凹庙派出的编辑部
量子位智库出品 | 公众号QbitAI
我们正处于一个技术创新的新周期。
从硬技术创新和产学研转型来看，这一点似乎越来越广泛。
但如果以年份为单位，有哪些前沿技术和创新突破——
它正在从幕后走向前台，从实验室走向行业，即将影响到我们每一个人……
例如，AlphaFold2 与计算生物学有什么关系？大模型和AIGC有什么关系？元界爆发，XR突破的内在逻辑是什么？
而今年又有哪些前沿技术来爆发？
为了让更多人准确把握前沿科技趋势，帮助更多人对接技术突破和行业趋势的内在线索，帮助大家提前看到科技驱动的未来。
量子比特携手 46 家前沿科技行业合作伙伴（完整名单附后），点点滴滴，总结年度十大前沿科技趋势。详细报告可从量子比特公众号后台回复2021获取。
本文从生命科学、人工智能、元界、新能源、新计算五个方面，对每年的前沿科技进展进行了简要概述。
趋势一：CRISPR帮助基因编辑可控且可靠
以CRISPR-Cas9为代表的基因编辑技术正逐渐走向成熟，从实验室走向临床应用。
去年6月，全球首个体内CRISPR基因编辑临床试验结果公布。Intellia 和 Regeneron 两家公司的临床数据首次证明体内疗法可以有效抑制与遗传疾病相关的蛋白质的表达。
在国内，博雅吉印的相关CRISPR治疗研究产品ET-01成为首个获国家药监局批准开展床位试验的基因编辑治疗产品。
在找到合适的基因传递载体、进一步深化基因组学研究、解决长期稳定性问题后，基因编辑将为疾病治疗和物种转化开辟新的蓝海。
在基因治疗方面，理论上，所有先天性基因缺陷引起的遗传疾病和基因突变引起的癌症都可以完全治愈。同时对血液肿瘤、罕见遗传病等基因相关疾病具有重要意义，有望填补更多疾病的治疗空白。
此外，基因编辑还可以与细胞治疗相结合，完成CAR-T细胞治疗等体外基因治疗。
从行业来看，由于可以根据患者的病情，快速、有针对性地制备患者所需的细胞（尤其是异体细胞），有望推动未来重大疾病的个体化治疗，改变人类的健康状况。过去药品的标准化生产和配送的医疗流程。.
在合成生物学的应用中，可以使用不同的基因控制模块来创建更复杂的生物系统。
分子育种作为代表领域之一，与传统的利用表型和自然选择的筛选方法相比，结合基因编辑，可以有目的地改变物种的抗逆性、组成、产量、繁殖等性状，缩短物种的驯化时间。循环，创造更多优秀品种。
此外，它还在辅助其他医疗手段、DNA存储等领域发挥作用。
简而言之，基于基因编辑技术，生命科学研究有望实现“精准规划+精细转化”。
趋势二：生命科学迎来数据驱动时代
AlphaFold，用于计算生物学的 AlphaGo。
但这只是计算生物学蓬勃发展的一个缩影。总体背景是计算生物学正在引领生命科学进入数据驱动的时代。
随着高通量测序、纳米操作、生物芯片等技术的不断成熟，生物信息学数据的积累带动了计算生物学的发展。它通过构建算法和模型以在分子水平上理解生物现象和机制，从而促进相关研究和应用。
核心代表是AlphaFold2。
使用原始的实验方法（X射线衍射、低温电子显微镜），科学家在过去几十年的努力只覆盖了人类蛋白质序列中17%的氨基酸残基。
具体来说，在推动生物学研究方面，计算生物学目前正在形成多维预测体系，包括蛋白质结构与蛋白质组学、分子生物动力学、基因组生物信息学、系统建模、进化基因组学……
科学家可以凭借其强大的计算能力和跨维度分析能力，寻找不同表达/现象与生物信息之间的关系。
同时，计算生物学可以通过高效准确的计算推演驱动上层应用：
基于蛋白质功能与相互作用预测、化合物性质预测、基因位点预测等，加速人工智能药物、疾病研究、物种转化等领域的发展。
计算生物学也为生命科学提供了新的研究思路——“干湿结合的数据闭环”新模式。
首先，要搜索的空间被足够丰富的定量干实验（AI模型）覆盖，为湿实验室（传统生物实验）测试提供准确假设，两者共同迭代加速。
未来值得关注的领域包括生物问题的AI可解释性、提供高质量数据的实验设备以及多类型数据的整合和标准化。
趋势三：侵入式脑机接口落地困难医疗场景
医疗康复作为脑机接口领域的核心场景，一直被寄予厚望。
与技术门槛较低的非侵入式脑机接口相比，侵入式方法所针对的场景往往更精准，底层原理也更复杂，但对重度瘫痪等疑难医疗领域具有重要意义。
根据现场情况，主要体现在运动、情感、知觉三个方面：帮助残疾人重新获得控制和表达；帮助抑郁、成瘾等疾病患者调整心理状态；治疗阿尔茨海默病等神经退行性疾病。
如今，随着无线通信、多通道柔性电极、植入方式、芯片、机器学习算法等技术的发展，侵入式脑机接口正逐渐超越工程和临床难题。
今年，以打字技术为代表的Nature’s Ideas的侵入式脑机接口已经进行了临床试验，效果理想，商业化发展初具规模。
在国家政策的引导下，我国侵入式脑机接口的发展也开始加速：
清华李路明团队研制出第二代脑起搏器；瑞金医院开展治疗重度抑郁症的临床试验；浙江大学与浙江大学第二医院神经外科完成了国内首例侵入式脑机接口临床试验科技，为高位截瘫老人提供安全保障。在机械臂上；与清华大学、天津大学、上海交通大学、中国科学院、华南理工大学等高校建立了重点科研团队。
在科学家更多地了解大脑如何工作（如感觉区域）后，脑机接口将在帮助患者恢复触觉和视觉等特定感知能力方面发挥更多作用。
趋势四：AI Pharma为医药研发提供新的解决方案
传统的新药研发是一个昂贵、漫长、艰难的过程。除了成本高、周期长、成功率低等困难外，药物研发面临的更大瓶颈在于创新。
在制药领域，有一条众所周知的反摩尔定律——每九年，市场上投资10亿美元的新药数量就会减半。更常见的是，首创药在获批新药总数中占比不到一半。
但是随着计算机生物学和人工智能的发展，AI可以在各个制药环节寻找大面积的潜在空间，找到过去由于人类经验而没有发现的靶点/化合物/晶型，实验环境等外部约束，提供创新药物研发。强大的工具。
AI药房已进入“从0到1”到“从1到10”的阶段。多家企业的AI设计药物进入临床试验阶段，以传统药企为首的大型AI药房联盟也进入多地。开花。
但进一步发展后，数据瓶颈不容忽视：优质研发数据不足，医药研发可用数据与目标值成反比。
不过，业内已经有了相应的解决方案，比如建立药物大数据实验室、多学科融合等方式。
从更长远的角度来看，药物优化本质上是一个多目标优化过程。当前的AI制药行业大多停留在技术问题的局部突破，即仅针对特定属性（靶向性、稳定性、吸收性等）的迭代迭代。
基于整体优化的思路，如何一次满足AI模型的多样化需求，成为当前国内外AI药企关注的焦点。
趋势五：多模态和多维大模型预测通用智能
2021年，大规模将成为谷歌、阿里巴巴、华为、百度、微软等大公司的军备竞赛。
由于其强大的通用性和少量学习能力，大模型正在为人工智能带来密集的新开发和商业模式。同时，跨模态预训练模型（如DALL E、CLIP）的出现预示着通用智能的可实现性。
业内普遍认为“一次开发，终身使用”。
拥有一个具有更一般知识的更大模型将为细分任务奠定基础。后续应用不需要投入大量的标注数据和重新训练和调整参数，效率会显着提高。
时至今日，参数量已不仅仅是大模型所追求的唯一指标。多模态、多维功能（跨语言、多任务）、效率、知识增强、高效率等因素成为现有模型的重点。
多模态学习已成为重要趋势，可应用于规范化、转换、翻译对齐、融合和协作学习。根据下游任务，可以分为视觉问答、视觉推理、图像和文本检索等理解任务，以及生成任务（文本生成图像）。
由于跨领域的共性，量子比特分析师认为，大规模预训练模型未来可能在类似的基础设施生态中扮演中间层角色，为不同的行业生态承担过渡角色。
在应用层，也为人工智能在各行各业的应用和发展带来机遇，如自动化内容生成、内容翻译、机器人对话等。大模型也在这个过程中提升了自身的性能，发挥了数据闭环的迭代效果。
趋势六：新的AI芯片引领后摩尔时代
随着人工智能在各种场景中的广泛应用，依赖工艺改进的传统人工智能芯片已经难以满足需求。
在集成电路未来的三大演进路线中，以完整架构创新为代表的“超越摩尔”成为下一代AI芯片的重点方向。
其中，类脑计算、存储计算一体化、量子计算、数据流AI计算等都是选项。
以模拟人脑发育的事件驱动神经形态芯片为例。由于尽可能模仿神经元之间电脉冲传递的方式，神经形态芯片自然符合事件驱动机制，存储与计算一体化，延迟和能耗显着降低。国际代表性厂商包括IBM、Intel、BrainChip；国内参与者包括清华大学的天机（后转型为灵曦科技）、浙江大学等。
再来看看集成存储芯片。
传统芯片的特点是内存和计算分离，存在著名的冯诺依曼瓶颈。由于不同的工艺封装要求，处理器和存储器的开发速度差异越来越大，芯片的计算能力在带宽和延迟方面受到存储单元的严重限制。这在无人驾驶等边缘计算场景中尤为突出。
存储与计算融合的本质是存储与计算更紧密的结合，以减少数据传输带来的不必要的延迟和能耗。
目前主流路线有两种：直接让存储单元实现计算功能的内存计算；存储单元与计算逻辑紧密耦合，但计算仍由独立的计算单元完成，完成近内存计算。
除了改变底层架构的芯片设计，AI芯片还有其他问题需要克服科技，比如性能与编程灵活性的平衡、芯片IP壁垒、供应链安全、应用生态等。
根据不同场景，分析师梳理了对应的新芯片，大致分为数据处理器DPU、数据流架构芯片、光子量子芯片、非硅基芯片、AI自主设计芯片。
趋势七：AIGC领域综合虚拟人的出现
AIGC，AI生成的虚拟内容，2018年以Deepfake为代表，取代了视频中的人脸。GAN、大型预训练模型、自动编码器等都是 AIGC 领域常见的技术手段。
随着深度学习的发展，AI生成的虚拟内容AIGC正在向图像、视频、CG、AI训练数据等各个领域渗透，甚至同时涵盖多模态虚拟人技术。
虚拟数字人是指存在于非物理世界中，通过图形渲染、动作捕捉、语音合成等计算机手段创造和使用的具有多种人类特征的综合产品。目前分为“CG建模+人工驾驶”和“深度合成+计算驾驶”两大类。
其中，计算驱动的虚拟人的最终效果是受语音生成、文本生成与理解、图像生成等多种AI生成技术共同影响的。
内容创作已经从早期的高度依赖人转变为“人力+算力”。除了直接应用于与内容相关的业务场景（新闻、有声读物、工业设计等）之外，人工智能还大大降低了生成门槛，促进了内容创作的高度定制化、自动化和民主化。
趋势 8：XR 创造第二个世界来成熟元宇宙
2021年，元界将成为当之无愧的热词。在它的七层划分中，涉及显示器、传感器、跟踪设备、定位设备等的人机交互，由于最直观的感觉，成为了关键环节。
作为其核心载体XR，它迎来了第二波高潮。
与第一波泡沫时期相比，还存在技术指标较差、技术支撑体系生态不完善、缺乏落地应用等诸多问题。XR在这一轮中得到了系统的改进和发展。
XR的技术生态非常相关，包括近眼显示、感知交互、芯片模组、网络传输、电池等，此外还需要与5G、云计算、AI等技术融合。
而就在今年，整个技术生态系统已经成熟。通过改进光学器件、空间计算、异构计算系统、渲染引擎、交互自由度、定位方式等要素，解决了以往的各种不适、画面粗糙等问题。
过去依靠录音、录像等形式跨越时间，利用手机和互联网跨越二维空间后，XR带我们实现了更进一步的飞跃。
一方面，它帮助我们跨越3D空间，以更加立体、逼真的方式突破现场观察和操作的局限，进一步降低信息恢复和传输的成本；我们在第二空间进行交流和娱乐。
趋势九：固态等新型电池提高储能上限
理想的电池应有效平衡安全性、能量密度、充放电功率、体积和成本等因素。
然而，即使是应用最广泛的锂离子电池也难以彻底解决枝晶引起的可燃性问题，在安全性上也存在明显的缺陷。同时，受限于化学特性，锂电池的能效即将达到上限，难以满足未来的储能需求。
为解决当前的困境，新型动力电池的发展思路大致分为两类。
一是替代原有基于锂离子的电化学反应机理，重点发展基于锂硫、钠、锌、铝甚至气体的新思路，但短期内难以实现替代。
二是对现有锂电池进行改进，比如在电解液、正负极材料、导电剂优化等方面进一步改进，以今年已经进入量产的部分固态电池为代表。
固态电池用固态电解质代替液态电解质。虽然它们的离子电导率略逊一筹，但在安全性方面具有明显优势，因为它们理论上可以有效抑制锂枝晶的生长。此外，它们灵活且便携。也有很大的优势。
但是，现有的固态电池仍然存在局限性，固液组合电池势必成为一种过渡。为推动前沿技术的商业化应用，锂电池厂商与相关实验室合作已成为常态。
趋势10：量子计算改变经典计算范式
以中国科学技术大学为首的中国团队在2021年量子计算硬件研发方面走在了世界前列。
目前，我国是世界上唯一一个在两个物理系统上都达到“量子计算优势”里程碑的国家。具体是指以九丈为代表的光子路线和以祖冲之为代表的超导路线。
在应用和配套设施方面，金融、医药、汽车、化学等领域已经明确了量子计算在具体问题上的应用。
芯片、操作系统、一站式平台等也相继出现。例如，百度量子平台已对接中科院物理所超导量子芯片，发布云原生量子计算平台一夫。初创公司元元量子也发布了中国第一颗量子芯片——计算操作系统的源头——思南。
在微观模拟、复杂建模等具体问题下，量子计算展现出经典计算难以实现的优势。未来，超级计算中心可能会出现量子-经典混合架构，量子计算和经典计算将协同解决特定的大规模问题。
暂无评论内容