█ 腦科學(xué)動態(tài)

Nature：短肽利用機械應(yīng)力實現(xiàn)tau蛋白纖維的無源降解

數(shù)字認知測試結(jié)合一滴血或改變阿爾茨海默病診斷格局

頭發(fā)中的壓力信號：皮質(zhì)醇可作為慢性病兒童心理健康預(yù)警指標

為何我們更容易相信朋友的謊言？神經(jīng)科學(xué)揭示信任的“盲點”

情感支持有助于預(yù)防晚年抑郁癥

用康德哲學(xué)重塑意識科學(xué)：整合信息論的核心身份

█ AI行業(yè)動態(tài)

OpenAI發(fā)布GPT-5-Codex，自主審查重構(gòu)大型項目

罕見失明癥迎來曙光：首款線粒體疾病藥物獲英國官方批準

AI巨頭報告：ChatGPT成寫作助手，Claude主攻代碼自動化

█ AI驅(qū)動科學(xué)

神經(jīng)細胞自動機實現(xiàn)目標導(dǎo)向的形態(tài)生成與自修復(fù)

Scaling Law已死？新研究反駁：微小進步可帶來指數(shù)級回報

多感官腦機接口可重塑卒中后大腦網(wǎng)絡(luò)

神經(jīng)語言接口新突破：當(dāng)腦電波情緒識別遇上生成式對話系統(tǒng)

機器學(xué)習(xí)工具為醫(yī)生提供更詳細的胎兒健康3D圖像

DeepMind提出“沙盒經(jīng)濟”框架，應(yīng)對AI智能體經(jīng)濟的崛起

機器為何難以應(yīng)對未知：探索人類與人工智能學(xué)習(xí)的泛化差距

腦科學(xué)動態(tài)

Nature：短肽利用機械應(yīng)力實現(xiàn)tau蛋白纖維的無源降解

如何清除阿爾茨海默病患者大腦中頑固的tau蛋白纏結(jié)？加州大學(xué)洛杉磯分校的 Ke Hou, David S. Eisenberg 及其團隊帶來了一項顛覆性發(fā)現(xiàn)：他們設(shè)計出一種短肽，能利用純粹的物理力量扭斷這些致病蛋白纖維。

該研究的核心在于一種特殊設(shè)計的D型多肽（D-peptide，一種結(jié)構(gòu)穩(wěn)定、不易被降解的短鏈氨基酸）。研究團隊發(fā)現(xiàn)，其中效果最佳的D-TLKIVWI肽段能夠自發(fā)地組裝成一種“模擬”纖維。這種模擬纖維天然呈右手螺旋結(jié)構(gòu)，而阿爾茨海默病中的tau蛋白纖維則是左手螺旋。當(dāng)這兩種結(jié)構(gòu)相反的纖維相遇并結(jié)合時，D型多肽纖維被迫改變自身扭轉(zhuǎn)方向，從而在其內(nèi)部積聚了巨大的物理應(yīng)力。

通過高速原子力顯微鏡的實時觀察，研究人員捕捉到了關(guān)鍵一幕：當(dāng)內(nèi)部應(yīng)力達到臨界點，D型多肽纖維會瞬間釋放扭矩，這股強大的機械力量足以掙斷tau蛋白纖維內(nèi)部的化學(xué)鍵，使其斷裂成無害的小片段。整個過程就像一把“分子扳手”，僅依靠環(huán)境熱能驅(qū)動，無需任何外部能量或生物酶參與。這項技術(shù)不僅為阿爾茨海默病帶來了希望，其開發(fā)的D型多肽還具有穿過血腦屏障且不引發(fā)免疫反應(yīng)的優(yōu)良特性，為帕金森病等其他蛋白錯誤折疊疾病的治療提供了有力工具。研究發(fā)表在 Nature 上。

閱讀更多：

Hou, Ke, et al. “How Short Peptides Disassemble Tau Fibrils in Alzheimer’s Disease.” Nature, vol. 644, no. 8078, Aug. 2025, pp. 1020–27. www.nature.com, https://doi.org/10.1038/s41586-025-09244-z

準確率達90%！數(shù)字認知測試結(jié)合一滴血或改變阿爾茨海默病診斷格局

如何讓阿爾茨海默病的早期篩查在資源有限的基層診所成為可能？瑞典隆德大學(xué)（Lund University）的 Oskar Hansson 和 Pontus Tideman 等研究人員開發(fā)并驗證了一款名為BioCog的數(shù)字認知測試。研究表明，這款由患者自行操作的測試工具，能顯著提升初級保健醫(yī)生識別認知障礙的準確性。

研究團隊設(shè)計了一款可在平板電腦上獨立完成的數(shù)字認知測試BioCog，它不僅評估記憶力、注意力和處理速度等多個認知維度，還能捕捉傳統(tǒng)紙筆測試無法記錄的反應(yīng)時間等精細數(shù)據(jù)。該研究在一個由403名初級保健就診者組成的隊列中驗證了BioCog的有效性。結(jié)果顯示，BioCog識別認知障礙的準確率達到85%，顯著優(yōu)于初級保健醫(yī)生的常規(guī)評估（準確率73%）以及簡易精神狀態(tài)檢查（Mini-Mental State Examination）等標準工具。更重要的是，當(dāng)BioCog與血液檢測（用于測量大腦中阿爾茨海默病病理變化的生物標志物，如磷酸化tau蛋白）相結(jié)合時，識別臨床阿爾茨海默病的準確率飆升至90%。這一組合策略的診斷效能遠超當(dāng)前的標準診療流程（準確率70%），也優(yōu)于單獨使用血液檢測（準確率80%）。這意味著，通過簡單的十分鐘數(shù)字測試，醫(yī)生可以更精準地篩選出需要進行血液檢測的高風(fēng)險患者，從而大大提高診斷效率，并確保真正需要新療法的患者能被及時發(fā)現(xiàn)。研究發(fā)表在 Nature Medicine 上。

閱讀更多：

Tideman, Pontus, et al. “Primary Care Detection of Alzheimer’s Disease Using a Self-Administered Digital Cognitive Test and Blood Biomarkers.” Nature Medicine, Sept. 2025, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41591-025-03965-4

頭發(fā)中的壓力信號：皮質(zhì)醇可作為慢性病兒童心理健康預(yù)警指標

如何及早發(fā)現(xiàn)慢性病兒童的心理健康風(fēng)險？滑鐵盧大學(xué)（University of Waterloo）和麥克馬斯特大學(xué)（McMaster University）的 Emma A. L. Littler 與 Mark A. Ferro 等研究人員，通過一項為期四年的研究發(fā)現(xiàn)，頭發(fā)中長期累積的皮質(zhì)醇水平可以作為一個有效的生物標志物，幫助識別那些最有可能出現(xiàn)抑郁、焦慮等心理問題的兒童。

該研究對244名患有慢性身體疾病的加拿大兒童進行了為期四年的跟蹤。研究人員通過分析頭發(fā)樣本中的皮質(zhì)醇濃度，來客觀評估兒童的長期壓力狀況。結(jié)果顯示，這些兒童的壓力水平變化可分為三種主要模式：68%兒童的皮質(zhì)醇水平持續(xù)偏高，而約23%的兒童其皮質(zhì)醇水平則隨時間推移呈現(xiàn)下降趨勢。

研究發(fā)現(xiàn)，壓力水平的變化軌跡與兒童的心理健康狀況密切相關(guān)。與皮質(zhì)醇水平持續(xù)居高不下的兒童相比，那些皮質(zhì)醇水平逐漸下降的兒童，其表現(xiàn)出的內(nèi)化癥狀（internalising symptoms，如焦慮和抑郁）和外化癥狀（externalising symptoms，如行為和品行問題）顯著更少。這一結(jié)果有力地證明，長期的高壓力狀態(tài)是導(dǎo)致或加劇慢性病兒童心理問題的重要風(fēng)險因素。由于頭發(fā)樣本無創(chuàng)且易于采集，這項發(fā)現(xiàn)為開發(fā)新的心理健康篩查工具提供了可能，有助于醫(yī)生和家庭更早地識別高危兒童并采取支持措施。研究發(fā)表在 Stress and Health 上。

閱讀更多：

Littler, Emma A. L., et al. Association Between Hair Cortisol and Psychopathology in Children With a Chronic Physical Illness. onlinelibrary.wiley.com, https://doi.org/10.1002/smi.70087. Accessed 16 Sept. 2025

為何我們更容易相信朋友的謊言？神經(jīng)科學(xué)揭示信任的“盲點”

人們?yōu)楹螘嘈胖e言，尤其當(dāng)對方是朋友時？為了解答這個問題，華北理工大學(xué)的 Yingjie Liu, Rui Huang 及其團隊利用神經(jīng)影像學(xué)技術(shù)發(fā)現(xiàn)，當(dāng)謊言承諾潛在收益時，人們更容易上當(dāng)。此外，朋友之間大腦活動的同步性可以準確預(yù)測欺騙是否會成功，揭示了信任背后的神經(jīng)機制。

研究團隊招募了66對參與者（包括朋友和陌生人組合），并使用功能性近紅外光譜超掃描技術(shù)，在他們進行交流時同步記錄雙方的大腦活動。實驗設(shè)置了兩種情境：一種是可能為雙方帶來好處的“收益”情境，另一種是帶來壞處的“損失”情境。研究發(fā)現(xiàn)，在“收益”情境中，人們明顯更傾向于相信謊言。這一行為與大腦中負責(zé)獎勵處理的眶額皮質(zhì)（Orbitofrontal Cortex, OFC）和負責(zé)風(fēng)險評估的背外側(cè)前額皮質(zhì)（Dorsolateral Prefrontal Cortex, DLPFC）等區(qū)域的活動密切相關(guān)。

更重要的是，研究首次揭示了“人際神經(jīng)同步”（Interpersonal Neural Synchrony, INS，指互動中兩人大腦活動的耦合現(xiàn)象）在欺騙過程中的關(guān)鍵作用。朋友組合的大腦同步性顯著高于陌生人，并且這種同步模式隨情境而變：在“收益”情境下，朋友間的獎勵腦區(qū)（OFC）高度同步；而在“損失”情境下，則是風(fēng)險評估腦區(qū)（DLPFC）的活動趨于一致?；谶@種大腦同步性，研究團隊構(gòu)建的模型預(yù)測欺騙能否成功的準確率高達86.66%。這表明，與朋友間的信任關(guān)系降低了我們的認知警惕性，使我們的大腦更容易被“同步”，從而影響了對真相的判斷。研究發(fā)表在 Journal of Neuroscience 上。

閱讀更多：

Huang, Rui, et al. “Forewarned Is Forearmed: The Single- and Dual-Brain Mechanisms in Detectors from Dyads of Varying Social Distance During Deceptive Outcomes Evaluation.” Journal of Neuroscience, Sept. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.2129-24.2025

情感支持有助于預(yù)防晚年抑郁癥

晚年抑郁癥是全球性的健康挑戰(zhàn)，但有效的預(yù)防策略尚不明確。為了探究社會支持在其中的具體作用，新南威爾士大學(xué)（UNSW）健康腦老化中心（CHeBA）的 Suraj Samtani 及其國際合作團隊，通過一項大規(guī)模研究發(fā)現(xiàn)，情感上的連接與傾聽，而非物質(zhì)上的幫助，才是保護老年人免受抑郁困擾的關(guān)鍵因素。

這項大規(guī)模薈萃分析整合了來自全球11個國家、近24,000名54至99歲中老年人的數(shù)據(jù)。研究人員區(qū)分了兩種社會支持類型：情感支持（emotional support，指有人可以傾訴和獲得理解）與工具性支持（instrumental support，指在購物、交通等日常事務(wù)上獲得的實際幫助）。通過對參與者進行橫斷面分析和平均近兩年的縱向追蹤，研究團隊評估了這兩種支持與抑郁癥狀之間的關(guān)系。

分析結(jié)果清晰地表明，獲得更多情感支持的參與者，其抑郁癥狀水平顯著更低，并且這種保護效應(yīng)是長期持續(xù)的。令人意外的是，工具性支持并未顯示出同樣的心理健康益處。研究者認為，對于一些老年人來說，需要他人在日常事務(wù)上提供幫助，反而可能強化其無助感或?qū)适И毩⑿缘膿?dān)憂。這項研究最引人注目的發(fā)現(xiàn)之一是，情感支持的積極作用具有強大的跨文化一致性，從澳大利亞到韓國再到巴西，結(jié)論都同樣適用。研究發(fā)表在 American Journal of Epidemiology 上。

閱讀更多：

Samtani, Suraj, et al. “Emotional and Instrumental Social Support and Older Adults’ Depressive Symptoms: Collaborative Individual Participant Data Meta-Analysis of 11 Population-Based Studies of Aging.” American Journal of Epidemiology. academic.oup.com, https://doi.org/10.1093/aje/kwaf137. Accessed 16 Sept. 2025

用康德哲學(xué)重塑意識科學(xué)：整合信息論的核心身份

當(dāng)前沿的意識科學(xué)理論（整合信息論）面臨哲學(xué)根基不穩(wěn)的挑戰(zhàn)時，我們該如何應(yīng)對？Robert Chis-Ciure 通過一項理論研究，引入了康德哲學(xué)中的“先驗建構(gòu)原則”，為整合信息論的核心論斷——即主觀體驗與特定數(shù)學(xué)結(jié)構(gòu)等同——提供了堅實的哲學(xué)辯護，從而加強了整個理論的解釋力。

整合信息論（ IIT）主張，任何一次主觀體驗都等同于一個特定的、不可分割的因果結(jié)構(gòu)，這個結(jié)構(gòu)可以通過一個名為Φ（Phi）的數(shù)學(xué)量來度量。然而，這個核心的“等同”論斷常常被批評為缺乏根據(jù)。該研究并未直接進行實驗，而是采用了一種哲學(xué)分析的方法，將這一核心論斷重新定義為一種“先驗建構(gòu)原則”（constitutive a priori principle，即構(gòu)建科學(xué)知識體系所必需的、先于經(jīng)驗的 foundational rule）。

作者認為，這個原則并非一個等待被經(jīng)驗證偽的假說，而是使得IIT成為一門科學(xué)的邏輯前提。就像物理學(xué)中的基本定律（如光速不變原理）為整個理論框架奠定了基礎(chǔ)一樣，〈體驗 = Φ-結(jié)構(gòu)〉這一原則在IIT中扮演著類似的角色。它賦予了主觀體驗的各種屬性（如整體性、特定性）可供數(shù)學(xué)描述和操作的經(jīng)驗意義，使得理論的數(shù)學(xué)形式能夠與真實世界的現(xiàn)象學(xué)聯(lián)系起來，從而讓理論的預(yù)測變得可以檢驗。簡而言之，該原則是連接主觀世界與客觀科學(xué)描述的橋梁，沒有它，IIT的數(shù)學(xué)公式將是空洞的，無法解釋任何實際的意識現(xiàn)象。這項工作倡導(dǎo)將哲學(xué)思辨工具更廣泛地應(yīng)用于意識科學(xué)，以構(gòu)建更嚴謹、更具可操作性的理論。研究發(fā)表在 Philosophical Psychology 上。

閱讀更多：

Chis-Ciure, Robert. “Consciousness Science and Constitutive a Priori Principles: On the Fundamental Identity of Integrated Information Theory.” Philosophical Explorations, pp. 1–25. PhilPapers, https://doi.org/10.1080/13869795.2025.2550245

AI 行業(yè)動態(tài)

OpenAI發(fā)布GPT-5-Codex，自主審查重構(gòu)大型項目

OpenAI于今日凌晨發(fā)布了其專為軟件工程任務(wù)深度優(yōu)化的新模型——GPT-5-Codex。該模型旨在革新開發(fā)者與AI的協(xié)作方式，它不僅能在短時交互中快速響應(yīng)，更能像一位初級工程師一樣，獨立執(zhí)行長達數(shù)小時的復(fù)雜任務(wù)。據(jù)OpenAI介紹，在內(nèi)部測試中，GPT-5-Codex曾自主工作超過7小時，持續(xù)進行代碼實現(xiàn)、測試修復(fù)和功能迭代。該模型的發(fā)布迅速引發(fā)熱烈反響，OpenAI首席執(zhí)行官Sam Altman透露，上線僅兩個半小時，其流量就已占據(jù)Codex總流量的40%，顯示出開發(fā)者社區(qū)對其的高度期待和快速接納。

GPT-5-Codex的核心優(yōu)勢在于其卓越的自主軟件工程能力和代碼質(zhì)量。相較于通用的GPT-5，它在SWE-bench Verified 和代碼重構(gòu)任務(wù)上表現(xiàn)更優(yōu)，且更善于遵循指令。該模型具備強大的代碼審查能力，能通過分析整個代碼庫、依賴關(guān)系乃至運行代碼和測試來發(fā)現(xiàn)關(guān)鍵漏洞，其審查意見的精準度高，能有效幫助開發(fā)團隊在代碼上線前規(guī)避風(fēng)險。此外，它還能根據(jù)任務(wù)復(fù)雜度動態(tài)調(diào)整投入的計算資源，處理簡單請求時消耗更少，面對大型重構(gòu)等復(fù)雜任務(wù)時則會投入更多時間進行深度推理。

為了配合新模型的發(fā)布，OpenAI還對整個Codex生態(tài)進行了升級，推出了全新設(shè)計的Codex CLI 和支持VS Code等主流編輯器的IDE 插件。這些工具打通了本地與云端環(huán)境，允許開發(fā)者無縫切換，并支持上傳截圖、設(shè)計圖等視覺信息作為上下文。在安全方面，OpenAI為Codex設(shè)計了默認的沙箱環(huán)境和權(quán)限審批機制，以防范潛在風(fēng)險。目前，GPT-5-Codex已集成在ChatGPT的各項訂閱計劃中，并計劃很快通過API向更多開發(fā)者開放。

-5-Codex

閱讀更多：

https://openai.com/index/introducing-upgrades-to-codex/

罕見失明癥迎來曙光：首款線粒體疾病藥物獲英國官方批準

近日，一項針對萊伯氏遺傳性視神經(jīng)病變 （Leber's Hereditary Optic Neuropathy, LHON: 一種罕見的遺傳性疾病，會損害視神經(jīng)細胞導(dǎo)致視力突然喪失）的創(chuàng)新療法在英國取得了里程碑式的進展。經(jīng)過一項由倫敦大學(xué)學(xué)院和摩爾菲爾德眼科醫(yī)院（Moorfields Eye Hospital）研究人員共同領(lǐng)導(dǎo)的臨床試驗成功后，名為艾地苯醌（idebenone）的藥物已被英國國家健康與臨床優(yōu)化研究所（NICE）批準用于國民醫(yī)療服務(wù)體系（NHS），為12歲及以上的LHON患者提供標準治療。這項批準意義重大，因為它標志著NICE首次為任何類型的線粒體疾病治療方案開綠燈。

LHON疾病的根源在于細胞線粒體功能異常，主要影響將視覺信息傳遞給大腦的視神經(jīng)細胞，導(dǎo)致患者在數(shù)周內(nèi)視力迅速惡化至法定失明，且此前無有效治愈方法。此次獲批的艾地苯醌是一種每日三次的口服藥物，其作用機理是通過支持視神經(jīng)細胞內(nèi)的線粒體功能，促進能量生產(chǎn)，從而減少細胞損傷并改善視力。由眼科教授Dr. Patrick Yu-Wai-Man領(lǐng)導(dǎo)的一項大型國際臨床試驗證實了該藥物的長期療效，其研究成果是NICE做出批準決定的關(guān)鍵證據(jù)。不過，研究人員也指出，該療法并非對所有患者都有效，目前數(shù)據(jù)顯示其有效率約為50%。

盡管如此，這一進展仍然為英國約2500名LHON患者及其家庭帶來了巨大的希望。正如Dr. Yu-Wai-Man所言，這為遭受嚴重視力喪失的患者帶來了曙光。NICE的藥物評估總監(jiān)Helen Knight也強調(diào)，該藥物能切實改善患者的視力與生活質(zhì)量?；颊週ily的親身經(jīng)歷生動地證明了這一點：她在視力嚴重受損后通過服用艾地苯醌，不僅恢復(fù)了部分視力，能夠獨立完成大學(xué)學(xué)業(yè)和日常生活，甚至還與家人一同完成了馬拉松比賽，重獲了寶貴的獨立與自信。

閱讀更多：

https://www.sciencedirect.com/science/article/pii/S2666379124000600?via%3Dihub

AI巨頭報告：ChatGPT成寫作助手，Claude主攻代碼自動化

近期，OpenAI與Anthropic兩大人工智能巨頭相繼發(fā)布重磅報告，首次系統(tǒng)性地揭示了旗下產(chǎn)品ChatGPT和Claude的全球用戶行為圖譜。由OpenAI聯(lián)合杜克大學(xué)和哈佛大學(xué)發(fā)布的研究顯示，ChatGPT已成為現(xiàn)象級應(yīng)用，周活躍用戶超7億，每周處理高達180億條消息。報告指出，該平臺的主流用途集中在實用建議、信息查詢和文書寫作三大領(lǐng)域，占據(jù)了近八成對話量。值得注意的是，曾被視為核心場景的編程輔助功能使用率大幅下滑，表明用戶正將ChatGPT更多地視為一個通用的知識顧問和高效的寫作助理，而非專業(yè)開發(fā)工具。

與此同時，Anthropic發(fā)布的最新AI經(jīng)濟指數(shù)報告則描繪了另一番景象。數(shù)據(jù)顯示，用戶正將完整的任務(wù)“外包”給Claude，指令式自動化任務(wù)占比在八個月內(nèi)從27%飆升至39%。與ChatGPT不同，代碼編寫是Claude最核心的應(yīng)用場景之一，占比高達36%，且呈增長趨勢。報告還揭示了一個有趣的現(xiàn)象：在人均Claude使用率更高的富裕地區(qū)，用戶更傾向于與AI進行協(xié)作；而在使用率較低的地區(qū)，用戶則更偏愛直接讓AI自動化完成任務(wù)。

兩份報告共同勾勒出當(dāng)前AI應(yīng)用的分化趨勢和人機關(guān)系的演進。ChatGPT憑借其易用性，正深度融入數(shù)億人的日常生活與非技術(shù)性工作，成為全民化的“寫作外腦”。而Claude則在專業(yè)領(lǐng)域，尤其是在軟件開發(fā)和企業(yè)應(yīng)用中，扮演著越來越重要的自動化引擎角色。企業(yè)級用戶在使用Claude時表現(xiàn)得更為激進，其API調(diào)用中高達77%呈現(xiàn)自動化模式。

閱讀更多：

https://openai.com/index/how-people-are-using-chatgpt/

AI 驅(qū)動科學(xué)

AI逆向設(shè)計“生命游戲”：神經(jīng)細胞自動機實現(xiàn)目標導(dǎo)向的形態(tài)生成與自修復(fù)

如何讓一堆無序的單元自發(fā)組裝成預(yù)設(shè)的復(fù)雜結(jié)構(gòu)，甚至像生物一樣自我修復(fù)？谷歌研究院的 Alexander Mordvintsev 與塔夫茨大學(xué)的 Michael Levin 等人合作，通過將深度學(xué)習(xí)與經(jīng)典的細胞自動機概念相結(jié)合，成功開發(fā)出一種名為神經(jīng)細胞自動機（NCAs）的系統(tǒng)，實現(xiàn)了從目標形態(tài)出發(fā)，反向推導(dǎo)出自組織規(guī)則的突破。

這項研究顛覆了傳統(tǒng)“生命游戲”的玩法。研究人員不再預(yù)設(shè)規(guī)則觀察結(jié)果，而是先設(shè)定一個目標，比如一只蜥蜴的圖案，然后讓系統(tǒng)自行學(xué)習(xí)生成規(guī)則。其核心是一種神經(jīng)網(wǎng)絡(luò)，它充當(dāng)每個像素細胞的“大腦”，僅根據(jù)周圍鄰居的狀態(tài)決定自身下一步的變化。通過類似深度學(xué)習(xí)的訓(xùn)練過程，系統(tǒng)從一個單細胞種子開始，不斷迭代、調(diào)整規(guī)則，直至能穩(wěn)定地“生長”出完整的蜥蜴。該模型的驚人之處在于其涌現(xiàn)出的生物學(xué)特性。這些數(shù)字“有機體”不僅能生長，還具備強大的自修復(fù)能力。如果在生成的蜥蜴身上用鼠標抹去一塊，剩余的細胞會自發(fā)協(xié)調(diào)，重新長出缺失的部分，這一過程完美模擬了生物學(xué)中的形態(tài)發(fā)生。研究人員發(fā)現(xiàn)，這種再生能力部分源于訓(xùn)練中引入的隨機性，迫使系統(tǒng)學(xué)會應(yīng)對各種意外擾動。該模型不僅為理解生物發(fā)育和再生提供了新工具，也為設(shè)計能夠自我修復(fù)的材料和無需中央控制的機器人集群開辟了新路徑。

閱讀更多：

https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/

Scaling Law已死？新研究反駁：微小進步可帶來指數(shù)級回報

隨著大模型規(guī)模持續(xù)擴大，其在標準測試上的收益遞減引發(fā)了對Scaling Law未來的質(zhì)疑。來自劍橋大學(xué)、斯圖加特大學(xué)等機構(gòu)的 Akshit Sinha, Arvindh Arun 等研究人員，通過新方法發(fā)現(xiàn)，即使單步準確率的微小提升，也能復(fù)合增長為模型完成長程任務(wù)能力的指數(shù)級躍升，揭示了Scaling Law的潛在價值并未耗盡。

研究團隊設(shè)計了一種創(chuàng)新的實驗框架，將模型的規(guī)劃、知識和執(zhí)行能力進行解耦。通過直接向模型提供完整的計劃和所需知識，他們得以精確評估其在長程任務(wù)中的純粹執(zhí)行能力。研究首先從數(shù)學(xué)上證明并隨后通過實驗證實了一個反直覺的結(jié)論：模型單步準確率的微小、看似收益遞減的提升，會通過復(fù)利效應(yīng)轉(zhuǎn)化為模型能成功完成的任務(wù)長度的指數(shù)級增長。

更有趣的是，研究揭示了導(dǎo)致模型在長任務(wù)中失敗的一個關(guān)鍵機制：自我條件化（self-conditioning，即模型會因觀察到自身的歷史錯誤而增加未來犯錯的概率）。這種效應(yīng)導(dǎo)致模型的錯誤率隨任務(wù)進行而上升，并且單純擴大模型規(guī)模并不能有效解決此問題。然而，研究發(fā)現(xiàn)，具備“思考”能力的模型，例如使用思維鏈技術(shù)的模型，能夠有效克服自我條件化限制。在基準測試中，不具備思考能力的前沿模型甚至難以完成兩步的執(zhí)行，而其思考版本則能執(zhí)行數(shù)百步。其中，代號為Horizon的GPT-5思考版本更是能夠執(zhí)行超過1000步，遠超其他模型。這項研究強調(diào)，評估大模型不應(yīng)只看短期任務(wù)的準確率，其長程執(zhí)行能力仍在隨規(guī)模擴大而飛速發(fā)展。

Law

閱讀更多：

Sinha, Akshit, et al. “The Illusion of Diminishing Returns: Measuring Long Horizon Execution in LLMs.” arXiv:2509.09677, arXiv, 11 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.09677

多感官腦機接口可重塑卒中后大腦網(wǎng)絡(luò)

慢性卒中患者的上肢運動功能恢復(fù)常遇瓶頸。為解決此難題，上海交通大學(xué)醫(yī)學(xué)院松江研究院的 Rongrong Lu, Zhengrun Gao 及其團隊開發(fā)了一種新型多感官腦機接口（BCI）。研究發(fā)現(xiàn)，該系統(tǒng)通過整合多種感覺反饋，能有效重塑大腦高級網(wǎng)絡(luò)，建立從受損半球到健康半球的補償性信息通路，從而顯著促進患者的運動功能恢復(fù)。

? 多模態(tài)BCI對運動功能的促進作用。Credit:BMC Medicine.

該研究對39名慢性卒中患者進行了為期4周的隨機對照試驗。實驗組采用一種創(chuàng)新的多感官腦機接口系統(tǒng)進行訓(xùn)練，該系統(tǒng)將患者的運動想象與三種實時反饋相結(jié)合：由外骨骼提供的本體感覺、刷子刺激帶來的觸覺以及虛擬現(xiàn)實呈現(xiàn)的視覺。對照組則接受傳統(tǒng)的運動想象療法。結(jié)果顯示，實驗組的運動功能恢復(fù)遠超對照組，其核心指標福格邁爾評定量表（Fugl-Meyer Assessment，簡稱FMA）分數(shù)平均提升了4.40分，而對照組僅為2.26分。更深層的機制通過功能性磁共振成像（fMRI）得以揭示。訓(xùn)練后，實驗組患者在想象移動癱瘓肢體時，大腦中包括默認模式網(wǎng)絡(luò)、注意網(wǎng)絡(luò)在內(nèi)的高階跨模態(tài)網(wǎng)絡(luò)被顯著激活。通過格蘭杰因果分析（Granger causality analysis）進一步發(fā)現(xiàn)，該訓(xùn)練策略成功地建立了一條新的信息流路徑：運動指令從受損的運動皮層出發(fā)，經(jīng)由這些被激活的高階網(wǎng)絡(luò)作為“橋梁”，傳遞到健康的對側(cè)運動皮層，從而實現(xiàn)了跨半球的功能代償與整合。這一網(wǎng)絡(luò)連接的變化強度還能準確預(yù)測每位患者的康復(fù)效果。研究發(fā)表在 BMC Medicine 上。

閱讀更多：

Lu, Rongrong, et al. “Multisensory BCI Promotes Motor Recovery via High-Order Network-Mediated Interhemispheric Integration in Chronic Stroke.” BMC Medicine, vol. 23, no. 1, July 2025, p. 380. BioMed Central, https://doi.org/10.1186/s12916-025-04214-8

神經(jīng)語言接口新突破：當(dāng)腦電波情緒識別遇上生成式對話系統(tǒng)

數(shù)字時代的虛擬社交加劇了情感孤立，而傳統(tǒng)AI對話系統(tǒng)無法洞察用戶真實情緒。為解決此問題，Paolo Sorino, Giovanni Maria Biancofiore及其同事開發(fā)了名為ARIEL的情感支持系統(tǒng)，該系統(tǒng)首次將腦機接口與大語言模型深度融合，通過實時解析腦電波，讓AI能夠真正“感知”并回應(yīng)用戶的情緒。

? ARIEL框架工作流程示意圖左側(cè)顯示用戶通過神經(jīng)語言接口（a）與ARIEL交互，該組件同步支持文本消息傳遞與BCI設(shè)備腦電（EEG）信號采集。右側(cè)情緒識別器（b）接收EEG信號流，通過多種機器學(xué)習(xí)分類器推斷信號對應(yīng)的情緒標簽。該標簽與用戶消息共同輸入提示格式器（c），后者根據(jù)對話狀態(tài)將信息封裝至最佳提示模板。大語言模型（d）基于選定提示生成情感支持回應(yīng)，并返回用戶以延續(xù)對話。當(dāng)用戶達到積極情緒狀態(tài)并主動結(jié)束對話時，交互流程終止。Credit:Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization.

ARIEL系統(tǒng)的核心創(chuàng)新在于構(gòu)建了一個“神經(jīng)信號-語義生成”的雙向交互范式。該系統(tǒng)通過一個非侵入式的腦機接口實時采集用戶的腦電（EEG）信號，同時接收文本輸入。這些EEG信號被送入一個情緒識別器，該識別器利用機器學(xué)習(xí)算法（支持向量機模型準確率達76-80%）將復(fù)雜的腦電波模式解碼為明確的情緒標簽，如“悲傷”或“憤怒”，從而有效規(guī)避了純文本交流中常見的“語義偽裝”。一旦識別出用戶的情緒，系統(tǒng)會動態(tài)地將該情緒標簽整合進一個為大語言模型（處使用的是LLaMA 2）量身定制的提示中。LLM隨即生成具有高度情境感知和共情能力的對話，旨在引導(dǎo)用戶情緒向積極方向轉(zhuǎn)化。例如，當(dāng)系統(tǒng)通過EEG監(jiān)測到用戶因工作壓力而悲傷時，它會主動發(fā)起對話，并根據(jù)用戶情緒的實時變化（如從悲傷轉(zhuǎn)為中性）靈活調(diào)整溝通策略，最終在其情緒穩(wěn)定后自動結(jié)束對話。實驗證明，該系統(tǒng)識別隱藏負面情緒的準確率提升了32%，引導(dǎo)情緒轉(zhuǎn)化的效率提高了41%。研究發(fā)表在 Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization 上。

閱讀更多：

Sorino, Paolo, et al. “ARIEL: Brain-Computer Interfaces Meet Large Language Models for Emotional Support Conversation.” Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization [New York, NY, USA], UMAP Adjunct ’24, 2024, pp. 601–09, https://doi.org/10.1145/3631700.3665193

機器學(xué)習(xí)工具為醫(yī)生提供更詳細的胎兒健康3D圖像

如何精確評估子宮內(nèi)活動頻繁的胎兒的健康狀況？針對傳統(tǒng)3D MRI圖像難以解讀的挑戰(zhàn)，麻省理工學(xué)院計算機科學(xué)與人工智能實驗室、波士頓兒童醫(yī)院及哈佛醫(yī)學(xué)院的 Yingcheng Liu, Polina Golland 等研究人員，開發(fā)了一款名為 Fetal SMPL 的機器學(xué)習(xí)工具，能夠高精度地創(chuàng)建動態(tài)3D胎兒模型。

? Fetal SMPL 已在 20,000 個 MRI 體素上進行訓(xùn)練，用于預(yù)測胎兒的位置和大小，并創(chuàng)建類似雕塑的 3D 圖像。該方法可以幫助醫(yī)生精確測量胎兒的頭部大小等指標，并將這些指標與同齡健康胎兒進行比較。Credit: Alex Shipps and Yingcheng Liu/MIT CSAIL

該研究的核心是創(chuàng)建了一個名為 Fetal SMPL 的三維關(guān)節(jié)模型，它通過學(xué)習(xí)近20,000份胎兒MRI掃描數(shù)據(jù)，掌握了胎兒在子宮內(nèi)的各種形態(tài)和姿勢。該模型內(nèi)置了一個包含23個關(guān)節(jié)的虛擬骨架，即運動樹（kinematic tree），并采用一種創(chuàng)新的算法，能夠智能地區(qū)分胎兒固有的身體形狀（如大小、胖瘦）和其一時的姿勢（如蜷縮、伸展）。這種將形態(tài)與姿勢分離處理的方式，使得模型即便在面對模糊或不完整的MRI圖像時，也能整合多幀信息，精準重建出胎兒的完整三維形態(tài)。測試結(jié)果顯示，F(xiàn)etal SMPL 的精準度驚人，其模型與真實掃描圖像的平均誤差僅為3.1毫米，比一粒米還小。這意味著醫(yī)生可以利用該工具進行前所未有的精確測量，例如自動計算胎兒的頭圍、腹圍等關(guān)鍵生長指標，并與同孕周的健康胎兒數(shù)據(jù)進行比較，從而更早、更準確地發(fā)現(xiàn)潛在的發(fā)育異常。未來，團隊計劃將模型升級，以模擬肝臟、肺部等內(nèi)部器官，提供更全面的健康評估。

閱讀更多：

Liu, Yingcheng, et al. “Fetuses Made Simple: Modeling and Tracking of Fetal Shape and Pose.” arXiv:2506.17858, arXiv, 17 July 2025. arXiv.org, https://doi.org/10.48550/arXiv.2506.17858

DeepMind提出“沙盒經(jīng)濟”框架，應(yīng)對AI智能體經(jīng)濟的崛起

AI智能體正在形成一個超越人類監(jiān)督速度的龐大經(jīng)濟網(wǎng)絡(luò)，這帶來了哪些機遇和風(fēng)險？DeepMind的 Nenad Toma?ev, Joel Z. Leibo 等研究人員提出了“沙盒經(jīng)濟”（sandbox economy）理論框架，旨在為主動設(shè)計一個安全、可控且對社會有益的AI智能體市場提供藍圖。

研究團隊構(gòu)建了一個理論分析框架，將新興的AI經(jīng)濟沿著兩個維度進行劃分：起源（自發(fā)涌現(xiàn)還是有意設(shè)計）和與人類經(jīng)濟的邊界滲透性（permeability，即相互影響的程度）。研究指出，當(dāng)前默認的發(fā)展路徑將不可避免地形成一個自發(fā)且高度滲透的AI經(jīng)濟，這帶來了巨大風(fēng)險。如同金融領(lǐng)域的高頻交易可能引發(fā)“閃電崩盤”一樣，不受控的AI經(jīng)濟互動也可能導(dǎo)致系統(tǒng)性危機，并因智能體能力差異而加劇貧富差距。為避免這些風(fēng)險，研究者倡導(dǎo)主動設(shè)計“可控的智能體市場”。他們提出了三大核心機制：首先，借鑒社會選擇理論，設(shè)計基于拍賣的系統(tǒng)來公平分配計算資源等關(guān)鍵要素，確保不同用戶的AI代理擁有平等的議價能力。其次，構(gòu)建“使命經(jīng)濟”（mission economies），通過市場激勵引導(dǎo)海量AI智能體協(xié)同攻克氣候變化、加速科學(xué)發(fā)現(xiàn)等人類共同目標。最后，必須建立強大的技術(shù)基礎(chǔ)設(shè)施，例如使用可驗證憑證（Verifiable Credentials，一種可被機器讀取和驗證的數(shù)字證書）和去中心化標識符（Decentralized Identifiers，一種不受中央機構(gòu)控制的全球唯一身份標識）來確保智能體的可信度和交易安全，并利用人格證明（Proof-of-Personhood）機制防止欺詐。

閱讀更多：

Tomasev, Nenad, et al. “Virtual Agent Economies.” arXiv:2509.10147, arXiv, 12 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.10147

機器為何難以應(yīng)對未知：探索人類與人工智能學(xué)習(xí)的泛化差距

人工智能為何難以應(yīng)對全新情境？為了彌合AI與人類學(xué)習(xí)能力的差距，來自比勒費爾德大學(xué)、阿姆斯特丹大學(xué)等國際頂尖機構(gòu)的 Filip Ilievski, Barbara Hammer, Benjamin Paassen 等二十余位專家，通過跨學(xué)科合作，共同提出了一個統(tǒng)一框架，系統(tǒng)闡述了人機在“泛化”能力上的核心差異，旨在促進有效的AI對齊。

? 人類與統(tǒng)計機器的優(yōu)勢比較，展現(xiàn)了它們在人機協(xié)作場景中的互補泛化能力。Credit: Nature Machine Intelligence (2025).

研究的核心在于剖析了泛化這一概念在人類與機器中的根本不同。研究團隊指出，人類的泛化依賴于高度的抽象和概念學(xué)習(xí)，使我們能靈活地將知識應(yīng)用于全新問題。相比之下，人工智能的泛化是一個涵蓋多種技術(shù)路徑的總稱，包括機器學(xué)習(xí)模型超越訓(xùn)練數(shù)據(jù)范圍的域外泛化（out-of-domain generalization）、符號系統(tǒng)中基于邏輯規(guī)則的推理，以及結(jié)合神經(jīng)網(wǎng)絡(luò)與邏輯的神經(jīng)符號AI。為了系統(tǒng)地梳理這些差異，研究者們提出了一個跨學(xué)科的共享框架，從三個維度進行分析：泛化的概念、實現(xiàn)方法以及評估標準。該框架清晰地映射出兩個領(lǐng)域的不同路徑和側(cè)重點。研究結(jié)論認為，只有深入理解并協(xié)調(diào)這些差異，才可能實現(xiàn)真正的AI對齊（AI alignment，即使AI系統(tǒng)按人類偏好行事），并構(gòu)建出高效、可靠的人機協(xié)作團隊。這項工作為設(shè)計能更好理解和支持人類價值觀與決策邏輯的下一代AI系統(tǒng)奠定了重要的理論基礎(chǔ)。研究發(fā)表在 Nature Machine Intelligence 上。

閱讀更多：

Ilievski, Filip, et al. “Aligning Generalization between Humans and Machines.” Nature Machine Intelligence, Sept. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s42256-025-01109-4

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，不斷探索科學(xué)的邊界。如果您有進一步想要討論的內(nèi)容，歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。

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10億美元創(chuàng)建的世界最大私人腦科學(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，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)前沿實驗室、人工智能與精神健康前沿實驗室；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)，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、等。