█腦科學(xué)動(dòng)態(tài)
Science：多巴胺神經(jīng)元“獎(jiǎng)勵(lì)機(jī)制”削弱減肥藥效果
Science：首次捕獲線粒體呼吸鏈超復(fù)合體天然結(jié)構(gòu)
腦細(xì)胞的可塑性比以前認(rèn)為的更強(qiáng)
關(guān)節(jié)置換金屬可侵入腦脊液，長(zhǎng)期神經(jīng)毒性引關(guān)注
懷舊音樂激活雙重腦網(wǎng)絡(luò)，或成記憶障礙干預(yù)新工具
多巴胺是運(yùn)動(dòng)技能學(xué)習(xí)的“開關(guān)”，阻斷后學(xué)習(xí)能力歸零
主動(dòng)感知+語(yǔ)言：人類高效比較物體的兩大“外掛”
短時(shí)任務(wù)處理速率達(dá)42比特/秒，長(zhǎng)時(shí)任務(wù)遵循冪律衰減
大腦多任務(wù)“卡頓”之謎破解：額頂葉網(wǎng)絡(luò)是“單線程”瓶頸
看電影也能畫腦圖，MIT團(tuán)隊(duì)繪制最全大腦皮層功能網(wǎng)絡(luò)圖譜
█AI行業(yè)動(dòng)態(tài)
狗狗也能聽懂AI？文字轉(zhuǎn)狗吠黑科技來(lái)了
Google Research提出評(píng)估LLMs跨語(yǔ)言知識(shí)遷移能力的新測(cè)試
Anthropic公司推出專為高等教育機(jī)構(gòu)設(shè)計(jì)的人工智能助手
█AI驅(qū)動(dòng)科學(xué)
大語(yǔ)言模型通過圖靈測(cè)試，GPT-4.5偽裝人類成功率超七成
Meta團(tuán)隊(duì)突破注意力機(jī)制瓶頸，多詞注意力讓大模型更“聰明”
AI定制膝關(guān)節(jié)置換術(shù)為“羅圈腿”患者帶來(lái)福音
機(jī)器人學(xué)會(huì)"皺眉思考"，人類更愿信任它
大語(yǔ)言模型“聰明”是假象，依賴模板復(fù)述而非真實(shí)推理
AI也會(huì)“壓力山大”？大語(yǔ)言模型表現(xiàn)竟與人類驚人相似
神經(jīng)網(wǎng)絡(luò)自組織奧秘揭曉：MIT團(tuán)隊(duì)發(fā)現(xiàn)表征對(duì)齊統(tǒng)一理論
腦科學(xué)動(dòng)態(tài)
Science：多巴胺神經(jīng)元“獎(jiǎng)勵(lì)機(jī)制”削弱減肥藥效果
為何減肥藥對(duì)暴飲暴食者效果有限？加州大學(xué)圣地亞哥分校和霍華德休斯醫(yī)學(xué)研究所的Zhu等團(tuán)隊(duì)發(fā)現(xiàn)，腹側(cè)被蓋區(qū)多巴胺神經(jīng)元（VTADA）被美味食物激活后會(huì)延長(zhǎng)進(jìn)食時(shí)間，并抵抗減肥藥索馬魯肽的抑制作用。
?腹側(cè)被蓋區(qū)多巴胺釋放神經(jīng)元在進(jìn)食過程中控制食欲。Credit: Science (2025).
研究通過光遺傳學(xué)和閉環(huán)神經(jīng)調(diào)控技術(shù)，揭示小鼠大腦中“藍(lán)斑周圍→腹側(cè)被蓋區(qū)（VTA）”神經(jīng)回路的作用：VTADA神經(jīng)元僅在進(jìn)食時(shí)響應(yīng)美味信號(hào)，其活動(dòng)強(qiáng)度決定進(jìn)食時(shí)長(zhǎng)。索馬魯肽（GLP-1R激動(dòng)劑類減肥藥）通過抑制VTADA神經(jīng)元減少進(jìn)食，但長(zhǎng)期用藥后神經(jīng)元活動(dòng)逐漸恢復(fù)，導(dǎo)致藥效下降。人工激活VTADA神經(jīng)元可完全抵消藥物作用，而靶向抑制則能恢復(fù)藥效。研究還發(fā)現(xiàn)periLCVGLUT2神經(jīng)元通過抑制VTA中的GABA神經(jīng)元間接“解除”對(duì)VTADA神經(jīng)元的抑制，形成正反饋循環(huán)。這一機(jī)制解釋了為何享樂性飲食難以通過藥物干預(yù)完全控制。研究發(fā)表在 Science 上。
#疾病與健康 #神經(jīng)調(diào)控 #個(gè)性化醫(yī)療 #肥胖機(jī)制 #多巴胺神經(jīng)元
閱讀更多：
Zhu, Zhenggang, et al. “Hedonic Eating Is Controlled by Dopamine Neurons That Oppose GLP-1R Satiety.” Science, vol. 387, no. 6741, Mar. 2025, p. eadt0773. science.org (Atypon), https://doi.org/10.1126/science.adt0773
Science：首次捕獲線粒體呼吸鏈超復(fù)合體天然結(jié)構(gòu)
線粒體呼吸鏈如何原位組裝，來(lái)自巴塞爾大學(xué)的研究團(tuán)隊(duì)以萊茵衣藻為模型，通過冷凍電子斷層掃描（cryo-ET）技術(shù)，首次解析了 5 ? 分辨率的呼吸體（respirasome）天然結(jié)構(gòu)，揭示了細(xì)胞色素 c 的結(jié)合位點(diǎn)及復(fù)合物間的相互作用界面。
研究采用冷凍聚焦離子束減薄（cryo-FIB）技術(shù)制備 100-200 nm 厚度的冷凍細(xì)胞切片，通過冷凍電子斷層掃描（cryo-ET）獲得線粒體嵴膜的高分辨率圖像。結(jié)果顯示，ATP 合酶（ATP synthase）與呼吸鏈復(fù)合物（I、III、IV）分別富集于嵴膜的彎曲和平坦區(qū)域。呼吸體由復(fù)合物 I、III、IV 組成，其原位結(jié)構(gòu)（5 ?）與體外純化樣本（2.4 ? SPA cryo-EM）對(duì)比顯示，天然環(huán)境中復(fù)合物間存在獨(dú)特的構(gòu)象變化和結(jié)合界面。此外，研究首次觀察到電子載體細(xì)胞色素 c（cyt. c）在呼吸體上的結(jié)合位點(diǎn)，證實(shí)其在電子傳遞中的動(dòng)態(tài)穿梭機(jī)制。這一成果為理解線粒體能量生產(chǎn)機(jī)制提供了直接證據(jù)。研究發(fā)表在 Science 上。
#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #跨學(xué)科整合 #計(jì)算模型與人工智能模擬
閱讀更多：
Waltz, Florent, et al. “In-Cell Architecture of the Mitochondrial Respiratory Chain.” Science, Mar. 2025. world, www.science.org, https://doi.org/10.1126/science.ads8738
腦細(xì)胞的可塑性比以前認(rèn)為的更強(qiáng)
神經(jīng)元亞型是否一成不變？加州大學(xué)圣克魯斯分校的Mohammed Mostajo-Radji團(tuán)隊(duì)與Braingeneers合作，通過3D腦類器官模型發(fā)現(xiàn)，抑制性神經(jīng)元身份可受環(huán)境調(diào)控，甚至實(shí)現(xiàn)亞型間轉(zhuǎn)換。
?計(jì)算機(jī)渲染的 parvalbumin 陽(yáng)性神經(jīng)元，研究人員首次能夠在體外模型中大量生產(chǎn)這種神經(jīng)元。Credit: iScience (2025).
研究首次在體外大量生成parvalbumin陽(yáng)性神經(jīng)元（PV神經(jīng)元，調(diào)控大腦可塑性的關(guān)鍵細(xì)胞），并證實(shí)3D結(jié)構(gòu)是成功關(guān)鍵。團(tuán)隊(duì)將小鼠MGE前體細(xì)胞移植到腦類器官（cerebral organoids，模擬大腦的3D培養(yǎng)體系）中，觀察到PV神經(jīng)元高效分化，遠(yuǎn)超2D模型。更驚人的是，已分化的somatostatin神經(jīng)元（SST神經(jīng)元）在3D環(huán)境中會(huì)轉(zhuǎn)變成PV神經(jīng)元，表明神經(jīng)元身份具有可塑性。單細(xì)胞RNA測(cè)序顯示，這一過程伴隨PV成熟標(biāo)記上調(diào)、SST標(biāo)記下調(diào)。研究還發(fā)現(xiàn)，人皮層環(huán)境比鼠皮層更易觸發(fā)這種轉(zhuǎn)變，暗示物種特異性信號(hào)的存在。該發(fā)現(xiàn)為研究神經(jīng)發(fā)育疾病（如孤獨(dú)癥、精神分裂癥）提供了新工具，并提示大腦可能通過環(huán)境信號(hào)動(dòng)態(tài)調(diào)整神經(jīng)元功能。研究發(fā)表在 iScience 上。
#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #跨學(xué)科整合 #類器官技術(shù) #神經(jīng)元可塑性
閱讀更多：
Mostajo-Radji, Mohammed A., et al. Fate Plasticity of Interneuron Specification. bioRxiv, 3 Oct. 2024, p. 2024.10.02.614266. bioRxiv, https://doi.org/10.1101/2024.10.02.614266
關(guān)節(jié)置換金屬可侵入腦脊液，長(zhǎng)期神經(jīng)毒性引關(guān)注
人工關(guān)節(jié)植入物釋放的金屬顆粒是否危害中樞神經(jīng)系統(tǒng)，柏林夏里特醫(yī)學(xué)院團(tuán)隊(duì)通過檢測(cè)204名患者的腦脊液和血液，首次證實(shí)鈷、鈦等金屬能穿透神經(jīng)屏障并積累，相關(guān)結(jié)果或解釋部分術(shù)后神經(jīng)癥狀。
研究通過電感耦合等離子體質(zhì)譜（ICP-MS，一種高精度金屬檢測(cè)技術(shù)）分析患者樣本，發(fā)現(xiàn)植入組腦脊液鈷中位數(shù)（0.03 μg/L）顯著高于對(duì)照組（0.02 μg/L），且鈷鉻鉬合金使用者腦脊液鉻濃度更高（0.31 μg/L vs. 0.23 μg/L）。鈦、鈮、鋯在血清升高時(shí)腦脊液水平同步增加，但血腦屏障功能（通過S-100B蛋白評(píng)估）未受損。疼痛癥狀與腦脊液鈷濃度正相關(guān)，提示金屬釋放可能與局部磨損有關(guān)。研究強(qiáng)調(diào)需進(jìn)一步探究這些金屬是否導(dǎo)致認(rèn)知障礙或神經(jīng)退行性疾病。研究發(fā)表在 JAMA Network Open 上。
#疾病與健康 #個(gè)性化醫(yī)療 #金屬毒性 #關(guān)節(jié)置換
閱讀更多：
Rakow, Anastasia, et al. “Metal Concentrations in Blood and Cerebrospinal Fluid of Patients With Arthroplasty Implants.” JAMA Network Open, vol. 8, no. 3, Mar. 2025, p. e252281. Silverchair, https://doi.org/10.1001/jamanetworkopen.2025.2281
懷舊音樂激活雙重腦網(wǎng)絡(luò)，或成記憶障礙干預(yù)新工具
音樂如何通過神經(jīng)機(jī)制增強(qiáng)記憶？南加州大學(xué)Assal Habibi團(tuán)隊(duì)發(fā)現(xiàn)，懷舊音樂能同步激活大腦記憶與獎(jiǎng)賞系統(tǒng)，為阿爾茨海默病等患者提供非藥物干預(yù)潛力。
?fMRI 任務(wù)設(shè)計(jì) (A) 和一次運(yùn)行內(nèi)歌曲三連音的示例混排 (B)。在面板 B 中，F(xiàn)C = 熟悉的控制歌曲塊，UC = 不熟悉的控制歌曲塊，N = 懷舊歌曲塊，R = 休息時(shí)間。數(shù)字表示在三連音中的位置（即，F(xiàn)C1 是熟悉的控制歌曲，在音樂上與懷舊歌曲 1 (N1) 和不熟悉的控制歌曲 1 (UC1) 相匹配）。Credit: Human Brain Mapping (2025).
團(tuán)隊(duì)利用機(jī)器學(xué)習(xí)構(gòu)建三類音樂（懷舊/熟悉非懷舊/陌生非懷舊），通過功能性磁共振成像（fMRI）分析57名參與者的腦區(qū)響應(yīng)。結(jié)果顯示：懷舊音樂獨(dú)特激活默認(rèn)模式網(wǎng)絡(luò)（DMN，負(fù)責(zé)記憶整合）、獎(jiǎng)賞網(wǎng)絡(luò)及內(nèi)側(cè)顳葉（記憶關(guān)鍵區(qū)）；自我參照區(qū)（后內(nèi)側(cè)皮層）與情感區(qū)（島葉）功能連接增強(qiáng)；老年人相關(guān)腦區(qū)血氧水平依賴（BOLD）信號(hào)更強(qiáng)，且反應(yīng)與情感體驗(yàn)直接相關(guān)，青年則關(guān)聯(lián)認(rèn)知能力。研究為音樂療法臨床轉(zhuǎn)化奠定神經(jīng)科學(xué)基礎(chǔ)。研究發(fā)表于 Human Brain Mapping。
#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #個(gè)性化醫(yī)療 #心理健康與精神疾病 #記憶機(jī)制
閱讀更多：
Hennessy, Sarah, et al. “Music-Evoked Nostalgia Activates Default Mode and Reward Networks Across the Lifespan.” Human Brain Mapping, vol. 46, no. 4, 2025, p. e70181. Wiley Online Library, https://doi.org/10.1002/hbm.70181
多巴胺是運(yùn)動(dòng)技能學(xué)習(xí)的“開關(guān)”，阻斷后學(xué)習(xí)能力歸零
以色列理工學(xué)院Hadas Benisty、Jackie Schiller、Amir Ghanayim及Ronen Talmon團(tuán)隊(duì)發(fā)現(xiàn)，多巴胺在初級(jí)運(yùn)動(dòng)皮層（M1）的局部釋放是神經(jīng)網(wǎng)絡(luò)重組的關(guān)鍵驅(qū)動(dòng)力，缺乏它則學(xué)習(xí)完全停滯。
?示意圖突出顯示了從 VTA 到 M1 的多巴胺能輸入在運(yùn)動(dòng)學(xué)習(xí)中的重要作用。Credit: Nature Communications (2025).
研究通過鈣成像（GCaMP6s標(biāo)記神經(jīng)元活動(dòng)）和化學(xué)遺傳學(xué)技術(shù)（DREADDs抑制多巴胺信號(hào)），觀察小鼠學(xué)習(xí)前肢取食任務(wù)時(shí)的M1神經(jīng)網(wǎng)絡(luò)變化。結(jié)果顯示，正常學(xué)習(xí)中，第2-3層神經(jīng)元的功能連接逐漸形成“專家”配置，且感官信號(hào)轉(zhuǎn)為任務(wù)結(jié)果反饋。但阻斷VTA到M1的多巴胺輸入后，神經(jīng)網(wǎng)絡(luò)凍結(jié)，小鼠無(wú)法進(jìn)步；恢復(fù)多巴胺則學(xué)習(xí)繼續(xù)。值得注意的是，多巴胺僅影響新技能獲取，對(duì)已掌握技能無(wú)干擾。研究提出多巴胺通過強(qiáng)化學(xué)習(xí)機(jī)制重塑M1網(wǎng)絡(luò)連接，為帕金森病等運(yùn)動(dòng)障礙的治療提供靶點(diǎn)。研究發(fā)表在 Nature Communications 上。
#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #神經(jīng)調(diào)控 #運(yùn)動(dòng)學(xué)習(xí) #多巴胺
閱讀更多：
Ghanayim, Amir, et al. “VTA Projections to M1 Are Essential for Reorganization of Layer 2-3 Network Dynamics Underlying Motor Learning.” Nature Communications, vol. 16, no. 1, Jan. 2025, p. 200. www.nature.com, https://doi.org/10.1038/s41467-024-55317-4
主動(dòng)感知+語(yǔ)言：人類高效比較物體的兩大“外掛”
人類如何高效判斷兩物體是否相同？圣達(dá)菲研究所的Marina Dubova和Arseny Moskvichev團(tuán)隊(duì)發(fā)現(xiàn)，人們依賴“主動(dòng)感知”和語(yǔ)言描述兩種策略，顯著降低記憶負(fù)擔(dān)并提升準(zhǔn)確性。
?Credit: Attention, Perception, & Psychophysics (2025).
研究設(shè)計(jì)實(shí)驗(yàn)讓參與者對(duì)比模糊且僅能局部觀看的圖像對(duì)，發(fā)現(xiàn)其普遍采用感知卸載（perceptual offloading，即頻繁切換視線對(duì)比圖像），尤其在圖像難區(qū)分時(shí)。實(shí)驗(yàn)數(shù)據(jù)顯示，允許自由切換時(shí)，參與者反應(yīng)更快（速度提升約30%）、準(zhǔn)確率更高（達(dá)85%以上）；而強(qiáng)制單圖觀看時(shí)，準(zhǔn)確率下降至70%，且需依賴語(yǔ)言描述細(xì)節(jié)（如“左圖有紅色斑點(diǎn)”），但僅對(duì)易語(yǔ)言化（verbalizable）的刺激有效。
進(jìn)一步分析表明，當(dāng)圖像特征難以命名（如抽象圖案）且感知受限時(shí)，參與者效率驟降（錯(cuò)誤率增加50%）。研究提示，人類通過動(dòng)態(tài)分配認(rèn)知資源——優(yōu)先“外包”任務(wù)給感知系統(tǒng)，其次調(diào)用語(yǔ)言系統(tǒng)——實(shí)現(xiàn)高效比較。研究發(fā)表在 Attention, Perception, & Psychophysics 上。
#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #計(jì)算模型與人工智能模擬 #視覺感知
閱讀更多：
Dubova, Marina, and Arseny Moskvichev. “The Role of Active Perception and Naming in Sameness Comparison.” Attention, Perception, & Psychophysics, Mar. 2025. Springer Link, https://doi.org/10.3758/s13414-025-03046-1
記憶競(jìng)賽揭示大腦極限：短時(shí)任務(wù)處理速率達(dá)42比特/秒，長(zhǎng)時(shí)任務(wù)遵循冪律衰減
人腦信息處理速率是否被低估？慕尼黑大學(xué)（LMU Munich）的Bastian Wiederhold團(tuán)隊(duì)通過分析國(guó)際記憶競(jìng)賽數(shù)據(jù)發(fā)現(xiàn)，短時(shí)記憶任務(wù)中大腦實(shí)際處理速率可達(dá)42比特/秒，遠(yuǎn)超傳統(tǒng)認(rèn)知的10比特/秒，而長(zhǎng)時(shí)任務(wù)中速率隨記憶時(shí)間呈冪律下降。
研究整合了國(guó)際記憶協(xié)會(huì)（IAM）、Memory League（ML）和speed-memory.com的競(jìng)賽數(shù)據(jù)，涵蓋1秒至1小時(shí)的記憶任務(wù)。通過計(jì)算最低必要信息速率（bit/s），團(tuán)隊(duì)發(fā)現(xiàn)：短時(shí)任務(wù)（如數(shù)字速記）中，選手的閱讀速度成為瓶頸，但實(shí)際心理聯(lián)想（mental association）形成更快；跨時(shí)間尺度上，處理速率與記憶時(shí)長(zhǎng)呈冪律關(guān)系（power law），即速率=時(shí)間^α，α為負(fù)值；盡管記憶策略優(yōu)化使競(jìng)賽成績(jī)提升，任務(wù)間速率差異模式保持穩(wěn)定，提示大腦處理機(jī)制存在普適性規(guī)律。研究為理解人腦信息處理極限提供了新視角，挑戰(zhàn)了“大腦低速”的固有認(rèn)知。
#認(rèn)知科學(xué) #記憶機(jī)制 #神經(jīng)機(jī)制與腦功能解析 #計(jì)算模型與人工智能模擬
閱讀更多：
Wiederhold, Bastian. The Speed of Information Processing at Memory Competitions: Limited by Reading in Short Tasks and Declining as a Power Law for Longer Times. bioRxiv, 1 Apr. 2025, p. 2025.03.31.646314. bioRxiv, https://doi.org/10.1101/2025.03.31.646314
大腦多任務(wù)“卡頓”之謎破解：額頂葉網(wǎng)絡(luò)是“單線程”瓶頸
為什么人類無(wú)法高效同時(shí)處理兩項(xiàng)復(fù)雜任務(wù)？范德堡大學(xué)的Qiuhai Yue、Allen T. Newton和René Marois團(tuán)隊(duì)通過超快速腦成像技術(shù)，首次發(fā)現(xiàn)額頂葉多需求網(wǎng)絡(luò)（MD network）是導(dǎo)致多任務(wù)“串行排隊(duì)”的關(guān)鍵腦區(qū)，為認(rèn)知瓶頸提供了直接神經(jīng)證據(jù)。
研究采用超快速功能磁共振成像（fMRI，199毫秒時(shí)間分辨率）和高場(chǎng)強(qiáng)（7T）設(shè)備，結(jié)合多變量分析（multivariate analyses，區(qū)分不同任務(wù)的大腦活動(dòng)模式），實(shí)時(shí)追蹤雙任務(wù)下的大腦活動(dòng)。實(shí)驗(yàn)設(shè)計(jì)避免感覺運(yùn)動(dòng)模態(tài)重疊，確保瓶頸僅源于認(rèn)知階段。
結(jié)果顯示：視覺和聽覺皮層同時(shí)處理兩類任務(wù)；額頂葉MD網(wǎng)絡(luò)（如背外側(cè)前額葉和后頂葉）對(duì)第二任務(wù)的反應(yīng)延遲300-500毫秒，形成“單線程”隊(duì)列；MD網(wǎng)絡(luò)與運(yùn)動(dòng)皮層（如輔助運(yùn)動(dòng)區(qū)）共同構(gòu)成瓶頸，而反應(yīng)執(zhí)行仍可并行。這一發(fā)現(xiàn)解釋了為何“邊開車邊打電話”非常危險(xiǎn)，因?yàn)楦呒?jí)認(rèn)知資源被迫排隊(duì)。研究發(fā)表在 Nature Communications 上。
#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #跨學(xué)科整合 #計(jì)算模型與人工智能模擬
閱讀更多：
Yue, Qiuhai, et al. “Ultrafast fMRI Reveals Serial Queuing of Information Processing during Multitasking in the Human Brain.” Nature Communications, vol. 16, no. 1, Mar. 2025, p. 3057. www.nature.com, https://doi.org/10.1038/s41467-025-58228-0
看電影也能畫腦圖，MIT團(tuán)隊(duì)繪制最全大腦皮層功能網(wǎng)絡(luò)圖譜
大腦如何分工協(xié)作處理復(fù)雜信息？MIT的Robert Desimone、劍橋大學(xué)John Duncan及Reza Rajimehr團(tuán)隊(duì)通過電影刺激下的腦掃描，首次繪制包含24個(gè)功能網(wǎng)絡(luò)的皮層圖譜，揭示自然情境下的腦區(qū)動(dòng)態(tài)協(xié)作機(jī)制。
?Credit: Christine Daniloff, MIT; Shutterstock
研究依托人類連接組計(jì)劃（Human Connectome Project），使用7特斯拉高分辨率fMRI記錄176人觀看電影時(shí)的腦活動(dòng)。通過機(jī)器學(xué)習(xí)聚類分析，團(tuán)隊(duì)不僅確認(rèn)了語(yǔ)言、視覺等經(jīng)典網(wǎng)絡(luò)，還發(fā)現(xiàn)前額葉存在對(duì)場(chǎng)景高度敏感的新網(wǎng)絡(luò)（此前未被報(bào)道）。更關(guān)鍵的是，執(zhí)行控制網(wǎng)絡(luò)（executive control networks）與感覺/語(yǔ)言網(wǎng)絡(luò)呈現(xiàn)“推拉”式互動(dòng)——當(dāng)處理特定信息（如人臉）時(shí)，控制網(wǎng)絡(luò)靜默；而電影情節(jié)轉(zhuǎn)折時(shí)，控制網(wǎng)絡(luò)活躍以協(xié)調(diào)全局。這種動(dòng)態(tài)平衡解釋了大腦如何高效分配資源。此外，社交處理網(wǎng)絡(luò)內(nèi)部分化為“人-物交互”和“人-人交互”子區(qū)，凸顯功能精細(xì)化。研究為自然認(rèn)知研究奠定框架，未來(lái)可深入探索網(wǎng)絡(luò)亞區(qū)機(jī)制。研究發(fā)表在 Neuron 上。
#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #跨學(xué)科整合 #計(jì)算模型與人工智能模擬 #自然認(rèn)知
閱讀更多：
Rajimehr, Reza, et al. “Functional Architecture of Cerebral Cortex during Naturalistic Movie Watching.” Neuron, vol. 112, no. 24, Dec. 2024, pp. 4130-4146.e3. www.cell.com, https://doi.org/10.1016/j.neuron.2024.10.005
AI 行業(yè)動(dòng)態(tài)
狗狗也能聽懂AI？文字轉(zhuǎn)狗吠黑科技來(lái)了
ElevenLabs近日宣布推出全球首款專為狗狗設(shè)計(jì)的AI語(yǔ)音合成模型Text to Bark（文字轉(zhuǎn)狗吠），用戶只需輸入文字并選擇犬種，系統(tǒng)即可生成逼真的狗吠聲。獨(dú)立測(cè)試顯示，95%的狗狗無(wú)法區(qū)分AI生成的吠聲與真實(shí)吠聲。
該技術(shù)基于開源犬類語(yǔ)言學(xué)研究（Canine Linguistic Research，即分析狗吠聲的學(xué)術(shù)領(lǐng)域），由ElevenLabs團(tuán)隊(duì)開發(fā)。研究人員表示，這一突破不僅為寵物主人提供了趣味工具，還可能為動(dòng)物行為學(xué)研究開辟新路徑。企業(yè)用戶還可通過Bark to Speech API接入服務(wù)，并享受包括雙重爪紋認(rèn)證（2FP，即2-Factor Pawthentication）在內(nèi)的安全功能。
ElevenLabs此前以高擬真文字轉(zhuǎn)語(yǔ)音（Text to Speech）和語(yǔ)音轉(zhuǎn)文字（Scribe）技術(shù)聞名，此次創(chuàng)新進(jìn)一步鞏固了其在生成式AI領(lǐng)域的領(lǐng)先地位。團(tuán)隊(duì)?wèi)蚍Q這是“人類的一小步，狗狗的一大步”，并計(jì)劃未來(lái)拓展至其他動(dòng)物語(yǔ)言模型。
#AI語(yǔ)音合成 #跨物種溝通 #寵物科技 #ElevenLabs #狗吠生成
閱讀更多：
https://elevenlabs.io/blog/text-to-bark
Google Research提出評(píng)估LLMs跨語(yǔ)言知識(shí)遷移能力的新測(cè)試
Google Research近期推出了ECLeKTic，這是一個(gè)用于評(píng)估大型語(yǔ)言模型（LLMs）跨語(yǔ)言知識(shí)遷移能力的全新基準(zhǔn)測(cè)試。該基準(zhǔn)測(cè)試通過控制12種語(yǔ)言中維基百科文章的存在與否，精心設(shè)計(jì)了一系列知識(shí)問答任務(wù)，旨在檢測(cè)模型在源語(yǔ)言中獲取的知識(shí)能否有效地遷移并應(yīng)用于目標(biāo)語(yǔ)言。
團(tuán)隊(duì)首先篩選出在某些語(yǔ)言中存在，而在其他語(yǔ)言中缺失的維基百科文章。然后，在文章存在的語(yǔ)言中生成與該文章相關(guān)的問題，并將這些問題翻譯成其他缺少該文章的語(yǔ)言。這樣，模型在回答這些目標(biāo)語(yǔ)言問題時(shí)，必須依賴于在源語(yǔ)言中學(xué)到的知識(shí)，從而評(píng)估其跨語(yǔ)言知識(shí)遷移的能力。實(shí)驗(yàn)結(jié)果顯示，即使是當(dāng)前最先進(jìn)的LLMs，在跨語(yǔ)言知識(shí)遷移方面仍存在顯著挑戰(zhàn)。例如，模型在源語(yǔ)言中能夠正確回答的問題，換成目標(biāo)語(yǔ)言后，準(zhǔn)確率明顯下降。這表明，盡管模型在多語(yǔ)言環(huán)境下接受了訓(xùn)練，但在深層次的知識(shí)遷移和應(yīng)用上仍有待提升。
#認(rèn)知科學(xué)#跨語(yǔ)言知識(shí)遷移#大型語(yǔ)言模型#基準(zhǔn)測(cè)試
閱讀更多：
https://research.google/blog/eclektic-a-novel-benchmark-for-evaluating-cross-lingual-knowledge-transfer-in-llms/
Anthropic公司推出專為高等教育機(jī)構(gòu)設(shè)計(jì)的人工智能助手
Anthropic公司推出專為高等教育機(jī)構(gòu)設(shè)計(jì)的人工智能助手——Claude for Education。該版本旨在協(xié)助大學(xué)在教學(xué)、學(xué)習(xí)和行政管理中有效地應(yīng)用人工智能技術(shù)，確保教育工作者和學(xué)生在塑造人工智能在社會(huì)中的角色方面發(fā)揮積極作用。
Claude for Education引入了“學(xué)習(xí)模式”（Learning mode），這一新功能旨在引導(dǎo)學(xué)生的推理過程，而非直接提供答案，從而培養(yǎng)他們的批判性思維能力。具體而言，Claude會(huì)通過提問“你會(huì)如何解決這個(gè)問題？”來(lái)鼓勵(lì)學(xué)生自主思考，而不是直接給出解決方案。此外，Claude還采用蘇格拉底式提問法（Socratic questioning），例如詢問“有哪些證據(jù)支持你的結(jié)論？”，以幫助學(xué)生深入理解問題的本質(zhì)。同時(shí)，Claude強(qiáng)調(diào)核心概念的理解，突出特定問題背后的基本原理，并提供研究論文、學(xué)習(xí)指南和大綱等結(jié)構(gòu)化模板，輔助學(xué)生的學(xué)習(xí)過程。
通過Claude for Education，Anthropic致力于為教育機(jī)構(gòu)提供安全、可靠的人工智能訪問權(quán)限，支持學(xué)生撰寫文獻(xiàn)綜述、解決復(fù)雜問題，并獲得論文反饋；幫助教師創(chuàng)建符合特定學(xué)習(xí)目標(biāo)的評(píng)分標(biāo)準(zhǔn)，提供個(gè)性化反饋；協(xié)助行政人員分析招生趨勢(shì)、自動(dòng)回復(fù)常見咨詢，并將復(fù)雜的政策文件轉(zhuǎn)換為易于理解的FAQ格式。
Claude for Education的推出，標(biāo)志著Anthropic在推動(dòng)人工智能與教育深度融合方面邁出了重要一步，為高等教育機(jī)構(gòu)提供了強(qiáng)有力的支持，助力培養(yǎng)具備批判性思維和創(chuàng)新能力的人才。
#認(rèn)知科學(xué)#人工智能#教育技術(shù)#高等教育
閱讀更多：
https://www.anthropic.com/news/introducing-claude-for-education
AI 驅(qū)動(dòng)科學(xué)
大語(yǔ)言模型通過圖靈測(cè)試，GPT-4.5偽裝人類成功率超七成
AI能否通過圖靈測(cè)試引發(fā)長(zhǎng)達(dá)75年的爭(zhēng)論。加州大學(xué)圣地亞哥分校的Cameron R. Jones和Benjamin K. Bergen團(tuán)隊(duì)通過兩項(xiàng)隨機(jī)對(duì)照實(shí)驗(yàn)發(fā)現(xiàn)，GPT-4.5在擬人化提示下被73%的參與者誤認(rèn)為人類，成為首個(gè)通過標(biāo)準(zhǔn)三方圖靈測(cè)試的AI系統(tǒng)。
研究采用經(jīng)典三方圖靈測(cè)試框架，284名參與者與AI（GPT-4.5、LLaMa-3.1、ELIZA）及真人進(jìn)行5分鐘對(duì)話。關(guān)鍵發(fā)現(xiàn)：模型表現(xiàn)：GPT-4.5在“擬人化提示”（PERSONA prompt，即模擬年輕網(wǎng)民性格）下通過率高達(dá)73%，顯著高于人類對(duì)照組（p<0.01）；LLaMa-3.1通過率56%，與人類無(wú)差異?；€對(duì)比：規(guī)則型AI ELIZA（1960年代技術(shù)）通過率僅23%，GPT-4o為21%，證實(shí)測(cè)試有效性。機(jī)制分析：擬人化提示使模型更擅長(zhǎng)使用網(wǎng)絡(luò)俚語(yǔ)和個(gè)性化表達(dá)（如“emoji濫用”），而基線提示（NO-PERSONA）僅提供基礎(chǔ)指令，表現(xiàn)較差。
#大模型技術(shù) #意圖與決策 #跨學(xué)科整合 #自動(dòng)化科研 #認(rèn)知科學(xué)
閱讀更多：
Jones, Cameron R., and Benjamin K. Bergen. Large Language Models Pass the Turing Test. arXiv:2503.23674, arXiv, 31 Mar. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2503.23674
Meta團(tuán)隊(duì)突破注意力機(jī)制瓶頸，多詞注意力讓大模型更“聰明”
傳統(tǒng)注意力機(jī)制因依賴單一詞向量相似性，難以精準(zhǔn)定位復(fù)雜上下文信息。Meta的FAIR團(tuán)隊(duì)（Olga Golovneva、Tianlu Wang、Jason Weston、Sainbayar Sukhbaatar）提出多詞注意力（MTA），通過卷積操作整合多詞信息，顯著提升模型性能。
研究團(tuán)隊(duì)設(shè)計(jì)的多詞注意力（MTA）在傳統(tǒng)注意力機(jī)制基礎(chǔ)上，引入三維卷積（覆蓋鍵、查詢和注意力頭），使模型能同時(shí)分析多個(gè)詞向量的關(guān)聯(lián)。例如，MTA可先分別定位“Alice”和“rabbit”，再結(jié)合兩者注意力權(quán)重找到共現(xiàn)的句子。實(shí)驗(yàn)顯示，MTA在玩具任務(wù)中輕松解決傳統(tǒng)注意力無(wú)法處理的難題。在大規(guī)模語(yǔ)言建模任務(wù)中（880M參數(shù)，105B訓(xùn)練數(shù)據(jù)），MTA將驗(yàn)證困惑度（perplexity）降低，且參數(shù)量?jī)H增加0.001%。長(zhǎng)上下文任務(wù)如“大海撈針”（Needle-in-the-Haystack）和BabiLong中，MTA性能遠(yuǎn)超基線模型。這一成果為大模型的高效信息檢索提供了新思路。
#大模型技術(shù) #預(yù)測(cè)模型構(gòu)建 #跨學(xué)科整合 #計(jì)算模型與人工智能模擬
閱讀更多：
Golovneva, Olga, et al. Multi-Token Attention. arXiv:2504.00927, arXiv, 1 Apr. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2504.00927
AI定制膝關(guān)節(jié)置換術(shù)為“羅圈腿”患者帶來(lái)福音
傳統(tǒng)膝關(guān)節(jié)置換術(shù)對(duì)天生腿部彎曲患者效果不佳，奧克蘭大學(xué)Simon Young團(tuán)隊(duì)開發(fā)AI輔助“功能對(duì)齊”技術(shù)，通過機(jī)器人分析個(gè)體解剖數(shù)據(jù)，優(yōu)化假體定位。臨床試驗(yàn)顯示，該技術(shù)顯著提升患者術(shù)后生活質(zhì)量和滿意度。
研究采用隨機(jī)對(duì)照試驗(yàn)（n=244），對(duì)比傳統(tǒng)機(jī)械對(duì)齊（MA）與功能對(duì)齊（FA）。FA組通過人工智能算法分析患者膝關(guān)節(jié)三維影像，從2萬(wàn)種虛擬方案中篩選最佳匹配，并動(dòng)態(tài)調(diào)整軟組織平衡（soft-tissue balance，即關(guān)節(jié)周圍韌帶張力協(xié)調(diào)）。結(jié)果發(fā)現(xiàn)，F(xiàn)A組自然彎曲腿患者的KOOS癥狀評(píng)分（86.6±12.9 vs 82.5±14.0）和生活質(zhì)量評(píng)分（76.1±20.3 vs 70.7±22.7）顯著更高，且94%患者愿意推薦該技術(shù)（MA組82%）。FA還減少65%的軟組織松解需求。研究發(fā)表在 Journal of Arthroplasty 上。
#疾病與健康 #個(gè)性化醫(yī)療 #AI驅(qū)動(dòng)科學(xué) #骨科手術(shù) #機(jī)器人輔助
閱讀更多：
Young, Simon W., et al. “The John N. Insall Award: Functional Versus Mechanical Alignment in Total Knee Arthroplasty: A Randomized Controlled Trial.” The Journal of Arthroplasty, vol. 0, no. 0, Feb. 2025. www.arthroplastyjournal.org, https://doi.org/10.1016/j.arth.2025.02.065
機(jī)器人學(xué)會(huì)"皺眉思考"，人類更愿信任它
如何讓機(jī)器人擺脫"恐怖谷"的冰冷感？廣島大學(xué)Shushi Namba團(tuán)隊(duì)聯(lián)合RIKEN發(fā)現(xiàn)，賦予機(jī)器人"思考表情"是關(guān)鍵。通過模仿人類沉思時(shí)的皺眉動(dòng)作，安卓機(jī)器人Nikola成功獲得更高親和力。
?皺眉癥患者眉毛下垂，眼睛瞇起。Credit: Shushi Namba/Hiroshima University
研究分三階段：首先用非負(fù)矩陣分解（NMF）解析人類思考時(shí)的5類面部模式（如瞇眼、嘴角緊繃），從中選定"皺眉臉"（Component 4）作為最顯著特征。隨后，團(tuán)隊(duì)在機(jī)器人Nikola面部復(fù)現(xiàn)該表情，并通過240段視頻測(cè)試發(fā)現(xiàn)，89%參與者認(rèn)為皺眉機(jī)器人更"真實(shí)"且減少33%的詭異感。在模擬壽司店問答場(chǎng)景中，思考臉使機(jī)器人"人性化"評(píng)分提升40%，效果優(yōu)于傳統(tǒng)加載動(dòng)畫（dots）。但研究也指出，動(dòng)態(tài)表情整合與文化差異是下一步重點(diǎn)。研究發(fā)表在 International Journal of Social Robotics 上。
#認(rèn)知科學(xué) #跨學(xué)科整合 #人機(jī)交互 #恐怖谷效應(yīng) #表情建模
閱讀更多：
Namba, Shushi, et al. “How an Android Expresses ‘Now Loading…’: Examining the Properties of Thinking Faces.” International Journal of Social Robotics, vol. 16, no. 8, Aug. 2024, pp. 1861–77. Springer Link, https://doi.org/10.1007/s12369-024-01163-9
大語(yǔ)言模型“聰明”是假象，依賴模板復(fù)述而非真實(shí)推理
大語(yǔ)言模型的“推理能力”是真實(shí)理解還是數(shù)據(jù)復(fù)述？字節(jié)跳動(dòng)研究團(tuán)隊(duì)設(shè)計(jì) RoR-Bench 評(píng)測(cè)集，通過對(duì)比原題與微調(diào)變異題，發(fā)現(xiàn)GPT-4、Claude等模型在語(yǔ)義變化下準(zhǔn)確率驟降超50%，揭示其“復(fù)述模板”的固有缺陷。
研究團(tuán)隊(duì)構(gòu)建包含215對(duì)題目的 RoR-Bench（含文本與圖像任務(wù)），每對(duì)包含原題和僅改動(dòng)關(guān)鍵條件的變異題（如“相向而行”改為“相背而行”）。測(cè)試顯示，所有模型在變異題上平均準(zhǔn)確率從70-90%跌至20-30%，部分模型（如DeepSeek-R1）下降超60%。多模態(tài)模型同樣中招，如GPT-4V在視覺錯(cuò)覺題中“背答案”。團(tuán)隊(duì)嘗試強(qiáng)制糾正提示（Forced Correct Prompt）、少樣本學(xué)習(xí)（Few-shot Learning）等方法，效果均有限。研究表明，LLMs的“推理”實(shí)為對(duì)訓(xùn)練模板的匹配，缺乏對(duì)語(yǔ)義細(xì)微差異的敏感度。
#大模型技術(shù) #計(jì)算模型與人工智能模擬 #跨學(xué)科整合 #語(yǔ)義理解 #AI評(píng)測(cè)
閱讀更多：
Yan, Kai, et al. Recitation over Reasoning: How Cutting-Edge Language Models Can Fail on Elementary School-Level Reasoning Problems? arXiv:2504.00509, arXiv, 1 Apr. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2504.00509
AI也會(huì)“壓力山大”？大語(yǔ)言模型表現(xiàn)竟與人類驚人相似
壓力如何影響AI？中國(guó)科學(xué)院自動(dòng)化研究所的團(tuán)隊(duì)開發(fā)StressPrompt提示集，發(fā)現(xiàn)大語(yǔ)言模型在壓力下的表現(xiàn)曲線與人類幾乎一致：中等壓力提升任務(wù)表現(xiàn)，極端壓力導(dǎo)致性能下降。
研究基于壓力與應(yīng)對(duì)理論（Stress and Coping Theory）等心理學(xué)框架，設(shè)計(jì)100條壓力提示，由人類評(píng)分分級(jí)后應(yīng)用于Llama-3等模型。結(jié)果顯示，在數(shù)學(xué)推理（MATH）任務(wù)中，Llama-3-8B-Instruct在中等壓力（6分）時(shí)得分比低壓力（1分）提升72倍（0.04→2.93分）。情緒智能（EQ-Bench）任務(wù)中，適度壓力增強(qiáng)模型表現(xiàn)，但高壓力會(huì)加劇偏見（ToxiGen數(shù)據(jù)集）。團(tuán)隊(duì)通過表征工程（Representation Engineering）開發(fā)的壓力掃描儀發(fā)現(xiàn)，LLMs深層神經(jīng)活動(dòng)對(duì)壓力敏感，類似人腦高級(jí)認(rèn)知區(qū)。這一發(fā)現(xiàn)為AI在客服、急救等高壓場(chǎng)景的優(yōu)化提供新思路，例如通過動(dòng)態(tài)調(diào)節(jié)“壓力”提升表現(xiàn)。
#認(rèn)知科學(xué) #大模型技術(shù) #跨學(xué)科整合 #計(jì)算模型與人工智能模擬
閱讀更多：
Shen, Guobin, et al. StressPrompt: Does Stress Impact Large Language Models and Human Performance Similarly? arXiv:2409.17167, arXiv, 28 Jan. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2409.17167
神經(jīng)網(wǎng)絡(luò)自組織奧秘揭曉：MIT團(tuán)隊(duì)發(fā)現(xiàn)表征對(duì)齊統(tǒng)一理論
神經(jīng)網(wǎng)絡(luò)如何高效學(xué)習(xí)數(shù)據(jù)特征？麻省理工學(xué)院CSAIL的Tomaso Poggio與博士后Liu Ziyin團(tuán)隊(duì)提出突破性理論，揭示神經(jīng)網(wǎng)絡(luò)訓(xùn)練中表征、權(quán)重與梯度的自對(duì)齊機(jī)制，為解釋深度學(xué)習(xí)「黑箱」提供了統(tǒng)一框架。
研究提出典型表征假設(shè)（CRH），證明神經(jīng)網(wǎng)絡(luò)每層的潛在表征（latent representations）、權(quán)重和神經(jīng)元梯度（neuron gradients）會(huì)在訓(xùn)練中自動(dòng)對(duì)齊，形成緊湊且任務(wù)無(wú)關(guān)的特征表達(dá)。當(dāng)人為打破對(duì)齊時(shí)，三者轉(zhuǎn)為多項(xiàng)式關(guān)系（PAH）。團(tuán)隊(duì)通過圖像分類和自監(jiān)督學(xué)習(xí)實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)這種機(jī)制能解釋神經(jīng)崩潰（neural collapse，即類別表征高度結(jié)構(gòu)化）等現(xiàn)象。例如，在CIFAR-10任務(wù)中，對(duì)齊層的特征維度縮減了70%。研究還指出，通過梯度噪聲注入可人工調(diào)控表征結(jié)構(gòu)。
#AI驅(qū)動(dòng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #計(jì)算模型與人工智能模擬 #跨學(xué)科整合
閱讀更多：
Ziyin, Liu, et al. Formation of Representations in Neural Networks. arXiv:2410.03006, arXiv, 27 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2410.03006
整理｜ChatGPT
編輯｜丹雀、存源
關(guān)于追問nextquestion
天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。如果您有進(jìn)一步想要討論的內(nèi)容，歡迎評(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。
關(guān)于天橋腦科學(xué)研究院
天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。
Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。
Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、等。
熱門跟貼