近日，麻省理工科技评论在全球范围内评选出了 35 位“35 岁以下优秀科技创新者”。在入选榜单中，我们发现有 6 位华人在列，他们是来自中科院物理研究所的郑金星、Lightelligence 创始人沈亦晨、IBM 高级研究员孙啸、Huue 创始人 Tammy Hsu，阿贡国家实验室科学家 Jie Xu 以及约翰普金斯大学助教 Janice Chen。
“35 岁以下科技创新 35 人”榜单评选涵盖发明家（Inventors）、创业家（Entrepreneurs）、远见者（Visionaries）、人文关怀者（Humanitarians）及先锋者（Pioneers）五大类，涉及软件创新、生物医药、互联网、材料科学、硬件传感、通信技术、新能源等几乎所有新兴技术领域。
2017 年，《麻省理工科技评论》将评选榜单正式落地中国，重点发掘中国最具影响力和潜力的科技创新人才。每年由国内外各专业领域的权威人士，包括科学家、商业领袖、投资人等组成中国区榜单评审委员会，参与评审活动。
在此前四届的中国区榜单评选活动中，已先后评选出 140 位极具创新潜力的科技青年，发掘了百余项由中国青年科学家引导的世界级突破性研究成果。
此外，我们还发现在本次评选中，除了沈亦晨和孙啸，与人工智能领域相关的创新者还有 11 位，他们有斯坦福、康奈尔和卡内基梅隆大学教授，也有谷歌、IBM、DeepMind 高级科学家。
他们的研究成果对人工智能技术发展和应用产生了重要影响，如 MIT 研究院 Max Shulaker 对碳纳米管的研究可能会导致下一代计算机的诞生；斯坦福大学教授 Anna Goldie 用强化学习设计微芯片大幅提升了运行速度。
下面 AI 科技评论将华人以及与人工智能领域相关的创新者信息整理如下：
郑金星，中国科学院等离子体物理研究所，34 岁
中国科学院等离子体物理研究所一室主任，教授，博士毕业于中国科学院大学核能科学与工程专业，主要从事超导电物理工程研究工作。
入选理由：
郑金星设计出了更好的方法来模拟使用强力磁铁在极端温度下控制等离子体 —— 这对基于聚变的能源来说是一个重大进步。他的工作正在帮助中国领先设计迄今为止最大的聚变反应堆（即“CFETR 计划”）。CFETR 预计将在 2035 年之前完成建设并上线，但可能需要 5 到 10 年的时间才能达到全功率。
聚变反应堆基于原子结合时释放的能量，具有创造清洁能源的巨大潜力，并且比现有的基于裂变反应的核能更安全。但是目前还没有人建造出一个实用的聚变反应堆，原因之一是难以容纳必要的超高温度（达到数亿摄氏度）的等离子体。
他的创新相当于发现了新的理论模型，有利于理解多个大型超导磁体如何在聚变反应发生时快速改变其磁场以将等离子体保持在一个地方。2018 年，在他的模型的帮助下，中国合肥的一座聚变反应堆（被称为实验性先进超导托卡马克 —— 绰号“人造太阳”）在 5000 万摄氏度下控制等离子体的时长创下了纪录，达到了 102 秒。
中国未来的 CFETR 计划在 2030 年代以超过 1 吉瓦的功率运行，是目前法国南部与世界各国合作完成的聚变反应堆 ITER 功率的两倍。
个人主页：http://dsxt.ustc.edu.cn/zj_js.asp?zzid=6815
孙啸，IBM，34 岁
现任 IBM 研究员，本科毕业于北京大学微电子专业，博士与博士后毕业于耶鲁大学，主要研究内容是使用减精度推理与训练来加快深度神经网络计算。
入选理由：
人工智能计算的关键是寻找出在整个计算过程中只使用少数位的技术。之后，你可能还是要执行上万亿次计算，但每次计算都会变得简单许多。根据孙啸和 IBM 同事在 ISSCC 2021 上发表的一篇论文，使用两位数的数字不仅节省时间，而且节省能源，比使用数十亿数字进行同样的计算要高出 20 倍以上的节能率。
孙啸是 IBM Thomas J. Watson 研究中心一个研究小组的成员，该小组一直在寻找方法，使用三数位、甚至两数位的数字来执行这些计算（现代笔记本电脑或手机使用 20 位数字进行计算，而大多数专用的机器学习芯片只使用 5 个数位）。
今年 2 月，部分基于孙啸的工作，IBM 推出了一款新芯片，使用三位数的计算来训练神经网络。IBM 希望不仅能用这款芯片在云计算中心训练大型神经网络，还希望训练本地数据、在手机上使用。
个人主页：https://researcher.watson.ibm.com/researcher/view.php?person=us-xsun
沈亦晨，Lightelligence，32 岁
Lightelligence（初创光子 AI 芯片公司）联合创始人兼 CEO。高中就读于杭州外国语学校，本科毕业于约翰霍普金斯大学物理与数学专业，随后在约翰霍普金斯大学攻读数学硕士，2016 年毕业于麻省理工学院应用物理学专业，毕业没多久就基于他的博士论文创立了两家公司，分别是 Lightelligence 与 Lux Labs。
入选理由：
2017 年，沈亦晨与 Nicholas Harris 发表了一篇如今谷歌学术引用接近 1000 的论文（“Deep learning with coherent nanophotonic circuits”），谈到将光路应用于机器学习任务，比如语音和图像识别。他们的设计被评为“代表了使用光的神经网络最关键构建块之一的真正并行实现，现代代工厂可以轻松地批量制造这种类型的光子系统。”这意味着芯片的光子计算机可能会成为一个市场巨大的业务，每个要使用神经网络进行决策的设备都会用到一个光子计算机。
涉及到神经网络的基本计算有两种：一是必须对神经网络进行训练，通常是向神经网络展示大量数据，使它们调整众多神经元之间的连接强度；二是使用现有连接进行决策。也就是学车与开车的区别。
在这种情况下，差异很关键。如果一个神经网络需要数周时间来学习如何识别图像，那不一定是问题。但如果它正在驾驶一辆自动驾驶汽车，就需要在秒内做出生死推断。这时候，光子计算机就派上了用场。
尽管光子计算机的研究已经进行了数十年，但效果却不佳。操纵光子比操纵电子还难。但是，对于某些类型的计算，比如使用现有神经网络进行推理，光子又是必不可少的。
沈亦晨与 Harris 基于这篇工作共同创办了 Lightelligence。Lightelligence 在 2019 年发布了原型光学 AI 芯片，目前已获得超过 1 亿美元的资金。
个人主页：https://www.shenyichen.org/
Jie Xu，阿贡国家实验室，33 岁
现任美国阿贡国家实验室助理科学家，博士毕业于南京大学，博士后毕业于斯坦福大学。
入选理由：
Jie Xu 的主要贡献是发明了聚合物电路（一种即使被弯曲、拉伸和反复移动也仍能继续工作的材料）。
此前，这对研究员来说一直是一个重大挑战，直到 2016 年，她设计了一种应用于橡胶表面的两种聚合物涂层，该涂层可以拉伸至两倍大小并仍然导电。2019 年，她对这项技术进行了改良，使可拉伸半导体可以使用卷对卷制造（一种工业制造工艺）进行大规模生产。这是可拉伸半导体第一次付诸大规模生产。
她的工作使可打印、可拉伸的电子产品成为大规模生产的产品。她的多项突破可应用于未来的可穿戴技术、先进的机器人技术以及将传感器连接到皮肤的人机界面，使柔性显示器和皮肤穿戴式医疗传感器更加实用和易于制造，还可以帮助设计具有功能性皮肤状外壳的假肢。
由于担心制造塑料垃圾，目前她正在寻找可回收或可生物降解的聚合物半导体材料。
个人主页：https://www.anl.gov/profile/jie-xu
Tammy Hsu，Huue，30 岁
Huue 创始人，本科毕业于斯坦福大学生物工程专业，博士毕业于 UC Berkeley。
入选理由：
许多消费者没有意识到，牛仔布的标志性颜色靛蓝需要合成化学物质，如甲醛和氰化物，这可能对工人有害，有时还会污染当地的水源。鉴于牛仔裤是世界上最普遍的服装之一，这是一个巨大的环境问题。
Huue 的首席科学官 Tammy Hsu 与同事合作研究颜色在自然界中的生成方式，然后对微生物进行编程、通过酶促产生他们想要的颜色。这是一种不依赖有害过程或化学品的可持续解决方案。现在的挑战是使天然染料与工业所依赖的合成染料一样便宜。
Huue 有望在明年发布其靛蓝染料。Hsu 的下一步工作是研究如何诱导微生物生产一系列不同的染料。
Janice Chen，约翰霍普金斯大学，30 岁
现任约翰霍普金斯大学助理教授。博士毕业于 UC Berkeley。
入选理由：
故事要从几年前说起：当时，Janice Chen 还在 UC Berkeley 读博，被一家实验室邀请用她发明的新技术在医院的医学样本中寻找人乳头瘤病毒，然后她匆匆忙忙打了一辆 Uber。
没多久，她的测试使用基因编辑工具 CRISPR，几乎每次都能发现病毒，从而为医院提供了一种新的细菌测试方法。她和其他几名学生以及 CRISPR 的共同发现者 Jennifer Doudna（2020 年诺贝尔奖得主）共同创立了一家公司（名字叫 Mammoth Biosciences），计划开发新一代测试仪器。
医疗诊断业务市场并不容易进入，因为少数拥有完善技术的公司占据了主导地位。但是，他们的技术对传染病测试非常有用，尤其在新冠之后更凸显了重大的意义。
个人主页：https://pbs.jhu.edu/directory/janice-chen/
Virginia Smith ，卡内基梅隆大学，31 岁
获奖理由：她的人工智能技术高效准确，且确保公平和隐私
Virginia Smith 提出了一种更加“个性化的联邦学习技术，它不是将一百万个本地化模型合并为一个模型，而是将最相似的本地化模型合并成几个模型。数据越异构，模型数量就越多。该技术使每个模型仍然从多个设备中学习，但也为特定用户提供了定制功能。
Emma Beede，谷歌，30 岁
获奖理由：她的工作有助于确保人工智能工具在现实世界的应用
Emma Beede 测试了谷歌健康公司（googlehealth）的一种深度学习算法 —— 用于筛选糖尿病视网膜病变（diabeticretinopathy）的眼部图像。该技术需要关键的改进才能在现实世界中应用。她发现，当诊所拍摄的眼部图像质量光线不佳时，扫描就变得毫无用处，超过 20% 的视网膜扫描被拒绝。该结果说明需要确保人工智能驱动的人类工具在部署前经过严格而细致的测试。
Sara Berger，IBM Research，33 岁
获奖理由：利用机器学习使疼痛管理更容易。
Sara Berger 是 IBM T.J. 沃森研究中心的神经科学家，专注于研究利用机器学习量化长期疼痛，并帮助预测缓解疼痛的方法。可穿戴设备和环境传感器可以捕捉包括心率、睡眠模式，甚至患者语音的声学特性在内的指标。Berger 利用这些患者疼痛体验的数据和指标，通过机器学习分析提出了一个更全面、更精准的评估和治疗计划。
Priya Donti ，卡内基梅隆大学，28 岁
入选理由：通过计算机科学和公共政策寻找气候变化解决方案。
Priya Donti 致力于研究机器学习可以如何应对气候变化。 结合了计算机科学、工程和公共政策，重点研究了电网如何更可靠地整合可再生能源。2019 年，她发表了一篇题为《用机器学习应对气候变化》的有影响力论文。
Aäron van den Oord ，DeepMind，33 岁
入选理由：他开发的人工智能语音系统声音听起来非常人性化。
Aäron van den Oord 是谷歌人工智能研究子公司 DeepMind 研究员，主要负责图像生成、语音合成方向的研究工作。他的语音技术能学会预测二维像素序列，还能通过预测波形生成真实的声音，它发出的声音比任何现有系统都要真实。
Emma Pierson，康奈尔大学，30 岁
入选理由：她利用人工智能来找出种族、性别和阶级之间健康差异的根源。
Emma Pierson 是康奈尔大学计算机科学家，她利用人工智能和新兴的数据科学模型揭示了性别、种族、社会经济群体和其他人口类别之间的健康差异。她说：“这些都是我用数学在大数据集中寻找模式的奇特方式，而我正在寻找的特定类型的模式正试图回答健康和社会科学领域的一些老问题。”。
George Boateng，SuaCode.ai，28 岁
入选理由：他建立了一个基于智能手机的在线编程平台，解决非洲年轻人在 IT 技能上落后的差距。
George Boateng 和 Victor Kumbol 共同创办了一家 SuaCode.ai 教育公司，现在有来自二十多个国家的 600 多名毕业生。他目前是苏黎世理工学院应用机器学习专业的博士生，设计了一个会说英语和法语的人工智能系统。他希望这门课程的自动化性质能为更多的学生提供早期接触编码的机会，成为继续教育的基石。
Anna Goldie ，谷歌大脑和斯坦福大学，27 岁
入选理由：她用人工智能设计微芯片的速度比人类快得多。
Anna Goldie 利用强化学习设计了一种计算机芯片。该芯片可以在不到 6 小时的时间内，与人们所能开发的解决方案相匹配甚至优于这些解决方案。她希望为改进和加速硬件设计的人工智能进步铺平道路，在硬件和人工智能之间建立一个共生循环。
Moses Namara，克莱姆森大学，29 岁
入选理由：他试图打破黑人青年从事人工智能职业的障碍。
Moses Namara 2018 年创立了 Black in AI，Black in AI 目前已经指导了 400 名申请者，其中 200 人已经被竞争性 AI 项目录取。它提供了一系列的资源：来自当前博士生和教授的指导，简历评估，以及在哪里申请的建议。Namara 现在看到了导师制度发展到下一个合乎逻辑的步骤：帮助黑人博士和硕士生找到第一份工作。
David Rolnick，麦吉尔大学，30 岁
入选理由：他利用人工智能对抗气候变化。
David Rolnick 是宾夕法尼亚大学的博士后研究员，他发表了一份有关机器学习如果减少温室气体排放和适应气候变化的有影响力的报告，该报告和合著者还包括 DeepMind 联合创始人 Demis Hassabis 和图灵奖得主 Yoshua Bengio。Rolnick 在三个主要的人工智能会议上担任气候变化研讨会的牵头组织者，并在联合国气候变化会议上担任人工智能活动的牵头组织者。
Max Shulaker，MIT，33 岁
入选理由：他对碳纳米管的研究可能会导致下一代计算机的诞生。
Max Shulaker 用碳纳米管制造了世界上第一台功能计算机，还设计了将计算、内存和传感直接集成在一个芯片上的系统。这些新技术可以将计算机的能源效率提高 1000 倍，并使像低成本医疗传感器这样的新设备成为可能。这些突破是迈向下一代计算机系统的重要一步，其能效远远高于迄今为止任何一种计算机系统。
加载中,请稍侯......