現在，我們正處于全球科技變革的共振節點：生成式 AI 重構人機交互范式，量子計算突破經典物理桎梏，具身智能重塑制造邏輯，合成生物顛覆醫療范式，技術迭代的速度與深度不斷刷新著人們的認知。

在這場全球性變革中，“35 歲以下科技創新 35 人”（Innovators Under 35，簡稱“TR35”）評選如同一面棱鏡，自 1999 年起持續折射出科技前沿最具活力的創新光譜。這份名單既洞察到青年人才眼底未熄的創新火種，也記錄著這簇星火如何燎原成重塑世界的時代勢能。

隨著中國科技創新的崛起，2017 年，DeepTech 聯合《麻省理工科技評論》將 TR35 評選正式落地中國，關注和挖掘中國新興科技領域的青年創新力量。經過 8 屆評選，TR35 中國已然形成了一種獨特的創新生態，其多樣性為中國科技發展注入了獨特活力，特別是在 AI 領域，表現尤為突出。

事實上，中國人才正在全球 AI 領域扮演越來越關鍵的角色。英偉達創始人兼 CEO 黃仁勛最近出席華盛頓的一場活動時提到：“全球 50% 的 AI 研究人員來自中國……美國的每一家 AI 實驗室無一例外都有許多優秀的中國研究人員。” 2024 年 OpenAI 發布 GPT-4o，GPT-4o 的 17 位關鍵團隊成員中，有 6 人是華人，占比約為 35.29%；根據谷歌和英偉達重點具身智能論文和項目梳理的 114 名關鍵 AI 研究員中，谷歌研究員的華裔比例約為 20%，英偉達研究員的華裔比例更高，占比達 40%。2023 年 7 月，馬斯克宣布 xAI 成立，首發亮相的 12 位初始成員中，有 5 人是華人科學家，占比近一半。

濟濟多士，乃成大業；人才蔚起，國運方興。

當實驗室的成果走進生產線，當開源代碼影響數百萬開發者，當一篇篇頂刊論文標注“中國智造”，每一年，我們見證的不僅是 35 位科學家的突破，更是一個國家創新體系的能量級躍遷

2025 年 5 月 23 日，在上海舉辦的 2024 年度“35 歲以下科技創新 35 人”中國區發布暨中國科技青年論壇上，新一屆入選者正式揭曉，他們以卓越的創新成果和非凡的創造力，成為了中國科技領域的耀眼新星。

這 35 位科技青年中，有人以開源生態推動技術普惠，有人以合成數據突破具身智能瓶頸，有人將光合系統跨物種移植逆轉退行性疾病，有人用拓撲超材料改寫聲波操控法則。他們攻克科學難題，開拓交叉領域，書寫中國科技“鏈式反應”：從實驗室原子級成像到生產線分鐘級裝配，再從微觀蛋白質降解到宏觀量子優越性驗證，通過不斷拓展人類認知邊界，在全球技術競爭中刻下中國坐標。

“從 0 到 1”，從 35 到無限——在中國，創新的故事永遠有下一章。

2024 年度“35 歲以下科技創新 35 人”中國區入選名單如下（*以下排名不分先后）

入選名單

他作為第一完成人領導了 DeepSeekMath 項目，通過高質量預訓練和基于 GRPO 的強化學習方法，從根本上提升模型的數學和邏輯推理能力。

邵智宏的研究聚焦于系統性提升大模型的推理能力，關注于如何構建一個可持續自我提升的系統，能夠通過利用多種技能（例如，工具使用和推理）來完成越來越復雜的任務。他的兩個代表工作是 ToRA 和 DeepSeekMath。

ToRA 項目展示了將外部工具反饋整合到推理過程中的強大作用。這個項目發布了一個名為 ToRA-34B 的強大工具增強大模型，該模型通過將 Python 執行融入鏈式思維推理，成為首個在競賽級 MATH 基準測試中得分達到 50% 的開源模型。這突顯了結合外部工具對提升問題解決能力具有較大的潛力。

為了從根本上提升大模型的推理能力，邵智宏作為第一完成人共同領導了 DeepSeekMath 項目。該項目提出了一個可以有效識別和擴展高質量預訓練數據的迭代式流程，用于數學預訓練并顯著提升了基礎模型的能力。該項目還探索使用了 GRPO 強化學習算法，并展示了強化學習用于進一步提升模型推理能力的潛力。發布的 DeepSeekMath 模型被廣泛用于后續的數學推理研究，并支持了首屆 AI 數學奧林匹克競賽 AIMO 中排名前三的獲勝方案。

DeepSeekMath 項目中的數據流程也被廣泛用于規模化收集高質量數據進行預訓練或模型對齊。另外，在 DeepSeekMath 的強化學習算法基礎上，后續的 R1 項目（他作為核心貢獻者之一）通過在更多更復雜的推理任務中進行大規模強化學習，得到一個具備反思、回溯、驗證等能力的強大推理模型。

他開創了融合推理與行動的智能體范式，并推動智能體技術在通用系統操作與知識密集型領域的應用。

姚順雨為語言智能體方向的開啟和發展做出了基礎性貢獻。他提出了 ReAct 方法，首次引入“推理—行動”結合的智能體范式，為創建具備通用性、可擴展性的語言智能體奠定了基礎。ReAct 的核?理念是讓大語言模型在行動前先進行可解釋的內在推理，繼而基于推理結論去決策與操作。這一思路不但增強了模型的可控性，也極大拓展了其在各類實際領域中的適用能力。如今，ReAct 已成為世界范圍內構建語言智能體的最主流方法，被學術界與工業界廣泛采納。

為了驗證語言智能體在真實世界應用中的潛力，他進一步提出了 WebShop、SWE bench、tau-bench 等新型環境。傳統強化學習慣用的圍棋、Atari 等閉合游戲場景在經濟和科學價值上具有局限性，而互聯網交互、軟件工程、客服自動化等任務場景則更具實踐意義。姚順雨主導設計的這些環境，為智能體的通用性評估與應用拓寬了渠道。相應地，SWE-agent 等系統也在代碼生成、交互式調試等方面帶來了突破。

在前期研究基礎上，他于 2025 年成為 OpenAI 首批智能體產品 operator 與 deep research 的核心貢獻者。operator 主打對計算機系統進行通用操作，化抽象的數字環境為可被智能體處理的可執行任務；deep research 則瞄準科研、法律、金融等知識密集型領域，以實現更高水平的助理與協作功能。

他用合成數據開發了首個端到端具身抓取基礎大模型，突破數據和泛化瓶頸，有望促進通用具身機器人走向規模商業化。

王鶴的研究聚焦于具身智能機器人，通過 AI 技術賦予機器人通用化能力，使其能夠在復雜環境中完成高難度任務，從而應對老齡化、勞動力短缺等社會挑戰。

為解決具身智能領域數據不足、采集成本高的問題，他構建高精物理高保真的具身合成大數據，推動具身技能泛化學習和具身大模型的發展，研究成果在泛化抓取、具身端到端大模型等領域取得突破。

他提出大規模百萬級靈巧手大數據集 DexGraspNet，將仿真數據生成效率提升了 50 倍，并基于此團隊開發 UniDexGrasp++ 算法，實現在數千物體上的高成功率泛化抓取。

他也發布了一款名為 GraspVLA 的端到端具身抓取基礎大模型。這款模型在預訓練過程中百分百根據合成大數據進行，使用了十億幀 “視覺 - 語言 - 動作” 對，掌握了泛化閉環抓取能力，無需大規模真實數據，即可完成基礎模型預訓練的能力，并且，通過小樣本微調，能使基礎 “通才” 快速成長為指定場景的 “專家”。這一技術路線具備諸多優勢，包括大數據、高泛化、低成本等，攻克了具身智能在發展過程中亟待解決的難題，有望在 2025 年引領端到端具身大模型走向規模商業化。

作為創始人兼 CTO，他于 2023 年 5 月成立了北京銀河通用機器人公司，目前已完成 13 億人民幣融資。

她聚焦制造業 5.0 的先進機器人技術，將生成式 AI 融入原型及生產過程中，開創了全新的人機協作模式。

為提高人類設計師與生成式 AI 之間的交互性和一致性，劉暢流領導開發了先進的算法。一旦設計定稿，配備了先進規劃算法的機器人可以使用雙臂組裝產品。在實際裝配過程中，機器人還能與人類設計師互動，進一步優化設計細節。這些創新有潛力變革裝配設計，在保持高精度和安全性的同時，簡化創造過程。

與此同時，她與團隊正在探索將整個供應鏈壓縮到一個集裝箱中。具體來說，原材料從集裝箱一端進入，完成的產品經過托盤化后從另一端輸出。最終成果包括兩個配備了四個機械臂的集裝箱，自動、高效地生產托盤裝箱的口罩，這是自主制造效率的一個重要里程碑。這些自給自足的系統可以在全球范圍內部署，最大限度地降低長供應鏈帶來的風險。

基于劉暢流課題組多年來的研究成果，她創立了為精密制造提供智能機器人解決方案的公司 Instinct Robotics。目前該公司專注于復雜表面處理的高混合低批量生產線，并已獲得包括西門子能源在內的多家主流制造商的訂單。

這些進步有望重新定義全球制造模式，顯著提高生產效率，并減少對人類在重復性和艱難任務中的依賴。

他開創了基于真實世界數據飛輪的強化學習框架，實現了復雜機器人操作任務的超人類性能與高效訓練。

將強化學習（RL）應用于真實世界的機器人，尤其是在高精度工業裝配等復雜任務中，面臨著樣本效率低、系統集成復雜以及長周期任務規劃困難等重大挑戰。羅劍嵐致力于攻克這些難題，推動 RL 在機器人自動化領域的突破與落地。

博士期間，他專注于解決 RL 在真實機器人高精度裝配任務中的應用難題。通過創新性地將強化學習與阻抗控制及反饋控制器相結合，他首次展示了 RL 在處理需要實時響應外部擾動的精密機器人任務方面的巨大潛力。在 Google X 工作期間，羅劍嵐主導開發了首個工業級 RL 系統 SHIELD。該系統在復雜的工業裝配任務中實現了 100% 的成功率，訓練時間僅需 2-3 小時，其性能超越了人類專家和傳統經典方法，被評價為“RL 在工業場景的里程碑”。

回歸學術界后，他在美國加州大學伯克利分校人工智能實驗室（BAIR）推出開源框架 SERL/HIL-SERL，徹底革新了真機 RL 的研發流程。通過高效數據采集、分布式訓練與模塊化控制器的深度整合，SERL 可在 20 分鐘內完成視覺驅動的復雜裝配策略訓練，并實現近乎完美的成功率，展現出卓越的抗干擾與自主恢復能力。

她開發了一種納米孔讀取有機化合物數字信息的新方法，能精確讀取單比特信息，結合深度學習可分辨 1-4 比特長度的所有組合，平均準確率高達 90%。

曹嬋的主要研究方向為單分子分析和納米生物技術，她的研究為解決精準醫學、數據存儲和能源危機等緊迫挑戰提供了新的思路和解決方法。

她首次發現野生型且無任何修飾的 aerolysin（氣單胞菌溶素）生物孔可用于檢測不同長度的 DNA，靈敏度遠超過其他已建立的納米孔傳感器，推動了新一代測序技術的發展；她還探索了 aerolysin 納米孔傳感的分子感應機理，并顯著提高了納米孔測序的讀取精度，通過消除相鄰堿基的影響實現了單堿基分辨率，解決了納米孔技術堿基識別的低準確性限制。

她將工程化氣溶素納米孔應用于實際。在分子數據存儲與解碼方面，工程化氣溶素納米孔能夠在不影響信息密度的情況下準確讀取定制聚合物中編碼的數字信息，為開發基于生物仿生平臺的數字數據處理讀寫技術開辟了可能性；在生物標志物檢測方面，她探索了氣溶素孔變體在檢測已知神經退行性疾病相關蛋白質的翻譯后修飾方面的潛力，有望用于這類疾病的早期診斷。

為了解決蛋白質測序領域存在的低靈敏度、低豐度等問題，曹嬋正在基于生物納米孔開發蛋白質分析的方法和平臺，并取得了重大突破：通過對納米孔進行工程改造和條件優化，她及其團隊成功獲得了尺寸更小的納米孔，這些納米孔能夠產生強烈的電滲流，從而高效地捕獲和轉運天然蛋白質，產生來自單個蛋白質轉運的獨特指紋。未來，指紋預測有望根據單分子數據推斷蛋白質的全序列信息，為蛋白質組學提供一種強有力的工具。

他通過一種基于超分子拓撲網絡的新設計，發明了第一個高密度、本征可拉伸的生物電極陣列。

蔣圓聞致力于將物質科學和工程的突破性成果轉化為新型的生物電子工具，以解決未被滿足的醫療需求。通過基礎材料和器件的創新，他在生物電子領域取得了多項突破性進展，包括非遺傳光學控制動物行為、具有單個核團精度的器官特異性神經調控以及慢性傷口閉環管理。

他發展了一種基于拓撲超分子網絡的新型導電高分子材料。通過化學組成和拓撲結構的協同設計，這種新穎的分子工程策略突破了傳統電子材料無法兼顧高機械延展性和高電導率這一固有限制。同時，這種新型材料還兼容高精度的器件加工工藝，從而解鎖了多項過去極具挑戰性的生理學應用，例如對軟體動物章魚進行細胞分辨率級別的電生理記錄，以及通過高度精密的腦干結構實現單一神經核團精度的調控，以實現單個器官級別的肌肉運動響應。

此外，利用先進的表征技術指導自下而上的化學合成，蔣圓聞建立了一整套基于硅納米材料的光響應半導體結構庫。這些材料后來被應用于多種高分辨率光驅動生物應用中，包括調控細胞內鈣信號通路和細胞間神經遞質傳遞等。通過進一步優化材料設計和器件制造，他成功地實現了對動物活動的非遺傳性光學控制。結合電刺激（即非遺傳性）和光遺傳學（即高分辨率）的優點，非遺傳性光神經調節方法為將神經調節技術應用于人類神經疾病的臨床治療提供了新的機會。

他還開發了一個高度集成的智能創可貼，通過結合無線柔性電子系統與具備按需皮膚粘附與脫附功能的低阻抗導電水凝膠，實現了對慢性傷口恢復和感染的長期檢測和閉環管理，從而有效地控制了傷口感染，并且加速了傷口愈合和組織再生。

他以開創性分布式機器學習系統與 LLM 優化技術，主導構建 Chatbot Arena 開放評測平臺，推動 AI 高效化與普惠化。

張昊致力于解決大語言模型高昂的訓練與推理成本、以及技術生態的封閉性等難題，在分布式機器學習系統、大語言模型（LLM，Large Language Model）優化與部署以及開放生態構建方面做出了一系列開創性貢獻。

在博士研究期間，張昊率先提出了“機器學習并行性可自適應、可組合、可自動化”的核心理念，并構建了全球首個 GPU 參數服務器，為大規模深度學習提供了革命性支持。其后續在分布式調度方面的研究工作 Pollux，通過動態調度機制突破傳統靜態方法的限制，極大地提升了大規模深度學習模型訓練的效率。

進入大語言模型時代后，張昊將其研究重點拓展至 LLM 的訓練與推理優化。他主導或核心參與開發了包括 Alpa（可擴展 LLM 訓練）、vLLM 和 DistServe（高效 LLM 服務）在內的多項關鍵技術。這些技術通過創新的并行策略、內存管理和動態資源調度等方法，顯著降低了大模型推理成本、提高了服務吞吐量，為 LLM 的實際應用鋪平了道路。

此外，作為 LMSYS.org 聯合創始人，張昊積極推動 AI 開放生態。他主導構建了 Chatbot Arena 和 LLM-as-a-Judge 等全球最具影響力的開放 LLM 評測平臺，通過自動化、透明化評估促進了開源 AI 生態的繁榮。未來，他將推動 AI 系統的多任務適應性、優化大規模智能系統的架構，并繼續拓展開放 LLM 生態，將大模型生態徹底公開、普適化。

他提出了首個基于大模型的自動駕駛“快-慢雙系統”，并正打造機器人的具身大模型。

趙行致力于具身智能（自動駕駛和人形機器人）的研究。此前，他在谷歌無人駕駛公司 Waymo 擔任科學家，回國后于清華大學擔任助理教授。

針對自動駕駛在乘用車上落地應用進展緩慢的問題，趙行提出了以視覺為中心的自動駕駛開源框架 VCAD。為了讓自動駕駛應對復雜和長尾的駕駛場景，趙行團隊提出 DriveVLM，利用視覺語言大模型的思維鏈推理能力實現了零樣本的駕駛場景理解能力，給自動駕駛車做出駕駛決策。進一步地，他創新性地提出了一套更實用的基于大模型的自動駕駛方案——“快-慢雙系統” DriveVLM-Dual。該方案補充了大模型的空間感知能力，并且克服了端側大模型推理速度的瓶頸。

該雙系統方案已應用于理想汽車上，是世界首個量產的自動駕駛大模型。該成果是在自動駕駛領域中少見的“中國首個提出，中國率先落地”的技術創新，顯著推進了自動駕駛技術在新能源汽車上的普及。

2023 年，趙行作為首席科學家聯合創辦了具身智能創業公司星海圖。他基于數據驅動的方法，致力于尋找具身智能的 Scaling Law，打造具身基礎模型，推動機器人服務世界。

他首次實現了固態氖表面單電子量子比特系統，為構建更穩定和更可靠的量子計算機提供理想方案。

周憲靖開創了一種全新的固態量子計算平臺，首次在固態氖上成功實現了單電子量子比特。這一突破性的成果始于首次觀察到單電子與單光子的強耦合，標志著該系統在可行性上的重要里程碑。

此外，他還成功展現了該平臺在各方面足以媲美當前構建量子計算機主流的超導量子比特的優越性能，包括：0.1 毫秒的長相干時間（目前已知最長電荷態相干時間）；高保真單次讀出（98.1%，且無需量子參量放大器）；高保真單比特門操作（99.97%）以及雙比特耦合，為未來的多比特擴展奠定基礎。

相比于其他歷史較久的量子比特，該新系統不僅在關鍵性能上具有競爭力，還因固態氖的潔凈特征，有效抑制了環境噪聲，為構建更穩定和更可靠的量子計算機提供了理想方案。

除了量子計算，該平臺在量子傳感等其他量子信息技術領域同樣展現出巨大潛力。由于單電子系統對電磁場和外部環境極其敏感，它可作為超高精度量子傳感器，用于探測極微弱的電場、磁場或機械振動，從而在基礎物理研究、精密測量、材料表征等方面發揮重要作用。此外，固態氖的超潔凈環境也使其成為研究量子存儲和量子網絡的有力候選。

未來，周憲靖將繼續推動這一新型量子平臺的發展，進一步探索其在量子計算、量子傳感和量子通信等領域的潛力，助力下一代量子技術的突破。

他提出了創新的稀疏計算軟硬協同優化方法，顯著提升通用人工智能的計算效率和能效，有效緩解了大模型時代的算力瓶頸。

人工智能，特別是大語言模型的迅猛發展，正推動人類進入通用人工智能（AGI，Artificial General Intelligence）時代。但隨之而來的海量計算需求導致算力不足和高能耗問題，成為人工智能產業進一步發展的核心挑戰。

戴國浩長期致力于稀疏計算和軟硬件協同設計的研究，其核心思想基于先驗知識驅動的結構化稀疏、機器學習驅動的動態編譯和細粒度并行的稀疏架構，通過降低任務量和提升硬件利用率，在芯片工藝和峰值算力較低的硬件上實現對高端工藝與高算力硬件的超越，將等效算力提升 1 個數量級，顯著提升通用人工智能的計算效率和能效。

2023 年，戴國浩作為聯合創始人創立了無問芯穹，致力于將這些稀疏計算加速技術產業化，以解決實際應用中更大規模的算力需求問題。戴國浩從軟硬協同基礎研究出發，進一步拓展多元異構產業規模思路，提高人工智能時代的整體可用算力池。目前已推出一系列終端與云端智能解決方案，在終端，包括全模態理解端模型 Megrez-3B-Omni、端側動態稀疏引擎 SpecEE、首個大語言模型定制推理 LPU IP FlightLLM 和首個視頻生成模型定制推理 LPU IP FlightVGM 等；在云側，包括推理引擎 FlashDecoding++、半分離推理調度系統 Semi-PD 和推理系統通信加速方案 FlashOverlap 等。他在終端和云端同時實現了大模型算法在多種芯片上的高效協同部署運行，為 AGI 時代的算力普惠和可持續發展提供了關鍵技術支撐。

她開發了可高效降解膜蛋白的轉鐵蛋白受體靶向嵌合體，有望重新定義膜蛋白降解在腫瘤學中的應用。

周昕的研究主要解決癌癥治療領域的全球性挑戰，特別是創新方法以克服藥物耐受性和靶向傳統上無法治療的蛋白突變和細胞通路。

癌細胞需要大量的鐵來快速增殖，這導致其細胞表面轉鐵蛋白受體 1（TfR1）的表達水平顯著上調，該受體通過與轉鐵蛋白結合來介導細胞對鐵的吸收。她與團隊利用這一現象以及 TfR1 快速內化的特點，開發了一種新型蛋白降解劑——轉鐵蛋白受體靶向嵌合體（TransTAC）。

TransTAC 是一種設計精密的雙特異性抗體，可通過降解膜蛋白解決傳統方法無法成藥的靶點。其在體外細胞實驗中可高效降解 EGFR、PD-L1、CD20 和嵌合抗原受體（CAR）等多種膜蛋白，在癌癥等疾病治療中展現出巨大潛力。

她還開發了研究細胞通路的新工具，以高時空分辨率研究免疫和癌細胞中的磷酸化和蛋白受體激活事件。

除了癌癥治療外，她開發了實時檢測細胞信號網絡中磷酸化事件的方法，例如首次可視化 T 細胞中的 PD-1 磷酸化活動。這些技術工具不僅為研究細胞信號提供了前所未有的時空分辨率，還為控制細胞功能和命運提供了新的藥理學手段。

她推動 AI 從二維靜態感知邁向三維空間智能，使其能夠無縫感知、理解并與現實環境交互。

齊曉娟致力于推動人工智能在 3D 視覺領域的邊界，目標是賦予 AI 系統先進的 3D 空間智能，使其能以類似人類的方式感知、理解三維世界并與其交互。

在早期研究中，她開創性地將圖神經網絡（GNNs，Graph Neural Networks）應用于 RGBD 語義分割，是首批利用圖網絡進行 3D 感知的研究之一。其單目幾何估計（GeoNet 系列工作）將物理幾何約束融入模型，從單張 2D 圖像生成了與物理世界結構更一致的 3D 重建結果。

加入香港大學以來，她將研究重點擴展至開放世界場景下的 3D 環境重建、生成與理解。她提出了混合神經表示方法，實現了高保真神經渲染與表面重建，并通過稀疏控制高斯潑濺（SC-GS）技術高效建模動態 4D 場景。她還開發了用于 3D 物體高保真紋理生成的基礎模型，獲 SIGGRAPH Asia 最佳論文榮譽提名。在 3D 理解方面，她貢獻了先進的 3D 處理架構，并開創了 3D 自訓練方法以提升模型在開放世界環境中的魯棒性，同時探索了從預訓練 2D 模型到 3D 領域的知識遷移，顯著降低了對標注數據的依賴。

齊曉娟的研究已拓展至醫學、生物學等跨學科領域，如改善腫瘤診斷、提升電子顯微鏡 3D 成像，并開發了基于深度學習的物理不可克隆功能防偽系統。

他提出了大模型“能力密度定律”并構建高效端側大模型 MiniCPM 系列，推動大模型技術從云側向端側的普惠化發展。

韓旭長期致力于自然語言處理、知識工程及大模型技術研究，旨在推動人工智能技術的創新與普及。

面對大模型參數規模與模型能力之間正相關規律（Scaling Law，尺度定律）所帶來的訓練數據與計算資源瓶頸，韓旭與團隊提出了大模型“能力密度定律”。該定律揭示了一定時間窗口內模型能力密度隨時間呈現指數級增長的現象，即在保持模型能力不變的前提下，所需參數規模會顯著減小。這一發現為大模型發展提供了新的理論視角和優化方向。

基于此，他與團隊系統性開展能力密度驅動的大模型技術研究，主導發布了端側大模型 MiniCPM 系列，大幅降低了先進 AI 技術的算力門檻，在 GitHub 和 Hugging Face 等技術社區上獲得了廣泛認可。

此外，韓旭作為創始人之一建設了大模型開源社區 OpenBMB，推動了全球超 200 個模型基于 OpenBMB 的開源模型、數據集與工具進行開發，建立了高效的模型訓練和部署生態。

他的貢獻不僅顯著降低了大模型技術的部署成本與計算門檻，更實現了人工智能技術向更加廣泛領域的普惠化推廣。

他提出了業內最早的圖文生成理解一體化的多模態大模型架構之一，并發布中國首個千億參數原生多模態大模型。

張祥雨致力于研究通用神經網絡的設計、訓練和優化方法，不斷提升模型的實用性和智能水平。

他提出 RepVGG，通過引入重參數化的思想，訓練時可以采用較復雜的結構實現高準確度，而在推理階段等價變換回一種簡單的結構（例如 VGG），以方便硬件推理。后續，同樣基于重參數化思路，通過對已有視覺 Transformers（ViTs）的機理進行深入分析，張祥雨提出了一種不同于 ViTs 的超大卷積核架構 RepLKNet，性能超越了主流的 ViTs，且結構簡單易部署。

張祥雨現任大模型公司階躍星辰首席科學家。與很多大模型公司選擇以大語言模型為起點不同，該公司從圖文交錯式語料出發，直接訓練原生圖文多模態大模型。他提出了業內最早的圖文生成理解一體化的多模態大模型架構之一——DreamLLM 多模態大模型框架。

基于該框架，階躍星辰發布了中國首個千億參數原生多模態大模型 Step-1V，與 Google 的首個同類模型 Gemini 1.0 幾乎同時發布，多模態理解能力顯著高于當時業界主流的視覺-語言分離式的架構。之后，他們還相繼發布了萬億參數 MoE 基座大模型 Step-2、視頻生成大模型 Step-Video、圖文語音三模態理解大模型 Step-1o 以及推理模型 Step R-mini 等。

他提出了使用合成空間推理數據訓練視覺-語言模型的方法，以彌補當前基礎模型因機器人數據稀缺而導致的欠擬合。

在全球范圍內，通用具身人工智能技術極具產業化前景，僅在過去一兩年間，就吸引了百億美元的投資。不過，智能機器人要想具備在現實世界解決人類日常生活問題的能力，必須能夠理解和預測復雜的具身動態，并在復雜場景中生成控制信號。在該領域，許倬已經深耕超過 10 年。

開發能夠理解多模態指令，并提供有意義幫助的智能體，是實現機器人技術的一個關鍵目標。為此，他利用視覺-語言模型在長上下文理解方面的能力，從示范視頻中提取高層次目標，并使用從同一視頻構建的拓撲圖來管理低層次的執行。該方法實現了新型的用戶互動行為，并在現實世界的多模態指令任務中取得端到端的成功。

基于互聯網數據預訓練的基礎視覺-語言模型通常缺乏必要的具身推理能力，例如空間關系識別和尺寸估計。為攻克這一挑戰，他開發了使用互聯網規模的合成空間推理數據訓練視覺-語言模型的方法。

他還是多項具里程碑意義的具身智能項目的核心貢獻者，包括 Open X-Embodiment 和 Gemini Robotics。Open X-Embodiment 首次展示了多樣化機器人操作數據的正遷移潛力；而 Gemini Robotics 則標志著視覺-語言-動作在實現靈巧且具泛化能力的操控方面邁出了關鍵一步。

她首次闡明了氣態水楊酸甲酯的植物受體及其介導植物氣傳性免疫的分子機制，揭示了全新的蚜蟲與病毒間的共進化方式。

植物病毒是全球農業生產的重大威脅，已鑒定的種類超過 2100 種，每年造成全球農作物經濟損失超 600 億美元。近 80% 的植物病毒依賴蚜蟲、粉虱等媒介昆蟲傳播。

植物在感受到昆蟲侵害時會產生揮發性化合物，其作為一種特殊的信號能被鄰近植物感知，進而誘發臨近植物的防御反應，這一現象被稱為氣傳性免疫，這種天然的植物群體防御機制有潛力用于綠色防控。但這一現象的分子機制不得而知。

王韻婧的研究發現，植物被蚜蟲侵害后會產生大量的揮發性化合物水楊酸甲酯（MeSA），其不僅趨避蚜蟲、吸引寄生蜂等蚜蟲捕食者，還能誘導臨近植物產生氣傳性免疫，降低蚜蟲對病毒的傳播。她的研究成果首次鑒定了氣態 MeSA 的植物受體 SABP2，并詳細闡明了 MeSA 介導的植物氣傳性免疫的分子基礎，同時也揭示了蚜蟲傳病毒抑制氣傳性免疫幫助蚜蟲存活和病毒傳播的機制。該研究破解了植物病理學領域 40 多年來的未解之謎，為利用氣傳性免疫進行病蟲害綠色防控鋪平了道路。

她還發現了植物感知病毒入侵并激活 RNAi 的新通路。通過將鈣信號與 RNAi 聯系起來，揭示了植物感知病毒入侵誘發 RNAi 通路基因表達上調的抗病機制，同時也揭示了一種全新的病毒反防御機制。

他聚焦垂直自旋磁存儲芯片技術研究，攻克無外場高速翻轉、高密度集成等關鍵難題，助推該技術從實驗室走向產業化。

憑借高速度、低能耗、高耐久性等優勢，自旋磁存儲芯片（SOT-MRAM，Spin-Orbit Torque Magnetic Random Access Memory）被認為是“后摩爾時代”最有潛力替代傳統緩存的非易失性存儲器技術之一。其一旦實現規模化量產，將在人工智能、云計算、物聯網等領域發揮關鍵作用，并有望成為新一代存儲器的行業標準。

目前，SOT-MRAM 雖然在全球范圍內已進入產業化前期階段，但仍面臨高密度集成、無外場寫入等挑戰。為推動 SOT-MRAM 技術從實驗室走向產業化，蔡凱明的研究聚焦于解決和優化無外場集成方案導致的性能下降問題。

他提出多比特 SOT-MRAM 的概念，實現更低的寫入電流和高密度集成，顯著提高 SOT-MRAM 的集成密度和能源效率。并且，通過實驗首次展示了多比特 SOT-MRAM 中的超快無外磁場翻轉功能，寫入電流脈沖低至 0.3 納秒，對應功耗為 60 飛焦/比特。

他也提出了一種縮放結構的垂直 SOT-MRAM 器件設計。該設計在性能優化上成效顯著，不僅有效縮減了器件單元面積，成功將功耗降低 63%，還提升器件耐久性突破 1015 次循環大關。根據器件縮放的系統研究，他得以證明器件縮放對于提升自旋軌道矩器件性能的重要性。

憑借上述技術突破，他在國際頂級科研機構 IMEC 擔任資深研究員期間，主導了第三代 SOT-MRAM 磁芯片的器件研發，并成功展示 300mm 晶圓 CMOS 集成用于高性能計算 SOT-MRAM 器件。

這些研究成果，為 SOT-MRAM 大規模產業化奠定了基礎。

他基于 AI 實現全球最大規模量子比特中性原子陣列及量子糾錯解碼器，為容錯量子計算提供了新的技術路徑。

鐘翰森始終將突破算力極限作為核心研究目標。

在量子計算領域，他選擇光子體系作為主攻方向，發展可實驗的高斯玻色采樣理論框架，基于該理論研制的“九章一號”原型機，通過 76 光子高斯玻色采樣實現比經典計算機快 1014 倍的量子加速，首次實證光量子計算優越性。

同時，他通過發展受激參量下轉換技術、光學干涉儀實時調控技術，將“九章二號”光子數提升至 113 個，構建出 1043 維希爾伯特空間。

隨著量子系統規模擴大至千比特級，傳統調控方法的效率瓶頸日益凸顯。對此，他將 AI 深度融入量子技術攻關。

通過開發高性能計算優化算法，用小型 GPU 集群以 17 秒完成谷歌量子芯片 600 秒任務，實現經典計算對量子霸權的首次無漏洞反超，也重新劃定了經典和量子的算力邊界。

他也基于 AI 技術實現全球最大規模 2000+ 量子比特中性原子陣列，并設計出 AI 驅動的量子糾錯解碼器，可適用于所有量子糾錯碼，且性能超越現有所有解碼器。這些成果為容錯量子計算提供了新的技術路徑。

目前，他正集中攻克光子系統的可編程性與算法適配難題，目標是實現基于光子的通用智能算力，為未來集成化光子智能芯片奠定基礎。

這些解決方案既推動了中國在量子-光子領域的領先地位，也為全世界計算技術革新提供了新的可能性。

他基于儲量豐富的硫元素，在儲能電池和動力電池兩大領域，開發了低成本且高本征安全的電化學儲能體系。

硫基電池成本低、容量高，是理想的下一代電池體系，但復雜的轉化反應機理和嚴重的容量衰減，也給它的發展帶來制約。

長期從事硫基電池技術研究的龐全全，從硫化學電池的全構型問題出發，針對電極材料設計、電解液開發、異相界面演化和設計，系統性地開展了一些創新研究。

他提出了一種熔融鹽鋁硫電池。這種電池創造性地使用熔融鹽電解質，具備高熱穩定性和本征不可燃特性兩大核心優勢，可以實現幾十秒級別的充電，電池成本有望低至目前商用鋰離子電池的 1/5 至 1/6，適用于不同充放電倍率場景。該電池從本質上解決了大規模儲能集成系統的安全問題，在電網調頻、風光配儲、工商業儲能等領域的應用潛力巨大。

近期，他在全固態鋰硫電池領域獲得巨大突破，開發了一種含碘的新型玻璃態硫化物電解質，用于這種電解質在作為硫電極內部離子導體的同時，基于超快的碘氧化還原反應特性，對硫的固-固轉化反應起到氧化還原介導的作用，從而實現了快速固-固硫反應動力學。

據此研制出的全固態鋰硫電池，充電速度有望達到分鐘級水平，循環壽命上萬次。若將其用于新能源車動力電池，有望實現 30 至 40 年的使用壽命。顯然，從低成本、高安全、長壽命等層面上看，該電池具有較強的產業化前景，可能成為新一代動力電池技術，加速全球向新能源汽車轉型。

他提出了新型熱電界面材料篩選策略，發現了高可靠性的熱電界面材料，填補了熱電模塊開發的關鍵技術空白。

憑借獨特的熱電轉換能力，熱電材料在能源、電子、醫療、航天等領域展現出變革性的應用潛力。其中，最具代表性的是被用于室溫制冷場景下的商業碲化鉍（Bi2Te3）。然而，Te 元素的稀缺性和較差的機械性能，給 Bi2Te3 的應用帶來限制，也驅使研究人員必須尋找其他的高性能熱電材料。

以電熱輸運機制和熱電材料為主要研究方向的劉紫航，早在碩博期間就開發了性能優于商業 Bi2Te3 的 p 型鎂銀銻（MgAgSb）熱電材料，并優化了兩步球磨工藝合成方法來獲得純 MgAgSb 相。

就開發高效穩定的熱電發電器件來說，熱電界面材料在其中扮演的角色也至關重要。在這方面，劉紫航及其團隊提出了一種基于密度泛函理論相圖預測的熱電界面材料篩選策略，用于從化學復雜性更高的候選材料中篩選界面材料。

他們發現半金屬鎂銅銻（MgCuSb）能夠作為高性能 MgAgSb 的可靠熱電界面材料，所制備的兩對 MgAgSb/Mg3.2Bi1.5Sb0.5 模塊，在 300℃ 下表現出 9.25% 的高轉換效率，并通過國際模塊性能循環測試得到進一步證實。

對于冷卻應用，他們首次證明了非 Bi2Te3 熱電材料所表現出的優異的器件制冷性能。在 323 開爾文的溫度下，最大溫差和最大冷卻功率分別達到 56.5 開爾文和 3.0 瓦。

不僅如此，上述熱電界面材料篩選策略，也能夠在銻化鋅、鋯鈷銻等其他熱電材料上獲得普適性應用，填補了熱電模塊開發的關鍵空白。

她實現了極小磁場下低溫熱電性能的顯著提升，突破現存最高低溫（< 300K）熱電優值，為低溫固態制冷帶來全新機遇。

潘瑜長期從事熱電材料研究，尤其是拓撲熱電材料研究。在清華大學讀博期間，她的研究課題是碲化鉍（Bi2Te3）基熱電半導體的熱電輸運特性與性能優化。

由于 Bi2Te3 基合金也是具有獨特能帶特性的拓撲絕緣體，而熱電性能又與電子能帶結構和電子輸運行為密切相關，因此，她在博士后階段開始探索熱電與拓撲能帶之間的物理關聯，并將研究方向從經典熱電半導體拓展到拓撲半金屬，希望能從拓撲物理學的角度，為熱電領域帶來新的研究思路。

基于塞貝克效應、（反常）能斯特效應等不同熱電效應的輸運特性，她針對性地提出了不同的提升熱電性能的材料設計策略，并成功應用于多個材料體系，在國際上率先開發了系列具有大反常能斯特效應、大能斯特效應和大磁塞貝克效應的拓撲半量子材料，為開發新一代熱電材料奠定了重要基礎。

她在國際上率先實現了極小外磁場（0.7 特斯拉，永磁體可滿足）下大幅增強的磁塞貝克熱電性能，突破了現存最高低溫（< 300 開爾文）熱電優值，闡釋了拓撲材料狄拉克能帶的線性色散和塞曼劈裂對增強磁塞貝克熱電效應的重要作用，為實現無噪聲、無振動、可攜帶、低成本的全固態制冷技術帶來了新機遇，有望成為新一代顛覆性技術。

他提出并發展了層級貝葉斯深度學習框架，讓 AI 模型具備可解釋性、可控性和因果推理能力。

在現實世界中，感知與推理往往是緊密相連的。以一輛自動駕駛汽車為例，其在感知到行人的姿勢和交通信號燈狀態之前，無法推理行人是否可能穿過馬路。但在人工智能中，它們卻被分為兩大基本任務，其中，深度學習在感知任務上表現出色，概率圖模型在推理任務中優勢顯著。

為彌合基于深度學習的感知與基于概率圖模型的推理之間的鴻溝，王灝在他的博士論文中提出了層級貝葉斯深度學習（HBDL，Hierarchical Bayesian Deep Learning）框架。在進一步擴展和改進該框架的基礎上，他致力于推動其在大語言模型和基座模型的可解釋性與可控性，以及醫療健康 AI 兩大方面的應用。

他先是提出一個圖神經網絡的因果解釋器，具有普適性、弱假設依賴和可驗證性等特性，能有效識別生成因果解釋所需的因果語義，性能顯著優于現有方法。隨后，又提出一個時間序列預測模型的反事實解釋器，從反事實角度解釋任意的時間序列模型。

他還提出一個通用的多模態大語言模型和基座模型概念級解釋器，能通過人類易懂的概念，來解釋大語言模型的預測和推理。不僅如此，他還將 HBDL 的可解釋性集成到健康監測系統中，提升了患者的用藥效率，并用于帕金森病檢測。

目前，上述研究成果已經影響了包括醫療、推薦系統、天氣預報等多個領域，并在微軟、亞馬遜等企業獲得應用，影響了數百萬用戶。

她開發了索尼首個以視覺為中心的聯邦學習平臺、視覺基礎模型和圖像生成模型，助力解決全球性的隱私安全版權與高成本難題。

呂靈娟目前的研究項目主要致力于負責任、低成本、高性能視覺基礎模型和圖像生成模型的開發，以及解決一系列的數據隱私安全和版權問題。她帶領團隊從零到一開展了多項基礎研究與商業驅動型研究，研究主題涵蓋低成本、負責任且高效的視覺基礎模型與生成模型的開發、聯邦學習、計算機視覺隱私與知識產權保護。

她開發了索尼首個視覺基礎模型、業界最便宜圖像生成模型、端到端隱私工具箱以及以視覺為中心的聯邦學習平臺。并且，在多款終端設備包括全球第一款具有邊緣處理功能的智能視覺傳感器上，部署驗證了終端隱私和終端多任務解決方案帶來的商業價值，對數百萬用戶產生了積極影響。

其團隊僅用 8 個月時間完成了首個參數規模僅為百萬級別的視覺基礎模型（VFM，Vision Foundation Model）。這是迄今為止最全面且功能強大的 VFM，能夠支持 17 種實用視覺任務并優于許多知名公司的 VFM 及多模態基礎模型。其團隊僅用 8 個 H100 GPU 在 2.5 天內基于合法數據從頭訓練出一個擴散模型 v1/v2 質量的圖像生成模型（MicroDiT），這是迄今為止從頭訓練成本最低的圖像生成模型，將模型的訓練成本大幅降低至僅 1890 美元，比穩定擴散模型訓練便宜了 118 倍。

他利用獨特的掃描探針顯微技術，發現了莫爾晶格的全新物理特性，為未來量子技術進步奠定基礎。

兩層石墨烯以 1.1 度的“魔角”堆疊時，微小旋轉形成的周期性莫爾晶格，會誘導出單層石墨烯無法實現的量子態，包括超導性的全新特性。

這項于 2018 年取得的突破性成果，在推動莫爾材料迅速成為凝聚態物理前沿研究方向之一的同時，也帶來了不少待解之謎。比如，這些量子態是如何產生的？是否存在尚未被發現的量子態？以此為研究起點，謝泳龍利用掃描探針顯微技術開展了一系列探索。

他對魔角石墨烯進行首次譜學測量后發現，在所有摻雜水平下，電子之間相互作用的強弱是系統的主要能量尺度。

隨后，他也在魔角石墨烯中發現了一直沒有被找到的分數陳絕緣體，這類材料無需外加強磁場即可實現分數量子霍爾效應，為開發任意量子器件提供了新的可能。

此前研究表明，如果在莫爾晶格的基礎上繼續堆疊更多層材料，就會形成與莫爾晶格共存的超級莫爾晶格，后者一直被視為破壞莫爾晶格周期性的缺陷。他的研究推翻了這一傳統認知，發現超級莫爾晶格不僅能夠揭示莫爾材料的隱藏性質，還可用于調控甚至創造新的材料特性。

另外，理論預測非阿貝爾任意子會出現在一類特殊的分數陳絕緣體中，但目前在莫爾材料中尚未有明確的證據，因此，他目前正積極通過掃描探針顯微技術驗證這一預測。

她將高階拓撲和非厄米物理引入聲學及光學超材料，為魯棒操控聲波與光波開辟了新途徑。

波與粒子的精準調控是現代科學和技術發展的核心挑戰之一。傳統材料中的缺陷與雜質往往導致傳播過程中的大量散射和能量損耗，嚴重制約了相關技術的實際應用。張秀娟聚焦于拓撲物理與超材料的交叉領域，提出了原創性的多維拓撲相變理論，揭示了高階拓撲絕緣體中多維拓撲態的存在機制，為實現缺陷免疫的波傳播提供了全新理論框架。

實驗上，她率先設計并構筑了高階拓撲聲學超材料，成功驗證了空間多個維度上拓撲態的存在及其魯棒性的波傳輸/局域特征，為這些新奇拓撲相的研究奠定了實驗基礎。此外，張秀娟還將非厄米物理創造性地引入拓撲超材料，提出并驗證了非厄米高階拓撲材料與非厄米趨膚效應。基于后者，她實現了在 100 至 1000Hz 寬頻帶內超過 80% 的聲波高效吸收，有望為解決長期存在的低頻噪聲控制難題提供新的啟發。

她的突破性工作解決了高階拓撲相的實現機制與性質刻畫等關鍵科學問題，為開發魯棒的多通道信息傳輸、深亞波長聲鑷和高靈敏傳感器等變革性技術奠定了理論和實驗基礎。

她構建了納米酶復合益生菌新體系，成功克服益生菌在腸道環境中存活難和功效差兩大難題，顯著提升腸炎和腸癌的治療效果。

益生菌在應用中面臨兩大核心挑戰：一是在病理環境中的防御能力較弱，難以長期存活；二是產生的功能性代謝物種類少、含量低，治療效果受限制。曹芳芳致力于將仿生材料與微生物結合，開發具有強防御能力和高功效的益生菌。

她提出利用抗氧化納米酶對益生菌進行仿生編輯的概念，通過構建“抗氧化納米酶復合益生菌”新體系，使益生菌具備了抗氧化防御能力，克服了益生菌在炎癥環境中的存活難題，在大動物犬模型上驗證了該復合益生菌的療效。結果顯示，口服僅 3 天，犬類的潰瘍性結腸炎便得到顯著改善。她也與日本 Zeria 公司合作開展臨床前評估，共同推進該技術的臨床轉化。

為增強益生菌的抗腫瘤代謝能力，曹芳芳還提出一種通過促氧化納米酶對益生菌進行仿生編輯的創新方法，并構建了“促氧化納米酶復合益生菌”體系。從中，她發現促氧化納米酶能夠在腫瘤微環境中特異性地產生非致死量的羥基自由基，自然促進益生菌生成更多具有抗腫瘤作用的短鏈脂肪酸。后者能夠通過調節腫瘤局部 pH 值，進一步促進納米酶生成更高濃度的活性氧，從而有效治療腸癌。

他提出了首個基于 AI 的通用 RNA 基礎模型，顯著加速 RNA 設計迭代并大幅減少實驗周期和成本。

近年來，李煜帶領團隊開展了一系列與 RNA 治療和 AI 相關的研究工作，包括疾病建模、RNA 序列與結構建模以及 RNA 設計。

疾病和組織建模方面，他與合作團隊利用類似大語言模型的訓練方案，在一個連續的、低維的空間中構建統一的疾病表示，可在新的疾病空間上進行高效的遺傳參數估計，并發現了 40 個以前所有方法都錯過的遺傳位點。其團隊開發的組織建模方法能夠在精確預測細胞類型比例的同時，預測具有生物學意義的細胞類型特異性基因表達譜，加速高通量臨床數據的精確分析。

RNA 建模和設計方面，李煜團隊提出了該領域的第一個通用 RNA 基礎模型，基于 2300 萬個未注釋的 RNA 序列訓練了該模型，并從 RNA 序列中提取了其序列表征及進化信息。此外，其團隊還基于蛋白質語言模型和密集檢索技術提出了一種創新的蛋白質同源物檢測方法 DHR，能夠實現超快速和高靈敏度地檢測蛋白質同源物。借助這些序列建模工具，他領導開發的 RNA 3D 結構預測模型 RhoFold 在 CASP15 中獲得 RNA 結構預測全自動化類冠軍并且其團隊獲得總評全球冠軍。更新后的模型 RhoFold+ 在 RNA 3D 結構預測方面顯著優于 AlphaFold3。

在解決實際的生物學問題方面，這些問題進一步通過濕實驗室實驗得到驗證。例如，李煜團隊開發了 RNA aptamer 設計方法 RhoDesign 并使用其設計了新的熒光 Mango aptamer。值得關注的是，其中 10 個設計的 aptamer 顯示出比天然 Mango-I 更高的熒光。借助 RhoDesign，RNA aptamer 設計流程可以從 6 個月縮短到 4 周。

他通過開發高精度電磁力控制系統和智能運維技術，成功解決 EMS 型磁浮列車在復雜環境下的穩定性、魯棒控制及故障容錯等難題。

憑借卓越的高速潛能和環保優勢，高速磁浮列車有望成為繼高鐵之后又一具有全球影響力的交通方式。然而，由于工作環境錯綜復雜等因素，實際運行中的高速磁浮列車，也存在一些亟待解決的關鍵問題，包括復雜環境下的高精度控制、多電磁鐵協同控制，以及長期運行的安全保障。

加入同濟大學以后，孫友剛的研究圍繞磁浮列車的智能控制與安全運行保障展開。他希望通過攻克上述全球性的挑戰，實現高速磁浮技術的產業化推廣，從而為我國高速磁浮交通的發展貢獻力量。

針對此，他提出了復雜場景下快速動態高精度電磁控制技術，建立單點磁浮系統的控制器設計和穩定性分析方法，提高了控制器在線計算的實時性，懸浮系統的穩定性和安全性，減少了故障率。

他也建立了多點懸浮系統的電磁力協同控制方法，實現了多電磁鐵競態效應下的有限時間穩定性和多目標優化。

另外，他還構建了磁浮列車智能監測平臺，實現懸浮狀態在線監測和半監督學習，為磁浮列車的長期安全運行提供了保障。同時，提出時滯和故障容錯方法，攻克磁浮列車長期運行下故障容錯性能不足的瓶頸。

孫友剛及其團隊的這些研究成果，已成功應用于長沙磁浮快線、鳳凰磁浮快線、高速磁浮國產化樣車等重大工程，并取得顯著的社會和經濟效益。

他致力于高效催化劑開發、反應器及催化流程設計，發展出一條從簡單低碳分子到復雜高碳分子的高效轉化路徑。

二氧化碳不僅僅是導致溫室效應的“罪魁禍首”，還是一種重要且隨處可得的碳基資源，可以被升級轉化為高價值產品。就二氧化碳電還原技術來說，其在減排與碳基資源利用方面潛力巨大，不過也存在產物分離、難以獲得高碳數產品等問題，尚且無法實現大規模商業化推廣。

為攻克上述挑戰，長期從事二氧化碳轉化利用技術研發的夏川，將研究方向聚焦于現場利用大氣中的二氧化碳、水、氧氣等環境資源，以清潔電力驅動重塑各類生產物質的獲取路徑，從而實現超越自然生物體物質轉化效率的極限。

他提出改性交聯配位策略，實現了系列單原子活性中心從單一配位到復雜配位結構的精準調控。同時，提出單原子調制劑策略，通過引入異質單原子調制載體金屬電子結構，將二氧化碳定向轉化為一氧化碳、甲酸、甲烷等各類低碳化學品。

他也開發了一種混合電生物系統，通過空間分離的二氧化碳電解與酵母發酵耦合，實現了從二氧化碳到葡萄糖的高效轉化。在該研究中，他開發了一種納米結構銅催化劑，能在固體電解質反應器中穩定催化生成純乙酸。并且，通過對釀酒酵母進行基因工程改造，使其能利用電化學生產的乙酸，在體外合成葡萄糖。

他還證明了該平臺可以輕松擴展至以二氧化碳為碳源，生產脂肪酸等其他產物，為可再生能源驅動的制造業提供了創新范式。

他將電子顯微鏡與集成光芯片跨領域結合，開創了基于集成光學的自由電子精密測量與超快調控，有望推動科學裝置、工業設備和醫療儀器等系統應用。

楊宇嘉的研究創新性結合了集成光芯片與電子顯微鏡兩大領域。

他在電鏡中使用非線性集成光芯片研究了自由電子與非線性光學態的相互作用，通過孤子光頻梳實現了脈沖時間小于 100fs、重復頻率達到 200GHz 的電子束超快調控。

該技術僅用連續激光器即可達到飛秒激光器調控電子束的脈沖時間，同時將重復頻率及電子束流提升了四個數量級以上，有望用于開發低成本、高性能和易于實施的新型超快電鏡與微型電子加速器。此外，該研究還首次展示了電子顯微與能譜在非線性光學研究中的重要作用。

他與合作者研發了電鏡中的集成光學微腔產生的相關自由電子和光子對，首次揭示了單光子與單電子在能量和時間上的相關性，并展示其在低噪聲、高動態范圍的電子顯微方法中的應用。并且，在后續工作中，他與合作者也驗證了自由電子產生的量子光學態。

在精密測量方向，他利用光芯片上光場對自由電子的相位調控，實現了橫跨微波、光學和自由電子的頻率鏈。這項研究連接了相差 1013 倍、由不同物態攜帶的頻率，并結合了電磁波和自由電子物質波的頻譜學。

同時，還利用該技術開發了自由電子能譜儀的新型精密校準方法，不但將精度提升約 20 倍，還能準確測量電子能譜儀的不規則性，可用于超高精度電子能譜的測量。

他通過口服細菌生物材料替代傳統的透析，將腎衰竭毒素轉化為氨基酸，已在豬模型中實現了 80% 以上的毒素清除率。

活菌制劑是調控人體菌群失衡的創新療法。然而，我國在此領域面臨嚴峻挑戰：核心菌種依賴進口、基因模塊技術受歐美壟斷、臨床轉化滯后。

鄭迪威提出生物材料賦能細菌治療的新思路和新方法，實現瘤內菌群重塑和代謝級聯調控，為消化道腫瘤和腎衰竭等重大疾病治療提供新策略。

通過融合多學科技術，他構建了基于材料學、化學和物理學的細菌改造工具箱，從亞結構、單菌、菌群等多尺度對細菌進行高效和精準改造；闡明了生物材料和細菌的互作機制，提出材料精準調控復雜菌群的理念，建立了調控細菌在體內分布的時空耦合技術；面向惡性腫瘤、代謝性疾病等，揭示疾病和細菌之間的互作關系，面向臨床需求提出仿生滯留、長效黏附等劑型化新策略，創建了一系列安全、高效、多功能的細菌生物材料，并在重大疾病的治療領域取得初步進展。

該技術有望通過口服微菌群替代傳統的透析，大幅降低治療成本，并避免透析引發的腹膜炎等致命并發癥。目前，該技術已在豬模型中實現了 80% 以上的毒素清除率，具有顯著的臨床轉化潛力。

此外，他提出了基于質壁分離的細菌改造技術，僅需氯化鈉的輔助便可將功能性益生元與益生菌融合，賦予益生菌更強的黏附定植、代謝增效等能力，有望為工程菌的構筑奠定新一代范式。

他提出創新的超復數參數化方法提升 AI 模型效率，開創多模態思維鏈（Multimodal-CoT）增強復雜推理，并作為核心貢獻者推動了 Llama 3 和 Llama 4 的超長（千萬 token）上下文與多模態集成技術的發展。

讓前沿人工智能惠及每一個人，是阿斯頓·張的長期目標。為此，他在 AI 效率、開源貢獻等關鍵領域做出了杰出貢獻，致力于打破技術壁壘，推動 AI 技術的普及與民主化。

面對深度學習模型巨大的計算和存儲需求，他開創性地提出了參數化的超復數乘法框架。該方法突破了傳統超復數運算（如四元數）的維度限制，能夠在不犧牲模型表達能力的前提下，實現任意維度（1/n）的參數壓縮，顯著提升 AI 模型的效率。

在多模態推理領域，針對早期思維鏈（CoT）研究主要局限于語言模態的不足，張博士于 2023 年提出了多模態思維鏈（Multimodal-CoT）。該方法創新性地將語言（文本）和視覺（圖像）模態融入一個兩階段框架，分離了基本原理生成和答案推斷過程。這種設計使得答案推斷能夠利用基于多模態信息生成的更優質基本原理，有效緩解了模型的幻覺問題并提升了收斂速度。在 ScienceQA 等基準測試中，其參數量小于 10 億的模型取得了當時的領先性能，為復雜多模態推理任務提供了重要思路。

此外，作為 Meta Llama 3 和 Llama 4 開源大模型的核心貢獻者，他在推進大規模 AI 的可訪問性方面發揮了關鍵作用，不僅參與了模型的預訓練和后訓練，還主導了超長（千萬 token）上下文能力的研發，并對數據預處理、多模態能力集成和推理優化等方面做出了重要貢獻。Llama 模型發布后迅速成為全球開發者社區的焦點，其極高的開放性和性能表現為打破先進 AI 模型的專有壁壘提供了強有力的替代方案。

他通過跨物種遞送，首次將植物天然光合作用系統植入哺乳動物細胞內，為其提供能量，并在衰老退行性疾病骨關節炎的治療中顯示出良好的臨床應用前景。

細胞能量代謝障礙是運動系統損傷及退變相關疾病最根本的共性原因，但一直以來，人類對細胞能量代謝及調控機制仍缺乏了解。

林賢豐主要聚焦運動系統疾病中細胞損傷、退變乃至死亡過程中的能量代謝及調控機制，致力于通過能量遞送改變病變進程，進而實現對特定疾病的精準治療。

受“大力水手吃菠菜”的故事啟發，他帶領團隊發現生命體進化過程中的“能量貨幣”和“物質貨幣”——ATP 和 NADPH，在不同物種間可以相互通用。并成功將植物的光合作用系統跨物種移植到哺乳動物的退變細胞中，為哺乳細胞提供了一種新型、動態、實時的細胞“能量工廠”，克服了傳統能量遞送的低效及副作用，實現對退變細胞能量和物質的精準、可控補充，在動物實驗中逆轉了骨關節炎的病理改變。未來有望延伸至心腦梗死疾病治療、阿爾茲海默癥等全身重要器官組織疾病治療。

他開發了原子分辨三維電子成像技術，能精確獲得材料中每一個原子的三維位置和種類，為未來納米能源材料的設計提供指導。

原子在三維空間的排布，決定了物質的物理性質。精確定位它的三維位置，對于從最基本尺度上認識材料結構與功能而言至關重要。利用 X 射線晶體學技術，可以實現對完美晶體三維原子結構的精準定位，但這種晶體在自然界里極為少見，更多材料的性能直接取決于表面重構、晶界缺陷、位錯等等，用晶體學無法準確獲得這些缺陷原子的排列。

楊堯多年來專注于能源材料和電子顯微學領域，他開發的原子分辨三維電子成像技術（AET，Atomic Electron Tomography）能夠解決這一問題。通過先進球差校正電子顯微鏡和計算機三維重構算法的結合，可以精確地得到被測系統中每一個原子的位置和種類。并且，此方法無需任何晶體學假設，就能精確地定位晶體中的缺陷，甚至非晶體中的原子結構信息，從而進行高精度的原子定量分析。

憑借該技術，他得到了非晶（玻璃態）材料的三維原子結構；表征了納米催化劑包括鉑基雙元素合金以及中/高熵合金的三維原子結構；解析了二維材料的三維原子結構。并在此基礎上添加了時間維度，在動態過程當中捕捉了納米材料早期形核過程的三維原子結構變化。

目前，AET 技術已經成為新一代結合電子顯微學和人工智能算法來解析三維原子結構的科學范式。這對于優化能源材料、提高反應效率、能量密度、循環壽命等性能非常重要，并有望解決雙碳目標的實現路徑問題。

2024 年度《麻省理工科技評論》“35 歲以下科技創新 35 人”中國評選獲得了 50 余位重量級專家評委的參與，他們是來自國內外各個專業領域的權威人士。在此，特別感謝以下評委的支持（按姓氏排序）