科技的发展并非总是突变，而是由一个个具体的坐标点连接而成。这些坐标往往源于年轻人在未被充分关注的方向上做出的大胆尝试与验证。
《麻省理工科技评论》“35 岁以下科技创新 35 人”（TR35）自 1999 年启动以来，长期致力于发掘那些可能改变技术路径的青年创新者。从诺贝尔奖得主到 AI 巨头创始人，众多入选者后来成为了推动行业发展的核心力量。在亚太区，该评选已持续 12 年，累计产生 255 位入选者，勾勒出纳米技术、生物医药、人工智能、能源可持续等领域的创新版图。
当前的创新趋势正呈现出显著的交叉融合特征：AI 与机器人、材料科学与器件制造、生命科学与临床应用之间的边界日益模糊。创新者不再局限于单一学科的突破，而是致力于打通技术链条，将研究成果推向真实应用场景。2026 年度 TR35 亚太区名单正式发布，以下是部分入选者的创新群像（排名不分先后）。
夏梦舟：大模型的高效训练与优化
面对大模型训练对算力的巨大消耗，夏梦舟致力于探索在有限资源下训练更小、更强模型的路径。她主导开发了 Sheared LLaMA，通过自动移除冗余维度，将 70 亿参数模型压缩，仅用原计算量的 3% 便在多项任务中超越同尺寸开源模型。此外，她提出的 LESS 方法能精准衡量数据价值，使模型仅用 5% 的训练数据即可达到优异表现；偏好对齐算法 SimPO 则进一步降低了人类偏好训练的成本。未来，她将继续研究利用数据合成与智能体系统提升模型的推理能力。
王瀚宸：自主执行科研任务的生物医学智能体
王瀚宸的研究旨在让 AI 从被动回答问题转向主动执行科研任务。他开发的生物医学智能体 Biomni 整合了数百种科研工具与数据库，能自主规划并执行多步骤生物医学分析，将原本需数周的人工工作缩短至分钟级。其团队还开发了面向空间组学的 SpatialAgent 及用于癌症机制发现的 Perturb-ME 等系统。同时，他提出的 scGraph 评估方法揭示了现有模型在细胞关系表征上的潜在失真，为构建更可靠的生物医学 AI 奠定了基础。即将加入 Google DeepMind 的他，将继续探索面向科学发现的新一代系统及癌症治疗专用模型。
马玲玲：可编程软物质光子学平台
马玲玲突破传统认知，将液晶从显示材料转化为可对光进行编码的可编程软物质平台。她提出的“多层级液晶超结构”概念及矢量液晶全息技术，实现了对光强度与偏振的精准独立操控。近期，她发现新型铁电液晶相态，将复杂的光束整形功能压缩进微米级液晶层，并开发出可重构非线性衍射器件。更进一步，她将光学指令转化为动作，开发了嵌入液晶全息结构的软体机器人。这一柔性材料平台有望成为机器视觉、光计算及量子信息系统的基础部件。
于超：具身智能的大规模强化学习框架
为解决强化学习从仿真走向真实机器人的难题，于超团队开发了大规模强化学习框架 RLinf。该框架提出“像使用 GPU 一样使用机器人”的理念，将机器人纳入统一的资源抽象与调度，支持不同机器人参与规模化、长期在线学习。RLinf 已融入 Pytorch 及 NVIDIA IsaacLab 生态。2026 年，她联合发起物理智能公司正行创新（Striding AI），致力于推动机器人在真实世界的持续交互中学习、适应与进化，打破仅依赖部署前一次训练的局限。
Rohit Girdhar：构建感知物理世界的世界模型
为了让 AI 从理解文本走向感知和生成物理世界，Rohit Girdhar 构建了全套视频模型技术栈。他参与构建了包含多模态信号的第一人称视频数据集 Ego4D，并提出开源架构 ImageBind，实现了七种模态的统一嵌入与跨模态零样本识别。在生成领域，他提出的 Emu Video 采用“先生图、再动画”策略，性能显著优于同期方案，并已服务于数十亿用户。2026 年加入 AMI Labs 后，他致力于构建具备因果推理能力的世界模型，推动 AI 系统进行视觉思考与模拟。
Bishnu Patra：量子计算的低温控制电子学
针对量子计算规模化面临的控制设备体积与热负荷难题，Bishnu Patra 致力于将控制电子学搬进极寒环境。他主导设计了可在约 3K 温度下工作的低温可编程控制器，精度媲美室温仪器。加入英特尔后，他参与了 300 毫米硅自旋量子比特阵列的构建，并设计了用于快速读出量子态的低温 BiCMOS chiplet 架构。2026 年初加入 Microsoft Quantum 后，他继续推动低温 CMOS 技术从实验走向实用量子计算机的基础设施，为大规模量子芯片搭建可集成的“神经系统”。
大模型编译基础设施的构建者
面对万亿参数大模型训练的分布式工程挑战，该入选者在 Google Core ML 期间主导设计了基于 MLIR 的张量分区系统 Shardy。该系统统一了多种并行策略，通过简洁标注自动处理底层通信与内存分配，完成了 JAX 编译栈的结构性升级，并优化了 Gemini 系列模型的预训练。此外，他在 XLA 中优化的算子调度策略显著提升了硬件利用率。2026 年加入 Apple Foundation Models 后，他继续从事大模型性能优化工作，支撑全球前沿 AI 实验室的大规模训练。
高天宇：大模型信息获取与可信评估
针对大模型回答可靠性与信息溯源难题，高天宇长期研究模型的信息获取与处理机制。他早期开发的 SimCSE 提升了文本语义表示能力，被多家科技巨头采用。随后，他开发了 ALCE 用于评估带引用回答的可信度，参与构建长上下文评测框架 HELMET 及训练方法 ProLong，并以极低预算实现了优异表现。他还开发的 MeZO 方法大幅降低了微调所需的显存。未来，他将在加州大学圣迭戈分校继续研究，致力于让大模型的信息处理过程更高效、可靠且可验证。
李昀烛：机器人仿真与世界模型
为突破机器人学习受限于物理时间的瓶颈，李昀烛提出了 Real-to-Sim-to-Real 范式：通过记录真实世界数据重建可交互的模拟环境，让机器人在虚拟世界中高效试错后再部署回现实。该方法已在双臂操作等复杂任务中得到验证。他联合创立的机器人仿真公司 SceniX 于 2026 年被 World Labs 收购，他随之加入并进一步推动机器人仿真与世界模型、空间智能的融合，旨在让机器人在计算机中获取经验，在现实中高效行动。
何锶瑜：细胞空间组织的 AI 解析与预测
何锶瑜利用统计与生成式 AI 方法，从不完整的空间组学数据中解析细胞的空间组织并预测其状态变化。她开发的 Starfysh 和 CORAL 模型分别用于推断细胞群功能状态及整合多模态数据解析组织结构。Squidiff 则利用扩散模型预测细胞在发育或药物扰动下的转录状态。她的长期目标是构建“虚拟细胞世界模型”，将分子信息、空间位置和时间变化统一建模，为研究人员提供低成本、高效率的虚拟实验环境，辅助药物设计与治疗策略开发。
Aravind Rajeswaran：从人类行动经验中学习
针对行动数据稀缺的难题，Aravind Rajeswaran 探索如何让 AI 智能体从人类日常行动中学习。他早期利用少量人类示范结合强化学习教会机械手复杂操作，后将第一视角视频转化为机器人学习材料，提取可复用的视觉表示。加入微软后，他将此思路应用于电脑操作智能体，通过在合成环境中批量制造训练经验，开发出擅长浏览器任务的紧凑型网页智能体 Fara-1.5，解决了缺乏完整网页操作轨迹数据的痛点。
周镜天：单细胞图谱与疾病风险定位
周镜天将单细胞图谱从描绘差异推进到定位疾病风险的具体作用细胞。他参与开发了同时读取 DNA 甲基化和三维基因组结构的技术，绘制了覆盖小鼠大脑及人体多个器官系统的表观基因组图谱。在此基础上，他开发的方法能将疾病遗传风险精确定位到特定细胞类型和状态。目前，他正构建深度学习模型，预测基因变异或药物干预后的细胞变化，致力于将单细胞图谱转化为理解疾病机制和设计干预方案的计算工具。
马骁：希尔伯特第六问题的数学突破
马骁与合作者共同解决了悬置 125 年的希尔伯特第六问题，即从微观粒子碰撞严格推导宏观流体运动定律。他在证明核心的“组合切割算法”中贡献关键步骤，帮助团队完成了从硬球粒子动力学到玻尔兹曼方程，再到欧拉方程和纳维 - 斯托克斯 - 傅里叶方程的严格推导链条。该成果被视为国际数学界的核心贡献之一。解决百年难题后，他转向 AI 与数学交叉领域，开发开源框架，旨在让 AI 成为可审计、可扩展的数学证明伙伴。
顾佳涛：生成式世界模型与物理智能
顾佳涛聚焦于构建能理解物理规律并作用于真实世界的生成式世界模型。作为非自回归生成的开拓者，他提出了 Levenshtein Transformer 等高效文本生成方法，并在三维视觉领域提出 Neural Sparse Voxel Fields 等技术。目前，他提出的 STARFlow 系列将归一化流扩展至高分辨率图像与视频生成，为世界模型提供可扩展的概率建模基础。未来，他致力于构建面向物理智能的生成式世界模型，支持反事实推理与长程规划，让 AI 真正理解并在世界中行动。
Jihyun Baek：高熵氧化物催化剂的理性设计
Jihyun Baek 将多元素氧化物的组分复杂性转化为可控的设计原则，推动电催化剂研发从经验优化走向机制导向。她聚焦高熵尖晶石氧化物，揭示了多元素混合如何优化局域应变与电子结构，显著提升析氧反应的活性与稳定性。她开发的超快速光闪合成方法可在数十毫秒内制备高熵氧化物纳米颗粒。最新研究进一步表明，通过调控金属阳离子在晶体结构中的占位，可精确调节催化性能，为绿色制氢材料的理性设计开辟了新路径。
袁粒：从视觉感知到世界推演
袁粒致力于推动视觉智能从静态感知走向动态推演。他主导的 Video-LLaVA 统一了图像与视频的视觉表征，Point-MAE 则将理解推进至三维点云。他发起的 Open-Sora 开源计划重点探索学习时间演化与因果关系的世界模型。此外，他通过 MoE++ 等稀疏架构提升计算效率，并将研究延伸至 AI4S 微观分子世界。他的目标是通过构建下一代 AI 基础模型架构，让机器真正掌握现实变化背后的物理规律，实现从“看见”到“模拟推演”的跨越。
王晟：多模态生物医学基础模型
王晟提出生物医学 AI 的多模态 Scaling Law，致力于整合病理、影像及组学数据。他开发的 GigaPath 模型在超过 17 万张全切片上训练，已进入真实临床流程用于肺癌标志物预测。BiomedParse 和 BiomedCLIP 进一步实现了九种医学模态的统一表示。GigaTIME 则将病理图像与分子信息连接，用于分析肿瘤微环境。他的最终目标是建立“患者世界模型”，模拟治疗反应与疾病进展，实现对患者完整疾病轨迹的建模。
商静波：极弱监督下的知识自主发现
商静波推动 AI 摆脱对海量人工标注的依赖，提出“极弱监督”研究方向。他利用类别名称、概念定义等高层语义提示，让模型自主从数据中发现、验证并更新知识。针对系统性标签偏差，他提出了纠偏和自我修正方法，相关技术已应用于 Amazon 购物助手 Rufus 及多个领域的知识更新场景。近年来，他将此路线延伸至大模型，旨在降低 AI 训练与更新对标注数据和资源的依赖，提升其在专业领域的可及性。
黎天鸿：生成模型的第一性原理简化
黎天鸿选择为生成模型做减法，探索更简单、统一的生成范式。他提出的 MAGE 将表征学习与图像生成统一；RCG 利用自监督表征替代人工标签；MAR 打破了自回归模型对离散数据的依赖，将其拓展至连续空间；JiT 则去除了专用分词器等组件，让视觉模型直接在原始像素块上生成。他的工作证明了诸多复杂设计可被简化，为通向更通用、基于第一性原理的生成模型开辟了道路。
于力军：多模态智能从理解走向创作
于力军的研究主线是推动 AI 从理解视频走向生成视频。他提出的 MAGVIT 通过三维视觉分词器支持多种视频生成任务；MAGVIT-v2 使用统一词表表示图像和视频，使语言模型在视觉生成任务上表现优异。他与团队研发的 VideoPoet 实现了高质量零样本视频生成，W.A.L.T. 则通过统一潜在空间提升了生成质量与效率。他的工作打通了图像、视频的理解与生成，推动多模态智能迈向新阶段。
Yukio Cho：可回收锂电池的分子设计
受福岛核事故启发，Yukio Cho 致力于开发安全可持续的能源技术。针对锂电池回收难题，他设计了基于非共价键的自组装固态电解质。电池寿命终结时，只需浸入溶剂即可触发组件洁净分离，无需粉碎。他以凯夫拉化学为灵感合成的自组装纳米材料，已成功转化为可工作的电池单元。目前，他在 SLAC-斯坦福电池中心推进高负载全固态锂硫电池研发，目标是为下一代储能系统提供可规模化回收的解决方案。
吴荣辉：智能纺织品与健康守护
吴荣辉将衣物从被动材料转变为可感知、可交互的智能系统。她开发的光谱选择性辐射降温织物能有效应对城市热岛效应，实现无源被动降温。在健康监测方面，她利用改性丝蛋白构筑传感纱线与摩擦纳米发电织物，结合机器学习实现三维人体重建与手语翻译。她的研究贯通材料科学、纺织工程与光子学，推动纺织品成为保护健康、应对气候变化的可穿戴技术平台。
任建勋：帕金森病的精准脑网络调控
任建勋提出帕金森病是脑网络层面的疾病，并利用 AI 分析患者脑影像，绘制个体化脑网络以寻找精准刺激靶点。他开发的神经调控机器人辅助治疗系统，将靶点定位准确度提高 30%，操作效率提升约 500 倍，核心症状改善幅度超 100%。该技术已在全国 60 多家医院服务超 3000 名患者，并正向阿尔茨海默病等脑疾病拓展，推动脑刺激治疗从经验固定走向 personalized 精准医疗。
李志远：端侧多模态智能与跨芯片推理
李志远专注于让终端设备在本地运行模型推理。他联合创立的 Nexa AI 开发了 Octopus 系列小模型，能在手机端根据自然语言指令执行操作。推出的 OmniVLM 和 OmniAudio 等多模态模型，以及本地文件智能体 Hyperlink，进一步拓展了端侧能力。针对跨设备迁移难题，他主导开发的 Nexa SDK（现演变为高通 GenieX 框架）实现了 CPU、GPU 和 NPU 的统一调用，致力于降低延迟成本并保护用户隐私。
杨嘉睿：有机小分子挑战氯碱工业
杨嘉睿利用有机小分子挑战氯碱工业对贵金属催化剂的依赖。他报道的不含金属有机催化体系，在工业级电流密度下高效生产氯气，有望降低每吨烧碱电耗约 4.6%。他进一步形成的“电催化卤素循环”路线，不仅高效产氯，还实现了从 PVC 废塑料中回收氯，以及利用溴介导技术在室温下将丙烷转化为丙烯。他的研究为高能耗化工过程提供了新的绿色实现方式。
赵蓓：二维半导体 p 型晶体管性能突破
赵蓓利用栅控能带调制超掺杂技术，突破了二维半导体静电掺杂极限。她构建的 Type-III 能带对齐异质结，使空穴浓度远超传统极限，制备出的 p 型晶体管接触电阻与开态电流密度均创下国际纪录。她的研究先通过卷曲自组装解决结构搭建问题，再通过界面调控发挥材料极限性能，为后摩尔时代集成电路的发展提供了关键技术方案。
Anhar Bhuiyan：氧化镓功率器件的规模化制造
Anhar Bhuiyan 开发了无等离子体损伤、集成生长与刻蚀于一体的技术路径，推动氧化镓从实验室材料走向规模化制造。他利用改进的低压化学气相沉积（LPCVD）系统，实现了高速率、低杂质的厚膜生长，并在同一腔室中利用化学反应实现无损伤刻蚀。这一技术绕过了传统工艺中反复转移和损伤修复的繁琐链条，大幅降低了高压功率器件的制造成本，为超越硅基极限的功率电子技术开辟了新路径。
Naoki Higashitarumizu：黑磷中红外光电器件平台
Naoki Higashitarumizu 利用黑磷的自终止表面特性，克服了其中红外光电器件的性能与稳定性瓶颈。他开发的黑磷 LED 外量子效率超越同类商用器件，并通过封装技术将工作半衰期延长至约 1.5 万小时。在规模化制备方面，他开发了基于黑磷墨水、滚印及高压合成的薄膜制备工艺，实现了晶圆级黑磷薄膜的制备，将这一脆弱材料转化为具有实际应用价值的光电子平台。
谭莎：电池界面化学的同步辐射解析
谭莎利用同步辐射技术打开了电池界面化学的“黑箱”。她在锂金属负极 SEI 中追溯了关键组分的化学来源，证明界面相是持续演化的动态体系而非静态保护层。在正极侧，她设计的电解液添加剂使高镍正极在超高电压下稳定循环。她还提出了协同利用阴离子与溶剂构建界面相的策略，使锂离子电池在极端温度下稳定运行，为开发更安全、持久的下一代电池提供了关键思路。
吴昌盛：自适应生物电子与具身智能
吴昌盛将感知、计算与能量直接嵌入软材料，发展自适应生物电子学。他开发的无线近红外光谱系统和穿戴式机械声学弹性成像技术，已应用于新生儿脑血流监测等真实医疗场景。在具身智能领域，他将柔性电池、驱动器与传感系统集成于软体机器人，使其具备自主避障与环境感知能力，并将机器触觉拓展至深海等极端环境。他的研究致力于让材料成为智能的一部分，实现系统与人体及环境的自适应共存。
孙家伟：手性三维分子的简化合成
孙家伟发明了磺酰肼氧化还原中性自由基交叉偶联平台，从根本上简化了手性三维分子的合成。针对传统自由基反应易消旋化的难题，他发现手性磺酰肼与镍催化剂形成的笼中，烷基自由基可通过内球面同步反弹路径直接偶联，无需手性配体即可实现高达 95% 的立体保持率。这一方案摆脱了对预活化金属试剂和严格无水无氧操作的依赖，为复杂有机分子的合成提供了通用且高效的新范式。
Punit Kumar：难熔合金强度与韧性的平衡
Punit Kumar 发现了“扭折带”机制，打破了难熔合金强度与韧性不可兼得的长期困境。他在铌钽钛铪中熵合金中观察到裂纹前方的局部弯曲变形，这种机制分散了应力，使材料在极宽温度范围内兼具高强度与高断裂韧性。基于此发现，他在新加坡南洋理工大学搭建了结合增材制造、断裂力学与 AI 驱动材料设计的平台，加速极端环境结构材料的研发与应用。
Virgil Andrei：可规模化的人工叶片
Virgil Andrei 推动人工叶片从实验室原型走向规模化应用。他开发的兼具导电与防潮作用的碳层，解决了钙钛矿材料在水环境中的稳定性难题。他集成的可漂浮、自支撑人工叶片系统，能在无需外部电压的情况下，仅利用阳光将水和二氧化碳转化为乙烯等多碳化合物。目前，他正探索卷对卷自动化制造技术，进一步扩大太阳能反应器的规模，让利用阳光制造燃料和化学品成为现实。
张丹丹：微型机器人的灵巧微操纵
张丹丹赋予微型机器人更灵巧的运动、感知和学习能力。她利用分布式光学力实现机器人的多自由度精确操控，并结合 AI 与显微图像构建大规模数据集，解决了微型机器人在三维空间中的定位与深度感知难题。通过搭建虚拟训练环境，她让机器人在计算机中练习细胞运输等操作，减少了对真实生物样本的试错损伤。未来，这些微型机器人有望成为医生在微观生命世界中递送与治疗的双手。
杨照辉：无线通信与 AI 的协同进化
杨照辉推动无线网络从单纯传输信息走向与 AI 协同学习决策。他建立了无线传输误差与分布式学习收敛的理论联系，设计的通信—计算协同调度机制显著降低了系统时延并提升了 AI 准确率。近年来，他将研究延伸至语义通信和流态天线，前者优先传递 AI 所需的关键信息，后者为 6G 提供新的空间自由度。他的目标是让未来的无线网络不仅承载智能，更深度参与智能的形成过程。