在不久的将来，科技将如何改变您的生活？ 人工智能将大大加速创新药物和材料的设计。 先进的诊断工具将实现日益个性化的医疗。 增强现实技术将无处不在，将信息和动画叠加在真实世界的图像上，以帮助您完成日常任务，并帮助行业更高效地运营。 如果您生病了，医生将能够在您的体内植入活细胞，这些细胞将像药物工厂一样发挥作用，治疗您的疾病。 您还将吃到用干细胞培育的牛肉、鸡肉和鱼肉，这将大大减少动物养殖对环境的影响，并使无数生物免受不人道的待遇。
这些改变世界的想法，以及构成今年“十大新兴技术”榜单的其他想法，是由生物学、无机化学、机器人学和人工智能等领域的顶尖专家选出的。 该榜单是深入甄选过程的结果。
首先，我们撒下一张大网，从世界经济论坛全球未来理事会和专家网络社区的创新者、《大众科学》顾问委员会和编辑人员的成员以及其他人那里征集建议。 然后，在一系列虚拟会议中，指导小组评估了候选技术在多大程度上符合若干标准。 这些技术必须有能力为社会和经济带来重大利益，并且在未来三到五年内做到这一点。 它们必须具有潜在的颠覆性，能够改变行业或既定的做事方式。 它们必须处于相对早期的发展阶段——尚未广泛使用，但正在被许多团体研究，引起专家们的兴奋，吸引越来越多的投资，理想情况下，由多家公司开发。 指导小组在其第一次会议上将最初 50 多项提交的名单缩减，然后汇编了更多信息来评估剩余的大约 20 名候选技术。 在收集了更多信息后，指导小组在另外两次讨论中做出了最终决定。——玛丽埃特·迪克里斯蒂娜和伯纳德·S·梅尔森
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。 通过购买订阅，您正在帮助确保关于塑造我们当今世界的发现和想法的具有影响力的故事的未来。
1 计算机科学：无处不在的增强现实
世界将被数据覆盖
作者：科琳娜·E·拉森和安德鲁·梅纳德
虚拟现实 (VR) 让您沉浸在虚构的、与世隔绝的世界中。 相比之下，增强现实 (AR) 将计算机生成的信息实时叠加在真实世界上。 当您查看或佩戴配备 AR 软件和摄像头的设备时——无论是智能手机、平板电脑、头戴式耳机还是智能眼镜——程序都会分析传入的视频流，下载有关场景的广泛信息，并在其上叠加相关的数据、图像或动画，通常以 3D 形式呈现。
两个例子：帮助您的汽车安全倒车的显示器和流行的游戏 Pokémon GO。 大量的消费者应用程序——包括为外国游客翻译路标的应用程序、使学生能够解剖虚拟青蛙的应用程序以及允许购物者在将椅子带回家之前查看椅子在他们客厅中的外观的应用程序——也具有 AR 功能。 未来，该技术将使博物馆参观者能够召唤出类似全息图的导游； 外科医生能够以 3D 形式可视化患者皮肤下的组织； 建筑师和设计师能够以新颖的方式协作创作； 无人机操作员能够通过增强的图像控制他们的远程机器人； 以及新手能够快速学习从医学到工厂维护等领域的新任务。
图片来源：瓦内莎·布兰奇
易于使用的应用程序设计软件应会在未来几年扩大消费者产品范围。 然而，目前，AR 正在工业领域产生最大的影响，它已成为“第四次工业革命”或“工业 4.0”不可或缺的组成部分：“工业 4.0”是指通过物理系统和数字系统的集成来系统地改造制造业，以提高质量、降低成本和提高效率。 例如，许多公司正在测试其在装配线上的应用。 AR 可以在需要信息的确切时刻（例如，当工人必须选择一个零件而不是另一个零件时）提供恰到好处的信息——从而减少错误、提高效率和提高生产力。 它还可以可视化设备中的应力，并创建问题所在位置的实时图像。
市场分析师，如 ABI Research、IDC 和 Digi-Capital，认为增强现实正处于走向主流的边缘。 他们预计 AR 的总市场规模目前约为 15 亿美元，到 2020 年将增长到 1000 亿美元。 包括苹果、谷歌和微软在内的主要科技公司正在 AR 和 VR 产品及应用上投入大量资金和人力资源。 风险投资也开始涌入，2017 年在 AR 和 VR 领域投资了 30 亿美元——其中一半金额仅在第四季度。 《哈佛商业评论》最近强调 AR 是一项变革性技术，将影响所有企业。
障碍依然存在。 目前，硬件和通信带宽的限制对消费者日常使用规模的扩大构成障碍。 例如，许多现有的博物馆和旅游应用程序使用 AR 来增强体验，但必须提前下载。 即使这样，图形质量也可能无法满足用户的期望。 但是，随着更便宜、更快的支持 AR 的移动芯片上市、更通用的智能眼镜上市以及带宽的增加，该领域必将大幅增长。 届时，增强现实将与互联网和实时视频一起成为我们日常生活中不可或缺的一部分。
2 医学：电子药物
神经刺激疗法可以取代许多慢性病的药物
作者：杰弗里·林和科琳娜·E·拉森
电子药物——用电脉冲治疗疾病的设备——在医学上有着悠久的历史。 想想心脏起搏器、耳朵的耳蜗植入物和帕金森病的深部脑刺激。 这些方法之一有望变得更加通用，从而大大改善多种疾病的护理。 它涉及向迷走神经传递信号，迷走神经将脉冲从脑干发送到大多数器官并再次返回。
迷走神经刺激 (VNS) 的新用途之所以成为可能，部分原因是费恩斯坦医学研究所的凯文·特雷西和其他人的研究表明，迷走神经会释放化学物质，帮助调节免疫系统。 例如，脾脏中特定神经递质的释放会使参与全身炎症的免疫细胞平静下来。 这些发现表明，VNS 可能对超出以电信号紊乱为特征的疾病有益，例如自身免疫和炎症性疾病。 这对患有这些疾病的患者来说可能是一个福音，因为现有的药物通常会失效或引起严重的副作用。 VNS 可能更容易耐受，因为它作用于特定的神经，而药物通常会在全身游走，可能会扰乱治疗目标以外的组织。
到目前为止，与炎症相关的应用的初步研究令人鼓舞。 SetPoint Medical（由特雷西共同创立）开发的 VNS 设备在类风湿性关节炎（引起关节疼痛、毁容性炎症）和克罗恩病（涉及肠道炎症）的早期人体试验中已被证明是安全的。 针对这两种疾病的额外试验目前正在进行中。 电子药物方法也被考虑用于其他具有炎症成分的疾病，如心血管疾病、代谢失调和痴呆症，以及自身免疫性疾病，如狼疮，其中迷走神经本身变得不活跃。 预防移植组织的免疫排斥反应是另一种潜在的应用。
大多数迷走神经刺激器，包括 SetPoint 的设备以及已用于治疗癫痫和抑郁症的设备，都是植入物。 医生通常将设备放置在锁骨下方的皮肤下。 来自植入物的电线缠绕在迷走神经的一个分支上，并以预设的间隔向其传递电脉冲； 频率和其他属性通过外部磁棒编程。 今天的植入物直径约为 1 英寸半，但预计会随着时间的推移变得更小、可编程性更高。
旨在缓解丛集性头痛和偏头痛的非侵入式手持式迷走神经刺激器最近也获得了 FDA 批准，尽管迷走神经刺激究竟如何帮助缓解这些疾病尚不清楚。 手持设备通过颈部或耳朵上的皮肤向神经传递轻微的电刺激。
迷走神经不是唯一被新的电子药物方法针对的神经。 2017 年底，FDA 批准了一种非植入式设备，该设备通过向耳后皮肤的颅神经和枕神经分支发送信号来缓解阿片类药物戒断症状。 在 73 名患有阿片类药物戒断症状的患者的症状严重程度降低 31% 或更高后，该设备获得了 FDA 的认可。
植入物和手术的成本可能会阻碍 VNS 疗法的广泛采用，但随着技术变得侵入性更小，这个问题应该会缓解。 但成本不是唯一的挑战。 研究人员仍然需要更多地了解 VNS 如何在每种疾病中产生作用，以及如何最好地确定个体患者的最佳刺激模式。 针对迷走神经的脉冲也可能以不良方式影响周围神经。
然而，随着更多研究和试验检查其机制和效果，VNS 和其他电子药物最终可能能够更好地管理各种慢性疾病，从而有可能减少数百万患者服用药物的需求。
3 化学：用干细胞培育的肉类
晚餐吃牛肉——无需杀死动物或破坏环境
作者：G·欧文·谢弗
想象一下咬一口在实验室中用培养细胞生产的、无需杀死动物的美味牛肉汉堡。 用实验室培育的肉类正在将这一愿景变为现实。 几家初创公司正在开发实验室培育的牛肉、猪肉、家禽和海鲜——其中包括 Mosa Meat、Memphis Meats、SuperMeat 和 Finless Foods。 该领域正在吸引数百万美元的资金。 例如，2017 年，Memphis Meats 从包括比尔·盖茨和农业公司嘉吉在内的来源获得了 1700 万美元的投资。
图片来源：瓦内莎·布兰奇
如果得到广泛采用，实验室培育的肉类，也称为清洁肉类，可以消除大部分为食用而饲养的动物所遭受的残酷、不道德的待遇。 它还可以减少肉类生产的大量环境成本； 只需要资源来生成和维持培养细胞，而不是从出生开始的整个生物体。
肉是通过首先从动物身上采集肌肉样本制成的。 技术人员从组织中收集干细胞，使其大量繁殖，并使其分化成原始纤维，然后这些纤维膨胀形成肌肉组织。 Mosa Meat 表示，从一头牛身上采集的一个组织样本可以产生足够的肌肉组织来制作 80,000 个四分之一磅的汉堡。
许多初创公司表示，他们预计在未来几年内推出上市产品。 但清洁肉类如果要在商业上可行，就必须克服许多障碍。
两个障碍是成本和味道。 2013 年，当用实验室培育的肉类制成的汉堡被展示给记者时，肉饼的生产成本超过 30 万美元，并且过于干燥（脂肪太少）。 此后，费用有所下降。 Memphis Meats 今年报告称，四分之一磅的碎牛肉成本约为 600 美元。 鉴于这种趋势，清洁肉类可能会在几年内与传统肉类竞争。 仔细注意质地并明智地补充其他成分可以解决口味问题。
为了获得市场批准，清洁肉类必须被证明可以安全食用。 尽管没有理由认为实验室生产的肉类会构成健康危害，但 FDA 现在才开始考虑应如何对其进行监管。 与此同时，传统肉类生产商正在反击，他们认为实验室生成的产品根本不是肉类，不应贴上肉类的标签，调查显示，公众对食用实验室肉类的兴趣不大。 尽管面临这些挑战，清洁肉类公司仍在奋力前进。 如果他们能够成功创造出味道正宗且价格实惠的产品，清洁肉类可以使我们的日常饮食习惯更合乎道德和环境可持续性。
4 计算机科学：能够辩论和指导的机器人
新算法将使个人设备能够充分学习任何主题，足以进行辩论
作者：伯纳德·S·梅尔森
今天的数字助手有时会欺骗您，让您相信它们是人类，但功能强大得多的数字助手即将问世。 在幕后，Siri、Alexa 及其同类产品使用复杂的语音识别软件来弄清楚您在请求什么以及如何提供它，并且它们生成听起来自然的语音来传递与您的问题相匹配的脚本化答案。 这样的系统必须首先经过“训练”——接触到大量人类可能提出的请求类型——并且必须由人类编写适当的响应，并将其组织成高度结构化的数据格式。
这项工作非常耗时，并且导致数字助手可以执行的任务受到限制。 这些系统可以“学习”——它们的机器学习能力使它们能够改进将传入问题与现有答案的匹配——但在有限的范围内。 尽管如此，它们仍然令人印象深刻。
在更高的复杂性层面，现在正在开发技术，使下一代此类系统能够吸收和组织来自无数来源的非结构化数据（原始文本、视频、图片、音频、电子邮件等等），然后自主撰写关于他们从未接受过处理培训的主题的清晰建议——或与对手辩论。
图片来源：瓦内莎·布兰奇
我们已经在提供聊天机器人的网站上看到了这种能力的端倪，这些聊天机器人开箱即用，可以回答自然语言问题，涵盖他们训练过的各种数据集。 这样的聊天机器人只需要相对较少或根本不需要针对特定问题或请求进行培训； 它们使用预配置数据和“读取”提供给它们的背景材料的新兴能力相结合。 然而，它们确实需要一些识别单词和意图的培训，然后才能给出高度准确的响应。
今年 6 月，我的雇主 IBM 展示了该技术的更高级版本：一个系统在没有事先接受过关于主题或要论证的立场的培训的情况下，与人类专家进行了实时辩论。 该系统使用非结构化数据（包括来自维基百科的内容，其中一些内容经过编辑以提高清晰度），必须确定信息的 relevance 和真实性，并将其组织成可重用的资产，它可以调用该资产来形成连贯的论点来支持分配给它的立场。 它还必须回应其人类对手的论点。 该系统在演示过程中进行了两次辩论，并且在一个大型观众群体中，在一个辩论中被评为更具说服力。
实现技术——其中包括不仅可以理解自然语言，还可以处理检测正面和负面情绪的更艰巨挑战的软件——经过五年多的开发，并且仍然是一项正在进行中的工作。 尽管如此，未经脚本化的 AI 系统战胜公认的人类专家的胜利为无数相关的应用打开了大门，这些应用可能会在未来三到五年内出现，甚至更早。 例如，这样的系统可以帮助医生快速找到与复杂病例相关的研究，然后辩论给定治疗方案的优点。
这些智能系统仅对组装现有知识有用，而不能像实验科学家或专家那样创造知识。 尽管如此，随着机器变得越来越智能，它们引发了失业的幽灵。 社会有责任为下一代提供解决需要人类创造力来解决问题的技能。
5 生物技术：可植入的药物制造细胞
治疗方法可以根据需要在体内释放——而不会受到免疫系统的攻击
作者：李相烨
许多糖尿病患者每天多次扎手指以测量血糖水平并决定他们需要的胰岛素剂量。 通常在体内产生胰岛素的胰腺细胞植入物——所谓的胰岛细胞——可以使这个繁琐的过程变得不必要。 同样，细胞植入物可以改变其他疾病的治疗方法，包括癌症、心力衰竭、血友病、青光眼和帕金森病。 但是细胞植入物有一个主要的缺点：接受者必须无限期地服用免疫抑制剂以防止免疫系统排斥。 这些药物会导致严重的副作用，包括感染或恶性肿瘤的风险增加。
几十年来，科学家们发明了将细胞包裹在半透性保护膜中的方法，以防止免疫系统攻击植入的细胞。 这些胶囊仍然允许营养物质和其他小分子流入，以及所需的激素或其他治疗性蛋白质流出。 然而，让细胞免受伤害是不够的：如果免疫系统将保护材料本身视为外来物质，它将导致疤痕组织在胶囊上生长。 这种“纤维化”将阻止营养物质到达细胞，从而杀死它们。
现在，研究人员开始解决纤维化挑战。 例如，2016 年，麻省理工学院的一个团队发表了一种使植入物对免疫系统隐形的方法。 在生产和筛选了数百种材料后，研究人员确定了一种化学改性的凝胶藻酸盐，该凝胶在人体内具有长期安全使用的历史。 当他们将封装在这种凝胶中的胰岛细胞植入糖尿病小鼠体内时，细胞立即产生胰岛素以响应血糖水平的变化——在为期六个月的研究过程中保持血糖水平受控。 没有观察到纤维化。 在另一项工作中，该团队后来报告说，阻断巨噬细胞（巨噬细胞是纤维化中重要的免疫细胞）上的特定分子（集落刺激因子 1 受体）可以抑制瘢痕形成。 添加这种阻断剂应进一步提高植入物的存活率。
几家公司已经成立，以开发封装细胞疗法。 其中一家公司 Sigilon Therapeutics 正在推进麻省理工学院开发的技术，以设计治疗糖尿病、血友病和一种称为溶酶体贮积症的代谢紊乱的疗法。 制药公司礼来公司正在与 Sigilon 合作开展糖尿病工作。 在其他例子中，Semma Therapeutics 也专注于糖尿病，使用其自身的技术； Neurotech Pharmaceuticals 的植入物正在进行青光眼和各种以视网膜退化为特征的眼部疾病的临床试验； Living Cell Technologies 正在进行帕金森病植入物的临床试验，并正在开发其他神经退行性疾病的疗法。
今天，被纳入胶囊中的细胞来自动物或人类尸体，或来源于人类干细胞。 有一天，可植入的细胞疗法可能包括更广泛的细胞类型，包括一些通过合成生物学工程改造的细胞——合成生物学重新编程细胞的遗传学，使其执行新的功能，例如控制的、按需地将特定的药物分子释放到组织中。 这些都还处于早期阶段。 封装细胞疗法的安全性和有效性均未在大型临床试验中得到证实，但迹象令人鼓舞。
6 人工智能：用于快速分子设计的人工智能
机器学习算法正在加速寻找新型药物和材料
作者：杰夫·卡贝克
想要设计一种用于太阳能的新材料、一种对抗癌症的药物或一种阻止病毒攻击农作物的化合物？ 首先，您必须应对两个挑战：找到物质的正确化学结构，并确定哪些化学反应会将正确的原子连接成所需的分子或分子组合。
传统上，答案来自在偶然性帮助下的复杂猜测。 该过程非常耗时，并且涉及许多失败的尝试。 例如，合成计划可能包含数百个单独的步骤，其中许多步骤会产生不需要的副反应或副产品，或者根本不起作用。 然而，现在，人工智能开始提高设计和合成的效率，使企业更快、更容易、更便宜，同时减少化学废物。
在 AI 中，机器学习算法分析所有已知的过去实验，这些实验试图发现和合成感兴趣的物质——那些成功的实验，以及重要的是，那些失败的实验。 基于它们识别的模式，算法预测潜在有用的新分子的结构以及可能的制造方法。 没有一种单一的机器学习工具可以一键完成所有这些工作，但 AI 技术正在迅速进入药物分子和材料的实际设计领域。
例如，德国明斯特大学的研究人员开发的一种 AI 工具反复模拟 1240 万个已知的单步化学反应，以提出多步合成路线——规划速度比人类快 30 倍。
在制药领域，一种名为生成机器学习的基于 AI 的技术也令人兴奋。 大多数制药公司存储数百万种化合物，并筛选它们是否具有用作新药的潜力。 但是，即使使用机器人和实验室自动化工具，这种筛选过程也很慢，并且产生的命中率相对较低。 此外，“文库”总共只包括超过 1030 个理论上可能的分子中的极小一部分。 使用描述已知药物（和候选药物）的化学结构以及它们的属性的数据集，机器学习工具可以构建具有相似且可能更有用的特性的新化合物的虚拟文库。 这种能力正在开始显着加速药物先导的鉴定。
近 100 家初创公司已经在探索用于药物发现的 AI。 其中包括 Insilico Medicine、Kebotix 和 BenevolentAI； 最后一家公司最近筹集了 1.15 亿美元，以将其 AI 技术扩展到运动神经元疾病、帕金森病和其他难以治疗的疾病的药物发现。 BenevolentAI 正在将人工智能应用于整个药物开发过程——从新分子的发现到旨在证明药物在人体中的安全性和有效性的临床试验的设计和分析。
在材料领域，Citrine Informatics 等企业正在使用与制药制造商类似的方法，并与包括 BASF 和松下在内的大公司合作，以加速创新。 美国政府也在支持对 AI 支持的设计的研究。 自 2011 年以来，它已在材料基因组计划中投资超过 2.5 亿美元，该计划正在建立一个基础设施，其中包括 AI 和其他计算方法，以加速先进材料的开发。
过去的经验告诉我们，新材料和化学品可能会对健康和安全造成不可预见的风险。 幸运的是，AI 方法应该能够预测和减少这些不良结果。 这些技术似乎有望显着提高发现和推向市场的新型分子和材料的速度和效率——它们可能会提供诸如改善医疗保健和农业、更大程度的资源节约以及增强可再生能源的生产和存储等益处。
7 医学：用于精准医疗的先进诊断
新一代工具可能有助于终结“一刀切”的疗法
作者：伊丽莎白·奥戴和哈比巴·阿尔萨法
在 20 世纪的大部分时间里，所有患有乳腺癌的女性都接受了类似的治疗。 此后，治疗变得更加个性化：乳腺癌现在被分为亚型并进行相应治疗。 例如，许多肿瘤产生雌激素受体的女性可能会接受专门针对这些受体的药物，以及标准的术后化疗。 今年，研究人员朝着更加个性化的治疗迈进了一步。 他们发现了一大部分患者，他们的肿瘤具有表明他们可以安全地放弃化疗的特征——并避免其通常严重的副作用。
许多疾病的个性化或精准医疗的这种发展正在被诊断工具的进步所加速。 这些技术可以帮助医生检测和量化多种生物标志物（指示疾病存在的分子），以将患者分为不同的亚组，这些亚组在对疾病的易感性、预后或对特定治疗反应的可能性方面存在差异。
早期的分子诊断工具着眼于单个分子——例如，在糖尿病的情况下，葡萄糖。 然而，在过去十年中，“组学”技术取得了巨大的进步——在快速、可靠且廉价地测序个体整个基因组或测量体液或组织样本中所有蛋白质（蛋白质组）、代谢副产品（代谢组）或微生物（微生物组）的水平方面的能力。 该技术的常规使用已同时开始生成大量数据集，人工智能可以挖掘这些数据集，以发现对临床有用的新生物标志物。 高通量组学技术和人工智能的这种结合正在迎来先进诊断的新时代，这将改变对许多疾病的理解和治疗，使医生能够根据个体患者的分子特征定制疗法。
几种先进的诊断方法已用于癌症。 一种名为 Oncotype DX 的方法检查 21 个基因； 它是揭示许多乳腺癌女性可以避免化疗的测试。 另一种名为 FoundationOne CDx 测试的方法检测实体瘤中 300 多个基因的基因突变，并指出可能对特定患者有用的特定基因靶向药物。
在癌症之外，一种令人兴奋的工具适用于子宫内膜异位症，这是一种常见的疼痛性疾病，其中子宫组织在不应该生长的地方生长。 做出诊断通常需要手术。 来自 DotLabs 的一项新的、基于唾液的非侵入性测试可以通过测量一组称为 microRNA 的小分子来识别子宫内膜异位症。 血液测试正在开发中，以帮助识别脑部疾病——如自闭症、帕金森病和阿尔茨海默病——这些疾病目前是通过临床医生对症状的主观评估来诊断的。 研究人员甚至正在探索对健康人进行全基因组测序、分析微生物组以及测量数百种蛋白质和代谢物的水平是否可以为这些个体如何预防疾病提供个性化指导。
一句忠告：使用如此私密的诊断工具的医疗机构和研究人员必须严格执行保护患者隐私的保障措施。 此外，需要明确的监管指南来以一致的方式评估生物标志物作为诊断工具的价值。 这些指南将加速将新的生物标志物引入医疗实践。
即便如此，先进的诊断方法正在开始瓦解诊断和治疗疾病的标准方法。 通过引导患者接受最有效的治疗，它们甚至可以降低医疗保健支出。 有朝一日，我们许多人可能会拥有一个个人生物标志物数据云，这些数据会随着时间的推移而积累，并在我们寻求护理的任何地方为我们的治疗提供信息。
8 生物技术：基因驱动获得安全功能
限制可能改变整个物种的工具的风险
作者：辛西娅·H·柯林斯
对一种可以永久改变种群甚至整个物种特征的基因工程技术的研究正在迅速进展。 该方法使用基因驱动——从父母传递给异常多的后代的遗传元件，从而相对快速地在种群中传播。 基因驱动自然发生，但也可以进行工程改造，这样做可能会在许多方面造福人类。 该技术有可能阻止昆虫传播疟疾和其他可怕的感染，通过改变攻击植物的害虫来提高作物产量，使珊瑚抵抗环境压力，并阻止入侵植物和动物破坏生态系统。 然而，研究人员深刻地意识到，改变甚至消除一个物种可能会产生深远的影响。 作为回应，他们正在制定规则来管理基因驱动从实验室转移到未来的田间试验和更广泛的使用。
几十年来，研究人员一直在考虑利用基因驱动来对抗疾病和其他问题的方法。 近年来，CRISPR 基因编辑技术的引入推动了这项工作，该技术可以轻松地将遗传物质插入染色体上的特定位置。 2015 年，几篇论文报道了基于 CRISPR 的基因驱动在酵母、果蝇和蚊子中的成功传播。 一项演示将抗疟疾寄生虫的基因驱动通过蚊子种群传播，从理论上讲，这应该限制寄生虫的传播。 另一项研究干扰了不同蚊子物种的雌性生育能力。
今年，在小鼠身上测试了一种 CRISPR 基因驱动系统，试图操纵毛色。 该程序仅在雌性中起作用。 尽管如此，结果支持了该技术可能有助于消除或改变威胁作物或野生动物或传播疾病的入侵小鼠或其他哺乳动物种群的可能性。
国防高级研究计划局 (DARPA) 是对该技术充满热情的投资者之一。 它已向旨在对抗蚊媒疾病和入侵啮齿动物的基因驱动研究投入了 1 亿美元。 比尔及梅琳达·盖茨基金会已向一个致力于基因驱动以对抗疟疾的研究联盟投资了 7500 万美元。
尽管基因驱动充满希望，但也引发了诸多担忧。它们是否会不经意地跳跃到野外的其他物种并破坏它们？从生态系统中移除特定物种会带来什么风险？心怀不轨的 parties 是否会利用基因驱动作为武器来干扰农业等活动？
为了避免如此可怕的前景，一个团队发明了一种开关，必须先输送特定物质才能开启，基因驱动才能发挥作用。与此同时，多个科学家团队正在制定方案，以指导基因驱动测试的每个阶段的进展。例如，2016 年，美国国家科学、工程和医学院审查了相关研究，并为负责任的实践提出了建议。2018 年，一个大型国际工作组制定了从实验室研究到实地释放的研究路线图。该小组（其一些会议有来自 DARPA、盖茨基金会或其他机构的观察员参加）以基因驱动在非洲控制疟疾的应用为模型制定了建议，他们认为，在非洲，公共卫生效益可能是最大的。
除了限制技术本身的风险外，许多研究人员还希望避免可能导致公众或政策强烈反对的事件和失误。在 2017 年一篇关于基因驱动在消除有害哺乳动物方面的潜在用途的文章中，麻省理工学院的凯文·M·埃斯维尔特和新西兰奥塔哥大学的尼尔·J·杰梅尔担心，一起国际事件可能会使研究倒退十年或更长时间。“仅就疟疾而言，”他们预测，“这种延误的代价可能以数百万本可预防的死亡人数来衡量。”
9 工程学：用等离子体激元寻找毒素
光激活纳米材料正在革新传感器
作者：哈维尔·加西亚·马丁内斯
哈里·A·阿特沃特在 2007 年的《大众科学》杂志上撰文预测，他称之为“等离子体激元学”的技术最终可能催生一系列应用，从高灵敏度的生物探测器到隐形斗篷。十年后，等离子体激元技术已成为商业现实，其他技术也正在从实验室走向市场。
这些技术都依赖于控制电磁场和金属（通常是金或银）中的自由电子之间的相互作用，这些自由电子是金属导电性和光学特性的原因。金属表面的自由电子在受到光照射时会集体振荡，形成所谓的表面等离子体激元。当一块金属很大时，自由电子会反射照射到它们的光，使材料具有光泽。但是，当金属的尺寸只有几个纳米时，其自由电子被限制在一个非常小的空间内，限制了它们振动的频率。振荡的具体频率取决于金属纳米颗粒的大小。在一种称为共振的现象中，等离子体激元只吸收与其自身振荡频率相同的入射光（反射其余的光）。这种表面等离子体激元共振可被用来制造纳米天线、高效太阳能电池和其他有用的设备。
等离子体激元材料最受关注的应用之一是用于检测化学和生物制剂的传感器。在一种方法中，研究人员用一种与目标分子（例如细菌毒素）结合的物质来涂覆等离子体激元纳米材料。在没有毒素的情况下，照射到材料上的光会以特定角度重新发射。但是，如果存在毒素，它将改变表面等离子体激元的频率，并因此改变反射光的角度。这种效应可以非常精确地测量，从而能够检测和测量即使是痕量的毒素。几家初创公司正在开发基于这种和相关方法的产品，其中包括用于电池的内部传感器，该传感器可以监测电池的活动，以帮助提高功率密度和充电速率，以及一种可以区分病毒感染和细菌感染的设备。等离子体激元学也正在进入磁盘上的磁存储领域。例如，热辅助磁记录设备通过在写入期间瞬间加热磁盘上的微小点来增加内存存储。
在医学领域，光激活纳米颗粒正在临床试验中进行测试，以评估其治疗癌症的能力。纳米颗粒被注入血液后，会在肿瘤内积聚。然后，将与表面等离子体激元频率相同的光照射到肿块中，导致颗粒因共振而发热。热量选择性地杀死肿瘤中的癌细胞，而不会伤害周围的健康组织。
随着新公司涌现以利用等离子体激元学，它们将需要确保其产品价格合理、可靠、耐用，并且易于大规模制造以及与其他组件集成。尽管存在这些挑战，但前景依然光明。超材料（其中等离子体激元产生异常光学效应的合成纳米级材料）的出现使等离子体激元研究人员能够使用金和银以外的材料，例如石墨烯和半导体。Future Market Insights 的一项分析预测，仅北美等离子体激元传感器应用市场的价值就将从 2017 年的近 2.5 亿美元增长到 2027 年的近 4.7 亿美元。
10 计算机科学：量子计算机算法
开发人员正在完善旨在量子计算机上运行的程序
作者：阿兰·阿斯普鲁-古兹克
在硬件和运行其上的算法方面取得重大进展之后，量子计算机有望在几年内赶上甚至超越经典计算机。
量子计算机利用量子力学来执行计算。它们的基本计算单元量子比特类似于标准比特（零或一），但它处于两个计算量子态之间的量子叠加态：它可以同时是零和一。这种特性，以及另一个独特的量子特征——纠缠，可以使量子计算机比任何传统计算机更有效地解决某些类型的问题。
这项技术虽然令人兴奋，但也出了名的不稳定。例如，一种称为退相干的过程会扰乱其功能。研究人员已经确定，通过一种称为量子纠错的技术，可以使具有数千个量子比特的严格控制的量子计算机能够抵抗退相干。但是，实验室迄今为止展示的最大的量子计算机（最著名的例子来自 IBM、谷歌、Rigetti Computing 和 IonQ）只包含几十个量子比特。加州理工学院的约翰·普雷斯基尔将这些版本命名为含噪声中等规模量子 (NISQ) 计算机，它们尚无法执行纠错。然而，针对 NISQ 专门编写的算法的爆发式研究可能使这些设备能够比经典计算机更有效地执行某些计算。
世界各地的用户越来越多地访问 NISQ 机器，这极大地促进了这一进展，使越来越多的学术研究人员能够开发和测试用于这些机器的小规模程序版本。一个专注于量子软件不同方面的初创公司生态系统也正在蓬勃发展。
研究人员特别看好 NISQ 的两种算法——用于模拟和机器学习的算法。1982 年，传奇理论物理学家理查德·费曼提出，量子计算机最强大的应用之一是模拟自然本身：原子、分子和材料。包括我自己在内的许多研究人员已经开发出在 NISQ 设备（以及未来的完全纠错量子计算机）上模拟分子和材料的算法。这些算法可以改进新材料的设计，用于能源到健康科学等领域。
开发人员还在评估量子计算机是否在机器学习任务方面更胜一筹，在机器学习任务中，计算机从大型数据集或经验中学习。对一组快速增长的 NISQ 设备算法的测试表明，量子计算机确实可以促进诸如按类别对信息进行分类、将相似的项目或特征聚类在一起以及从现有样本生成新的统计样本（例如，预测可能显示所需属性组合的分子结构）之类的机器学习任务。至少有三个研究小组独立报告了在开发称为生成对抗网络 (GAN) 的机器学习方法的量子版本方面取得的进展，GAN 在过去几年中席卷了机器学习领域。
虽然许多算法似乎在现有的 NISQ 机器上运行良好，但尚未有人提供形式证明表明它们比可以在传统计算机上执行的算法更强大。这些证明很困难，可能需要数年才能完成。
在未来几年，研究人员很可能会开发出更大、更可控的 NISQ 设备，然后是具有数千个物理量子比特的完全纠错机器。我们这些研究算法的人乐观地认为，NISQ 算法将足够有效，能够超越最先进的传统计算机，尽管我们可能必须等到完全纠错的机器可用时才能实现这一目标。