中国高校“屠榜”Nature Index，哈佛十年第一首次易主？
哈佛在 Nature Index 的高校榜首坐了十年，今年易主了
——这把尺子，第一次丈量到机器人领域
目录
据 Nature Index 公布的 2026 Research Leaders（Academic）中，浙江大学以 1276.85 的 Share 排在全球高校第一，超过 Share 为 1259.01 的哈佛大学。
但真正抓眼的还不止是第一名换了人。
继续往下看，第三名清华大学、第四名上海交通大学、第五名中国科学技术大学、第六名北京大学、第七名中国科学院大学、第八名南京大学、第九名四川大学、第十名复旦大学。
也就是说：
全球高校前十，除了哈佛，其余 9 所全部来自中国。
Nature 自己也专门为这次变化发了一篇报道，标题非常直接：Harvard loses first place in Nature Index。
按照 Nature 的说法，从 2015 年拥有可比数据开始，哈佛一直是 Nature Index 中排名最高的高校。
直到今年，十年第一，第一次换了人。
01 十年前，前十里只有 1 所中国高校
如果只是“浙大超过哈佛”，这个故事还没有真正展开。
把时间往前拨十年，变化会突然变得非常直观。
2016 年 Nature Index Research Leaders 基于 2015 年全年的数据。当时全球高校前十依次是：
哈佛、斯坦福、MIT、东京大学、牛津、剑桥、加州大学伯克利分校、北京大学、苏黎世联邦理工、密歇根大学。
中国高校只有北京大学一所进入前十，排名第 8。
再往下找，南京大学第 20、清华大学第 22、中国科学技术大学第 27、浙江大学第 35、复旦大学第 39。
十年后，这几所学校的位置均进入前十。
图｜2016（上） 与 2026 （下）Nature Index 全球高校 Top 10 对比。十年前，中国高校只有北京大学进入前十；十年后，前十中的中国高校数量从 1 所增加到 9 所。
对照这两张榜，最容易得出的结论是“中国高校的科研水平上了台阶”。这句话大概没错，但它解释不了什么——因为几乎每次机构排名变动都能这么说。
排名本身只告诉你谁在前面。构成的变化，才说明前面的位置是怎么被填上的。
那这十年到底发生了什么？
有一种解释是：这些机构的研究确实做得更多、也更多地进入了高水平发表轨道。
02 哈佛其实没有“掉下去”
看到今年的排名，很可能会产生一种印象：是不是哈佛自己的科研产出突然下降了？
其实并不是。
按照 2026 Research Leaders 公布的数据，哈佛的 Share 从 2024 年的 1251.70 增长到 2025 年的 1259.01，仍然是正增长，增幅为 0.6%。
只是同一时期，浙江大学从 1040.62 增长到 1276.85，增幅达到 22.7%。
清华增长 18.7%，上海交大增长 25.6%，中科大增长 20.1%，北大增长 16.8%，南京大学增长 16.5%，四川大学增长 33.3%，复旦增长 21.6%。
八所中国高校里，有六所增速超过 20%；增速最低的南京大学也比哈佛高出约 16 个百分点。
所以更准确的描述可能是：哈佛还在原地向前，但身边的一批中国高校跑得更快了。
Nature 还提醒，2024 到 2025 年，整个 Nature Index 数据库中的文章数量同比增长了 10.8%。
因此，即使一家机构自己的 Share 仍然增加，只要增速低于数据库整体，它的相对排名仍可能后退。
因此，真正值得看的，是后面那一长串同时向前移动的学校。
03 先踩一下刹车：这不是“比谁发的 Nature 更多”
Nature Index 这个名字，很容易让人产生一个误解。它不是 Nature 正刊发文排行榜。
Nature Index 统计的是一组经过筛选的高质量研究出版物中的机构贡献，其中最常用的指标之一叫 Share。
如果一篇论文由多个作者、多个机构共同完成，它不会给每家机构都完整算“1 篇”，而是根据作者和机构归属拆分这篇论文的贡献。
所以它观察的其实是：一家机构在 Nature Index 所覆盖的高质量科研出版物中，「贡献了多少」。
它也不能直接等同于一所大学的“综合科研实力”。
学校规模不同，学科结构不同，各领域的论文发表方式也不同。Nature Index 本身同样明确提醒，这些指标不应该被单独用于评价一个机构或研究者。
今年尤其需要说明这一点。
2026 年，Nature Index 新加入了 17 本应用科学期刊、1 个会议和 15 本社会科学期刊；为了方便当年同比，新增出版物的 2024 和 2025 数据也一起补入数据库。同时，Nature Index 还改变了学科分类方式，从主要按照期刊所属领域分类，变为按每篇论文的具体研究主题分类。
被测对象在变的同时，尺子本身也在变。
所以“十年前 Top 10 只有 1 所中国高校，现在有 9 所”，很适合用来观察榜单前部机构构成的变化。但如果直接拿 2015 年和 2025 年的绝对 Share 去算一句“中国高校十年增长了多少倍”，就会混入数据库覆盖范围变化的影响。
04 今年这张榜，第一次把 IROS 算进来了
前面我们提到的，2026 年 Nature Index 新纳入的会议，是 IROS（IEEE/RSJ International Conference on Intelligent Robots and Systems，机器人领域最主要的国际会议之一）。
Nature Index 官方解释，这轮扩容的目的之一，就是让过去覆盖相对较少的应用科学和工程研究得到更完整的统计。
在这根以自然科学为主的标尺上，机器人第一次有了自己的位置。
再把页面切到当前的研究 topic，一组熟悉的名字又出现了。
- 在人工智能（Artificial Intelligence）中，清华大学目前排第 1，上海交通大学第 2，浙江大学第 5，中国科学院第 6。
- 到了控制工程、机电一体化与机器人技术（ Control Engineering, Mechatronics and Robotics），上海交通大学第 1，哈尔滨工业大学第 2，浙江大学第 3，清华大学第 4，中国科学院第 7。
需要强调的是，这些 topic 页面使用的是 2025 年 6 月 1 日至 2026 年 5 月 30 日的滚动 12 个月窗口，和前面的 2026 Research Leaders 所使用的 2025 自然年口径并不相同，不能直接把两张榜混为一谈。
它提供了一个很有意思的侧面：
当 Nature Index 的观察范围从传统自然科学进一步扩展到 AI、控制和机器人之后，综合榜前列的几所中国高校，在这些方向里同样频繁出现。
榜单能告诉我们谁在发，但发的是什么，只能自己去看。（以四所高校发表成果为例）
05 四所高校，四条路径
机器的身体，能不能进入过去进不去的尺度？
身体的形态本身，能不能变？
策略能不能直接对着物理规律学？
学会的技能，能不能不被忘掉？
浙江大学：一台可以做“细胞手术”的折纸机器人
2025 年 3 月，浙江大学团队在 Nature Communications 发表了一项微型折纸机器人研究。
这台名为 Micro-X4 的机器人，不是今天“大众热门”的人形机器人，而是一种面向生物显微操作的四自由度微型机器人。
它的折纸并联机构最小可以折叠到约 23.75 × 23.75 × 32.1 mm，能够实现三个方向的平移和一个旋转自由度，论文报告的整体定位重复精度约为 346 nm。
研究团队进一步让它完成了组织切割、细胞定位与穿刺、切换刀和针等末端工具进行细胞级操作等任务。
这和“让机器人收拾房间”看起来完全是两条路线。
但它们其实都在回答一个更基础的问题：怎样让机器的身体进入过去难以进入的真实任务空间。
有的研究试图给机器人一个更强的大脑；另一些研究则先改变它的尺度，让身体本身抵达过去触碰不到的位置。
图2｜浙江大学 Micro-X4 微型折纸机器人。
清华大学：如果机器人连自己的身体都能换一种形态呢？
同样在 2025 年，清华大学张一慧团队等在 Nature Machine Intelligence 发表了一项很有“变形机器人”意味的研究。
团队设计了一类能够连续改变三维形状，并把中间形态锁定下来的小尺度驱动器。
在这套结构上，他们进一步做出可以在“跑车”“飞车”和“货车”等构型之间变化的轮式微型机器人，还构造了一台体长 9 cm、质量 25 g 的无线陆空两栖微型机器人。
这个工作的有趣之处，不只是机器人会“变形”。
今天讲具身智能，很容易把注意力全部放到模型上：VLA 多大、数据多少、推理多强。
但机器人真正进入物理世界以后，身体本身也是问题的一部分。
形态、刚度、执行机构和接触方式，都会直接决定一个任务到底有多难。
有时候，与其让一个固定身体学习一百种动作，不如先问：身体能不能先变一下，让任务本身变简单？
图3｜清华团队构建的可重构机器人系统。通过连续形态变化与结构锁定，机器人可以在不同运动模式之间切换。这里最值得看的不是“变形”本身，而是身体结构开始主动参与任务求解。
上海交通大学：让无人机直接对着物理规律学习
上海交通大学团队 2025 年发表于 Nature Machine Intelligence 的一项工作，则把问题转向了另一边。
机器人身体没有改变，改变的是它怎么学会运动。
这项工作把神经网络训练与可微物理结合起来，让训练过程中的梯度能够穿过物理仿真，直接影响飞行策略。
最终，无人机只依赖视觉输入，就能在复杂未知环境里进行高速飞行。在研究报告中提到，单机导航成功率达到 90%，真实森林中的最高飞行速度达到 20 m/s。
更值得注意的是，整套系统部署在一块约 21 美元的低成本计算平台上。
这个工作的技术矛盾其实很有意思。
过去我们经常把“神经网络学习”和“机器人动力学”看成两套东西：一个负责 AI，一个负责物理。
但机器人真正飞起来的时候，世界不会因为模型用了神经网络，就暂时关闭牛顿定律。
所以这项工作的核心思路，可以压缩成一句：让神经网络在训练的时候，直接对着物理世界的规律学。
图4｜上海交大团队让视觉无人机通过可微物理学习高速自主飞行。相比把“AI”和“动力学”分成两层，它直接让策略在训练时接触物理规律，并最终迁移到真实高速飞行。
南京大学：探索机器人的长期记忆
还有一种研究，把问题进一步推到了“时间尺度”上。
2025 年 2 月，南京大学、清华大学等团队在 Nature Machine Intelligence 发表了机器人终身强化学习框架 LEGION。
它研究的机器人在学会下一件事以后，怎样不把上一件事忘掉？
研究团队让机器人依次学习 reach、push、pick-and-place、开门、开水龙头、关抽屉等 10 个基础任务，并尝试保存、组合和重新调用过去获得的知识。
真实机器人实验中，系统还演示了 clean the table 和 make the coffee 这类长序列任务。
这已经开始和基础模型领域不断讨论的持续学习（continual learning）等汇合。
图5｜LEGION 让机器人按顺序学习一串任务，并尝试保留、重组过去获得的知识。相比一次把所有任务同时喂给机器人，它更接近现实世界中的学习方式：任务一个个来，但旧技能不能跟着消失。
四条线，指向的是同一件事
尺度、形态、学习方式、时间。
这四个问题看起来分散，落点却在一起：机器人要怎么在真实世界里待得足够久、做得足够多。身体进得去，形态变得了，策略学得对物理，技能留得住。
06 榜单是坐标，不是结论
最后说回榜单本身。
把这些工作重新放回 Nature Index 的榜单里，会发现这篇文章真正有意思的地方，并不是要证明“榜单上的学校机器人都很强”。
Nature Index 本身也证明不了这一点。
更值得看的，是两种变化正在同时发生。
一边，是十年前全球高校 Top 10 中只有 1 所中国高校，如今变成了 9 所。
另一边，是 Nature Index 自己的覆盖范围也在从传统自然科学进一步扩展到 AI、机器人、工程和应用科学。在这些方向中，清华、上交、浙大等机构又一次出现在前列。
在 Nature Index 这根特定的标尺上，变化已经足够清楚。但一根标尺的变化，只能说明这根标尺量到的东西变了。
过去十年，全球科研的产出重心确实在移动。至于移动之后能留下什么——
看下一个十年里，有多少工作会被同行接着做下去，有多少机器人会真的走出实验室。
这件事，榜单暂时回答不了。
Ref
1. Nature Index 2026 Research Leaders: Leading academic institutions
https://www.nature.com/nature-index/research-leaders/2026/institution/academic/all/global
2. Nature Index 2016 Research Leaders: Leading academic institutions
https://www.nature.com/nature-index/research-leaders/2016/institution/academic/all/global
3. Nature Index, Harvard loses first place in Nature Index
https://www.nature.com/nature-index/news/harvard-loses-first-place-nature-index
4. Nature Index, Major changes to the Nature Index for 2026
https://www.nature.com/nature-index/news/major-changes-nature-index
5. Nature Index Topic: Artificial Intelligence
https://www.nature.com/nature-index/topics/artificial-intelligence
6. Nature Index Topic: Control Engineering, Mechatronics and Robotics
https://www.nature.com/nature-index/topics/control-engineering-mechatronics-and-robotics
7. Feng et al., Miniature origami robot for various biological micromanipulations, Nature Communications, 2025
https://www.nature.com/articles/s41467-025-57815-5
8. Xu et al., Transforming machines capable of continuous 3D shape morphing and locking, Nature Machine Intelligence, 2025
https://www.nature.com/articles/s42256-025-01028-4
9. Zhang et al., Learning vision-based agile flight via differentiable physics, Nature Machine Intelligence, 2025
https://www.nature.com/articles/s42256-025-01048-0
10. Meng et al., Preserving and combining knowledge in robotic lifelong reinforcement learning, Nature Machine Intelligence, 2025
https://www.nature.com/articles/s42256-025-00983-2
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
0
0- 0
已为社区贡献238条内容
所有评论(0)