研究筆記

普林斯頓把超導量子位元的基板從藍寶石換成高電阻率矽，T₁ 推到 1.68 毫秒——這是十多年來 transmon 最大的單次躍進。關鍵不在數字，在於它是材料層的改良、架構完全相容，因此可能直接搬進 Google 與 IBM 現有的處理器。

生物分子凝聚體開闢了一整類過去無法成藥的標的，而且已經有藥進入臨床（Dewpoint 的 DPTX3186，2026 年初完成首例給藥）。但「細胞內是否真的存在相分離」在學界仍有嚴肅且未解的方法學爭議——藥物進臨床與科學爭議未解，這兩件事同時為真，這是本項目最需要被理解的張力。

仿星器的物理很好，但它的磁鐵在工程上幾乎不可能量產。Thea Energy 的賭注是把磁場的複雜度從硬體移到軟體——用一整片相同的平面小磁鐵，靠調電流合成出原本要靠手工雕刻的 3D 磁場。這個賭注若成立，改變的不是仿星器的物理，是它的製造成本曲線。

光氧化還原催化讓過去需要高溫或劇毒試劑的化學鍵形成，在室溫下用可見光完成。它是本清單中唯一已經在賣藥的項目——Merck 的癌症用藥 belzutifan 的商業製程裡就有一步是連續流光化學。但它的規模化障礙不是化學，是光穿不透。

傳統電池回收是把正極材料燒掉或溶掉，回收「金屬」；直接回收是把晶格洗乾淨、把鋰補回去，回收「結構」。這個差別在 NMC 電池上只是省成本，在 LFP 電池上是「能不能賺錢」的分野——而 LFP 正是全世界成長最快、也是傳統回收商正在放棄的那一塊。

判定一個未知小分子的結構，至今仍是博士級專家花數天到數週的手工活。普林斯頓的 ChefNMR 把它變成生成問題——給一段核磁共振光譜和化學式，直接生成分子結構，在困難的天然物上準確率超過 65%。這解的是藥物發現裡一個沒人談、但每天都在卡的瓶頸。

mRNA 疫苗成功的關鍵不是 mRNA，是把它包起來的脂質奈米粒子。Optimeos 商業化的 Flash NanoPrecipitation 是一種用混合速度控制粒子大小的製程——它解的不是「怎麼做出奈米粒子」，是「怎麼做出一模一樣的奈米粒子，而且做得出幾百公斤」。

加護病房裡的新生兒等不起。Sneha Goenka 把全基因組診斷從「約一天」壓到六到八小時——而她動的不是定序儀，是軟體架構：從「等資料全部產完再算」改成「邊產邊算」。這是本清單裡最直接救命、也最容易被低估的一項。

綠氫產業預設必須用超純水，而在太陽能最便宜的地方（沙漠），淡水是最貴的東西。普林斯頓發現你不需要超純水，你只需要對付鈣和鎂——加酸這一步讓水處理成本降 67.2%、能耗降 62.9%，整體把製氫的水處理成本降低最多 47%。

基因治療最硬的物理限制是 AAV 載體裝不下大基因。SpliceBio 用工程化的內含肽（intein）把基因切成兩半、分裝兩個病毒，進到細胞後蛋白質自己接回完整的一條——接得沒有痕跡。SB-007 已在 Phase 1/2 劑量擴展階段，2026 年 1 月完成該階段首例給藥。

地底的鐵和水反應會產生氫，這件事已經進行了幾十億年。問題是速度。普林斯頓的方向是加速它——追求鐵的近乎完全氧化，並耦合二氧化碳礦化，理論上得到一個產能源同時除碳的雙贏製程。這是本清單裡不確定性最高的項目之一。

數位晶片的設計早就自動化了，射頻晶片沒有——因為在那個頻率下，每一條金屬線的形狀本身就是電路的一部分。普林斯頓拿下近 1,000 萬美元的美國國家級計畫，要用 AI 把這道手工藝自動化。這條線直接連到 6G、衛星通訊，以及台灣的晶片設計產業。

金屬有機框架（MOF）的可能組合有上兆種，而傳統模擬算一個要七小時到兩天。普林斯頓的機器學習模型把它壓到幾秒。更有意思的是第二層：他們發現用多樣性（而不是只用「好」）當搜尋目標，能找到標準方法系統性漏掉的好材料。

普林斯頓與西蒙斯基金會用 5,000 多名兒童的資料，找出四個臨床與生物學上可區分的自閉症亞型，並用機器學習把候選風險基因從已知的 65 個擴展到 2,500 個。這件事的意義不在診斷，在臨床試驗——它讓藥物開發第一次有機會招募到對的受試族群。

鋰電池起火的根源是可燃的有機液態電解質。水凝膠電解質本質不可燃，但長期卡在「太軟、怕凍、壽命短」。深共熔溶劑（DES）是近年的突破口，普林斯頓的專案要用它同時提升強度、熱穩定性與可回收性。這不是要取代車用鋰電池，是要拿下固定式儲能與軟性電子。

AI 資料中心的下一個瓶頸不是算力，是互連——電訊號在晶片之間傳輸的功耗已經逼近天花板。矽光子是解方。普林斯頓主導的區域聯盟入圍 NSF Engines 決選（15 強／近 300 件），若獲選可為紐澤西光子產業帶來近 2 億美元。這一項的本質不是一項技術，是一次產業聚落的養成實驗。

這是一個四十年的學術成果變成產品的案例。Warren Powell 在普林斯頓解決的是一個很具體的數學問題——如何在高維度、高不確定性下做連續決策——而他的關鍵發明「決策後狀態」，把一個算不動的問題變成算得動的。這是本清單裡唯一已經在賣、有付費客戶、且商業模式清楚的 AI 項目。

質譜儀每天在人體樣本裡偵測到數千個分子訊號，而其中絕大多數無法被確認是什麼——這批東西被稱為代謝體的「暗物質」。Skinnider 的做法是用大型語言模型學習生物化學的文法：不是列舉所有化學上可能的分子，而是生成「看起來像生物體會做出來的」分子。

氣候災害風險資料存在嚴重的資訊不對稱——大型再保險公司買得起，小企業、地方政府、一般人買不起。Hydronos Labs 用開放核心模式把公開的氣候資料加上機器學習與知識圖譜，做成一個便宜的風險評估平台。這門生意的產品是「消除資訊不對稱」，而它自己就是我們商業模式的一面鏡子。

微塑膠和過濾材都是疏水的——它們在水裡會互相靠近，不是因為互相吸引，是因為它們都想離開水。PolyGone 把水生植物根系的這個機制做成人工濾材，在紐澤西的一個試點裡，一年抓走超過五億片流向海洋的塑膠。技術很聰明，商業模式仍待驗證。