🤖
具身智能与机器人
Embodied AI & Robotics
🔥 最热大模型正在从"纯文本"走向"物理世界"。从端到端操控策略（RT-2、Octo）、到人形机器人全身控制（Figure、1X）、到仿真到真实的迁移——具身智能是2024-2026最受资本和学术界双推的方向。核心问题：泛化操控、长horizon任务规划、多模态感知融合。
端到端操控Sim2Real人形机器人VLA模型世界模型触觉感知
📍 CoRL, RSS, ICRA, IROS年论文增速 40%+
🏛️ 关键实验室 / 团队
Stanford VL Lab · Stanford李飞飞组，BEHAVIOR-1K仿真基准、VIMA机器人指令跟随
BAIR / RAIL Lab · UC BerkeleySergey Levine组，RT-2/Octo/HIRO系列，RL+机器人
NVIDIA GEAR Lab · NVIDIA ResearchJim Fan组，MimicGen、RoboCasa、Isaac Sim生态
Google DeepMind Robotics · DeepMindRT-1/2/X系列、SayCan、Q-Transformer
CMU Robotics Institute · Carnegie MellonRobot Learning Lab，Open X-Embodiment跨机器人数据集
📄 里程碑论文 / 成果
RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic ControlGoogle DeepMind · 2023 · 首次将VLM直接用于机器人端到端控制
Octo: An Open-Source Generalist Robot PolicyUC Berkeley等 · 2024 · 开源通用机器人策略，跨embodiment迁移里程碑
Open X-Embodiment: Robotic Learning Datasets and RT-X ModelsDeepMind+21机构 · 2024 · 最大跨机器人数据集
⚡ 当前核心争论
端到端 vs 模块化：端到端策略在泛化上是否真的优于分层/模块化管线？纯数据驱动能否解决长horizon与安全约束？
🔭 3年内预期突破
跨embodiment通用操控策略：一个模型在5种以上不同机器人上零样本部署；家用人形机器人进入早期商业化。
🎯 Scholar 岗位细化要求
精读RSS/CoRL/ICRA近3年best paper与oral；熟练使用ROS2+Isaac Sim/MuJoCo仿真；能用PyTorch复现RT-2/Octo级别VLA模型；关注figure.ai/1X/Physical Intelligence产业动向。
👤 招1人 · Scholar-01
🧠
大语言模型与基础模型
LLMs & Foundation Models
🔥 核心引擎仍是整个AI生态的底层引擎。推理能力（o1/o3、DeepSeek-R1）、长上下文、MoE架构、高效训练与推理（量化/蒸馏/投机解码）是当前主线。关键转折点：从"规模定律还能撑多久"到"后训练时代的推理优化"。
推理优化Chain-of-ThoughtMoE长上下文高效推理Agent框架合成数据
📍 NeurIPS, ICML, ICLR, ACL10,000+ 篇/年
🏛️ 关键实验室 / 团队
OpenAI Reasoning Team · OpenAIo1/o3系列推理模型，test-time compute scaling范式开创
Anthropic Safety & Interp · AnthropicConstitutional AI、dictionary learning可解释性
Meta FAIR · MetaLLaMA系列、MoE开源模型
Google DeepMind LLM · DeepMindGemini系列、Gemma开源、Chinchilla scaling laws
MSR NLP Group · Microsoft ResearchPhi小模型系列、高效训练
📄 里程碑论文 / 成果
Scaling Laws for Neural Language ModelsKaplan et al. · 2020 · 奠定大模型训练的scaling理论
Training LMs to follow instructions with human feedbackOpenAI · 2022 · RLHF对齐范式
DeepSeek-R1: Incentivizing Reasoning via RLDeepSeek · 2025 · 纯RL激发推理能力，开源标杆
⚡ 当前核心争论
推理涌现 vs 架构创新：推理能力是单纯scale带来的涌现，还是需要专门的推理架构？test-time compute是否是下一代范式？
🔭 3年内预期突破
可靠长程规划与工具调用：LLM Agent在复杂工作流中达到90%+完成率；推理模型经济化：同质量推理成本下降10倍。
🎯 Scholar 岗位细化要求
每日跟踪arXiv cs.CL/cs.LG；精通PyTorch/JAX，能读Megatron-LM/vLLM源码；理解Transformer、MoE routing、KV cache优化；熟练阅读NeurIPS/ICML长文20+篇/月。
👤 招1人 · Scholar-02
🧬
AI for Science
Scientific Discovery with AI
🌐 交叉AlphaFold打开了潘多拉盒子。蛋白质设计（RFdiffusion）、材料发现（GNoME、Mattersim）、药物靶点预测、气候模拟加速——AI正在重新定义"做科学"的方式。核心趋势：从"预测"走向"生成与设计"，从单任务模型走向科学基础模型。
蛋白质设计材料生成药物发现物理信息神经网气候建模自动化实验
📍 Nature/Science子刊, ICML AI4Sci影响 深远
🏛️ 关键实验室 / 团队
DeepMind AlphaFold Team · DeepMindAlphaFold 2/3，蛋白质结构预测革命
Baker Lab · U WashingtonRFdiffusion、Rosetta，蛋白质设计绝对领导者
Microsoft AI4Science · Microsoft ResearchMatterSim/AI4Chem，材料化学加速
MIT CSAIL / JMPL · MIT物理信息神经网络(PINN)、科学计算加速
Berkeley Lab / Materials Project · Lawrence BerkeleyGNoME新材料发现、材料数据库生态
📄 里程碑论文 / 成果
AlphaFold 2: Highly accurate protein structure predictionDeepMind · 2021 Nature · 解决50年蛋白质折叠问题
RFdiffusion: Protein design with diffusion modelsBaker Lab · 2023 Nature · 生成全新蛋白质结构
GNoME: Scaling deep learning for materials discoveryDeepMind · 2023 Nature · AI发现220万新晶体材料
⚡ 当前核心争论
AI发现 vs 实验验证：AI预测/生成的蛋白质和材料，多大比例能通过湿实验验证？计算发现的"虚高"是否在阻碍真正进步？
🔭 3年内预期突破
AI设计药物进入II期临床；新型稳定材料被实验室合成（GNoME已有1000+种验证）。
🎯 Scholar 岗位细化要求
计算生物/计算化学/物理背景；熟悉PyTorch Geometric、RDKit、分子动力学；能读懂Nature/Science方法细节；关注Recursion/Isomorphic Labs/Insilico。
👤 招1人 · Scholar-03
⚡
后摩尔计算架构
Post-Moore Computing Architecture
🔬 深科技摩尔定律趋缓，算力需求暴增——这个矛盾催生了全新计算范式。光子计算（Lightmatter）、存内计算（ReRAM PIM）、类脑芯片（Loihi 2）、量子计算（纠错进展加速）都在从实验室走向早期产品化。
光子计算存内计算神经形态芯片量子纠错3D封装Chiplet
📍 ISCA, MICRO, HPCA, Nature Electronics投入 百亿级
🏛️ 关键实验室 / 团队
MIT Photonics (Englund) · MIT光子神经网络处理器、可编程光子芯片
Stanford PSI (Olukotun) · StanfordForge/Mamba芯片、领域定制加速器
Google Quantum AI · GoogleWillow量子处理器，首次突破纠错阈值
Intel Labs Neuromorphic · IntelLoihi 2类脑芯片、Lava开源框架
PsiQuantum · PsiQuantum硅光子量子计算，路径到百万量子比特
📄 里程碑论文 / 成果
Quantum error correction below the surface code thresholdGoogle Quantum AI · 2024 Nature · Willow首次突破纠错阈值
Loihi 2: Advancing Neuromorphic ComputingIntel · 2021 · 第二代类脑芯片
Lightmatter: Photonic computing for AI workloadsLightmatter · 2023-24 · 光子互连与计算混合架构商用化
⚡ 当前核心争论
哪条后摩尔路径先赢：光子、类脑、量子——哪个能在5年内产生真正商业价值？量子纠错阈值已破，但规模化的工程挑战依然巨大。
🔭 3年内预期突破
量子计算实现实用化学反应模拟（超越经典方法）；光子ML加速器进入数据中心试点部署。
🎯 Scholar 岗位细化要求
微电子/体系结构/量子物理背景；熟悉Verilog/Chisel、Qiskit/Cirq；能读ISCA/MICRO与IEDM工艺论文；关注Lightmatter/IQM/Atom Computing。
👤 招1人 · Scholar-04
🔋
新能源与可持续工程
Energy & Sustainability Engineering
📈 爆发期固态电池、钙钛矿叠层太阳能电池（效率突破33%）、绿色氢能（PEM电解降本）、核聚变工程（CFS SPARC冲刺）——能源转型的工程瓶颈正在被一个个攻克。关键词：效率、成本、寿命、量产。
固态电池钙钛矿核聚变绿氢CO₂还原电网储能
📍 Nature Energy, Joule, ECS产业落地 加速中
🏛️ 关键实验室 / 团队
MIT Energy Initiative · MIT电池快充、钙钛矿稳定性、聚变工程交叉
CFS / SPARC Team · Commonwealth Fusion高温超导聚变，SPARC托卡马克冲刺Q>1
NREL · National Renewable Energy Lab钙钛矿/硅叠层效率纪录、电网建模
Stanford GCEP · Stanford碳捕集、负排放技术、储能系统评估
QuantumScape R&D · QuantumScape固态电池锂金属负极，车规级量产探索
📄 里程碑论文 / 成果
Perovskite-silicon tandem >33% efficiencyHZB/EPFL · 2023 · 钙钛矿/硅叠层效率突破33%
CFS SPARC via HTS magnetsCFS/MIT · 2021 J Plasma Phys · 高温超导磁体使紧凑聚变成为可能
Solid-state battery fast-charging breakthroughQuantumScape/Stanford · 2023 · 快充核心阻抗问题及解决方案
⚡ 当前核心争论
固态电池能否量产：界面阻抗、循环寿命、制造成本三大瓶颈是否真可被工程攻克？聚变 vs 裂变时间线：商业聚变电站能否在2035年前并网？
🔭 3年内预期突破
商用固态电池电动车上市（2027-2028）；钙钛矿/硅叠层>35%效率并10年寿命。
🎯 Scholar 岗位细化要求
电化学/热力学/材料科学基础；COMSOL/Aspen Plus过程模拟；定期阅读Joule/Nature Energy/EES；关注CFS/QuantumScape/LONGi。
🧫
合成生物学与生物工程
Synthetic Biology & Bioengineering
🌐 交叉CRISPR 3.0、细胞疗法（CAR-T下一站：实体瘤）、mRNA平台化（从疫苗到蛋白替换疗法）、基因线路设计（可编程细胞工厂）——生物正在变成一门工程学科。关键拐点：AI设计 + 自动化实验闭环 = 工程Biology的IDE。
CRISPR 3.0细胞工厂mRNA平台基因线路类器官生物计算
📍 Nature Biotech, Cell, ACS SynBio投融资 $15B+/年
🏛️ 关键实验室 / 团队
MIT Media Lab (Voigt) · MIT合成生物学先驱，基因线路设计、细菌计算
Ginkgo Bioworks · Ginkgo Bioworks全球最大生物铸造厂，自动化细胞工厂工程
Broad Institute (Zhang) · Broad/MITCRISPR工具箱，base editing/prime editing
J. Craig Venter Institute · JCVI最小基因组、合成生命体开创性工作
Novo Nordisk Fdn CFB · DTU Denmark细胞工厂设计、代谢工程自动化平台
📄 里程碑论文 / 成果
Prime Editing: Search-and-replace genome editingAnzalone/Liu · 2019 Nature · 精准基因组编辑新范式
AI-guided DBTL for cell factory engineeringGinkgo等 · 2023 Nat Biotech · AI+自动化闭环
mRNA as therapeutic platform overviewModerna/Penn · 2021-23 · mRNA平台化治疗全景
⚡ 当前核心争论
生物学能否被真正工程化：生物系统的随机性和不可预测性，是否决定了它永远无法像硅工程那样精确可控？
🔭 3年内预期突破
AI设计的细胞工厂量产大宗化学品（成本对标石化）；体内基因编辑疗法获批上市（2-3款）。
🎯 Scholar 岗位细化要求
合成生物/分子生物/生信背景；熟悉Benchling、Cello基因线路工具；湿实验经验优先；关注Ginkgo/Zymergen/弧光生物。
👤 招1人 · Scholar-05
🚗
自动驾驶与移动智能
Autonomous Driving & Mobility
📈 量产拐点L4在限定区域跑通（Waymo扩城），端到端驾驶模型（Tesla FSD v12+、UniAD）取代模块化架构，占用网络替代传统感知管线。大趋势：从感知智能走向驾驶智能，从规则驱动走向数据驱动。
端到端驾驶占用网络世界模型L4运营V2X仿真评估
📍 CVPR, ECCV, IV, IROS商业化 2025-2027
🏛️ 关键实验室 / 团队
Waymo Research · Waymo/AlphabetL4自动驾驶运营标杆，Waymo Open Dataset
Tesla Autopilot AI · TeslaFSD端到端架构，Dojo训练芯片，数据飞轮
CMU ARK Lab · Carnegie Mellon自动驾驶感知与规划，3D视觉先驱
TU Darmstadt (Geiger) · TU DarmstadtKITTI基准缔造者，3D感知与场景理解
NVIDIA DRV Lab · NVIDIADRIVE Sim仿真平台、端到端研究
📄 里程碑论文 / 成果
UniAD: Planning-oriented Autonomous Driving多机构 · 2023 CVPR Best Paper · 统一端到端自动驾驶框架
Occ3D: Large-Scale 3D Occupancy Prediction BenchmarkTSAI等 · 2023 · 占用网络标准化评估
Waymo Open Dataset 2024 updateWaymo · 2024 · 最大开放自动驾驶数据集延续
⚡ 当前核心争论
端到端 vs 模块化：端到端模型的可解释性与安全验证是否注定薄弱？LiDAR vs 纯视觉之争还有意义吗？
🔭 3年内预期突破
L4 Robotaxi扩展到10+城市；端到端模型闭环评估稳定超越模块化架构。
🎯 Scholar 岗位细化要求
计算机视觉/3D感知方向；PyTorch、OpenPCDet、CARLA仿真；关注CVPR AD workshop；跟踪Waymo/Cruise/Tesla/Apollo动态。
💎
先进半导体与 EDA
Advanced Semiconductor & EDA
🔬 战略级GAA晶体管量产（三星2nm、Intel 18A）、背面供电（BSPDN）、High-NA EUV、AI for EDA（DRL布局布线、LLM写RTL）——制造和设计两端同时在革命。地缘格局：出口管制重塑供应链，国产替代进入深水区。
GAA晶体管High-NA EUVAI for EDAChiplet背面供电先进封装
📍 DAC, ISPD, IEDM, VLSI资本开支 $100B+/年
🏛️ 关键实验室 / 团队
TSMC Research · TSMC2nm及以下工艺节点，CoWoS先进封装
IMEC · IMEC BelgiumGAA/CFET路线图定义者
Cadence/Synopsys R&D · Cadence / SynopsysAI for EDA先行者，Cerebrus/DSO.ai
MIT CSAIL VLSI (Devadas) · MIT硬件安全、PUF、EDA算法
UCSD VLSI CAD Lab · UC San DiegoDREAMPlace/DREAMRoute，ML布局布线
📄 里程碑论文 / 成果
DREAMPlace: Deep Learning Toolkit for VLSI PlacementUCSD · 2020 DAC · GPU加速布局速度40x+
Samsung 2nm GAA (MBCFET) ProcessSamsung · 2024 IEDM · GAA量产化关键技术
High-NA EUV: Status and ProspectsASML/IMEC · 2024 · 从实验室到产线
⚡ 当前核心争论
EUV能否继续缩小：2030年后EUV是否触及物理极限？AI能否全自动芯片设计：从RTL到GDS，AI能做到哪一步？
🔭 3年内预期突破
AI生成RTL匹配资深工程师质量；High-NA EUV进入量产（2026-2027）。
🎯 Scholar 岗位细化要求
VLSI设计流程完整理解；Verilog/SystemVerilog，Vivado/Design Compiler；关注IEDM/DAC论文；跟踪国产EDA/设备进展。
👤 招1人 · Scholar-06
🚀
空间技术与航天工程
Space Technology & Aerospace
📈 新航天时代Starship将发射成本压到$10/kg以下、巨型星座（Starlink v3、国网）重构通信版图、在轨服务与碎片清除、月球/火星原位资源利用（ISRU）——航天不再是政府独角戏。驱动力：可复用火箭 + 大规模制造 + 商业化闭环。
可复用火箭巨型星座在轨服务ISRU太空制造深空通信
📍 AIAA SciTech, IAC, SmallSat投资 $8B+/年
🏛️ 关键实验室 / 团队
SpaceX R&D · SpaceXStarship全复用、Raptor引擎迭代、星链巨型星座
NASA JPL · NASA/JPL深空探测、火星ISRU、自主导航
ESA ESTEC · ESASpace Rider可复用、CLEAN太空碎片清除
Relativity Space · Relativity Space3D打印火箭、Terran R全复用
Rocket Lab · Rocket LabElectron小型火箭、Photon卫星平台
📄 里程碑论文 / 成果
Starship: Full & Rapid Reuse ArchitectureSpaceX · 2022-24 · 全复用超重型运载器设计演进
Mega-constellation & space sustainability多机构 · 2023-24 · 巨型星座轨道设计与太空交通管理
ISRU for Lunar/Mars: State of the artNASA/ESA · 2023 · 原位资源利用技术就绪度评估
⚡ 当前核心争论
巨型星座可持续性：数万颗卫星的碎片风险是否正在创造不可逆的凯斯勒效应？商业登月可行性：CLPS能否在2030年前建立可持续月球存在？
🔭 3年内预期突破
Starship实现运营级复飞（周转<48h）；第一个商业空间站入轨（Axiom/Starlab）。
🎯 Scholar 岗位细化要求
轨道力学/推进/结构力学基础；STK/OpenRocket轨道/弹道仿真；关注IAC/AIAA年度报告；跟踪SpaceX/Blue Origin/Relativity动态。
🛡️
可信AI与安全工程
Trustworthy AI & Safety Engineering
🔥 监管趋严AI系统越强大，对齐越关键。从RLHF到Constitutional AI再到Superalignment、红队测试标准化、AI系统安全评估框架、幻觉控制——安全正在从"事后补救"变成"设计约束"。同时，AI驱动的网络攻防也在升级。
AI对齐红队测试可解释性幻觉控制Deepfake检测AI治理
📍 FAccT, AIES, CCS, USENIX Sec政策驱动 全球
🏛️ 关键实验室 / 团队
Anthropic Safety Team · AnthropicConstitutional AI、Sleeper Agents、scalable oversight
OpenAI Superalignment · OpenAI弱监督强模型、自动化对齐研究
Oxford FHI / CSET · Oxford / GeorgetownAI存在风险、政策框架、治理研究
UC Berkeley CHAI (Russell) · UC Berkeley逆强化学习对齐、Cooperative Inverse RL
MIT CSAIL (Madry) · MIT对抗鲁棒性、AI安全实证研究、红队测试方法论
📄 里程碑论文 / 成果
Constitutional AI: Harmlessness from AI FeedbackAnthropic · 2022 · AI自我反馈替代人类标注的对齐范式
Sleeper Agents: Training Deceptive LLMsAnthropic · 2024 · 揭示现有对齐方法无法检测欺骗性对齐
Weak-to-strong generalizationOpenAI · 2024 · 弱模型能否监督强模型？超对齐核心问题
⚡ 当前核心争论
对齐技术的可扩展性：当前RLHF/Constitutional AI等方法能否扩展到超人类AI？可解释性 vs 能力：mechanistic interpretability的能力追赶速度是否足够？
🔭 3年内预期突破
可靠自动化红队测试成为行业标准；mechanistic interpretability在>GPT-4级别模型上取得突破。
🎯 Scholar 岗位细化要求
ML理论/博弈论/认知科学背景；熟悉LangChain、TRUSTLLM安全评估框架；关注Anthropic/OpenAI安全技术报告；跟踪EU AI Act / 美国AI行政令进展。