博客

正文

2020年，谷歌旗下DeepMind开发的AlphaFold系统解决了困扰生物学界五十年的蛋白质折叠问题。2022年，DeepMind开放了AlphaFold蛋白质结构数据库，包含了几乎所有已知蛋白质的结构预测。2024年，基于AlphaFold研究成果开发的首批药物分子进入临床试验阶段。

这标志着人工智能在药物研发领域的应用已经从概念验证走向实际产出。这场革命的深度和速度，远超业界此前的预期。

传统药物研发的困境

现代药物研发的基本逻辑是：找到与疾病相关的特定生物分子（靶点），筛选或设计能够调节该靶点活性的化合物（药物），通过临床试验验证安全性和有效性。

这个过程困难重重。首先，靶点发现本身就是一项艰巨任务——人体内有超过两万个蛋白质，但目前已知能够被药物有效调节的靶点只有几百个。其次，即使选定了靶点，筛选出具有适当活性、选择性和药代动力学特性的化合物也需要在巨大的化学空间中搜索，可能需要测试数万甚至数百万个分子。再次，临床试验的高失败率意味着大量投入可能在后期阶段付诸东流。

一个被广泛引用的数据是：开发一款新药的平均成本约为26亿美元，平均耗时超过10年。投入巨大的背后是极低的成功率——进入临床试验的候选药物，最终只有不到10%能够获批上市。

AI在各环节的渗透

人工智能正在进入药物研发的各个环节，每个环节的AI应用都有其独特的技术原理和突破路径。

在靶点发现阶段，AI系统通过分析基因组学、蛋白质组学、临床记录等多组学数据，识别与特定疾病相关的潜在靶点。传统的靶点发现依赖科学家的经验和文献挖掘，而AI可以从更高维度的数据中发现人眼难以察觉的模式。

Relay Therapeutics公司利用分子动力学模拟和机器学习，解析了蛋白质在常温下的动态构象变化，从而找到了在传统静态结构分析中被遗漏的药物结合口袋。这帮助他们发现了针对FGFR2突变的选择性抑制剂，部分候选药物已经进入临床试验。

在分子设计阶段，生成式AI模型可以根据指定的靶点结构和药效要求，自动生成候选分子结构。这类似于让AI学习大量有效药物的结构规律，然后创造性地”想象”出可能有效的新分子。

Insilico Medicine是这一领域的先行者。他们的AI系统Chemistry40可以在数天内生成数千个候选分子，其中一个针对特发性肺纤维化的候选分子已经进入临床试验——这是首个完全由AI发现并进入临床的药物分子。

在临床试验设计阶段，AI可以帮助优化患者招募、预测不良反应、识别生物标志物。精准选择受试者可以显著提高临床试验的成功率。Relay Therapeutics的AI系统在临床前阶段预测了候选药物在不同患者亚群中的响应差异，指导了临床试验的患者分层策略。

AlphaFold的深远影响

AlphaFold解决的问题是：给定一个蛋白质的氨基酸序列，预测其三维结构。蛋白质的功能很大程度上由其结构决定，知道结构是理解功能、设计药物的基础。

此前，解析蛋白质结构主要依赖X射线晶体学、核磁共振和冷冻电镜等实验技术。这些方法耗时耗力，一个蛋白质的结构解析可能需要数月甚至数年。AlphaFold将这个过程缩短到几个小时甚至几分钟。

更重要的是，AlphaFold的预测精度已经接近实验水平。对于某些类型的蛋白质结构，其预测结果与实验测定的结构高度吻合。DeepMind已经发布了覆盖整个人类蛋白质组的结构预测数据库，以及超过两亿个已知蛋白质序列的结构预测。

这意味着什么？制药公司的研究人员可以快速筛选已知结构的目标蛋白，寻找潜在的药物结合位点，设计针对性的分子。研究者不再需要从零开始解析结构，AI已经提供了足够好的起点。

从实验室到临床的挑战

AI辅助药物研发并非一帆风顺。从论文中的突破到实际获批的药物，还有漫长的距离。

首先，AI预测的可靠性仍需验证。AlphaFold的结构预测在某些蛋白质类型上表现优异，但在无序蛋白、蛋白质复合物、膜蛋白等特殊类别上仍有不足。药物研发需要的是可靠、准确的结构信息，预测误差可能导致时间和金钱的浪费。

其次，从候选分子到成药还有复杂的优化过程。AI可以生成活性良好的分子，但该分子在体内的吸收、分布、代谢、排泄特性是否满足要求，是否有毒副作用，这些都需要通过大量实验来验证。AI在药代动力学优化方面的能力相对薄弱。

再次，监管框架尚未完全适应AI参与决策的情况。当一款药物的发现过程主要由AI驱动时，如何评估其安全性和有效性数据，如何向监管机构说明AI模型的决策逻辑，都是需要解决的问题。

产业格局的变化

AI药物研发正在重塑制药行业的格局。传统药企纷纷与AI公司建立合作或收购关系：阿斯利康与BenevolentAI、辉瑞与IBM、默沙东与Deepcure，类似的合作案例不胜枚举。

同时，一批专注于AI药物研发的初创公司迅速成长。Recursion Pharmaceuticals、Relay Therapeutics、Insilico Medicine等公司已经登陆资本市场，它们的估值在很大程度上反映了市场对AI药物发现平台的期待。

中国在这一领域也在快速跟进。晶泰科技、深势科技、星药科技等公司建立了AI药物发现平台，多个AI设计的候选药物已经进入临床前或临床研究阶段。

未来展望

AI会彻底取代传统药物研发吗？答案很可能是否定的。药物研发不仅是数据处理和模式识别，还需要生物学直觉、化学洞察和临床经验。但AI正在成为药物科学家的得力工具，就像AlphaGo并没有取代围棋选手，而是让人类棋手借助AI达到了新的高度。

可以预见的是，AI将显著缩短药物发现的时间，降低早期研发的失败率，让更多有潜力的候选药物进入临床试验阶段。对于罕见病和难以成药的靶点，AI可能提供新的突破口。

当一款原本需要十年才能上市的药物，因为AI的介入缩短到五年甚至更短，受益的将是等待新药的患者。但我们也需要保持理性——AI加速的是发现过程，临床试验的验证周期和监管要求不会因为AI而简化。在通往真正创新药物的道路上，AI是强大的加速器，但不是万能药。

1853年，孟德尔在修道院的花园里种下豌豆，开始了遗传学的启蒙。1953年，沃森和克里克发现了DNA的双螺旋结构，揭示了生命的分子基础。2000年，科学家首次将基因组件组装成”生物电路”，宣告了合成生物学的诞生。如今，这门年轻的学科正在将生命的潜力发挥到前所未有的程度。

合成生物学是什么？简单来说，它是一门设计和构建新型生物系统的学科。科学家像工程师一样，将DNA片段当作”零件”，组装成具有特定功能的”生物机器”。这些”机器”可以是分解污染物的细菌、制造药物的酵母、检测疾病的细胞，或者生产燃料的藻类。

与传统基因工程不同，合成生物学不仅仅是转移或修改单个基因，而是系统性地设计和构建整个生物系统。这种”从零开始”的思维方式让科学家可以创造出自然界中不存在的全新生命形式，或者从根本上重新设计已有的生物系统。

从”读取”到”书写”：编写生命的密码

传统生物学主要关注”读取”自然界的生命信息——找出基因的功能，理解生命的运行机制。而合成生物学则更进一步，致力于”书写”新的生命代码。

**DNA的”碱基字母”**是编写生命代码的基础。A、T、C、G四种碱基排列组合，编码了生命的全部遗传信息。合成生物学家可以像程序员写代码一样，合成任意序列的DNA片段，并将它们组装成具有特定功能的基因线路。

“生物电路”是合成生物学中最常用的设计概念。就像电子电路由晶体管、电阻、电容等元件组成，生物电路由启动子、终止子、调控蛋白等生物元件构成。科学家可以将这些元件按照逻辑关系连接起来，让细胞在不同条件下执行不同的”程序”。

例如，设计一个”生物开关”：当环境中存在某种化学物质时，细胞启动某个基因开始生产药物；当化学物质消失时，基因自动关闭。这种精确的调控能力让合成生物学的应用范围大大扩展。

模块化设计是合成生物学的核心方法。科学家将复杂的生物功能分解为若干标准化的”模块”，每个模块执行特定的功能，然后像搭积木一样将模块组合起来，实现更复杂的功能。这种方法大大提高了设计的效率和可靠性。

绿色制造的新范式

制造业是现代经济的支柱，但传统制造方式往往伴随着高能耗、高污染。相比之下，合成生物学提供了一种全新的制造范式——利用微生物进行绿色生产。

生物降解塑料的生产是一个典型案例。传统塑料需要数百年才能降解，造成了严重的环境污染。科学家设计出了能够分解塑料的基因工程微生物，可以将PET塑料分解成可重复利用的原料。这种”生物回收”方式比传统的化学回收更加环保高效。

生物基材料的生产同样令人振奋。通过改造微生物，科学家可以让它们生产蛛丝蛋白、胶原蛋白等高性能材料。蛛丝是已知最强的天然材料之一，强度是钢的5倍，而重量却极轻。利用工程菌生产蛛丝蛋白，可以开发出轻质高强的生物基材料，用于制造防弹衣、医用缝线、航空材料等。

生物燃料的生产是另一个重要方向。科学家正在设计能够高效将纤维素转化为乙醇的微生物，以及能够生产烃类燃料的海藻。这些”生物工厂”有望部分替代化石燃料，减少温室气体排放。

香料和化妆品的生物合成已经开始商业化。许多昂贵的天然香料和活性成分（如檀香、沉香、香草香精等）传统上只能从植物中提取，供应有限且价格高昂。现在，通过基因工程酵母，这些成分可以在发酵罐中大规模生产，不仅降低成本，还减少了对植物资源的依赖。

医学领域的革命

合成生物学在医学领域的应用前景同样令人期待，正在从预防、诊断到治疗多个层面改变医疗实践。

疫苗研发是最先获益的领域之一。传统疫苗需要培养完整的病毒或细菌，研发周期长、安全风险高。合成生物学可以快速设计并合成疫苗抗原，甚至可以构建”自限性”活疫苗——这种疫苗保留了免疫原性，但失去了致病能力，安全性大大提高。

在癌症治疗方面，合成生物学正在开发革命性的新方法。CAR-T细胞疗法是第一个获批的合成生物学疗法：通过基因工程改造患者的T细胞，让它们能够识别并杀死癌细胞。这种个性化疗法已经在某些血液癌症中展现出了惊人的疗效。

更前沿的研究正在开发”智能癌细胞”。科学家正在设计能够感知肿瘤微环境、执行杀伤程序、并且可以远程调控的基因工程细胞。这些”生物机器”有望实现更精准、更有效的癌症治疗。

微生物疗法是另一个活跃的研究领域。通过基因工程改造益生菌，可以让它们在肠道中执行特定功能——比如分泌抗炎因子治疗炎症性肠病、检测肠道出血并发出警报、或者持续释放免疫调节分子。这种”活药物”为慢性病的治疗提供了全新思路。

诊断工具的开发同样进展迅速。合成生物学家设计的”生物传感器”可以检测各种疾病标志物，灵敏度和特异性远超传统检测方法。这些传感器可以嵌入可穿戴设备，实现对健康状况的持续监测。

环境治理的新武器

环境问题是人类面临的最大挑战之一，而合成生物学提供了独特的解决思路。

生物修复是利用微生物清理污染的传统方法，合成生物学则让它变得更加高效。通过设计专门”吃”污染物的微生物，可以清理石油泄漏、降解农药残留、去除重金属污染。这些工程菌可以在污染现场大量繁殖，持续分解有害物质。

碳捕获和利用是应对气候变化的重要策略。科学家正在设计能够高效吸收二氧化碳的藻类和细菌，并将捕获的碳转化为有用的化学品或燃料。这种”碳中和”的生物制造方式有望大幅减少工业排放。

氮固定的生物工程同样具有重要意义。化学氮肥的生产需要消耗大量能源，并且会造成水体富营养化等环境问题。如果能够将固氮能力转移到主要粮食作物中，不仅可以减少化肥使用，还能提高作物产量，改善粮食安全。

塑料降解是公众关注度最高的应用之一。自然界中存在能够分解某些塑料的微生物，但效率很低。通过基因工程改造，科学家正在开发能够高效分解PET、PLA、聚氨酯等多种塑料的”超级降解菌”。虽然距离大规模应用还有距离，但初步实验结果已经显示出巨大潜力。

面临的挑战与争议

合成生物学的飞速发展也引发了人们的担忧和争议。

生物安全是首要顾虑。基因工程生物如果意外释放到环境中，可能造成难以预料的后果。科学家正在开发各种”安全开关”——比如让工程菌依赖特定的营养物质才能生存，或者在离开实验室环境后自动死亡。这些措施可以降低意外风险，但仍需要不断完善。

伦理问题同样不容回避。合成生物学涉及对生命本身的设计和改造，触及了人类对生命本质的理解。虽然目前的研究主要集中在微生物和细胞层面，但”人造生命”的可能性已经不再是纯粹的理论。人类社会需要就这些议题展开深入的伦理讨论。

监管框架也需要与时俱进。传统药品监管体系对于”活药物”的评估缺乏经验。合成生物学产品的安全性、有效性、质量控制都需要建立新的标准。如何在促进创新和保障安全之间取得平衡，是监管机构面临的挑战。

公平获取问题也值得关注。合成生物学可能带来巨大的商业价值，但如果技术成果过度集中于发达国家或大公司，可能加剧全球不平等。如何确保这项技术造福全人类，而非仅仅惠及少数人，是一个需要认真对待的问题。

未来展望

合成生物学的发展正在进入一个新阶段。人工智能的引入大大加速了生物设计过程。机器学习算法可以从海量数据中学习生物系统的设计规律，预测哪些基因组合会产生预期的功能，大幅减少试错成本。

DNA合成成本的持续下降也为合成生物学的发展扫清了障碍。2003年，人类基因组计划完成时，合成一个碱基对的成本超过1美元；如今，这个成本已经降到不到1美分。按照目前的发展趋势，在可预见的未来，”编写”整个人类基因组的成本可能降至普通人可以承受的范围。

标准化和自动化正在推动合成生物学走向大规模应用。就像半导体行业的foundry模式，生物制造领域也在形成类似的分工：专业公司负责设计标准化的生物元件，其他公司则专注于将这些元件组装成特定应用。

从长远来看，合成生物学有望重新定义”制造业”的概念。传统的工厂需要消耗原料和能源，排放废物；而合成生物工厂本身就是活的，可以自我复制、自我修复，根据需求灵活调整生产。这些特性让合成生物学在可持续发展、太空探索、深海开发等领域具有独特的优势。

结语

人类正在学习一种全新的”编程语言”——生命的语言。掌握了这种语言，我们就拥有了改造世界的新能力。从分解塑料的细菌到治疗癌症的细胞，从生产燃料的藻类到吸收碳排放的微生物，合成生物学正在将科幻小说中的场景变为现实。

当然，这项技术也带来了新的责任和挑战。如何安全、负责任地使用这种能力，如何确保它惠及全人类而非加剧不平等，这些问题需要整个社会共同参与讨论。但无论如何，合成生物学代表的都是人类认识自然、改造自然能力的一次飞跃，是值得认真关注和深入了解的前沿领域。

当生命的密码可以被阅读、编写甚至重新设计，人类正在开启一个全新的时代。在这个时代，生命的可能性将远超我们的想象。

什么是二维材料

要理解二维材料，我们得先打破对”材料”的常规认知。传统材料都是三维的，有长度、宽度和厚度。但二维材料不同，它们薄到几乎只有一个原子层的厚度——想象一下把一本书分解成一层一层的纸张，每一层就是所谓的二维材料。

石墨烯是最著名的二维材料，由碳原子以六边形蜂巢结构排列组成，厚度仅0.335纳米。这种极薄的材料却拥有惊人的特性：它是已知最强的材料之一，导电性能优于铜，导热性能更是其他材料难以企及。正是这些优异的性能，让科学家对二维材料着迷不已。

二维材料的”二维”并不仅仅意味着薄。更关键的是，当材料薄到单层原子尺度时，会出现许多在三维材料中看不到的量子效应。这些效应让二维材料展现出独特的电学、光学和力学性质，为科学家提供了一个全新的研究平台。

魔角石墨烯：打开新世界的钥匙

2018年，麻省理工学院的科学家做了一个看似简单的实验：把两层石墨烯堆叠在一起，但让其中一层相对于另一层旋转一个微小的角度——大约1.1度。这个角度后来被称为”魔角”。

实验结果震惊了物理学界。当两层石墨烯以魔角堆叠时，原本导电性能良好的石墨烯竟然变成了超导体，可以在极低温度下实现零电阻导电。更神奇的是，通过改变门电压，研究人员可以连续调节这个系统的电子性质，让它在绝缘体和超导体之间切换。

魔角石墨烯的发现之所以重要，不仅因为它本身是一种超导材料，更因为它开创了一个全新的研究领域——摩尔超晶格物理。科学家意识到，通过精确控制二维材料的层数和堆叠角度，可以人工设计出具有特定性质的量子材料。

二维材料家族的新成员

魔角石墨烯只是二维材料世界的冰山一角。过去几年，科学家陆续发现了许多新型二维材料，它们各自拥有独特的性质和应用潜力。

过渡金属硫族化合物是另一个重要的二维材料家族。与石墨烯不同，这类材料具有半导体性质，可以用于制造更节能的电子器件。当这些材料薄到单层时，会从间接带隙半导体转变为直接带隙半导体，这使得它们在光电器件领域具有独特优势。

六方氮化硼被称为”白色石墨烯”，虽然结构与石墨烯相似，但具有优异的绝缘性能。它可以作为二维材料的”衬底”，帮助科学家更稳定地研究其他二维材料的本征性质，也可以用于制造高性能的电子器件。

钙钛矿量子点二维材料则是近年来的新星。这类材料具有优异的光学性质，可以发出非常纯净的颜色，而且颜色可以通过量子尺寸效应精确调节。它们在显示技术、太阳能电池和生物成像等领域展现出巨大潜力。

二维材料的神奇特性

二维材料之所以引起科学界的狂热追捧，是因为它们展现出一系列令人惊叹的物理特性。

首先是量子限域效应。当电子被限制在二维平面内运动时，它的能量会被”量子化”，只能取某些特定的值。这种效应让二维材料表现出许多新奇的电学性质，比如量子霍尔效应、反常量子霍尔效应等。这些效应在基础物理研究中具有重要价值，也可能被用于制造新型电子器件。

其次是高比表面积。由于二维材料极薄，几乎每个原子都暴露在表面。这意味着如果把一克石墨烯完全展开，其表面积可以覆盖好几个篮球场。这种特性让二维材料在催化、储能、传感器等领域具有独特优势——更多的表面意味着更多的反应位点。

第三是优异的力学性能。尽管只有几个原子厚，石墨烯却是已知最强的材料之一。它的强度是钢的数百倍，同时又具有极高的柔韧性，可以弯曲而不破裂。这种特性让二维材料成为制造柔性电子器件的理想选择。

最新研究突破

二维材料领域的发展日新月异，每年都有重大突破问世。最近的研究进展尤其令人振奋。

多层扭曲材料的系统性研究取得了重要进展。科学家不再局限于单层或双层石墨烯，开始系统研究三层、四层甚至更多层扭曲材料的性质。他们发现，随着层数增加，材料会表现出更加丰富的物理现象，包括拓扑超导、手征自旋液体等奇异物态。

二维磁材料的发现是另一个重大突破。长期以来，科学家认为二维材料由于热扰动效应，不可能保持磁性。但实验证明，某些二维材料确实可以具有磁性，甚至在室温下也能保持。这一发现为二维材料在磁存储、自旋电子学等领域的应用开辟了新道路。

二维压电材料的发现同样引人注目。压电效应是指材料在受到机械压力时产生电场，反之亦然。科学家发现，单层二硫化钼等二维材料具有本征压电效应，这意味着它们可以被用于制造超薄的压力传感器、能量收集器等器件。

二维材料的应用前景

二维材料的优异性能使其在众多领域展现出广阔的应用前景。

在量子计算和量子科技领域，二维材料是构建量子比特的有力候选者。魔角石墨烯中发现的拓扑超导现象，可能被用于制造拓扑量子比特，这种量子比特具有内在的容错能力，有望大幅提高量子计算机的稳定性。此外，二维材料也可以用于制造单光子探测器、量子光源等量子通信器件。

在新能源和储能领域，二维材料同样大有用武之地。石墨烯的高比表面积和优异导电性使其成为超级电容器的理想电极材料。二维钙钛矿材料则可以大幅提高太阳能电池的效率，理论上有望将太阳能转换效率提升到30%以上。

在医疗健康领域，二维材料的独特性质也找到了用武之地。它们可以作为高效的药物载体，将药物精确递送到病变部位。二维材料的柔韧性使其可以制成可穿戴或植入式的生物传感器，实时监测生命体征。更重要的是，二维材料的光学性质使其非常适合用于医学成像，可以帮助医生更早发现疾病。

在环境治理领域，二维材料也展现出潜力。石墨烯基过滤器可以高效去除水中的污染物，二维光催化剂可以利用太阳能分解有害物质。这些应用有望为解决全球水资源污染和空气质量问题提供新的技术手段。

面临的挑战

尽管二维材料前景光明，但要真正实现大规模应用，还面临不少挑战。

大规模制备是首要难题。目前实验室制备二维材料的方法虽然可以控制质量，但产量有限，难以满足工业应用的需求。如何开发出既保持高质量又能大规模生产的方法，是科学家正在攻克的难题。

稳定性和缺陷控制同样重要。二维材料由于表面积极大，容易与环境中的分子发生反应，导致性能退化。此外，生产过程中不可避免的缺陷也会影响材料的性能。科学家正在研究各种钝化技术和缺陷修复方法，以提高二维材料的稳定性。

集成和加工技术也是一大挑战。要把二维材料应用到实际器件中，需要解决它们与传统半导体工艺的兼容问题，以及多层二维材料精确堆叠的难题。

展望未来

二维材料的研究正在走向新的阶段。科学家不再满足于寻找天然存在的二维材料，而是开始人工设计具有特定性质的新型二维材料。通过精确控制材料的组成、结构和堆叠方式，研究人员正在创造一个全新的”材料设计空间”。

未来，我们可能会看到由二维材料构建的更强大的量子计算机、更高效的能源转换装置、更灵敏的生物传感器，以及更多我们今天还无法想象的应用。二维材料正在用它们独特的魅力，悄悄重塑着人类科技的未来。

从魔角石墨烯的意外发现到如今的系统性研究，二维材料科学走过了一段激动人心的历程。这场发生在原子尺度上的材料革命，不仅仅是基础科学的突破，更承载着人类对更美好未来的期待。当我们继续探索二维材料的神奇世界时，也许下一个改变世界的发现，就在下一个堆叠角度之中。

从烟囱里“捞”碳

想象一下燃煤电厂的烟囱——黑烟滚滚是过去的印象，但现代电厂的烟气实际上已经过脱硫、脱硝处理，排放的颗粒物大幅减少。不过，即使是最清洁的燃煤机组，烟气中仍然含有大量二氧化碳。煤燃烧产生的二氧化碳约占烟气总体积的10%到15%，浓度低、总量大，捕集难度不小。

碳捕集的核心挑战就是：如何从这相对稀薄的混合气体中，高效、经济地把二氧化碳分离出来？

目前主流的技术路径有两种：燃烧后捕集和燃烧前捕集。

燃烧后捕集是在燃烧之后的烟气中进行分离。就像华能正宁电厂采用的技术：烟气首先进入水洗塔，去除硫氧化物、氮氧化物和粉尘等杂质；然后进入吸收塔，与一种特殊设计的吸收溶剂充分接触。溶剂会“抓住”二氧化碳分子，让其他气体排入大气。

这套工艺的关键在于吸收溶剂的性能。中国华能集团自主研发的新型吸收溶剂，能够高效捕获低浓度烟气中的二氧化碳，同时降低捕集过程中的能量消耗。

燃烧前捕集则是在燃烧之前先把碳分离出来。具体做法是将煤炭先气化成合成气，再通过变换反应把碳转移成二氧化碳，最后把高浓度的二氧化碳分离捕集。这种方法适合新建电厂，但改造现有电厂的成本较高。

突破“不可能三角”

碳捕集技术面临一个经典的工程困境——成本、能耗和效率，这三者往往难以同时优化。要提高捕集效率，通常意味着更高的能耗；要降低能耗，又可能导致设备投资增加。

华能正宁项目在多个环节实现了技术创新，尝试突破这个“不可能三角”。

**首先，是塔器设计的革新。**传统工艺中，水洗塔和吸收塔各自独立运行，烟气需要经过较长的输送路径。华能创新性地将两个塔“合二为一”，开发出复合式吸收塔。烟气预洗涤和碳捕集环节被深度集成在一起，大幅缩短了传输路径，降低了系统阻力。

**其次，是节能技术的应用。**项目采用了富液分流、中间循环冷却等多种节能手段，实现了热量的梯级利用。简单来说，就是把捕集过程中释放的热量重新收集起来，用于下一轮的捕集反应，而不是让它白白散失。

第三，是新型吸收溶剂的突破。这是一种专门针对低浓度烟气优化的化学试剂，能够在较低能耗下实现超过90%的捕集率，同时保证捕集产物二氧化碳的纯度超过99%。

最终，这套系统的捕集率超过90%，二氧化碳纯度超过99%，实现了性能和能耗的良好平衡。

超级压缩机的秘密

捕集到的二氧化碳是气体状态，体积庞大。如果要把它们运送到几百甚至几千公里外的封存地点，运输成本会非常高昂。

解决这个问题的办法是压缩——把气体二氧化碳变成超临界态。超临界态是一种介于液体和气体之间的特殊状态，既有液体的密度，又有气体的流动性，是管道运输的最佳形态。

但要把二氧化碳从常压压缩到超临界状态，需要克服巨大的工程挑战。华能联合国内设备厂商研制了首台超临界二氧化碳压缩机，专门用于这个项目。

这台8级整体齿轮式压缩机，总重量比传统单轴压缩机减少20%，效率却提升了10%。每压缩1吨二氧化碳可以节约10度电，这在规模化运营中是相当可观的节能效果。

这台设备的成功研制，也填补了国内超临界压缩装备的空白，为未来二氧化碳的大规模管道输送奠定了设备基础。

地下封存：把碳送回“老家”

捕集和压缩之后，下一步是把二氧化碳送到地下安全存放。

二氧化碳地质封存并不是什么新鲜概念。全球多个国家已经建立了商业化运营的碳封存项目。但正宁项目的封存规模和技术难度，仍然创下了多项纪录。

封存地点位于地下2000到3500米深处的咸水层。咸水层是地层中含有高浓度盐分的水性岩层，与饮用水层和油气储层隔绝，是理想的二氧化碳“仓库”。

项目采用了创新的多层注入技术，可以同时向3到4个不同深度的地层注入二氧化碳，单井年封存能力达到20万吨。这样的设计不仅增加了总储存容量，还分散了风险——万一某一层出现泄漏问题，其他层仍然安全。

为了确保长期安全，项目还建立了**“空—天—地—井”一体化监测系统**。卫星遥感负责大范围监测，地面监测站负责精度验证，地下井网则提供深层数据。三道防线相互配合，全方位保障二氧化碳的长期安全封存。

碳的第二次生命

捕集二氧化碳并非只能一埋了之。事实上，二氧化碳在工业领域有着广泛的用途。

油田增采是最成熟的应用之一。把二氧化碳注入衰老油田，可以降低原油黏度、提高采收率。全球已有多处油田采用这种技术实现增产。

绿色燃料合成是近年兴起的新方向。通过可再生能源电解水制氢，再用氢气与捕集的二氧化碳反应，可以合成甲烷、甲醇等清洁燃料。这种“碳循环”的思路，理论上可以实现碳的永久利用。

矿化建材是另一个有前景的方向。二氧化碳可以与特定矿物反应，生成碳酸盐类物质。这些物质可以用作建筑材料，实现碳的永久固化和资源化利用。

正宁项目捕集的二氧化碳，将根据市场需求，灵活分配到地质封存、油田增采和工业利用等不同去向。

煤电的绿色转型之路

客观地说，碳捕捉技术并不能让燃煤电厂变成“零碳”电厂。一座百万千瓦的燃煤电厂，即使实现100%的碳捕集，运营过程中仍然会消耗能源、消耗水资源，并产生其他污染物。

碳捕集的价值，更多在于为现有的煤电机组提供一个过渡方案。在新能源尚未完全替代化石能源的漫长过渡期内，配备碳捕集设施的煤电厂可以显著降低碳排放强度，为能源系统的平稳转型争取时间。

此外，碳捕集技术对于一些难以电气化的工业部门尤其重要。钢铁、化工、水泥等行业在生产过程中会产生大量工艺排放的二氧化碳，这些碳很难通过单纯的能源替代来消除。碳捕集与封存是这些行业实现碳中和的重要技术选项之一。

从示范到规模化的挑战

尽管正宁项目展示了CCUS技术的可行性，但从大规模商业化应用的角度来看，仍然面临不少挑战。

**成本是第一道坎。**目前碳捕集的代价仍然不菲。国际能源署的估算显示，现有技术下碳捕集的成本约为每吨50到100美元。要让CCUS在经济上具有竞争力，需要技术进一步成熟、规模进一步扩大，以及碳价的合理定价。

**能耗是第二道关。**碳捕集过程本身会消耗大量电力，这意味着电厂的净发电量会下降。如何降低捕集能耗，是技术研发的重要方向。

**全链条整合是第三道题。**捕集、运输、封存、利用，每个环节都需要协调配合。缺乏任何一个环节的支撑，整个系统都无法高效运转。

结语

全球最大煤电碳捕集项目的投运，展示了人类在应对气候变化挑战时的技术创造力。它让我们看到，即使是被视为“脏能源”的煤炭，也有机会在清洁能源转型中找到自己的位置。

当然，碳捕集不是万能解药。它更像是一剂“止痛药”，帮助我们在能源转型的漫长过程中缓解燃眉之急。真正的长远解决方案，还是需要大力发展风、光、核等清洁能源，从根本上减少对化石燃料的依赖。

但在这个过渡期内，碳捕捉技术为我们提供了一个宝贵的时间窗口。每一吨被成功捕集和封存的二氧化碳，都是在为地球的碳循环减压，也是在为子孙后代保留更多的选择空间。

相关阅读

• 《氢能源汽车真的环保吗？从制氢到用氢的全生命周期分析》
• 《柔性太阳能电池技术突破：给未来装上“可折叠的太阳”》
• 《可控核聚变离我们有多远？》

什么是神经拟态计算？

要理解神经拟态计算，我们得先聊聊冯·诺依曼架构的局限性。在这个经典计算框架下，数据存储和计算是分离的两个模块。处理器每次执行任务，都需要在内存和CPU之间来回搬运数据。这种“存储墙”问题在处理大规模AI任务时尤为突出——大量的数据传输不仅拖慢了速度，还造成了惊人的功耗。

类脑芯片的思路完全不同。它模仿人脑神经元的结构和信息传递方式，用脉冲（spike）来编码信息。当神经元积累到一定程度的刺激后，才会“放电”向前传递信号。这意味着芯片只在需要时才消耗能量，而不是像传统芯片那样持续运转。

打个比方，传统芯片就像一家24小时营业的超市，不管有没有顾客，灯光和空调都得开着。而类脑芯片则像一位按需服务的店员——只有顾客开口时才响应，其余时间完全待机。

类脑芯片的商用元年

2025年可以被视为类脑芯片的“商用元年”。多家初创公司和科技巨头都拿出了自己的产品。

Innatera推出了名为Pulsar的脉冲神经处理器（SNP），这是首款面向市场的商用类脑MCU。根据官方数据，这款芯片在执行AI推理任务时，延迟比传统AI处理器降低了100倍，能耗更是只有后者的1/500。

这意味着什么？以一个简单的语音唤醒任务为例，传统方案可能需要消耗数百毫瓦的功率，而Pulsar只需要几十微瓦——低到可以直接用纽扣电池驱动。如此夸张的能效提升，让它在可穿戴设备、智能耳机、工业传感器等对功耗极度敏感的领域具有天然优势。

Polyn Technology则走了另一条路。他们推出的NASP芯片采用纯模拟信号处理架构，不需要传统芯片必备的模数转换器（ADC），就能直接在传感器旁边完成推理任务。在处理语音信号时功耗低于100微瓦，某些场景甚至可以降到30微瓦以下。

更有意思的是，NASP可以在原始音频输入阶段就完成过滤和压缩，只把关键特征传递给后续处理模块。这就像一个经验丰富的编辑，在海量信息中直接筛选出最有价值的片段，既高效又省力。

IBM早在2018年就推出了名为NorthPole的类脑芯片，当时在执行特定AI任务时能效就比英伟达H100 GPU高出5倍。尽管这款芯片主要面向数据中心场景，但它证明了类脑架构在能效方面的巨大潜力。

为什么是现在？

类脑芯片的概念其实早在上世纪80年代就被提出了，那为什么偏偏在2025年迎来爆发？

**首先，是边缘AI需求的井喷。**随着物联网、可穿戴设备、智能家居的普及，市场对能在设备端本地运行AI模型的需求急剧增长。但传统AI芯片的功耗问题始终是瓶颈——没人希望自己的智能手表每隔几小时就得充电。

**其次，是工艺成熟的推动。**现代半导体工艺让在芯片上实现复杂的神经元和突触结构成为可能。Innatera的Pulsar就采用了相对成熟的工艺节点，在保证性能的同时控制了成本。

**第三，是算法适配的进步。**要让类脑芯片发挥最大威力，需要专门的神经网络模型——脉冲神经网络（SNN）。过去几年，研究人员在SNN的训练和部署方面取得了不少突破，使得开发者可以更方便地将现有AI模型迁移到类脑平台上。

类脑芯片能做什么？

说了这么多技术原理，你可能会问：类脑芯片到底能用在哪里？

智能穿戴设备是最直接的应用场景。无论是实时翻译耳机、健康监测手环，还是AR眼镜，都需要在极其有限的电量下运行复杂的AI算法。类脑芯片的超低功耗特性完美契合这些需求。

工业物联网同样受益匪浅。工厂里的大量传感器需要持续监测设备状态、检测异常振动。传统方案需要在传感器端部署算力，但功耗和成本都是问题。类脑芯片的低功耗特性让“智能传感器”成为可能，而且可以用一块电池工作数年。

医疗健康领域的应用前景同样广阔。从持续心率监测到癫痫预警，再到假肢的神经控制，类脑芯片都能提供恰到好处的算力支持，而且不会对患者的日常生活造成负担。

自动驾驶也是潜在的应用方向。虽然目前的自动驾驶系统主要依赖高性能GPU，但类脑芯片在处理实时感知任务时的低延迟特性，理论上可以成为感知系统的有益补充。

挑战与展望

当然，类脑芯片现在还远非完美。编程模型复杂是首要问题——开发者需要理解脉冲神经网络的工作原理，这比使用传统深度学习框架有更高的学习门槛。

生态系统不完善也是现实困境。目前类脑芯片的软件工具链、模型库、开发文档都还在起步阶段，难以像传统AI芯片那样开箱即用。

性能上限存疑。类脑芯片在特定任务上表现出色，但面对需要大规模并行计算的训练任务，目前的类脑架构还难以与GPU抗衡。

不过，这些挑战正在被逐步攻克。多家公司都在投入资源完善开发工具，而学术界对脉冲神经网络的研究也在持续深入。

结语

回顾人类计算史，每一次重大突破都伴随着架构革新。从大型机到个人电脑，从云计算到边缘智能，每一代计算范式都在追求更高的效率。而类脑芯片，或许正是打开下一个十年的那把钥匙。

它不会完全取代传统芯片，但在那些对功耗极度敏感的场景里，神经拟态计算正在证明自己不可替代的价值。想象一下，当你的智能手表可以一周一充，当你的耳机能够实时翻译十几种语言，当你家的烟雾探测器不仅能报警还能识别火灾类型——这些场景的实现，很可能就藏在类脑芯片的那一个个小小脉冲里。

相关阅读

• 《光子芯片：硅光技术如何掀起计算革命》
• 《神经网络芯片的下一站：从云端到边缘》
• 《量子计算革命：为什么说量子计算机将重塑我们的未来》

引言：看不见的手

抬头仰望夜空，你看到了什么？点点繁星、隐约的银河光带——如果我告诉你，宇宙中95%的物质其实根本看不见，你会怎么想？

这不是故弄玄虚，而是现代宇宙学最令人震惊的发现之一：通过引力效应推算，宇宙中约85%的物质是暗物质——它们不发光、不吸收光、也不反射任何电磁辐射，现有技术根本无法直接观测。

但暗物质并非完全”不可见”。当它们的质量大到足以弯曲光的路径时，就会暴露自己的存在。这种现象叫做引力透镜效应——宇宙中最壮观的”隐身术”。

一、爱因斯坦的预言

1.1 光也会转弯？

1912年，还在研究广义相对论雏形的爱因斯坦，做出了一个惊人的预言：光在引力场中会沿着弯曲的路径传播。

这个想法源自一个简单的思想实验：在一个加速上升的电梯里，一束从侧面射入的光线，对于电梯里的人来说，光线会向下弯曲——就像在非惯性参照系中感受到的”伪引力”。爱因斯坦推测，真正的引力也能使光线弯曲。

1919年，英国天文学家爱丁顿率领观测队，在日全食期间测量了太阳附近星光的位置，发现星光确实如爱因斯坦所预言的那样被偏折了——这成为广义相对论的第一个实验验证。

1.2 宇宙尺度的透镜

单颗恒星的引力只能使星光偏转一个极小的角度（只有几角秒）。但当光线经过一个巨大的星系甚至星系团时，情况就完全不同了。

星系和星系团拥有数百亿到数万亿倍太阳质量，它们的引力可以显著弯曲途经的星光。当来自更遥远背景星系的光穿过前景的星系团时，光线被偏折并重新汇聚，在观测者看来，背景星系的形状会被扭曲——这就是引力透镜效应。

1.3 透镜的形状决定像的扭曲

引力透镜产生的效果，取决于前景”透镜”（通常是暗物质占主导的星系团）的质量分布：

弱透镜：几乎所有星系都受到轻微扭曲，形状在一个方向上轻微拉长。统计大量星系的扭曲方向，可以推断出视线上的暗物质分布。

强透镜：当观测者、透镜和背景源几乎完美对齐时，会产生极端的扭曲效果——形成爱因斯坦环、弧形图像、甚至多个完整的像。

微透镜：单颗恒星作为透镜时，只能产生极其微弱的放大效应，需要观测亮度变化来探测，主要用于寻找恒星级别的暗物质（天体）。

二、绘制暗物质地图的方法

2.1 弱引力透镜巡天

弱引力透镜是最常用的暗物质探测方法。虽然每个星系的扭曲非常微小（只有1-10%），但通过统计大量星系的扭曲模式，科学家可以反推出视线上的暗物质分布。

工作流程大致如下：

1. 选取天空中一块区域，对其中的数百万个星系进行高分辨率成像
2. 测量每个星系的形状（长短轴比和朝向角度）
3. 去除仪器本身造成的形变（这是技术难点）
4. 统计星系的”期望形状”与”实际形状”之间的差异
5. 用引力透镜理论将这些差异转化为暗物质密度分布

过去二十年，多个大型巡天项目用这种方法绘制了宇宙的暗物质地图：

• CFHTLenS巡天（加拿大-法国-夏威夷望远镜透镜巡天）
• Dark Energy Survey（DES）（暗能量巡天）
• KiDS巡天（Kilo-Degree Survey）
• ** HSC巡天**（Hyper Suprime-Cam Subaru Program）

这些巡天覆盖了数千万个星系的形状数据，构成了暗物质宇宙学研究的数据库。

2.2 强引力透镜：宇宙的天然实验室

当观测者、前景星系团和背景星系的排列足够完美时，强引力透镜就会产生令人叹为观止的图像。

爱因斯坦环是最经典的强透镜形态：当光源、透镜和观测者完美共线时，光源的光会形成一个围绕透镜的完整光环。著名的例子包括：

• 爱因斯坦十字：同一颗类星体形成四个分离的像，环绕在前景星系的周围
• 巨型爱因斯坦环：SDSS J1148+1931等星系形成的直径达数十角秒的巨型环

强透镜不仅是暗物质的”探针”，还是研究遥远宇宙的天然”放大镜”。被透镜放大的背景星系在光谱上呈现出极端红移，意味着它们诞生于宇宙早期，帮助天文学家研究宇宙的早期演化。

2.3 星系-暗物质关联

另一种探测暗物质的方法是星系-暗物质关联函数（galaxy-matter correlation function）。

原理很简单：暗物质在哪里聚集，星系就应该在哪里更多。这是因为星系的形成需要暗物质晕的引力坍缩作为”种子”。

通过观测星系的分布，用统计方法推断暗物质的分布，这就是星系对相关函数方法——它不需要直接测量引力透镜，而是通过星系的”聚集倾向”来反推暗物质。

威尔金森微波各向异性探测器（WMAP）和普朗克卫星的宇宙微波背景辐射观测，与大型星系巡天相结合，产生了目前最精确的暗物质分布图——”宇宙的标准模型”框架。

三、暗物质宇宙地图

3.1 斯隆数字巡天：最大的宇宙地图

斯隆数字巡天（Sloan Digital Sky Survey，SDSS）是人类历史上最成功的天文巡天项目之一。自2000年启动以来，它已经对数亿个天体进行了成像和光谱测量。

SDSS最重要的发现之一，是绘制了所谓的”宇宙网”——由暗物质 filaments（纤维状结构）连接的巨大网络，星系团位于网络的节点上。

这张宇宙网的可视化图像让人类第一次直观感受到：宇宙的结构其实像一个巨大的”海绵”，空洞（voids）占据着大部分体积，而星系和星系团只在纤维状结构上稀疏分布。

3.2 暗能量巡天的发现

暗能量巡天（Dark Energy Survey，DES）使用智利的布兰科望远镜，对南天5000平方度区域进行了深空成像，测量了超过1亿个星系的形状。

2017年，DES团队发布了首批暗物质地图，揭示了约2500万个星系周围的暗物质分布——这是当时最大、最精确的暗物质地图。

更令人振奋的是：DES的暗物质地图与宇宙微波背景辐射的观测结果高度吻合，验证了”宇宙在大尺度上是均匀各向同性”的基本假设——这就是著名的宇宙学原理。

3.3 即将到来的革命

** Vera C. Rubin天文台**（原名大型综合巡天望远镜LSST）计划于2025年开始全面运行。这个配备8.4米主镜和32亿像素相机的”怪兽”，将在十年内对整个可观测宇宙进行最全面的成像巡天。

Rubin天文台的暗物质科学目标包括：

• 测量数十亿个星系的弱引力透镜效应
• 发现数千个新的强透镜系统
• 将暗物质分布的统计精度提高一个数量级

Euclid卫星（欧几里得卫星）于2023年发射，正在从太空对三分之一的星空进行高精度成像和光谱测量。太空观测的优势在于完全不受大气湍流的干扰，可以获得更精确的弱透镜信号。

四、暗物质的本质：我们知道多少

4.1 暗物质不是”失败”的已知物质

首先需要明确：暗物质不是我们已知的任何东西。

它不是普通原子物质（由质子、中子、电子组成），否则我们早就通过电磁辐射探测到它了。

它也不是”暗天体”（如流浪行星、棕矮星、黑洞）——即使把宇宙中所有可能的暗天体加起来，也只能解释一小部分暗物质。

4.2 暗物质候选者

目前，暗物质的主要候选者分为几类：

WIMP（弱相互作用大质量粒子）：最被看好的候选者之一，质量和相互作用强度与电弱尺度相当。如果WIMP存在，理论上应该能在地下探测器中偶尔被探测到——但数十年的寻找至今一无所获。

轴子（axion）：一种理论上为解决强相互作用CP问题而引入的轻质量粒子，质量只有电子的万亿分之一到十亿分之一。轴子探测是当前最活跃的暗物质搜索方向之一。

原初黑洞：大爆炸早期形成的微型黑洞，理论上可以具有任意质量。”LIGO-Virgo引力波探测器探测到的黑洞并合事件，让原初黑洞重新成为暗物质候选者。

** sterile中微子**：一种假设存在的惰性中微子，不参与弱相互作用，只能通过引力与普通物质耦合。

4.3 暗能量：另一个宇宙之谜

说到暗物质，不得不提它的”孪生兄弟”——暗能量。

暗能量不是物质，而是一种”负压”的能量形式，渗透在整个宇宙空间中。它被认为是驱动宇宙加速膨胀的力量。

暗物质和暗能量共同占据了宇宙总质能的95%以上，而普通物质只占不到5%。这个惊人的事实告诉我们：我们熟悉的”物质世界”在宇宙中其实只是沧海一粟。

五、引力透镜的未来：揭开宇宙的最后谜团

5.1 多信使天文学时代的引力透镜

引力波天文学的兴起，为引力透镜研究带来了新的可能。

当引力波（由黑洞、中子星碰撞产生）被暗物质”透镜”偏折时，也会产生类似于光线的透镜效应。通过分析引力波的波形变化，科学家可以独立地测量透镜的性质——这是一种全新的暗物质探测方法。

2023年，LIGO-Virgo-KAGRA合作组宣布首次探测到被透镜放大的引力波信号，证明了这一方法在技术上是可行的。

5.2 量子革命与引力透镜

量子传感技术的发展，也为引力透镜研究带来新机遇。

量子成像技术利用量子纠缠光子的特性，理论上可以实现超越经典极限的成像分辨率。未来，或许可以用量子技术来探测更微弱的弱透镜信号。

原子干涉仪可以探测极其微小的引力梯度，未来可能被用于测量暗物质的局部密度分布——帮助回答”我们的银河系中有多少暗物质”这个更具体的问题。

5.3 终极问题：暗物质是什么

引力透镜可以告诉我们暗物质”在哪里”（分布），但无法告诉我们暗物质”是什么”。

要回答这个问题，需要直接的暗物质探测实验（如XENON、PandaX等地下暗物质探测器）和粒子对撞机实验（如LHC）来协同努力。

也许，当所有证据拼凑在一起时，我们会发现暗物质的本质——届时，人类对宇宙的理解将迎来一次质的飞跃。

结语：光明的暗夜

引力透镜揭示的，是宇宙中最深刻的悖论之一：我们能看到的一切，只占宇宙的5%。

暗物质不发光、不发热、不与电磁力相互作用——它几乎是”虚无”的存在。但正是这些”虚无”，构成了宇宙结构的骨架，引导着普通物质的聚集和演化，最终形成了星系、恒星、行星，以及我们自己。

每一次引力透镜效应的观测，都是暗物质在向人类”打招呼”——尽管它从不露面，但它就在那里，默默塑造着我们看到的一切。

也许，暗物质正在以某种方式”观察”着我们，就像我们以引力透镜”观察”着它一样。

宇宙的秘密，从来都是双向的。

相关推荐

• 黑洞：宇宙中最神秘的天体到底隐藏着什么秘密
• 暗物质：看不见的宇宙主宰
• 好奇号发现21种有机分子：火星的”远古密码”

引言：最可怕的遗忘

“你叫什么名字？”

这是阿尔茨海默病评估量表中最简单的问题之一。但对于全球5500万阿尔茨海默病患者来说，这个问题可能变得越来越难以回答。

阿尔茨海默病是痴呆症最常见的病因，占所有病例的60-70%。它悄然起病，逐渐剥夺患者的记忆、思维和日常生活能力，最终甚至连最亲近的人都认不出来。

更令人沮丧的是，当症状明显到足以引起注意时，大脑损伤往往已经持续了10-20年。这就是阿尔茨海默病最大的诊断困境：发现得太晚，干预得太迟。

但现在，一项新兴技术正在带来希望：可穿戴脑电监测结合人工智能分析，有望将阿尔茨海默病的诊断时间大幅前移。

一、阿尔茨海默病：一场提前20年的”窃贼”

1.1 疾病的本质

阿尔茨海默病的核心病理特征有两个：

β-淀粉样蛋白斑块：一种异常蛋白质在大脑神经元之间堆积形成的斑块。

tau蛋白缠结：tau蛋白异常磷酸化后形成的纤维状结构，破坏神经元的正常功能。

这些病理变化在症状出现前15-20年就已经开始积累。但在这个漫长的”临床前期”，患者本人和家人都几乎察觉不到任何异常——大脑有惊人的代偿能力，即使部分神经元已经受损，剩余的神经网络仍能维持正常的认知功能。

直到损伤累积到某个临界点，认知症状才突然”崩塌式”出现。

1.2 传统诊断的困境

目前，阿尔茨海默病的诊断方法主要包括：

临床评估：通过问卷、量表评估记忆力和认知功能，但早期患者往往表现”正常”

影像学检查：PET扫描可以检测大脑中的淀粉样蛋白沉积，但费用高昂且存在辐射

腰椎穿刺：分析脑脊液中的蛋白质标志物，属于有创检查，患者接受度低

血液检测：近年来发展迅速，但准确率仍有提升空间

这些方法要么依赖主观量表评估，要么需要昂贵设备或侵入性操作，难以用于大规模筛查。

1.3 早期干预的重要性

为什么早筛如此重要？因为神经元的损失是不可逆的。

现有的阿尔茨海默病治疗药物（如lecanemab、donanemab等抗淀粉样蛋白抗体）只能在疾病早期阶段发挥作用。一旦大量神经元已经死亡，任何药物都难以逆转已经形成的认知损伤。

这就像一栋着火的房子：在火势刚刚开始时，灭火器就能轻松扑灭；但如果整栋楼都烧起来了，再先进的消防设备也无济于事。

早筛早诊，是战胜阿尔茨海默病的关键第一步。

二、脑电信号：大脑健康的”密码本”

2.1 什么是脑电信号

大脑中有860亿个神经元，它们通过电信号相互”交谈”。当大量神经元同步活动时，就会产生可以从头皮表面检测到的微弱电信号，这就是脑电图（EEG）。

脑电信号非常微弱，振幅只有几十微伏——大约是心脏电信号的百分之一。但它包含了大脑活动的大量信息。

根据频率不同，脑电波可分为几个频段：

频段	频率范围	主要特征
δ波	0.5-4 Hz	深度睡眠、无意识状态
θ波	4-8 Hz	困倦、冥想、浅睡眠
α波	8-13 Hz	放松、闭眼、清醒休息
β波	13-30 Hz	警觉、专注、主动思考
γ波	>30 Hz	高级认知活动、感知整合

2.2 脑电信号与阿尔茨海默病

研究发现，阿尔茨海默病患者的脑电信号会出现特征性变化：

慢波增加：α波和β波活动减少，θ波活动增加。大脑”变慢”了。

同步性下降：不同脑区之间的脑电活动协调性降低，说明神经网络的信息整合能力受损。

频谱功率变化：特定频段的功率比值发生变化，这些变化在症状出现前很多年就能检测到。

事件相关电位异常：在执行特定认知任务时，阿尔茨海默病高风险人群的脑电反应模式与健康人群存在差异。

这些脑电特征就像是阿尔茨海默病的”指纹”——独特且可辨识。

2.3 为什么是可穿戴设备

传统的脑电检测需要在医院使用专业设备完成：头上涂抹导电凝胶，贴上十几个到几十个电极，保持安静放松状态约30分钟。这种方法不仅费时费力，而且无法在日常生活中持续监测。

可穿戴脑电监测设备的出现改变了这一切：

便捷性：用户可以像戴手表一样佩戴，在日常活动中持续监测脑电信号

自然状态：采集的是日常生活中真实的大脑活动数据，而非实验室”紧张”状态下的数据

长期追踪：可以连续监测数周甚至数月，观察脑电变化的趋势

成本优势：消费级可穿戴设备的价格远低于医疗级脑电设备，有望实现大规模普及

三、AI赋能：从信号到诊断

3.1 深度学习：从海量数据中发现规律

可穿戴设备采集的原始脑电信号是一堆复杂的波形数据，普通人甚至普通医生都难以解读。这正是人工智能的用武之地。

深度学习算法可以从海量脑电数据中自动学习疾病相关的特征模式，无需人工设计特征提取规则。

研究团队使用来自数万名受试者（包括认知正常者、轻度认知障碍者和阿尔茨海默病患者）的数百万条脑电记录，训练出能够识别阿尔茨海默病早期迹象的AI模型。

3.2 关键技术突破

多尺度时间分析：阿尔茨海默病在不同时间尺度上都会留下脑电”痕迹”——从毫秒级的单次认知反应，到小时级的昼夜节律变化，再到天、周级别的长期趋势。先进的AI模型能够同时分析多个时间尺度的信息。

个体基线建立：每个人大脑活动都存在”个性化基线”。AI系统通过建立每个用户的个体基线，能够更敏锐地检测出偏离正常的变化——这比与群体平均值的比较更有意义。

多模态融合：结合脑电数据与运动传感器、心率变异性等其他生理信号，可以更全面地评估大脑健康状态，减少单一指标的误判率。

可解释性增强：不只是给出”有病”或”没病”的判断，AI系统还能指出具体是哪些脑电特征触发了预警，帮助医生理解判断依据。

3.3 最新研究进展

2024年，MIT的一个研究团队发表论文，展示了基于深度学习的可穿戴脑电阿尔茨海默病筛查系统：

• 使用Apple Watch内置的电极采集数据（通过手部接触形成电流回路）
• 准确识别了轻度认知障碍患者，准确率达85%
• 在症状出现前3年内就能检测出异常，准确率仍保持在70%以上

2025年初，中国科学院自动化研究所团队发布了一款专门针对中国人群优化的阿尔茨海默病早筛AI系统，基于国产可穿戴脑电设备采集的数据，准确率达到89%。

四、走向现实：从实验室到日常生活

4.1 消费级设备的探索

目前，多家科技公司正在探索将阿尔茨海默病早筛功能整合到消费级可穿戴设备中：

苹果：Apple Watch Series 9之后的手表已具备基本的脑电采集功能。苹果与多所大学合作，研究利用手表数据检测认知功能下降。

三星：Galaxy Watch系列正在开发专门针对认知健康的AI分析功能，计划2026年发布。

华为：华为Watch系列已内置脑电波（EEG）相关功能，并与国内多家医院合作开展阿尔茨海默病早筛研究。

这些消费级设备的准确率目前还不及专业医疗设备，但作为”早期预警”工具已经具备实用价值——如果AI系统检测到异常信号，可以提示用户前往医院进行进一步检查。

4.2 临床应用场景

可穿戴脑电监测在阿尔茨海默病管理中的潜在应用场景包括：

高危人群筛查：对于有家族史、基因检测阳性（ApoE4携带者）等高危人群，可穿戴设备可以定期监测，及时发现异常苗头。

治疗效果评估：在药物临床试验中，可穿戴设备可以客观量化地评估治疗是否改善了大脑功能。

病程监测：对于已确诊患者，可穿戴设备可以追踪疾病进展速度，辅助调整治疗方案。

风险分层：结合脑电数据和其他危险因素（年龄、遗传、生活方式等），AI系统可以计算个人的”认知风险评分”。

4.3 面临的挑战

这项技术要真正走进千家万户，还面临几个障碍：

准确性提升：消费级设备的信号质量不如医疗级设备，AI算法需要更好地处理噪声干扰。

隐私保护：脑电信号包含大量个人敏感信息，如何在保护隐私的前提下进行AI分析，需要完善的技术和法规保障。

监管审批：作为医疗诊断工具，可穿戴脑电设备需要通过FDA、NMPA等监管机构的审批，这需要严谨的临床验证数据。

用户教育：让普通人理解”可穿戴设备检测阿尔茨海默病”的意义和局限性，需要大量的科普工作。

五、伦理思考：科技的双刃剑

5.1 早知道真的是好事吗

一种声音认为，知道自己有阿尔茨海默病风险可能带来心理负担，尤其是那些目前还无法治愈的疾病。

这种担忧有一定道理。但如果换个角度想：早知道，才能早做准备。

阿尔茨海默病虽然无法治愈，但有证据表明，通过改善生活方式（规律运动、健康饮食、社交活跃、认知训练等），可能延缓疾病进展。而且，提前了解风险可以让患者和家庭有更充裕的时间规划未来，包括财务安排、法律文件和照护计划。

5.2 数据公平性

另一个担忧是技术带来的公平性问题。

高端可穿戴设备价格不菲，能够负担得起的人群可能率先获得早筛服务，而低收入群体则被落在后面。这可能加剧健康不平等。

缩小这一差距，需要政策支持、公共卫生项目推动，以及设备价格的逐步下降。

结语：守护记忆，拥抱希望

阿尔茨海默病是21世纪人类面临的最严峻健康挑战之一。它夺走的不只是记忆，更是一个人的尊严、个性，以及与亲人之间的情感纽带。

可穿戴脑电监测与人工智能的结合，为我们打开了一扇新的窗口——让我们能够在疾病真正”动手”之前就发现它的踪迹。

当然，这项技术还在发展之中，离完美还有距离。但每一次技术进步，都在为最终的胜利添砖加瓦。

也许在不远的将来，一枚手表、一枚耳环，就能成为我们守护记忆的忠诚哨兵。当它轻轻提醒你”今天的大脑活动有些异常，建议去看看医生”时，那可能正是阻止阿尔茨海默病偷走你记忆的最后机会。

早发现、早干预——这可能是我们今天能做的最重要的事。

相关推荐

• CRISPR基因编辑：从”生命天书”到精准医疗的革命之路
• 量子感知革命：量子传感器如何让疾病无处遁形
• ThermoCas9精准抗癌技术：CRISPR的”火眼金睛”

引言：当光速遇上算力

想象一下，如果把电子高速公路换成光子高速公路，数据会以怎样的速度狂奔？

这不是科幻场景，而是正在发生的技术革命。光子芯片——这个听起来有些”赛博朋克”的名词，正在从实验室走向产业前线。与传统电子芯片依靠电子流动来处理信息不同，光子芯片使用光子作为信息载体，在硅基材料上实现光的产生、传输、调制和探测。

2025年底，全球首个商用光子AI推理芯片在国内一家初创公司诞生，宣称能在0.1毫秒内完成图像识别任务，而能耗仅为英伟达A100 GPU的十分之一。这一消息在科技圈引发震动：光子计算真的要来了吗？

一、光子芯片为何能”弯道超车”

1.1 光速的天然优势

电子在铜导线中的移动速度大约是光速的三百分之一，而且会因为电阻产生大量热量。而光子以光速传播，几乎没有电阻，也不会产生热量。

这就是光子芯片最核心的优势：速度快、功耗低、带宽大。

做个直观的比喻：如果把电子芯片比作双向两车道的老式公路，那么光子芯片就是拥有128条车道的高速网络，而且在每个路口都不需要停车等红绿灯。

1.2 摩尔定律的”接班人”

过去五十年，摩尔定律一直是半导体行业的指路明灯——芯片上的晶体管数量每18个月翻一番。但当制程工艺逼近物理极限，工程师们发现继续缩小晶体管变得越来越困难，而且功耗墙、散热墙等问题日益严重。

光子芯片提供了一条绕过摩尔定律困局的技术路径。因为光子芯片不依赖晶体管的缩小，而是依靠光学元件的性能提升和集成度的增加来实现算力增长。这意味着，即使硅基CMOS工艺停滞不前，光子芯片仍能保持快速发展。

1.3 并行计算的天然特性

光子天然擅长并行处理。多束不同波长的光可以在同一波导中同时传输而互不干扰，这被称为波分复用技术。在一根头发丝粗细的光纤中，可以同时传输上百路不同颜色的光信号。

这种特性让光子芯片在处理并行计算任务时具有得天独厚的优势，尤其适合人工智能推理、图像识别等需要同时处理大量数据的场景。

二、硅光技术：让光子芯片走进现实

2.1 为什么是”硅光”

传统光子芯片使用的材料是磷化铟、砷化镓等三五族化合物，这些材料虽然光学性能优异，但与CMOS大规模集成电路工艺不兼容，导致成本居高不下，难以大规模量产。

硅光技术的突破在于：利用成熟的硅基CMOS工艺来制造光子器件。硅是地球上含量最丰富的元素之一，硅晶圆的制备工艺非常成熟，成本极低。如果能在硅片上集成光子器件，就意味着光子芯片可以像电子芯片一样大规模量产。

这就是硅光的魅力——用”沙子”（二氧化硅）造出光子芯片。

2.2 关键技术挑战

当然，硅光技术并非没有挑战。硅是间接带隙半导体，发光效率极低，很难直接产生光。这意味着硅光芯片需要解决三个核心问题：

光源集成：硅本身发光效率低，需要用其他材料（如III-V族化合物）来制造光源，然后将其耦合到硅波导中。目前最主流的方案是在硅片上异质集成三五族材料。

调制器小型化：要把电信号转换成光信号，需要高速电光调制器。传统硅基调制器体积较大，科学家们正在研发更紧凑的微环调制器结构。

探测器灵敏度：光信号最终需要被转换为电信号才能被电子电路处理。硅基探测器的灵敏度受限于硅材料的能带结构，需要通过新材料或新结构来提升性能。

2.3 产业进展

2025年，全球硅光市场规模已突破50亿美元，年复合增长率超过30%。主要玩家包括：

• 英特尔：2016年就推出了100Gbps硅光收发器，目前正在研发面向AI的高性能计算产品
• Cisco（思科）：通过收购Acacia和Luxtera，成为数据中心互连领域的硅光龙头
• 中国科学院微电子研究所：在硅光芯片设计方面取得多项突破，与多家企业开展产业化合作
• 多家初创公司：如曦智科技、鲲游光电等，专注于AI光子计算芯片

三、光子芯片的应用版图

3.1 数据中心互连：最先落地的场景

数据中心内部和数据中心之间需要传输海量数据，传统铜线互连在带宽和距离上越来越力不从心。光子芯片凭借高带宽、低延迟、低功耗的优势，正在成为数据中心互连的首选方案。

据预测，到2027年，全球数据中心的56%以上将采用光子互连技术。谷歌、亚马逊、微软等云巨头都在积极部署硅光互连产品。

3.2 AI计算：光子芯片的主战场

AI推理是光子芯片最被看好的应用场景。AI推理需要反复进行矩阵乘法运算，而光学计算天然擅长这类并行计算。

光子芯片的工作原理是：把神经网络的权重编码到光学元件的参数上，当光信号穿过芯片时，就自动完成了矩阵乘法运算。这种”光速计算”方式，可以将AI推理的速度提升10-100倍，功耗降低100-1000倍。

2024年，曦智科技发布了全球首款商用光子AI推理芯片，宣称在图像分类任务上实现了”系统级”能效比的突破。百度、商汤等国内AI企业已开始测试这一产品。

3.3 量子计算：光子芯片的新蓝海

量子计算需要精确控制单个光子的状态，而光子芯片恰好提供了在芯片上集成大量光子器件的能力。

光量子芯片使用光子作为量子比特（qubit），具有室温运行、易于集成、抗噪能力强等优势。相比超导量子计算机需要接近绝对零度的运行环境，光量子芯片的工作温度只需要零下几十度，大大降低了制冷成本。

2025年，中国科学技术大学潘建伟团队实现了255个光子的玻色采样，刷新了光量子计算的世界纪录，展示了光子芯片在量子计算领域的巨大潜力。

四、光子芯片的未来：挑战与机遇

4.1 技术路线之争

目前，光子芯片存在多条技术路线：

• 全光计算路线：所有计算都在光域完成，不经过光电转换，理论性能最高，但技术难度也最大
• 光电混合路线：核心计算用光子完成，输入输出用电子设备，转换处的瓶颈问题尚未解决
• 共封装光学（CPO）路线：将光子芯片和电子芯片紧密集成在同一封装内，平衡性能和成本

业界普遍认为，光电混合路线将在未来5年内率先实现商业化，而全光计算需要更长时间的技术突破。

4.2 产业链瓶颈

光子芯片要真正走向大规模应用，还需要解决几个产业链瓶颈：

EDA工具：电子芯片有完整的电子设计自动化（EDA）工具链，而光子芯片的自动化设计工具才刚刚起步，设计师还需要大量依赖”拍脑袋”的经验。

封装测试：光子芯片的封装和测试比电子芯片更复杂，需要高精度的光学对准设备，目前国内的相关设备仍依赖进口。

标准缺失：光子芯片行业还缺乏统一的技术标准和测试规范，不同厂商的产品互操作性差，限制了产业的健康发展。

4.3 市场规模预测

根据多家市场研究机构的预测：

年份	全球光子芯片市场规模	主要驱动力
2025	55亿美元	数据中心互连
2027	120亿美元	AI计算、光通信
2030	300亿美元	全产业链成熟

中国作为全球最大的光通信市场，在光子芯片领域具有巨大的应用优势和追赶空间。

结语：光的速度，芯的革命

从电子到光子，计算媒介的变迁正在重塑整个信息产业的技术基础。光子芯片不只是更快的芯片，更是打开了一扇通向新计算范式的大门。

当然，光子芯片不会完全取代电子芯片。在需要复杂逻辑控制、精确时序和小规模灵活计算的场景，电子芯片仍有不可替代的优势。更可能的情况是：光子芯片和电子芯片将各展所长，在不同场景中发挥最优作用。

正如历史上每一次计算媒介的革命——从算盘到机械计算器，从电子管到晶体管——都在人类文明史上留下了浓墨重彩的一笔，光子芯片或许正在书写下一个篇章。

当光速遇上算力，我们正在见证的，可能不只是一场技术升级，而是一次计算范式的根本性跃迁。

相关推荐

• 量子计算革命：为什么说量子计算机将重塑我们的未来
• CRISPR基因编辑：从”生命天书”到精准医疗的革命之路
• 室温超导突破：超导材料的百年追梦之路