分类： 分类1

传统生物学是「发现」的学科——理解自然如何运作。合成生物学是「建造」的学科——用工程方法设计和构建生物系统。它不满足于描述生命的运作方式，而是要像工程师设计电路一样设计生命，让微生物生产药物、材料、燃料甚至计算逻辑。

从基因编辑到基因合成

CRISPR让编辑现有基因变得便宜，但合成生物学更进一步：从零设计基因回路。研究者把启动子、终止子、报告基因等「生物零件」标准化，像搭积木一样组装出有特定功能的基因回路。MIT的Registry of Standard Biological Parts已收录超过两万个标准化生物零件。

工程化的生物制造

合成生物学最成熟的落地是生物制造。青蒿素的微生物合成（Amyris/赛诺菲）把植物提取变为发酵生产；胰岛素早已由基因工程菌生产；Impossible Foods用基因工程酵母生产血红蛋白模拟肉味。下一个爆发点是精密发酵——用工程微生物生产高价值蛋白和脂质，替代动物源成分。

活体疗法与诊断

合成生物学正在进入医疗。工程化细菌可以被设计为肿瘤靶向的「活体药物」——在肿瘤微环境中特异性释放治疗分子。Synlogic和BlueRock等公司正在推进工程菌疗法临床试验。在诊断端，合成生物学设计的基因回路可以检测血液中的生物标志物，实现便携式即时检测。

生物安全与伦理

设计生命的能力带来双重风险：技术扩散让非专业人员也可能合成病原体。2022年，一家公司用邮件订购的DNA片段合成了传染性脊髓灰质炎病毒RNA。社区正在推动合成DNA订购筛查机制和「生物防火墙」——让工程微生物依赖人工氨基酸，在自然环境无法存活。合成生物学的未来取决于工程能力与治理能力的同步进化。

当生命从「被发现的对象」变为「被设计的系统」，人类正在进入一个新的工程纪元。

SpaceX 用猎鹰9号一级火箭回收复用改写了航天经济学的基础公式。当一枚助推器被重复使用二十次以上，单次发射的边际成本从传统的一次性火箭的约6000万美元压缩到不足200万美元——降幅超过95%。这个数字不是理论推算，而是已经写在商业发射报价单上的现实。

为什么可回收改变了游戏规则

传统火箭的造价结构里，一级助推器占总成本的60%至70%。它只在发射中工作几分钟，然后坠入大海或大气层烧毁。这就像用一架造价数亿的飞机执行一次航班就报废——商业逻辑不可持续。可回收火箭把一次性消耗品变成了耐用资产，折旧模式从「单次摊销」变为「多次分摊」，成本曲线发生根本性弯曲。

二级回收：下一个技术临界点

猎鹰9号只回收一级，星舰则计划回收整箭——包括二级。如果整箭复用实现，发射成本将再降一个量级。星舰的设计目标是单次边际成本低于200万美元，运力却超过猎鹰9号的五倍。这意味着每公斤入轨成本可能跌破100美元，而航天飞机时代这个数字是5万美元。

星座、深空与太空制造

低成本发射催生了新的商业模式：低轨星座（星链已部署超6000颗卫星）、轨道加油站、月球物流和中继通信。更重要的是，当发射不再是瓶颈，太空制造和轨道数据中心等此前无法成立的设想开始获得投资。发射成本每降一个数量级，可服务的太空市场扩大约三倍——这是NASA和麦肯锡都引用过的经验法则。

中国的追赶路径

中国在可回收火箭领域正在加速。蓝箭航天的朱雀三号、星际荣耀的双曲线三号、天兵科技的天龙三号均进入一级回收验证阶段。2025年多个型号完成海上回收测试，目标是在2027年前后实现与猎鹰9号相当的复用能力。中国航天的优势在于完整的供应链与国家层面的协调能力，挑战在于工程迭代速度与商业闭环验证。

当火箭变成可重复使用的运输工具，太空不再是少数国家的专属领地，而是正在形成的基础设施层。发射成本下降的曲线，正在重塑人类使用太空的方式。

人类每天产生约2.5EB（2.5×10^18字节）数据，全球数据中心消耗约4%的电力。磁带寿命30年，硬盘5年，闪存更短。如果把人类全部数据存进DNA，体积不超过一个鞋盒。这不是科幻——微软与华盛顿大学的实验已经证明了可行性。

为什么DNA是终极存储介质

DNA的存储密度可达每立方厘米10^21比特，是最高密度硬盘的千倍以上。更重要的是稳定性：在干燥低温条件下，DNA可以保存数万年——斯瓦尔巴全球种子库旁边的北极洞穴储存计划正是基于这一特性。一克DNA理论上可存储215PB数据，相当于22万块1TB硬盘。

写入与读取：从0和1到ACGT

DNA存储的编码方案把二进制数据映射到A、T、G、C四种碱基序列。写入靠DNA合成（逐碱基打印），读取靠测序（读取碱基顺序）。当前瓶颈在合成速度和成本：合成1MB数据的DNA约需数千美元，但成本正以摩尔定律级的速度下降。

索引与随机访问

DNA不是随机存取介质——你不能像硬盘一样直接跳到某个扇区。研究者通过在每段DNA链两端添加「条形码」序列实现索引，用PCR引物选择性扩增目标片段，从而实现近似随机访问。Twist Bioscience和Catalog等公司已展示商用DNA存储原型系统。

冷存储的未来

DNA存储的定位是「冷数据归档」——不频繁访问但需要长期保存的数据：科研数据集、历史档案、合规留存。写入慢（小时级），读取慢（分钟级），但保存寿命百年起步，且无需持续供电维护。当全球冷数据量在2030年突破1000ZB时，DNA可能是唯一能同时满足密度、寿命和能耗的存储方案。

用生命的密码刻录文明的记忆，这项技术正在从实验室走向工程化。

近地轨道上目前有超过3.6万块大于10厘米的碎片、近百万块1至10厘米的碎片，以及过亿块更小的颗粒。2009年铱星33与宇宙2251的碰撞产生了2367块可追踪碎片。凯斯勒效应——碎片碰撞产生更多碎片的级联反应——正在从理论警告变为现实风险。

碎片的来源与分布

太空碎片主要来自三类来源：失效卫星与火箭上面级（占可追踪碎片质量的60%以上）、任务相关碎片（螺栓、隔热片等）、碰撞与解体碎片。近地轨道最拥挤的区域在700至1000公里高度，这里既没有大气阻力自然清除，又是大量对地观测卫星的工作轨道。

主动移除的技术路线

主流清除技术包括四条路线。第一是机械臂捕获，欧洲航天局的ClearSpace-1任务计划用四爪机械臂抓住一块125公斤的火箭上面级锥段，2026年发射。第二是鱼叉与网捕获，英国RemoveDEBRIS任务在2018年已在轨验证。第三是电动力绳系——用一条导电绳索与地磁场相互作用产生阻力，使碎片减速再入大气。第四是激光推移，从地面或轨道平台发射脉冲激光，通过烧蚀反冲使微小碎片减速。

为什么主动移除这么难

最大的挑战不是技术，而是交会与近距离操作。一块翻滚的火箭末级以7.8公里/秒飞行，要在轨道上接近并稳定捕获它，需要精确的轨道预测、姿态同步和非合作目标抓取能力。非合作目标没有对接接口、没有应答器、可能处于翻滚状态，这让捕获难度远高于卫星对接。

法律与治理困局

太空碎片归属原发射国所有，第三方不得擅自移除——这是《外层空间条约》第六条的要求。清理一块碎片需要获得碎片所有国的许可，而很多碎片的所有者已无法追踪或不愿配合。国际社会正在推动「主动让位」机制：卫星运营商在寿命末期主动离轨，减少新增碎片。但在轨碎片存量仍在增长，主动移除从「可选」变为「必须」只是时间问题。

为什么要“捕”碳

全球碳排放中，约 40% 来自水泥、钢铁、化工和电力等“难减排”行业。即便全面转向可再生能源，这些行业的工艺排放也无法完全消除。碳捕集、利用与封存（CCUS）被视为兜底方案——在排放源头上把二氧化碳“抓住”，要么封存到地下，要么转化为有用产品，不让它进入大气。

三条技术路线

1. 燃烧后捕集

在烟囱尾气中用化学吸收剂（如醇胺溶液）把 CO₂ 分离出来。这是最成熟的路线，可以加装在现有电厂和工厂上。但醇胺再生的能耗很高，通常会使电厂效率下降 8-14 个百分点。新型吸收剂（如金属有机框架材料 MOFs、相变溶剂）正在研发中，目标是把能耗惩罚降低到 5% 以下。

2. 燃烧前捕集

在燃烧前把燃料气化为合成气（CO+H₂），分离 CO₂ 后得到纯氢燃烧。这条路线效率更高、捕集浓度更大，但需要全新的气化设施，投资成本高，适合新建工厂。

3. 富氧燃烧

用纯氧代替空气燃烧，使尾气几乎全是 CO₂ 和水蒸气，冷凝除水后即可直接压缩封存。技术简洁，但制氧空分设备的能耗和投资是主要瓶颈。

封存：去哪里放

捕集到的 CO₂ 需要运输到封存点。陆上运输主要靠管道，海上运输可以用船舶（类似 LNG 运输）。封存地点的选择标准包括：地质构造稳定、孔隙度和渗透率足够大、盖层密封性好、远离饮用水层。

深部咸水层是最有潜力的封存地质类型，全球容量估计达万亿吨级。油气田因已有勘探数据和注入井，是近期最现实的封存选择。挪威的 Sleipner 项目自 1996 年起每年向海底咸水层注入约 100 万吨 CO₂，运行近 30 年未发生泄漏，是 CCUS 长期安全性的里程碑案例。

利用：从废物到原料

“利用”（U）环节让 CO₂ 从废物变为原料。主要方向包括：

EOR（强化采油）：把 CO₂ 注入油藏驱油，是目前唯一大规模商业化的 CCUS 路径。虽然从碳账角度看，驱油产出的石油最终仍会排放 CO₂，但在过渡期内它提供了 CCUS 的经济驱动力。

矿化利用：CO₂ 与含钙镁矿物反应生成稳定碳酸盐，永久固化。冰岛的 Carbfix 项目把 CO₂ 溶于水后注入玄武岩地层，两年内 95% 的 CO₂ 矿化为岩石。

化学品合成：用绿氢和 CO₂ 合成甲醇、合成气或塑料单体。这条路径的碳减排效果取决于绿氢的来源和反应能耗。

成本：最大的拦路虎

目前 CCUS 的全链成本（捕集+运输+封存）约为 50-100 美元/吨 CO₂，而全球碳价大多低于这个区间。这意味着在没有政策补贴的情况下，CCUS 缺乏经济驱动力。降低成本的关键在于：规模化（单套装置从 10 万吨/年提升到 100 万吨/年）、技术迭代（新型捕集材料）和系统集成（与绿氢、生物质能耦合实现负排放）。

中国进展

中国在 CCUS 示范方面已启动多个项目。中石化的齐鲁石化-胜利油田 CCUS 项目年捕集封存 CO₂ 100 万吨，是中国首个百万吨级全链条示范。国家能源集团鄂尔多斯煤制油 CCS 示范项目探索了煤化工碳排放的捕集与咸水层封存。2024 年，中国发布 CCUS 年度报告，指出全国已有 60 余个 CCUS 示范项目在运行或建设中，累计封存能力超过 300 万吨/年。

不是万能药，但是必要拼图

CCUS 经常被批评为“给化石能源续命”的技术。这个批评有一定道理——如果 CCUS 被用来拖延可再生能源转型，那它确实是在饮鸩止渴。但在钢铁、水泥和化工等无法完全电气化的行业中，CCUS 是目前唯一可行的深度减排选项。IPCC 的 1.5°C 路径情景中，CCUS 贡献了约 10-15% 的累积减排量。

CCUS 不是万能药，但它是碳中和拼图中不可或缺的一块。关键是把成本降下来，把规模做上去，让它从“示范工程”变成“基础设施”。

什么是数字孪生城市

数字孪生城市是物理城市在数字空间中的实时镜像。它不是一张 3D 地图，而是一个持续运行的动态系统——通过遍布城市的传感器网络采集交通流量、空气质量、能源消耗、人流密度等数据，在虚拟模型中实时更新，并通过模拟和优化算法反哺城市管理决策。

技术架构的四层模型

一个完整的数字孪生城市系统通常包含四层：

感知层：包括 IoT 传感器、摄像头、GPS 定位、气象站和卫星遥感。这一层的核心挑战是数据源的异构性和覆盖密度——一个千万人口城市可能部署数百万个传感器，每秒产生 TB 级数据。

传输层：5G 和边缘计算是关键基础设施。5G 的低延迟和大连接数特性使得海量传感器实时回传成为可能，而边缘计算节点在本地完成初步数据过滤和聚合，减少骨干网压力。

平台层：包括数据中台、3D 建模引擎和模拟仿真引擎。CIM（City Information Modeling）平台将建筑信息模型（BIM）、地理信息系统（GIS）和 IoT 数据融合在一个统一的时空框架中，支持从街区到建筑级别的多尺度模拟。

应用层：面向城市管理的具体场景，如交通优化、应急疏散模拟、能源调度和环境监测。

五个高价值应用场景

1. 交通信号智能优化

新加坡的 Virtual Singapore 项目利用数字孪生模拟交通流量变化，对全城 2,500 多个交叉路口进行信号灯自适应优化。在试点区域，高峰时段平均通行时间下降了 22%。

2. 应急疏散模拟

在台风、地震等灾害场景下，数字孪生可以模拟不同疏散方案的人群流动，预测拥堵节点和安全区域，辅助应急指挥部门制定最优路线。深圳在前海片区部署了城市级 CIM 平台，支持台风场景下的建筑抗风模拟和疏散推演。

3. 建筑能耗管理

把每栋建筑的暖通空调、照明和电梯系统接入数字孪生，可以实时监控能耗并自动调优。赫尔辛基的 Kalasatama 示范区通过数字孪生实现了区域级能源调度，建筑能耗降低约 15%。

4. 城市规划沙盘

在建设新区域或改造旧街区之前，先在数字孪生中模拟日照分析、风环境评估和人流预测，可以避免“建完再改”的巨大浪费。雄安新区从规划阶段就同步建设数字孪生平台，实现“数字城市与物理城市同步生长”。

5. 环境质量监测

将空气质量传感器、水质监测站和噪声传感器的数据映射到数字孪生模型上，可以实时生成污染热力图和扩散趋势预测，辅助环保部门精准定位污染源。

落地挑战

数字孪生城市的建设不是技术问题，而是系统工程问题。首先是数据壁垒——交通、住建、环保、水务等部门的底层数据往往各自独立，格式不统一，打通数据壁垒比建模本身更难。其次是维护成本——城市是活的，建筑拆建、道路改线、管网更新不断发生，数字孪生模型需要持续更新才能保持与物理世界的一致性。第三是隐私与安全——摄像头和人流量追踪数据涉及个人隐私，如何在城市管理效用和公民权利之间取得平衡，需要明确的法规框架。

从“可视化”到“可计算”

当前大部分城市的数字孪生仍停留在“好看”阶段——大屏幕上展示 3D 城市模型和实时数据图表。真正的价值在于“可计算”：在虚拟空间中运行交通仿真、风环境模拟、疏散推演和能耗优化算法，输出可执行的决策建议。从“可视化孪生”到“可计算孪生”的跨越，是数字孪生城市从展示工程变为管理工具的关键。

展望

随着 AI 大模型和城市操作系统的发展，未来的数字孪生城市可能具备自然语言交互能力——城市管理者可以直接向系统提问：“如果关闭友谊路的左转车道，对早高峰拥堵的影响有多大？”系统在虚拟空间中运行模拟后给出量化回答。当数字孪生从“镜像”变为“参谋”，城市管理的决策模式将发生根本性变化。

从原理验证到产业落地

量子计算不再只是大学物理系的论文题材。2024 年以来，IBM、Google、IonQ 和 Quantinuum 等公司相继公布了千比特级处理器，量子体积和门保真度指标逐代翻番。更重要的是，制药、材料、金融和物流行业的头部企业已开始以订阅方式使用量子云平台，在真实业务场景中跑小规模实验。

两大技术路线的竞赛

当前主流的物理比特实现方案有两条赛道：超导量子比特和离子阱。超导路线以 IBM 和 Google 为代表，优势在于芯片制造可以借鉴现有半导体工艺、比特密度高、易于集成在稀释制冷机中；难点是极低温环境（约 15 毫开尔文）对制冷机和屏蔽的要求极高，且比特相干时间通常在微秒级。离子阱路线以 IonQ 和 Quantinuum 为代表，用电磁场在真空中悬浮单个离子作为比特，相干时间可达分钟级、连接性好、门保真度更高，但可扩展性受限于离子链长度和激光操控复杂度。

除了这两条路线，中性原子阵列、硅自旋和拓扑量子比特也在快速跟进。2024 年，QuEra 和 Atom Computing 展示了使用光镊操控中性原子的方案，在可扩展性和并行操控方面展示了独特优势。

商业化场景：哪里最需要量子优势

量子计算的商业价值集中在三类问题上：组合优化、量子模拟和特定代数问题。在组合优化领域，物流路径规划、供应链调度和金融投资组合优化是高频场景。在量子模拟领域，分子结构计算和新材料筛选被制药和化工行业寄予厚望——传统超算模拟一个含 50 个电子的分子已经接近极限，而量子计算机天然适合描述量子系统。在代数问题领域，Shor 算法对大数分解的威胁仍是后量子密码学标准化的驱动力。

不过，目前大多数商业实验仍处于「混合算法+少量比特」阶段：经典计算机运行优化循环，量子计算机执行核心子程序。真正的「量子霸权」级别的商业应用，需要等待纠错技术成熟。

纠错：通向实用化的最大路障

物理比特的出错率目前约在 0.1% 到 1% 之间，远高于实用计算所需的门槛。量子纠错码（如表面码）通过把多个物理比特编码为一个逻辑比特来降低错误率，但代价是巨大的资源开销——目前估计需要约 1000 个物理比特编码一个逻辑比特。这意味着要实现一台有 100 个逻辑比特的「可用」量子计算机，可能需要 10 万个物理比特。

2024 年的一个重要进展是 Google 在 Sycamore 处理器上实现了距离为 5 的表面码，并展示了纠错后逻辑错误率随码距增加而下降的趋势。这是纠错从理论走向工程验证的关键一步，但距离大规模纠错仍有数量级的差距。

中国企业与政策布局

中国在量子计算领域采取了「两条腿走路」策略：一方面以中科大、中科院为代表的科研力量在超导和光量子路线的「悬铃木」实验上保持国际前列；另一方面以本源量子、国仪量子为代表的企业推进商业化落地，推出量子计算云平台和量子编程教育产品。政策层面，十四五规划将量子信息作为重点前沿方向，合肥、济南等地建设了量子计算产业基地。

普通人什么时候能用上

短期内量子计算不会出现在手机或笔记本中。但它的影响会以两种方式渗透到日常生活：一是通过药物和新材料的加速研发间接惠及消费者；二是通过后量子密码学迁移，改变我们使用的加密通信协议。对于技术开发者来说，现在开始学习量子编程（如 Qiskit、Cirq 和 PennyLane）并在云平台上实验混合算法，是成本最低的入场方式。

展望

业界普遍认为，2025-2030 年是量子计算的「NISQ+纠错过渡期」，2030 年后有望出现首批在特定问题上超越经典超算的实用量子计算机。在这个窗口内，技术路线竞争、人才储备和产业场景验证将决定下一轮格局。量子计算的商业化不是百米冲刺，而是一场需要耐心和资本的马拉松。

新药研发的“反摩尔定律”

一款新药从实验室到药房平均需要 10-15 年和 20-30 亿美元，而成功率不到 10%。这条被称为“反摩尔定律”的曲线意味着：尽管技术进步，研发效率却在下降。AI 驱动的药物发现（AIDD）被视为逆转这一趋势的关键变量。

四个环节的 AI 渗透

1. 靶点发现与验证

传统靶点发现依赖文献挖掘和实验筛选，周期长、假阳性高。AI 通过对海量基因组、蛋白质组和临床数据的关联分析，能在数周内从数万个潜在靶点中筛选出数十个高置信度候选。DeepMind 的 AlphaFold2 解决了蛋白质三维结构预测这一困扰生物学界 50 年的难题，其开源数据库已覆盖超过 2 亿个蛋白质结构，为靶点发现提供了结构生物学基础设施。

2. 分子生成与优化

生成式 AI 模型（如 diffusion model、Transformer）可以在虚拟化学空间中生成满足特定药理性质的分子结构。与传统高通量筛选不同，AI 生成分子是“从零设计”而非“从库中挑选”。2023 年，Insilico Medicine 的一款由 AI 设计的特发性肺纤维化药物进入 II 期临床试验，从靶点发现到临床候选化合物仅用了 18 个月。

3. ADMET 预测

ADMET（吸收、分布、代谢、排泄、毒性）是药物淘汰的主要原因。传统方法依赖动物实验，周期长且跨种属预测性有限。AI 模型可以基于分子结构预测 ADMET 性质，在合成前就过滤掉高风险候选物，显著降低后期失败率。

4. 临床试验优化

临床试验是新药研发中最昂贵的环节。AI 在受试者筛选、入组标准优化、试验终点预测和安全性监测等方面发挥越来越大的作用。通过对电子病历和真实世界数据的自然语言处理，AI 可以精准匹配符合条件的患者，缩短入组周期。

技术栈与数据瓶颈

AIDD 的核心数据来源包括 ChEMBL、PubChem、BindingDB 等公开数据库，以及各药企的内部实验数据。训练一个好的分子性质预测模型，通常需要数十万到数百万条标注数据。然而，高质量负样本（“这个分子对这个靶点无效”）严重匮乏，因为失败的实验很少被发表。这个问题被称为“出版物偏差”，是 AIDD 数据质量的最大隐患。

在模型方面，图神经网络（GNN）是分子表示学习的主流方案，因为分子天然可以用图来表示（原子为节点，化学键为边）。3D 分子表示和等变神经网络则在蛋白质-配体结合预测中表现优异。

商业化格局

AIDD 领域已形成三种商业模式：一是“AI+自有管线”，如 Recursion、Insilico Medicine，用 AI 加速自有药物研发并推向临床；二是“AI+SaaS”，如 Schrödinger、Atomwise，为药企提供计算平台和服务；三是“大药企自建团队”，如诺华、阿斯利康内部设立 AI 研发部门。中国方面，晶泰科技、英矽智能、深势科技等企业在分子模拟、药物设计和计算化学领域快速成长。

无法替代的环节

AI 目前最擅长的是“缩小搜索空间”——从数亿个可能的分子中筛选出数百个值得合成的候选。但合成、体外实验、动物模型和临床试验仍然需要湿实验室的实体操作。AI 不能替代实验，但它可以让每一次实验都更有价值，把“试错”变成“验证假说”。

另一个被忽视的问题是知识产权。AI 生成的分子结构是否能申请专利？训练数据中包含的专利分子是否构成侵权？这些法律问题仍在演进中，可能成为 AIDD 商业化路上的隐型路障。

展望

如果说 2010 年代是 AIDD 的概念验证期，2020 年代是工程化落地期，那么 2030 年代有望迎来第一批“AI 原生”药物获批上市。从靶点到药房的时间能否真正压缩到 3-5 年，取决于计算模型精度、实验自动化程度和监管框架的协同进化。AI 不会让药物研发变成“按一下按钮”，但它正在让每一个按钮背后的决策更加精准。

为什么我们要拍极地

南极冰盖储存着地球 70% 的淡水，北极苔原冻土封存着上万年未被分解的有机碳。极地不是「摄影师的远方」，而是地球系统的冷机柜，每一次镜头按下，都在记录这台冷机柜是否还在稳定工作。

极地摄影因此兼具两种身份：艺术创作和环境监测素材。从 19 世纪斯科特远征的湿版底片到今天的无人机航拍，几乎每一代摄影技术都把极地当作首个试炼场。

硬件：从零下 40 度开始的清单

低温对电池最不友好。普通锂电池在 −20°C 时容量掉到 60%，一组相机加三块备用电池是底线。镜头卡口处涂抹硅脂、机身周围放几片暖宝宝，可以在零下三四十度的风里多撑两小时。

防风脚架与冰雪地钉组合是稳定前提，广阔冰面上没有遮挡物，风速常常超过 8 级。三脚架中轴加挂钩挂背包袋能压低重心；雪套套在快装板上防止融雪渗进关节。

拍摄伦理与科学协作

极地野生动物与人类保持着脆弱的距离 5 米是南极条约规定的企鹅、 30 米是海豹的安全线。镜头不能为了构图越过这条线，否则会让母兽弃巢、企鹅群弃卵。

近年逐渐兴起的「图像生态学」概念，让摄影师与生态学家共享同一条数据链：拍摄时间、 GPS 坐标、物种标识，连同快门参数、 ISO 值一起进入野外数据库。一张图像从此既是艺术作品，也是科考样本。

三种叙事角度

尺度型：用无人机高空镜头展示冰川舌、裂隙与潮汐冰瀑，强调极地地貌的庞大尺度。

关系型：以帝企鹅群、雪花燕鸥、贼鸥争斗等近距离画面，呈现「生存即合作」的真实故事。

证据型：对比 1950 年代、 1990 年代、 2020 年代的同点位照片，记录冰盖退缩、苔原融化的可视化轨迹。

结语

极地是冷的，也是热的。它因冰而冷，因被关注而热。镜头落下的那一刻起，地球冷机柜的温度便被人类的公共记忆所记录。

城市里被遗忘的「活化石」

一棵树龄超过 100 年的榕树，一年能吸附 1.6 吨二氧化碳、滞留 30 公斤粉尘，相当于小区路边 30 台小型空气净化器的工作量。可是绝大多数城市居民从未听说自己家楼下那棵老榕树已经活了 300 年。

古树名木是城市里唯一免于拆迁、免于「虫蛀式」修理、「风水式」砍伐的「自然居民」。它们是活档案，把活过百年的天气、虫害、城市规划变迁一一封存在年轮里。

古树怎么普查

普查第一步是「拉网式」普查——每个街道、每条小巷都走一遍，记录胸径超过 50 厘米、树龄超过 80 年的大树。台北、武汉、广州等城市已经完成了三轮完整普查。

接下来的健康诊断更细：

• 外部形态：主干倾斜、枝条枯死、腐烂或空腔；
• 根系：土壤紧实度、硬覆盖比例、根部裸露情况；
• 病虫害：典型观察点是叶片萎黄、树干渗液、内部菌类或蛀木甲虫痕迹；
• 周边环境：附近工程、铺设、生硬保护设施都是「隐形破坏者」。

每棵树最后会被分为「健康」「亚健康」「衰弱」「濒危」四个等级，单独立档、拍照存档、挂牌公示。

为什么古树值得抢救

生态层面：一棵成熟榕树是「微型森林」，可以为 200 种以上昆虫、 40 种以上鸟类提供栖息地。

文化层面：许多古树关联着社祠、家族、风水与市井传说，是城市叙事的「口述档案」。

经济层面：古树周边的房价高于周边均值 5%-15%，「古树周边」已经成为许多高级楼盘的隐性卖点。

科学层面：从年轮可以重建上百年城市污染轨迹，从树洞可以取样研究城市生物多样性变化。从这个意义上说，砍掉一棵古树，就是毁掉一个免费的环境监测站。

人人都能参与的「古树守护」

城市居民不必等政府立项，每个人都可以：

• 拍摄街道古树照片，定位上传，参与公民科学平台（如「我为古树代言」类小程序）；
• 关心「脚下」：不踩踏根系外露区、不在树下喷盐除雪、不在树根周围倒热水；
• 成为志愿者：城市绿化部门定期开放「护树日」活动，普通市民可以义务参加「古树体检」。

结语

一辆新车的寿命是 15 年，一棵古树的寿命是 15 倍。一棵树被一片森林取代要 100 年——所以我们不能等到消失那天。