吴昌盛谈AI时代传感技术：水凝胶贴得住也撕得下

读博士时研究面向可持续发展的能源技术，做博士后时又被临床中婴儿娇嫩的皮肤触动，吴昌盛的科研轨迹一直带着科技人文关怀。他如今是新加坡国立大学助理教授，今年凭“自适应生物电子”领域的成果入选《麻省理工科技评论》2026 年度“35 岁以下科技创新 35 人”（

他用

在他看来，最好的技术不光要算得准，还得戴得舒服、用得安全。

硬连接怎么破：水凝胶贴合温柔，剥离也温柔

医院监护设备总拖着各种电线，贴在皮肤上的胶带撕下来时偶尔会扯痛皮肤。对刚做完手术的婴儿和儿童来说，这种体验很糟糕。早年在儿科做脑氧合监测、皮瓣移植术后监测，传统医用胶带的短处让吴昌盛记了很久。

黏得太牢，娇嫩皮肤很容易受伤；碰上体液，黏性又很容易失效，有时医生为了固定探针只能上缝合。这些临床里的真实麻烦让他意识到：传感器能不能可靠使用，很大程度上看它怎么接触组织，也看监测结束后怎么被安全取下。

为此，吴昌盛团队和华中科技大学吴豪教授团队合作，围绕

沿着这个方向，团队又把研究推进到湿滑、柔软的脑组织表面，做出了带有

手术监测做完、需要移走器件时，受控加热会触发微球相变和脱水，界面黏附强度随之大幅下降，医生就能温和地把器件剥下来。这套系统集成了接触压力与神经电信号监测，目前已在兔脑肿瘤切除模型中完成验证，用来提供实时操作力反馈，并评估压力相关的神经损伤。

贴合、测量、移除被放进同一套设计里考虑，靠材料自身的响应去适配复杂的临床需求：监测时界面保持稳定接触，任务结束后又能安全释放。

跟“蜘蛛网”说再见：可穿戴监测更轻，也更有人情味

不少需要长期监测的患者，身上连着的导线既限制活动，也给日常生活和照护添负担。吴昌盛想的是让监测更自然地融进生活，患者在得到可靠监护的同时，还能保住活动的自由和舒适。

在此前的合作研究里，吴昌盛与合作者开发了用于儿童脑血流动力学监测的

一套儿童监测系统好不好，不能只看测量精度，还要看孩子在日常活动中，系统到底有多少时间能给出可信数据。所以设备得进入真实护理流程，让医护人员从准确性、有效监测时间、误报情况等方面去评估。成本同样是持续监测绕不开的门槛。

传统有线监测系统主机价格高昂，配套的一次性贴片通常按天更换。该团队的无线微型设备成本压到了几百美元的量级，还能在同一位患者身上重复使用，有望减轻持续监测的经济压力。

这类探索也伸向了精神与心理健康领域。按该团队在精神科等领域的合作经验，在医院做一次近红外光谱量化评估测试只需十到十五分钟左右。要从医院里的单次评估走到居家定期监测和长期追踪，设备要满足的要求更全面：成本要控制，贴片反复使用的可靠性、不同测试环境下的数据一致性也得考虑，配套软件还要足够方便，让患者、家长和医护人员都能轻松上手。

接下来，该团队希望通过更广泛的验证，让这类设备在真实护理与日常生活中持续给出可靠数据，患者戴得舒服，医护人员用得方便，家庭和医疗机构也负担得起。

跨界仿生：从

柔软的人体组织、植物表面的微量液体、机器人运动中的反复变形，吴昌盛的研究始终绕着一个共同问题：材料和系统怎么适应复杂的真实环境？自然界生物演化出的精妙结构，给了不少启发。

拿植物吐水来说，这些液滴带着植物内部的化学信息，等于给科学家开了一扇观察其生理变化的窗。可吐水量很小，又容易蒸发，怎么及时收集并监测，是首先要解决的难题。

吴昌盛团队把猪笼草定向输液的机制引入到

这种跨物种的仿生思路，把不同生物解决问题的多重机制提炼出来，再组合成一套适合新场景的系统，用来监测植物内部状态。说到底，仿生最有价值的地方就是从生物体身上汲取科研灵感，再用工程手段把它变成一个个实际可用的平台。

系统集成的思路也体现在该团队的软体机器人研发上。软体机器人要靠电池支撑感知和通信，可装上电池往往会让身体变硬，反复变形还会影响电池内部的电化学稳定性。

该团队利用了机器人自身的磁性条件，让外部磁场负责操控软体结构运动，这时

驱动层、电池和电路沿厚度方向垂直集成，既提高了身体面积的利用率，又保住了柔顺性。一个部件的物理属性，能顺手帮另一个部件解决难题——身体、感知与控制之间的这种闭环关系，其实正是具身智能强调的方向。

材料的选型和结构的设计，本身就在分担柔顺运动与供能稳定这两件事；惯性传感器则负责把反馈送回来，再据此调整动作。相近的做法，也被团队用到最近发表的一项成果里。

AI 能走多远，边界在哪，多模态怎么融合，这几件事团队也在探。

眼下 AI 在图像识别、语言处理上确实能打，可一碰到人体那些复杂的生理信号，吴昌盛的态度相当冷静。他的看法是，AI 得被物理规律和参考测量管住——同一段信号起伏，既可能是组织刚度变了，也可能只是贴片挪了位置，或者身体动了动。

模型要是分不清这几类原因，就会把测量条件的变化当成生理变化读出来。所以在他看来，AI 不能单独设计，得跟实验设计放在一起通盘考虑。

他给出的办法是：有意去改动这些条件，弄清每一种条件各自怎么影响信号，再用独立的参考测量回头验证模型。训练和测试的数据也要覆盖不同的人、不同的测量时间、不同的佩戴条件，看看模型离开原来的实验环境还站不站得住。

他期待的是，AI 一边能更利索地处理复杂信号，一边也能看出证据什么时候不够，知道哪个结果可以信。

触觉感知里也有同一个难题：得把目标本身的变化和测量条件的变化分开。围绕这一点，团队跟清华大学丁文伯教授团队长期合作，做仿生多模态触觉传感器。传感器产生的

在此基础上，团队与合作者又提出了新的方案。不过融合有代价：时序信号一旦转成图像，一部分时间信息可能就丢了。团队现在盯得更紧的，是融合之后关键的物理信息还在不在，好让机器人既能察觉接触中发生了什么，也能看懂物体、支撑后续交互。

往后看，吴昌盛觉得多模态数据分析这件事，大家还都在摸着石头过河。不少研究眼下做的是加法，监测模态能加多少加多少，数据先收一大堆。问题是，不同信号之间有什么内在联系、各自贡献了什么信息，还得再往下挖。他想从生理机制入手，看不同信号怎么反映彼此关联的生理过程，再把这些联系变成分析模型里合适的约束。这样既可能把解码的准确性和可靠性提上去，也有助于判断各模态给的信息是互补还是重复。

放到真实的医疗场景里，不可能让每个用户把所有监测器件都戴一遍。团队的想法是盯住具体疾病和具体使用场景，在留住关键生理信息、保住监测可靠性的前提下，挑出必要的模态组合，让个性化监测更好用、更容易够得着。

问到未来五年哪些技术最有机会落地，吴昌盛更看好那些任务明确的方案。可穿戴监测可以只围绕一个具体问题做，把使用流程和评价标准定清楚；工业触觉也不妨从特定材料识别、抓取反馈起步，在一个相对可控的环境里先把价值证明出来。

对想迈进这个交叉领域的年轻人，他的建议很具体：做材料、做器件的，把统计和编程补上；做 AI 的，去弄懂传感器的原理和噪声。从物理刺激到传感信号、再到模型判断，每一步都要接得上。他还强调，技术迭代这么快，只有始终从人的真实需求出发，前沿科技才能真正带着“温度”走进日常生活。

参考资料：

A wireless, skin-interfaced biosensor for cerebral hemodynamic monitoring in pediatric care.” Proceedings of the National Academy of Sciences 117 (50), 31674-31684 (2020)

A wireless near infrared spectroscopy device for flap monitoring: proof of concept in a porcine musculocutaneous flap model.” Journal of Reconstructive Microsurgery 38 (02), 096-105 (2022)

A soft biosensor with printable responsive hydrogel interfaces for detection and differentiation of blood circulation complications.” National Science Review 13 (5), nwag058 (2026)

A soft bioelectronic system with a responsive hydrogel neural interface for direct force quantification and real-time intraoperative craniocerebral injury monitoring.” Nature Biomedical Engineering, (2026)

A multiplexed wearable microfluidic platform for non-invasive sweat-inspired monitoring of plant guttation biomarkers.” Nature Communications 17, 11267 (2026)

Magnetic field–enhanced vertical integration enables embodied intelligence in untethered soft robots.” Science Advances 11 (37), eadv9572 (2025)

Magneto-mechano-electrochemical fiber for self-sustainable electronic textiles.” Science Advances 12, eaef4338 (2026)

相关成果还出现在 Nature Sensors 上，题为“Biomimetic multimodal tactile sensing enables human-like robotic perception.”，刊于该刊第 1 卷第 1 期第 52–62 页（2026）。另有一篇预印本“Neuromotor Hierarchy Network: Physiological Inductive Biases for Robust Generalization in sEMG Decoding.”，收录于 arXiv，编号 arXiv:2610.07713。