自2001年起，MIT Technology Review每年都会评选出年度“全球十大突破性技术”，不少在当年崭露头角的技术，如今已经深刻地改变了我们的生活，推动了人类社会的进步。2022年的“全球十大突破性技术”已经发布，《中国科学基金》特邀请各领域著名科学家对“十大突破性技术”分别进行深入解读，本文节选了昆仲资本关注的新能源汽车与出行产业链，以及新一代智能技术和医疗科技等领域相关的技术突破，欢迎参考。
1
长时电网储能电池
廉价、储能持久的铁基电池有望分摊可再生能源的供应压力，并扩大清洁能源的使用范围
2021年4月，可再生能源打破了加利福尼亚州主电网的纪录，提供的电力足以满足94.5%的需求，这一时刻被誉为低碳化道路上的一个里程碑。我们使用的可再生能源比以往任何时候都多。然而，可再生能源带来的波动式电力需用一种廉价且长时的储能电池保存，以备日后使用。新型的铁基电池有望胜任这一任务。总部位于俄勒冈州的ESS公司，其电池可实现4至12小时的储能，并在2021年推出了其第一个电网规模的项目。
总部位于马萨诸塞州的Form Energy公司称其电池可储存电能长达100小时，他们在2021年筹集了2.4亿美元，在明尼苏达州安装一兆瓦级别的储电工厂，预计2023年完成。这两家公司都选择使用铁基电池，而铁是地球上最丰富的材料之一。这意味着他们的产品最终可能比锂离子电池和钒系液流电池等其他储能电池更便宜。
Form Energy公司表示，其电池最终的成本可能仅为20美元/千瓦时，甚至低于未来几十年对锂离子电池成本的乐观预测。但铁基电池也存在一些技术挑战，如它们的效率通常较低，这意味着投入其中的相当一部分能量无法被回收；此外，副反应也会随着时间的推移而使电池退化。但如果铁基电池能以足够低的成本被广泛安装使用，便可以为更多人提供来自可再生能源的电能。
专家点评
张新波研究员，中国科学院长春应用化学研究所稀土资源利用国家重点实验室主任，国家杰出青年科学基金获得者。致力于能源存储与转化研究，目前主要聚焦于金属—空气电池、新型离子电池与能源电催化方面的关键材料设计和高性能器件研制，开发了具有完全自主知识产权的锂空气电池器件。在Nature Chemistry、Nature Energy 等国际权威期刊上发表论文200余篇，主编国际专著1部。授权发明专利20件。2019年获吉林省自然科学奖一等奖。
未来在以可再生能源为主体的新型电力系统中，可再生能源的比例将超过50%，这必然会要求储能设施具备十几个小时乃至几天的储能时长，以满足吉瓦级别的再生能源并网和长时间削峰填谷的需求。然而，在目前的储能电池技术水平下，锂离子电池储能时长以2小时居多，部分已经提升至3到4小时，但要达到6小时及以上的储能时长则会面临成本与产品安全等方面的诸多挑战。因此，低成本、长时储能电池的发展将成为电力系统转型的关键。
此次入选2022年MIT Technology Review “全球十大突破性技术”的水系铁基电池是基于廉价和储量丰富的铁元素构筑的，其具有高安全性和环境友好等特征。其中，美国俄勒冈州ESS公司的铁基液流电池以氯化亚铁为正负极电解液，通过电解液中铁离子的氧化还原实现电能的储存和释放，可实现长达20000次的稳定循环。此外，该液流电池的储能活性物质与电极完全分开，功率和容量设计互相独立，便于模块组合设计和电池结构放置，其电网规模的储能模块可以实现4至12小时的能量储存。
不同于液流电池，Form Energy公司的铁—空气电池是一种静态电池，其基本原理是基于铁的可逆氧化，可持续多达10000次的循环。相比于铁基液流电池，铁—空气电池的储能容量更大，其可储存电能长达100小时，这种电池将使具有成本效益的“多日储能”成为可能。上述两种铁基电池在大规模储能方面均具有明显的优势：超长循环寿命、高安全稳定性、可扩展性、低成本和绿色环保，可平衡可再生能源发电的波动式变化，实现低碳长时电网储能。
铁基长时电网储能电池的发展，可以弥补锂离子电池的一些不足，以科技创新的方式将电力系统从化石燃料发电转变为可再生能源发电，有利于在全球范围内减少碳排放，实现低碳电网碳的发展和碳中和的终极目标。
然而，除了长时电网储能电池外，还有一些其它可以提供稳定电力服务的能源组合与之竞争，这些技术未来的发展，也会在一定程度上左右长时储能电池在电网中的占比。此外，与其他储能技术的发展一样，长时储能电池从研发、示范、落地到规模化，一路上必将面临产能、供应链、建设、运营等多方面的挑战，必须严格控制每一环的风险，才能实现既定的成本目标。
我国的长时电网储能技术以全钒液流电池为主，其已经过十多年的示范考核，并且其大规模储能的工程效果已得到了充分的验证，产业配套成熟，可支撑起百兆瓦级储能项目的设计与开发。此外，全钒液流电池系统的单瓦时成本已可控制在2～3元的水平，具备了商业化应用的条件。
2018年以来，我国液流电池的装机量呈现爆发式增长。其中，2020年规划的液流电池装机量超过6GW，容量超过20 GWh。与此同时，单个项目的规模也在不断提升，如200 MW/800 MWh的全钒液流电池示范项目。整体而言，我国液流电池的产业研究和技术工艺处于国际领先水平，特别是国内液流电池的龙头企业，大连融科在海外市场的拓展也在如火如荼地进行。然而，全钒液流电池的低能量密度和钒高昂的价格，需要我们开发更具价格和能量密度优势的新型长时电网储能技术。
储能作为“双碳”背景下构建低碳电网的关键组成部分，跨天、跨月乃至跨季节的长时电网储能系统的发展迫在眉睫。目前长时储能技术仍处于百家争鸣的中早期研发示范阶段，孰胜孰劣尚未揭晓。
电化学储能由于动力电池产业的推动，不受地理环境的制约，暂时处于比较有利的竞争地位。未来电网储能系统的发展需要以模型数据开源、学术产业结合等方式集思广益，甄选出最具经济可靠性的电源储能配置方案，形成多能互补的，新能源+储能的电力系统，为实现“双碳”目标提供强有力的支撑。
2
除碳工厂
一个从空气中捕获CO2的大型工厂将有助于创建一个世界需要的产业，以规避本世纪气候变暖的风险
减少碳排放是缓解气候变化的关键步骤，但据联合国称，这还不够。为了避免未来发生灾难性的气候变暖，我们还应采取一定的措施清除空气中的二氧化碳。2021年9月，瑞士科技公司Climeworks开启了迄今为止最大的二氧化碳捕获工厂Orca的开关。该设施位于冰岛雷克雅未克的郊外，每年可捕获4 000吨的二氧化碳。
该“除碳工厂”工作流程为：大型风扇将空气吸过一个过滤器，在那里碳捕获材料与二氧化碳分子结合；然后，该公司的合作伙伴Carbfix，将二氧化碳与水混合，并将其泵入地下，进而与玄武岩反应，最终变成石头。该设施完全依靠无碳电力运行，电力主要来自于附近的地热发电厂。
可以肯定的是，4000吨的年处理量并不是那么多，比900辆汽车的年排放量还要少。实际上，更大的“除碳”设施也在计划建设中。位于加拿大不列颠哥伦比亚省斯夸米什的碳工程公司，计划今年在美国西南部开始建设一个二氧化碳年处理量可达100万吨的工厂。此外，该公司与合作伙伴一起，也启动了苏格兰和挪威除碳工厂的工程设计工作，这些工厂将每年捕获50万~100万吨二氧化碳。
“除碳”企业也希望通过更多更大的“除碳工厂”建设、运行调试和操作优化，进一步降低运行成本，并实现规模经济效益。Climeworks公司估计，到21世纪 30 年代末，捕集每吨碳的成本将从现阶段的600~800美元之间降低至约100~150美元。现如今，越来越多的个人及公司，包括微软、Stripe和Square，已经在支付高额费用来吸走空气中的二氧化碳，以努力抵消他们所产生的碳排放。而这些资金为“除碳工厂”提供了关键的早期收入。
专家点评
单文坡，中国科学院城市环境研究所研究员，博士生导师。主要从事环境催化与大气污染控制研究，在国内外学术期刊发表论文100余篇。国家自然科学基金优秀青年科学基金和浙江省“万人计划”青年拔尖人才项目获得者。2019年，以第三完成人身份获国家自然科学奖二等奖。
工业革命以来，人类活动大量排放二氧化碳等温室气体，使得温室效应持续加强，导致全球平均气温不断升高。2022年4月4日，联合国政府间气候变化专门委员会发布了题为《气候变化2022：减缓气候变化》的第三工作组报告，指出2010—2019年全球温室气体年均排放量处于人类历史最高水平，排放量增速虽然放缓，但上升趋势并未改变；全球碳排放量必须在2025年达到顶峰，并在2030年之前削减43%，才有机会将全球气温上升幅度控制在1.5 ℃之内。
实际上，即使全世界达到了碳中和，由于工业革命以来人类已经排放了超过万亿吨的CO2，如果仅仅依靠自然过程，大气CO2浓度降低至工业革命前的水平也将是一个非常缓慢的过程。
作为一项利用工程系统从大气中去除CO2的技术，直接空气碳捕获技术的大规模应用对于有效降低大气中CO2浓度，遏制气候变化具有重要意义。该技术主要利用引风机将空气抽入，通过吸附、吸收或膜分离装置捕集CO2，并将贫CO2的空气排回大气，而捕获的CO2可以进行封存或利用，整个过程可以理解为一种工业“光合作用”。
不同于针对工业固定源的CO2捕获技术，DAC可以部署在世界上任何有电力供应的地方，选址更灵活，且可以模块化建设。自1999年被提出以来，DAC技术经过20余年的发展，已经初具实际应用的可能性。2021年9月，瑞士Climeworks公司在冰岛启动了名为Orca的除碳工厂，以地热发电为主要能量来源，利用目前最大的DAC装置，每年可捕获4 000吨CO2。此次除碳工厂能够入选MIT Technology Review 2022年“全球十大突破性技术”，充分说明DAC技术工业化实践的重要意义。
DAC在除碳方面具有明显的技术优势，对Climeworks公司DAC工艺的全生命周期分析也证实了其负碳排放效果，但目前高昂的运行成本仍是限制DAC大规模应用的关键因素。近期，加州大学伯克利分校的研究人员对DAC技术的发展前景进行了展望，并提出了适于该技术发展的政策路线图，他们认为DAC的全球推广不能依赖市场杠杆效应，而应通过持续的“财政激励+强制部署”政策推进其大规模部署。另一方面，从技术角度来看，DAC发展的关键在于高效低成本的碳捕集材料与工艺系统的研发，其商业化应用仍然需要依靠技术进步来大幅降低运行成本。
近年来，欧美发达国家已陆续开展DAC技术的研发与应用，通过材料与技术的进步不断降低运行成本，2021年8月美国能源部宣布拨款2400万美元支持DAC技术，一些比Orca更大型的除碳工厂也正在建设之中。这些先行工作可能使得发达国家更早掌握DAC前沿技术和核心知识产权，并为未来获取经济效益抢得先机。
2020年9月，在第75届联合国大会上，我国提出CO2排放力争在2030年前达峰，努力争取2060年实现碳中和的“双碳”目标，这也将我国绿色发展之路提升到了新的高度，为低碳、零碳、负碳技术的发展提供了重大机遇。当前，从实际国情出发，我国主要以产业结构和能源结构低碳转型来推动绿色发展，对DAC等负碳排放技术的创新和储备还相对不足。目前我国在碳捕集材料研发方面有着较为丰富的研究成果，但严重缺乏类似除碳工厂的工业化实践，以及以DAC为核心技术的商业化公司。为确保“双碳”目标的有序推进，我国应进一步鼓励和推动DAC等负碳排放技术的科技创新与应用实践，加强技术储备，抢占技术前沿，更好地参与引领全球气候治理。
3
AI蛋白质折叠
人工智能实验室DeepMind开发的 AlphaFold2 软件初步解决了蛋白质结构预测这一科学难题
作为生命体最重要的功能载体之一，蛋白质在众多生命活动中发挥着关键的作用。蛋白质在行使功能时往往需要折叠成特定的三维结构，因此对蛋白质结构的测定和解析不仅能帮助人们在分子层面上理解大多数生命活动的机理，而且可以有效辅助基于结构的药物开发以及相关疾病的诊治。
目前通过实验手段解析蛋白质结构费时费力，远远无法满足现实需求。2020年底，谷歌重组后的“伞形公司”Alphabet旗下名为DeepMind的人工智能实验室采用多种深度学习技术，开发出了一款名为 AlphaFold2 的软件，能根据蛋白质的氨基酸序列准确预测其三维结构。
该软件使用一种称为深度学习的人工智能技术，可以预测蛋白质的形状，甚至精确到原子。由于大多数蛋白质的氨基酸序列已知，该软件可以在数个小时内提供目标蛋白质原子分辨率的结构信息，而且其预测的结构模型准确度很高，在很多蛋白上可以与实验解析的真实结果媲美。世界各地的科学团队已经开始使用它来研究癌症、抗生素抗性和新冠病毒。2022年，该技术被MIT Technology Review 评选为“全球十大突破技术”之一。
专家点评
龚海鹏，清华大学生命学院副教授，博士生导师，生物信息学教育部重点实验室副主任。2009年加入清华大学生命学院，主要从事蛋白质结构相关的计算方法研究。近年来的研究兴趣主要集中在结合人工智能技术发展蛋白质结构预测算法和分子模拟的采样方法，以通讯作者身份在Nature Machine Intelligence、Advanced Science、Bioinformatics、PLoS Computational Biology、Journal of Chemical Theory and Computation 等计算生物学主流期刊上发表多篇论文。近5年主持国家自然科学基金项目3项。
生命体中的主要生命活动都通过蛋白质分子完成，因此理解单个蛋白质分子的工作机理至关重要。蛋白质的多肽链是由氨基酸顺序连接而成的线性分子，它往往折叠成特定的三维结构来行使功能。换言之，蛋白质的序列决定结构，而结构又决定功能。自20世纪五六十年代起，蛋白质序列、结构与功能间的关系就一直是生命科学的核心问题。作为这一信息链条的中心点，蛋白质结构既可以帮助人们理解生命活动的分子机理，也能有效地辅助蛋白质设计和基于结构的药物设计，因而结构解析已经成为生物物理领域最重要的研究方向之一。
过去二三十年来，结构生物学取得了长足进展，包括蛋白质晶体学和冷冻电镜等技术的快速发展，使得人们可以较为快速地测定生物大分子的三维结构。目前蛋白质结构数据库中已经积累了超过18万个分子的结构。但是，总体而言，蛋白质结构的实验测定仍然较为耗时，往往至少要耗费数月时间。此外，由于新一代测序技术的发展，蛋白质序列的积累速度远远大于结构解析的速度。目前蛋白质序列库中的蛋白质数目已经超过结构数据库3~4个数量级，这一差距无法通过实验方法弥补。
根据安芬森法则，大多数球状蛋白的三维结构由氨基酸序列唯一决定。自20世纪八九十年代起，人们就开始发展计算机算法，通过研究序列和结构间的关系，根据氨基酸序列预测蛋白质的三维结构。1994年，约翰·莫尔特等人组织了第一届国际蛋白质结构预测评估竞赛，用于系统评测各种计算方法的预测准确性。该竞赛每两年举办一次，组委会收集未发表的结构数据，对参赛者发布其序列信息，然后收集其预测结果进行双盲评估。
CASP竞赛极大地促进了蛋白质结构预测领域的发展。在早期CASP竞赛中，发展的基于模板的建模方法Modeller以及基于统计和物理模型的建模方法Rosetta和I-TASSER等程序，结合物理知识和对结构数据库的统计分析，可以对某些特定蛋白提供较为准确的预测模型。但是，随着实验解析蛋白质数目的快速积累，这些方法的预测性能并未显示出相应提升，反而达到了瓶颈。
2015年，克里斯·桑德斯等人提出可以从多重序列比对中获得氨基酸残基间的共进化关系，从而为结构预测提供额外信息。2016年的CASP12竞赛中，许锦波等人提出的RaptorX程序，首次使用深度卷积模型，根据多重序列比对预测氨基酸残基间接触，再根据预测结果折叠蛋白，从而显著提升了结构预测的平均准确率。其后，人工智能方法开始广泛介入蛋白质结构预测领域。
2018年的CASP13竞赛中，DeepMind发展的 AlphaFold 采用了类似的方案预测残基间距离并根据预测距离折叠蛋白。其后的大多数方法也主要沿这一思路进行。2020年CASP14竞赛前，人们发现这类方法的性能并不能随模型参数量增加而继续提高，而且这类深度学习模型的预测准确性离现实需求尚有一段难以跨越的距离。
但是，在2020年底CASP14结果公布时，DeepMind提出的 AlphaFold2 算法远远超越了其它深度学习模型，对绝大多数目标蛋白都可以提供高度精准的预测模型。对有些蛋白质而言，AlphaFold2预测的结果与实验解析的模型高度相似，甚至仅根据实验数据都很难区分孰优孰劣。这一结果也震惊了整个科学界。
后续的报告和论文显示，DeepMind在设计AlphaFold2 时完全摒弃了第一代 AlphaFold 的架构，规避了残基间接触或距离的预测，采用了一种全新的端对端模型直接根据序列预测结构。这一设计不仅能加快预测速度，而且可以有效抑制中间过程中的误差积累。
此外，DeepMind采用了近年来自然语言处理领域较流行的Transformer架构。与以前常用的卷积架构不同，这种基于注意力机制的模型允许所有氨基酸残基在每一步操作中发生信息交互，能更好地模拟蛋白质折叠过程中的残基间相互作用。最后，AlphaFold2 还使用了重循环和自蒸馏等工程技术，进一步有效提升了预测准确率。总之，在 AlphaFold2 中，DeepMind通过具有高度创新性的深度学习网络架构设计，初步解决了蛋白质结构预测这一困扰人类50年之久的科学难题，也因此入选MIT Technology Review 评选的2022年“全球十大突破技术”。
AlphaFold2 的提出显然对生命科学有巨大的促进作用。一方面，它能够快速准确地根据氨基酸序列预测蛋白质的三维结构，因此可以有效弥补现有结构生物学技术的缺陷。另一方面，通过对 AlphaFold2 的进一步研究，人们可以更好地理解蛋白质序列和结构间的映射关系。
目前已有很多研究组开始把 AlphaFold2 应用于药物开发和蛋白质设计领域。比如，清华大学的张林琦和彭健合作，通过进一步优化的 AlphaFold2 模型预测抗原和抗体的结合能，并根据预测结果优化抗体设计，最终开发出我国首款新冠特效药。
2021年，DeepMind与EBI合作，建立了基于 AlphaFold2 预测结果的数据库 AlphaFold DB。该数据库中已经储备了近一百万蛋白质的预测结构，为生命科学各个领域的科学家们提供重要的蛋白质结构信息。这一行为很可能会改变很多领域的科研范式，促进分子层面的研究从以序列为基础转变为基于序列和结构的研究，从而加快生命科学定量化的步伐。
当然，AlphaFold2 还有一定的局限性。首先，它在很多蛋白上的预测精度还有待进一步提高，目前还不能完全满足药物开发等领域需要的结构精度，特别是对蛋白质复合体的预测精度较低。因此，AlphaFold2 还不能完全替代结构生物学研究。
其次，AlphaFold2 模拟的是从多重序列比对到三维结构的映射关系，并没有解决从单一序列到三维结构的映射关系，因此蛋白质折叠问题还没有完美解决。最后，也是最重要的一点，针对一个特定的目标蛋白，AlphaFold2 仅提供有限的结构模型，不能揭示其结构的动态变化。而动态结构才是真正决定功能的基础。
无论如何，AlphaFold2 的提出展示了人工智能技术对生命科学研究的巨大促进作用。在蛋白质结构预测领域，预计人工智能技术将继续引领后续的进展，解决目前 AlphaFold2 的局限性：
提高蛋白质复合体的结构预测精度；
发展根据单一序列预测蛋白质结构的人工智能算法；
根据氨基酸序列预测蛋白质的动态结构。
我国在蛋白质结构预测领域的基础整体上还比较薄弱。近年来虽然有多个学术研究组在残基间距离预测、能量函数构建和模型质量评估等子领域做出了原创性的工作，但是由于学术研究组的规模和资金有限，还没有形成完整的自主研发的程序算法，能达到与 AlphaFold2 持平的程度。
但是，目前已有企业牵头的研发小组以 AlphaFold2 为模板进行二次开发，并取得了一定的成绩。考虑到人工智能技术的飞速发展，我国在这一领域还有极大的潜力。希望在不久的将来，我国能通过多个学术研究组的联合攻关，或企业和高校的合作研发模式，开发出原创性的、具有完全自主知识产权的蛋白质结构精准预测算法。
4
人工智能合成数据
人工智能的好处主要集中在数据资源丰富的领域，而“合成数据”有望填补领域空白。
训练人工智能模型需要大量的数据。2021年，尼日利亚数据科学公司的研究人员注意到，旨在训练计算机视觉算法的工程师可以选用大量以西方服装为特色的数据集，但却没有非洲服装的数据集。于是，该团队通过人工智能算法人为生成由非洲时尚服装的图像组成的数据来解决这一不平衡问题。
这种通过算法人为合成出的符合真实世界情况的数据，具有与真实数据相似的统计学特征，且在数据饥渴的机器学习领域的应用越来越普遍。在真实数据稀缺或过于敏感的领域，如医疗记录或个人财务数据，这些“合成数据”可用于训练人工智能模型。实际上，合成数据的想法并不新鲜，例如，无人驾驶汽车已经在虚拟街道上进行了许多训练。2021年，“合成数据”技术已经变得很普遍，许多初创公司和大学都在提供这种服务。例如，Datagen和Synthesis AI可根据需要提供数字人脸，其他公司可为金融和保险业提供合成数据。
特别地，2021年麻省理工学院发布了名为“Synthetic Data Vault”的开源工具，支持便捷生成不同领域、不同模态的数据。MIT Technology Review 关注到了数据合成方向的技术动态，并鉴于数据对智能算法的源头作用，将其列入2022“全球十大突破性技术”。
专家点评
程学旗，中国科学院计算技术研究所研究员、博士生导师，国家杰出青年科学基金获得者。主要研究方向为数据科学基础理论，大数据分析技术与系统，网络与社会治理大数据应用等。在国内外学术期刊与会议上发表论文200余篇，授权发明专利80余项，谷歌学术引用20 000余次。在数据表征学习、异构大数据广谱关联、信息检索与排序、群体分析与群智众包系统等方面取得突出成果，5次获得本领域国际学术会议最佳论文奖。获国家科技进步奖二等奖3次、国家技术发明奖二等奖1次。
陈薇，中国科学院计算技术研究所研究员，博士生导师。主要研究领域为机器学习理论与算法，可信机器学习技术及其在智能算法安全中的应用。在International Conference on Machine Learning、Conference on Neural Information Processing Systems、International Conference on Learning Representations 等机器学习和人工智能国际会议/期刊发表学术论文50余篇。2021年入选福布斯“中国科技女性榜”。
人工智能技术已经在百姓生活和社会管理中广泛应用，例如日常购物娱乐和网络社交中的智能算法推荐、生活工作中的智能穿戴和智能算法助手、以及帮助规划调度城市高效运转的城市大脑。人工智能技术浸润着现代社会的每一个角落，已然成为世界科技与社会发展的一大支柱。
2022年MIT Technology Review 评选出“全球十大突破性技术”，“人工智能合成数据”入选其中。如果说以深度学习为代表的智能算法是人工智能技术应用和发展的“引擎”，那么数据就是用于驱动“引擎”的“燃料”。虽然人工智能与机器学习领域的专家吴恩达认为，未来技术落地的重点将会转向数据，形成以“数据为中心的人工智能”，但过去几年研究人员还是主要聚焦在模型、训练算法、或者是算力的改进上，对数据本身的关注相对较少。
有观点认为，在大数据时代，数据本身是廉价的，富有价值的是从数据中挖掘到的知识。这个观点并不完全正确。知识是宝贵的，但数据却并非廉价。人工智能模型的效果很大程度上取决于数据质量，“无效输入”往往会导致“无效输出”。
为了得到高质量的数据，需要对数据进行预处理，包括处理缺失数据和异常数据等。此外，为了提高模型训练的效果，还需要邀请领域专家人工为每一份数据附上标签，这大大地提高了数据的获取成本并制约了数据集的规模。除去获取成本高昂以外，特定领域的数据集还受限于用户隐私，极难采集。以医学影像领域为例，患者的医学影像被医院保管，医院无权泄露。这很好地保障了患者的隐私，但同时增添了领域研究者获取数据的难度。
因此，如何高效、廉价并在不侵犯隐私的情况下获取大量数据，是人工智能领域的关键问题之一。为了实现这一目标，研究人员提出了“合成数据”的方法，即通过算法人为生成出符合真实世界情况的数据集。
合成得到的数据集可以用于人工智能模型的训练，且具有获取成本低、质量高、避免侵犯隐私等优点，有望解决目前模型训练中数据缺乏这一瓶颈问题。综上，笔者认为，MIT Technology Review 关注到了数据生成方向的技术动态，并鉴于数据对智能算法的源头作用，将其列入“全球十大突破性技术”。
国际上，“合成数据”技术研究的价值已经正在得到广泛认可，许多知名研究机构及科研院校都正在开展关于合成数据的项目。特别地，2021年麻省理工学院发布了名为“Synthetic Data Vault”的开源工具，支持便捷生成不同领域、不同模态的数据。
此外，国际资本市场也提早预期到了“合成数据”技术的潜在价值，催生出了一批初创公司， 如AI.Reverie、Sky Engine、Datagen等。其中，AI.Reverie在2021年被meta公司收购，用于支持元宇宙的开发；Datagen在2022年3月获得5000万美元的B轮融资。
成功的商业模式正在表明“合成数据”这项技术并非只能用于实验室场景，在实际场景中也能够发挥重要作用。高纳德咨询公司在2021年6月的报告中甚至预测，到2030年，绝大部分用于训练人工智能模型的数据将是合成数据。
我国的科研院所及商业公司也在“合成数据”领域积极进行研究探索，并取得了优秀的成果。例如，中国科学院的研究人员提出了对偶生成模型，该模型能够高效地生成大量现实中不存在的人脸虚拟图像，从而有效缓解异质人脸识别任务中缺乏数据及数据采集成本过高的问题。
商业公司也正在该领域进行有效探索，例如，支付宝公司基于实物建模技术与渲染技术提出了一套用于合成三维数据的方案，有效降低了模型训练中的数据成本，并且避免了人工标注数据带来的不可靠性。相对而言，我国关于“合成数据”的研究主要着眼于服务下游任务，对“合成数据”技术本身的研究仍有待开拓。
“合成数据”领域的技术发展趋势迅猛，正在被期待对人工智能产生“再次点火”的作用。本次入选MIT Technology Review “全球十大突破性技术”榜单，也将使其受到社会各界的更多关注。然而，笔者认为我们仍然需要重点关注以下几个问题：
“合成数据”的评估问题。研究者们逐渐意识到，高质量的合成数据集不仅仅可以作为真实数据集的补充，更可以作为训练人工智能模型的主要数据来源。但在全面应用合成数据集之前，需要充分研究合成数据集与真实数据集的差异，从而避免应用合成数据集带来的偏差。如何评估合成数据集与真实数据集的差异仍是一个亟待解决的问题。
“合成数据”仍存在“非自然数据”的问题。目前大多合成数据技术是基于统计机器学习方法的，由于经典统计学只关注了数据中蕴含的相关性，而忽视了因果性，因此有可能会生成不合逻辑的数据。例如，合成图像中可能会出现具有异常背景的图像，这类数据被称为“非自然数据”。“非自然数据”对智能算法的影响目前仍然未知，尤其对算法的鲁棒性和可靠性。刻画影响的边界并提早思考应对办法将会是“合成数据”能否进入风险敏感领域的关键。
“合成数据”的“隐式隐私”泄露问题。虽然“合成数据”并不由某个用户产生，但是目前的“合成数据”仍然需要借用数据来训练用于合成数据的模型，比如生成对抗网络。由于生成对抗网络结构的复杂度较高，因此在模型训练的过程中，存在记忆原始训练样本分布的可能。已经有最新研究结果表明，可以通过合成的数据反向推断出原始训练样本。所以，数据合成技术存在上述“隐式隐私”泄露问题，如何更严密地保护隐私仍是有待探究的问题。
5
新冠变异追踪
SARS-CoV-2病毒是地球上被测序最多的生物体，极大地增强了全球对此类病毒的变异追踪与预警能力
2019新型冠状病毒仍在全球传播，这场全球疫情使得病毒基因组测序受到了前所未有的资金青睐，并极大地扩大了全球对此类病毒监测与预警的能力。2021年11月，南非一家实验室的测序人员发现一个有50多个突变的病毒基因组，并首次发出警示信号，几乎在瞬间，西雅图、波士顿和伦敦的计算机都在利用这些数据做出预测：这种被命名为Omicron的新冠病毒变异体是个麻烦，它是一种可能逃避抗体的病毒突变体。
科学家们借助于基因测序、分析技术，可绘制出SARS-CoV-2的基因组图谱，可监测病毒传播过程中基因组发生的变化，并可进一步地快速发现并警告新的病毒变异体，如阿尔法、德尔塔，以及最近出现的奥密克戎。
其中，Omicron被认为是迄今为止变异程度最高的病毒变种。这一项史无前例的努力，使SARS-CoV-2成为历史上接受基因测序最多的生物体，超越了流感病毒、人类免疫缺陷病毒甚至人类基因组，极大地提高了全球对此类病毒的监测、传播跟踪与预警能力。
专家点评
陆剑，北京大学生命科学学院教授、博士生导师，教育部长江学者特聘教授，国家重点研发计划重点专项首席科学家。目前担任Science Bulletin 和Molecular Biology and Evolution 的副主编、中华预防医学会生物信息学分会委员和北京市生物信息学会理事。研究方向为分子进化和基因组学，长期致力于群体遗传学、进化基因组学和基因表达调控等领域的研究。参加中国—世界卫生组织新冠病毒溯源联合研究，获得全国科技系统抗击新冠肺炎疫情先进个人称号。
钱朝晖，中国医学科学院/协和医学院病原生物学研究所研究员，博士生导师，国家病原微生物实验室生物安全专家委员会委员。长期从事冠状病毒入侵、复制以及致病机制研究。
吴爱平，中国医学科学院系统医学研究院、苏州系统医学研究所研究员，北京协和医学院博士生导师。获得全国科技系统抗击新冠肺炎疫情先进个人称号、中华医学科技奖二等奖和江苏省“双创人才”等奖励。研究方向为传染病生物信息学，专注于开发新型计算方法，建立病毒性传染病的生物信息分析框架，系统进行新发突发病毒的发现溯源、变异进化和免疫评估等。主持或参与了国家重点研发计划、国防科技创新特区和国家自然科学基金等多项国家级科研项目。
新型冠状病毒传播引发的疫情给全球经济和公共卫生带来了极大的破坏。作为一种RNA病毒，新型冠状病毒在流行过程中必然会不停地发生变异，导致新的变异株不断涌现。世界卫生组织已经定义过5个密切关注变异株，分别是阿尔法、贝塔、伽玛、德尔塔和奥密克戎。快速积累的大量病毒基因组，为大流行期间病毒的持续演化和流行病学研究提供了宝贵的数据基础。
对新冠病毒不同变异株进行科学的谱系划分和演化动态追踪，不仅有助于流行病学的调查和疫情精准防控政策的制定，对病原体检测，临床诊断，疫苗和治疗药物的研发以及有效性评估也具有不可估量的重要意义。在新冠疫情暴发早期，新冠病毒基因组序列还非常有限的情况下，我国科学家就开展了新冠病毒基因组分型和谱系划分的系统研究。例如，我国科学家准确地将新冠病毒分为L和S两个主要谱系，推测S谱系较为古老，而L由S谱系进化而来。进一步的研究发现早期病例中S谱系病毒感染者中危重症比例显著高于L谱系病毒感染者。
为了便于追踪不同谱系病毒演化流行过程和特征，进一步构建了新冠病毒分层次谱系划分系统，绘制了完整的反映各个谱系之间亲缘关系的单倍型网络图，揭示谱系演化关系，并建立新冠病毒谱系时空动态分布的可视化平台。
当前世界卫生组织定义的VOC变异株均是L谱系的分支谱系。S和L谱系分别对应Pango Lineage分型系统的A型和B型。S和L谱系划分已被科学界广泛接受和认可，并被全球禽流感基因共享数据库数据库、国家基因组科学数据中心、中国疾病预防控制中心以及《中国—世界卫生组织新冠病毒溯源联合研究》中英文报告所采用。
我国科学家还发现，新冠病毒感染人数的不断增加会加速新冠病毒变异的适应性演化，从而形成正反馈循环。庞大的全球感染人群，为新冠病毒的位点突变、片段插入/删除以及基因重组等基因组结构变异等提供了巨大空间。在可预期的一段时间内，新冠病毒将会与人类共存。因此，对病毒变异规律的及时解析和谱系演化动态的及时追踪仍然非常重要。如何科学地预测病毒的变异趋势，对可能造成大流行的高风险株做到有效的先期预警尤为重要。
早期新冠病毒变异的功能选择主要表现为传播力、受体结合能力以及病毒复制能力的增强。但是，在奥密克戎变异株高传播力的背景下，突破性感染不停发生，感染人群比例不断升高，病毒多样性持续扩大，免疫逃逸已经成为新冠病毒变异的主要驱动力。因此，如何在疫苗接种和突破感染形成的复杂免疫选择压力下，预测新冠病毒变异趋势和流行动态将会是一个充满挑战但又亟需解决的重要科学问题。
GISAID已经收录了超过1 000万条新冠病毒全基因组序列及部分样本的采集信息，基因组序列的超复杂性也为监测和分析新冠病毒演化趋势提出了巨大挑战。开展病原学、免疫学、结构生物学、群体遗传学、分子演化以及计算生物学等多学科的合作，结合人工智能和机器学习等新兴技术可能是解决这一问题的有效途径。
本文转载自DEEPTECH，原文刊载于中国科学基金。
关于昆仲资本
昆仲资本专注于投资科技创新型的早期及成长期企业，坚持长期主义与科技向善的理念。植根中国市场，利用国际化的科技视野与丰富的产业资源，发掘创新赛道，赋能企业家共同成长。昆仲资本目前管理着两支人民币基金，两支美元基金和若干专项基金。重点关注新能源汽车与出行产业链；智能设备与系统、半导体、传感器等新一代智能技术和医疗科技。昆仲资本在北京、上海和深圳设有办公室。
昆仲资本核心团队自2013年以来，累计投资近120多家企业，已帮助一批创新型企业成长为行业的领导者。例如：新能源车与出行领域的小鹏汽车、先惠技术、文远知行、速腾聚创、博车网、灵明光子等；新一代智能技术领域的鲲游光电、爱笔智能、影谱科技、罗曼股份、素士科技、和创科技、鹿客科技、极光等；医疗科技领域的深睿医疗、微医集团、伊鸿健康等。
