当今最需要科学家解决的热点问题是什么？我们该如何找到答案？

我研究的是核聚变反应堆中材料的计算模拟，本回答的背景是今年刚启动的一个ITER专项，同时也是为未来CFETR铺路的一项研究。由北航牵头，参与人员来自国内多家高校/研究所，算是业内比较重要的一个项目。

虽然聚变材料领域算不上多么热门，甚至有点小众，但从事了这么些年，也算是有些感情了，所以还是来强答一下这个问题，简单的给大家说说我们在干些什么吧。

CFETR镇楼：

为了照顾读者，我把这题分成几个小问题来答。

1、为什么研究聚变

简单来说，核聚变是利用上亿度的高温，通过激烈的热运动来克服原子核间的库伦排斥，从而强行将较轻的原子融合成较重的原子，例如将氘(D)和氚(T)融合成氦，并放出相应的能量。

杀头的买卖有人做，赔本的生意没人干。聚变实现起来极端困难，但随之而来的好处也是极大的。总结起来，大概就是八个字：干净卫生，量大管饱。

干净卫生，是指聚变不产生温室气体或有毒气体，且直接产物没有长期辐射，其清洁性远远优于大多数现有能源。

量大管饱，一方面指的是聚变的能量密度极高，是化学燃料的几百万倍。另一方面，则是指燃料储备丰富。聚变的主要燃料D在海水中的储量几乎无限，按目前的能源消耗速度足够用上亿年。

正是这两个优点，使聚变成为能源问题的终极解决方案。

2、聚变会带来什么样的材料问题？

实现聚变需要克服的困难是多个方面的，这里主要谈谈金属材料面临的挑战。

每次D-T聚变都会产生一颗中子。这颗中子携带着14.1 MeV的巨大的能量，足以破坏上百万个化学键。它就像一颗颗炮弹一样，射向包裹D-T等离子体的那层金属材料，摧毁其内部的正常结构：

聚变堆中子会不断的把材料中的原子撞跑，留下许多孔洞这样的缺陷，将内部破坏的千疮百孔：

在这种破坏下，再怎么坚韧的金属会变得异常脆弱。并且，被撞飞的原子并不会消失，而是逐渐的从内部向表面转移，使材料像空心泡沫一样肿胀起来。

如果把聚变电站跟水电站比较，那么面向等离子体材料就好比水电站的大坝，没有人希望大坝在运行中突然决堤垮塌。

为了造出不脆化不肿胀的聚变大坝，我们得先理解中子如何对金属材料产生破坏的。

3、研究中遇到了哪些困难？

研究中子辐照，当然得有中子源，特别是14.1 MeV的高通量中子源

中子的平均寿命只有十几分钟，无法保存，往往要把材料放到裂变堆中接受辐照。但裂变产生的中子不仅能量不够，通量（产生速率）也非常低，可能要几个月甚至数年时间才能积累足够的损伤。因此，文献上能够查阅到的中子辐照数据屈指可数。

并且，中子辐照会在皮秒（万亿分之一秒）级的时间内产生纳米尺寸的缺陷，对这一过程的直接观测几乎是不可能的。

实验上的困难迫使大家开始寻求模拟方法的帮助，借助超级计算机来还原中子辐照过程。但是，中子辐照涉及的时间尺度横跨皮秒到年，空间尺度从埃米到厘米，中间几十个数量级的差别犹如天堑。

在这个尺度下，想要100%还原每一个原子的运动，那么即使把全世界的超算都用上，算到宇宙寂灭也不可能算完。

4、我们打算怎么做？

对中子辐照这类大尺度的问题，我们可以用多尺度模拟方法来研究它。

模拟的一瓶水的自由落体时，并不需要考虑每个水分子的运动，只需要把水瓶近似成一个整体就好了。类似的，在模拟中子辐照时，也不需要从始至终追踪每个原子的运动，只需要在体系发生剧烈变化（如中子-原子碰撞）的过程中保持原子级精度。而其他时候可以用粗糙一些的方法来模拟。

中子-原子碰撞一般会在几十个皮秒左右稳定下来，在这之后，碰撞产生的缺陷会在金属中较为缓慢的扩散。这时候我们可以把每个缺陷近似成一个整体（例如将孔洞看成一个球），然后只需追踪这个整体的运动就行了。

当缺陷运动一段时间后，在材料中的分布较为弥散时，我们甚至可以把大量的缺陷看成一种均匀的“溶液”，只考虑它们整体浓度的变化、扩散，而不去追踪每个缺陷的运动。

不同尺度的过程用不同的简化方式去模拟，然后再把这些过程串联/并联起来，这种方法就叫多尺度模拟。

类似于上图，在这个ITER专项中，从最底层的电子/原子尺度，到最大的亚宏观尺度，我们一共设立了5个子课题。每个课题都只解决单个尺度下的物理问题，但通过合适的参数传递，把5个课题紧密联合在一起时，整个中子辐照的过程就完整的还原出来了。

当然，说起来简单，做起来可一点都不容易。这可能是国内第一个大规模合作的多尺度模拟项目，没有多少前人的经验可以借鉴。甚至于很多较新的方法都找不到成熟的软件，只能参考着别人的文献，一行行敲代码、调算法、找bug。

如果把多尺度模型看作一座大厦，那么调算法、写代码这类工作就相当于打地基，辛苦不说，还看不到短期成效，很难发表文章积累科研成果。而且整个聚变领域也远不如电池/催化/二维材料热门，想要搞一个大新闻是非常困难的。在目前国内以文章论英雄的风气下，聚变堆材料领域可以说是相当吃亏的。

前些时间，我们项目的首席科学家吕广宏老师在《开讲啦》上面做了一期科普 ^[1]，里面有几句话令我感触颇深，不妨贴在这里（略有删改），与诸君共勉：

科学上有重要的发现固然非常重要，也令你非常激动，
但一些平凡的工作也是非常重要的。
这些平凡的工作不一定会发表文章，也不一定被报道。
但我觉得，每一行平凡的代码，每一个平凡的实验，
都是在为聚变添砖加瓦。

参考

1. ^《开讲啦》20190413本期演讲者：吕广宏  http://tv.cctv.com/2019/04/14/VIDE8vj0k25qRuYRaSdMVbYg190414.shtml

从粒子物理学来说，这个领域关心的一大热点问题是——“暗物质是什么”。不同领域科学家关注的前沿热点不同，一般很难形成统一意见，然而，“暗物质”在各种杂志“世纪十大科学难题”之类的评选榜单中 ^{[1] [2] [3]}，往往榜上有名，科学家们罕见地达成共识。

这也难怪，在这个宇宙中，我们生活其间的普通物质只占宇宙的不到5% ^[4]，而对于27%的暗物质和68%的暗能量，我们几乎一无所知。做粒子物理学的人经常很自豪，因为“标准模型”理论获得了巨大成功，几乎解释了实验发现的一切粒子物理现象。然而，从某种角度来说，标准模型其实也很失败，它只能解释那不到5%的普通物质，对暗物质和暗能量却还摸不着头脑。

关于暗物质，我下面从三个角度简单扯扯：我们现在知道些啥，我们有什么猜想，我们如何找到答案。想到什么写什么，可能比较零碎，请见谅。

一、我们现在知道些啥（实验证据）

尽管暗物质的探测已经成为粒子物理学的热点“大坑”，不过这个“坑”可不是粒子物理学家挖的，荣誉属于天文学家。早在1922年，荷兰天文学家Jacobus Kapteyn就提出了暗物质（Dark Matter）的概念 ^[5]，所谓“暗”，是说这种物质自身不发射任何的电磁波，我们无法“看到”它。

有一点物理知识的朋友知道，有温度的物体总会发出一些波段的电磁波，我们人体也会辐射出红外线，只是我们肉眼只能接受可见光，看不见红外线、紫外线等等，需要红外成像仪啥的才能看到。

天文学家搞天文观测可以通过各式各样的天文望远镜进行，这些望远镜收集星星发出的不同波段的电磁波，从波长最长的无线电波、微波、红外线、可见光，到波长比较短的紫外线、X射线和能量最高的伽马射线。当代的天文学家可厉害了，针对各个波段的天文观测都有非常强力的望远镜，然而，所有这些强大的天文仪器都没有观测到暗物质发出任何电磁波。

那我们怎么知道存在暗物质呢？说到这里，必然绕不开的一张图就是下面的“星系旋转曲线”：

上图是一个被天文学家称为M33的星系中，恒星绕星系中心旋转的速度随着它到星系中心距离的变化曲线 ^[6]。横轴是距离，纵轴是速度。图中下边虚线的曲线是根据可观测的可见物质，理论预计的变化曲线，可以简单理解为“恒星距离星系的中心越远，受到可见物质的引力越小，速度应该越小”。图中上边带误差棒的点是实际观测数据，很显然，实验观测的实际曲线和理论预计的曲线有着明显差别，恒星跑的速度比记者快啊，实际测量的恒星速度要远大于理论计算结果。必须有看不见的物质增大了引力，使恒星速度也变大，这是天文学家推测暗物质存在最直接的观测证据。除此之外，天文观测还提供了更多的证据，比如微波背景辐射、宇宙大尺度结构、引力透镜等等，这里不细说（因为超纲了我不会，逃…）。

“暗物质必须存在”的推测过程与当年“天王星之外必须存在另一颗行星”的推测过程非常类似。19世纪时，天文学家观测到天王星的运动轨迹和万有引力定律的预测有明显的差别，人们猜测在天王星之外应该还存在一颗尚未发现的行星，天文学家假设这颗未知行星存在，据此重新计算出符合实验观测的天王星运行轨道。1846年，科学家果然在预言的星空方位发现了天王星之外的行星“海王星”。

海王星的历史故事与今天的暗物质非常相似，天文学家观测到暗物质的引力对于其它可见天体运动的影响，从而推断出宇宙中必然存在暗物质。

与“海王星”已经完结的故事不同的是，预言中的海王星在历史上已经被直接观测发现，而“暗物质”的连载故事才刚刚开始，人们还没有直接观测发现暗物质。

二、我们有什么猜想（理论探索）

好了，天文学家的宏观（或者叫“宇观”）观测已经证实暗物质的存在，是不是万事大吉了？显然不是。粒子物理学家投入了暗物质的研究，企图从“微观”的角度揭示暗物质具体是由什么粒子构成的。

我们知道暗物质必然在那里，却不知道暗物质长啥样。就好像你听到了隔壁班的妹子在说话，你知道妹子必然在那里，却不知道妹子长啥样。隔壁班的妹子个个都是人才，说话又好听，你超喜欢的，想看看她的可爱模样，敲门是不敢敲门的，只敢偷偷看一眼才能维持得了生活这样子。科学家也超好奇的，不断地猜想暗物质到底是什么样子。

暗物质究竟是什么粒子构成的？几百个教授一致同意，一般认为暗物质应该是由一种全新的粒子构成，目前的粒子物理“标准模型”理论不包含暗物质粒子，暗物质粒子肯定不同于我们已经知道的任何一种组成我们周围物质的粒子。根据天文学观测证据，粒子物理学家猜测，暗物质粒子应该是不带电的、稳定的粒子，可能不与普通物质粒子发生强相互作用、弱相互作用和电磁相互作用（即使暗物质粒子参与这些相互作用，贡献也很微小），但有引力相互作用。不过有很多东西我们完全不知道，比如暗物质粒子的具体性质是什么，质量是多少，与其它粒子到底能发生什么效应 ^[7]。

因为标准模型没有包含暗物质粒子，物理学家需要提出新的理论去解释。学界的暗物质模型多如牛毛，然而，由于没有暗物质粒子的直接观测数据，不同的暗物质理论中，暗物质粒子的性质差异很大。

如上图所示，人们对暗物质粒子的真实性质有各种各样的猜测，上图把一些理论模型按照它们预言的质量和反应截面进行了分类，可以看到横轴还是指数坐标，不同模型猜想的粒子质量差别很大。最主要的暗物质粒子候选者是“弱作用重粒子”，即WIMPs（Weakly Interacting Massive Particles），比如超对称理论预言的一种中微子（neutrilino），额外维理论预言的一种光子（KK photon） ^[8]。

WIMPs是一种非常受欢迎的暗物质理论，可以用来解释“暗物质在宇宙中如何产生”，这一模型认为暗物质和普通物质一样是在宇宙的极早期由高温高密的物质状态中产生出来的，也就是说暗物质和普通物质有相同的产生过程。由于这种模型能够解释暗物质在宇宙中的密度分布，因此受到了极大关注。目前大部分暗物质粒子的探测实验都在寻找这种叫做“弱作用重粒子”的暗物质。

三、我们如何找到答案（实验搜寻）

天文学家积累了大量的天文观测证据证实了暗物质的存在，想进一步深入了解暗物质究竟是什么物质，需要粒子物理学家想办法探测到暗物质粒子本身，以期找到最终答案。

暗物质粒子的探测实验可谓“上天入地”，既有天上的卫星空间探测和高空气球探测，也有地下直接探测，还有对撞机探测。

天上的探测，比如中国的暗物质粒子探测卫星“悟空”实验，再比如诺贝尔物理学奖获得者丁肇中主持的AMS阿尔法磁谱仪实验 ^[9]。AMS实验非常有名，它的实验仪器安装在国际空间站上，当年丁肇中为了说服美国同意将AMS发射到国际空间站，在美国国会舌战群儒。2003年“哥伦比亚号”航天飞机的事故导致美国决定停飞所有航天飞机，AMS实验进入太空的计划也因此被取消。丁肇中为了挽救AMS的命运四处出击，他在美国国会的演讲指出“国际空间站如果没有科学，就失去了意义”。美国国会的议员们终于被说服，专门通过了一个决议，同意由“奋进号”航天飞机运送阿尔法磁谱仪到国际空间站，这也是奋进号的最后一次太空飞行。

地下的探测，全球进行的实验有十几个，中国同样没有缺席，我们有四川锦屏山的Panda-X和CDEX实验。地下实验的优势在于，利用地下土层可以屏蔽宇宙射线的干扰，获得更为纯净的信号数据。也是利用这个优势，地下探测实验可以用于暗物质的直接探测，即直接寻找暗物质粒子经过探测器时产生的信号，暗物质与其他物质发生的作用非常小，信号也非常微弱，远远小于宇宙射线在探测器中留下的噪声。所以，想要直接探测暗物质粒子的微弱信号，要把探测器放在很深的地下，从而过滤宇宙射线的噪声信号。

中国四川锦屏山地下实验室的建设得益于中国基建狂魔的身份，地下隧道的建设搭了便车，降低了成本。当年国家打算建造二滩水电站，计划在锦屏山挖隧道，科学家们听说后跟工程队说，大哥，要不顺便给我挖个洞做实验呗。于是事情就成了。

这个地下实验室于2010年建成，是世界上位置最深、宇宙射线噪声最小的地下实验室，非常适合进行暗物质探测实验。在锦屏山的地下深处，目前有两个直接探测实验Panda-X和CDEX ^[10]，中国地下实验室的宇宙射线通量比意大利的实验室小200倍，比韩国人的小1000倍，条件非常好。

除了天上地下的被动探测，人们还通过粒子对撞机主动探测暗物质。对撞机通过把普通物质的粒子加速到很高的能量，让它们对撞产生出暗物质粒子，比如在欧洲核子中心的大型强子对撞机和中国的北京正负电子对撞机上，都有科学家在进行类似的研究。

暗物质粒子的全球通缉已经进行了几十年，近年来的一个重要进展是发现了宇宙射线中存在正电子超出。PAMELA卫星、AMS实验等好几个实验都观察到了宇宙线中的正电子比理论预期的数量高出了许多。中国的悟空卫星也观测了宇宙线的电子能谱，2017年“悟空”的第一个实验结果发表，第一次把宇宙线的电子能量测量到了4.6TeV，还发现了能谱特殊的“拐折”结构。

科学家们非常兴奋，有人认为正电子超出现象就是人们长期梦寐以求的暗物质粒子的信号。然而，暗物质虽然可以解释正电子的超出，却不是唯一的解释。天文学家认为，宇宙中存在的脉冲星也能产生这样的正电子超出现象。因此，我们还没法直接下定论说正电子超出是暗物质粒子产生的。

“暗物质是什么”是当前物理学基础研究中一个至关重要的热点问题，暗物质之谜一直困扰着人们。尽管暗物质粒子的探测实验已经开展了几十年时间，实验仪器的灵敏度有了巨大提高，但是到目前为止，还没有发现令人信服的暗物质粒子信号，让我们拭目以待。

参考

1. ^ https://www.theguardian.com/science/2013/sep/01/20-big-questions-in-science
2. ^ https://www.japantimes.co.jp/news/2013/09/06/world/science-health-world/sciences-great-unknowns-20-unsolved-questions/#.XbHIT5ozY2w
3. ^ https://www.iflscience.com/physics/top-10-unsolved-mysteries-science/
4. ^暗物质具体占有宇宙的多少比例，我这里引用的是比较公认的普朗克卫星的研究结果  https://www.nasa.gov/mission_pages/planck/news/planck20130321.html
5. ^ https://en.wikipedia.org/wiki/Jacobus_Kapteyn
6. ^ https://www.researchgate.net/publication/333232727_The_Effect_of_Retardation_on_Galactic_Rotation_Curves
7. ^ http://www.ihep.cas.cn/kxcb/kpwz/201805/t20180530_5019133.html
8. ^ http://home.physics.ucla.edu/~arisaka/home/Dark_Matter/
9. ^ https://en.wikipedia.org/wiki/Alpha_Magnetic_Spectrometer
10. ^ http://lss.bao.ac.cn/meeting/cos11/18pm/s1/YueQian.pdf

往小里说，脑相关疾病；往大里说，脑科学。

“据世界卫生组织的统计，包括各种神经类和精神类疾病在内的脑相关疾病，是所有疾病里社会负担最大的，占到了28%，超过了心血管疾病，也超过了癌症。因此，重大脑疾病的诊断和干预，是未来脑科学领域一项非常重要的研究内容。‘’

以下回答内容整理自中科院院士、中科院神经科学研究所所长、中科院脑科学与智能技术卓越创新中心主任蒲慕明在SELF格致论道讲坛的演讲。蒲先生不仅提到了脑相关疾病，还全面介绍了脑科学研究有多么前沿（难），同时又是多么重要，未来的脑科学有哪三大发展方向，应用落实在哪儿。

大脑是人体最重要的器官，也可能是宇宙间最复杂的物体——结构复杂、功能复杂，比最大的超级计算机不知道还要复杂多少倍。这个复杂的物体是怎么出现的呢？它是生物演化过程中的一个奇迹。

大脑外面有皱褶的这层叫大脑皮层，是所有重要的脑功能的关键区域。理解大脑，不仅要知道大脑皮层的结构和功能，还要知道大脑皮层里那些复杂的核团的功能。为理解这些问题，科学家至少花了200年时间。

人类花了200年时间，才让脑科学有了一些“小小的”进展

现在，我们对大脑的了解，比如大脑如何处理信息、神经细胞怎样编码和传导信息、信息如何从一个神经元交互到另一个神经元……这些传导机制都理解得比较清楚；对不同的神经元做什么，在各种功能中会产生什么反应，也很清楚。

在过去的一个世纪里，诺贝尔奖涉及的神经科学中的重要发现都跟大脑的信息编码、储存相关。包括今天这个问题的提问者Edvard Moser获得诺奖的成果。

但是，我们只对神经细胞如何处理信息了解得很清楚，对整个大脑复杂的网络结构了解不多。

到底是什么原理使得神经细胞在某种情况下发生某些反应，我们并不是很清楚；对大脑中的信息处理不太了解，对各种感知觉、情绪，还有一些高等认知功能——思维、抉择甚至意识等，理解得比较粗浅。

虽说脑科学已有相当的进展，但是未知的比已知的要多得多。我常常打一个比方，脑科学现在的处境，相当于物理学和化学在20世纪初期的处境，有很多事情已经搞清楚，但是重大的理解和突破还没有出现。

所以现在的脑科学是生物科学里比较神秘的领域，从这点来说，脑科学将成为未来生命科学发展中很重要的一个领域。在座的年轻人将来想钻研科学的话，脑科学就是前沿科学，不但在这个世纪，甚至下个世纪依旧是前沿科学。

目前最关键的问题是？

脑科学中最关键的问题，是脑的各种功能和神经网络的工作原理。这些问题我们现在知道得非常粗略。

我们知道，大脑不同皮层的部位有不同的功能。比如说，大脑后方是管视觉的，最前方的上方有管运动的、管感觉的、管嗅觉的，前面还有管语言的区域。假如大脑出现损伤，比如脑卒中（俗称中风）以后，受损区域对应的功能会丧失。

目前，我们只是大致理解脑区和功能的关系，但更多的细节就不清楚了。

举个例子，现在应用非常广泛的脑成像技术，即正电子发射图谱、扫描图谱的技术叫“PET”，大医院里都有。PET有什么好处？它可以告诉人们，大脑里哪些区域有电活动，如果有电活动就表明该区域有功能正在进行。如果电活动异常，表明该功能出现异常。

比如我们对大脑功能正常的人进行测试。

让被试者在机器里躺着，给他看几个字，你会发现其大脑后方有电活动，表现为葡萄糖使用量的增加。被试者体内的葡萄糖带有放射性，是被单独注射到血液中的，研究人员据此可以很快知道被试者的大脑有活动。给被试者听几个字，其听觉区就有电活动。我们现在对此可以做到实时观测。请被试者说几个字，大脑左侧的语言区就有反应。但是让被试者闭上眼睛不说不讲不听，回想刚才看到的几个字是什么意思，其大脑里到处都有电活动。

这个奇怪的现象说明思考是一件非常复杂的事情，它牵涉到大脑里的很多区域。

为什么只是想几个字的意义，大脑网络就全部开始活动？要理解这点，目前还相当困难，需要知道大脑全部的未知奥秘。

《Science》杂志在庆祝创刊125周年时，邀请全球几百位科学家列出他们认为当今世界最重要的前沿科学问题，最后归纳为125个，其中有18个问题属于脑科学。

排在最前面的，包括意识的生物学基础、记忆的储存与恢复、人类的合作行为、成瘾的生物学基础、精神分裂症的原因、引发孤独症或者叫自闭症的原因，这都是大家关心且未被解决的重大问题。尽管该问卷是10年前做的，但我们现在公认的重大脑科学问题依旧未变。

要理解这些问题，就要知道大脑的神经网络。神经网络像电线（缆）一样复杂，人脑中，上千亿的细胞连在一起，送出很多导线——我们叫轴突，跟其他细胞做联接，最终形成了这一网络。

大脑网络非常复杂，神经元数目众多。大脑有1000亿个神经元，而且每个神经元的放电模式不同，编码模式不同，信息处理方式也不一样。所以，要理解这个复杂的系统如何工作，会是一个很大的挑战。

我们可以从三个层面更好地理解这个网络。

刚才所说的PET Imaging或是MRI Imaging等功能成像手段，提供给人们的是一个分辨度在厘米或毫米阶层的宏观视野。在这个范围内，大致可以看到神经束在脑区之间的走向。

每个神经束都由成千上万的神经细胞纤维构成。要进一步知道细节，必须在介观（介于微观和宏观之间的状态）层面对神经环路进行研究，了解每一个神经细胞如何跟其他不同种类的神经细胞进行联接，并输送信息，在各种功能时有什么活动。

还可以在电子显微镜下对细胞进行观察，从微米到纳米层面，这样的微观尺度会让人看得更精细。

目前，神经科学最关键的一点，就是从已知的宏观层面进入介观层面，进而理解大脑网络结构的形成与功能。

举例来说，我们把小鼠的52个皮层的神经细胞用荧光标记后切片，重构其三维结构，其中每一种颜色代表一个神经细胞。

结果发现，大脑的复杂性难以想象。要知道，这还仅仅是52个细胞，人脑有上千亿细胞，真正要分析起来，困难该有多大！即便是这52个细胞，也还有不同的种类，它们在大脑中分布的规则也不一样。

这是目前神经科学面临的一个重大挑战。所以，未来脑科学的第一个关键点就是在介观层面上弄清大脑的网络结构，即图谱结构。

大脑的信息传导靠的是电，电活动像电波一样在神经细胞里传导。它跟电子在电线中的传导不同，因为这种横波是跨过细胞膜的离子流动造成的——阳离子从外面流入细胞内，造成了波动，波动不断向前推，其推动速度比电子流的速度慢很多，每秒钟只有几百米。

当电波传到神经轴突终端的时候，会把信息传递给下一个细胞，我们称之为突触。一个神经细胞之所以能够把电信息传给下一个细胞，借助的是释放一种叫作神经介质的化学物质。

当神经介质传到下一个神经细胞后，会继续触发下一个细胞的电活动，这就是电信号的传导模式。

如何观测电信号以及电信号在网络中的处理模式等问题，是我们现今要了解的关键问题。

脑科学的三个发展方向

关于脑科学的未来，其发展方向有三。

第一个最重要，要理解大脑，这是我们理解大自然的终极目标之一。我们常常提到神秘的外太空，对于人类来说，宇宙中有很多未解之谜，比如暗物质和暗能量等。其实，我们的大脑里也有一个宇宙，人体的这个内在宇宙的结构是什么，它是如何工作的，这是我们未来所要了解的。

了解这些有什么好处呢？

一方面让我们对自然有更深入的了解，另一方面可以有很重要的应用——模拟大脑，创造出像人一样智慧的机器，这是人工智能的终极目标，也是脑科学的发展方向之一。

此外，在人口健康方面，大脑是如此重要，我们要保护好大脑、促进智力发展，防止大脑的衰退以及脑疾病的产生，也是脑科学未来发展的另一个重要方向。

中国科学家经过4年讨论，才在2018年正式确定了中国脑计划的内容。世界各国都有脑计划，美国、日本、欧盟的脑计划规模都不小。中国的脑计划筹划了4年，很可能在2019年启动。

该计划是中国脑科技的未来。那么，它要做什么呢？

就像上面讲的三个方向，中国的脑计划具有一体两翼的结构。

主体结构是前面介绍的脑认知功能的神经基础，也就是网络基础，我们必须知道它的图谱结构，弄清楚联接图谱，结构图谱。在此基础上，搭建各种平台，帮助解析上述图谱的功能。

为此，我们希望启动一个由中国科学家主导的国际大科学计划，做全脑介观层面上的神经联接图谱。对于介观图谱，不仅中国科学家感兴趣，世界各国的科学家都有兴趣。通过该计划，人们能够研究动物特别是模型动物（包括小鼠、猕猴等跟人最相近的灵长类动物）的大脑图谱。

其中一翼要做脑疾病的诊断与治疗，形成各种新型的医疗产业。另外一翼是类脑人工智能、类脑计算、脑机接口等与人工智能相关的新技术,该领域对未来的人工智能产业具有重大影响。

这就是目前中国脑计划的方向，也是大家公认的最好的方向。与世界其他国家的脑计划相比，虽然我们的计划启动得慢，但我们的设计是最圆满的，希望它的实施也是最圆满的。

• 发展方向之一：理解大脑

大脑认知的原理是什么？

第一个是基本的脑认知功能。我们的感觉、对外界信息的接收，包括感知觉、学习和记忆、情绪和情感、注意和抉择，这些都是基本的脑认知功能。果蝇、小鼠、猴子，甚至斑马鱼、线虫等很多动物都有这种基本功能。

至于高级的脑认知功能，只有灵长类以上比较高等的动物才有。包括共情心与同情心——你悲痛了，我也感到悲痛；社会认知，在社会群体里面的认知；合作行为，人的合作行为是非常特殊、非常复杂的；各种意识，比如人的自我意识；语言，人类的语言是其他动物所没有的、非常复杂的语言。

了解上述认知功能产生的机理，对于设计类人脑的下一代人工智能具有重要意义。

想要设计出不仅能够理解语音、辨识语音，还能理解语义的人工智能设备，还需要知道人的大脑是怎样处理语言的。

要想做到这一点，必须先有模式动物。我们不能直接在人体上做实验，因为涉及到伦理问题。

由于猕猴的大脑结构跟人非常靠近，是很好的模式动物。所以我们要先在猕猴等动物身上进行各种操作，查找工作原理，之后引申开来，看看人类的大脑是否与此相同。

认知功能的神经基础里面，最关键的还是要制作出全脑神经联接图谱。我们需要知道大脑里神经元的种类、神经元的类型怎样定出来。这是一项很重要的工作，目前世界各国都在做相关研究，我们也要做。

了解了神经元类型之后，还要弄清楚各脑区每一类神经元的输出纤维跟输入纤维，以及它们要送到哪里去，这是结构图谱。

有了结构图谱，我们才能摸清它们的电活动，看看电波何时会出现，又是如何传导信息的，这就是活动图谱。

全部图谱出来后，才能够解析神经环路的最终功能。

• 发展方向之二：疾病诊断与治疗

在我国，脑科学的一项重大应用就是为健康中国服务。如何维持健康的大脑发育以及智力发育，是非常重要的社会问题。维持大脑的正常功能，延缓大脑退化，这些都是健康生活所必需的。

对于老龄化社会而言，神经退行性疾病是个大问题。目前，中国65岁以上的老年人有1亿多，是世界上老龄人口最多的国家，甚至超过了印度。与此同时，中国人的平均寿命不断增加，新生儿的寿命期望值是65岁，中国已基本进入老龄化社会。

因此，防治各种与老龄化相关的疾病显得非常重要。以大家最常听到的阿尔茨海默症（老年痴呆）为例，假如没有很好的治疗方法，到2050年，全世界会有超过1亿人患上阿尔茨海默症；在85岁以上的老年人中，平均1/3的人有发病的可能。这不是一个小数字。

如果中国脑计划能够在15年之后，把老年痴呆的发病期从85岁延缓到95岁，这就是一个巨大的贡献。

其实，不仅是老年痴呆，其他疾病也会给社会带来沉重的负担。

根据世界卫生组织的统计，包括各种神经类和精神类疾病在内的脑相关疾病，是所有疾病里社会负担最大的，占到了28%，超过了心血管疾病，也超过了癌症。因此，重大脑疾病的诊断和干预是未来脑科技领域一项非常重要的研究内容。

什么是重大脑疾病？比如说，幼年期的自闭症或者孤独症与智障，中年期的抑郁症和成瘾，阿尔茨海默症与帕金森症等老年期的退行性脑疾病等等，都属于重大脑疾病。

只有充分了解它们的机理，才能够找到最有效的解决方法。但我们在这方面的了解有限，尤其是对抑郁症、双相（俗称躁郁症）、精神分裂等精神类疾病，并不清楚到底是什么原因造成的。要把这些问题搞清楚，可能还需要几十年时间。

不过，我们也不可能等到把致病机理完全搞清楚了才去治病，所以在致病机理完全清楚之前，必须研发出各种脑疾病的早期诊断指标。

一旦有了诊断指标，就可以进行早期干预。比如说记忆开始衰退了，有哪些手段可以减缓或延迟衰退。这些干预手段可以是吃药，也可以是物理、心理或是生理干预。玩游戏也是一种干预手段，它是一种心理和生理的干预手段，你要动，你要想，你要做出快速反应。

如果能够设计出针对某一种功能异常的很好的干预手段，对脑疾病患者来说也是好事。不一定需要完全摸清机理，只要知道哪一个功能失常，所以对于功能的定量测量又变得非常重要了。

在脑疾病诊治中所研发出的各种干预手段，在应用到人体之前，必须先进行动物实验，这涉及伦理问题。

如果没有研发清楚，是不能够进行临床实验的。因此，建立起很好的猕猴等非人灵长类动物的疾病模型，就变得非常重要。

科研人员可以在研发出的猕猴的疾病模型上测试诊断手段是否有效，之后再进行临床实验。

除了机理不清楚之外，脑疾病治疗还面临着很难找到特异的药物靶点这个难题。

药物都有副作用，但其他疾病药物的副作用不像脑疾病药物的副作用那么大。这是因为脑疾病产生的原因在于大脑的某些网络出现异常。有些网络异常产生这种病，另外一些网络异常产生其他疾病。但是药物是针对分子和细胞的，而大脑网络都是由类似的神经细胞跟神经突触联接形成，我们很难找到特异的药物。

这也是为什么大的制药公司做了20年的脑疾病药物研发，其中大多数都以失败告终，以至于多数大公司放弃了相关研发。因为每种药物的研发周期异常漫长，十几二十年时间，几十亿美金的投入，研制失败率在90%以上，大公司觉得划不来，所以就放弃了。

现在只能依靠科研人员在实验室做出很好的产品，大公司才紧随其后投入进去做检验。

在临床前，为判别药物是否可用，也要进行动物实验。检测的首要指标就是药物的安全性，即看动物使用后是否安全，健康会不会受到不良影响，以及药物的代谢问题等等。以前常常用猕猴等灵长类动物进行药物检测，但目前还缺少灵长类动物的药效检测模型。这是因为进行药效检测的前提是，猕猴等灵长类动物出现相关疾病的症状，才能进行药效实验。但之前很长时间研究人员手中并没有灵长类动物的相关模型，以前的模型都是小鼠的，是不能用的，所以我们也在努力建模。神经所在2018年做的克隆猴项目就是为了研发出克隆猴的疾病模型，以便应用于脑疾病治疗方面。

• 发展方向之三：类脑智能

脑科学研究的另外一个重要应用就是脑机智能技术、类脑研究方面。

在该领域中，未来很重要的一个发展方向，就是脑机接口和脑机融合的新方法，还有各种脑活动的刺激方法、调控方法以及新一代人工网络模型和计算模型。

尽管现在的深度网络计算模型很好，但与人脑相比，还差得很远。如果能够更进一步研发出类人脑的新型计算模型和新的类似神经元的处理硬件，并将它们应用到新一代计算机上，有可能做出更优秀、更高效的计算机，它们的计算能力也将更接近人类，并且能耗更低，效率也更高。

此外，类脑计算机器人和大数据处理也是未来类脑研究的方向。我重点谈谈图灵测试。

大家也许听说过图灵测试，如何判断一台机器具有人的智能？图灵在70年前就提出过这样一个设想：在彼此看不到对方的情况下，分别与一台机器和一个人对话，并在对话过程中，分辨出对方是机器还是人。如果无法分辨出对方的身份，就可以认定这台机器具有人的智能。其中语义的理解是最关键的。

多少年来，人们一直希望做出能够通过图灵测试的机器。通过测试的标准是什么？现在的标准是，只要有1/3的人在5分钟之内辨别不出跟自己对话的是机器还是人，即可认定机器获胜。

小冰是微软（亚洲）互联网工程院在中国推出的人工智能聊天机器人，可以通过对话不断提升自己，增加自身的知识储备，增强回应能力。虽然问世多年的小冰具有很高的对话能力，但人们还是很容易就知道它不是真的人，而只是一台机器。

在今天，如果真正要做出好的类脑智能，必须依靠新的图灵测试。

什么是新的图灵测试？

除了语言能力之外，测试指标还应包括对各种信息的感知能力与处理能力。具体来说，可以让一个机器人和一个人各自操作一只机械手来玩一个玩具，同时要求他们彼此间就动作情况进行对话，以便进行判别。我们很容易发现，类似测试可比跟一台计算机对话复杂多了。团队合作方面也是测试内容。叫一个机器人与人类合作进行某些活动，比如进行比赛，观察大家是否能够辨别出来队员中哪个是机器人哪个是人。这些都是新的图灵测试所涵盖的内容。也许我们可以期待，未来二三十年内，可能出现能够通过新的图灵测试的、具有通用人工智能的类脑人工智能。

“SELF格致论道”讲坛是中国科学院推出的科学文化讲坛，转载请联系self@cnic.cn

最近我在思考，以当下为中点，前后五十年之内，神经科学的显学是什么？

不出意外，神经科学一定会这个世纪拥有飞速发展，下限肯定不低，上限要看这届科学家给不给力了。为什么大国都在大力发展神经科学？除了医疗原因，我觉得更重要的是，大家都明白，谁能先解密人的大脑，谁就能在类人或超人的人工智能上占领高地。

近十年，人工智能在很多任务上都已经得到了惊人的突破。但机器还是不可能像人一样，自如地从过去获得的知识和经验活学活用到新环境之中。人类的泛化学习能力真的太强了，不仅能学习到很复杂的事物关系，而且学习过程高速+低能耗。

如果人类想在本世纪内达到奇点，那我们一定要尽快搞清楚一个问题：人脑是如何办到如此高速且低能耗地学习的？

我认为这是当今最需要科学家——不仅是神经科学家，更需要其他领域的专家的关注和帮助——解决的热点问题。

那我们如何找到答案呢？

其实本题题主 Edvard Moser 就提出了一种方案。在2013年，他和另一位神经科学大佬 György Buzsáki 曾在Nature Neuroscience上发过一篇综述，提出这种能力可能是从最基础的空间探索能力演化而来 ^[1]。

我们的祖先在丛林中探索（现实空间的探索），并得到了在脑海中导航（虚拟空间的探索）的能力，这两者可能基于同一种神经算法。这种古老的神经算法进一步演化，最后衍生出了我们的记忆（对应在现实空间中的探索）和提前计划（对应在虚拟空间中的探索）的能力。

这篇综述非常精彩，诸位不要错过：

那下到神经细胞，大脑到底是怎么做到空间导航的呢？大脑海马体中的一些特殊细胞——包括赫赫有名的空间细胞和网格细胞——搭建了我们对周围环境的认知地图。这个发现也让 本题题主 Moser 与 May-Britt Moser、John O'Keefe 共享 2014年的诺贝尔奖。

如果你不太熟悉这个知识点，可以看我在2014年的一篇专栏：

重点是，这些细胞不仅能记录「我」当下所处的空间位置，还会在「我」休息的时候，不断闪现「我」之前所处的位置的信息。 ^[2]不仅如此，除了过去，还可以显示与「我」未来将会前往之处的信息。

这个闪现现象，叫做 「replay」。这词儿翻译成「重播」似乎也不是特别恰当，但海马体里的细胞们确实是不约而同地、自动地、非常快速地、不断重复播放一串串序列。

打个比方，我在一个房间里跑，经过了ABCD四个位置。我在A处时，细胞A被激活了；我到B处时，细胞B被激活了；我到C处时细胞C被激活了；我到D处时，细胞D被激活了。然后我停了下来，休息。这时，你若继续观测细胞ABCD的活动，就会发现，它们自动地依次激活，而且速度非常快，ABCD整个序列在200毫秒内就播放完成。在我休息的过程中，这些细胞会不断地重播这个序列, ABCD ABCD ABCD ABCD... 就好像是把与序列相关的知识压缩了一般，然后在你休息、无意识之下、不断播放巩固。

如果把replay这个过程给打断，小鼠就无法学习新任务。这说明replay对学习新任务至关重要。

那 replay 是不是就仅限于空间信息呢？如果不局限，这个机制就非常强大，因为序列里可以承载的不仅仅是空间上的点，还可以是其他信息，比如说一个物体、一个动作，甚至是一个事件。它可以把一切串联起来，甚至是空间与时间。

这里插一嘴，György Buzsáki 有个非常漂亮（但也受争议）的理论：大脑并不直接感知时空，它记住的是序列而已。大家可以看他1今年出的新书《The Brain Inside Out》。

更重要的是，人的大脑也用这个机制吗？换言之，人的海马体里也有这个replay的现象吗？

这就是最精彩的地方，replay真的不局限于空间信息，而且也在人的大脑里观察到了。

这个发现今年发在顶刊 Cell 上，一作是UCL的博士生柳昀哲 @昀哲 ，他的导师是Ray Dolan和牛津的 Tim Behrens。

我非常喜欢这篇论文，反复看了三遍，第一遍就看了8个多小时。这里恰好有机会，我想描述一下这篇论文，也算是为「我们该如何找到答案？」提供一份落实到单篇论文上的答案。

>> hard mode... start <<

昀哲设计了一个很精妙的实验。实验分两天。

第一天，被试者--你--需要做一个行为实验。

这个实验中你会看到各种不同的图片在屏幕上依次出现，过了一段时间你会发现，图A之后永远是图B，图B之后是图C，图C后是图D，然后你get到这四张图有个序列关系，那就是ABCD。要注意的是，屏幕上从没有依次连续出现ABCD，你看到的序列可能是 CDYXABWYBCWYAB...。这么看似乎挺难get到的这个序列的，但在训练后，人是做得到的。

第二天，被试者再来参加实验，坐在脑磁图扫描仪里。

先给你看四张图，比如Y、X、W、Z。你在看它们的时候，昀哲也用脑磁图记录下了你的大脑活动。这样我们知道，你看到Y的时候，大脑的活动是怎么样的。这样我们也可以反推，通过分析你的大脑活动，得知你在想象哪张图。

然后再像第一天那样，给你播放图片，其实这几张图和第一天的序列是一样的，只是图片不一样了而已，A图现在变成了W，B-->X, C-->Y, D-->Z，这四张照片的正确序列应该是WXYZ。人学会了ABCD，WXYZ自然也能很快的学习到。

然后照片移除，什么也不给你看，你也什么都不用做，静坐5分钟。

有趣的是，就在你静坐的这5分钟里，你的大脑不断地在replay WXYZ，而且和小鼠一样，人的replay 也很快，250毫秒左右。这是怎么检测到的呢？因为可以通过大脑活动反推每一刻对应的图片。

这里用脑磁图的原因是，这里想要研究replay，这个现象在小鼠大脑里小于200毫秒，如果人类的replay和小鼠类似，那就必须用分辨率在毫秒级别的成像仪器，比如脑磁图。功能性核磁共振成像是秒级别。

就此就能得到一个结论：人脑在学习到知识后，也做replay，而且不局限于空间信息。

但实验还没有完。

实际实验中，其实不止给你了1个序列（WXYZ），其实共有两个序列（WXYZ 和 wxyz）。在静坐休息5分钟后，你会被告知，如果看到Z （即 序列 WXYZ 后），你就能得到金钱奖励，而另一个序列与奖励无关。

然后再让你静坐5分钟。

还记得前一个5分钟大脑里发生了什么吗？那时大脑里不断地在replay WXYZ。那在这一个5分钟静坐时间里，你的大脑也会replay吗？会！但是是反向的replay，也就是 ZYXW。也就是说那当知识和奖励挂上钩后，学习也出现了变化！巩固顺序逆向了。

另一个问题是，当你看到一张图的时候，大脑首先处理什么信息呢？在这个实验里，每张图有三条信息：

• (a) 这张图画的是什么？
• (b) 属于哪条序列？
• (c) 位于序列里的哪个位置？

昀哲发现，当你在将已学过的知识应用到新环境的情况时，大脑会先处理 「(b) 序列」然后处理「(a) 是什么」，随后处理「(c) 位置」。

而当在静坐的时候，大脑会同时处理「(b) 序列」和「(c) 位置」，最后才处理「(a) 是什么」。

再次说明，大脑学习的是序列结构！or 框架！再是框架里的事件内容。

我第一次听说，昀哲发了篇论文在Cell上，我完·全·不·信，因为他是用脑成像研究人类认知的，怎么可能发到Cell上？那完全不是我们领域可以染指的杂志好吗？

然后我去认真阅读了这篇论文。确确实实，是百分百的人脑·脑磁图研究。我看完后第一个反应是为什么不发nature？听他们实验室的人说，这篇文章发nature science 都没问题，但人家导师偏不，而是摘下了「Cell有史以来第一篇人脑成像的论文」这个桂冠。orz，这叫跨域打击好吗！

因为这是和谷歌 DeepMind 合作的项目，所以 DeepMind 也发了科普稿，那篇写的很好。建议大家移步：

>> hard mode ... end <<

让我们在回到在这个答案开头的那个问题：人脑是如何办到如此高速且低能耗地学习的？

人可以泛化已经学到的知识，把类似的框架应用到新环境中。通过学习框架、巩固框架、保留框架、替换框架里的内容，来达到快速适应的效果。其中，replay现象可能是其中关键。自然，在这里详细地描述昀哲的发现，并不是说就靠这一点知识就能窥一斑而知全豹了。但这个发现非常振奋人心，至少为这个问题提供了一个可能性。

如果人类想尽快在人工智能上更上一层楼，那肯定绕不开这个问题。到达通用智能，我们面前有无穷尽的路，肯定有不少的路都通，但既然大脑已经是一个已知的优秀答案，通过了解它来筛选，何乐而不为呢？

若是在这个问题上落后一步，说不定就会在人工智能上落后一大步。

前几日我去北大访问两日，感触颇深。咱们有这么聪明、努力的学生，又投了这么多研究资金、设备资源。中国没道理该在基础科学上落后于人。

时不我待啊！

--

在评论区能活捉到本文中的主角。

参考

1. ^Buzsáki G, Moser EI (2013) Memory, navigation and theta rhythm in the hippocampal-entorhinal system. Nature Neuroscience 16:130–138.  https://www.nature.com/articles/nn.3304.pdf
2. ^Diba K, Buzsáki G (2007) Forward and reverse hippocampal place-cell sequences during ripples. Nat Neurosci 10:1241–1242.  https://www.nature.com/articles/nn1961

如果不考虑纯粹的探索性热点，那么当今最需要化学家们解决的难题，几乎都指向同一个关键词——可持续。

既然是诺贝尔奖得主提问，那就干脆说一些和2019年诺贝尔化学奖相关的话题：

（28号居然是Sharpless教授提问，老爷子的Click也是有机会再拿一次诺奖的，不知道会问出什么问题来）

1、矿产资源的可持续

地球上的化学元素，分布并不均匀。

不均匀既是好事，又是坏事。如果某种资源分布绝对均匀，那么它的开采难度就变得非常大，比如说稀土元素，它在地球上的丰度大多在几个ppm，如果完全均匀地分布在土壤中，那么稀土的开采成本就会和黄金差不多。但是，不均匀的分布也有一个问题，就是有可能会出现，某种元素分布的地点，恰恰是人类难以开采的地区。

目前已经有多种矿产资源面临短缺的危机，比如刚刚获得诺贝尔化学奖的锂离子电池，其中所用的锂，就不是太乐观。

电子产品对锂元素的依赖至少还会持续二十年，但是我们目前锂电池的生产量不断攀升，未来二三十年，估计会用掉地球上一半左右的锂。总的来说，锂元素在地球上的储量本身就不算高，所以它的短缺是真短缺。如果有条件的话，完全可以把家中电子产品的锂电池保存下来，相信不多久之后，随着回收技术不断提高，废旧的锂电池会成为锂资源的主要矿产，这既是为地球保留一点资源，也是自己的一笔储蓄。

锂元素还不是最麻烦的，正如我在分析今年诺贝尔奖的一些撰文中已经说过的，这次颁奖更像是盖棺定论，给新的电池设计打了一剂强心针。未来只要有新的电池出现，不再依赖锂电池，那么这个危机基本上就能安然度过。

更要命的问题是磷元素的短缺。

磷在地球上的储量很丰富，但是极不均匀，仅仅是摩洛哥那一片矿产，就占了全世界七成左右。但是这也没用，因为更大量的磷资源沉在海底。按照人类目前消耗的速度，磷的储量大概也就够用二十多年。

磷和锂不一样，它是生物体必须的元素，而且需求量还很大，DNA就是由磷酸串起来的。所以，磷要缺了，“要命”就是字面意义了。目前全世界磷资源主要的用途是化肥，提供给植物生长所用。但是，大约90%的磷不会被吸收，而是会随着水一直流到海里，然后在海里引起微生物的剧烈繁殖，在一阵狂欢以后发生矿物化，沉积到海底。

海底难以开采，这个不用多说，但是还有一个问题就是，海底磷矿沉积的规律并不是那么清晰，除了复杂的地质学问题，它还涉及到海洋物理、海洋化学和生物等多个学科，所以纵然我们已经学会了在海底挖矿，在哪儿挖，怎么挖也是问题，这比开采海底的石油都复杂。

打个比方，现在去海底挖磷矿，就如同是蒙上眼睛，用一个不太灵敏鼠标玩上面的挖矿游戏，能挖到多少宝贝，也就是听天由命。这么说是有些夸张了，但是结论不会有问题，那就是不乐观。

所以，怎么确保矿产资源的稳定供应，这是目前最迫在眉睫的科学问题之一。

关于磷短缺的问题，我此前还回答过另外一个问题，可供参考。

2、生命的“可持续”

除了锂电池，2019年诺贝尔奖还有一个大热门，那就是碳氢键的官能团化。很巧，就在这两天，关于这个课题又有了新的突破，有兴趣的不妨点进去看一看：

如果“太长不看”，我就捡紧要的再说两句（读者都是被这么宠坏的）：

有机物的合成过程，就好比郭德纲相声里的一个段子，买了一堆旧车零件，然后攒出一辆新车来。毫无疑问，要想攒得好，那就得把零件尽可能拆散。但是碳和氢这两种原子结合在一起，非常难拆，就好像旧车的悬挂和轮胎挂在一起，要么只能一起攒，要么就只能舍弃。

偏偏在有机物里，最常见的结构就是碳氢键，不拆就只能破坏，那就不能愉快地一起玩耍了，所以怎么转化碳氢键，已经困扰了有机化学家一百多年。

在化学史上，哪怕只是找到一种连接碳碳键的通用办法，都已经是诺贝尔奖级别的发现了。1912年的诺贝尔化学奖得主是格林尼亚，他的贡献是格林尼亚试剂，一种能够通过金属镁把碳原子从δ+转化为δ-的办法，在有机合成中可以很方便地通过卤原子再连接碳链，于是格林尼亚就成了有机界的神。

如果说自由组合各种原子是有机化学家的哥德巴赫猜想，那么格林尼亚的成果大约相当于陈景润先生证明的“1+2”，而碳氢官能团化，就是最终极的“1+1”，如果彻底打通路线，人类就真的可以宣布，至少对于有机物，我们可以做到操控原子了。

那么想象一下，这会出现这么样的结果？合成药什么的都是小儿科，关键是还要想一个问题，人类也是原子构成的，我们现在只是开始基因编辑，就已经搞得学术界大为震动了，如果我们真的可以任意处理各种原子级的反应，那还不翻天了？

当然了，这只是个开始，毕竟人体很复杂，毕竟还要考虑反应条件，但是这个前景只要想一想，就已经很让人兴奋或恐惧了。

3、环境的可持续

室内装修是现代人很重视的一个事情，要问装修最需要注意些什么，相信80%的人都会首先反应出来——甲醛。由于甲醛广泛应用于一些粘合剂，所以家庭装修很难杜绝。

甲醛致癌性很强，也会造成呼吸道感染等中毒症状，所以室内环境一定要严控甲醛的浓度。

那么甲醛有没有什么好的办法进行脱除呢？

有一些办法，比如绿植就可以通过呼吸作用吸收甲醛，但是效果么，就实在是不敢恭维了。

所以可靠的脱甲醛办法就是——开窗通风。

但是，甲醛的挥发往往会持续好多年，天暖和的时候通风，天冷的时候怎么办呢？

实际上，甲醛很怕一样东西——光。强烈的阳光可以激发甲醛，它就会变得不稳定，然后空气中的氧气会和甲醛反应，产物就是水和二氧化碳。所以，很少会有室外环境还需要监测甲醛的，因为在有阳光的作用下，甲醛会比较快速地降解。经过进一步的研究发现，这个过程其实可以通过一些催化剂加速，比如微米级或纳米级的二氧化钛就有这个功能，这类催化剂就得了一个名字，叫“光触媒”，触媒是日语中“催化剂”的意思。

2019年的诺贝尔化学奖，光触媒的呼声也不低，当然从应用的角度来说，它的普及程度还远不及锂电池，所以给锂电池让路是理所应当。但是，光触媒的未来不可限量，目前我们可以在室内装修行业看到光触媒的应用，但是在工业界，还有很多问题也许需要靠光触媒去解决，主要是环境问题。

参考最近这些年诺贝尔奖的颁奖方式，技术发明性质的科研成果，获奖三人往往是提出原理者、第一个发明人、应用者，今年的锂电池基本也符合这个规律。如果近几年内，有人能够在应用环节对光触媒技术实现突破，未来将会很有机会冲击诺贝尔奖。（我只是预测，可不是忽悠人入坑，太功利的人也很难实现诺奖级的发现）

谢 @知乎科学 邀请。

出于我的专业方向，我认为粒子物理学中的一组重要问题是与中微子（neutrino）相关的若干问题。因为中微子是现在的粒子物理学标准模型中唯一一组明确指向超越标准模型的新物理的粒子。

在中微子物理方面的问题很多，既有一些技术性的小问题，也有一些基础性的大问题，比如下面这几个大问题：

1. 中微子如果有非零质量的话，那它们是Dirac粒子还是Majorana粒子；
2. 中微子如果有非零质量的话，那不同质量本征态所对应的质量分别是多少；
3. 中微子混合角中的 \theta_{13} 的数值；
4. 轻子区是否存在CP破缺；
5. 中微子与暗物质的关系；
6. 中微子如何影响宇宙演化。

至于该如何找到答案，我只能说实验的决定权也是很重要的。

目前，我们人类在看得更小和看的更大/远方面都似乎走向了前所未有的水平，但处于这两个尺度之间的复杂结构和相互关系越来越成为我们理解世界的“绊脚石”。比如，我们可以模拟一个神经元，从最简单的人工神经网络神经元到Hodgkin-Huxley 模型，再加上相互间的联系，就可以构建一个人工的神经网络。但是这样的网络无论如何相比于同样神经元数量的神经系统都显得naïve ^[1]. 它跟生物智能的距离还非常遥远，而且这种距离不是我们现在可以使用技术语言描述的。这说明我们可能在两个方面出了问题，一是对神经元的模拟过于简单了，忽略了关键性的特征参数，二是对于它们相互之间的联系的构建考虑不足。总之，如果套用‘Everything should be made as simple as possible, but not simpler.’这个说法，就是我们把问题都考虑得过于简单了，或者我们在不合适的地方过于简单了。

或者，我们可以再考虑另一个例子，对于一个人我们考察其消费行为，如果认为TA是理性人的话，这个建模就显得容易理解，实际上一般的经济学的假设就是如此。而人的消费行为是相互影响的，如果考虑一个群体的消费行为，基于这个假设的模型无法让我们理解很多问题。在这种情况下，“理性人”模型就显得过于简单。

在这种涉及多个元个体模型中，从单个个体的特性，我们常常难以预测其整体的行为。同时，对单个个体特性模拟的复杂化细节化，也经常并不能帮助解决预测整体行为的问题。对于这些问题，我们称之为“复杂性的暴政”。如同论文<More is different> ^[2]里所说，理解群体行为的最重要因素不是那些简单相互作用，而是复杂性。在我们纷繁复杂的时间中，复杂性到底受多少规律的支配呢，或者我们需要考虑多少条规律才能准确的模型具体整体的特征，从最基础的规律准确逐层地推导出更高层次的规律。

当今我们很多学科都是试图从最基础最小尺度方面寻找其普遍的特性，但可以看到似乎很多学科都已经过了挖掘基本规律的阶段，过度到推导更高层次规律的阶段了，而且这类更高层次的规律在实际应用中效能更大 ^[3]。那么有没有一些从基础的、个体的特性到更高层次更多个体的规律的推导规则呢，或者说，有没有一种比较通用的“复杂性”科学，能够解释这样的复杂性，并帮助我们预测这些现实世界系统复杂性中的非线性、宽动态、时变、不完备多输入输出的规律呢。

参考

1. ^Adams, S., Arel, I., Bach, J., Coop, R., Furlan, R., Goertzel, B., ... & Shapiro, S. C. (2012). Mapping the landscape of human-level artificial general intelligence. AI magazine, 33(1), 25-42.
2. ^Anderson, P. W. (1972). More is different. Science, 177(4047), 393-396.
3. ^Ott, E., & Spano, M. (1996, June). Controlling chaos. In AIP Conference Proceedings (Vol. 375, No. 1, pp. 92-103). AIP.

谢邀

一个贯穿人类文明史的终极问题就是：「我们在宇宙中是不是孤独的？」生命、乃至智慧生命，究竟是上帝对地球的馈赠，还是宇宙中的普遍现象？

人类几千年来都在思索自身的存在问题，但无非都是形而上学的讨论。直到最近半个世纪，科学家才有能力开始实质性地从科学上触探这个问题，并且前景十分诱人！

一方面，以薛定谔为代表的物理学家，开始从物理原理出发思考生命的本质问题。生命与非生命的本质差别在哪里？薛定谔提出了著名的「生命以负墒为生」的论断；现在看来，虽然细节有些值得商榷，但大体思路是正确的。薛定谔等物理学家的思考告诉我们，生命和非生命遵守同样的物理学和化学规律；生命和非生命之间的区隔，并不是说生命有一套自己的规律，而只不过是生命以独特的方式在利用普适的物理学化学规律。

这为科学家、甚至科幻作家设想地球以外生命的可能形态扫清了理论上的障碍。物理学、化学规律在宇宙中都是普适的。所以我们不必担心宇宙中其他地方无法满足生命存在的条件。甚至，生命的形式都有可能和地球上的不尽相同，但物理学完全允许生命以不同的方式存在。

而另一方面，以许许多多不那么出名的科学家一起，开始着手实实在在地寻找生命的合成材料，以及地外生命的可能迹象。

1953 年，芝加哥大学的史丹利·米勒和哈罗德·尤里实施了著名的「米勒实验」，在实验室的烧瓶中模拟地球原始大气的成分，经过模拟闪电之后，得到了包括氨基酸在内的多种有机物。这项实验及其后续种种实验表明，简单的无机物在原始行星的环境下有机会形成有机物、乃至形成碳基生物所必须要的氨基酸、糖类、核酸等基本化学物质。

而 20 世纪 60 年代后，天文学家在寻找生命基本物质上又向前推进了一大步。因为，天文学家发现，星际空间中并非空无一物，而是分布着种类丰富的化学物质。1969 年，Snyder 等人发现了星际空间中的首个有机分子：甲醛。随后，大批大批的星际分子被探测到了。其中，有许多都是地球上常见的有机化合物：醇、醛、酯、醚、酮、胺、腈、酰胺、羧酸等等……

星际化学分子的广泛发现，告诉我们一个事实：有机化学并不是地球上特有的事物，有机化学在太空中普遍存在。因而，从有机化学，过渡到形成生命分子的有机化学，只需要临门一脚而已。米勒实验中，使用的原料都被限定为了无机物；而实际在行星形成的过程中，星际空间中的有机物可能就能直接「从天而降」，成为启动生命化学的种子。

对星际分子的研究，让很多科学家意识到，我们甚至都不用绞尽脑汁去想象地球以外的生命会以何种抽象的形式出现。我们就拿地球生命作为参照，去宇宙中寻找，就是一个不错的方案。因此，天文学家和航天工作者一起协作，将对地外生命的探索继续向前推进。

一方面，今年的诺贝尔物理学奖（的一半）授予的米歇尔·麦耶（Michael Mayor）和迪迪埃·奎洛兹（Didier Queloz），就在地外生命的形成图景中补上了重要一环：系外行星可能普遍存在。之后的开普勒望远镜计划发现了两千余颗系外行星，坐实了这一结论。有了系外行星，就有可能为生命诞生提供合适的环境。

另一方面，对太阳系内天体的深入探索也如火如荼。科学家从诸多陨石和彗星的样品中，找到了有机物，找到了氨基酸。火星车已经工作了十多年。火星上曾经存在水已经基本成为共识。而更有希望的则是木卫二：它就是一个冰球。它被冰覆盖的表面下很有可能存在液态水的海洋，而且从它喷发出的物质来看，甚至有可能找到生命活动的蛛丝马迹。

在探寻地外生命形式的过程中，也不能埋没地球科学家和微生物学家的贡献。他们在地球的许多条件严酷的地方发现了特殊的微生物。例如生活在深海海底火山口附近的极端嗜热菌 Pyrodictium，在黄石公园、冰岛等接近沸腾的酸湖中发现的耐酸、耐高温的硫化叶菌（Sulfolobus）等等……这些特殊微生物的发现，就已经让我们大开眼界了，让我们见识到了地球上碳基生命的多样性以及对环境的适应性。

因此，在地球之外寻找生命踪迹的时候，我们大可不必觉得，以核酸、氨基酸为基础的碳基生命，就必须生活在温度为常温、有水有氧的环境中。

到现在，生命在宇宙中是否存在的问题，在两头都有了相对明确的正面答案。

• 构成生命的基本化学物质？普遍存在。
• 生命可以生存的环境？生命对环境的适应性很强，而且宇宙中存在可能适合生命的环境。

现在差的两环是什么呢？

1. 星际空间中的化学物质，有多少可以留存到行星形成之后，并且成为原始行星的化学种子？
2. 原始行星上，化学物质如何自行合成、组装成生命化学物质（真正的 DNA、蛋白质，形成细胞膜）？

第 1 个问题，随着 JWST 等新一代空间望远镜在未来的升空，天文学家有望有能力直接观测到系外行星的大气、甚至对较近的系外行星进行成像，从而了解系外行星上的化学组成。第 2 个问题，就要看地面上的生物学家和生物化学家，有没有办法观察到非生命物质到生命物质的自发组装了。此外，我们能不能在当前能够企及的太阳系天体中，找到生命（哪怕曾经）存在的证据？这也能为第 2 个环节提供注解。

另做一个小小的广告。我和江苏凤凰科技出版社和知乎合作，重新翻译修订的《生命是什么？》已经上线。想要回顾一下半个世纪前，顶尖科学家对于生命问题的思索历程，不妨重温一下这本声名远扬的著作。各大图书门店及网点有售，知乎会员可以免费借阅。

谢 @TUKUNOr 邀

今天生病了，躺在床上不想动，就写一下知乎吧。

我本人是做聚变堆包层结构材料的。这个领域很小众，严格来说可能算不上什么热点。但又多次被各种头条号、公众号吹爆，强行变成了热点。我这可不是空口说的：在学术上，影响因子可以反映当前小学科的受关注程度。我们核材料相关的No.1期刊（OA期刊除外，因为开放获取的因素OA期刊的IF总是偏高的）journal of nuclear material，IF只有可怜的2.5左右，中科院分区里是奇葩的材料科学与工程3区但核科学与技术1区。再往上就都是综合类期刊了......

补充说明一下材料学家在聚变堆工程里的是干啥的吧。当然这是我的理解，仅一家之言：

核物理学家们负责让氘氚真的能聚变起来；

物理学家们负责怎么让氘氚维持在聚变条件，比如磁约束；

材料学家们就负责让物理学家们设计的那堆设备能扛得住聚变堆内恶劣环境。

当然还有别的很多工作需要不同人分别完成，比如工程师们。单凭科学家是造不出聚变堆的，一定要有工程师才行。

好，日常吐槽完毕，让我们开始说说核聚变堆的事

可控核聚变这事大家都知道，知乎吐槽“日常还差50年”。其实材料学家和物理学家们真的不是没干活，但问题的发现总比问题的解决要来得快，所以核聚变这事看起来就日常拖更了。

这叫啥来着，按下葫芦浮起瓢还不是最无奈的，最无奈的是按下葫芦浮起来俩瓢......

要说我们搞第一壁的最想解决的事情，那当然是制备一种能完美承担聚变辐照环境的候选材料。不过这种美梦躺在床上做做就行了，翻身下床还得接受现实。所以我就说一下我们搞材料的人在聚变堆里都在干什么吧：

1.先说问题

有一种说法叫什么来着？科学研究的第一步就是试错。这话放到材料学家身上兼职不要太合适了。每次有材料学家兴致勃勃的设计出新材料......额，怎么说呢，几乎都会被反应堆或者加速器一棍子敲晕。

比如下图 ^[1]这些圆滚滚的泡泡......其实就是辐照环境下轰击到材料内部的高能粒子形成的气泡和空洞。你想嘛，材料里都是气泡和空洞了那可不是和吹气球一样噗的一下就吹大了嘛，当然也就不能用了。

再比如下图 ^[2]，这些方方正正排列整齐的小条纹......人家叫辐照诱导析出物。搞合金的同学都知道，大量的析出物会极大改变材料的力学性能，有的时候是好事，但这种不受控制的一般情况下都不是什么好事。

再再比如下图 ^[3]，这些看起来人畜无害的小黑点，这些都是位错环。大量的位错会导致材料变脆、变硬、韧脆转变温度升高等等......基本上都是不利影响。

偶对了，还有物理学家们提供的膜法封印 ^[4]，红色和紫色的元素都不许用。为啥呢？因为容易被中子策反成不安定因素（产生长半衰期的放射性核素）

问题过多就不一一列举了，比如神马500℃的工作环境之类的都先往后排。

任何科学研究都不可避免的要经过唯像的研究过程。材料学家们通过不断改变材料的组织、结构、成分配比、冷热加工状态等小心翼翼的去是总结和归纳。试图找到影响和控制这些缺陷的方法。

这么说吧，我觉得只要几乎全部能想到的方法，只要合理......差不多都被试过了。

其实材料学家们是很疯狂的，比如直接上手（当然是隔着手套）操作中子辐照的样品（带放射性的）......为啥呢，因为每个人的时间和剂量都是有上限的，用机器手太慢了......

2 面临的困难

虽然材料学家们很努力，但困难仍然摆在面前：

2.1 求14MeV的中子源

氘-氚核聚变相比于传统的裂变堆来说最大的一点不同就是那个能量高达14MeV的聚变中子。虽然都是中子，但聚变中子相比裂变中子就是秋名山车神和骑自行车的我之间的差距。现有的中子辐照时间都是基于裂变堆，通量低、能量也低，耗时还长。有时为了积攒几个dpa的辐照损伤需要耗费数年时间（作为参考，CFETR需要50个dpa，这还是只是工程实验堆）。所以现有的实验数据到底能多大程度上外推到聚变堆环境......心里打鼓

2.2 理论不完善

@小侯飞氘 他们做的工作算是从理论推向实践，而我们搞材料的算是从实验推向理论。如果有搞材料的同行的话肯定不止一次的听到过“材料设计”这个名词。这算是我们搞材料的（不仅是聚变堆用的材料）终极梦想。简单来说就是只要我们搞明白材料中各部分是如何相互作用的，那么我们就可以像组装电脑主机一样按照性能需求去设计材料。但是问题在于我们手上的材料理论还很不完善，或者说还存在疑问。比如说，最近的大热门高熵合金吧：

有理论认为高熵合金晶格混乱所以更耐辐照，这也是做高熵合金辐照的材料学家们经常使用的理论之一。我们当然不能说这个理论对或者不对，只有小孩子才会怎么简单的考虑问题。

我们要考虑的问题是辐照损伤到底和混乱度有什么样的关系。从最基本的想法来看，高度有序的有序合金（Cu3Au之类）就很耐辐照，完全无序的非晶也很耐辐照。那么到底高熵合金混乱度增加是不是它耐辐照的原因，这就不好说了。

总之，我们还有太多的东西不知道。这一方面是受制于客观条件，另一方面是受制于数据有限。

3 我们怎么办

我个人觉得材料学家们估计是挺迷茫的，谁都没想到聚变这坑这么大。当然，信心不能没；再大的坑我们肯定能填起来。

一方面继续完善理论是硬道理，科学发展不能追求一步吃成胖子。先把问题整明白了，再去解决。现代材料学发展到如今这个地步，指望无意中猜中什么特殊成分获得“神器”已经是小说里的情节了。

另一方面，新的科研实验平台也会逐步跟上来，比如CFETR。等CFETR建设起来最起码我们就有14MeV的中子源了，那么之前的理论和预测到底行不行就都会得到验证。在此基础上我们继续将材料从成熟的RAFM钢推向更多新型材料，比如SiC复合材料等。

放一个中国磁约束聚变堆材料发展路线图草稿 ^[5]

也许2030或者40或者50，总之我们这一代也许真的能用上核聚变烧的开水（PS，太阳灶烧的不算）

参考

1. ^Han W Z , Demkowicz M J , Fu E G , et al. Effect of grain boundary character on sink efficiency[J]. Acta Materialia, 2012, 60(18):6341---6351.  https://www.sciencedirect.com/science/article/pii/S1359645412005381
2. ^Liu P P , Yu R , Zhu Y M , et al. Deuterium ion irradiation induced precipitation in Fe–Cr alloy: Characterization and effects on irradiation behavior[J]. Journal of Nuclear Materials, 2015, 459:81-89.  http://www.sciencedirect.com/science/article/pii/S0022311515000033
3. ^Zhang Y F, Zhan Q, Ohnuki S, et al. Radiation-hardening and nano-cluster formation in neutron-irradiated 9Cr2W low activation steels with different Si contents[J]. Journal of Nuclear Materials, 2019, 517: 1-8.  https://www.sciencedirect.com/science/article/pii/S0022311518313941
4. ^徐玉平, 吕一鸣, 周海山, et al. 核聚变堆包层结构材料研究进展及展望[J]. 材料导报, 2018(1):2897-2906.  http://www.cnki.com.cn/Article/CJFDTotal-CLDB201817001.htm
5. ^Chen Changan, Liu Changsong, Liu Xiang, et al.Roadmap and developments of fusion reactor materials for CFETR[C]∥ 2nd Technical Exchange Meeting on CFETR and EU-DEMO Fusion Reactor Design.Beijing, 2018.

当今最需要科学家解决的热点问题是什么？

这个问题有点过于宽泛啊。知乎团队好心机啊，就是为了能把各个领域的前辈都邀请来答题刷流量吧。

实际上很难说最需要、最热点问题是什么，每个微小的问题，都是非常重要的。

以 @小侯飞氘 前辈的回答为例，仅仅做一类材料的中子辐照模拟，就拆成五个部分，分成五个组分别做，这还仅仅是这种材料在托卡马克第一壁上性能的一个部分，而这类材料的所有性能研究，又仅仅是整个磁约束核聚变装置第一壁材料的一部分。

堆积起我们现代科技树的每一项发现，最初都是无数重复的，甚至一开始看不到意义的研究所组成的。在原创性的科研方面，每一项微小的工作，都是有意义的，都为科学的现象之树或理论之树，贡献了一份微小的力量。

然后我也不能免俗，要进入私货时间了。每个人对于“热点”、“重要性”的判断，都是受到个人兴趣和经历的影响的。我说几个我最感兴趣的领域。

近几年流行一种论调，认为能源和算力是最关键的问题，我觉得这种说法从逻辑上也没什么问题，任何生物生存繁衍下去都需要去获得维持繁衍的原料、并发展获得各种原料的智能。

但是进一步认为能源和算力可以解决一切问题就不符合实际了，例如在解决一些医学问题上，能源和算力可以加强自动化和辅助进行图像类的分析，例如全自动养老鼠防止实验人员被老鼠咬伤被针扎伤、用超声探测并用激光投影血管减少护士找血管的工作量、用机器视觉辅助医生影像分析等，但是再强的能源和算力在物理上也难以仅通过计算机模拟就代替基础医学实验和临床医学研究。

就像 @OwlLite 前辈的答案里提到的一样，模拟哪怕一个龙虾的大脑都是非常困难的。我觉得这在物理上是很正常的，因为生命体是直接从分子层面构建起来的，程序和物理层面是一致的，一个神经元本身就是一个有计算能力的处理其，而不仅仅是神经算法里那种理想的神经元。而计算机则需要在物理层面的基础上再架空的编写调用和分配物理资源的程序，其能源的浪费和结构的冗余是无法缩减到与生命体一样的。

并且这个能源和算力的问题本身也有矛盾，量子计算机只能在特定的退火类问题上比经典计算机有优势，别的情况下解决算力缺口的方法也只能是用能源堆出来。解决能源问题方面方案之一就是磁约束核聚变，解决磁约束核聚变的控制问题本身又需要大量算力，反过来消耗大量能源。而即使暂时解决了磁约束核聚变的问题，如果算力扩展了几千倍，过不了多久就又要寻找新的能源了。在获得直接使某一块区域跌落回永恒暴胀态的技术之前，能源不足恐怕是永远都是人类要面对的问题。

而即使有各强的算力，可以完成各种各样的大工程，人类的生存质量仍然是关键问题。生物个体本身达到觉得的永生是不可能的，但是仍然需要努力在衰老导致死亡之前尽量避免异常的疾病状态、维持生存质量、保证每一代的经验可以传递下去。

在这类问题之中，新发传染病和癌症仍然是需要不断解决的问题，但是目前我们实际上已经找到了应对它们的一系列范式，两类问题都是要在病原体和肿瘤过多的变异类型击垮我们的免疫系统之前抑制住它们，然后后面的工作就可以交给免疫系统完成。基因检测、开发靶向药或疫苗是以及是基本的模式，现在层出不穷的靶向药，以及HPV全价疫苗就是其成果。未来新的病原体和肿瘤类型还会不断变异出来，按下葫芦起了瓢，这仍然是一项不断进行的工作，未来还需要无数微小的工作去完成，但是现在至少以及有了进化动力学理论和应对它们的基础范式了。

而在神经退行性疾病领域，仍然只是在做一些细枝末节的对症治疗，最多只能勉强的把疾病进展的速度延缓百分之几，还没有找到任何一个成功的对因治疗的方案。在这方面一点微小的发现，都将带来巨大的进展。

更多阅读：

谢 @知乎科学 邀。这不是各自吹各自行业么。。。

我个人觉得地球科学领域的热点问题是全球变暖的预估，全球变暖影响的量化分析，以及政治、道德上衍生出的一系列问题。

一、为什么要研究全球变暖？

图1来自于IPCC报告。（a）是全球平均表面温度从1850-2012的变化情况，（b）是全球不同地区的温度的变化情况，（c）是海冰和海平面高度的变化，（d）是年降水的变化

这张图说明了，自第一次工业革命以来，全球逐渐变暖，海冰逐渐减少，海平面逐渐升高。

很多人觉得历史时期大气中温室气体比现在更多，地球比现在更暖的时候也不是没有，为什么现在的变暖要这么大惊小怪？

首先要明确一点，IPCC报告中已经指出，人类活动，特别是化石燃料燃烧等活动，造成的温室气体排放是前所未有的，不仅量大而且速度快（图2-3）。人类活动是导致自工业革命以来全球变暖的主因，自然变率（可以简单理解为地球自身的变化）造成的变暖贡献远不如人类活动（图4）。

先记住上面这个结论，然后我们看历史时期的变暖。

没错，历史时期也曾经发生过很多次变暖事件，大气中温室气体含量巨高，导致全球温度暴涨。有一个最生动的例子叫做——卡尼期洪积事件。

2.5亿年前，地球的大陆还连在一起，叫做盘古大陆，它长这样（图5）。大家都知道，如果大陆的面积太大，那么越靠近大陆中心，越干旱炎热，因为海洋的水汽到达不了内陆。这就是为什么我国西北、中亚一带都是干燥炎热的状态。所以，盘古大陆中间地带也一样是干燥炎热的地区，而且由于盘古大陆大，加上当时比较干旱，内陆简直。。。总之，盘古大陆当时比较平，森林面积也不大，基本都是草原（感谢评论区指出卡尼期没有草，此处用词不精确），内陆地区则非常干旱

在2.35亿年前，在现在美国的阿拉斯加和加拿大附近的一块叫做兰格利亚的地方发生了火山爆发，史称兰格利亚火山爆发。

大家都知道，火山喷发就像开煤气灶（比如图6中现在的布斯卡火山，居民还拿来烤肉，没错，那个土堆是煤气灶，呸，是火山），把地壳中积累的温室气体排放到大气中。

问题是，兰格利亚这个煤气灶整整500万年没停火。于是，全球气温升高了4-7度的样子。高温使得地球的水循环加速，于是，雨也下的更多了。

有人看到这里可能会问，下雨有什么了不起呀，你看南方地区不是三天两头下雨么？梅雨天不是天天下天天下。

没错，下雨是没什么了不起，可问题是，这雨一下下了几百万年！WTF这就不一样了吼不吼！

这雨有多烦呢，就是烦到，连植物都扛不住开始痛哭流涕了，没错，植物都因为雨太大太潮湿开始分泌树脂了。所以，那个年代很多昆虫突然纷纷被树脂砸中脑袋成了化石（昆虫：我TM也上有老下有小啊。。。）。

盘古大陆内部，都开始变得湿哒哒湿哒哒，长出了很多植物。而且连大陆内部的植物都在哭求老天别下雨了。。。

于是，这一场几百万年的暴雨先刷新了植物，根系发达、相对耐潮湿的裸子植物一下成了主角

草原被森林替代，原本的动物要么脖子不够长吃不到树上的嫩叶，要么消化不了粗糙的裸子植物纤维，结果就纷纷饿死在了树林之中。人类所属的合弓纲，也就是在这时候沦为了边缘小角色。

草食动物的更替也影响到了肉食动物，很多肉食动物没肉吃了，于是也元气大伤，慢慢走上了灭绝之路。比如初龙类的波斯特鳄

海水整体温温的，就和你在浴缸里泡澡一样，整个地球开启了桑拿房模式。

像很多软骨鱼类，以及寒武纪以来度过了多少春秋的古老牙形动物，就成了火锅里，啊不海洋里，那浮浮沉沉的食物

经历过梅雨的童鞋可以想想，大概就是一个强化版的梅雨季，持续了几百万年。又热又闷蒸包子一样蒸了陆地上古生物们几百万年，海水像文火慢炖一样炖了古海洋生物几百万年。

于是，很多早期的陆地爬行动物和海洋生物就这样被蒸/炖下线了，再也没能重新上线

但是！！！由于陆地海洋都被重新洗了一次！！！灭绝就意味着机会！！！这时候就上线了一种新的生物——恐龙！

这波暴雨除了把恐龙带上舞台之外，也让昆虫从虫生一个巅峰走上了另一个巅峰，更是给一些离片椎类两栖动物续了一波命

覆盖全球的高大森林，也间接推动了爬行动物对天空的征服—翼龙从此上线

海洋中鲨鱼等大型软骨鱼被肃清后，山中再无大王，鱼龙等开始称王称霸

随后，整个中生代，天上飞的，地上跑的，水里游的，几乎都是爬行动物。这像极了今天遍布世界各地的—————人类。

OK，说到这里故事先告一段落。

没错，全球变暖是没什么大不了的，环境变迁也没什么大不了的，只不过地球上的生物换了一波又一波

全球变暖也不都是坏事，想想盘古大陆内部能变得郁郁葱葱，全球变暖背景下，加拿大俄罗斯等高纬度地区，我国西北也会变得更适合居住

温度适当升高还能有效提升植物光合作用的效率，粮食增产水果增产，也许下一个十年就是吃货的天堂

如果你这么想，我只能说

核心问题在于根本没法精确调节地球到底升高几度，地球不是空调房。万一一不小心温度爆表了，麻烦就来了

评论区也有知友说变暖也许可以帮助人类度过冰期。但所有的这一切建立在变暖可控的基础上。一旦变暖不是人类可控的，就完了。升温可以度过冰期，但再进一步的升温，就不是度过冰期而是变成蒸笼了。

像水稻呀，小麦呀，都是禾本科，没错，就和你操场上的草一个科。一旦卡尼期事件重演，禾本科的植物遭殃，于是地球又一次被森林覆盖。甚至搞不好水稻小麦这两直接下线了，想想你吃啥？啃木头么？

植被被替代以后草食动物受影响，接着影响肉食动物，再接着就轮到人类了。

而且最糟的是，这次还不是文火慢炖，是武火快煮，一不小心也许就沸了

地球不用救，变暖对地球而言不算啥，要救的是人。

谁也不想人类灭绝后诞生的新智慧体，指着人类尸骨的化石说：你看，地球上原来有这么一种沙壁的生物，自己把自己给灭了，哈哈哈哈

参考：

https://ar5-syr.ipcc.ch/ipcc/ipcc/resources/pdf/IPCC_SynthesisReport.pdf

Bernardi, M., Gianolla, P., Petti, F. M., Mietto, P., & Benton, M. J. (2018).Dinosaur diversification linked with the Carnian Pluvial Episode. Nature Communications, 9(1).doi:10.1038/s41467-018-03996-1

https://new.qq.com/omn/20190310/20190310A0FIA7.html?pgv_ref=aio2015&ptlang=2052

二、全球变暖预估怎么做

首先，遇到的最大的困难是什么？

最大的困难就在于，地球的复杂程度太高，要预测地球的变化，真不是一般的难

比如，大气圈，最直接的就是天气预报，大家都有感受对么？你们觉得天气预报是这样？

实际上是：

然而实际上就是计算机解方程

全球变暖的预估也是一样，科学家们通过数学物理手段对整个地球的不同部分进行建模，例如大气建立大气数值模式，海洋建立海洋数值模式，陆地建立陆面模式等等，再把这些数值模式对接起来变成一个超级模式，一起运行，试图让这个超级模式能够尽可能真实地模拟出地球的演变。这个超级模式叫做地球系统模式（例如图14）。

做过数值解方程的童鞋应该都有感受，即使是一个相对简单的动力系统求数值解，往往都很难精确，而现在有数百个、数千个甚至更多的方程要放在一起求解。。。

人类至今为止对于地球的不同部分的认识仍然不够。例如IPCC报告中提到的一个问题：海冰的模拟不好，特别是格陵兰等地方的ice sheets的动力过程描述有所欠缺（图16：significant challenges remain in representing the dynamics of the Greenland and Antarctic ice sheets.）。

但目前来看，数值模式是研究全球变暖预估的最佳手段，尽管模式有各种各样的不足，也依然无可取代。那么，科学家们能做的就是不断地改进这些模式。

but how？

我大概梳理了一个路径，就当给各位看官们一个参考：

1.首先，要有观测。任何自然现象如果没有观测，人类是没法解析的，观测是第一位

2.物理机理解释。任何一种自然现象，都需要利用数学物理的手段进行研究和解释，弄清楚其背后的过程

3.建立模型进行模拟（仿真）

4.加入地球系统模式进行模拟看看效果

1-4步每一步都非常不容易。虽然现在有各种卫星、雷达等遥感观测手段，但是深海怎么样仍然不知道，地球内部怎么样也依然存在许多问题，各种地球生物化学过程更是需要观测。至于物理机理解释，地球科学里还没解决的问题一大堆。在1、2的基础上，3、4才能顺利展开。

因此，1-4都需要同时不断推进，这靠一国的力量是不够的，需要的是全人类的努力。

上面叨叨的是对自然过程模拟与预测，但还有个问题是人的活动怎么预测。

最基本的问题就是精确预测人类到底排了多少碳。因为人类活动排放碳是当下全球变暖的主因。

除了排放之外，还有人类对地表、生态系统等的改变该怎么预测和量化？

这些问题的难度并不下于前面对于自然过程的研究，而且可操作性更高，需要社科、经济等学科一起参与研究。

写到这里，总结下，该怎么做？

对于自然过程，1-4同步推进，对于人类社会的活动，加强与社科、经济等学科的联系，共同推进对人类活动的研究与预测

三、衍生问题

由于人类活动，特别是化石燃料燃烧等排放温室气体的人类活动是导致工业革命以来全球变暖的主因，因此限制温室气体的排放就是目前必须采取的手段。

然而问题在于，经济的发展离不开化石能源，限制排放本质上就是限制发展。因此，这些衍生问题本质上就是政治活动，是国与国之间发展的博弈。用丁仲礼院士的话说，某种程度上来讲，碳排放权就等于发展权。

发达国家的人均碳排是发展中国家的2.3倍，但发展中国家的人也是人，发达国家的人也是人，凭什么发达国家过去排得多现在还能排得多？

而这些衍生问题，就看国家与国家之间的博弈，以及人类思想理念怎么变化了。有的人默默种树，有的人演戏

写到这里，我想起来得去蚂蚁森林看看了，树还没种。。。

谢邀。

从纯数学的角度说，大家最关心的是黎曼猜想这种大的数学猜想。不过说实话这种大猜想再等个几百年也没关系，解决了没解决对人类工业生产没啥直接影响。所以不要老问“这个猜想解决了有什么用”，大家不想说出来的答案就是没什么用。纯数学很大程度是“面子工程”，也就是那句著名的“数学是人类心智的荣耀”。问题是荣耀不能当饭吃。。猜想解决得太快也不一定是好事，有限单群分类完成以后，这个领域都濒死了。。国内有几个以前做有限群论的老教授，现在差不多都全职教书了。。

至于在可预见的未来可能对人类科技进步有直接影响的数学领域，也有，比如量子计算（物理实现和算法都很重要，量子算法就是数学，或者理论计算机），比如Navier-Stokes方程一类流体方程，可控核聚变磁约束也跟等离子体方程有关，PDE方面的数学理论不到位，也是可控核聚变遇到的瓶颈之一。包括计算化学，密度泛函理论那一套，能不能进一步发展。包括神经网络深度学习的数学基础，现在做深度学习的被调侃为现代炼丹术，调参侠，如果能在其中挖掘出好的数学结构，有系统的数学理论指导，肯定能节省很多时间，减少很多不必要的尝试。等等等等。我们现在的数学工具不是太先进了，而是太落后了，所以自然科学到处都是瓶颈。随便一个复杂一点的系统，数学上都很难有效刻画，所以只能做实验或者数值模拟，也就类似于古代炼丹。

至于“如何找到答案”，我不知道啊，我要是知道还用担心找不到教职么。突破性的科研哪有那么容易。

谢很多人邀.... @知乎科学 @李翛然 @芝士喵 。我个人觉得目前信息科学中亟待解决的问题之一是多用户信息论问题，当然这无可置疑也是信息论的热点。

小范围讲，通信的基础是信息论，而大范围来说，信息论也被认为是20世纪信息科学最重要的理论工作之一，也是目前各种信息技术广泛发展的基石，特别是新一代移动通信系统（5G），各式各样的语音、多媒体编码，也包括目前大火的卷积神经网络等理论。

近些年每一代移动通信系统提出之初，就有很多人提出质疑：我们目前的信道编码已经逼近/达到Shannon信道容量，那么我们还有必要去一代一代更新通信系统吗？这个问题很好回答，也很不好回答，我尝试通过描述近些年信息论的进展来回答这个问题，希望能够同时给本题「当今最需要科学家解决的热点问题」带来一些信息领域的启发。

1948年，Shannon在他的著作《通信的数学原理》一文中奠定了信息科学的基石，很多人知道这个概念，但是可能不知道细节。Shannon信息论主要研究的是数据压缩（我们通常叫信源编码）和数据可靠传输（信道编码）的性能边界（信道容量）和实现方案。

解释一下，数据传输需要由数据来源（信源）经过管道（信道）才能到达用户（信宿）；信息处理比如神经网络，广义上说是一种特征信息的抽取和编码方式。Shannon研究的内容可以看下图，当然这也是经典的通信模型：

对应上边我们谈到的信源、信道，Shannon提出并证明了经典信息论中三条基本定理：

• 信源无损压缩编码定理：离散无记忆信源 ^[1]的熵是该信源数据无损压缩的下界（最小速率），从此我们有了压缩数据的方向。
• 信道编码定理：离散无记忆信道的信道容量 ^[2]是该信道数据可靠传输的上界（最大速率），从此我们有了数据传输的方向。
• 信源信道分离编码定理：在有噪声信道中，数据压缩和信道编码这两个步骤是彼此独立的，从此我们知道了数据压缩和数据可靠传输可以独立设计，数据压缩和通信是可以分开考虑的，这也正是目前通信理论的基础。

但是正如之前所说，我们的问题在于前提条件：

Shannon所描述的基础理论是 单用户的、点对点的通信，且是针对离散无记忆信道的。注：感谢 @Robert Zhou 的指正，Shannon也完成了连续时间和幅度的高斯信道、与限长编码有关的部分工作，多址信道也接近完成。

近些年随着电子科学和计算机技术发展，特别是集成电路的大规模发展，各种低价、高性能计算机和信号处理成为可能，各种纠错、调制和各种媒体压缩技术的发展，比如Turbo码、LDPC码和喷泉码，比如各种分集合并、自适应均衡和多用户检测，使目前的信源压缩编码技术和信道传输技术都接近/达到Shannon极限。同时，因为MIMO技术的发展，逼近衰落信道的信道容量方案也得到显著提升。我们可以说，单用户点对点的无线通信技术正在逼近Shannon给我们留下的边界。

但是，与此同时，20世纪60年代出现的Internet、移动蜂窝网络和类似Wi-Fi中的ALOHA系统出现了大规模应用和现象级的成功。随之而来的问题是，这些系统并不是纯粹的单用户场景。正如前文提到的问题一样，我们不能把一个移动通信系统（比如5G）的容量上限套入Shannon公式，简单直接说目前的移动通信系统已经逼近Shannon极限；前提就不对。

在多用户场景下，因为各个用户节点之间的中继、反馈、干扰、损坏、信号叠加、边信息传递等等会给分析带来很多困难，就是无线工程师一直在研究的多用户合作、竞争和认知的问题，嗯这有个名字叫无线3C技术。

比如近20年发展起来的Ad-Hoc自组网络以及延伸出来的Mesh网络，大规模无线传感器中继等等这些都是极为复杂的多跳网络，在这些网络中，每个用户可能是单向传输，也可能是双向传输，可能采用多播，也可能采用广播，信源和信道不仅仅可能因为安全性要考虑冗余，也可能要考虑时空相关；每个节点不仅仅可能单纯的转发，也可能需要判断或计算（边缘节点），甚至有时候还需要执行信号处理（3G中的SIC）。我们的目标也不仅仅是单纯的无线容量，可能会涉及频谱资源、系统能量资源、计算资源、能源有效性和环保性等等。

这就是目前多用户信息论希望解决的信息科技领域的基石问题。总的来说，套用香农理论，多用户信息论试图说明这三个方面：

• 信道部分：如何为现存的各种多用户参与的无线网络、有线网络（可能不局限于网络）建立合适的数学模型，得到理论极限（可达容量域，Achievable Rate Region），进而分析目前的各种网络传输情况，比如5G。
• 信源部分：分布式信源编码比如多点编码、叠加编码、合作灌水、逐次抵消、随机装箱、嵌入编码等等究竟能不能达到多用户无损压缩的极限（比如Slepian‐Wolf问题），在有损压缩的率失真（比如Wyner‐Ziv、Berger‐Tung问题）上，极限在哪里？进而指导目前AR/VR/分布式系统中多摄像头、360度、强实时的视频、图像采集工作，我们在这些技术上究竟走到了什么样的程度？
• 信源信道联合：多用户参与的信息传递和压缩工作中，信源信道究竟应不应该联合编码？

目前来说，信息理论的发展是远远滞后于应用现实的，而上述问题有部分在限定场景下已经被解决了，有部分没有，甚至没有什么思路。

总而言之，相信在信息论领域，多用户问题是目前最亟待解决的问题之一，我们每一次在Achievable Rate Region上的突破，都必须提出一种新的编码方式来说明数学证明是真实有效的，这种理论进步显然是信息科技领域发展的重要源泉，比如Polar码和Interference Alignment，而不只是像现在闷头在单用户场景下不断逼近Shannon极限，然后被诟病无线技术近些年没有什么进展。

当然这相当难，这个Topic已经研究了十数年了，有相当多的文章在细分领域发表，每次进步都是一步一步在黑暗中的摸索，不像Shannon那样直接给点对点通信建立了一个灯塔；这个问题很难（纯数学），而且这也很大。

完。

参考

1. ^离散无记忆  https://en.wikipedia.org/wiki/Memorylessness
2. ^信道容量  https://zh.wikipedia.org/zh-hans/%E4%BF%A1%E9%81%93%E5%AE%B9%E9%87%8F

中子星内部的结构是什么样的呢？

1、背景

2017年，人类第一次宣布直接探测到引力波，这个引力波来自双中子星合并。

此后，不断有新的引力波事件被探测到，有双中子星和并，有黑洞合并，也有黑洞吞并中子星，越来越多的中子星和黑洞被发现。

随着越来越多的中子星和黑洞被发现，我们发现了一个奇怪的现象：中子星的质量最大也就在大约两倍太阳质量，黑洞质量最小也至少是五倍太阳质量左右，在两倍太阳质量与五倍太阳质量之间的到底是什么呢？2017年观测到的双中子星合并事件末态天体的质量为2.7倍太阳质量，那么这个天体是中子星还是黑洞呢？中子星的质量上限是多少呢？

要想回答这个问题，就必须要清楚天体的内部结构。构成普通恒星的基本单元是原子，原子由原子核与核外电子构成。由于泡利不相容原理，对于特定原子核，核外电子的数量是有上限的，当两个原子靠的很近时，就会产生强大的排斥力，普通恒星就是通过这种排斥力与自身引力抗衡，维持平衡而不坍缩。

但是当恒星的质量大于某个阈值时，这种排斥力也无法对抗自身的重力，核外电子就会被强大的压力压入原子核，与原子核内的质子生成中子，恒星也就变成了中子星了。这是对中子星的传统认识。

2、中子星的内部结构

中子星是宇宙中密度最高的物体了，自然它的结构状态与我们日常所见到有巨大的差异。中子星在1934年被首次提出，然而直到现在，中子星的内部结构一直没有得到确切的解释和实验验证。从中子星的名字就可以看出，中子星主要由中子组成，其中一小部分电子和质子也对其质量有所贡献。中子星可以被认为类似于一个巨大的原子核，受引力而不是强力约束。在重力的作用下，物质被压缩到与原子核相同的密度。传统认为的中子星内部典型结构如下图所示

由于中子星从表面到内核的所感受到压力是不一样，从外到内压力逐渐增加，因此，不同半径出的结构也应该是不同的。在外地壳中，中子结合成核，形成一个固体晶格。随着深入地壳，核变得越来越大，中子越来越丰富。超过一定大小后，中子开始从原子核溢出并滴落，形成自由中子海洋，原子核晶格浸入其中。这标志着我们过渡到内壳。在这里，在地壳（或“地幔”）的底部，我们发现了当今论文所关注的复杂核结构。通常我们希望核是球形的，但是在这里核会变形并融合，形成称为“核子通心面”（Nuclear Pasta）的奇异形状簇。超过这一点，我们进入中子星的核心，在那里我们发现均匀的核物质：中子超流体（一种无摩擦地流动的物质）与质子超导体（一种无电阻的物质）共存 ^[1]。为了直观的理解这些相，可以用水来做类比。水有气态液态固态等形式，水蒸气可以在液态水中形成气泡，液态水也可以以小液滴的形式存在于气态水中。核子通心面的特征是复杂的非球形图案，例如管子，薄片和气泡。这些形状如下图所示：

质子和中子并不是基本粒子，而是由夸克构成的。夸克与夸克之间通过强相互作用形成复合粒子，比如说三个夸克就能构成所谓的强子（Hadron）。质子和中子都属于强子，质子是由两个上夸克和一个下夸克够成的，中子是由一个上夸克和两个下夸克构成的。当密度非常小时，强子物质的形态为气态，而随着密度不断增加，强子之间的间隔会不断的缩小，当密度超过某一个临界值时，强子强子之间会出现重叠，再继续增加密度，强子物质还能保持完整的个体吗？类比原子→核子的过程，很高的密度下，是否会出现强子→夸克的这样一个变化？在中子星的内核部分，中子是否会被压碎，形成夸克由夸克直接构成的内核？或者，有没有可能直接形成所谓的“夸克星”？我们所认为的中子星会不会就是夸克星？

不管是中子星、核子通心面相还是夸克相，都是理论上的可能，通过理论计算，每一种都有可能存在，也都有能符合目前对中子星的观测，那么哪一种才是正确的呢？为了回答这个问题，我们只能不断的发现并测量更多的中子星的数据，以排除错误的模型。那么，除了通过天文观测，还有其它的实验方法能对这些理论作出筛选吗？

3、重离子对撞

中子星内部结构的研究，本质上就是对强相互作用物质在高密（低温）下的性质。一般来说，我们主要研究的是强相互作用物质在不同温度和密度下的性质，而不同温度密度下强相互作用物质的物态可以用下面这张相图来表示：

当密度比较低且温度也比较低时，这样的物质为强子气态；而温度比较高时，就会变成所谓的“夸克胶子等离子体”；温度较高且密度为零时，实际上就是宇宙大爆炸初期的状态。而温度比较低且密度比较高时，就是我们本文主要关心的中子星的内部结构问题。然而，这张相图上的结构大部分都是大家“想当然”的结果，大部分区域并不是从第一性原理出发计算得到的。这是由于数学上的原因导致的。

对于相图的探索，不仅需要理论，更需要实验上的观测。与大众比较熟知的正负电子对撞不同，为了产生高温高密的物质，需要进行重离子对撞。重离子对撞最早是由李政道先生在1970年提出的，通过加速重原子核——比如金核——到接近光速进行对撞，此时的原子核的运动是相对论性的，能量非常高，以此从真空中激发出大量的粒子。

原子核形状近似为球体，原子核被加速到接近光速时，其在运动方向由于洛伦兹收缩变的非常窄，对撞时系统的形状为椭球状。接近光速的两个原子核相互对撞，相撞的部分瞬间升温熔化，变为一团“夸克胶子等离子体”（QGP）。这团物体又迅速演化，先是膨胀，然后迅速降温，当达到一个“冷凝点”是，粒子开始大量从QGP中飞出，最终被探测器探测到。通过调节对撞能量，能够调节通过对末态粒子行为分析，就可以反推出中间过程物质的性质。也就是强相互作用物质在高温/低温、高密状态性的性质。

实际上，这样的一次对撞，是一次类似于宇宙大爆炸的“小爆炸”。实际上，这种对撞产生的夸克胶子等离子体有着全宇宙中最高的温度、最快的转速以及最强的磁场。为了研究强相互作用物质在这种极端条件下的性质，世界各地有不少正在运行或者正在建设中的对撞机：

• 欧洲核子中心（CERN）的LHC。很多人都知道LHC发现 Higgs粒子，但是却很少有人知道LHC上也同时运行着重离子对撞实验。LHC上一共有四个对撞点，其中就有做重离子对撞相关的探测和研究；
• 美国布鲁克海文 国家实验室RHIC(相对论性重离子对撞，Relativity Heavy Ion Collidor)实验，其中的STAR和PHENIX两个实验组均做与重离子对撞相关的研究；
• 德国亥姆霍兹重离子研究中心；
• 俄罗斯杜布纳联合核子中心；
• 中国科学院近代物理研究所，位于兰州；
• 中国惠州在建的HIAF......

四、总结

人类对中子星的研究已经有几十年的历史了，随着近几年引力波的发现，又掀起了一股新的研究中子星的热潮。虽然我们对于中子星结构的认识不断加深，但是很遗憾的是，即使是目前，并没有任何一种理论和实验能确定其内部结构。

非常有意思的是，为了研究宇宙中宏观天体的性质，我们需要了解构成此天体的物质基本单元的性质；通过研究基本粒子的性质，我们可以得到宏观宇宙中天体的性质。在这里，宏观和微观非常好的结合起来了，基本粒子与宇宙天体展现出了密切的联系。

最后，用李政道先生在1996RHIC暑期学校中做的一首诗作为结尾：

Large things are made of small, and even smaller.

To know the smallest, we need also the largest.

All lie in vacuum, everywhen and everywhere.

How can the micro, be separate from the macro?

Let vacuum be a condensate, violating harmony

We can then penetrate, through asymmetry into symmetry.

我的上一个回答 ( ๑‾̀◡‾́)σ» 我的下一个回答

顺便推荐一本书《夸克胶子等离子体：从大爆炸到小爆炸》，这本书写的非常通俗易懂，我自己也很早就买了一本了，内容深入浅出，值得初学者（本科高年级或者研究生）一看。

参考

1. ^ https://compstar.uni-frankfurt.de/outreach/short-articles/the-nuclear-pasta-phase/

我在博士期间的小课题是运用纳米载体治疗癌症，所以对整个领域有一定的了解。

纳米药物的临床转化问题，做这个领域如果不想解决这个问题，那就是赤裸裸的灌水罢了。遗憾的是不得不说，现在整个领域大部分人都在灌水，我自己也不能免俗。

1995年，FDA批准了全世界第一个癌症纳米药物，Doxil。那时整个Pubmed关于癌症纳米药的文章为23篇，药物/文章比例为1:23。在随后的30多年中，纳米技术遍地开花，飞速发展。生化环材纷纷加入了纳米技术的大军。现在同样检索“Nanoparticles for cancer“，我们能在Pubmed找到33015个结果，数目增长了数千倍。

但是产业界呢？这项被无数学者无限吹嘘的技术。在2019年拥有3万篇庞大论文库的基础上，全球只有15个癌症纳米药被批准。

纳米药物相关药物的1，2，3期临床试验成功率分别为94%，48%和14%。虽然近年来癌症药物的转化率都偏低。但不得不说，考虑到纳米药物研究的数量，癌症纳米药的转化率实在低的令人发指了。

从技术上来讲。30多年来的纳米药物研究一直认为纳米载体是癌症药物的理想载体，因为肿瘤中的血管通透性很高（Permeability），纳米药物能容易透过肿瘤血管进入肿瘤而发生作用；与此同时由于肿瘤里淋巴管很少，这些纳米药物又较难被淋巴系统清除，他们会在肿瘤里停留更长的时间（Retention）。一正一负，就会导致纳米药物在肿瘤里聚集。这就是纳米药物的The enhanced permeability and retention effect （EPR effect） ^[1]。

由于这种观念深入人心，很多学者做动物实验疯狂发文章，却很少考虑到到底有多少纳米药物进入了肿瘤。在2016年的一篇《Nature Review Material》一篇综述里 ^[2]，研究人员统计了117项研究中进入肿瘤的纳米药物数量，仅为总摄入量的0.7%，意味着1000个纳米颗粒只有7个会进入肿瘤，该文一出，直接引起业界震动。专为肿瘤而生的纳米药物并没有我们想象中的那么“专一”，这与纳米药物“精准打击”的初衷背道而驰。实际上99%以上的纳米载体都会被我们的肾脏和肝脏吸收，并最终代谢出去。

如何将纳米药物更好的导向肿瘤，是提高转化率的第一步。

除此之外，第二个待解决的问题就是纳米毒性。99%的纳米药物进入身体其他器官很有可能造成副作用。虽然临床试验中因为副作用失败的纳米药物很少，但值得注意的是大部分获批以及进入临床的药物都是有机纳米材料，以人体中本来就有的Liposome（脂质体）最为突出。而性能更好的金属纳米药物则很少成功，甚至进入临床试验都很少。

因为金属纳米药物的毒性较高，多种金属纳米材料具有强细胞毒性。且在2019年Nature Biotechnology的一项研究中发现纳米材料能进一步增加血管通透性，帮助肿瘤转移 ^[3]。

这又给了癌症纳米药物一记重拳。我身边很多PI做出一种新的金属癌症纳米载体，虽然在抗癌性吊打Benchmark，也发了好文章，但没有一个人想过要进临床试验。因为每个人都知道金属纳米药物到了人体的毒性多大。

纳米毒性是转化率低的第二个原因。

无论通过是与其他药物联用，或者调整纳米药物修饰来解决纳米药副作用的问题，是提高癌症纳米药物转化率低的第二个方向。

这些问题学术界没有认识到吗？当然不是。技术上的问题其实很多做这行的学者都意识到了，但是大部分都选择视而不见，因为纳米太容易发文章了。

中国在纳米上发文数载短短数年内反超美国，靠的就是大家对文章的追求，对临床问题选择性的无视。各种Nano的影响因子也水涨船高。各行各业都来灌水，很多工程学背景的人入场只想发几篇AM, Nano XXXX，却根本不在乎自己做的东西能不能帮到病人。金属纳米药物性能爆表，灌几篇，毒不毒关我什么事？

我就是花了3个月做了一个这样的垃圾，吹了一波性能，发了一篇所谓一区的NanoXXXX, 影响因子和自己花了5年辛苦做的基础医学项目一样，至于所谓的毒理试验？ 不存在的，灌就是了。

很多人都是这种心态。在我看来这个问题比起科学上问题严重的多，也更难解决的多。

因为你永远无法叫醒一个装睡的人。

以上内容均由 我演戈多老师提供

责任编辑：赵晨旭（邮箱：zhaochenxu@ viax.org如需交流、转载、供稿、合作请邮箱联系，并注明单位、职位及姓名）

参考

1. ^Abdalla AME, Xiao L, Ullah MW, Yu M, Ouyang C and Yang G. Current Challenges of Cancer Anti-angiogenic Therapy and the Promise of Nanotherapeutics. Theranostics. 2018;8:533-548.
2. ^Wilhelm S, Tavares AJ, Dai Q, Ohta S, Audet J, Dvorak HF and Chan WCW. Analysis of nanoparticle delivery to tumours. Nature Reviews Materials. 2016;1:16014.
3. ^Peng F, Setyawati MI, Tee JK, Ding X, Wang J, Nga ME, Ho HK and Leong DT. Nanoparticles promote in vivo breast cancer cell intravasation and extravasation by inducing endothelial leakiness. Nature Nanotechnology. 2019;14:279-286.