█腦科學(xué)動態(tài)

通過看小鼠“面相”，揭示其認(rèn)知功能

從行為建模到意識理論：主動推理框架中隱含的最小意識理論

壓力通過殺死1%的特定神經(jīng)元來減少大腦供血

聽力損失重塑嬰兒大腦網(wǎng)絡(luò)，早期語言干預(yù)刻不容緩

癡呆癥早期預(yù)警新線索：言語中的停頓成關(guān)鍵指標(biāo)

越累學(xué)得越快？新研究發(fā)現(xiàn)大腦在疲勞時更具可塑性

勝則獎賞，敗則失控：神經(jīng)影像學(xué)揭示球迷大腦的極端反應(yīng)

█AI行業(yè)動態(tài)

扎克伯格夫婦千億豪賭AI+生物學(xué)，誓言在本世紀(jì)末根治所有疾病

AI制藥獨角獸Iambic再獲超1億美元融資

AI驅(qū)動生物科技革命：20年護(hù)膚品研發(fā)周期縮短至10個月

圖靈獎得主Yann LeCun告別Meta，傳將創(chuàng)立新公司

█AI驅(qū)動科學(xué)

拓?fù)涓兄疃葘W(xué)習(xí)模型增強(qiáng)了基于腦電圖的運(yùn)動想象解碼能力

AI大腦新圖譜：記憶與推理功能分離，可精準(zhǔn)“編輯”記憶

“讀心”的秘密：大語言模型如何通過極稀疏參數(shù)編碼心智理論

AI假臉防不勝防？研究發(fā)現(xiàn)五分鐘訓(xùn)練即可擦亮雙眼

微小的數(shù)字摩擦可以減緩虛假信息的傳播

腦科學(xué)動態(tài)

通過看小鼠“面相”，揭示其認(rèn)知功能

大腦活動在控制行為時會產(chǎn)生無意識的伴隨動作，這些動作是否能揭示潛在的認(rèn)知狀態(tài)？葡萄牙尚帕里莫基金會的Fanny Cazettes和Zachary F. Mainen等人研究發(fā)現(xiàn)，小鼠的面部表情能夠同時編碼多個決策變量，甚至包括當(dāng)前未被使用的變量，并揭示了這些表情部分起源于次級運(yùn)動皮層的神經(jīng)活動。

研究團(tuán)隊設(shè)計了一個概率性覓食任務(wù)，讓小鼠在舔舐糖水時，需要根據(jù)不同策略（例如計算連續(xù)失敗次數(shù)或累計獎勵）來決定是否切換位置。通過高分辨率視頻和奇異值分解分析，研究人員發(fā)現(xiàn)小鼠的面部表情而非身體動作，能夠同時且精確地編碼多個決策變量，即使某些變量在當(dāng)前決策中并未被采納。這些面部模式在不同小鼠間具有驚人的一致性，如同刻板的“表情包”。為探究其神經(jīng)起源，團(tuán)隊同步記錄了多個腦區(qū)的神經(jīng)活動。結(jié)果顯示，次級運(yùn)動皮層（M2）對決策變量的編碼在時間上略早于面部表情的出現(xiàn)，而面部表情的出現(xiàn)又早于眶額皮層等其他腦區(qū)。這一發(fā)現(xiàn)表明，M2的神經(jīng)活動是這些認(rèn)知性面部表情的驅(qū)動源頭之一，證明了通過非侵入性的面部監(jiān)測，可以揭示大腦中原本潛在的認(rèn)知計算過程。研究發(fā)表在 Nature Neuroscience 上。

閱讀更多：

Cazettes, Fanny, et al. “Facial Expressions in Mice Reveal Latent Cognitive Variables and Their Neural Correlates.” Nature Neuroscience, vol. 28, no. 11, Nov. 2025, pp. 2310–18. www.nature.com, https://doi.org/10.1038/s41593-025-02071-5

從行為建模到意識理論：主動推理框架中隱含的最小意識理論

意識研究領(lǐng)域長期存在理論碎片化問題，不同理論難以相互比較和驗證。Christopher J. Whyte, Karl J. Friston, Anil K. Seth 等研究人員另辟蹊徑，提出不應(yīng)從意識的某個特定方面出發(fā)，而應(yīng)從一個普適性的行為建模框架——主動推理中，自下而上地構(gòu)建一個最小且可檢驗的意識理論。

該理論的核心基于主動推理框架，它將大腦視為一個預(yù)測機(jī)器，其根本目標(biāo)是最小化“意外”，即預(yù)測與感官輸入之間的誤差。研究者指出，這一過程通過最小化一個稱為變分自由能的目標(biāo)函數(shù)來實現(xiàn)。在感知層面，大腦需要在最大化預(yù)測準(zhǔn)確性與最小化模型復(fù)雜性之間取得平衡，以形成對外部世界的穩(wěn)定認(rèn)知。在行動層面，大腦通過最小化預(yù)期自由能來規(guī)劃未來，這要求智能體在追求偏好目標(biāo)（降低風(fēng)險）、減少對世界狀態(tài)的不確定性（降低模糊性）以及探索新信息（最大化新穎性）之間進(jìn)行權(quán)衡。研究團(tuán)隊認(rèn)為，這個統(tǒng)一的數(shù)學(xué)框架本身就隱含了一套關(guān)于意識的理論承諾。通過將主動推理模型應(yīng)用于意識科學(xué)的各種現(xiàn)象——從基本的知覺意識到復(fù)雜的自我意識——可以發(fā)現(xiàn)它們背后共通的計算原理。這種方法有望超越現(xiàn)有理論的局限，為意識研究提供一種統(tǒng)一的數(shù)學(xué)語言和可檢驗的理論基礎(chǔ)。研究發(fā)表在 Physics of Life Reviews 上。

閱讀更多：

Whyte, Christopher J., et al. “On the Minimal Theory of Consciousness Implicit in Active Inference.” Physics of Life Reviews, Nov. 2025. ScienceDirect, https://doi.org/10.1016/j.plrev.2025.11.002

壓力通過殺死1%的特定神經(jīng)元來減少大腦供血

壓力如何具體損害大腦并可能增加神經(jīng)退行性疾病風(fēng)險？賓夕法尼亞州立大學(xué)的 Kevin Turner, Patrick J. Drew 等研究人員聚焦于一類對壓力極其敏感的罕見神經(jīng)元，發(fā)現(xiàn)其對于維持正常的腦血流和神經(jīng)活動至關(guān)重要，其缺失可能是連接壓力與腦功能下降的關(guān)鍵環(huán)節(jié)。

?研究團(tuán)隊的目標(biāo)神經(jīng)元類型是 1 型 nNOS（上圖中黃色部分），與其他腦神經(jīng)元相比，這種神經(jīng)元較為罕見。通過注射法，研究團(tuán)隊能夠系統(tǒng)性地清除腦中的這類神經(jīng)元，從而深入了解它們所發(fā)揮的作用。Credit: Patrick Drew / Penn State

研究團(tuán)隊開創(chuàng)了一種新方法，通過向小鼠的體感皮層（somatosensory cortex，處理觸覺等感覺輸入的區(qū)域）精準(zhǔn)注射一種名為皂苷（saporin）的毒性蛋白，特異性地清除了數(shù)量稀少（占大腦神經(jīng)元不足1%）的I型nNOS神經(jīng)元（type-one nNOS neurons）。隨后，他們利用高分辨率成像和電極監(jiān)測發(fā)現(xiàn)，缺少了這些神經(jīng)元的小鼠，其腦血管規(guī)律性的擴(kuò)張和收縮，即自發(fā)振蕩（spontaneous oscillation），幅度顯著減小，導(dǎo)致整體腦血流量下降。同時，大腦的電活動也普遍減弱。有趣的是，這些負(fù)面影響在睡眠期間比清醒時更為嚴(yán)重，暗示了這類神經(jīng)元對大腦在睡眠中的恢復(fù)和支持功能可能尤為重要。此外，大腦兩個半球之間的神經(jīng)信號協(xié)調(diào)性也隨之降低。這項研究表明，這一小群對壓力脆弱的神經(jīng)元在協(xié)調(diào)全腦范圍的血流和神經(jīng)活動中扮演著“指揮官”的角色，它們的喪失可能是慢性壓力導(dǎo)致大腦健康惡化的一個此前未被探明的重要原因。研究發(fā)表在 eLife 上。

閱讀更多：

Turner, Kevin, et al. “Type-I nNOS Neurons Orchestrate Cortical Neural Activity and Vasomotion.” eLife, edited by Mark T Nelson and Laura L Colgin, vol. 14, Nov. 2025, p. RP105649. eLife, https://doi.org/10.7554/eLife.105649

聽力損失重塑嬰兒大腦網(wǎng)絡(luò)，早期語言干預(yù)刻不容緩

生命早期聽覺輸入對大腦發(fā)育至關(guān)重要，但聽力損失如何影響嬰兒大腦功能網(wǎng)絡(luò)的建立尚不明確。加州大學(xué)默塞德分校的Heather Bortfeld和北京師范大學(xué)的Haijing Niu等人通過研究揭示，患有先天性聽力損失的嬰兒未能形成正常的語言優(yōu)勢半球（左腦）功能特化，這凸顯了早期干預(yù)的緊迫性。

?典型發(fā)育 (TD) 和先天性感覺神經(jīng)性聽力損失 (SNHL) 嬰兒半球網(wǎng)絡(luò)發(fā)育差異。( A ) 全局效率人工智能 ( E glob ) 的發(fā)育比較。( B ) 局部效率人工智能 ( E loc ) 的發(fā)育比較。Credit: Science Advances (2025).

研究團(tuán)隊利用功能性近紅外光譜對112名3至9個月大的嬰兒進(jìn)行了研究，其中包括52名患有先天性感覺神經(jīng)性聽力損失（SNHL）的嬰兒。研究發(fā)現(xiàn)，雖然所有嬰兒的大腦網(wǎng)絡(luò)都具備高效的“小世界”結(jié)構(gòu)，但其發(fā)育軌跡出現(xiàn)了顯著差異。正常發(fā)育的嬰兒隨著年齡增長，其大腦左半球的網(wǎng)絡(luò)效率會逐漸增強(qiáng)，形成處理語言等高級認(rèn)知功能所必需的大腦不對稱模式。然而，患有聽力損失的嬰兒并未表現(xiàn)出這種關(guān)鍵的左側(cè)化發(fā)展趨勢。這種發(fā)育差異的程度與聽力損失的嚴(yán)重性直接相關(guān)，聽力受損越嚴(yán)重，大腦左半球功能特化的缺失就越明顯。這一發(fā)現(xiàn)將聽力損失重新定義為一個大腦發(fā)育問題，而不僅僅是耳朵的問題，并強(qiáng)調(diào)了早期干預(yù)的必要性，即通過助聽器、人工耳蝸或手語等方式，在嬰兒大腦可塑性最強(qiáng)的時期提供豐富的語言環(huán)境，以促進(jìn)關(guān)鍵神經(jīng)通路的正常建立。研究發(fā)表在 Science Advances 上。

閱讀更多：

Liu, Guangfang, et al. “Developmental Alterations in Brain Network Asymmetry in 3- to 9-Month Infants with Congenital Sensorineural Hearing Loss.” Science Advances, vol. 11, no. 42, Oct. 2025, p. eadx1327. science.org (Atypon), https://doi.org/10.1126/sciadv.adx1327

癡呆癥早期預(yù)警新線索：言語中的停頓成關(guān)鍵指標(biāo)

我們?nèi)粘Ｕf話的方式能否揭示大腦健康狀況？為解決傳統(tǒng)認(rèn)知測試的局限性，來自貝克雷斯特研究所、多倫多大學(xué)和約克大學(xué)的 Hsi T. Wei, Jed A. Meltzer 等研究人員利用人工智能分析自然言語，發(fā)現(xiàn)說話時的停頓、填充詞（如“呃”、“嗯”）等不流暢特征，是衡量執(zhí)行功能（支持記憶、計劃等高級思維能力）的敏感指標(biāo)。

研究團(tuán)隊通過兩項實驗，共招募了241名年齡從18歲到90歲的健康成年人。參與者被要求口頭描述復(fù)雜的圖片，同時完成標(biāo)準(zhǔn)的執(zhí)行功能測試。研究人員利用人工智能技術(shù)對錄音進(jìn)行分析，從中提取了數(shù)百個細(xì)微的言語特征。結(jié)果明確顯示，言語的不流暢性，特別是反映找詞困難的停頓和填充詞，與執(zhí)行功能測試的表現(xiàn)密切相關(guān)。這一關(guān)聯(lián)不僅存在于老年人中，而且貫穿整個成年期，并且在控制了年齡、性別和教育程度等因素后依然顯著。這表明，說話時的“卡頓”并非簡單的語言習(xí)慣，而可能反映了大腦處理信息的速度和效率。這項研究證實了自然言語分析作為一種便捷、無創(chuàng)且可重復(fù)的認(rèn)知評估工具的巨大潛力，未來有望用于大規(guī)模篩查，幫助早期識別認(rèn)知下降速度超常的癡呆癥高風(fēng)險人群。研究發(fā)表在 Journal of Speech, Language, and Hearing Research 上。

閱讀更多：

Wei, Hsi T., et al. “Natural Speech Analysis Can Reveal Individual Differences in Executive Function Across the Adult Lifespan.” Journal of Speech, Language, and Hearing Research. pubs.asha.org (Atypon), https://doi.org/10.1044/2025_JSLHR-24-00268. Accessed 12 Nov. 2025

越累學(xué)得越快？新研究發(fā)現(xiàn)大腦在疲勞時更具可塑性

大腦對外界的反應(yīng)并非恒定，其功能狀態(tài)受晝夜節(jié)律的深刻影響，但其神經(jīng)機(jī)制尚不清晰。日本東北大學(xué)的Yuki Donen, Yoko Ikoma, 和 Ko Matsui研究團(tuán)隊通過對大鼠的研究，揭示了大腦皮層的興奮性和學(xué)習(xí)能力在一天內(nèi)會發(fā)生節(jié)律性變化，并發(fā)現(xiàn)神經(jīng)遞質(zhì)腺苷是關(guān)鍵的調(diào)控分子，其研究成果為優(yōu)化學(xué)習(xí)和康復(fù)治療提供了新的視角。

?記錄皮層神經(jīng)信號的晝夜節(jié)律。(A) 在 Thy1-ChR2 大鼠中，通過光遺傳學(xué)方法激活皮層神經(jīng)元，并在視覺皮層記錄局部場電位 (LFP)。(B) 日落時第三負(fù) LFP 相位的斜率大于日出時，表明傍晚的反應(yīng)更強(qiáng)。(C) 三天平均信號顯示出與光暗周期同步的約 24 小時正弦模式。Credit: Yuki Donen, Yoko Ikoma, Ko Matsui

研究人員利用光遺傳學(xué)技術(shù)，在不同時間點精確激活夜行性大鼠視覺皮層中的神經(jīng)元，并記錄其電活動。結(jié)果顯示，神經(jīng)元的興奮性存在明顯的晝夜節(jié)律：在日落時（大鼠剛睡醒，準(zhǔn)備開始活動）神經(jīng)反應(yīng)最強(qiáng)，而在日出時（活動一夜后，準(zhǔn)備休息）反應(yīng)則顯著減弱。進(jìn)一步的機(jī)制研究發(fā)現(xiàn)，這種變化由腺苷（adenosine，一種在清醒期間積累并導(dǎo)致困倦的分子）調(diào)控。當(dāng)研究者在日出時阻斷腺苷受體的作用，神經(jīng)元的反應(yīng)強(qiáng)度便恢復(fù)到了日落時的高水平。更令人意外的是，研究發(fā)現(xiàn)大腦的可塑性也遵循晝夜節(jié)律。長期增強(qiáng)作用（long-term potentiation, LTP，被認(rèn)為是學(xué)習(xí)和記憶的細(xì)胞基礎(chǔ)）在日出時更容易被誘導(dǎo)，此時大鼠最為疲勞，睡眠壓力最大；而在日落時則無法誘導(dǎo)。這表明大腦在疲勞狀態(tài)下反而更具“元可塑性”（metaplasticity，指可塑性本身的可塑性），更容易發(fā)生持久的改變。這一發(fā)現(xiàn)暗示大腦存在進(jìn)行學(xué)習(xí)和適應(yīng)的“黃金窗口”，或有助于未來優(yōu)化康復(fù)訓(xùn)練和刺激療法的時間安排。研究發(fā)表在 Neuroscience Research 上。

閱讀更多：

Donen, Yuki, et al. “Diurnal Modulation of Optogenetically Evoked Neural Signals.” Neuroscience Research, vol. 221, Dec. 2025, p. 104981. ScienceDirect, https://doi.org/10.1016/j.neures.2025.104981

勝則獎賞，敗則失控：神經(jīng)影像學(xué)揭示球迷大腦的極端反應(yīng)

為何球迷在觀看比賽時會表現(xiàn)出極端的情緒和行為？為探究競爭環(huán)境中社會認(rèn)同的神經(jīng)機(jī)制，來自智利圣地亞哥阿萊馬納診所和圣塞巴斯蒂安大學(xué)的 Francisco Zamorano 及其團(tuán)隊，利用神經(jīng)影像學(xué)技術(shù)揭示了足球迷在觀看宿敵對決時大腦活動的劇烈變化，發(fā)現(xiàn)了一種“獎勵增強(qiáng)，控制減弱”的神經(jīng)模式。

?重大失敗的負(fù)面影響示意圖。在重大失敗期間，顯著性網(wǎng)絡(luò)會被抑制。色條代表 Z 值（暖色表示較高的正 Z 值，冷色表示負(fù)值/相對抑制）。A = 前側(cè)，L = 左側(cè)，S = 上方。Credit: Radiological Society of North America (RSNA)

研究團(tuán)隊采用功能性磁共振成像，對60名健康男性足球迷進(jìn)行了掃描。參與者在掃描期間觀看了包含其主隊、宿敵及中立球隊的比賽進(jìn)球片段。研究結(jié)果顯示，當(dāng)球迷目睹自己的主隊?wèi)?zhàn)勝宿敵時，大腦中與獎賞和愉悅感相關(guān)的區(qū)域，如腹側(cè)紋狀體（ventral striatum），被顯著激活，這強(qiáng)化了他們的群體歸屬感和社會認(rèn)同。相反，當(dāng)球隊被宿敵擊敗時，負(fù)責(zé)認(rèn)知控制和決策的關(guān)鍵腦區(qū)——背側(cè)前扣帶回皮層（dorsal anterior cingulate cortex, dACC）的活動卻出現(xiàn)矛盾性的抑制。這種控制能力的下降，可能正是導(dǎo)致球迷在遭遇重大失敗時表現(xiàn)出非理性甚至攻擊性行為的神經(jīng)基礎(chǔ)。研究者指出，這種神經(jīng)反應(yīng)模式在生命早期就已形成，并可能延伸到體育之外的政治狂熱等領(lǐng)域。研究發(fā)表在 Radiology 上。

閱讀更多：

Zamorano, Francisco, et al. “Brain Mechanisms across the Spectrum of Engagement in Football Fans: A Functional Neuroimaging Study.” Radiology, vol. 317, no. 2, Nov. 2025, p. e242595. pubs.rsna.org (Atypon), https://doi.org/10.1148/radiol.242595

AI 行業(yè)動態(tài)

扎克伯格夫婦千億豪賭AI+生物學(xué)，誓言在本世紀(jì)末根治所有疾病

隨著 Meta 股價飆升，Mark Zuckerberg 和 Priscilla Chan 夫婦旗下的慈善機(jī)構(gòu) CZI (Chan Zuckerberg Initiative，陳-扎克伯格倡議) 承諾投入的資金已從最初的 450 億美元增長至超過 2000 億美元。CZI 正在進(jìn)行戰(zhàn)略重心調(diào)整，幾乎停止了所有非科學(xué)領(lǐng)域的資助，并將原定目標(biāo)“在本世紀(jì)末治愈、預(yù)防或管理所有疾病”升級為更具雄心的“在本世紀(jì)末治愈、預(yù)防所有疾病”。為實現(xiàn)這一目標(biāo)，CZI 宣布在接下來的十年將對基礎(chǔ)科學(xué)研究的投入增加一倍以上，達(dá)到至少 100 億美元，年度投入規(guī)模已與霍華德·休斯醫(yī)學(xué)研究所（HHMI）等老牌生物醫(yī)學(xué)慈善巨頭相當(dāng)。研究人員指出，此次投入的重點在于加大對 AI 與生物學(xué)結(jié)合領(lǐng)域的押注，旨在利用尖端人工智能技術(shù)大幅加速新療法的探索，推動醫(yī)學(xué)前沿發(fā)展。

CZI 對 AI 的加碼主要體現(xiàn)在兩個方面：人才引進(jìn)和核心項目構(gòu)建。CZI 旗下的非盈利機(jī)構(gòu)科研機(jī)構(gòu) Biohub（CZI 整合旗下的三個實驗室和成像中心重新設(shè)立的科研機(jī)構(gòu)）已收購了 EvolutionaryScale 公司，并任命該公司創(chuàng)始人、麻省理工學(xué)院/哈佛大學(xué)博德研究所（Broad Institute of MIT and Harvard）的計算機(jī)科學(xué)家 Alex Rives 為科學(xué)主管。Alex Rives 曾在 Meta 基礎(chǔ)人工智能研究實驗室領(lǐng)導(dǎo)開發(fā)了蛋白質(zhì)語言模型，其團(tuán)隊后創(chuàng)立 EvolutionaryScale 并推出了 ESM-3（EvolutionaryScale Model 3，第一個同時對蛋白質(zhì)的序列、結(jié)構(gòu)和功能進(jìn)行推理的生成式人工智能模型）。重組后的 Biohub 將由 Alex Rives 領(lǐng)導(dǎo)，致力于構(gòu)建一個通用的虛擬細(xì)胞模型。此外，CZI 在一份預(yù)印本論文中闡述了一項重大 AI 計劃，目標(biāo)是構(gòu)建人類免疫系統(tǒng)虛擬模型，推動免疫學(xué)從描述性科學(xué)向能夠動態(tài)模擬和干預(yù)的預(yù)測性工程化科學(xué)轉(zhuǎn)變。研究人員將其稱為“第三次免疫學(xué)革命”，核心是“預(yù)測免疫學(xué)循環(huán)”（Predictive Immunology Loop），旨在通過融合大規(guī)模因果實驗數(shù)據(jù)與生成式 AI 模型，最終構(gòu)建出具有如物理學(xué)“標(biāo)準(zhǔn)模型”般解釋力的“虛擬免疫系統(tǒng)”。

+Biology

閱讀更多：

https://arxiv.org/abs/2511.03041

AI制藥獨角獸Iambic再獲超1億美元融資，攜手Jazz攻克HER2難治性癌癥

AI 制藥公司 Iambic Therapeutics 近期宣布完成一輪超額認(rèn)購融資，金額超過 1 億美元。此次融資陣容強(qiáng)大，包括紅杉、雷杰納榮投資（Regeneron Ventures）和卡塔爾投資局等知名機(jī)構(gòu)的新老投資者共同支持，顯示出資本市場對其技術(shù)平臺的高度認(rèn)可。這筆新資金將主要用于加速其由 AI 驅(qū)動的治療管線（Pipeline，即正在研發(fā)中的藥物項目）進(jìn)入臨床階段，重點是 KIF18A 和 CDK2/4 項目，并尋求更多的商業(yè)合作。Iambic 聯(lián)合創(chuàng)始人兼首席執(zhí)行官 Tom Miller 博士強(qiáng)調(diào)，此次融資是對團(tuán)隊卓越工作的肯定，并期待繼續(xù)推動臨床進(jìn)展。

該公司的核心競爭力在于其 AI 藥物發(fā)現(xiàn)平臺，該平臺能夠利用蛋白質(zhì)結(jié)構(gòu)預(yù)測模型 NeuralPLexer 快速預(yù)測藥物分子與靶點蛋白質(zhì)的結(jié)合方式，并智能設(shè)計出更優(yōu)、更安全的候選藥物分子，從而大幅縮短臨床前研究時間。該平臺首個成功范例是主打候選藥物 IAM1363，這款能穿透血腦屏障的 HER2 小分子酪氨酸激酶抑制劑（Tyrosine Kinase Inhibitor, TKI，一類阻斷特定信號通路的小分子抗癌藥）近期在歐洲腫瘤內(nèi)科學(xué)會（ESMO）年會上公布了早期臨床數(shù)據(jù)，顯示出在對現(xiàn)有療法耐藥的多種癌癥中具有抗腫瘤活性?；谶@一亮眼表現(xiàn)，Iambic 上個月與制藥巨頭 Jazz Therapeutics 達(dá)成合作，共同研究 IAM1363 與其 HER2 靶向雙特異性抗體 Ziihera 的聯(lián)合療法，旨在挑戰(zhàn)難治性 HER2 陽性乳腺癌。這標(biāo)志著 Iambic 正加速從技術(shù)平臺公司轉(zhuǎn)型為擁有多條臨床管線、具備強(qiáng)大商業(yè)化潛力的生物制藥公司，預(yù)示著 AI 制藥正逐步進(jìn)入收獲期。

閱讀更多：

https://www.fiercebiotech.com/biotech/busy-ai-driven-iambic-therapeutics-raises-over-100m-oversubscribed-funding-round

AI驅(qū)動生物科技革命：Debut Biotech將20年護(hù)膚品研發(fā)周期縮短至10個月

Debut Biotech 是一家專注于利用先進(jìn)生物技術(shù)和人工智能加速皮膚健康領(lǐng)域新成分發(fā)現(xiàn)的公司。有別于傳統(tǒng)生物科技公司僅注重技術(shù)橫向發(fā)展，Debut 致力于將前沿研究成果快速商業(yè)化并推向市場，目前已與 Image Skincare 等品牌合作，其最新成果將于明年上市。公司開發(fā)了醫(yī)藥級、基于基因組學(xué)的 AI 技術(shù)平臺 BeautyORB?，顯著加速了新成分的研發(fā)流程。研究人員指出，借助 AI 的強(qiáng)大能力，他們能夠以前所未有的速度和效率篩選超過 500 億種潛在成分。這一突破性技術(shù)將原本需要 20 年才能通過傳統(tǒng)方法完成的分子篩選和發(fā)現(xiàn)工作，壓縮至短短 10 個月左右的計算即可實現(xiàn)，成功發(fā)現(xiàn)了新的分子途徑，并創(chuàng)造出高性能的護(hù)膚配方。

BeautyORB? 平臺的核心在于其 AI/ML模型，這些模型從專有的大規(guī)模功能基因組學(xué)數(shù)據(jù)中學(xué)習(xí)，能夠預(yù)測新分子對基因表達(dá)特征的影響，從而創(chuàng)建出具有靶向功效的成分。該平臺依賴于高通量 RNA 測序平臺，能夠在自動化、受控的生物相關(guān)細(xì)胞培養(yǎng)模型中，測試小分子對多達(dá) 30,000 個人類基因的響應(yīng)。此外，BeautyORB? 還集成了定量結(jié)構(gòu)活性關(guān)系（QSAR，Quantitative Structure-Activity Relationship，一種僅基于分子結(jié)構(gòu)預(yù)測其生物活性的模型）模型，使得平臺能夠快速從數(shù)十億個可合成的小分子集合中發(fā)現(xiàn)生物活性物質(zhì)。在制造環(huán)節(jié)，Debut 科學(xué)家利用工程化微生物菌株（如酵母或細(xì)菌）和優(yōu)化酶，通過迭代的設(shè)計-構(gòu)建-測試-學(xué)習(xí)（DBTL，Design-Build-Test-Learn）循環(huán)，在無細(xì)胞反應(yīng)中高效生產(chǎn)高性能分子，降低了下一代成分的生產(chǎn)成本，標(biāo)志著 AI 與生物技術(shù)正從傳統(tǒng)的制藥實驗室走向更貼近大眾生活的消費(fèi)領(lǐng)域。

閱讀更多：

https://www.cnbc.com/2025/10/29/debut-biotech-image-skincare.html

圖靈獎得主Yann LeCun告別Meta，傳將創(chuàng)立新公司

據(jù)《金融時報》援引知情人士報道，Meta 首席人工智能研究人員Yann LeCun 計劃離開公司，并正就籌集資金進(jìn)行早期洽談，以創(chuàng)辦自己的初創(chuàng)公司。這一消息緊隨 PyTorch 之父 Soumith Chintala 宣布離職數(shù)天后傳來，雖然突然但并不令人意外。LeCun 的離開反映了 Meta 內(nèi)部在 AI 戰(zhàn)略上的巨大動蕩和新舊沖突。自今年 6 月 Mark Zuckerberg斥資收購 Scale AI 并任命 Alexandr Wang領(lǐng)導(dǎo)超級智能實驗室以來，Meta 內(nèi)部進(jìn)行了大刀闊斧的調(diào)整和裁員，十月底裁減了大約 600 個職位，波及到 FAIR（Facebook AI Research，臉書人工智能研究院）等多個團(tuán)隊。這種內(nèi)部矛盾和對學(xué)術(shù)自由的限制，使得這位堅持開放研究模式的圖靈獎得主感到尷尬，并最終選擇了離開。

Yann LeCun 在 Meta 的歷史始于 2013 年，當(dāng)時 Mark Zuckerberg 親自邀請他加入，并同意了 LeCun 堅持的條件：FAIR 必須采用開放的研究模式，像學(xué)術(shù)界一樣公開發(fā)表論文，這對于吸引和留住頂尖人才至關(guān)重要。此后，F(xiàn)AIR 為 Meta 提供了核心技術(shù)和開源工具（如 PyTorch），并在大模型競爭初期，憑借其 Llama 系列模型確立了 Meta 在開放人工智能生態(tài)中的獨特地位。然而，在如今競爭日益殘酷的環(huán)境下，隨著 Meta 對 FAIR 實驗室施加鎖緊論文發(fā)表的新政策，以及內(nèi)部組織文化的混亂，F(xiàn)AIR 早期所代表的“理想主義”正在退潮。研究人員認(rèn)為，正是這種學(xué)術(shù)自由受限的環(huán)境，加速了 LeCun 的辭職意愿。目前，LeCun 尚未正式離職，但他即將開啟的創(chuàng)業(yè)新征程，無疑將為人工智能領(lǐng)域帶來新的期待。

閱讀更多：

https://www.ft.com/content/c586eb77-a16e-4363-ab0b-e877898b70de

AI 驅(qū)動科學(xué)

拓?fù)涓兄疃葘W(xué)習(xí)模型增強(qiáng)了基于腦電圖的運(yùn)動想象解碼能力

解碼大腦中的運(yùn)動想象（MI）信號是腦機(jī)接口技術(shù)的關(guān)鍵，但信號的低信噪比和復(fù)雜性使其極具挑戰(zhàn)。為解決此問題，日本千葉大學(xué)的 Chaowen Shen 和 Akio Namiki 提出了一種創(chuàng)新的拓?fù)涓兄喑叨忍卣魅诤希═A-MFF）網(wǎng)絡(luò)，通過深度整合腦電信號的多維度信息，顯著提升了解碼的準(zhǔn)確性和魯棒性。

傳統(tǒng)深度學(xué)習(xí)模型在處理運(yùn)動想象腦電圖（MI-EEG）信號時，常忽略頻譜與拓?fù)涮卣鏖g的深層依賴。為此，研究團(tuán)隊構(gòu)建了拓?fù)涓兄喑叨忍卣魅诤暇W(wǎng)絡(luò)（TA-MFF network），該網(wǎng)絡(luò)包含一個時空網(wǎng)絡(luò)（ST-Net）和一個頻譜網(wǎng)絡(luò)（S-Net）。其核心創(chuàng)新在于三個新模塊的協(xié)同工作：首先，頻譜拓?fù)鋽?shù)據(jù)分析處理（S-TDA-P）模塊利用持久同調(diào)（persistent homology，一種分析數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)的數(shù)學(xué)工具）來捕捉電極之間穩(wěn)定、深層的空間關(guān)系。同時，跨頻譜遞歸注意力（ISRA）模塊對不同頻段間的相關(guān)性進(jìn)行建模，自適應(yīng)地增強(qiáng)關(guān)鍵頻譜特征。最后，創(chuàng)新的頻譜拓?fù)渑c時空特征融合（SS-FF）單元采用兩步式策略，先融合拓?fù)渑c頻譜信息，再將其與時空特征整合，從而有效捕捉跨域依賴。在BCIC-IV-2a等三個公開數(shù)據(jù)集上的測試表明，該模型的分類準(zhǔn)確率分別達(dá)到85.87%、90.2%和80.5%，全面超越了現(xiàn)有先進(jìn)方法，為開發(fā)更精確、魯棒的腦機(jī)接口應(yīng)用奠定了基礎(chǔ)。研究發(fā)表在 Knowledge-Based Systems 上。

閱讀更多：

Shen, Chaowen, and Akio Namiki. “A Topology-Aware Multiscale Feature Fusion Network for EEG-Based Motor Imagery Decoding.” Knowledge-Based Systems, vol. 330, Nov. 2025, p. 114540. ScienceDirect, https://doi.org/10.1016/j.knosys.2025.114540

AI大腦新圖譜：記憶與推理功能分離，可精準(zhǔn)“編輯”記憶

大型AI模型如何區(qū)分記憶與推理？長期以來，這兩種核心功能的內(nèi)部機(jī)制尚不明確。為了繪制AI的“大腦”圖譜，初創(chuàng)公司Goodfire.ai的研究人員Jack Merullo、Srihita Vatsavaya等人進(jìn)行了一項研究，他們成功證明AI的記憶和推理能力位于其內(nèi)部架構(gòu)的不同部分，并開發(fā)出一種可以精準(zhǔn)“編輯”模型記憶的方法。

?我們的方法概述。我們從訓(xùn)練數(shù)據(jù)樣本中收集激活值和梯度（a），這使我們能夠使用 K-FAC 近似權(quán)重矩陣的損失曲率（b）。我們將這些權(quán)重矩陣分解為分量（每個分量的大小與矩陣相同），并按曲率從高到低排序。在語言模型中，我們展示了來自不同任務(wù)的數(shù)據(jù)與分量譜的不同部分之間的交互方式不同（c）。Credit: arXiv (2025).

研究團(tuán)隊使用一種名為K-FAC（克羅內(nèi)克因子近似曲率）的數(shù)學(xué)技術(shù)，分析了Transformer模型的內(nèi)部權(quán)重。他們發(fā)現(xiàn)，模型權(quán)重可以根據(jù)損失曲率（loss curvature）分解為不同部分：負(fù)責(zé)機(jī)械記憶（rote memorization）的部分呈現(xiàn)出較低的曲率，而負(fù)責(zé)通用推理的部分則具有較高的曲率?；诖?，研究人員進(jìn)行了一項“剪枝”實驗，即選擇性地關(guān)閉與記憶相關(guān)的低曲率組件。結(jié)果顯示，模型的通用邏輯推理能力幾乎不受影響，但其算術(shù)運(yùn)算和回憶孤立事實等依賴記憶的能力卻大幅下降。這一發(fā)現(xiàn)證實了記憶與推理在模型內(nèi)部是物理分離的，為精準(zhǔn)移除AI中的有害記憶（如隱私數(shù)據(jù)或偏見內(nèi)容）提供了可能，而不會損害其核心智能。

閱讀更多：

Merullo, Jack, et al. “From Memorization to Reasoning in the Spectrum of Loss Curvature.” arXiv:2510.24256, arXiv, 3 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.24256

“讀心”的秘密：大語言模型如何通過極稀疏參數(shù)編碼心智理論

大型語言模型如何像人類一樣理解他人想法？針對這一問題，史蒂文斯理工學(xué)院的Zhaozhuo Xu、Denghui Zhang及其合作者們，從模型的內(nèi)部機(jī)制出發(fā)，揭示了LLM實現(xiàn)“心智理論”能力的關(guān)鍵。他們發(fā)現(xiàn)，這種復(fù)雜的社會推理能力并非依賴整個龐大的神經(jīng)網(wǎng)絡(luò)，而是由一個極度稀疏的參數(shù)子集所編碼。

?這是一個心智理論（ToM）任務(wù)。在問題 (a) 中，邏輯學(xué)習(xí)模型（LLM）應(yīng)在空格處填寫“爆米花”。在問題 (b) 中，空格處應(yīng)填寫“巧克力”。Credit: npj Artificial Intelligence (2025).

研究團(tuán)隊首先提出了一種新穎的方法，用于精確定位LLM中對心智理論（Theory of Mind，簡稱ToM，即推斷他人心理狀態(tài)的能力）敏感的參數(shù)。令人驚訝的是，即使只擾動這些參數(shù)中不到0.001%的部分，模型的ToM性能就會急劇下降。這表明LLM的社會推理能力集中在這些極少數(shù)的關(guān)鍵連接上，這與人腦處理類似任務(wù)時的高效節(jié)能模式有相似之處。進(jìn)一步的機(jī)制分析發(fā)現(xiàn)，這些“ToM敏感參數(shù)”與模型的位置編碼模塊，特別是旋轉(zhuǎn)位置嵌入（Rotary Position Embedding，一種追蹤詞語位置和關(guān)系的技術(shù)）緊密相連。當(dāng)這些參數(shù)被擾動時，模型處理上下文信息的核心頻率激活會遭到破壞，進(jìn)而影響其注意力機(jī)制，改變了模型內(nèi)部對信息的關(guān)注方式，最終損害了其形成連貫語義表征和進(jìn)行社會推理的能力。這項研究為理解AI的“思維”過程提供了新視角，也為開發(fā)更高效、更可解釋的AI系統(tǒng)指明了方向。研究發(fā)表在 npj Artificial Intelligence 上。

閱讀更多：

Wu, Yuheng, et al. “How Large Language Models Encode Theory-of-Mind: A Study on Sparse Parameter Patterns.” Npj Artificial Intelligence, vol. 1, no. 1, Aug. 2025, p. 20. www.nature.com, https://doi.org/10.1038/s44387-025-00031-9

AI假臉防不勝防？研究發(fā)現(xiàn)五分鐘訓(xùn)練即可擦亮雙眼

隨著人工智能生成的面孔日益逼真并帶來安全隱患，人類的識別能力面臨嚴(yán)峻挑戰(zhàn)。為解決此問題，來自雷丁大學(xué)、格林威治大學(xué)、利茲大學(xué)和林肯大學(xué)的 Katie L. H. Gray 等人進(jìn)行研究，發(fā)現(xiàn)僅需五分鐘的針對性訓(xùn)練，即可顯著提升普通人乃至“超級識別者”（super-recognizers）辨別AI假臉的準(zhǔn)確率。

?參與者被要求辨別真人面孔和合成面孔。上面兩行是人工智能生成的面孔，下面兩行是真實面孔。Credit: Dr. Katie Gray

研究團(tuán)隊招募了664名參與者，并使用先進(jìn)AI軟件StyleGAN3生成的面孔進(jìn)行測試。結(jié)果顯示，在未經(jīng)訓(xùn)練時，所有人都難以分辨真假，即便是人臉識別能力超群的超級識別者，其正確識別假臉的準(zhǔn)確率也僅為41%，而普通參與者更是只有31%，均低于隨機(jī)猜測水平（50%）。然而，在接受了一項僅五分鐘的簡短訓(xùn)練后（該訓(xùn)練重點指出了常見的計算機(jī)渲染錯誤，如不尋常的發(fā)型或牙齒數(shù)量），參與者的表現(xiàn)得到顯著改善。超級識別者的準(zhǔn)確率躍升至64%，普通參與者的準(zhǔn)確率也達(dá)到了51%。有趣的是，訓(xùn)練對兩組人的提升效果幅度相當(dāng)，這暗示超級識別者可能并非簡單地更擅長發(fā)現(xiàn)渲染瑕疵，而是利用了其他更深層次的視覺線索來完成識別。研究發(fā)表在 Royal Society Open Science 上。

閱讀更多：

Gray, Katie L. H., et al. “Training Human Super-Recognizers’ Detection and Discrimination of AI-Generated Faces.” Royal Society Open Science, vol. 12, no. 11, Nov. 2025, p. 250921. royalsocietypublishing.org (Atypon), https://doi.org/10.1098/rsos.250921

微小的數(shù)字摩擦可以減緩虛假信息的傳播

社交媒體平臺使得高參與度但低質(zhì)量內(nèi)容以前所未有的速度泛濫，對社會信任構(gòu)成威脅。為探索遏制虛假信息傳播的有效策略，哥本哈根大學(xué)的博士生 Laura Jahn、Professor Vincent F. Hendricks, 以及 Rasmus K. Rendsvig, Alessandro Flammini, Filippo Menczer 等研究人員提出，通過行為設(shè)計引入“數(shù)字摩擦”來改善網(wǎng)絡(luò)信息質(zhì)量。

研究團(tuán)隊利用基于代理模型（Agent-Based Model, ABM）進(jìn)行了概念驗證模擬，該模型旨在模擬信息在社交媒體（如 X、Bluesky、Mastodon）上的共享行為。研究的核心策略是引入數(shù)字摩擦，即在用戶分享內(nèi)容時設(shè)置一個輕微的阻礙，例如彈出一條提示信息，要求用戶在點擊分享前稍作停頓反思。模擬結(jié)果顯示，單獨的數(shù)字摩擦雖然能夠減少帖子的分享數(shù)量，但并不能提高被分享內(nèi)容的平均質(zhì)量。為了解決這一局限，研究團(tuán)隊在摩擦環(huán)節(jié)中加入了“質(zhì)量識別學(xué)習(xí)”（quality-recognition learning）組件，例如一個詢問用戶關(guān)于平臺社區(qū)規(guī)范的簡短測試。模型結(jié)果表明，當(dāng)少量的數(shù)字摩擦與學(xué)習(xí)元素相結(jié)合時，分享帖子的平均質(zhì)量顯著提高。研究人員總結(jié)道，這種結(jié)合學(xué)習(xí)的摩擦干預(yù)措施，是一種有效且對用戶干擾最?。╩inimally invasive）的方式，可以啟發(fā)科技巨頭們在打擊虛假信息方面進(jìn)行創(chuàng)新思考。研究發(fā)表在 npj Complexity 上。

閱讀更多：

Jahn, Laura, et al. “A Perspective on Friction Interventions to Curb the Spread of Misinformation.” Npj Complexity, vol. 2, no. 1, Nov. 2025, p. 31. www.nature.com, https://doi.org/10.1038/s44260-025-00051-1

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。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。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復(fù)哦~

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(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，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?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。