制作一张木桌,绝对过程漫长且价格不菲。先种出一棵树、砍伐完成、运输木料、碾磨型材……显然,这是个长达数十年的过程。为此,Luis Fernando Velásquez-García提出了更简单的解决方案:既然想要一张桌子,为什么不直接长出一张桌子来?
Velásquez-García的研究团队提出一种在实验室环境中培养某些植物组织(例如木质及纤维)的方法。整个想法仍处于早期阶段,其在一定程度上类似于肉类培养,同样有望简化生物类材料的生产流程。该小组从百日菊叶子中提取到的细胞样品,培养出了木质细胞结构,由此证明了这一概念的可行性。
虽然离“直接种出一张桌子”还有很长的路要走,但这项工作已经为生物材料的全新生产方法提供了可能的起点,有望减轻林业与农业承受的环境负担。Velásquez-García提到,“数百年来,我们获取这些材料的方式一直没有改变,而且效率很低。最终,这将绕过一切低效率的陈旧要素。”
这篇论文发表在《清洁生产杂志(Journal of Cleaner Production)》上。文章主要作者为机械工程博士Ashley Beckwith,共同作者包括来自麻省理工学院微系统技术实验室首席科学家兼联合顾问Velásquez-García、以及查尔斯·史塔克·德雷珀实验室生物医学工程师Jeffrey Borenstein。
Bechwith提到,她一直对植物深深着迷,项目的灵感也来自她之前在农场度过的时光。她发现,农业中存在很多固有的效率低下问题,肥料流失这类问题可以加以解决,但天气与季节性因素则完全不受农民的控制。另外,生长出的植物实际上只有一小部分可以作为食品或生产材料。
Beckwith提到,“这不禁让我陷入了思考:我们能设计出自己的流程,让整个产出流程变得更有战略性吗?我们能不能通过投入获得更多收益?我想找到一种更高效的土地与资源利用方式,借此让更多的耕地回归自然状态、或者保持较低的产量,借此提高生物多样性。”为此,她决定将植物生产引入实验室环境。
于是,研究人员们开始在没有土壤或阳光的室内环境下,种植木本植物组织。他们决定从百日菊植物开始,从叶子中提取活体细胞,通过培养液培植细胞、引导其完成代谢与增殖。Velásquez-García解释道,接下来,他们会将细胞转移到凝胶中进行“调节”。“植物细胞与干细胞有不少相似之处,即通过引导,它们可以变成任何其他细胞。”
研究人员使用两种植物激素(生长素与细胞分裂素)的混合物,诱使这些细胞生长出坚实的木质结构。通过改变凝胶中的激素含量,他们成功控制了细胞木质素的产生。木质素是一种有机聚合物,也正是木材维持坚硬形态的关键所在。Beckwith提到,她使用荧光显微镜观察了最终产物的细胞组成一结构。“我们可以直观评估哪些细胞实现了木质化,并测量细胞的扩增与延伸态势。”项目证明植物细胞在受控生产过程中,确实能够针对特定目标实现材料的产出与优化。
Velásquez-García认为这项工作,实际上是对实验室此前进行的细胞级微细加工与3D打印等增材制造技术的扩展。在此项目中,植物细胞自身会借助凝胶生长培养基进行“打印”。而且与非结构化的液体介质不同,凝胶能够充当细胞生长为特定形状的“支架”。Velásquez-García指出,“其中的重要意义不仅在于调整材料的性质,同时也得以从概念上完成形态引导。”因此,他认为终有一天人类可以直接种出一张桌子,由此摆脱切割板材、打胶定型等步骤。
当然,这项技术还远远无法投入市场。植物生物学家、博伊斯·汤普森研究院院长David Stern指出,“问题在于,这项技术能否在经济或生命周期等领域实现生产级别的扩展,并带来强劲的竞争力。”在他看来,扩大这种种植方法“需要投入大量的财力与人才资源”,没有政府及大型私营企业的扶持恐怕很难实现。Stern还强调,将林业与农业纳入实验室环境本身也需要斟酌。“农业会通过光合作用利用太阳的能量。植物吸收必要的水分之后,会将多余的部分蒸发出去,以引发自然降雨。整个过程自然顺畅,不需要任何建筑物、加温或人造光源。”
研究人员们也承认,在实验室中培养植物组织还处于早期阶段——该小组将不断调整控制因素,例如激素水平与凝胶的pH值,借此提高最终产出材料的性能。Velásquez-García表示,“这代表着一个未知的领域。其中最悬而未决的核心问题在于——我们究竟是怎么实现植物细胞的物种转化的?很明显,我们不可能在所有不同的植物物种上实现同样的效果,也许它们各有不同的「控制旋钮」。”
Beckwith还预见到大规模培养植物组织的挑战所在,例如该怎么促进气体与细胞间的交换。该团队希望通过进一步实验克服这些障碍,最终建立起在实验室内培养木材、纤维乃至更多植物材料的生产蓝图。
无论如何,此次实验都代表着一种激进而又充满吸引力的愿景,或者说“新范式”。Borenstein认为,“也许我们终将找到微细加工与增材制造技术领域的新方向,并利用它们解决农业领域中那些真正重要的问题。”
这项研究由Draper Fellow项目提供部分资助。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。