之为“非厄米趋肤效应”，并提出“广义布里渊区”来替代失效的传统能带理论。这一发现在光子、声学和电路等多个实验平台上被验证，开启了非厄米拓扑这一全新研究方向。博士阶段，他在斯坦福转向量子引力，发展了 Scramblon 理论，用统一框架描述量子混沌中信息扰乱的传播机制，为理解量子黑洞提供了新的计算工具。

2024 年，他转向 AI，加入 Anthropic 从事大模型强化学习研究：他为 Claude 3.7 开发了智能体编程与工具使用的核心强化学习能力，又为 Claude 4 系列解决了大规模训练中超参数与数值稳定性的基础问题。现在，他在 Google DeepMind 带领 Gemini-ascent 项目，训练 Gemini 成为好的 AI 研究员。三个看似遥远的领域，他用同一把钥匙打开了每一扇门。

他将效率原则向 AI 系统的更底层推进，主导构建跨越数据、训练与推理的全生命周期协同优化策略，让 AI 能在有限预算内得到更高效的部署。

AI 的下一个瓶颈不只是模型能力，还包括它能否在有限的算力、延迟、能耗和成本内被训练、改进与部署，王瀚锐决定弥合这道效率鸿沟。

此前，大语言模型的效率优化通常被视为模型设计完成后的下游部署优化问题。但他认为，在模型早期设计阶段就要考虑到，面向手机处理器的模型和面向数据中心 GPU 的模型，结构不该相同。基于此，他在 MIT 读博士期间，提出将硬件反馈直接嵌入大语言模型的架构设计。

只优化模型推理还不够，一个实用的AI 系统必须在部署中持续学习、生成可信的训练数据、通过后训练迭代改进，最终以更低成本部署为服务。此前，这些环节通常分散在不同工具与团队之间，整体优化的效率太低。

2025 年，王瀚锐与团队联合创立 Eigen AI，构建了一套三层端到端系统。第一层通过多智能体协同合成完整的任务环境、工具调用轨迹与验证逻辑，智能体的线上探索可被自动转化为可复用的训练素材；第二层提供统一的监督微调与强化学习框架，让较小规模的开源模型获得强推理与智能体能力；第三层则将硬件感知原则从架构设计扩展到整个推理栈。这套系统的使用，让生产环境中的每一次交互都可以反过来改进模型。2026 年 5 月，Eigen AI 被欧洲 AI 云计算巨头 Nebius 收购。

他的愿景是让前沿 AI 在每一块 GPU、每一分钱、每一瓦特下产出更多有用的智能，让效率成为智能生来自带的属性。

她致力于突破 AI 时代的算力瓶颈，推动光计算从高速视觉迈向生成式 AI，为下一代智能计算芯片开辟了新的技术路径。

AI 的发展，本质上也是一场算力竞赛。但传统电子芯片不断逼近速度和能耗极限，如何找到新的计算方式，成为全球芯片领域的重要课题。陈一彤选择了一条不同的路线——用光代替电子完成计算，希望让 AI 既算得更快，也更加节能。她希望让光计算真正从实验室走向实际应用。

她提出全模拟光电计算芯片 ACCEL，将光计算与模拟电子计算集成在同一芯片上，突破了光计算长期面临的关键瓶颈，让光计算第一次在系统层面展现出超越传统电子芯片的速度和能效优势，也证明了光计算能够真正应用于高速视觉、自动驾驶等真实场景，而不仅仅停留在概念验证。

在此基础上，她进一步提出全光生成式 AI 芯片 LightGen，将光计算拓展到图像生成、三维生成和视频生成等生成式 AI 任务，证明了全光芯片具备运行前沿生成模型的潜力，为未来数据中心、边缘计算等新一代 AI 算力基础设施探索了新的技术方向。

他建立了 AI 与量子物理双向驱动的研究范式，既发展神经网络解决量子科学难题，又将量子理论引入大模型训练，为 AI 模型设计提供了来自物理学的理论工具。

大多数研究把 AI 当作解决物理问题的工具，而罗迪将这条路拓宽成了双行道：不仅用 AI 解决量子物理的计算难题，还反过来从量子理论中提取数学结构来发展 AI 本身。

博士期间，他开展了一系列“AI for Quantum”的研究，提出满足费米子反对称性的神经网络 Backflow 变换，构建了强关联电子体系波函数的通用表达框架，DeepMind 后来在此基础上发展出 FermiNet。在 MIT 与哈佛担任首届 NSF IAIFI Fellow 期间，他将对称性与运动方程规律系统地嵌入AI模型：发展了面向量子场论、开放量子体系和量子机器学习等领域的高效神经网络求解器。

近年来，他更将研究推向“Quantum for AI”的新方向：提出基于量子张量结构的大模型微调方法 QuanTA，用量子力学中 Hilbert 空间的几何性质实现高效参数训练；又与合作者借鉴量子信息论的思想，建立长上下文语言模型的互信息缩放律 L²M，为理解和设计下一代 AI 架构提供了来自物理学的理论框架。

在大模型越来越依赖算力堆叠和工程经验的当下，他从物理学第一性原理出发构建 AI 理论的思路，为这个领域打开了一扇不同的窗口。继担任 UCLA 助理教授后，他于 2025 年加入清华大学物理系和高等研究院任副教授，推动“量子+AI”的交叉创新，致力于实现量子科学发现与物理第一性 AI 新架构的前沿突破。

她将语言理解引入视觉分割，并将大语言模型发展为自动驾驶和具身智能的决策核心，推动多模态 AI 从感知走向行动。

让机器“看懂”世界，不仅需要识别像素，更需要理解语义。李柏依的研究始终围绕一个问题：如何让视觉感知与语言理解深度融合，并最终驱动机器在真实世界中行动。

早在博士前的研究阶段，她就用端到端神经网络取代了图像去雾中依赖手工先验的传统方法，成为该领域的基准方法之一。博士期间，她提出的 LSeg 将语言嵌入与像素级视觉分割打通，让模型得以凭自然语言描述识别任意类别的物体，不再受限于预定义标签集，这项工作开创了开放词汇视觉识别的范式。

加入英伟达和伯克利后，她将多模态学习推向自动驾驶和具身智能。在自动驾驶方向，她提出将世界“标记化”为对象级知识的多模态大语言模型，使车辆能够通过语言推理应对训练数据未覆盖的陌生路况；在机器人方向，她开发了基于大语言模型的交互式任务规划框架，让机器人通过对话理解并执行日常操作。她的长期目标是构建能够安全融入家庭的多模态自主系统，为照护服务提供智能辅助。

他打通了电子与光子芯片设计语言之间的隔阂，构建出电子-光子可微分协同仿真器，为 AI 硬件提供了一套囊括仿真、设计和计算的工具箱。

如今，AI 的算力需求激增，传统电子硬件的带宽和算力有限，而高正祺希望为后摩尔时代重构计算硬件的底层规则。

他的思路是“光电合一”：电子器件专注高吞吐通用计算，光子器件承担高带宽、低延迟通信，再将二者深度集成。不过，电子与光子长期被视作两套互不相通的设计语言，缺乏能兼容的仿真、优化与协同设计工具。

于是，高正祺与团队构建出电子-光子可微分协同仿真器。它保留了光子学和电子学各自的原生形式，又在同一环境中支撑跨域联合优化。

在计算层面，为了提高效率，他与团队利用基尔霍夫电流定律，将扩散模型、状态空间模型等生成式 AI 直接映射到模拟电路上。这一设计可以使得扩散模型以极快的速度和极低的功耗完成推理，为生成式 AI 提供了一种超越传统数字处理器的加速路径。

在此之外，他还持续将 AI 反向应用于芯片设计流程。从光子到电子、从仿真到自动化，他每一次搭建解决方案，都推动“AI 造硬件”向前更进一步。

博士毕业后，他加入密歇根大学，开发用于集成电路设计的智能体，并提升前沿模型在芯片设计任务上的能力。未来，他计划进一步推进软硬件全生命周期的协同设计，让 AI 与硬件设计形成相互促进的闭环。

她提出了感存算一体的仿生视觉新范式，实现媲美乃至部分超越人眼的智能视觉系统，为下一代低功耗智能视觉芯片提供了新路径。

当前的机器视觉存在一个根本性挑战：“看”和“理解”世界太费电了，尤其是在需要实时决策的边缘端设备上，如人形机器人、无人机和自动驾驶汽车等，这种“看一遍、算一遍、存一遍”的模式很快就会把电池耗尽。

周菲迟的思路是：让芯片在“看”的同时就能“算”和“存”。她发明了一种特殊的感存算一体化器件。当光信号进入后，信息直接在器件内部完成处理和存储，无需来回搬运。

沿着这条路，她又往前迈了两步。第一步，她突破性构建了全硬件可重构的感存算一体视觉系统，让同一个器件阵列既可以做感知运算、又可以做存储运算，并打通了从器件到系统的全链路。第二步，进一步突破了自适应能力的瓶颈，成功研制出一种能像人眼和大脑一样工作的“超自适应智能视觉芯片”，能根据外部环境动态灵活调整感知计算模式，性能比当前最先进方案高出 2-3 个数量级。

此外，这套技术并没有停留在实验室。周菲迟已与国内视觉技术公司合作，完成了该新型感存算一体智能视觉芯片的原型验证，并正推进应用落地。从改变“看”的方式，到做出媲美人眼的设备，再到走出实验室，她的研究正在重塑下一代智能视觉系统的底层逻辑。

她开发了多筒挤压宽幅成形技术，让过去需要“分段拼焊”的超宽薄壁轻合金构件实现一体化制造，并推动建成了一条 6,500 吨级产业化生产线。

一块超薄 5G 基站散热面板，过去根本无法用挤压工艺整体制造；一个电动汽车电池托盘，传统上需要 5 个窄型材焊接拼合，吕佳欣用一项原创发明改变了这一切。

她提出多筒协同变形与原位固相原子结合的新机制，发明了多筒挤压（MCE）宽幅成形技术，将型材宽度提升至传统方法的 3 倍以上，挤压力降低 70%–90%。围绕这一突破，她建立了多尺度材料模型，揭示了变形、结合与组织演化的耦合规律，并结合 AI 辅助优化将产品开发周期大大缩短。她以主要发明人和专利权人身份完成 4 项核心专利的英美欧中布局。

2024 年，核心技术已许可产业方广东轻量金属科技有限公司，推动建成了一条 6,500 吨工业级宽幅挤压生产线。以乘用车为例，相关结构件减重潜力达 50%，可带来约 30% 的碳减排。

如今，多款超宽超薄构件实现商业化量产与持续交付，从帝国理工实验室到大湾区产线，这项原创技术正在改写大型轻量化构件的制造规则。

他开发了 GPT-4 Turbo 128k 长上下文核心算法，主导多代 Grok 全系列模型预训练，为大语言模型的长上下文能力与规模化稳定训练奠定了关键基础。

庄钧堂长期专注于大语言模型的预训练方法与长上下文能力构建，致力于解决两个核心难题：如何突破大语言模型的长上下文能力，以及如何实现稳定可靠的超大规模训练。这两项能力共同构成下一代前沿 AI 持续演进的技术基础。

大语言模型长期只能处理有限长度的输入，难以一次理解整本书或大型技术文档。在 OpenAI，他开发了 GPT-4 Turbo 128K 上下文窗口背后的核心算法，使 OpenAI 的模型能够在一次交互中处理约一本书长度的内容，将长上下文从研究探索转化为理解长文档、代码库和复杂对话的实际能力。他还深度参与了 GPT-4o，是 DALL·E 3 的主要研究贡献者，并主导了 text-embedding-3 系列模型的研发。

随着前沿模型持续扩大规模，挑战也从突破长上下文逐渐转向如何实现超大规模训练的稳定与可预测。当模型预训练扩展到十万卡 GPU 规模时，微小的数值偏差即可能浪费数周算力，或让模型偏离原本预测的 scaling 轨迹。在 xAI，他主导了连续六代 Grok 模型的端到端预训练，涵盖文本、代码、语音及多模态方向，其工作覆盖完整训练链路，包括协调基础设施与模型设计、制定 scaling 方案、设计数据配比、建立评测体系、诊断训练异常并及时干预。他同时负责了一代 Grok 代码模型的强化学习。在这些模型训练中，他始终使预训练沿着预期的 scaling 轨迹推进，避免因训练失稳导致的高成本返工，并使前沿规模的模型得以稳定完成训练并交付至生产环境。

未来，他致力于构建能够被可预测地训练、并拥有足够长记忆去理解书籍、代码库、科学文献和真实工作流的下一代前沿模型，推动 AI 迈向可靠、可持续演进的智能基础设施。

他将高温超导物理与 AI 算法融合，解决了超导磁体的结构与计算瓶颈，通过闭环 AI 平台将全固态锂电池寿命延长了 2.6 倍。

王明阳打破了传统超导磁体设计中只能计算、难以动态控制的死角。早期的超导多物理场仿真大都卡在单纯依赖物理公式堆砌、计算动辄耗时数十小时的层面上，而他把研究聚焦于算法底层与物理规律的深度融合，利用自适应扩展建模理论，直接把原本冗长的仿真时间压缩到了分钟级。这种系统性的提效，让超导磁体在极端环境下的性能预测从离线算账，变成了可以实时响应的数据底座。

之后他对磁体结构和控制过程进行了系统的重构，传统超导线圈在强磁场、大电流的极端工况下，很容易因为高损耗和屏蔽电流畸变导致整体性能偏差，甚至发生不可逆的烧毁。顺着这个思路，他从微观结构调控入手，通过多丝化线圈技术，实现了超导磁体运行能耗的大幅降低。同时，他把原本只用来做状态诊断的 AI 算法，拓宽成了一个“实时控制-动态调节”的智能闭环，在设备运行过程中捕获那些隐藏在电磁信号背后的关键细节，实现了对磁体状态的主动干预和保护。这种底层逻辑的突破，直接把超导技术从实验室理论模型，推向了具备工业级规模化应用能力的工程实用底座。

以此为基础，他将同一套 AI 闭环控制逻辑迁移至固态电池管理系统，实现了循环寿命的倍数级提升。

她致力于推动医学 AI 从疾病诊断走向手术治疗，加速智能手术机器人走向临床应用。

AI 最早在医疗领域发挥作用，可帮助医生分析医学影像；而窦琪希望，它能够进一步走进手术室，参与更复杂的治疗过程。她的研究始终沿着这条路径推进，希望让 AI 不仅能够辅助诊断，还能成为医生在手术中的智能助手。

博士和博士后期间，她较早将深度学习应用于三维医学影像分析，并进一步关注 AI 在真实医疗环境中的可靠性和安全性。她提出的 FedBN 联邦学习方法被国际开源社区采纳，为医疗 AI 跨医院部署、数据隐私保护等问题提供了新的解决方案，也为 AI 在临床中的大规模应用奠定了基础。

近年来，她将研究重点放在具身智能手术机器人，希望让机器人不仅能够执行医生的指令，还能在医生监督下自主完成部分手术操作。她带领团队研发出具身智能手术机器人平台，在活体动物上完成多任务自主手术验证，并开源手术机器人学习平台 SurRoL，降低了相关研究门槛。目前，她正与国产手术机器人企业合作推进技术转化，希望让智能手术机器人真正进入临床，为未来外科手术带来新的可能。

他打通了从柔性电子皮肤、触觉芯片到数据平台的全栈技术体系，为机器人与智能汽车的规模化落地提供了底层解决方案。

机器人需要像人一样灵敏的触觉，但传统的刚性传感器一弯折就失效。赖建诚的研究起点，正是这个看似矛盾的问题。他用十余年时间，从材料底层重新设计，逐渐建立起一条覆盖材料、器件、芯片、算法到系统集成的全栈技术链。

为将实验室中的柔性皮肤变成可量产的产品，他作为 CEO 创立了途见科技，主要产品包括灵巧手触觉系统、机器人全身触觉系统与触觉手套。他想做的是让这些传感器像人的指尖一样同时感知压力、剪切力、温度和接近觉，又不互相干扰。他和团队用了两年时间，解决了高密度集成和信号解耦这两道最棘手的工程题。

目前已经落地的多模态电子皮肤，阵列密度达到每平方厘米集成 400 个传感器。无论是 0.1 千帕的轻微气流，还是 50% 拉伸变形下的持续按压，它都能精准捕捉，这些指标已经达到国际前沿水平。

他还解决了柔性电子在大规模制备中良率低、一致性差的挑战。如今，一条年产 5 万套的标准化产线已经运转起来。核心产品已进入多家头部人形机器人和汽车厂商的供应链。

现阶段，他正带领团队搭建触觉-视觉融合的数据采集平台，希望通过规模化部署的硬件不断收集真实物理世界的触觉数据，为下一代 AI 注入它至今最稀缺的物理常识。

她将微机电系统引入纳米光学，让加工成型后便无法改变的光学器件变得可以实时调控，开辟了可编程平面光学与扭转光学方向。

传统光学器件一经加工成型，结构和功能便基本固定，要改变光的行为只能重新设计和制造。唐皓凝的做法是给纳米光学结构加上机械自由度，将双层光学材料之间的间距、平移、旋转和应变变成可调参数，由此对光学响应进行连续、可逆的实时控制，她称之为“可编程平面光学”。在实验中，她实现了双层光学材料的大角度连续扭转，观测到高品质因子光学共振和新的光场调控机制，开辟了“扭转光学”这一方向——仅仅改变两层材料之间的扭转角，就能让同一器件呈现截然不同的光学行为。

为了将这些物理机制转化为可制造的器件，她发明了基于 MEMS 驱动的动态微纳操控技术，使芯片上的纳米结构和低维材料能够进行高精度间距调控、微尺度平移、连续旋转以及应变工程。加工完成后仍然可以被持续调控的光学器件，由此从实验室演示走向了可工程化的现实。

在此基础上，她搭建了可重构光学平台，正在将其推向片上光源、先进光谱、量子光学和多维光场调控等方向。她的目标是构建像电子电路一样可以自由编程的光子系统，为下一代光场操控和光学信息处理提供硬件基础。

他将 AI for Science 引入核材料研发，为加强下一代先进核反应堆结构材料的安全边界、结构完整性及服役寿命预测提供了科学依据与技术支撑。

儿时频繁停电的经历，让张宏亮初次真切感受到能源的重要性。大学时代亲历福岛核事故的冲击，让他意识到核结构材料在极端环境下的失效是酿成灾难的关键，从而决心投入先进核材料的研究。

在海外工作期间，张宏亮主要研究核用陶瓷的制备与辐照效应。针对传统纳米层状陶瓷制备温度高、能耗大的问题，他发展了低温反应溅射工艺，将制备温度降至 450℃，显著提升了材料的辐照稳定性。此外，他还发明界面调控技术，捕捉并揭示了陶瓷中的辐照诱导偏析现象，通过这一机制提升了陶瓷材料的抗腐蚀性能。

他将数据驱动的 AI for Science 引入核材料研发流程，利用机器学习算法开展前沿核能材料的微观表征、性能预测以及成分设计，推动了核材料的数字化与智能化转型。他在微纳尺度材料研究中取得了突破性进展，系统性阐明了辐照对材料界面演化的影响机制，为调控材料的辐照稳定性提供了新路径。同时，他发现了微纳尺度下金属材料超越传统力学认知的超高延展性以及全新变形机制，颠覆了以往人们对于特定材料脆性表征的固有认识。他成功将微观机理转化为可量化的工程控制指标，透过对于界面结构的精确调控，大幅提升了多种材料在辐照下的抗肿胀与抗脆化能力。

他实现了分子筛骨架铝原子以及“铝对”的三维空间精确定位，打破活性位点的“物理黑箱”，将催化研究范式从经验试错推向原子级精准设计。

催化领域的科学家尽管每天都在用分子筛催化石油裂解、化工合成，却说不清楚，决定催化反应效率的活性铝原子到底藏在分子筛骨架的哪个位置。它就像一个黑箱，看不见、摸不着、无法定位。

劳子桓想解决的正是这个问题。他与合作者引入了同步共振软 X 射线衍射（RSXRD）技术，相当于给分子筛拍了一张原子级分辨率的“三维 CT”，并率先在国际上实现了工业级 H-ZSM-5 分子筛骨架铝原子以及“铝对”的三维空间精确定位，解决了困扰领域几十年的骨架铝位点定位难题。

这个突破的意义不止于“看见”。因为一旦知道铝原子的具体位置，催化剂就不再只能凭借经验反复试错，而是可以按需求进行理性设计。相关研究对推动基础化学理论发展、提升碳资源转化效率、应对全球气候变化等重大命题具有普适性的科学价值。催化研究从此第一次有了“设计图纸”，而不是全靠“盲猜”。

当然，这项技术的价值不只停留在实验室里，其工业价值也在实际合作中得到初步验证。在不改变工厂反应器硬件的前提下，它能让催化过程更精准、能耗更低、选择性更高。

她通过重编程细胞因子信号增强 T 细胞的抗肿瘤功能，推动新型 CAR-T 疗法从机制研究走向临床。

尽管 CAR-T 疗法已在血液肿瘤治疗中取得突破，但其在实体瘤中的应用仍面临低响应率这一关键挑战：T 细胞进入肿瘤微环境后难以维持长期活性，而传统用于增强 T 细胞功能的 IL-2 受限于毒性和有限的治疗效果。赵扬的研究围绕这一问题展开，她通过重新设计 T 细胞可响应细胞因子信号谱，以提升过继 T 细胞治疗的抗肿瘤疗效与安全性。

她首先突破了对 IL-10 传统功能的认知，将这一经典免疫调节因子引入 CAR-T 细胞，证明该信号能够重启 T 细胞代谢和效应功能，使其在极低剂量下仍具备显著抗肿瘤活性。相关成果已进入临床转化，并在复发/难治性 B 细胞恶性肿瘤患者中取得积极结果。

在此基础上，她建立了正交嵌合细胞因子受体平台，为 T 细胞提供可工程化调控的细胞因子信号输入，使多类原本难以用于 T 细胞治疗的免疫信号被纳入设计。借助该平台，CAR-T 和 TCR-T 在多种实体瘤模型中的肿瘤清除能力显著增强；同时，她发现成熟 T 细胞可被非天然细胞因子信号重编程为具有髓系特征和吞噬功能的新型状态，为探索免疫细胞命运调控提供了新的思路。

为进一步提高临床可用性，赵扬还提出无需基因改造、在蛋白水平实现非天然细胞因子 信号的人工配体策略，使 T 细胞在扩增中保持细胞干性，同时降低 IL-2 相关毒性，并可与过继性 T 细胞移植和 PD-1 疗法协同。她的工作贯穿机制发现、平台构建与转化应用，为提升细胞治疗在实体瘤中的疗效提供了系统性路径。

他希望赋予机器人真正理解人与世界的能力，让它们能够持续学习、自然交互，并最终成为人类生活中的长期伙伴。

当前，机器人行业试图通过大规模训练复现智能，却始终难以真正融入人们的日常生活。在胡宇航看来，问题的关键不只是数据不够用，更在于机器人既不了解自己，也不擅长持续学习。他的研究，正是从这两个根本问题出发。

首先是让机器人“认识自己”。过去，机器人高度依赖工程师为特定任务预先建模，一旦机体受损或结构改变，就需要重新调试。胡宇航提出了一条新路径：让机器人通过建模自我（self-modeling)，像人一样学习理解自己的身体结构和运动规律，主动感知自身状态与周围环境的变化，并自适应地调整行为。这不仅大幅减少了对人工设定的依赖，也为机器人在真实、复杂环境中的适应能力和自主学习提供了新的思路。

但他认为，要让机器人走进家庭、医院等生活场景，还需要学会与人相处。围绕面部表情、情绪表达和人机互动，他探索如何让机器人根据人的语言和表情，生成更加自然、协调的回应，从而消减机械感，让交流更真实、更有亲近感。

为了让这些技术走出实验室，2024 年，他创立了首形科技，专注高仿真情感交互机器人。他希望推动机器人从理解自己，自主学习，逐渐成长为能与人建立长期关系的智能伙伴。

他开创了点云深度学习这一重要研究方向，并持续推动三维感知技术走向自动驾驶、机器人和通用 AI 等真实世界应用。

计算机很早就可以完成图像识别，但真实世界是三维的。激光雷达和深度相机获得的点云数据稀疏、无序，长期以来难以直接用于深度学习。博士期间，祁芮中台提出 PointNet 和 PointNet++，让神经网络能够直接学习原始点云数据，并建立起层次化的三维特征学习框架，为三维目标检测、场景理解和机器人感知奠定了基础。这项工作后来成为三维视觉领域具有重要影响力的基础成果之一，也推动点云深度学习发展成为一个重要研究方向。

离开学术界后，他始终致力于让这些技术真正走向现实世界。在 FAIR，他继续探索三维场景理解；在 Waymo，他参与自动驾驶感知基础模型、自动标注和数据驱动仿真系统建设，让三维感知能够支撑大规模自动驾驶研发；加入 Tesla 后，他参与 FSD V12、V13 和 Robotaxi 等项目，将端到端机器学习体系部署到数十万辆汽车，推动自动驾驶从单一算法优化走向数据、训练和部署协同演进。

2025 年加入 OpenAI 后，他把研究进一步拓展到机器人与世界模型，希望将过去在三维感知和物理世界智能上的积累，与多模态模型和机器人系统结合，让 AI 不仅能够理解语言和图像，也能够理解和适应真实世界，为通用 AI 探索新的技术路径。

他在超冷原子实验中观测到多体动态局域化并实现一维任意子，证明低维量子世界的基本规则远比经典直觉所预期的丰富。

量子计算面临一个根本困难：量子相干性太脆弱。粒子越多、相互作用越强、外部扰动越持续，系统就越容易滑向热平衡，量子信息随之丧失，而郭彦良在超冷原子实验中成功发现了反例。

2025 年，他在实验中观测到多体动态局域化现象：在强相互作用和持续周期驱动同时存在的条件下，一维量子多体体系仍然可以长时间抑制能量吸收并维持量子相干，拒绝热化。这一结果表明，相互作用并不必然摧毁量子秩序，复杂多体系统中存在尚未被充分理解的相干保护机制，对于未来量子器件如何延长相干时间具有关键的启发意义。

在同一实验平台上，他实现了另一项突破：利用自旋杂质和自旋—电荷分离机制，在一维量子气体中构造并直接观测到交换相位可连续调节的任意子。任意子是拓扑量子计算的基础构件，过去几十年的理论与实验框架普遍认为它只能存在于二维空间；郭彦良的实验打破了这一限制，证明任意子可以在一维中被主动工程化，为拓扑量子操控开辟了全新的实验路径。

回国后，他在中国人民大学建立独立超冷原子实验平台，目标是将这些基础发现推向可编程的多体量子模拟与拓扑量子统计操控。

他构建了从二维到三维、从感知到理解、从虚拟到现实的通用物理智能框架，为全球视觉智能、空间智能与具身智能奠定了可扩展、可落地、可通用的基础技术体系。

赵恒爽的研究始终围绕一个核心目标：如何让机器真正理解物理世界并与之交互。这一追问贯穿其学术生涯，也定义了“物理智能”这一新兴范式的内核——让智能不再停留于像素与符号，而是扎根于真实物理世界中。早期，他从二维图像场景解析切入，主导提出 PSPNet，通过多尺度上下文建模，让模型不仅识别局部物体，更能感知整体场景关系。该方法成为语义分割领域的基础框架，广泛应用于自动驾驶、医学影像与环境监测等领域。

当物理智能从“感知图像”走向“理解空间”，他将研究推进至三维世界。他创建 Point Transformer 系列算法，将注意力机制引入不规则点云学习，重塑三维骨干网络范式，显著提升三维语义解析、空间建模与场景理解能力。随后，他提出 Depth Anything 系列方法，利用大规模无标签数据训练高精度单目深度模型，让普通图像也能恢复稳定的空间深度信息，该技术已集成至苹果 Core ML 等工业生态，为数十亿智能设备注入物理空间感知能力。

更进一步，为让物理智能从“理解场景”走向“改变世界”，他面向具身智能与自动驾驶，提出 DriveGPT4、GPT4Point 等系统，将大语言模型与空间感知、规划决策深度耦合，探索机器如何在物理世界中理解、推理并行动。由此，他的工作从二维视觉智能延伸至三维空间智能，再迈向多模态具身智能，构筑起完整的物理智能技术链条，推动 AI 从“感知世界”、“理解世界”，最终迈向“改变世界”。

他开发出高储能、低损耗铁电薄膜的新设计范式，为下一代低功耗微纳电子器件提供关键材料基础。

芯片越做越小，但藏在芯片里的电容、存储单元却遇到了矛盾：要想储电能力强，材料难免发热损耗大；想降低能耗，储能密度又上不去。这个“跷跷板”困住了整个微电子行业很多年。

潘豪找到了一条绕过这个矛盾的路。他与合作者提出了一种新的设计思路“多形态纳米畴”：在纳米尺度上重新“编排”铁电材料内部的极化结构。简单说，就是让材料内部的不同区域各司其职，一部分负责储存电荷，一部分负责降低损耗，同时大幅提升储能密度和效率。

之后，他又把同样的思路推向了更多材料体系。在弛豫铁电薄膜中，潘豪与合作者揭示了“超顺电态”下极低损耗的物理机制，相当于找到了一个能耗几乎为零的工作窗口；而在反铁电薄膜材料中，他与团队通过精细缺陷调控与异质界面设计，开发出了介电性能可调、电致应变超高的新体系。

回头来看，潘豪从事的研究其实是一条清晰的主线：不依赖昂贵的新材料，而是通过深入理解物理机制，在已有的材料体系里“挖”出全新的性能空间。他的研究正在为下一代低功耗微纳电子器件铺路——从更省电的手机芯片，到更灵敏的传感器，这些材料设计未来可能会走进每一台智能设备里。

他从三维重建、神经渲染到生成式 AI 一路搭建了完整的技术链路，推动 3D 生成从“静态外观”跨越到“功能可用”，为空间智能与物理 AI 提供底层生成引擎。

三维数字化长期受制于“精度、速度、成本”难以兼得的困境。曹炎培曾与团队研发跨洋实时体积视频捕捉系统，实现了低延迟的 3D 全息通话。他还将这套原本依赖专业光场设备的算法迁移至移动端，成为视频创作产品的一个模块，服务数亿用户。

为了让模型进一步打开想象空间、生成全新事物，他与团队提出了一系列 3D 生成式 AI 方法，包括零样本 3D 内容生成、3D 修复等，相关技术已被用于三星堆数字考古，完成跨坑文物碎片的虚拟拼接与修复。

2023 年，曹炎培联合创立北京三启万物科技有限公司并担任首席科学家。他与团队研发的 Tripo 系列模型在几何与纹理精度、网格拓扑可用性方面持续突破，将单图生成 3D 的速度从数小时压缩至秒级。他还让 AI 生成的模型天然具备可自动绑定的骨骼、可驱动的动画逻辑与语义化的可拆解部件，甚至能输出可拼装制造的结构。

未来，他计划将 3D 生成从“孤立资产”推进到“可交互、有逻辑、自主演化的完整世界”，并将其打造为物理 AI 与具身智能的仿真基座，为下一代智能体提供无限丰富、物理真实的低成本训练环境。

他推动数据驱动决策方法从自动驾驶走向具身智能，希望让机器人像人一样，在真实世界中不断学习、不断成长。

如何让机器在充满不确定性的真实世界中作出决策，是自动驾驶和机器人共同面对的核心问题。丁文超长期围绕这一问题展开研究。他较早提出将环境预测与行为决策结合起来，让机器在决策过程中主动理解环境的不确定性，而不是依赖预设规则或一味采取保守策略，为数据驱动的自动驾驶决策提供了新的思路。

这一理念随后在产业中得到验证。他参与构建华为 ADS 自动驾驶预测决策系统，推动自动驾驶从依赖人工规则逐步转向从海量真实驾驶数据中持续学习，使车辆能够不断积累驾驶经验、优化决策，相关技术最终实现百万级量产应用。

随着自动驾驶的数据驱动路线逐渐成熟，他进一步将这一思路拓展到具身智能领域。作为它石智航联合创始人兼首席科学家，他提出“以人为中心”的数据路线与 AI 世界引擎具身基础模型，希望机器人通过观察和学习人类与世界的交互，而不是依赖人工编写规则，逐步获得感知、决策和操作能力，为通用机器人的规模化发展探索新的技术路径。

她融合莫尔超结构与拓扑光子学，赋予微纳激光器可扫描、可重构的新能力，有望为新型光通信与量子光子器件开辟新路径。

激光器是否不仅能发光，还能像投影仪一样按需改变光束的方向、形状和偏振？管君的研究，就是把这种想象变成现实。

她找到的钥匙是“莫尔超结构”：把两层光学晶格以微小角度扭转叠在一起，会产生一种全新的光子行为。她与合作者发现，这种结构中的光子可以在远超传统极限的距离上发生耦合，这意味着激光器在垂直维度上获得了前所未有的设计自由度。仅仅扭转角度，就能让光子行为发生剧变。

在此基础上，管君把连续变化的扭转角直接写入同一个器件中，造出梯度莫尔超晶格激光器——不需要任何机械转动部件，激光束就能在大角度范围内连续扫描。这对于激光雷达来说意味着更小、更轻、没有机械磨损、扫描速度更快。

她进一步将拓扑物理引入激光器设计。通过三维质量涡旋工程，造出的拓扑激光器能够在可见光波段同时调控光束的强度、偏振方向和形状。换句话说，一个激光器发出的光，可以被“编程”成任意想要的形态。

下一步，她要用这套技术改变自动驾驶和机器人的感知方式，让 AR/VR 显示更轻便，为数据中心光互连和量子通信提供更高效的光源。从基础物理发现到可编程激光器，她正在为微纳光子学打开一扇新的大门。

他将先进电子显微学与理论计算和数据分析相结合，在纳米至原子尺度揭示材料在腐蚀、辐照和力学载荷下的缺陷演化机制，并发展用于极端环境材料缺陷定量分析与机制研究的先进表征方法。

杨洋长期关注极端环境下材料的结构演变与可靠性，尤其研究材料在腐蚀、辐照和剧烈力学载荷作用下，微观缺陷如何产生、迁移和聚集，并最终影响材料性能。他利用原位透射电子显微镜、四维扫描透射电子显微镜（4D-STEM）和三维重构等先进技术，直接观察材料在纳米乃至原子尺度的演化过程，并结合理论计算和数据分析，建立“缺陷—结构—性能”之间可量化、可验证的联系。

原子空位是腐蚀、辐照和扩散过程中最基础的缺陷之一，却长期难以获得具有高空间分辨率的定量信息。针对这一瓶颈，杨洋开发了结合 4D-STEM 与密度泛函理论计算的空位浓度映射方法，实现了对腐蚀金属中局域空位分布的纳米尺度成像。与传统正电子湮灭等表征方法相比，其空间分辨率提高超过五个数量级，使过去主要以整体平均信号呈现的空位信息，转变为可直接量化和空间比较的数据。这一方法为理解腐蚀等由点缺陷参与的材料演化过程提供了新的实验依据，并为机制驱动的材料评价提供新的定量手段。

除空位定量表征外，他还研究了复杂合金中的短程有序及其与缺陷行为的关系。他发展了层错和孪晶的动态映射方法，并揭示了化学短程有序对多主元合金变形机制的重要影响。在能源材料、二维电子器件和应变工程等跨学科合作中，他进一步利用先进显微学解析界面、缺陷和局域应变如何影响材料与器件性能。贯穿这些工作的核心，是从原子排列和缺陷演化出发，为材料复杂的宏观行为建立直接、定量的微观证据，并将这些认识用于理解和评价材料性能。

他在液晶系统中观测到结构清晰的经典时空晶体，并开创了以拓扑缺陷构建新型拓扑材料的新方法。

连续时空晶体，是原本多存在于量子体系中的物态。赵汗青和合作者构建了一个特殊的液晶系统，率先在光学显微镜下被直接观测到。

此前，时间晶体的存在需要极低温、极复杂的设备才能间接观测。而新型液晶系统让这个神秘的物态变得可观测、可操控，并将稳定存在时间提升了数个数量级。这项成果让信息存储、时空编码、防伪材料有了全新的想象空间。

但赵汗青没有止步于此。同一套液晶平台，还能做另一件更精巧的事：让拓扑粒子自己“组装”成特定结构。拓扑结构被认为是构建下一代存储与编码的理想载体，但如何让这些粒子按人的意愿排列起来一直是领域的难题。

赵汗青和合作者开创性地发现了具有莫比乌斯结构的层级拓扑粒子。他提出了一套全新的框架：让拓扑缺陷扮演“电子”，拓扑粒子作为“原子核”，从而构筑出拓扑分子和多聚体。这套理论不仅经过实验验证，也为未来设计全新的拓扑材料提供了一条可操作的路径。

更有趣的是，拓扑缺陷还能对信息进行读写操控，并在逻辑运算和存储芯片方面具有应用潜力。从时间晶体的观测，到拓扑材料的可控构筑，再到信息器件的可能应用，赵汗青的系列研究正在为拓扑物理搭建一座从基础发现到技术落地的桥梁。

他在构建安全可信的AI领域作出了开创性贡献，重塑了大家对 AI 安全的理解、评估与安全防护方式。

当 AI 越来越强大，如何确保它仍然安全、可控、可信？肖超玮从现实世界风险切入，是最早证明 AI 安全并不只存在于数字空间的学者之一。其关于物理世界对抗样本的一系列研究表明，经过精心设计的物理世界对抗样本能够误导真实环境中的 AI 系统（如自动驾驶）。他的研究促使学界和产业界重新认识 AI 安全，将其从理论问题转变为亟待解决的现实挑战。

进入大模型时代后，静态基准测试难以反映大模型真实交互中的动态风险。基于此，他提出可持续学习的自动化红队评测方法，使大模型的安全评估从人工静态测试升级为可扩展、持续学习，演化的持久测试方法。

在防御方面，他提出基于净化的防御方法，攻克了 AI 安全领域长期存在的一项核心难题——如何有效抵御未知对抗样本的攻击。随着 AI 从生成文本走向调用工具和执行任务，他又将研究拓展到智能体系统安全，提出结合模型安全与系统安全的双路径框架，引入信息流控制、访问控制和动态安全架构等机制，为构建可控，安全的大模型智能体系统奠定了基础。

他提出了具身智能“数据金字塔”训练框架，以高效强化学习算法突破数据效率瓶颈，为通用机器人从“能看”到“能动手”提供了可扩展的技术路径。

高阳长期探索如何让机器人通过视觉理解物理世界，自主完成复杂任务。其研究从自动驾驶起步，逐步深入至具身智能的核心地带。

强化学习被认为是通向通用智能的重要路线之一，然而，传统算法往往需要数百万次环境交互才能学到有效策略，难以在物理世界中应用。高阳与团队提出 EfficientZero 算法，通过时序自监督学习与自适应值函数修正，样本效率提升至经典 DQN 算法的约 500 倍，仅用两小时数据就让模型达到超越人类的性能，验证了强化学习同样适用于具身智能。

单靠强化学习还无法满足机器人学习所需的全部数据，为此，他提出具身智能训练的“数据金字塔”框架：底层利用海量互联网视频和大模型先验完成预训练，赋予机器人跨场景的泛化能力；中层通过遥操作数据进行监督微调，打磨精细操作技巧，并建立了该阶段的 Data Scaling Law；顶层以高效强化学习完成最终优化。这一框架系统性地回应了具身智能“数据从哪里来、如何用”的关键问题。

基于这一技术体系，高阳联合创立千寻智能并将研究推向产业落地。下一步他计划聚焦数据规模化的质量标准与数据-模型协同设计，持续推动具身智能在更广泛的真实场景中发挥作用。

她让太阳能光热蒸发水技术兼具高效与稳定，并拓展了其在水、能源、资源协同利用中的应用，为可持续发展提供了新的技术路径。

太阳能光热蒸发能够利用太阳能实现绿色制水，是缓解全球水资源短缺的重要技术之一。然而，实现高效率、长期稳定运行和功能拓展仍面临挑战。

徐凝长期从事太阳能光热蒸发水技术研究。她从自然界中寻找答案，提出仿生三维光热蒸发体设计，通过抑制传导和辐射热损耗，大幅提升太阳能光热转换效率，为高效太阳能光热蒸发提供了新的设计思路。随后，她聚焦制约技术实际应用的稳定性瓶颈，针对高盐环境下光热蒸发器件易因盐结晶析出而失效这一关键难题，创新性提出吸光面与蒸发面分离、旋转自清洁等抗盐机制，实现了光热蒸发器件在高盐条件下的长期高效稳定运行，使太阳能光热蒸发水技术兼具高效与稳定。

进一步地，她拓展了太阳能光热蒸发水技术的功能边界，不再局限于将蒸发视为产水过程，而是从蒸发过程中离子的迁移、分离与富集，以及蒸汽的多维利用中，发掘其在能源与资源利用方面的潜力，由此发展了太阳能光热蒸发在水电联产、空气取水、资源回收和海水制氢等方向的系列应用，将太阳能光热蒸发水技术由单一产水拓展至水、能源、资源协同利用，为可持续发展提供了新的技术路径。相关成果已在海水淡化、市政污水处理等场景得到应用验证。

他发明了一系列量子蒙特卡洛新算法，突破多体计算的“指数墙”，用量子信息揭示凝聚态物理中隐藏的纠缠与拓扑结构。

量子多体系统的核心困难是“指数墙”：粒子数每增加一个，需要追踪的量子态就得翻倍，系统稍大便超出任何经典计算机的极限，严正的工作是在这堵墙上凿洞。

博士期间，他发明了扫描团簇量子蒙特卡洛算法，解决了晶格规范场模型三十年来的计算瓶颈，该方法被国际数值教材单独成节收录。独立建组后，他将研究从“高效计算”推进到“信息提取”：通过将量子蒙特卡洛与随机解析延拓结合，实现大尺寸二维系统的纠缠谱计算。更重要的是，他在此过程中发现了路径积分上的“虫洞效应”：纠缠边界的虚时路径远短于体内路径，导致纠缠谱的低能结构由边界物理主导，这从第一性原理解释了困扰学界多年的 Li-Haldane 猜想。

他随后发展的双组份重赋权退火框架，则打破了量子蒙特卡洛数十年来只能测量对角算符的根本限制，使纠缠熵、纠缠负性乃至“量子魔法”等信息量能够在多体系统中实现大规模高精度计算。独立建组不到三年，他已系统建立起从纠缠熵到量子魔法的完整计算工具链，正在构建以量子信息为核心语言的凝聚态物理新框架。

她从晶体学出发重新理解碱金属电池材料的性能瓶颈，提出化学短程无序与化学异质性设计策略，为高性能电极材料的理性设计提供了新路径。

层状氧化物是碱金属电池重要的正极材料之一，但在高电压和深度充放电条件下，晶格容易发生滑移、相变和结构退化，能量密度与循环寿命难以兼顾。过去的大多数研究主要集中在材料组成上——换元素、调配比，王启迪选择不同切入点：回到晶体结构本身，理解局域的原子排列如何决定宏观的电化学行为。

她系统研究了局域结构演化与离子迁移、氧化还原反应之间的关联，建立起材料组成、局域晶体结构与电化学性能之间的内在联系，揭示了局域化学环境在调控结构稳定性、电荷传输和相变行为中的关键作用。该工作将电池材料研究推向了机理驱动的理性设计。

在此基础上，她提出了化学短程无序的晶体结构构筑策略，并进一步发展为具有一般性的化学异质性设计理念：通过主动构筑可设计的局域化学环境，在保持整体晶体框架稳定的同时，协同调控局域应力分布和电子结构，显著抑制了深度充放电过程中的晶格滑移和结构退化，使容量、循环寿命和倍率性能同步提升。这一策略打破了高能量密度与长寿命之间的传统权衡，为下一代碱金属电池材料指出了一条基于晶体学的设计路线。

他在实验中构建了三维光学陈绝缘体与光学轴子绝缘体，使光能够在三维空间单向传输并形成复杂网络，为三维抗干扰光芯片奠定了新的物理基础。

光是现代通信和信息处理的核心载体。随着光子系统日益集成，光需要在有限空间内完成更复杂的转弯、连接与分流，而微小缺陷便可能引起反射、散射和串扰。拓扑物理提供了一种全新解决方案：利用系统的整体拓扑性质保护光的传播。然而，如何在三维空间中构造并调控单向拓扑通道，长期未能在实验上实现。

刘癸庚在实验中构建了三维光学陈绝缘体，观测到由三维体拓扑决定的表面态，使受拓扑保护的光能够在晶体表面单向传输。在此基础上，他又实现了三维光学轴子绝缘体，观测到沿晶体铰链单向传播的手性态，并将这些通道组织成可重定向的三维网络。

这些工作为利用拓扑性质构建抗干扰、可重构的三维光路奠定了基础。刘癸庚还将研究拓展至无序和非厄米体系，揭示无序与损耗也可用于产生或调控拓扑态。目前，他正开发动态可编程拓扑电磁器件，面向 6G 通信、光互连和拓扑光计算。

她通过空间多组学测序与可解释时空模型，在真实组织中重建大脑发育和神经炎症的“时空轨迹”，为神经系统疾病研究与治疗干预提供全新思路。

张迪致力于开发空间多组学技术，并用于脑发育和神经疾病研究。传统方法往往只能分别观察基因表达、表观调控或蛋白信号，难以还原细胞在真实组织中的完整状态。她的工作正是为了解决这一难题：在同一组织样本中，同时解析细胞的位置、状态及其变化原因。

她作为主要开发者，建立了空间表观组—转录组共测序技术，可在同一切片上以接近单细胞的分辨率同步读取染色质状态和 RNA 表达，从而解析细胞分化、状态转换和基因调控关系。在此基础上，她进一步拓展至三重组学，实现染色质状态、RNA 表达和约 150 种蛋白质的同步分析，并提出 NB-GAM 时空建模框架，把空间位置和发育时间纳入连续分析，重建基因调控动态轨迹。

依托这些工具，她系统研究了脑发育及脱髓鞘—修复相关疾病，发现表观调控具有跨时间、跨空间的记忆效应，能够提前影响后续基因表达程序；同时揭示炎症与修复反应并不局限于局部病灶，而会沿白质结构长程扩展，说明神经免疫疾病是在组织网络中持续演化的过程。

她的技术体系有望发展为标准化检测流程，服务于脑科学、肿瘤和免疫疾病研究；其建模框架也可转化为通用软件工具，用于药物靶点筛选、疗效评估和队列分析。

2025 年度《麻省理工科技评论》“35 岁以下科技创新 35 人”中国评选获得了来自各领域的 50 余位专家的评审支持，他们从学术研究、技术创新与产业实践等多个维度，为我们提供了宝贵的意见与建议。（按姓氏首字母排序）：