分类： 分类1

引言：算力的尽头是电力与散热

AI大模型的训练和推理，正在把数据中心的能耗推向新高度。一个万卡GPU集群的功耗相当于一座小城市的用电量。与此同时，全球对碳排放的约束日益严格。如何在算力增长的同时把能耗降下来？液冷，正成为这场绿色算力革命的核心技术。

一、为什么风冷不够用了

传统数据中心用空调送风冷却服务器。但AI芯片(如H100、B200)的单芯片功耗已突破700W，单机柜功率普遍超过30kW，高密度机柜甚至达100kW以上。风冷在如此高的热密度下接近物理极限，且能耗巨大。

数据中心的能效用PUE(电能使用效率)衡量，PUE=1.0为理想值。风冷数据中心PUE通常在1.4-1.6，而液冷可降至1.1-1.2。

二、液冷技术路线

2.1 冷板液冷

冷板(冷头)紧贴CPU/GPU等发热器件，冷却液在微通道中流动带走热量，其余部件仍用风冷。冷板液冷改造难度低、兼容性强，是当前最主流的过渡方案。又称“单相/两相冷板”。

2.2 浸没式液冷

将服务器主板直接浸入不导电的冷却液中(如氟化液、矿物油)，热量通过液体对流或相变带走。浸没式换热效率极高，PUE可低至1.1以下，但改造大、运维习惯需改变。

2.3 喷淋液冷

用喷嘴将冷却液直接喷淋到发热元件上，结合了冷板与浸没的部分优点，但密封和液体管理较为复杂。

方案	PUE	改造难度	成熟度
风冷	1.4-1.6	低	成熟
冷板液冷	1.2-1.3	中	规模应用
浸没式	1.05-1.15	高	试点扩大

三、产业链与玩家

• 互联网云厂：阿里、腾讯、字节自建大规模液冷数据中心
• 运营商：中国移动、电信、联通推进液冷集采
• 设备商：浪潮、联想、新华三推出液冷整机柜
• 冷却液：3M、科慕、中石化等供应氟化液与国产替代
• 温控厂商：英维克、申菱等专攻液冷温控

四、余热回收与零碳

液冷产生的高温水可用于区域供暖、泳池加热、农业温室等，实现能源的梯级利用。结合绿电(风电、光伏)和储能，数据中心正迈向“零碳园区”。北欧利用严寒自然冷却、中东利用余热供暖，都是因地制宜的范例。

五、挑战与趋势

1. 标准化：液冷接口、冷却液标准不统一，制约规模部署
2. 可靠性：漏液风险与液体兼容性管理
3. 成本：初期改造投入高于风冷，需TCO视角评估
4. AI运维：基于数字孪生的液冷系统智能调优
5. 一体化：芯片-服务器-机房协同设计的“算液一体”

结语

液冷不是可选项，而是高密AI算力的必答题。当算力成为数字经济底座，绿色、高效、低PUE的数据中心就是这一底座的“地基”。中国在液冷规模化应用和产业链完整度上处于全球前列，有望为全球绿色算力提供“中国方案”。

引言：算力即权力

在AI时代，算力成为一种战略资源。训练一个顶级大模型需要上万个GPU运行数月，芯片供应直接决定了AI能力的上限。英伟达市值突破3万亿美元，正是这场算力竞赛的缩影。围绕AI芯片，GPU、NPU、TPU和各类专用加速器正展开激烈角逐。

一、GPU：当前的绝对主力

GPU凭借海量并行核心成为深度学习训练的事实标准。英伟达的领先地位不仅来自硬件：

• CUDA生态：十余年积累的软件生态，开发者高度依赖
• NVLink/InfiniBand：高带宽互联，支撑万卡集群
• Tensor Core：专为矩阵运算设计的硬件单元

从V100、A100到H100、B200，每一代都在推高算力和显存带宽。HBM(高带宽内存)是GPU算力的关键瓶颈之一。

二、NPU与端侧推理

NPU(神经网络处理器)专为神经网络优化，强调能效比：

• 手机SoC：苹果Neural Engine、华为达芬奇架构、高通Hexagon
• PC NPU：Intel、AMD、高通在CPU中集成NPU支持本地AI
• 车载NPU：智能驾驶芯片中的神经网络加速单元

NPU在端侧设备的低功耗推理中不可或缺，是AI普惠化的硬件基础。

三、TPU与云厂商自研

Google的TPU(Tensor Processing Unit)是最早的专用AI加速器之一，面向自家TensorFlow/PyTorch工作负载深度优化。亚马逊Trainium/Inferentia、微软Maia、Meta MTIA等云厂商自研芯片，目的是降低对英伟达的依赖并优化总体拥有成本(TCO)。

四、国产AI芯片突围

厂商	产品	定位
华为昇腾	昇腾910B/910C	训练+推理，生态CANN
寒武纪	思元590	训练推理
海光	深算DCU	类CUDA生态
壁仞/摩尔线程	BR100/MTT	通用GPU
燧原/天数智芯	推理训练卡	云端AI

在先进制程受限的背景下，国产芯片通过chiplet、先进封装和系统级优化弥补单芯片差距，并在推理市场率先规模化。

五、关键技术趋势

1. 存算一体：突破冯·诺依曼瓶颈，在存储单元内直接运算
2. 光互联：CPO共封装光学缓解集群互联带宽瓶颈
3. 稀疏计算：利用模型稀疏性跳过无效计算
4. 混合精度：FP8、FP4等新低精度格式提升吞吐
5. Chiplet：多芯粒集成突破单芯片制程上限

六、挑战

• 软件生态：硬件易造，生态难建，CUDA护城河深厚
• 先进制程：EUV光刻机限制高端芯片制造
• 能耗：数据中心算力增长带来巨大电力压力
• 供应链：EDA工具、IP核、材料设备的全球依赖

结语

AI芯片是智能时代的“发动机”。GPU的领先地位短期难以撼动，但NPU、TPU、ASIC与国产芯片正在细分市场加速突围。算力的竞争，本质上是技术、生态与产业链的综合较量。在这场较量中，多元化供给和自主可控能力，将决定一个国家在AI时代的产业安全与话语权。

引言：数据流通的两难

数据被称为数字经济时代的“石油”，但现实中它却被锁在各个机构的孤岛里：医院不敢共享病历，银行不愿泄露交易，政府数据涉及隐私。一方面数据要流通才能产生价值，另一方面隐私法规(如《个人信息保护法》)严格限制数据随意出境。隐私计算正是破解“既要流通又要保护”这一两难的关键技术。

一、核心目标：数据可用不可见

隐私计算的理念是：不移动数据，只移动价值。原始数据留在本地，而数据的计算结果或模型参数被安全地流动和利用。这需要在密码学、硬件和系统层面协同创新。

二、四大技术路线

2.1 联邦学习

联邦学习(Federated Learning)让多方在各自数据不出域的情况下协同训练模型。各方只交换模型参数或梯度，由中心服务器聚合。根据数据划分方式分为横向(样本维度)、纵向(特征维度)和联邦迁移学习。

典型场景：多家医院联合训练诊断模型，各自病历从不离开本院。

2.2 安全多方计算

安全多方计算(MPC)允许多个互不信任的参与方，在不泄露各自输入的前提下共同计算一个函数。例如，多家银行可联合计算“共同黑名单客户数”而不暴露各自客户名单。秘密分享和混淆电路是其核心实现。

2.3 可信执行环境

可信执行环境(TEE)是在CPU内部划出的一个隔离的安全区域，数据和代码在其中加密运行，即便操作系统被攻破也无法窃取。Intel SGX、ARM TrustZone是代表。TEE性能好但依赖硬件信任根。

2.4 同态加密

同态加密允许在密文上直接进行计算，结果解密后与明文计算一致。这实现了“数据全程加密也可用”。完全同态加密(FHE)能力最强但性能开销大，是当前研究热点。

技术	安全假设	性能	适用
联邦学习	聚合器可信	中	联合建模
MPC	密码学假设	低-中	多方统计
TEE	硬件可信	高	通用计算
同态加密	数学难题	低	密文计算

三、应用场景

1. 金融风控：银行间联合反欺诈，不交换客户明文
2. 智慧医疗：跨院联合科研与AI诊断
3. 政务数据开放：在保护个人隐私下释放公共数据价值
4. 广告营销：跨平台人群画像而不泄露用户身份
5. 跨境数据：满足数据出境合规的合规计算

四、挑战

• 性能开销：加密计算比明文慢几个数量级
• 生态割裂：不同厂商平台互操作难
• 标准缺失：隐私计算缺乏统一测评与标准
• 复合攻击：模型逆向、成员推断等仍可能泄露信息
• 成本：部署与运维门槛较高

五、趋势

隐私计算正从单点技术走向“隐私计算+”平台化，并与区块链结合实现审计溯源。随着数据要素市场化配置的推进，隐私计算有望成为数据流通的“基础设施级”技术，让数据真正安全地流动起来。

结语

在数据成为核心生产要素的今天，隐私计算提供了“鱼与熊掌兼得”的可能——既释放数据价值，又守护个人隐私。随着性能优化和标准完善，隐私计算将成为数字经济的信任底座，为数据要素市场的繁荣铺平道路。

引言：科学研究的第四范式

人类科研经历了经验归纳、理论建模、计算仿真三次范式革命。如今，以数据驱动和深度学习为核心的AI，正在催生“第四范式”——AI for Science(科学智能)。从AlphaFold破解蛋白质结构，到AI发现新催化剂，AI正成为科学家手中的“超级显微镜”与“超级算盘”。

一、生命科学的突破

1.1 蛋白质结构预测

2020年AlphaFold2在CASP14竞赛中达到接近实验精度的结构预测，解决了生物学半个世纪的难题。2024年AlphaFold3进一步扩展到蛋白质与DNA、RNA、小分子等的相互作用预测。这一突破直接加速了药物研发和酶工程。

1.2 基因组学与合成生物学

AI用于基因调控预测、基因组注释、蛋白设计。例如，AI设计的全新荧光蛋白、酶，已被实验验证可正常工作。合成生物学的“写生命”能力因AI而大幅增强。

二、材料与化学

2.1 材料发现

Google DeepMind的GNoME模型利用图神经网络预测了220万种新晶体材料，其中数十万种稳定结构可供实验合成。传统“试错法”发现一种新材料平均需数年，AI将候选筛选提速了几个数量级。

2.2 催化剂与电池

AI在电催化剂、固态电解质、电池材料筛选中展现出筛选数万种组合的能力，大幅缩短从计算到实验的周期。

三、物理与地球科学

3.1 气象与气候

传统数值天气预报需要超算运行数小时。华为盘古气象、Google GraphCast等AI模型，在单张GPU上数秒内给出精度媲美甚至超越传统方法的全球预报。AI正在重塑天气预报的基础设施。

3.2 流体与湍流

湍流是物理学百年难题。AI通过学习高保真模拟数据，构建低成本的湍流代理模型，在工程设计中被广泛采用。

四、药物研发

环节	AI的作用
靶点发现	从组学数据中识别疾病相关靶点
分子生成	生成式模型设计全新候选分子
性质预测	预测ADMET等成药性指标
晶型预测	预测药物分子的稳定晶型
临床试验	优化试验设计与患者入组

Insilico Medicine等公司已有AI设计的候选药物进入临床阶段，验证了端到端AI药物研发的可行性。

五、科研基础设施变革

1. 科学大模型：面向特定学科的基础模型，如材料、生物、气象大模型
2. AI实验机器人：自动驾驶实验室(自驱动实验室)7×24执行实验
3. 文献智能：AI从海量论文中挖掘规律、生成假设
4. 仿真替代：AI代理模型替代昂贵的第一性原理计算

六、挑战

• 可解释性：AI预测的物理机制需被理解
• 数据质量：科学数据稀缺、噪声大、标注难
• 泛化：在分布外条件下的可靠性
• 验证闭环：AI假设仍需实验验证，成本不低

结语

AI for Science代表了科研方法的一次深刻变革。它不会取代科学家，而是极大扩展科学家的探索边界。当AI成为科学发现的“合伙人”，人类解决材料、能源、生命难题的速度将被重新定义。中国在这一领域的研究投入和论文产出已居世界前列，有望在新一轮科学革命中占据主动。

引言：把网络铺向天空

当马斯克的Starlink在乌克兰战场、在远洋邮轮、在偏远山村提供高速网络时，卫星互联网从一个概念变成了基础设施。截至2025年，Starlink在轨卫星超过7000颗，用户突破500万。以中国星网、AST SpaceMobile为代表的新势力也在加速布局。一个覆盖地球每一个角落的网络正在成形。

一、为什么是低轨

卫星互联网按轨道高度分为GEO(地球同步)、MEO(中轨)和LEO(低轨)：

• GEO：36000公里，单星覆盖大，但时延高达500ms以上，适合广播
• MEO：8000-20000公里，导航系统常用
• LEO：500-1200公里，时延可低至20-40ms，是当前星座主流

低轨卫星时延接近地面网络，但单星覆盖小，需要成千上万颗组成星座才能实现全球覆盖——这正是Starlink的思路。

二、核心技术

2.1 高通量通信

现代通信卫星采用多波束相控阵天线，将服务区域划分为数百个波束，频率复用大幅提升容量。Ka/Ku波段提供高带宽，激光星间链路让卫星之间直接转发数据，减少对地面站的依赖。

2.2 星间链路

星间激光链路使卫星组成太空中的“网状网络”，数据可以在太空跳转，最终落地到最近的用户。这降低了对全球地面信关站的依赖，也提升了网络的抗毁性。

2.3 用户终端

相控阵平板天线终端(俗称“锅”)价格已从初代的2000美元降至数百美元。更激进的是AST SpaceMobile和Lynk的直接手机连接(D2D)技术——普通手机无需改动能直连卫星。

三、产业格局

阵营	代表	进展
美国	Starlink, Amazon Kuiper, AST	Starlink已商用，7000+卫星
中国	中国星网(GW), 上海垣信G60	千帆星座首批组网
欧洲	IRIS2, OneWeb(Eutelsat)	OneWeb已部署600+星
其他	加拿大Telesat, 印度	区域布局

四、与地面的融合

卫星互联网不是要取代地面网络，而是与之融合：

1. 补充覆盖：海洋、航空、极地、偏远地区的连接
2. 应急备份：自然灾害导致地面网络中断时的通信保障
3. 5G NTN：3GPP已将非地面网络(NTN)纳入5G标准，手机可直连卫星
4. 6G空天地海：6G将卫星作为原生组成部分，实现全域无缝覆盖

五、挑战

• 太空垃圾：数万颗卫星的轨道碰撞风险与碎片管理
• 频谱协调：轨道与频率是国际稀缺资源，争夺激烈
• 成本：发射、制造、运维的规模化降本仍是关键
• 监管：跨境服务的频谱许可与数据合规
• 天文影响：大规模星座对天文观测的干扰

结语

卫星互联网正在把“全球互联”从口号变为现实。当低轨星座与地面5G/6G深度融合，人类将首次实现真正意义上的无缝覆盖网络。中国星网等力量的加入，也标志着这场太空网络竞赛进入了多极化时代。

引言：让AI拥有身体

2025年以来，具身智能(Embodied AI)成为AI领域最热门的方向之一。它不再满足于让模型在屏幕里聊天，而是要让AI拥有一个身体——机器人、无人机、自动驾驶车——能在真实物理世界中感知、决策和行动。大模型提供了大脑，具身智能试图给它装上身体。

一、什么是具身智能

具身智能强调智能源于身体与环境的互动。传统AI在封闭的数据空间里训练，而具身智能要求智能体：

• 感知物理世界：通过摄像头、激光雷达、触觉传感器理解三维环境
• 物理交互：抓取、推动、行走等动作改变环境
• 闭环学习：从交互的反馈中不断调整策略

其核心价值在于：物理世界的复杂性无法被完全预先建模，智能体必须在真实交互中学习和适应。

二、技术路径

2.1 VLA大模型

视觉-语言-动作(Vision-Language-Action)模型是具身智能的主流架构。Google的RT-2最早展示了用大模型统一感知与动作生成：模型输入图像和语言指令，直接输出机器人动作。国内智元、宇树，海外的Figure、Physical Intelligence都在沿此路线推进。

2.2 世界模型

世界模型(World Model)让智能体在脑内模拟行动后果，再选择最优动作。通过预测如果我这样做，世界会变成什么样，智能体可以在不直接试错的情况下规划。李飞飞的World Labs、Meta的JEPA都属于这一方向。

2.3 仿真到现实的迁移

真实世界采集机器人数据的成本极高。主流做法是先在仿真器(如NVIDIA Isaac、MuJoCo)中大规模训练，再迁移到真实机器人。Sim2Real的关键挑战是仿真与现实的域差距，需要通过域随机化等技巧弥合。

三、数据飞轮

具身智能的最大瓶颈是数据。不同于互联网文本，机器人操作数据稀缺且昂贵。当前的解法包括：

数据来源	方式	特点
遥操作采集	人类佩戴设备示范	质量高，规模化难
仿真合成	仿真器自动生成	量大，需域适配
人类视频	从互联网视频学习	来源广，标注弱
自博弈	机器人在线探索	可持续，需安全约束

四、应用场景

4.1 工业制造

柔性装配、精密质检、物料分拣是具身智能最先落地的场景。相比固定自动化，具身机器人能适应多品种、小批量的生产变化。

4.2 家庭服务

叠衣服、做饭、收拾房间——这些对人类简单的任务，对机器人却极难。家庭场景的非结构化和长尾特性，使其成为终极难题，预计需要5-8年成熟。

4.3 仓储物流

抓取不规则包裹、动态路径规划，具身智能在仓储中已实现初步规模化。

五、挑战与展望

1. 泛化能力：从会做某一动作到会做任意新动作
2. 长程任务：多步骤复杂任务的可靠执行
3. 安全：物理世界中失败的代价远高于数字世界
4. 成本：具身智能的硬件成本需大幅下降

具身智能被认为是通向AGI的关键一环——真正的通用智能离不开与物理世界的交互。中国拥有全球最完整的机器人供应链和丰富的应用场景，在这一赛道具备独特优势。

结语

从语言模型到具身智能，AI正在走出屏幕、进入物理世界。当大模型与机器人本体深度融合，我们将迎来一个能感知、能行动、能学习的智能体时代。这不仅是技术的跨越，更是AI与实体经济结合的关键拐点。

引言：推理成本成为落地瓶颈

过去两年，大语言模型的参数从百亿级跃升至万亿级。训练一次顶级模型耗资数千万美元，但当模型进入生产环境后，真正的成本来自海量的日常推理调用。一个日活千万的应用，推理开销可能远超过训练开销。如何让大模型“算得更快、更省”，成为产业落地的核心命题。

一、架构层优化：MoE混合专家

Mixtral、GPT-4、DeepSeek-V3等都采用了MoE(混合专家)架构。其核心思想是：用一个路由网络，在每次推理时只激活少数几个“专家”前馈网络。

1.1 稀疏激活

一个总参数量1400亿的MoE模型，单次推理可能只激活120亿参数。这意味着用户感知到的“模型大小”实际上是激活参数量，而非总参数量。稀疏激活让模型在保持强大能力的同时，将推理算力压到可接受区间。

1.2 路由策略

路由器决定了每个token交给哪些专家。常见的Top-K路由(如Top-2)在准确性与成本间取得平衡。负载均衡损失则防止少数专家被过度使用、其余闲置。

二、训练后优化：蒸馏与量化

2.1 知识蒸馏

知识蒸馏用一个大的“教师模型”指导一个小的“学生模型”学习。学生不仅学习标准答案(硬标签)，还学习教师输出的概率分布(软标签)，从而捕捉类别间的隐含关系。DeepSeek-R1的蒸馏系列、Llama的多个小尺寸版本都受益于蒸馏，使7B模型能逼近更大模型的表现。

2.2 量化压缩

量化将模型权重从FP16/FP32降低到INT8、INT4甚至更低位宽：

• INT8量化：几乎无损，推理速度提升约2倍
• INT4/INT3量化：显存占用大幅下降，适合端侧部署，需精细的校准
• GPTQ/AWQ：主流的4bit量化算法，兼顾精度与压缩比

量化让70B模型可以在单张消费级显卡上运行，是端侧大模型普及的关键。

三、解码层优化：投机解码

传统自回归解码每次只能生成一个token，GPU算力被严重浪费。投机解码用一个小的草稿模型先快速生成多个候选token，再由大模型一次性验证，将多个token的验证并行化。

这种方法可以将推理速度提升2-3倍，且不改变输出分布——也就是说，结果与逐token生成完全一致，只是更快。

四、系统与工程优化

技术	原理	收益
KV Cache	缓存已计算的键值对	避免重复计算
PagedAttention	显存分页管理	提升并发与显存利用率
Continuous Batching	动态批处理请求	提升GPU利用率
算子融合	合并多个CUDA算子	减少内核启动开销

vLLM、TensorRT-LLM、SGLang等推理框架正是通过这些技术，将单卡吞吐提升了数倍。

五、未来趋势

1. 端侧推理：1-3B小模型在手机、PC本地运行，隐私与时延双优
2. 推理专用芯片：NPU、推理卡针对低精度优化
3. 长上下文优化：稀疏注意力降低长文本推理成本
4. Agent级优化：面向多步调用的缓存与调度

结语

大模型推理优化是一场从架构到芯片的全栈工程。MoE重写了对“模型规模”的定义，蒸馏与量化把能力装进更小的容器，投机解码和推理框架榨干每一分算力。当推理成本降至临界点，AI应用才能真正走向规模化普及。

引言：大脑启发计算

人脑以20瓦的功耗实现了远超任何AI超算的智能——这背后的机制启发了类脑计算。传统冯·诺依曼架构面临“内存墙”和功耗瓶颈，而类脑计算试图模拟大脑的神经突触结构，实现超低功耗的智能计算。随着脑科学大模型的突破，类脑计算正在迎来新的发展机遇。

一、类脑计算的动机

1.1 冯·诺依曼瓶颈

传统CPU/GPU架构中，计算和存储分离，数据在处理器和内存之间频繁搬运。这一“冯·诺依曼瓶颈”导致：

• AI训练功耗巨大（GPT-4训练耗电约5000万度）
• 数据搬运功耗远大于计算功耗
• 摩尔定律放缓后性能提升受限

1.2 大脑的计算方式

人脑的计算特点与数字计算机根本不同：

• 存算一体：神经元同时完成计算和存储，无数据搬运
• 脉冲驱动：神经元以脉冲（spike）通信，事件驱动，极低功耗
• 大规模并行：860亿神经元、100万亿突触并行工作
• 可塑性：突触强度随学习动态调整

二、类脑芯片

2.1 Intel Loihi 2

Intel第二代神经拟态芯片，采用基于脉冲的架构：

• 100万神经元，1.2亿突触
• 可编程学习规则
• 制程：Intel 4（EUV）
• 功耗：毫瓦级运行简单任务

2.2 IBM NorthPole

IBM的NorthPole芯片将内存和计算完全融合：

• 无外部DRAM，所有存储在芯片内
• 推理速度：ResNet-50每秒46000帧
• 能效比：传统GPU的数十倍

2.3 清华天机芯

清华大学的天机芯（Tianjic）采用异构融合架构：

• 同时支持脉冲神经网络（SNN）和人工神经网络（ANN）
• 曾驱动无人自行车实现自平衡骑行
• 第三代芯片正在研发中

2.4 浙大达尔文

浙江大学的达尔文类脑芯片系列：

• 达尔文2：百万神经元规模
• 支持在线学习
• 面向边缘智能场景

芯片	架构	神经元	特点
Loihi 2	SNN	100万	可编程学习
NorthPole	存算一体	–	极致推理速度
天机芯	SNN+ANN	4万	异构融合
达尔文2	SNN	100万	在线学习

三、脉冲神经网络（SNN）

SNN是类脑计算的核心算法范式，与深度学习的关键区别：

• 信息编码：用脉冲的时间序列编码信息，而非连续的激活值
• 时间动态：神经元具有膜电位累积和时间衰减特性，天然处理时序信息
• 事件驱动：只有膜电位达到阈值时才发放脉冲，无事件时功耗近零
• 可塑性学习：STDP（脉冲时序依赖可塑性）规则实现局部无监督学习

SNN的挑战在于训练——传统的反向传播算法难以直接应用于脉冲的离散事件。近年来 surrogate gradient 方法使SNN的深度训练成为可能。

四、脑科学大模型

4.1 从脑科学到AI

大脑是AI的终极参照系。当前脑科学与AI的交叉正在加速：

• 连接组学：绘制大脑神经连接图谱，为类脑架构提供蓝图
• 神经数据驱动：大规模神经记录数据训练脑基模型
• 脑启发架构：Transformer的注意力机制即来源于大脑的注意力模型

4.2 脑基础模型

2024年，多个团队发布了脑科学大模型：

• NeuroGPT：基于大规模脑电（EEG）数据预训练的通用脑信号模型
• BrainGPT：融合fMRI数据的脑活动预测模型
• 神经解码模型：从脑信号解码语言、图像甚至视频

这些模型正在将脑科学从“描述性”走向“预测性”，并为脑机接口提供更强大的解码能力。

五、应用场景

1. 边缘AI：类脑芯片超低功耗适合IoT设备、可穿戴的持续智能
2. 机器人：事件驱动传感器+类脑芯片实现快速反应控制
3. 脑机接口：脑科学大模型提升BCI信号解码精度
4. 实时信号处理：雷达、声纳的场景感知
5. 低功耗推理：替代GPU用于边缘端AI推理

六、挑战与展望

挑战

• SNN训练算法：缺乏成熟的深度训练框架
• 工具链：类脑芯片的编程模型和开发工具不成熟
• 规模：百万神经元仍远小于大脑的860亿
• 生态：缺乏标准化的应用场景验证

展望

类脑计算不会取代GPU，而是在特定场景（边缘、低功耗、实时）形成互补。随着脑科学大模型的突破和类脑芯片的成熟，存算一体架构有望成为AI算力的新范式。中国在天机芯、达尔文等类脑芯片上有先发优势，应持续投入。

结语

类脑计算是AI硬件中最具远见的方向之一。它试图从根本上解决冯·诺依曼瓶颈，用大脑启发的架构实现超低功耗智能。虽然距离通用应用还有很长的路，但在边缘AI和脑机接口等特定场景，类脑计算正在展现出不可替代的价值。脑科学大模型的兴起将为这一领域注入新的动力。

引言：从诺奖到临床

2020年诺贝尔化学奖授予CRISPR基因编辑技术，2023年底全球首款CRISPR疗法Casgevy获批上市——基因编辑正式进入临床医学时代。从镰刀型贫血到遗传性失明，从癌症免疫疗法到心血管疾病预防，CRISPR正在重新定义疾病治疗的可能性。

一、CRISPR技术原理

1.1 基本机制

CRISPR-Cas9系统源自细菌的免疫防御机制。向导RNA（gRNA）引导Cas9核酸酶到目标DNA序列，Cas9在精确定点切割DNA双链。细胞修复切割的过程可以用来：

• 基因敲除：利用非同源末端连接（NHEJ）引入移码突变，使基因失活
• 基因敲入：利用同源定向修复（HDR）插入新序列
• 基因调控：使用失活Cas9（dCas9）调控基因表达而不切割

1.2 技术演进

版本	特点	优势
CRISPR-Cas9	经典双链切割	工具成熟
碱基编辑（CBE/ABE）	不切割双链，直接转换单个碱基	更安全，无双链断裂风险
先导编辑（PE）	搜索-替换式精确编辑	可做所有12种碱基转换和小片段插入删除
Cas12/Cas13	切割单链DNA/RNA	核酸检测、RNA编辑

二、临床应用进展

2.1 遗传性血液病

Casgevy（exa-cel）是全球首款获批的CRISPR疗法，用于治疗镰刀型贫血和β-地中海贫血：

• 机制：编辑患者造血干细胞的BCL11A基因，恢复胎儿血红蛋白表达
• 疗效：临床试验中94%的患者实现无输血依赖
• 流程：体外编辑干细胞后回输，一次性治疗
• 价格：约220万美元/次

2.2 遗传性失明

Editas的BRILLIANCE试验使用CRISPR直接在体内编辑CEP290基因，治疗Leber先天性黑蒙症10型（LCA10）。这是首次人体体内基因编辑，部分患者视力得到改善。

2.3 癌症免疫疗法

CRISPR用于改造T细胞增强抗肿瘤能力：

• 敲除PD-1基因解除免疫抑制
• 敲除TCR基因减少异体排斥（通用型CAR-T）
• 插入靶向受体增强肿瘤识别

多家企业正在推进CRISPR编辑的CAR-T临床试验。

2.4 心血管疾病

Verve Therapeutics使用碱基编辑技术敲除肝脏PCSK9基因，一次性注射即可永久降低LDL胆固醇。猴子实验中LDL降低60%以上并持续数年。人体试验已启动。

2.5 农业与食品

CRISPR在农业领域的应用同样广阔：

• 高GABA番茄（已在日本上市）
• 抗白粉病小麦
• 多产水稻
• 无过敏原花生

与转基因不同，基因编辑作物不含外源基因，在多国按非转基因管理。

三、递送技术

基因编辑的疗效取决于能否将编辑工具高效安全地递送到目标细胞。主要递送方式：

方式	适用场景	优势	局限
体外编辑	血液病（造血干细胞/T细胞）	可控性强	仅限可提取细胞
AAV病毒载体	肝脏、眼、肌肉	组织特异性好	免疫原性、载荷有限
LNP脂质纳米粒	肝脏为主	无病毒载体	肝外递送难
病毒样颗粒（VLP）	多种组织	递送蛋白非核酸	开发早期

四、安全与伦理

4.1 脱靶效应

CRISPR可能在非目标位点切割造成意外突变。虽然高保真Cas9变体和优化gRNA设计已大幅降低脱靶率，但长期安全性仍需持续监测。

4.2 胚胎编辑伦理

2018年“基因编辑婴儿”事件引发全球谴责。生殖系基因编辑（可遗传修改）被国际科学界普遍叫停。2024年世卫组织发布全球治理框架，明确禁止临床生殖系编辑。

4.3 可及性

Casgevy 220万美元的价格使绝大多数患者无法负担。如何降低成本、提高可及性是基因编辑疗法面临的重大社会挑战。

五、未来方向

1. 体内编辑成熟：LNP和VLP递送突破使更多疾病可通过注射治疗
2. 先导编辑应用：精确大片段编辑开启更多遗传病治疗可能
3. 表观遗传编辑：不改变DNA序列而调控基因表达，可逆更安全
4. 编辑器进化：AI辅助设计更小型高效的新型Cas酶
5. 从治疗到预防：心血管等慢性病的一次性预防性编辑

结语

CRISPR基因编辑正在从科学突破转化为临床现实。从首款疗法获批到数十项临床试验推进，基因编辑有望在未来十年内改变遗传病、癌症和心血管疾病的治疗格局。中国在这一领域的基础研究和临床试验均处于第一梯队，有望在全球基因治疗产业中占据重要位置。

引言：光伏的下一程

晶硅太阳能电池效率已逼近理论极限（29.4%），而钙钛矿太阳能电池以惊人的效率提升速度，被视为光伏产业的下一代技术。2024年，钙钛矿-硅叠层电池实验室效率突破34.6%，远超单结晶硅的记录。钙钛矿正在从实验室走向产业化。

一、钙钛矿材料特性

1.1 什么是钙钛矿

钙钛矿太阳能电池中的“钙钛矿”指的是一类具有ABX3晶体结构的材料，其中最常用于光伏的是有机-无机杂化钙钛矿（如甲基铵铅碘CH3NH3PbI3）。

钙钛矿材料的优异特性：

• 吸光系数高：比晶硅高1-2个数量级，几百纳米薄膜即可充分吸光
• 载流子扩散长度长：电子和空穴可以传输微米级距离而不复合
• 带隙可调：通过组分调节带隙（1.2-2.3 eV），适合叠层电池
• 溶液法加工：可低温溶液涂布制备，工艺简单成本低

1.2 效率提升速度

钙钛矿电池的效率提升速度前所未有：

• 2009年：3.8%
• 2015年：20.1%
• 2020年：25.2%
• 2024年：单结26.7%，钙钛矿-硅叠层34.6%

晶硅用了60年达到的效率水平，钙钛矿仅用了15年。

二、叠层电池：突破极限

单结晶硅电池理论效率极限29.4%，而叠层电池通过将不同带隙的材料组合，可以突破这一限制。

2.1 钙钛矿-硅叠层

顶电池用宽带隙钙钛矿（~1.68 eV）吸收高能光子，底电池用窄带隙硅（~1.12 eV）吸收低能光子。这种组合的理论效率极限超过43%。

当前实验室记录34.6%（牛津光伏），商业化产品目标30%+。相比顶级晶硅组件（24%），叠层组件可多发25%以上的电量。

2.2 全钙钛矿叠层

顶电池宽带隙钙钛矿+底电池窄带隙钙钛矿，理论效率也可达40%+。优势是完全不含硅，可以溶液法全涂布制备，成本更低。但窄带隙钙钛矿（含锡）的稳定性是难点。

三、稳定性挑战

稳定性是钙钛矿商业化的最大障碍。钙钛矿薄膜对水分、氧气、高温和紫外光敏感，容易降解。

3.1 退化机制

• 水分：钙钛矿遇水快速分解，需高阻水封装
• 热稳定性：典型钙钛矿在85°C以上开始相变
• 光诱导降解：紫外光和持续光照下离子迁移
• 离子迁移：钙钛矿中的卤素离子在电场下迁移，导致性能衰减

3.2 解决方案

• 组分工程：混合阳离子（FA/MA/Cs）和混合卤素（I/Br）提高稳定性
• 界面钝化：在界面引入钝化层减少缺陷
• 封装技术：使用边缘密封+阻水薄膜，水汽透过率降至10^-4 g/m²/day
• 2D/3D异质结构：用2D钙钛矿作为保护层提升3D钙钛矿稳定性

当前钙钛矿组件已通过IEC 61215稳定性认证（1000小时双85湿热测试），但25年使用寿命仍需长期验证。

四、产业化进展

企业	技术路线	进展
极电光能	单结钙钛矿	150MW产线投产，GW级在建
协鑫光电	钙钛矿叠层	100MW产线，1m×2m组件
纤纳光电	单结钙钛矿	GW级产线规划
牛津光伏	钙钛矿-硅叠层	与晶硅厂合作 Licensing
隆基绿能	钙钛矿-硅叠层	实验室效率33.9%，中试线在建

五、成本与市场

5.1 成本优势

钙钛矿组件的理论制造成本可低至0.5-0.7元/W，低于晶硅的0.8-1.0元/W。主要节省来自：

• 材料用量少（薄膜vs晶硅片）
• 低温溶液工艺（能耗低）
• 无需高纯硅料
• 柔性基底可用（BIPV场景）

5.2 市场前景

• 2025-2027：中试线验证，初期商业化，BIPV和便携电源场景
• 2028-2030：GW级量产，成本竞争力显现
• 2030+：钙钛矿-硅叠层成为主流高效组件方案

预计2030年钙钛矿组件市场规模达数百GW级别。

六、中国优势

中国在钙钛矿产业化上具有明显优势：

1. 政策支持：钙钛矿列入“十四五”重点研发计划
2. 产业链：光伏全产业链配套完善
3. 企业集群：极电、协鑫、纤纳、隆基等形成产业集群
4. 资本投入：VC和产业资本持续加码

结语

钙钛矿太阳能电池是光伏产业最具变革性的技术方向。叠层电池突破晶硅效率极限，溶液法工艺带来成本优势，柔性特性拓展应用场景。虽然稳定性仍需长期验证，但产业化进展的速度超预期。中国有望在钙钛矿时代继续保持光伏产业的全球领先地位。