欢迎阅读今天的The Download，我们每个工作日为你精选全球科技领域最值得关注的事件。今天有两件事值得深聊：一是MIT科技评论即将发布的2026年“值得关注的气候科技公司”榜单，二是人工智能在科学发现中暴露出的结构性困境。
一、2026年值得关注的气候科技公司
地球升温正逼近1.5°C这一关键阈值，而各国气候政策却在松动，大型科技公司也纷纷在气候承诺上“开倒车”。在这样的背景下，仍有一批气候科技公司选择逆势而上——它们或许规模不大，却代表着能源转型、碳移除、气候适应等领域最前沿的希望。
MIT科技评论每年都会评选“值得关注的气候科技公司”，重点关注那些在技术路线、商业模式或政策影响力上具备突破潜力的企业。2026年的榜单即将揭晓，从往年经验看，入选公司通常集中在以下几个方向：
- 碳移除技术：直接空气捕集（DAC）、生物炭、增强岩石风化等。
- 清洁能源存储：长时储能、新型电池化学体系。
- 气候适应与韧性：洪水预警、精准农业、耐热作物。
- 工业脱碳：绿色钢铁、低碳水泥、替代燃料。
“当政策风向摇摆、大公司撤退时，真正有韧性的创新往往来自那些把气候问题当作核心使命的初创企业。” —— MIT科技评论编辑部
值得注意的是，气候科技投资在2023—2025年间经历了从狂热到理性的回调。许多依靠碳信用或补贴模式的公司估值大幅缩水，而拥有硬核技术壁垒、能真正降低度电成本或捕集成本的企业反而获得了更多关注。2026年的榜单很可能会反映出这种“去泡沫化”的趋势。
二、AI的“发现困境”
另一条值得深入探讨的新闻线索，是人工智能在科学发现中遇到的瓶颈。过去几年，我们不断听到“AI将加速科学发现”“AI能自主提出新假设”的宏大叙事。但现实是：AI在加速已知方向上的确表现惊人——比如蛋白质结构预测、材料筛选、药物分子生成——但它距离“提出全新科学范式”仍有相当大的距离。
问题出在哪里？简而言之，当前主流AI系统本质上是模式识别与插值引擎，它们擅长在海量数据中寻找统计规律，却无法像人类科学家那样进行反直觉的跳跃、构建全新的概念框架，或主动设计能够证伪现有理论的实验。
更具体的挑战包括：
- 数据偏差与路径依赖：模型训练依赖已有文献，容易放大主流假说、忽视边缘但可能正确的方向。
- 缺乏因果推理：相关性能发现规律，但科学发现往往需要理解“为什么”。
- 评估标准缺失：如何判断一个AI提出的假设是“真正新颖”还是“旧酒新瓶”，目前没有公认标准。
- 人机协作断层：AI生成的候选假设往往数量庞大，科学家筛选成本极高。
这并不意味着AI在科学中无用。恰恰相反，AI正在成为科学家的“超级显微镜”和“加速器”。但要真正实现“AI科学家”的愿景，我们需要在因果推断、主动学习、符号推理与神经网络的融合等方向上取得根本性突破。
编者按：两个议题的交叉点
气候科技与AI发现困境看似是两个独立话题，实则存在深层交集。气候科技恰恰是最需要“真发现”的领域之一——无论是更高效的碳捕集材料、更安全的下一代电池，还是更精准的气候模型，都需要超越现有范式的科学突破。如果AI只能优化已知路径，那么它在气候领域的贡献也将是渐进的，而非颠覆性的。
这提醒我们：在追捧AI能力的同时，也要清醒认识其边界。真正的科技创新，尤其是应对气候危机这样的“棘手问题”，既需要算力与数据，也需要人类的直觉、勇气与跨学科想象力。
本文编译自MIT Technology Review
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接