麻省理工发布2018年全球10大突破性技术 零碳天然气发电入选！

人们通常会问，你们所说的“突破性”指的是什么?

实际上，我们选出的技术中有些并没有得到广泛应用，然而有些则即将实现商业化。实际上，我们寻找的是即将对我们的生活产生深远影响的单项技术或者一系列技术。

《麻省理工科技评论》揭晓了2018年“全球十大突破性技术”，这份全球新兴科技领域的权威榜单至今已有17年的历史。

以下为内容摘编。

（来源：微信公众号“NewtonFashionMBA” 作者：牛顿商学院）

1.3D金属打印

入选理由：新型设备首次让3D打印金属零部件成为实用型技术。

技术突破：3D金属打印机实现了低成本快速金属物体打印。

重大意义：按需打印大型复杂金属物体的能力将为制造业带来变革。

主要研究者：Markforged、Desktop Metal、GE等。

成熟期：现在。

3D打印的发展已有几十年时间。但到目前为止，3D打印仍主要用于制造一次性的原型产品。如果希望使用除塑料以外的其他材料，例如金属去打印，不仅成本高昂，且速度很慢。

不过目前，3D金属打印的成本正越来越低，并逐渐成为一种制造实际零件的方法。如果得到广泛普及，那么将改变大批量产品生产的方式。

从短期来看，制造商将不再需要维护大量库存。对于汽车零配件这样的商品，在有需要的时候直接打印即可。从长期来看，大批量生产少数几种零配件的大型工厂可能会被规模较小、更能适应客户需求变化的工厂所取代。

3D金属打印可以制造出重量更轻、强度更高的部件，获得传统方法难以做到的复杂形状，并对金属微结构进行更精确的控制。

2017年，来自劳伦斯利沃莫国家实验室的研究人员宣布，已开发出一种3D打印方法，能制造出强度达到传统工艺两倍的不锈钢。

同样在2017年，来自波士顿的3D打印公司Markforged发布了首款价格不到10万美元的3D金属打印机。

另一家波士顿创业公司Desktop Metal于2017年推出了金属打印原型设备。该公司计划销售用于实际产品生产的大型机器，其生产速度比传统金属打印方法快100倍。

3D 金属打印的操作如今也变得越来越容易。Desktop Metal 公司现在推出了一款用于 3D 金属打印的软件。使用者只要在软件中输入他们所要打印的物体规格，软件就会生成一个适用于 3D 打印的计算机模型。

GE 公司长期以来一直将 3D 打印技术用于它的航空产品生产中。早在 2013 年“十大突破性技术”中就曾提到“增材制造”(Additive Manufacturing)。该公司现在也正在测试一款新型 3D 金属打印机，该打印机打印速度很快，可用于大型零部件的生产。而 GE 计划在 2018 年开始销售该 3D 金属打印机。

2人工胚胎

入选理由：科学家们已经开始通过干细胞制造胚胎。

技术突破：在不使用卵细胞或精子细胞的情况下，研究人员仅从干细胞中就可以培育出类似胚胎的结构，为创造人造生命提供了一条全新的途径。

重要意义：人造胚胎将为研究人员研究人类生命神秘起源提供更方便的工具，但该技术正在引发新的生物伦理争议。

主要研究者：剑桥大学、密歇根大学、洛克菲勒大学、中国科学院等。

成熟期：现在。

英国剑桥大学的胚胎学家们在一项重新定义了如何创造人造生命的突破性研究中，利用干细胞培育出了一种逼真的小鼠胚胎。该胚胎并不是由卵细胞与精子结合而来的，只使用了从另一个胚胎中得到的细胞。研究人员将这些细胞小心翼翼地放在三维支架上观察，细胞随后彼此开始联结，并且排列成几天大的老鼠胚胎独有的子弹形状，研究人员被这一景象吸引住了。

“我们知道干细胞有着极其强大的潜能，可以展现出近乎魔法般的能力。然而，我们没有意识到，他们可以如此完美地实现自组织”，团队负责人 Magdelena Zernicka -Goetz 表示。

Zernicka-Goetz 称，她的“合成”的胚胎可能不会发育成老鼠。尽管如此，它们也意味着，我们很快就可以实现在没有卵子的情况下育出哺乳动物。

但这并不是 Zernicka-Goetz 的最终目标。她想研究早期胚胎的细胞是如何开始分化出其特殊作用的。她说，研究的下一步是使用人类胚胎干细胞生成人造胚胎，这也是密歇根大学和洛克菲勒大学正在进行的研究。

人工合成的人类胚胎将是科学家们的福音，这可以让他们梳理出胚胎在早期发展中经历的过程。而且，由于这些胚胎是从易操作的干细胞发展而来的，实验室将能够使用各种工具，例如基因编辑技术，在它们生长的过程中对它们进行研究。

然而，人造胚胎将会引发一些伦理问题。如果它们最终与真实的人类胚胎难以区分，我们该怎么办? 在它们形成痛觉之前，它们能在实验室里成长多久? 生物伦理学家们说，我们需要在科学竞赛愈演愈烈之前解决这些问题。

3传感城市

入选理由：Alphabet 旗下的 Sidewalk Labs 计划创建一个高科技社区来重新思考到底应该如何建设和运营一座城市.

技术突破：多伦多的一个街区有望成为全球首个成功将尖端城市设计与前沿科技融合在一起的地方。

重大意义：智慧城市会让都市地区变得更加可负担、宜居、环保。

主要研究者：Alphabet 旗下的 Sidewalk Labs、多伦多 Waterfront、阿里巴巴等。

成熟期：项目 2017 年 10 月对外公布，预计在 2019 年开始施工建设。

如今，全球很多智慧城市计划都已搁浅，要么下调了曾经雄心勃勃的目标，要么因为生活成本原因逼走了超级富豪之外的普通居民。而多伦多的一个叫 Quayside 的项目，却希望从头开始重新设计一个社区，用最新的数字技术将其重建，打破现有的失败局面。

Alphabet 旗下位于纽约市的 Sidewalk Labs 将和加拿大政府进行合作，让这一高科技项目落地在多伦多 Waterfront 工业区。

该项目的目标之一就是让一切关于设计、政策以及信息科技的决策都以一个巨大的传感器网络为基础。这个网络将收集各种信息：空气质量、噪声水平以及人们的行为等数据。

在该规划中，一切车辆都是自动驾驶的共享车辆，地下也将跑着负责送快递这种低级体力劳动的机器人。Sidewalk Labs 表示，他们计划让正在设计的软件与系统开源，可以允许其他公司在其上创建服务，类似为手机开发 APP 的做法。

该公司计划密切监视公共基础设施，然而这却引起了对数据管理与隐私的担忧。但是 Sidewalk Labs 相信，它可以通过与社区和当地政府的合作，缓解部分担忧。

4共享AI

入选理由：将机器学习工具搬上云端，将有助于人工智能更广泛的传播。

技术突破：基于云端的人工智能正在降低这项技术的使用难度和价格。

重大意义：目前，人工智能的应用是受到少数几家公司统治的。但其一旦与云技术相结合，那它将可以对许多人变得触手可及，从而实现经济的爆发式增长。

主要研究者包括：亚马逊、谷歌、微软、百度、腾讯、阿里巴巴、科大讯飞、第四范式等。

成熟期：现在。

人工智能一直以来都只是亚马逊、百度、谷歌和微软等大型科技公司，以及少数初创公司的玩物。对于其他领域的众多公司来说，人工智能太贵也太难，无法全面普及。

这个问题该如何解决?基于云端的机器学习工具正在将人工智能带给更广泛的群体。如今，亚马逊旗下的 AWS 子公司几乎统治了云 AI 市场。谷歌则试图通过 TensorFlow 这款可以开发机器学习系统的开源人工智能框架来挑战它的地位。而谷歌近日刚公开的 Cloud AutoML 也是一套经过预先训练，可以让人工智能变得更容易使用的系统。

以 Azure 平台加入云服务大战的微软则选择与亚马逊合作，推出了一款开源深度学习框架 Gluon。在理论上，Gluon 可以让创建神经网络——一款试图复制人脑学习方式的重要人工智能技术——变得和开发手机 APP 一样简单。

虽然我们不知道究竟哪家公司将会成为人工智能云服务市场的领头羊，但赢家一定会获得巨大的商业机会。

如果人工智能革命会扩散至经济领域的各个角落，那么机器学习工具也将会随之成为必需品。

如今的人工智能技术绝大多数仅用于科技行业，为这个领域带来了效率的提升以及多种新的产品和服务。但是其他的公司与行业一直难以利用人工智能技术的发展。如果可以在医疗、制造以及能源等行业里更全面地推行人工智能技术，将极大提高各产业的生产力。

5对抗性神经网络

入选理由：两个 AI 系统通过玩“猫捉老鼠”游戏来获得想象力。

技术突破：两个 AI 系统可以通过相互对抗来创造超级真实的原创图像或声音，而在此之前，机器从未有这种能力。

重大意义：这给机器带来一种类似想象力的能力，因此可能让它们变得不再那么依赖人类，但也把它们变成了一种能力惊人的数字造假工具。

主要研究者：Google Brain、DeepMind、英伟达、中科院自动化所、百度、阿里巴巴、腾讯、商汤科技、依图科技、云从科技、旷视科技等。

成熟期：现在。

人工智能识别物体的能力已经越来越强了：给它看一百万张图片，它就可以用惊人的准确度来告诉你究竟哪张里面有个行人在过马路。但是 AI 几乎不可能独自生成行人的图片。如果它可以实现这一点，它将可以创造大量看似真实的合成图片，把行人放在各种环境下。而自动驾驶系统或许足不出户就能使用这些图片进行训练。

问题在于，创造新东西需要想象力，而想象力是人工智能所不擅长的。

2014年，蒙特利尔大学博士生伊安·古德费罗(Ian Goodfellow)在一家酒吧的学术辩论中首先想到了这个解决方案，这被称作“生成对抗网络”(GAN)。GAN让两个神经网络在数字版的“猫鼠游戏”中相互对抗。

两个网络都使用相同的数据集去训练。其中一个名为“生成器”，任务是利用所看到的图像去创建不同版本，例如3只手的人。而另一个名为“鉴别器”，任务是识别所看到的图像是否是生成器制造的假图像。

通过这样的过程，生成器将非常善于产生图像，导致鉴别器无法判断哪些是真实图像，哪些是假的。从本质上来看，生成器被训练去识别并制作看起来真实的图像。

过去10年，GAN成为了人工智能最有前景的领域之一，帮助机器生成能迷惑人眼的结果。

GAN已被投入使用，用于制作听起来很逼真的语音和图像。例如，英伟达的研究者向GAN提供了大量明星照片，随后创造出数百张并不存在的头像。另一个研究团队则生成了类似梵高作品的假画。更进一步，GAN可以以不同方式来重新想象画面，例如将阳光灿烂的道路变成一条雪路，或是将马变成斑马。

结果并不总是完美的：GAN或许会给自行车安上两个车把，或是把眉毛放在头像错误的地方。不过，由于生成的图像和声音往往非常真实，因此专家认为，从某种意义上来说，GAN已经开始了解所看到和听到的世界的底层结构。这意味着除了想象力之外，人工智能还能获得更独立的能力，理解所见的世界。

中国企业界则是更倾向于把技术应用在服务中，相关案例不胜枚举，比如，百度使用GAN构建语音识别框架，科大讯飞通过GAN与传统深度学习框架的结合在语音合成领域获得了很大的进展。而阿里巴巴的城市大脑项目团队在ACM MM2017会议上，其中发表的一篇论文便是使用GAN来生成用以进行车牌识别的训练数据集。