2018 年十大新興技術

在不久的將來，科技將如何改變您的生活？ 人工智慧將大大加速創新藥物和材料的設計。 先進的診斷工具將實現日益個性化的醫療。 增強現實技術將無處不在，將資訊和動畫疊加在真實世界的影像上，以幫助您完成日常任務，並幫助行業更高效地運營。 如果您生病了，醫生將能夠在您的體內植入活細胞，這些細胞將像藥物工廠一樣發揮作用，治療您的疾病。 您還將吃到用幹細胞培育的牛肉、雞肉和魚肉，這將大大減少動物養殖對環境的影響，並使無數生物免受不人道的待遇。

這些改變世界的想法，以及構成今年“十大新興技術”榜單的其他想法，是由生物學、無機化學、機器人學和人工智慧等領域的頂尖專家選出的。 該榜單是深入甄選過程的結果。

首先，我們撒下一張大網，從世界經濟論壇全球未來理事會和專家網路社群的創新者、《大眾科學》顧問委員會和編輯人員的成員以及其他人那裡徵集建議。 然後，在一系列虛擬會議中，指導小組評估了候選技術在多大程度上符合若干標準。 這些技術必須有能力為社會和經濟帶來重大利益，並且在未來三到五年內做到這一點。 它們必須具有潛在的顛覆性，能夠改變行業或既定的做事方式。 它們必須處於相對早期的發展階段——尚未廣泛使用，但正在被許多團體研究，引起專家們的興奮，吸引越來越多的投資，理想情況下，由多家公司開發。 指導小組在其第一次會議上將最初 50 多項提交的名單縮減，然後彙編了更多資訊來評估剩餘的大約 20 名候選技術。 在收集了更多資訊後，指導小組在另外兩次討論中做出了最終決定。——瑪麗埃特·迪克里斯蒂娜和伯納德·S·梅爾森

關於支援科學新聞報道

如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。 透過購買訂閱，您正在幫助確保關於塑造我們當今世界的發現和想法的具有影響力的故事的未來。

1 計算機科學：無處不在的增強現實

世界將被資料覆蓋

作者：科琳娜·E·拉森和安德魯·梅納德

虛擬現實 (VR) 讓您沉浸在虛構的、與世隔絕的世界中。 相比之下，增強現實 (AR) 將計算機生成的資訊即時疊加在真實世界上。 當您檢視或佩戴配備 AR 軟體和攝像頭的裝置時——無論是智慧手機、平板電腦、頭戴式耳機還是智慧眼鏡——程式都會分析傳入的影片流，下載有關場景的廣泛資訊，並在其上疊加相關的資料、影像或動畫，通常以 3D 形式呈現。

兩個例子：幫助您的汽車安全倒車的顯示器和流行的遊戲 Pokémon GO。 大量的消費者應用程式——包括為外國遊客翻譯路標的應用程式、使學生能夠解剖虛擬青蛙的應用程式以及允許購物者在將椅子帶回家之前檢視椅子在他們客廳中的外觀的應用程式——也具有 AR 功能。 未來，該技術將使博物館參觀者能夠召喚出類似全息圖的導遊； 外科醫生能夠以 3D 形式視覺化患者皮膚下的組織； 建築師和設計師能夠以新穎的方式協作創作； 無人機操作員能夠透過增強的影像控制他們的遠端機器人； 以及新手能夠快速學習從醫學到工廠維護等領域的新任務。

易於使用的應用程式設計軟體應會在未來幾年擴大消費者產品範圍。 然而，目前，AR 正在工業領域產生最大的影響，它已成為“第四次工業革命”或“工業 4.0”不可或缺的組成部分：“工業 4.0”是指透過物理系統和數字系統的整合來系統地改造製造業，以提高質量、降低成本和提高效率。 例如，許多公司正在測試其在裝配線上的應用。 AR 可以在需要資訊的確切時刻（例如，當工人必須選擇一個零件而不是另一個零件時）提供恰到好處的資訊——從而減少錯誤、提高效率和提高生產力。 它還可以視覺化裝置中的應力，並建立問題所在位置的即時影像。

市場分析師，如 ABI Research、IDC 和 Digi-Capital，認為增強現實正處於走向主流的邊緣。 他們預計 AR 的總市場規模目前約為 15 億美元，到 2020 年將增長到 1000 億美元。 包括蘋果、谷歌和微軟在內的主要科技公司正在 AR 和 VR 產品及應用上投入大量資金和人力資源。 風險投資也開始湧入，2017 年在 AR 和 VR 領域投資了 30 億美元——其中一半金額僅在第四季度。 《哈佛商業評論》最近強調 AR 是一項變革性技術，將影響所有企業。

障礙依然存在。 目前，硬體和通訊頻寬的限制對消費者日常使用規模的擴大構成障礙。 例如，許多現有的博物館和旅遊應用程式使用 AR 來增強體驗，但必須提前下載。 即使這樣，圖形質量也可能無法滿足使用者的期望。 但是，隨著更便宜、更快的支援 AR 的移動晶片上市、更通用的智慧眼鏡上市以及頻寬的增加，該領域必將大幅增長。 屆時，增強現實將與網際網路和即時影片一起成為我們日常生活中不可或缺的一部分。

2 醫學：電子藥物

神經刺激療法可以取代許多慢性病的藥物

作者：傑弗裡·林和科琳娜·E·拉森

電子藥物——用電脈衝治療疾病的裝置——在醫學上有著悠久的歷史。 想想心臟起搏器、耳朵的耳蝸植入物和帕金森病的深部腦刺激。 這些方法之一有望變得更加通用，從而大大改善多種疾病的護理。 它涉及向迷走神經傳遞訊號，迷走神經將脈衝從腦幹傳送到大多數器官並再次返回。

迷走神經刺激 (VNS) 的新用途之所以成為可能，部分原因是費恩斯坦醫學研究所的凱文·特雷西和其他人的研究表明，迷走神經會釋放化學物質，幫助調節免疫系統。 例如，脾臟中特定神經遞質的釋放會使參與全身炎症的免疫細胞平靜下來。 這些發現表明，VNS 可能對超出以電訊號紊亂為特徵的疾病有益，例如自身免疫和炎症性疾病。 這對患有這些疾病的患者來說可能是一個福音，因為現有的藥物通常會失效或引起嚴重的副作用。 VNS 可能更容易耐受，因為它作用於特定的神經，而藥物通常會在全身遊走，可能會擾亂治療目標以外的組織。

到目前為止，與炎症相關的應用的初步研究令人鼓舞。 SetPoint Medical（由特雷西共同創立）開發的 VNS 裝置在類風溼性關節炎（引起關節疼痛、毀容性炎症）和克羅恩病（涉及腸道炎症）的早期人體試驗中已被證明是安全的。 針對這兩種疾病的額外試驗目前正在進行中。 電子藥物方法也被考慮用於其他具有炎症成分的疾病，如心血管疾病、代謝失調和痴呆症，以及自身免疫性疾病，如狼瘡，其中迷走神經本身變得不活躍。 預防移植組織的免疫排斥反應是另一種潛在的應用。

大多數迷走神經刺激器，包括 SetPoint 的裝置以及已用於治療癲癇和抑鬱症的裝置，都是植入物。 醫生通常將裝置放置在鎖骨下方的皮膚下。 來自植入物的電線纏繞在迷走神經的一個分支上，並以預設的間隔向其傳遞電脈衝； 頻率和其他屬性透過外部磁棒程式設計。 今天的植入物直徑約為 1 英寸半，但預計會隨著時間的推移變得更小、可程式設計性更高。

旨在緩解叢集性頭痛和偏頭痛的非侵入式手持式迷走神經刺激器最近也獲得了 FDA 批准，儘管迷走神經刺激究竟如何幫助緩解這些疾病尚不清楚。 手持裝置透過頸部或耳朵上的皮膚向神經傳遞輕微的電刺激。

迷走神經不是唯一被新的電子藥物方法針對的神經。 2017 年底，FDA 批准了一種非植入式裝置，該裝置透過向耳後皮膚的顱神經和枕神經分支傳送訊號來緩解阿片類藥物戒斷症狀。 在 73 名患有阿片類藥物戒斷症狀的患者的症狀嚴重程度降低 31% 或更高後，該裝置獲得了 FDA 的認可。

植入物和手術的成本可能會阻礙 VNS 療法的廣泛採用，但隨著技術變得侵入性更小，這個問題應該會緩解。 但成本不是唯一的挑戰。 研究人員仍然需要更多地瞭解 VNS 如何在每種疾病中產生作用，以及如何最好地確定個體患者的最佳刺激模式。 針對迷走神經的脈衝也可能以不良方式影響周圍神經。

然而，隨著更多研究和試驗檢查其機制和效果，VNS 和其他電子藥物最終可能能夠更好地管理各種慢性疾病，從而有可能減少數百萬患者服用藥物的需求。

3 化學：用幹細胞培育的肉類

晚餐吃牛肉——無需殺死動物或破壞環境

作者：G·歐文·謝弗

想象一下咬一口在實驗室中用培養細胞生產的、無需殺死動物的美味牛肉漢堡。 用實驗室培育的肉類正在將這一願景變為現實。 幾家初創公司正在開發實驗室培育的牛肉、豬肉、家禽和海鮮——其中包括 Mosa Meat、Memphis Meats、SuperMeat 和 Finless Foods。 該領域正在吸引數百萬美元的資金。 例如，2017 年，Memphis Meats 從包括比爾·蓋茨和農業公司嘉吉在內的來源獲得了 1700 萬美元的投資。

如果得到廣泛採用，實驗室培育的肉類，也稱為清潔肉類，可以消除大部分為食用而飼養的動物所遭受的殘酷、不道德的待遇。 它還可以減少肉類生產的大量環境成本； 只需要資源來生成和維持培養細胞，而不是從出生開始的整個生物體。

肉是透過首先從動物身上採集肌肉樣本製成的。 技術人員從組織中收集幹細胞，使其大量繁殖，並使其分化成原始纖維，然後這些纖維膨脹形成肌肉組織。 Mosa Meat 表示，從一頭牛身上採集的一個組織樣本可以產生足夠的肌肉組織來製作 80,000 個四分之一磅的漢堡。

許多初創公司表示，他們預計在未來幾年內推出上市產品。 但清潔肉類如果要在商業上可行，就必須克服許多障礙。

兩個障礙是成本和味道。 2013 年，當用實驗室培育的肉類製成的漢堡被展示給記者時，肉餅的生產成本超過 30 萬美元，並且過於乾燥（脂肪太少）。 此後，費用有所下降。 Memphis Meats 今年報告稱，四分之一磅的碎牛肉成本約為 600 美元。 鑑於這種趨勢，清潔肉類可能會在幾年內與傳統肉類競爭。 仔細注意質地並明智地補充其他成分可以解決口味問題。

為了獲得市場批准，清潔肉類必須被證明可以安全食用。 儘管沒有理由認為實驗室生產的肉類會構成健康危害，但 FDA 現在才開始考慮應如何對其進行監管。 與此同時，傳統肉類生產商正在反擊，他們認為實驗室生成的產品根本不是肉類，不應貼上肉類的標籤，調查顯示，公眾對食用實驗室肉類的興趣不大。 儘管面臨這些挑戰，清潔肉類公司仍在奮力前進。 如果他們能夠成功創造出味道正宗且價格實惠的產品，清潔肉類可以使我們的日常飲食習慣更合乎道德和環境可持續性。

4 計算機科學：能夠辯論和指導的機器人

新演算法將使個人裝置能夠充分學習任何主題，足以進行辯論

作者：伯納德·S·梅爾森

今天的數字助手有時會欺騙您，讓您相信它們是人類，但功能強大得多的數字助手即將問世。 在幕後，Siri、Alexa 及其同類產品使用複雜的語音識別軟體來弄清楚您在請求什麼以及如何提供它，並且它們生成聽起來自然的語音來傳遞與您的問題相匹配的指令碼化答案。 這樣的系統必須首先經過“訓練”——接觸到大量人類可能提出的請求型別——並且必須由人類編寫適當的響應，並將其組織成高度結構化的資料格式。

這項工作非常耗時，並且導致數字助手可以執行的任務受到限制。 這些系統可以“學習”——它們的機器學習能力使它們能夠改進將傳入問題與現有答案的匹配——但在有限的範圍內。 儘管如此，它們仍然令人印象深刻。

在更高的複雜性層面，現在正在開發技術，使下一代此類系統能夠吸收和組織來自無數來源的非結構化資料（原始文字、影片、圖片、音訊、電子郵件等等），然後自主撰寫關於他們從未接受過處理培訓的主題的清晰建議——或與對手辯論。

我們已經在提供聊天機器人的網站上看到了這種能力的端倪，這些聊天機器人開箱即用，可以回答自然語言問題，涵蓋他們訓練過的各種資料集。 這樣的聊天機器人只需要相對較少或根本不需要針對特定問題或請求進行培訓； 它們使用預配置資料和“讀取”提供給它們的背景材料的新興能力相結合。 然而，它們確實需要一些識別單詞和意圖的培訓，然後才能給出高度準確的響應。

今年 6 月，我的僱主 IBM 展示了該技術的更高階版本：一個系統在沒有事先接受過關於主題或要論證的立場的培訓的情況下，與人類專家進行了即時辯論。 該系統使用非結構化資料（包括來自維基百科的內容，其中一些內容經過編輯以提高畫質晰度），必須確定資訊的 relevance 和真實性，並將其組織成可重用的資產，它可以呼叫該資產來形成連貫的論點來支援分配給它的立場。 它還必須回應其人類對手的論點。 該系統在演示過程中進行了兩次辯論，並且在一個大型觀眾群體中，在一個辯論中被評為更具說服力。

實現技術——其中包括不僅可以理解自然語言，還可以處理檢測正面和負面情緒的更艱鉅挑戰的軟體——經過五年多的開發，並且仍然是一項正在進行中的工作。 儘管如此，未經指令碼化的 AI 系統戰勝公認的人類專家的勝利為無數相關的應用打開了大門，這些應用可能會在未來三到五年內出現，甚至更早。 例如，這樣的系統可以幫助醫生快速找到與複雜病例相關的研究，然後辯論給定治療方案的優點。

這些智慧系統僅對組裝現有知識有用，而不能像實驗科學家或專家那樣創造知識。 儘管如此，隨著機器變得越來越智慧，它們引發了失業的幽靈。 社會有責任為下一代提供解決需要人類創造力來解決問題的技能。

5 生物技術：可植入的藥物製造細胞

治療方法可以根據需要在體內釋放——而不會受到免疫系統的攻擊

作者：李相燁

許多糖尿病患者每天多次扎手指以測量血糖水平並決定他們需要的胰島素劑量。 通常在體內產生胰島素的胰腺細胞植入物——所謂的胰島細胞——可以使這個繁瑣的過程變得不必要。 同樣，細胞植入物可以改變其他疾病的治療方法，包括癌症、心力衰竭、血友病、青光眼和帕金森病。 但是細胞植入物有一個主要的缺點：接受者必須無限期地服用免疫抑制劑以防止免疫系統排斥。 這些藥物會導致嚴重的副作用，包括感染或惡性腫瘤的風險增加。

幾十年來，科學家們發明了將細胞包裹在半透性保護膜中的方法，以防止免疫系統攻擊植入的細胞。 這些膠囊仍然允許營養物質和其他小分子流入，以及所需的激素或其他治療性蛋白質流出。 然而，讓細胞免受傷害是不夠的：如果免疫系統將保護材料本身視為外來物質，它將導致疤痕組織在膠囊上生長。 這種“纖維化”將阻止營養物質到達細胞，從而殺死它們。

現在，研究人員開始解決纖維化挑戰。 例如，2016 年，麻省理工學院的一個團隊發表了一種使植入物對免疫系統隱形的方法。 在生產和篩選了數百種材料後，研究人員確定了一種化學改性的凝膠藻酸鹽，該凝膠在人體內具有長期安全使用的歷史。 當他們將封裝在這種凝膠中的胰島細胞植入糖尿病小鼠體內時，細胞立即產生胰島素以響應血糖水平的變化——在為期六個月的研究過程中保持血糖水平受控。 沒有觀察到纖維化。 在另一項工作中，該團隊後來報告說，阻斷巨噬細胞（巨噬細胞是纖維化中重要的免疫細胞）上的特定分子（集落刺激因子 1 受體）可以抑制瘢痕形成。 新增這種阻斷劑應進一步提高植入物的存活率。

幾家公司已經成立，以開發封裝細胞療法。 其中一家公司 Sigilon Therapeutics 正在推進麻省理工學院開發的技術，以設計治療糖尿病、血友病和一種稱為溶酶體貯積症的代謝紊亂的療法。 製藥公司禮來公司正在與 Sigilon 合作開展糖尿病工作。 在其他例子中，Semma Therapeutics 也專注於糖尿病，使用其自身的技術； Neurotech Pharmaceuticals 的植入物正在進行青光眼和各種以視網膜退化為特徵的眼部疾病的臨床試驗； Living Cell Technologies 正在進行帕金森病植入物的臨床試驗，並正在開發其他神經退行性疾病的療法。

今天，被納入膠囊中的細胞來自動物或人類屍體，或來源於人類幹細胞。 有一天，可植入的細胞療法可能包括更廣泛的細胞型別，包括一些透過合成生物學工程改造的細胞——合成生物學重新程式設計細胞的遺傳學，使其執行新的功能，例如控制的、按需地將特定的藥物分子釋放到組織中。 這些都還處於早期階段。 封裝細胞療法的安全性和有效性均未在大型臨床試驗中得到證實，但跡象令人鼓舞。

6 人工智慧：用於快速分子設計的人工智慧

機器學習演算法正在加速尋找新型藥物和材料

作者：傑夫·卡貝克

想要設計一種用於太陽能的新材料、一種對抗癌症的藥物或一種阻止病毒攻擊農作物的化合物？ 首先，您必須應對兩個挑戰：找到物質的正確化學結構，並確定哪些化學反應會將正確的原子連線成所需的分子或分子組合。

傳統上，答案來自在偶然性幫助下的複雜猜測。 該過程非常耗時，並且涉及許多失敗的嘗試。 例如，合成計劃可能包含數百個單獨的步驟，其中許多步驟會產生不需要的副反應或副產品，或者根本不起作用。 然而，現在，人工智慧開始提高設計和合成的效率，使企業更快、更容易、更便宜，同時減少化學廢物。

在 AI 中，機器學習演算法分析所有已知的過去實驗，這些實驗試圖發現和合成感興趣的物質——那些成功的實驗，以及重要的是，那些失敗的實驗。 基於它們識別的模式，演算法預測潛在有用的新分子的結構以及可能的製造方法。 沒有一種單一的機器學習工具可以一鍵完成所有這些工作，但 AI 技術正在迅速進入藥物分子和材料的實際設計領域。

例如，德國明斯特大學的研究人員開發的一種 AI 工具反覆模擬 1240 萬個已知的單步化學反應，以提出多步合成路線——規劃速度比人類快 30 倍。

在製藥領域，一種名為生成機器學習的基於 AI 的技術也令人興奮。 大多數製藥公司儲存數百萬種化合物，並篩選它們是否具有用作新藥的潛力。 但是，即使使用機器人和實驗室自動化工具，這種篩選過程也很慢，並且產生的命中率相對較低。 此外，“文庫”總共只包括超過 10³⁰ 個理論上可能的分子中的極小一部分。 使用描述已知藥物（和候選藥物）的化學結構以及它們的屬性的資料集，機器學習工具可以構建具有相似且可能更有用的特性的新化合物的虛擬文庫。 這種能力正在開始顯著加速藥物先導的鑑定。

近 100 家初創公司已經在探索用於藥物發現的 AI。 其中包括 Insilico Medicine、Kebotix 和 BenevolentAI； 最後一家公司最近籌集了 1.15 億美元，以將其 AI 技術擴充套件到運動神經元疾病、帕金森病和其他難以治療的疾病的藥物發現。 BenevolentAI 正在將人工智慧應用於整個藥物開發過程——從新分子的發現到旨在證明藥物在人體中的安全性和有效性的臨床試驗的設計和分析。

在材料領域，Citrine Informatics 等企業正在使用與製藥製造商類似的方法，並與包括 BASF 和松下在內的大公司合作，以加速創新。 美國政府也在支援對 AI 支援的設計的研究。 自 2011 年以來，它已在材料基因組計劃中投資超過 2.5 億美元，該計劃正在建立一個基礎設施，其中包括 AI 和其他計算方法，以加速先進材料的開發。

過去的經驗告訴我們，新材料和化學品可能會對健康和安全造成不可預見的風險。 幸運的是，AI 方法應該能夠預測和減少這些不良結果。 這些技術似乎有望顯著提高發現和推向市場的新型分子和材料的速度和效率——它們可能會提供諸如改善醫療保健和農業、更大程度的資源節約以及增強可再生能源的生產和儲存等益處。

7 醫學：用於精準醫療的先進診斷

新一代工具可能有助於終結“一刀切”的療法

作者：伊麗莎白·奧戴和哈比巴·阿爾薩法

在 20 世紀的大部分時間裡，所有患有乳腺癌的女性都接受了類似的治療。 此後，治療變得更加個性化：乳腺癌現在被分為亞型並進行相應治療。 例如，許多腫瘤產生雌激素受體的女性可能會接受專門針對這些受體的藥物，以及標準的術後化療。 今年，研究人員朝著更加個性化的治療邁進了一步。 他們發現了一大部分患者，他們的腫瘤具有表明他們可以安全地放棄化療的特徵——並避免其通常嚴重的副作用。

許多疾病的個性化或精準醫療的這種發展正在被診斷工具的進步所加速。 這些技術可以幫助醫生檢測和量化多種生物標誌物（指示疾病存在的分子），以將患者分為不同的亞組，這些亞組在對疾病的易感性、預後或對特定治療反應的可能性方面存在差異。

早期的分子診斷工具著眼於單個分子——例如，在糖尿病的情況下，葡萄糖。 然而，在過去十年中，“組學”技術取得了巨大的進步——在快速、可靠且廉價地測序個體整個基因組或測量體液或組織樣本中所有蛋白質（蛋白質組）、代謝副產品（代謝組）或微生物（微生物組）的水平方面的能力。 該技術的常規使用已同時開始生成大量資料集，人工智慧可以挖掘這些資料集，以發現對臨床有用的新生物標誌物。 高通量組學技術和人工智慧的這種結合正在迎來先進診斷的新時代，這將改變對許多疾病的理解和治療，使醫生能夠根據個體患者的分子特徵定製療法。

幾種先進的診斷方法已用於癌症。 一種名為 Oncotype DX 的方法檢查 21 個基因； 它是揭示許多乳腺癌女性可以避免化療的測試。 另一種名為 FoundationOne CDx 測試的方法檢測實體瘤中 300 多個基因的基因突變，並指出可能對特定患者有用的特定基因靶向藥物。

在癌症之外，一種令人興奮的工具適用於子宮內膜異位症，這是一種常見的疼痛性疾病，其中子宮組織在不應該生長的地方生長。 做出診斷通常需要手術。 來自 DotLabs 的一項新的、基於唾液的非侵入性測試可以透過測量一組稱為 microRNA 的小分子來識別子宮內膜異位症。 血液測試正在開發中，以幫助識別腦部疾病——如自閉症、帕金森病和阿爾茨海默病——這些疾病目前是透過臨床醫生對症狀的主觀評估來診斷的。 研究人員甚至正在探索對健康人進行全基因組測序、分析微生物組以及測量數百種蛋白質和代謝物的水平是否可以為這些個體如何預防疾病提供個性化指導。

一句忠告：使用如此私密的診斷工具的醫療機構和研究人員必須嚴格執行保護患者隱私的保障措施。 此外，需要明確的監管指南來以一致的方式評估生物標誌物作為診斷工具的價值。 這些指南將加速將新的生物標誌物引入醫療實踐。

即便如此，先進的診斷方法正在開始瓦解診斷和治療疾病的標準方法。 透過引導患者接受最有效的治療，它們甚至可以降低醫療保健支出。 有朝一日，我們許多人可能會擁有一個個人生物標誌物資料雲，這些資料會隨著時間的推移而積累，並在我們尋求護理的任何地方為我們的治療提供資訊。

8 生物技術：基因驅動獲得安全功能

限制可能改變整個物種的工具的風險

作者：辛西婭·H·柯林斯

對一種可以永久改變種群甚至整個物種特徵的基因工程技術的研究正在迅速進展。 該方法使用基因驅動——從父母傳遞給異常多的後代的遺傳元件，從而相對快速地在種群中傳播。 基因驅動自然發生，但也可以進行工程改造，這樣做可能會在許多方面造福人類。 該技術有可能阻止昆蟲傳播瘧疾和其他可怕的感染，透過改變攻擊植物的害蟲來提高作物產量，使珊瑚抵抗環境壓力，並阻止入侵植物和動物破壞生態系統。 然而，研究人員深刻地意識到，改變甚至消除一個物種可能會產生深遠的影響。 作為回應，他們正在制定規則來管理基因驅動從實驗室轉移到未來的田間試驗和更廣泛的使用。

幾十年來，研究人員一直在考慮利用基因驅動來對抗疾病和其他問題的方法。 近年來，CRISPR 基因編輯技術的引入推動了這項工作，該技術可以輕鬆地將遺傳物質插入染色體上的特定位置。 2015 年，幾篇論文報道了基於 CRISPR 的基因驅動在酵母、果蠅和蚊子中的成功傳播。 一項演示將抗瘧疾寄生蟲的基因驅動透過蚊子種群傳播，從理論上講，這應該限制寄生蟲的傳播。 另一項研究干擾了不同蚊子物種的雌性生育能力。

今年，在小鼠身上測試了一種 CRISPR 基因驅動系統，試圖操縱毛色。 該程式僅在雌性中起作用。 儘管如此，結果支援了該技術可能有助於消除或改變威脅作物或野生動物或傳播疾病的入侵小鼠或其他哺乳動物種群的可能性。

國防高階研究計劃局 (DARPA) 是對該技術充滿熱情的投資者之一。 它已向旨在對抗蚊媒疾病和入侵齧齒動物的基因驅動研究投入了 1 億美元。 比爾及梅琳達·蓋茨基金會已向一個致力於基因驅動以對抗瘧疾的研究聯盟投資了 7500 萬美元。

儘管基因驅動充滿希望，但也引發了諸多擔憂。它們是否會不經意地跳躍到野外的其他物種並破壞它們？從生態系統中移除特定物種會帶來什麼風險？心懷不軌的 parties 是否會利用基因驅動作為武器來干擾農業等活動？

為了避免如此可怕的前景，一個團隊發明了一種開關，必須先輸送特定物質才能開啟，基因驅動才能發揮作用。與此同時，多個科學家團隊正在制定方案，以指導基因驅動測試的每個階段的進展。例如，2016 年，美國國家科學、工程和醫學院審查了相關研究，併為負責任的實踐提出了建議。2018 年，一個大型國際工作組制定了從實驗室研究到實地釋放的研究路線圖。該小組（其一些會議有來自 DARPA、蓋茨基金會或其他機構的觀察員參加）以基因驅動在非洲控制瘧疾的應用為模型制定了建議，他們認為，在非洲，公共衛生效益可能是最大的。

除了限制技術本身的風險外，許多研究人員還希望避免可能導致公眾或政策強烈反對的事件和失誤。在 2017 年一篇關於基因驅動在消除有害哺乳動物方面的潛在用途的文章中，麻省理工學院的凱文·M·埃斯維爾特和紐西蘭奧塔哥大學的尼爾·J·傑梅爾擔心，一起國際事件可能會使研究倒退十年或更長時間。“僅就瘧疾而言，”他們預測，“這種延誤的代價可能以數百萬本可預防的死亡人數來衡量。”

9 工程學：用等離子體激元尋找毒素

光啟用奈米材料正在革新感測器

作者：哈維爾·加西亞·馬丁內斯

哈里·A·阿特沃特在 2007 年的《大眾科學》雜誌上撰文預測，他稱之為“等離子體激元學”的技術最終可能催生一系列應用，從高靈敏度的生物探測器到隱形斗篷。十年後，等離子體激元技術已成為商業現實，其他技術也正在從實驗室走向市場。

這些技術都依賴於控制電磁場和金屬（通常是金或銀）中的自由電子之間的相互作用，這些自由電子是金屬導電性和光學特性的原因。金屬表面的自由電子在受到光照射時會集體振盪，形成所謂的表面等離子體激元。當一塊金屬很大時，自由電子會反射照射到它們的光，使材料具有光澤。但是，當金屬的尺寸只有幾個奈米時，其自由電子被限制在一個非常小的空間內，限制了它們振動的頻率。振盪的具體頻率取決於金屬奈米顆粒的大小。在一種稱為共振的現象中，等離子體激元只吸收與其自身振盪頻率相同的入射光（反射其餘的光）。這種表面等離子體激元共振可被用來製造奈米天線、高效太陽能電池和其他有用的裝置。

等離子體激元材料最受關注的應用之一是用於檢測化學和生物製劑的感測器。在一種方法中，研究人員用一種與目標分子（例如細菌毒素）結合的物質來塗覆等離子體激元奈米材料。在沒有毒素的情況下，照射到材料上的光會以特定角度重新發射。但是，如果存在毒素，它將改變表面等離子體激元的頻率，並因此改變反射光的角度。這種效應可以非常精確地測量，從而能夠檢測和測量即使是痕量的毒素。幾家初創公司正在開發基於這種和相關方法的產品，其中包括用於電池的內部感測器，該感測器可以監測電池的活動，以幫助提高功率密度和充電速率，以及一種可以區分病毒感染和細菌感染的裝置。等離子體激元學也正在進入磁碟上的磁儲存領域。例如，熱輔助磁記錄裝置透過在寫入期間瞬間加熱磁碟上的微小點來增加記憶體儲存。

在醫學領域，光啟用奈米顆粒正在臨床試驗中進行測試，以評估其治療癌症的能力。奈米顆粒被注入血液後，會在腫瘤內積聚。然後，將與表面等離子體激元頻率相同的光照射到腫塊中，導致顆粒因共振而發熱。熱量選擇性地殺死腫瘤中的癌細胞，而不會傷害周圍的健康組織。

隨著新公司湧現以利用等離子體激元學，它們將需要確保其產品價格合理、可靠、耐用，並且易於大規模製造以及與其他元件整合。儘管存在這些挑戰，但前景依然光明。超材料（其中等離子體激元產生異常光學效應的合成奈米級材料）的出現使等離子體激元研究人員能夠使用金和銀以外的材料，例如石墨烯和半導體。Future Market Insights 的一項分析預測，僅北美等離子體激元感測器應用市場的價值就將從 2017 年的近 2.5 億美元增長到 2027 年的近 4.7 億美元。

10 計算機科學：量子計算機演算法

開發人員正在完善旨在量子計算機上執行的程式

作者：阿蘭·阿斯普魯-古茲克

在硬體和執行其上的演算法方面取得重大進展之後，量子計算機有望在幾年內趕上甚至超越經典計算機。

量子計算機利用量子力學來執行計算。它們的基本計算單元量子位元類似於標準位元（零或一），但它處於兩個計算量子態之間的量子疊加態：它可以同時是零和一。這種特性，以及另一個獨特的量子特徵——糾纏，可以使量子計算機比任何傳統計算機更有效地解決某些型別的問題。

這項技術雖然令人興奮，但也出了名的不穩定。例如，一種稱為退相干的過程會擾亂其功能。研究人員已經確定，透過一種稱為量子糾錯的技術，可以使具有數千個量子位元的嚴格控制的量子計算機能夠抵抗退相干。但是，實驗室迄今為止展示的最大的量子計算機（最著名的例子來自 IBM、谷歌、Rigetti Computing 和 IonQ）只包含幾十個量子位元。加州理工學院的約翰·普雷斯基爾將這些版本命名為含噪聲中等規模量子 (NISQ) 計算機，它們尚無法執行糾錯。然而，針對 NISQ 專門編寫的演算法的爆發式研究可能使這些裝置能夠比經典計算機更有效地執行某些計算。

世界各地的使用者越來越多地訪問 NISQ 機器，這極大地促進了這一進展，使越來越多的學術研究人員能夠開發和測試用於這些機器的小規模程式版本。一個專注於量子軟體不同方面的初創公司生態系統也正在蓬勃發展。

研究人員特別看好 NISQ 的兩種演算法——用於模擬和機器學習的演算法。1982 年，傳奇理論物理學家理查德·費曼提出，量子計算機最強大的應用之一是模擬自然本身：原子、分子和材料。包括我自己在內的許多研究人員已經開發出在 NISQ 裝置（以及未來的完全糾錯量子計算機）上模擬分子和材料的演算法。這些演算法可以改進新材料的設計，用於能源到健康科學等領域。

開發人員還在評估量子計算機是否在機器學習任務方面更勝一籌，在機器學習任務中，計算機從大型資料集或經驗中學習。對一組快速增長的 NISQ 裝置演算法的測試表明，量子計算機確實可以促進諸如按類別對資訊進行分類、將相似的專案或特徵聚類在一起以及從現有樣本生成新的統計樣本（例如，預測可能顯示所需屬性組合的分子結構）之類的機器學習任務。至少有三個研究小組獨立報告了在開發稱為生成對抗網路 (GAN) 的機器學習方法的量子版本方面取得的進展，GAN 在過去幾年中席捲了機器學習領域。

雖然許多演算法似乎在現有的 NISQ 機器上執行良好，但尚未有人提供形式證明表明它們比可以在傳統計算機上執行的演算法更強大。這些證明很困難，可能需要數年才能完成。

在未來幾年，研究人員很可能會開發出更大、更可控的 NISQ 裝置，然後是具有數千個物理量子位元的完全糾錯機器。我們這些研究演算法的人樂觀地認為，NISQ 演算法將足夠有效，能夠超越最先進的傳統計算機，儘管我們可能必須等到完全糾錯的機器可用時才能實現這一目標。

點選此處檢視新興技術指導小組。