（来源：MIT News）
液态金属 3D 打印
随着工业和建筑领域对定制化和大型金属结构的需求不断增长，传统制造方式的效率和成本问题日益突出。现有的金属增材制造方法，如电弧增材制造，虽然能够生产大型部件，但速度慢且容易产生结构缺陷，限制了其广泛应用。为了满足快速制造与大规模生产的需求，研究人员正在探索新型技术，以解决传统方法中的效率与精度矛盾。
MIT 的研究团队开发了一种名为液态金属打印（LMP）的新型增材制造技术，能够在几分钟内打印出大型金属部件，如桌腿和椅框等。LMP 技术通过将熔融铝沿预设路径沉积到由玻璃珠组成的基床中，快速冷却形成结构，显著提高了制造速度。研究表明，该技术的打印速度比传统方法快 10 倍，同时能源消耗更低。
尽管 LMP 技术牺牲了一定的分辨率，但其在建筑、施工和工业设计等领域展现了巨大潜力。这些领域的大型结构通常对高分辨率要求较低，因此更适合采用这种高效的制造方式。此外，LMP 技术还能够利用回收金属进行生产，大幅降低成本并提高环境友好性。
实验中，研究团队打印了椅子和桌子的铝框架，这些部件坚固耐用，适合后续的机械加工。他们还展示了如何将 LMP 制造的低分辨率部件与其他材料结合，制作出功能性家具。通过在打印床中填充 100 微米大小的玻璃珠，研究人员解决了熔融金属冷却过程中的稳定性问题，同时利用数值模型预测沉积过程，提升了打印的精度和可靠性。
尽管如此，这项技术仍需进一步完善，例如提高喷嘴的加热均匀性和熔融金属流量的控制能力。研究团队计划优化设备设计，推动 LMP 成为一种可靠的工具，用于熔化回收铝并制造复杂部件。有专家指出，LMP 技术在快速生产和几何结构复杂性之间找到了平衡，有望推动金属制造领域的革命性变革。
防篡改标签
随着全球供应链的复杂化，假冒伪劣产品问题日益严重，如何确保物品的真实性成为了一项重要挑战。传统的身份验证技术，如射频标签，虽然提供了便利，但在安全性方面仍存在明显漏洞。例如，造假者可以轻松将标签从正品上剥离并贴到假货上，而验证系统难以察觉这一篡改行为。为了解决这一问题，研究人员正在探索新的解决方案。
MIT 的研究团队开发了一种基于太赫兹波的防篡改 ID 标签，不仅小巧且廉价，还能够有效检测篡改行为。这种标签在胶水中混入微型金属颗粒，通过太赫兹波检测这些颗粒形成的独特随机图案，从而验证物品的真实性。研究人员指出，这些图案类似于指纹，若标签被剥离或重新粘贴，图案将被破坏，无法通过验证。
实验中，研究人员设计了一种仅约 4 平方毫米的微型标签，并利用机器学习模型对太赫兹波扫描的数据进行分析，准确率超过 99%。这一技术尤其适合大规模供应链应用，不仅因为其成本低廉，还因其体积小巧，可以粘贴在传统 RFID 难以覆盖的物品上，如某些医疗设备。与传统方法相比，这种标签通过验证胶水界面的独特性，而非标签本身，显著提升了安全性。
研究的灵感部分来源于生活场景，如洗车店使用易碎标签验证会员身份的方式。尽管易碎标签在被剥离时会损坏，但仍存在被溶解或移除的可能性。MIT 的研究团队提出，通过太赫兹波直接检测标签与物品之间的胶水界面，篡改者即使将标签完整移除，也无法复制其随机图案。此外，这一技术利用太赫兹波的小波长优势，不需要外部天线，进一步提升了标签的易用性。
尽管如此，这项技术仍面临一些局限性，例如太赫兹波的高损耗使传感器与标签的距离需控制在 4 厘米以内。此外，扫描角度的变化也会影响信号强度。研究团队计划通过改进硬件设计和信号处理方法来解决这些问题，并希望未来能将太赫兹波的潜力应用于更多领域，例如宽带通信和高精度身份验证。研究负责人指出，这项技术为供应链安全提供了新的可能性，并展示了太赫兹波在安全验证中的广泛前景。
与未来的自己对话
在人类社会中，对未来的思考和规划一直是一个重要话题。无论是职业发展、个人目标，还是应对生活中的不确定性，设想未来的自我都有助于激发行动。然而，传统的自我展望方法，例如写信给未来的自己或使用虚拟现实设备，通常缺乏互动性，无法充分帮助人们建立与未来自我的深层连接。
为了弥补这一不足，麻省理工学院 MIT 及其他机构的研究人员开发了一种名为“未来的你”的生成式 AI 系统，允许用户与基于 AI 模型生成的未来自我进行互动。这一系统旨在增强“未来自我连续性”的感知，即帮助用户更紧密地连接当前的自己与未来的理想版本。研究表明，建立这种连接有助于改善长期决策，例如增加储蓄或更加专注于学业。
该系统利用大型语言模型，根据用户提供的生活信息创建他们 60 岁时的虚拟自我，并通过自然语言对话模拟未来的生活场景和决策。用户可以与未来自我探讨职业目标、个人挑战以及生活选择对未来的潜在影响。研究人员还引入了老化照片生成功能和生动的语言表达，如“我在你这个年纪时”，以增强模拟的真实感和互动性。初步研究显示，用户与系统互动后，不仅焦虑感有所缓解，还对未来自我的认同感显著增强。
然而，研究人员也意识到，这种真实感可能会带来负面影响，尤其是在模拟内容变得过于消极时。为此，系统明确提示用户，这仅是未来的一种可能性，而非预言。用户还可以通过修改输入信息生成完全不同的未来版本，以保持积极的互动体验。研究团队进一步强调，这一工具的目标是帮助用户探索不同的视角，而非为他们的未来下定论。
为了评估系统的效果，研究团队对 344 名参与者进行了测试。与“未来的你”互动的用户报告称，他们与理想中的未来自我建立了更紧密的联系，并且对话内容真诚可信，反映了用户的价值观和信念。一些专家指出，这项研究结合了心理学与尖端 AI 技术，为虚拟自我建模开辟了新方向。斯坦福大学教授 Jeremy Bailenson 评价道，“这项工作展示了生成式 AI 在促进自我发展的潜力。”
展望未来，研究团队计划将“未来的你”系统应用于更多具体场景，例如帮助用户探索职业选择，或展示日常决策对气候变化的长期影响。他们还在设计保护措施，以防止系统被滥用于商业目的，比如通过模拟未来场景暗示用户购买某种产品。研究人员希望，“未来的你”能成为一种深刻而有意义的体验，帮助人们从不同的视角看待生活，并激励他们作出更积极的选择。
将二氧化碳转化为有用产品
全球正致力于减少温室气体排放，但捕获和转化二氧化碳的经济可行性依然是一个巨大的挑战。尽管已有许多技术可以将捕获的二氧化碳转化为交通燃料、化学原料等有价值的产品，但高成本和低效率限制了这些技术的广泛应用。为实现经济实用的二氧化碳转化，研究人员正在寻求创新解决方案。
MIT 的工程师开发了一种新型电极，有望显著提高二氧化碳电化学转化为高价值商品的效率。具体而言，他们的设计利用一种分层导电电极，解决了传统气体扩散电极在导电性和疏水性之间的矛盾，成功提高了转化效率，同时降低了成本。
团队的研究重点是二氧化碳转化为乙烯的过程。乙烯是一种广泛用于制造塑料和燃料的化学品，目前主要由石油制成。通过电化学方法以二氧化碳为原料生产乙烯，不仅能减少碳排放，还能降低对石化资源的依赖。然而，现有技术难以兼顾导电性和疏水性，导致效率受限。为此，研究人员在具有疏水性的特氟龙薄膜中嵌入高导电性的铜线，创造出一种既能防止水渗透又能减少电流损耗的新型电极。
实验表明，这种设计在小规模样本中表现出色，但研究团队进一步验证了其可扩展性。他们制作了一块面积为常规实验电极十倍的大型电极，并通过优化铜线间距和分区设计，使其在更大规模下依然保持高效。实验还表明，这种电极可以连续运行 75 小时而性能几乎无损，成为首个超过 5 厘米规模且在效率上无明显损失的 PTFE 基电极。
这种创新设计还具有高度的灵活性。研究人员表示，该方法与催化剂种类无关，可以应用于各种气体扩散电极，甚至适用于甲烷、甲醇等其他化学产品的生产。此外，分层导电电极的制造工艺可轻松集成到现有的工业流程中，包括大规模卷对卷生产，展现了广泛的工业应用前景。
生成式 AI 数据库工具
在现代数据驱动的世界中，数据库已成为商业和研究的重要工具。然而，传统的数据库操作语言在处理复杂分析任务时显得局限，尤其是需要结合概率模型和不确定性计算的场景。为了简化这一过程并提高分析能力，研究人员正在探索更智能的解决方案。
MIT 的研究团队开发了一种名为 GenSQL 的生成式 AI 系统，用户无需掌握复杂的技术背景，仅通过简单的指令即可对表格数据进行深度分析。该系统不仅支持预测、异常检测、缺失值推测等功能，还能生成与真实数据相似的合成数据。这一技术为数据分析领域提供了一种全新的可能性。
GenSQL 的核心优势在于其能够将数据库与生成式概率模型整合。通过这种方法，用户可以在分析数据时捕捉数据中的复杂关系，而不局限于简单的列间相关性。例如，在医疗数据分析中，该系统可以识别患者异常的血压读数，即便这些读数在通常情况下被视为正常值。此外，GenSQL 的概率模型具有可解释性，允许用户审查模型的决策依据，确保结果透明可信。
实验表明，GenSQL 的运行速度是常规神经网络方法的 1.7 至 6.8 倍，大多数查询可在几毫秒内完成，同时结果更准确。研究人员还利用 GenSQL 成功应用于实际案例，包括识别临床试验数据中的错误标记，以及生成基因组研究所需的复杂合成数据。这些应用展示了 GenSQL 在处理敏感数据或稀缺数据场景中的强大潜力。
研究团队展望了 GenSQL 的未来应用前景。他们计划扩展系统的规模和功能，支持更大范围的人口建模和健康、薪资等社会问题的分析，同时确保模型在不确定性度量上的可靠性。最终目标是打造一个类似 ChatGPT 的交互式 AI 工具，使用
