680 作为清华美院信息艺术设计的重要考试科目，写作要求在于文章必须结合具体实例，具备清晰的论点和充分的论据，且篇幅通常需要达到两千字以上。这也意味着，680 论文并不鼓励空泛的概念堆砌或抽象讨论，而是强调通过真实、可分析的案例来支撑观点，对题目进行有逻辑、有深度的论证。
在680的写作中，一般从广度和深度两个方面展开。所谓观点广度，并不是简单地“什么都写一点”，而是要求同学们对当下设计相关的技术、媒介和研究方向有整体认知，能够调动多个案例进行论述。这背后依赖的是长期的信息输入和案例收集能力。交互设计、信息艺术本身就处在科技快速变化的环境中，如果案例来源过于单一，文章很容易显得视角狭窄。
而观点深度，则体现在对案例的深度分析能力。同样的技术或项目，不同的人写出来会呈现出完全不同的水平。在考试中获得高分的同学，往往能够从案例中提炼出关键特征，总结出不同案例之间的共性和特性。也就是说，案例并不是用来“证明你看过很多东西”，而是用来支撑你自己的观点角度的。
所以在备考的过程中，案例积累是一个长期的任务，常见的案例获取途径包括短视频平台、B站、youtube以及各院校实验室或者科技相关的公众号。
（更多资源推荐可参考过往推文）
今天朝菌为大家介绍一个除上述来源之外的可了解最新趋势的途径—MIT《科技评论》（MIT Technology Review）杂志。
MIT《科技评论》长期聚焦于新技术的实际应用及其社会影响，内容覆盖人工智能、人机交互、空间计算、数据系统等方向，这些方向与680的考察方向高度相似。更重要的是，它所呈现的并不是孤立的技术新闻，而是对技术发展路径和使用方式的长期观察，这为 680 写作提供了非常合适的研究语境。
2025年MIT Technology Review十大突破性技术包括——
- 维拉·C·鲁宾天文台Vera C. Rubin Observatory
- 生成式人工智能搜索Generative AI search
- 小型语言模型Small language models
- 牛打嗝疗法Cattle burping remedies
- 无人驾驶出租车Robotaxis
- 更清洁的航空燃料Cleaner jet fuel
- 快速学习机器人Fast-learning robots
- 长效艾滋病预防药物Long-acting HIV prevention meds
- 绿色钢铁Green steel
- 有效的干细胞疗法Stem-cell therapies that work
2025年MIT Technology Review十大突破性技术
2026年MIT Technology Review十大突破性技术榜单也已经发布，其中包括——
- 钠离子电池 Sodium-ion batteries
- 人工智能生成式编码 Artificial intelligence Generative coding
- 下一代核能 Next-gen nuclear
- 人工智能伙伴 AI companions
- 基础编辑的婴儿 Base-edited baby
- 基因复活 Gene resurrection
- 人工智能机制可解释性 Artificial intelligence Mechanistic interpretability
- 商业空间站 Commercial space stations
- 胚胎评分Embryo scoring
10. 超大规模人工智能数据中心 Hyperscale AI data centers
2026年MIT Technology Review十大突破性技术
在这些技术中，尤其值得关注的是与 人工智能 相关的方向，包括 生成式人工智能搜索、 小型语言模型、 无人驾驶出租车、 快速学习机器人、 人工智能生成式编码、 人工智能伙伴 以及 人工智能机制可解释性。这些领域不仅展现了 AI 技术的前沿应用，也与信息艺术设计和交互技术密切相关，为 680 论文提供了丰富且具有分析价值的案例素材。
01
生成式人工智能搜索
Generative AI search
由谷歌Gemini 语言模型驱动的“AI 概览”的发布，将改变数十亿人搜索互联网的方式，而生成式 AI 搜索可能是迈向人工智能 (AI) 代理的第一步，这些代理可以处理任何需要执行的问题或任务。
与传统搜索以“关键词＋链接列表”为核心不同，生成式 AI 搜索会直接整合多来源信息，生成相对完整的答案，让用户在一次交互中就能获得结论，而不必反复点击网页。这种变化之所以重要，在于搜索正在从“查资料的工具”转向能够理解复杂问题、支持连续追问的智能系统。
这使得使搜索体验更具对话性。谷歌和OpenAI均表示，生成式AI搜索改变了人们的互动方式，用户会提出更长的问题，并寻求更多后续信息。
案例一：Google Gemini3
Google Gemini 3 是谷歌推出的新一代 AI 智能搜索引擎核心模型，也是目前其搜索体系中能力最强的模型之一。它被直接引入 Google 搜索的 AI 模式中，使搜索不再只是返回结果摘要，而是具备更强的推理能力和多模态理解能力，能够针对复杂问题给出结构化、可交互的回答。基于 Gemini 3，搜索界面开始动态生成适配问题的视觉布局，例如图表、表格、交互式工具和模拟内容，帮助用户在搜索过程中直接进行计算、对比或实验。整体来看，Gemini 3 推动 Google 搜索从“信息检索”转向“智能协作”，让搜索逐步具备分析、推理和辅助决策的能力。
Google Gemini3
02
小型语言模型
Small language models
毫无疑问，规模在人工智能（AI）领域至关重要。以 2020 年发布的 GPT-3 为代表，研究者发现，仅通过不断扩大语言模型规模，就能显著提升其整体性能，“规模”几乎成为过去几年人工智能发展的关键词。然而，随着高端模型的边际收益逐渐降低，研究方向开始发生转变。
越来越多的研究表明，在特定任务场景中，使用更精准数据训练的小型语言模型，已经可以达到甚至超过大型模型的表现。基于这一趋势，主流科技公司陆续推出旗舰模型的轻量版本，而部分初创公司也在尝试以极少的参数规模实现接近顶级模型的能力。相比超大模型，小型语言模型在训练成本、能耗和部署灵活性上更具优势，小型化正逐渐成为人工智能发展的重要方向。
案例一：微软 Phi-3
微软推出的 Phi-3 系列成为小型语言模型路线的代表。Phi-3 以较小参数规模实现了较强的推理和指令理解能力，支持本地或边缘设备部署，可在不联网的情况下运行，更有利于隐私保护与低延迟响应。
在具体实践中，小型语言模型已开始进入更多复杂系统中。以农业领域为例，Krishi Mitra是微软与印度企业 ITC 联合开发的农业智能应用。在该系统中，模型主要承担自然语言理解与任务调度的角色，农民可使用本地语言进行咨询，系统再结合农业数据与专业知识生成相应建议，从而降低了智能技术在实际使用中的门槛。类似的技术路径也正在智能驾驶和智能机器人等领域进行探索。
Krishi Mitra
03
无人驾驶出租车
Robotaxis
三年前，无人驾驶汽车出租车还在摸索道路规则，如今情况已发生了翻天覆地的变化。短短几年间，这项技术从试探性测试迅速走向实际运营，逐步融入城市日常出行体系。目前，百度、AutoX、WeRide、Pony AI 等企业已在多座城市开展无人驾驶出租车服务，在真实道路环境中持续积累行驶数据，并不断优化系统能力。
随着运营范围的扩大，越来越多普通乘客完成了第一次无人驾驶出行体验，无人驾驶出租车也开始从技术展示转向规模化应用。这类服务不仅改变了人们对自动驾驶的认知，也推动城市出行方式向更加智能化、自动化的方向发展，成为智能交通体系中的重要组成部分。
案例一：百度、小马智行无人驾驶出租车
头部企业的 Robotaxi 项目开始进入相对成熟的运营阶段。以百度的萝卜快跑和小马智行为代表的公司，已在国内多个一线城市实现无人驾驶出租车的常态化运行。百度通过萝卜快跑持续扩大运营规模，逐步验证无人驾驶在城市出行中的可行性；小马智行则依托 L4 级自动驾驶技术，在北京、上海、广州、深圳等城市开展完全无人驾驶的出租车服务，乘客无需安全员介入即可完成叫车与乘车流程。这些实践标志着无人驾驶出租车正从技术试验，迈向真实交通系统中的稳定组成部分。
小马智行Robotaxis
案例二：LaVida Drive
在产业端加速落地的同时，无人驾驶相关研究也在高校中持续推进，并逐渐从理论与算法研究走向真实场景验证。例如，新加坡国立大学与清华大学的联合研究提出了LaVida Drive，尝试让自动驾驶系统不仅“看得见”，还能“听得懂人说的话”。研究团队将视觉信息与语言模型结合，让车辆在行驶过程中理解画面内容，并回答与驾驶相关的问题。
LaVida Drive 核心组件
04
快速学习机器人
Fast-learning robot s
生成式人工智能正在改变机器人学习和训练的基本方式，为制造真正具备通用能力的机器人提供了新的可能。人工智能早已被应用于机器人领域，例如用于环境感知和路径识别，但过去几年，大规模语言模型的进步让研究者看到了新的突破口。这类模型通过学习海量文本，能够理解任务逻辑和行为意图，而不仅仅是执行预设指令。
将这一方法引入机器人领域并非易事。相比在屏幕上生成文本，让实体机器人在真实世界中移动、操作并完成任务要复杂得多。真正的突破出现在研究人员学会如何整合多种类型的数据，使其对机器人可读且有效。例如，在训练机器人洗碗时，可以同时采集人类佩戴传感器的操作数据、远程操控机械臂的数据，以及互联网上大量相关的图像和视频资料。
通过将这些异构数据统一纳入新的模型进行训练，机器人开始理解完成同一任务的多种可能路径，从而具备更强的适应性和即兴反应能力。这种训练范式已经在仓储等商业场景中得到应用，也被视为未来家用智能机器人的重要基础。
案例一：Figure 03
Figure AI 推出的人形机器人 Figure 03，已经能够完成洗衣、整理桌面、搬运物品等家务操作。它并不是为“洗衣”或“收拾”单独写好程序，而是通过视觉和语言模型理解“这件事要怎么做”，再根据现场环境自行调整动作。无论是打开柜门、拿取物品，还是轻拿易碎物，机器人都能保持相对流畅的操作，这使其更接近人们想象中的“家用智能机器人”。
figure 03
案例二：GL-Robot
浙江大学团队研发的 GL-Robot 机械臂展示了另一种路径：让机器人学会“控制力度”。这只机械手既能轻轻捏起鸡蛋，又能稳稳举起重物，关键并不在于装了多少传感器，而是通过人工智能学习自身运动状态，判断什么时候该用力、什么时候该放松。这种能力让机器人在面对不同物体时更像“有感觉的手”，而不是僵硬的夹爪。
GL-Robot
05
人工智能生成式编码
Artificial intelligence Generative coding
软件开发正在进入一个由生成式人工智能深度参与的新阶段。随着大模型具备稳定的代码理解与生成能力，编程正从高度专业化的工程技能，转变为一种人人可用的数字生产方式。
从专业工程师到零基础用户，越来越多的人开始借助 AI 编码助手完成代码编写、测试与调试，大幅压缩产品从构想到落地的周期。微软和谷歌高管公开表示，当前已有约 30% 的微软代码、超过四分之一的谷歌代码由人工智能参与生成；Meta 也计划推动 AI 代理承担公司未来大部分代码工作。
以 GitHub Copilot、Cursor、Lovable、Replit 为代表的新一代编程工具，则进一步将开发过程转化为“对话式创作”，用户只需描述需求，就能快速生成应用、网站与游戏，显著降低了软件创作门槛。
案例一：Gemini Code Assist
谷歌推出的 Gemini Code Assist 是目前人工智能生成式编码领域最具代表性的工具之一。
Gemini Code Assist 能理解你的提示和上下文，自动生成、调试和优化代码，并提供示例和文档引用。无论是编写应用、调用 API 还是查询数据库，它都能帮你快速完成任务。
Gemini Code Assist
它支持所有主流编程语言，并兼容 Firebase、Android Studio、IntelliJ、Google Cloud 等平台，还能与基础设施工具如 gCloud CLI、Terraform 无缝对接。通过自然语言聊天界面，开发者可以像与同事交流一样快速获取解决方案或生成代码块，让项目更快启动并运行。
06
人工智能伙伴
AI companions
随着大语言模型在自然语言理解与情绪模拟方面的能力不断提升，聊天机器人正在从信息工具演变为“数字陪伴者”。它们能够持续构建复杂对话，模拟同理心反馈，并保持高度稳定的互动体验，因此逐渐被广泛应用于情感陪伴、心理支持与社交模拟等场景。
在使用层面，越来越多的人开始将聊天机器人视为日常交流对象，建立长期互动关系，甚至发展出类似友谊或亲密关系的陪伴模式。研究显示，大量青少年已将人工智能作为情感交流与陪伴的重要渠道。尽管部分模型被专门设计为陪伴型产品，但像 ChatGPT 这样的通用大模型也正在自然演化出强烈的社交属性。
在产业实践中，Character.AI、Replika 以及 OpenAI 等公司正不断探索陪伴型 AI 的产品形态，从情感支持、心理疏导到虚拟角色共创，推动人机关系从功能协作走向情感交互。
案例一：LOVOT
LOVOT是一款主打“陪伴体验”的AI机器人。它并不是简单设置好固定动作，而是通过内置的人工智能和传感器系统理解用户的行为和触碰方式，再根据实时互动调整动作和表情。无论是主动向你“招手”寻求拥抱，还是在家中自由移动，它都能展现自然、流畅的行为，让人与机器人之间的互动更像真实宠物的陪伴体验。
LOVOT
LOVOT的机身覆盖柔软可替换面料，内部微型温控模块可将机身保持在36℃左右，让用户触摸时更接近真实宠物的温暖。再加上眼睛和声音的多样变化，以及通过互动逐渐形成的个性化行为，让LOVOT不仅像宠物，更像会“成长”的家庭伙伴。
07
人工智能机制可解释性
Artificial intelligence Mechanistic interpretability
如今，数亿人每天都在使用聊天机器人，但其背后的大语言模型依然像一个难以完全理解的“黑箱”。模型结构极其复杂，即便是开发者也难以清楚掌握它们如何推理、决策与生成结果。
近年来，顶尖人工智能实验室开始尝试“打开黑箱”，一种被称为“机制可解释性”的研究方向，致力于绘制模型内部的特征结构与信息流路径。Anthropic 在 2024 年推出了类似“显微镜”的分析工具，用于观察其模型 Claude 内部的概念表示；到 2025 年，研究者已经能够追踪模型从输入提示到最终输出的完整推理过程。OpenAI 与 Google DeepMind 也在使用类似方法，研究模型产生异常行为的根源。
这些探索标志着大模型研究正从“堆参数”走向“理解智能本身”，并成为人工智能发展的重要前沿方向之一。
案例一：人工智能显微镜
Anthropic的“人工智能显微镜”的可解释性工具，借鉴了神经科学理念追踪模型处理文本时的特征激活和计算路径。这些工具能够揭示模型如何进行多语言思维、规划押韵诗行、完成多步骤推理，以及何时会生成幻觉或伪造推理。通过这些技术，研究人员能够识别模型如何共享跨语言概念、提前规划文本生成、执行多步骤推理，以及在生成答案时使用不同的内部策略。这些方法包括特征激活分析、回路追踪和思维链监控，使模型的复杂运算和决策过程变得可观察和可分析。
Claude 语言模型的工作原理
案例二：Gemma Scope
Gemma Scope 是一套开放工具，旨在帮助研究人员理解 Gemma 2 语言模型内部是如何“思考”和生成答案的。它利用稀疏自编码器将复杂的模型激活分解为少量可观察的特征，让人们看到模型如何理解概念并将其组合成更高级的知识。
Gemma Scope
这一方法无需人工指定特征，因此可以发现模型实际使用的底层概念和规律。研究者可以通过追踪这些特征在不同层级的演化过程，分析模型的行为、改进可靠性，并探索减少错误或幻觉生成的机制。
Gemma Scope 为语言模型可解释性研究提供了新工具，也为未来设计更安全、更可控的智能系统提供了参考。同时能够设计师和研究者更深入地理解AI，开发出更智能、更可靠的人机交互体验。
_\_(ツ)_/¯清华美院信息交叉学科27-交互设计考研全程班_
_\_(ツ)_/¯全国交互设计考研通用课程_
更多课程可咨询
_**¯\_(ツ)_/¯****朝菌学园保研成绩**_!图片朝菌团队始终非常感谢各位同学的关注与喜爱，2020-2025年，朝菌学园的同学们在考研、保研、留学领域取得了超过100个国内外高校的交互设计专业的录Offer！多数offer为国内名校、985高校及全球Top100名校，我们对2025年度的专业课程更加充满信心！
_¯\_(ツ)_/¯朝菌学园考研成绩_
_了解教学质量，可重点观察机构专业属性、教学成果、课程内容大纲、师资团队等方面。教学成果非常重要，但也是虚假信息的重灾区，同学们要多咨询多辨识，防止被迷惑欺骗。（清美本部成绩单参考上文）1、榜单中均为在朝菌学园考研主课学习过的学员，2019年之前的榜单则是朝菌学园现任讲师曾经的学生；2、部分同学会同时出现在其他机构成绩单中，这可能是由于该同学曾在多个机构中学习，也可能是其他机构假冒成绩单，如有疑问可以咨询教务老师；3、本榜单中不包含朝菌的保研录取成绩与留学录取成绩；_
_2021级｜有11名同学在朝菌学园进行主课学习或1v1辅导并通过初试，最终有6名同学上岸，上岸占比为50%。_
_2022级｜有7名同学在朝菌学园进行主课学习并通过初试，最终录取4名同学。上岸占比为66.6%。_
_2023级｜有10名同学在朝菌学园进行主课学习并通过初试，含交叉与信息系，最终录取4名同学。上岸占比约50%。2024级｜有11名同学在朝菌学园进行主课学习并通过初试，含交叉与信息系、科普艺术设计，最终录取7名同学。上岸占比约63.6%。_