2023年未來科學大獎揭曉

文/本刊記者 段永利

8月16日，2023年未來科學大獎名單正式揭曉。

未來科學大獎設立于2016年，是由香港未來科學大獎基金會設立，科學家、企業家群體共同發起的民間非營利性科學獎項。未來科學大獎關注原創性的基礎科學研究，設置“生命科學獎”“物質科學獎”“數學與計算機科學獎”三個獎項，獎勵在中國內地（大陸）、香港、澳門、臺灣取得杰出科學成果的科學家，以創新模式帶動更多民間資金推動中國基礎科學的研究，促進科學事業發展，以科學精神影響中國、影響世界、影響下一代。 其有“中國的諾貝爾獎”之譽。

2023年未來科學大獎“物質科學獎”由中國科學院院士、國家超導實驗室學術委員會主任趙忠賢，中國科學院院士陳仙輝獲得；西湖大學生命科學學院植物免疫學講席教授柴繼杰、中國科學院遺傳與發育生物學研究所研究員周儉民獲得“生命科學獎”；Facebook AI 研究院（FAIR）研究科學家何愷明，曠視前首席科學家、曠視研究院院長孫劍（2022年去世），蔚來自動駕駛研發首席專家、助理副總裁任少卿，曠視研究院主任研究員、西安交通大學人工智能學院兼職教授張祥雨共同獲得“數學與計算機科學獎”。

科學之美在探索的樂趣。從“40后”的趙忠賢到“90后”的張祥雨，從中國科學院院士到企業研究員，從抗病小體到高溫超導，本屆未來科學大獎的各項獲獎工作都具有開創性的原創價值，他們的持續創新精神推進了學科發展，拓展了人類的認知邊界，為人類創造了更多新的可能。他們的故事也激勵著我們繼續探索未知，在科學殿堂續寫傳奇。

物質科學獎

獲 獎 人：趙忠賢 陳仙輝

獲獎理由：對高溫超導材料的突破性發現和對轉變溫度的系統性提升做出了開創性貢獻。

超導指的是某些材料在溫度降低到某一臨界溫度，電阻突然消失并且不能被磁場穿過的現象，是一種宏觀量子現象。擺脫超導應用的低溫或高壓環境限制，是科學家一直以來的夢想，承載著人類開啟能源和信息革命的殷切期盼。超導材料科學已成為當今重要的科研領域，超導體可以用于大科學裝置、軍工、信息技術、生物醫學、電力系統、交通運輸等領域。

中國科學家曾兩次在世界超導研究上大放異彩，最近的一次為2008年以趙忠賢為代表的中國科學院物理所、以陳仙輝為代表的中國科學技術大學關于“40K（-233.15℃）以上鐵基高溫超導體的發現及若干基本物理性質研究”。

2008年2月，致力于尋找透明導電氧化物材料的日本科學家細野秀雄意外發現在鑭氧鐵砷化合物中存在轉變溫度為26K（-247.15℃）的超導電性，打破了以往認為鐵基超導不利于形成超導的迷思。

我國從事超導研究的科研人員敏銳地注意到了這篇文章。趙忠賢團隊分析道：鑭氧鐵砷不是孤立的，26K的轉變溫度大有提升空間。由于此前的研究積累，物理所很快以另一種方法制備鑭氧鐵砷多晶樣品，逐漸和國外研究組拉開差距，世界上數十家一流研究機構紛紛請求提供高質量的超導樣品。

2008年3月，陳仙輝團隊采用稀土元素替代方式，用釤替換鑭，發現臨界溫度為43K（-230.15℃）的鐵基化合物，突破了40K的“麥克米蘭極限”，證明鐵基超導體是繼銅基超導后的又一類非常規高溫超導體。

同年4月初，趙忠賢團隊將該類鐵砷化合物的臨界溫度提升至55K（-218.15℃），利用高壓合成技術制備出一大批不同元素構成的鐵基超導材料，標志著鐵基高溫超導家族基本確立。

鐵基超導體具有更加豐富的物理性質，井噴的成果產出讓產業化腳步越邁越大。2016年，中國科學院電工研究所成功研制全球首根100米量級的122型鐵基超導長線。盡管鐵基超導家族遠未實現人類的室溫超導之夢，但其研究豐富了高溫超導門類，有助于了解高溫超導機制。

《科學》雜志“2008年度十大科學突破”、美國物理學會“2008年度物理學重大事件”及歐洲物理學會“2008年度最佳”……中國科學家的鐵基超導體研究成了當年的年度大滿貫。此外，《科學》發表了題為《新超導體將中國物理學家推到最前沿》的專題評述。著名理論物理學家，美國佛羅里達大學Peter Hirschfeld教授說：“一個或許本不該讓我驚訝的事實就是，居然有如此多的高質量文章來自北京，他們確確實實已進入了這個（凝聚態物理強國）行列。”

生命科學獎

獲 獎 人：柴繼杰 周儉民

獲獎理由：為發現抗病小體并闡明其結構和在抗植物病蟲害中的功能做出了開創性工作。

全球高達40%的農作物產量因植物病蟲害而損失，每年給全球經濟造成的損失超過3000億美元。面對長久以來存在的糧食安全、農藥帶來的環境與疾病威脅，抗病基因育種被賦予巨大的期待。

在抵御病毒、細菌或真菌侵襲的戰爭中，植物進化出了復雜高效的兩層免疫系統，細胞表面受體介導的廣譜性識別（PTI）和抗病基因介導的特異性識別（ETI）。處于這兩層免疫系統核心的是數目眾多的抗病蛋白，具有核苷酸結合域并富含亮氨酸重復序列的NLR蛋白是其中的大家族。迄今為止，已有數百個抗病基因被克隆，其中有61%的編碼為NLR免疫受體。

盡管第一個植物NLR抗病蛋白于1994年完成克隆，但學界對于抗病蛋白在識別病原菌入侵以及如何啟動抗病反應等方面還知之甚少。由于抗病蛋白構成復雜、分子量大且構象多變，25年來，多個國際頂尖實驗室都未能破解完整的抗病蛋白結構。

對于這一難題，周儉民打了個比方：抗病基因像是調動免疫系統的總指揮，它可以調動千軍萬馬去抵抗病原，但人類并不知道它具體發了什么命令。常規的研究手段已經窮盡，結構生物學手段或許大有用武之地，這是周儉民和柴繼杰的共識。

截至目前，植物抗病領域現有的復合體結構幾乎都出自柴繼杰的實驗室：2007年第一個細菌效應蛋白和植物中對應抗性蛋白的復合物（AvrPto-Pto），2013年第一個被解析的植物LRR模式識別受體復合物（FLS2LRR-flg22-BAK1LRR），2015年第一個植物肽類激素的激活復合物結構（PSKPSKRLRR-SERKLRR），可以說該實驗室是全球植物抗病結構研究中的“領跑者”。

2019年，柴繼杰和周儉民團隊強強聯手，首次成功解析了植物抗病蛋白的結構和功能，破解了困擾植物免疫學界20多年的難題：植物抗病蛋白究竟是如何控制細胞死亡和免疫的。這也為設計廣譜、持久的新型抗病蛋白、發展綠色農業奠定了核心理論基礎。國際植物抗病研究權威科學家、美國科學院院士Jeffery Dangl和英國皇家學會會員、美國科學院外籍院士Jonathan Jones對這一重大突破性成果給予了高度評價：“首個抗病小體的發現，為植物如何控制細胞死亡和免疫提供了線索，打開了多個開拓性研究方向。”

在長達19年的時間里，他們精誠合作，最終發現了由免疫受體激活后形成的抗病小體，并解析了其結構和功能。他們發現，抗病小體是由免疫受體蛋白在識別病原體效應子后形成的多組分復合體。這種復合體通過形成鈣離子通道引起植物免疫反應，從而保護植物免受感染。這是近年來植物免疫研究領域的最重大的進展之一，有助于減輕糧食安全威脅和保護生態環境。

數學與計算機科學獎

獲 獎 人：何愷明 孫劍 任少卿 張祥雨

獲獎理由：提出深度殘差學習，為人工智能作出了基礎性貢獻。

深度殘差網絡（Deep Residual Network，ResNet）是深度學習領域最重要的研究之一，已經被寫進教科書，屬于每個人工智能從業者都要掌握的基本功。亞馬遜首席科學家李沐曾評價：假設你在使用卷積神經網絡，有一半的可能性就是在使用ResNet或它的變種。

機器學習大概要解決三個問題。一是系統是否可以有能力擬合，能力是否夠。二是如何擬合，也就是訓練優化問題。三是推廣能力問題。ResNet主要是解決第二個問題。

孫劍曾在2017年介紹過ResNet研究的背景：曾經人們不相信深度學習網絡是可以被訓練的，2012年8層的AlexNet改變了人們的看法。但受各種條件的限制，在ResNet開發之前，19層的VGG已經是表現最好的網絡。這主要是因為神經網絡的退化問題（Degradation Problem）：更深的網絡會呈現更差的準確率。因為即使新增的神經層不改變其輸入（恒等映射），更深的網絡至少可以與較淺的網絡相同。

在神經網絡可以收斂的前提下，隨著網絡深度增加，網絡的表現先是逐漸增加至飽和，然后迅速下降。在這個限制下，當時網絡層數在20層時表現最好，更多層的網絡反而表現不佳。

何愷明、孫劍、任少卿、張祥雨這個平均年齡只有38歲出頭的團隊，提出了深度殘差學習框架以解決該問題。在殘差網絡中，每個單元只需要表達一個改變量（“殘差”），而不需要把輸入推倒重建。通過殘差連接，ResNet把每個單元的輸入以恒等映射加到輸出上。恒等映射可以減少信號在神經網絡中傳播時的失真，使信號經歷非常多次變換后仍可以保持信息。

ResNet使得更深的網絡訓練成為可能。把網絡層數拓展到了上百甚至上千。

深度神經網絡推動了人工智能的革命和高速發展。其中，增加深度是神經網絡在各種人工智能應用中帶來突破性進展的關鍵。這項工作在這一發展中發揮了核心作用，使神經網絡能夠達到前所未有的深度，并獲得以前難以實現的能力。ResNet團隊所提出的深度殘差學習框架，包括ResNet及其思想，在許多不同的領域促成了大量突破性的成果，其中包括AlphaGo、AlphaFold和ChatGPT等深刻影響了人類社會發展的工作。

ResNet的成功離不開孫劍的學術眼光，張祥雨曾經傾向于選擇人臉領域的博士課題，但導師孫劍果斷讓他去做深度學習。在微軟亞洲研究院，也是孫劍把原來從事不同領域研究的何愷明，還有當時在微軟亞洲研究院實習的任少卿、張祥雨拉到一起做深度學習研究。

何愷明、任少卿、張祥雨合作密切，組隊后在ICCV、CVPR、ECCV等計算機視覺方面的三大頂級國際會議多次發文。2015年，由孫劍帶隊，何愷明、張祥雨、任少卿共同完成的深達152層的殘差神經網絡模型 ResNet 參加 ImageNet大規模視覺識別挑戰賽，誤差率降到3.57%，首次超過人眼的準確率5.1%，奪得所有細分比賽冠軍。

團隊對冠軍并不滿足，經過對上任ImageNet冠軍谷歌GoogLeNet的研究，張祥雨發現GoogLeNet用更少的參數量和計算量贏得冠軍的關鍵，是其中一條卷積分支起到了直連（shortcut）作用，但當時并不清楚如何構建新的網絡結構，最終在何愷明的建議下放棄了復雜的分形網絡結構，完成了ResNet。

ResNet研究完成后，團隊還進行了進一步的探索，試圖進一步解釋ResNet本身的原理。后續研究經驗性地發現將identity支路變得更通暢，可以進一步提升ResNet的性能，并且觀察到訓練過程中ResNet有效層數不斷增加。何愷明后來還相繼提出了ResNetV2、ResNeXt 等設想。

2016年，何愷明、孫劍、任少卿、張祥雨團隊發表了論文Deep Residual Learning for Image Recognition，提出ResNet。這篇論文獲2016年CVPR最佳論文獎，2021年被引數量突破10萬次，現在的被引數量已經突破了17萬次。