《自然》杂志：AI评选的百大增长最快技术
澳大利亚研究人员使用Wikipedia2Vec模型编制了“动量100”排名，其中强化学习、区块链和3D打印被列为基于维基百科数据分析的2026年增长最快技术。
动量100：AI如何首次无需专家介入，识别出2026年增长最快技术
引言
每年，全球领先的出版物和智库都会发布最有前景技术的排名。《麻省理工科技评论》、斯坦福大学、世界经济论坛——所有这些都依赖少数专家的意见，尽管这些判断具有权威性，但不可避免地带有主观性。
2026年4月，澳大利亚分析公司League of Scholars提出了一种截然不同的方法。它与《自然》指数合作，推出了“动量100”排名——这是首个完全由人工智能而非人类基于维基百科分析编制的动态发展最快技术榜单。AI检查了数万篇文章，分析了数百万个超链接和页面浏览动态，以在没有任何人为干预的情况下确定哪些技术增长最快。
事件详情与时间线
“动量100”排名基于开放数据集Cosmos 1.0，该数据集发表在《自然》集团旗下的《科学数据》期刊上。为创建该数据集，League of Scholars团队使用了Wikipedia2Vec语言模型，该模型将维基百科文章转换为多维数值向量——即所谓的“嵌入”。
该方法的关键优势在于，嵌入不仅捕捉文章内容，还捕捉文章之间超链接的逻辑，反映了科技话语中的真实语义联系。
该方法包括几个阶段：
- 分析“种子”——一篇题为“新兴技术列表”的起始文章。
- 网络构建——算法提取了近55,000个相互关联的维基百科页面。
- 过滤——其中，保留了超过23,000个与技术及相关概念直接相关的页面。
- 评估——每项技术根据年龄、页面浏览动态和其他指标获得一个指数。
结果验证通过与其他数据集（包括学术出版物和专利信息）进行比较来完成。
Cosmos 1.0的创建过程被描述为一项劳动密集型工作，本应耗时六个月，但League of Scholars团队在程序员和设计师的支持下，通过一周不间断的工作完成了它。
影响与意义
对科学和分析领域而言，“动量100”的出现意味着预测方法的范式转变。正如乔治城大学专注于新兴技术的Catherine Aiken所指出的，“过去六年来，识别有前景领域的方法几乎没有更新——它们过于依赖专家、劳动密集且个性化。”她称Cosmos 1.0是该领域的“有用补充”，为更客观的分析打开了大门。
“动量100”排名前十的技术（前三位：强化学习、区块链和3D打印）还包括软体机器人、增强现实和组学技术——对DNA、蛋白质和代谢物等生物分子的大规模研究。
排名关键技术：
| 排名 | 技术 | 关键特征 |
|------|------|----------|
| 1 | 强化学习 | 系统通过试错学习，为正确决策获得“奖励” |
| 2 | 区块链 | 应用远超加密货币：医疗数据、供应链、能源 |
| 3 | 3D打印 | 增材制造技术在工业和医疗领域持续扩展 |
为什么强化学习排名第一？
该方法的通用性——允许AI在复杂、不断变化的环境中做出顺序决策——确保了其领先地位。基于强化学习的AI已经在围棋和国际象棋中击败冠军，并用于药物开发和无人机竞速。排名创建者指出，该算法在数学上模拟了自然学习机制——大致类似于动物通过获得食物来学习指令。
区块链：从加密货币到群体学习
对区块链的兴趣使其位居第二，但推动力并非来自比特币，而是来自领先科学期刊的出版物。一篇引用超过800次的文章描述了群体学习——一种允许医院和实验室在不披露患者个人信息的情况下共同训练AI的方法。
关键参与者的反应
League of Scholars联合创始人Paul McCarthy本人将项目哲学定义为“自下而上绘制技术地图”的尝试，利用AI在大型复杂系统中发现隐藏知识的能力。
《自然》杂志发表了关于该排名的文章，从而在学术受众面前使这种方法合法化。该期刊的权威性向科学界发出了重要信号：AI数据可以像专家评估一样可靠。
乔治城大学的Catherine Aiken——其评估在《自然》杂志和乌克兰科普门户网站上均有引用——表达了谨慎的乐观。她称Cosmos 1.0是现有方法的“有用补充”，但不主张完全放弃专家方法。
预测与结论
短期预测（2026-2027年）： League of Scholars计划将该排名变为年度排名，跟踪动态变化。这不仅将记录当前领先者，还将识别正在失去或获得动力的技术。
长期预测（2028年及以后）： 如果该方法被证明有效，我们可能会看到类似方法在企业战略、风险投资和政府规划中的普及。AI对大量非结构化数据（科学文章、专利、新闻源）的分析可以比最细心的专家更早地识别技术趋势。
主要结论： “动量100”不仅仅是又一个排名。它展示了AI如何接管传统上被视为人类专家特权的功能。分析55,000篇维基百科文章并识别它们之间的隐藏联系，是任何分析师团队都无法完成的任务，但对于一个训练有素的模型来说却是微不足道的。
值得注意的是，排名第一的技术正是使排名成为可能的方法。强化学习是同样的“试错-奖励”范式，自然界从训狗到物种进化都在使用。而编制排名的AI基本上将同一原则应用于人类知识分析。这成了一种递归，或许正是技术选择绝对准确的最佳证明。
— Editorial Team
暂无评论。