█腦科學(xué)動態(tài)

Nature：大腦中的“沙漏”：運動皮層與紋狀體如何協(xié)同控制時間

感覺誘發(fā)腦反應(yīng)的雙系統(tǒng)理論：挑戰(zhàn)神經(jīng)科學(xué)的主流解釋

暫時性視網(wǎng)膜失活通過誘導(dǎo)丘腦爆發(fā)式放電恢復(fù)成人弱視

磁共振成像揭示人類腦脊液流動的區(qū)域特異性驅(qū)動力

別再信“少抽點沒事”：每天2-5支煙仍顯著增加死亡風(fēng)險

為何喜新厭舊？果蠅實驗揭示多巴胺受體脫敏導(dǎo)致的行為疲勞

無痛且無創(chuàng)：聚焦超聲首次成功輔助兒童腦癌化療給藥

專家的大腦更獨特？神經(jīng)影像揭示舞者與觀眾的認(rèn)知差異

fMRI研究可能高估了大腦的無意識加工能力

█AI行業(yè)動態(tài)

Yann LeCun 離職 Meta 創(chuàng)業(yè)，劍指“世界模型”與高級機(jī)器智能

OpenAI發(fā)布“超長待機(jī)”模型GPT-5.1-Codex-Max，硬剛Google Gemini 3

█AI驅(qū)動科學(xué)

識別人工智能系統(tǒng)中的意識指標(biāo)

AI大幅降低外骨骼開發(fā)門檻：無需特定數(shù)據(jù)即可實現(xiàn)高效控制

擁抱數(shù)據(jù)混亂：新AI訓(xùn)練框架DAC提升醫(yī)學(xué)圖像跨域泛化能力

半數(shù)小說家擔(dān)憂被AI取代：創(chuàng)意產(chǎn)業(yè)的版權(quán)與生計危機(jī)

阿里通義實驗室推出AgentEvolver：邁向高效自演化智能體系統(tǒng)

像人一樣想象未來：通用交互式世界模型 PAN 問世

腦科學(xué)動態(tài)

Nature：大腦中的“沙漏”：運動皮層與紋狀體如何協(xié)同控制時間

大腦如何精準(zhǔn)把控行為的時機(jī)，就像擁有一個看不見的計時器？馬克斯·普朗克佛羅里達(dá)神經(jīng)科學(xué)研究所的 Zidan Yang 和 Hidehiko K. Inagaki 等研究人員通過精巧的實驗，揭示了大腦通過類似于“沙漏”的機(jī)制來感知時間，并闡明了運動皮層與紋狀體在其中的獨特分工。

研究團(tuán)隊訓(xùn)練小鼠進(jìn)行一項需要精確計時的舔舐任務(wù)，并結(jié)合了電生理記錄與光遺傳學(xué)。研究人員在小鼠計時過程中，分別短暫抑制其運動皮層和紋狀體的活動。結(jié)果發(fā)現(xiàn)，運動皮層就像沙漏的頂部，負(fù)責(zé)輸送信號；當(dāng)其被抑制時，信號流中斷，計時“暫?！?，小鼠的動作延遲時間與抑制時間相等。而紋狀體則像沙漏的底部，作為整合器運作；當(dāng)紋狀體被抑制時，已累積的信號會流失，如同沙漏被翻轉(zhuǎn)，計時被“倒帶”或重置，導(dǎo)致小鼠的動作延遲時間遠(yuǎn)超抑制時間。這一發(fā)現(xiàn)證實了紋狀體通過整合來自皮層的輸入來驅(qū)動時間控制。研究發(fā)表在 Nature 上。

閱讀更多：

Yang, Zidan, et al. “Integrator Dynamics in the Cortico-Basal Ganglia Loop for Flexible Motor Timing.” Nature, Nov. 2025, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-025-09778-2

感覺誘發(fā)腦反應(yīng)的雙系統(tǒng)理論：挑戰(zhàn)神經(jīng)科學(xué)的主流解釋

突發(fā)性感覺刺激常被用于研究大腦如何處理信息，但這些反應(yīng)是否被正確解讀一直存在爭議。來自倫敦大學(xué)學(xué)院和意大利理工學(xué)院的 Richard Somervail 與 Gian Domenico Iannetti 等研究人員組成團(tuán)隊，通過對跨物種電生理及影像學(xué)證據(jù)的深入綜述，挑戰(zhàn)了傳統(tǒng)觀點，指出目前許多被認(rèn)為是特定感覺處理的腦反應(yīng)，實際上源自一個非特異性的通用系統(tǒng)。

研究團(tuán)隊提出了“雙系統(tǒng)理論”，區(qū)分了高保真度的“丘系系統(tǒng)”（Lemniscal system）和彌散性的“丘系外系統(tǒng)”（Extralemniscal system）。研究指出，傳統(tǒng)的特定模態(tài)解釋往往忽略了丘系外系統(tǒng)的貢獻(xiàn)。特別是人類腦電圖中常見的“頂點電位”（Vertex Potential），實際上主要由丘系外系統(tǒng)介導(dǎo)，反映的是大腦對突發(fā)環(huán)境變化的“驚訝”或探測，而非特定感覺（如疼痛或聽覺）的精細(xì)編碼。這一發(fā)現(xiàn)對“疼痛矩陣”等既有概念提出了質(zhì)疑，暗示這些廣泛的腦反應(yīng)并不直接代表疼痛知覺。此外，文章還探討了該理論對意識研究的影響，認(rèn)為許多被當(dāng)作意識標(biāo)志的神經(jīng)反應(yīng)可能僅僅是丘系外系統(tǒng)的活動。該理論為重新解釋基礎(chǔ)和臨床神經(jīng)科學(xué)數(shù)據(jù)提供了重要框架。研究發(fā)表在 Brain 上。

閱讀更多：

Somervail, Richard, et al. “A Two-System Theory of Sensory-Evoked Brain Responses.” Brain, Oct. 2025, p. awaf402. Silverchair, https://doi.org/10.1093/brain/awaf402

暫時性視網(wǎng)膜失活通過誘導(dǎo)丘腦爆發(fā)式放電恢復(fù)成人弱視

弱視通常被認(rèn)為如果在兒童期未得到矯正，成年后將難以治愈。為探索成人弱視治療的新機(jī)制，麻省理工學(xué)院皮考爾學(xué)習(xí)與記憶研究所的 Madison Echavarri-Leet 和 Mark F. Bear 等研究人員，基于前期關(guān)于“暫時麻醉健眼可恢復(fù)弱視視力”的發(fā)現(xiàn)，深入研究了這一現(xiàn)象背后的神經(jīng)生物學(xué)原理。他們發(fā)現(xiàn)，視網(wǎng)膜的暫時性失活能夠使視覺系統(tǒng)短暫“重啟”至發(fā)育早期的狀態(tài)，從而促進(jìn)神經(jīng)連接的重組。

研究團(tuán)隊利用小鼠模型，通過注射河豚毒素（TTX）暫時麻醉視網(wǎng)膜，并監(jiān)測外側(cè)膝狀體核（dLGN，負(fù)責(zé)將視覺信息傳遞至大腦皮層的區(qū)域）的神經(jīng)活動。結(jié)果顯示，當(dāng)視網(wǎng)膜被麻醉時，dLGN神經(jīng)元會產(chǎn)生同步的“爆發(fā)式放電”（burst mode firing），這種放電依賴于特定的T型鈣通道（T-type calcium channels）。當(dāng)研究人員通過基因手段阻斷這種鈣通道時，治療效果隨之消失，證明爆發(fā)式放電是視力恢復(fù)的關(guān)鍵機(jī)制。更令人振奮的是，研究發(fā)現(xiàn)不僅僅是麻醉健眼有效，直接對弱視眼進(jìn)行暫時性麻醉和“重啟”，也能在大腦中誘導(dǎo)同樣的恢復(fù)過程，使其視力輸入恢復(fù)到與健眼相當(dāng)?shù)乃?。這一發(fā)現(xiàn)為開發(fā)針對成人的非侵入性弱視療法提供了重要的理論依據(jù)。研究發(fā)表在 Cell Reports 上。

閱讀更多：

Echavarri-Leet, Madison, et al. “Temporary Retinal Inactivation Reverses Effects of Long-Term Monocular Deprivation in Visual Cortex by Induction of Burst Mode Firing in the Thalamus.” Cell Reports, vol. 44, no. 11, Nov. 2025. www.cell.com, https://doi.org/10.1016/j.celrep.2025.116566

磁共振成像揭示人類腦脊液流動的區(qū)域特異性驅(qū)動力

神經(jīng)退行性疾病常與腦內(nèi)毒性蛋白積累有關(guān)，而腦脊液的清除機(jī)制在其中扮演關(guān)鍵角色。為突破現(xiàn)有侵入性檢測技術(shù)的局限，萊頓大學(xué)醫(yī)學(xué)中心、阿姆斯特丹大學(xué)和德國神經(jīng)退行性疾病中心（DZNE）的 Lydiane Hirschler 和 Matthias J. P. van Osch 等研究人員開發(fā)了一種新技術(shù)，首次在人體內(nèi)高精度捕捉了腦脊液的運動細(xì)節(jié)及其驅(qū)動機(jī)制。

?利用 CSF-STREAM 技術(shù)測量腦脊液信號和腦脊液流動性特征。a、b：使用非運動敏感參考掃描測量的腦脊液信號，分別位于大腦中動脈 (MCA) 周圍的蛛網(wǎng)膜下腔 (SAS) (a) 和穿支血管周圍的血管周圍間隙 (PVS) (b)，取自一位代表性個體。c、d：腦脊液流動性的主要方向，分別位于大腦中動脈 (MCA) 周圍的蛛網(wǎng)膜下腔 (SAS) (c) 和穿支血管周圍的血管周圍間隙 (PVS) (d)；c、d 與 a 和 b 來自相同的感興趣區(qū)域 (ROI)。線條顏色反映腦脊液流動性的方向：紅色表示左右方向，綠色表示前后方向，藍(lán)色表示頭足方向。e、f：腦脊液流動性圖（單位：mm2 s?1）(e) 和一位代表性個體的分?jǐn)?shù)各向異性 (FA) 圖 (f) 的體繪制。Credit: Hirschler et al.

研究團(tuán)隊開發(fā)了一種名為 CSF-STREAM 的新型磁共振成像（MRI）技術(shù)，利用7特斯拉超高場掃描，成功分離了腦脊液信號與血液信號。該方法使科學(xué)家能夠深入觀察穿透血管周圍的血管周圍間隙（PVS）中的液體流動，這些微小通道靠近毒性蛋白產(chǎn)生的位置。研究發(fā)現(xiàn)，雖然心動周期是主要腦區(qū)腦脊液流動的關(guān)鍵驅(qū)動力，但在白質(zhì)穿透血管周圍的微小空間中，呼吸和血管舒縮（vasomotion）起著同等重要的作用。此外，通過對比健康志愿者與腦淀粉樣血管?。–AA）患者的數(shù)據(jù)，發(fā)現(xiàn) CAA 患者在大腦深處的腦脊液流動性得以保留，但在大腦中動脈周圍的流動性異常增強(qiáng)。這一發(fā)現(xiàn)不僅驗證了非侵入性成像的可行性，也揭示了血管運動作為潛在治療靶點的價值。研究發(fā)表在 Nature Neuroscience 上。

閱讀更多：

Hirschler, Lydiane, et al. “Region-Specific Drivers of CSF Mobility Measured with MRI in Humans.” Nature Neuroscience, vol. 28, no. 11, Nov. 2025, pp. 2392–401. www.nature.com, https://doi.org/10.1038/s41593-025-02073-3

別再信“少抽點沒事”：每天2-5支煙仍顯著增加死亡風(fēng)險

盡管吸煙危害健康已是共識，但在現(xiàn)代社會中，許多人轉(zhuǎn)向了“低強(qiáng)度吸煙”，誤以為少抽幾支就能避免風(fēng)險。為了厘清吸煙強(qiáng)度與心血管健康及死亡率的精確關(guān)系，Erfan Tasdighi 和 Michael J. Blaha 等研究人員依托跨隊列合作（Cross-Cohort Collaboration）項目，整合了22項前瞻性隊列研究的數(shù)據(jù)，對低強(qiáng)度吸煙的危害及戒煙的時間效益進(jìn)行了深度分析。

該研究共納入了323,826名成年人，平均隨訪時間長達(dá)19.9年，記錄了超過12.5萬例死亡和5.4萬例心血管事件。研究團(tuán)隊采用 Cox比例風(fēng)險模型（Cox proportional hazard models）和樣條函數(shù)分析發(fā)現(xiàn)，吸煙不存在所謂的“安全劑量”。與從不吸煙者相比，每天僅吸2-5支煙的低強(qiáng)度吸煙者，其患心力衰竭的風(fēng)險仍增加了57%，全因死亡率增加了60%。數(shù)據(jù)顯示，最初的少量吸煙（前20包年或每天前20支）帶來的風(fēng)險上升最為陡峭。在戒煙獲益方面，研究顯示戒煙后的前10年風(fēng)險下降最為顯著。雖然完全消除額外風(fēng)險需要漫長的時間，但在戒煙20年后，前吸煙者的相對風(fēng)險已比繼續(xù)吸煙者低80%以上。這項研究強(qiáng)調(diào)，公共衛(wèi)生的核心信息應(yīng)是盡早徹底戒煙，而非僅僅減少吸煙量。研究發(fā)表在 PLOS Medicine 上。

閱讀更多：

Tasdighi, Erfan, et al. “Association between Cigarette Smoking Status, Intensity, and Cessation Duration with Long-Term Incidence of Nine Cardiovascular and Mortality Outcomes: The Cross-Cohort Collaboration (CCC).” PLOS Medicine, vol. 22, no. 11, Nov. 2025, p. e1004561. PLoS Journals, https://doi.org/10.1371/journal.pmed.1004561

為何喜新厭舊？果蠅實驗揭示多巴胺受體脫敏導(dǎo)致的行為疲勞

為什么重復(fù)做一件事會讓人感到“厭倦”？波士頓兒童醫(yī)院的 Lauren E. Miner 和 Michael A. Crickmore 等研究人員發(fā)現(xiàn)，導(dǎo)致藥物成癮的大腦機(jī)制——多巴胺受體脫敏，同樣控制著我們對重復(fù)行為失去興趣的過程。這項研究首次揭示了該病理機(jī)制在自然生理活動中的功能，表明大腦通過降低對特定行為的反應(yīng)來調(diào)節(jié)動機(jī)。

研究團(tuán)隊利用雄性果蠅作為模型，分析了它們在面對威脅時的交配行為。研究發(fā)現(xiàn)，在初次交配中，多巴胺通過 D2 樣受體（D2R）作用于交配決策神經(jīng)元（Copulation Decision Neurons），抑制這些神經(jīng)元發(fā)出終止信號，從而幫助果蠅在威脅面前保持交配行為。然而，隨著交配次數(shù)增加，這些受體通過 β-抑制蛋白（β-arrestin）介導(dǎo)的過程發(fā)生脫敏，導(dǎo)致神經(jīng)元對多巴胺產(chǎn)生“局部抵抗”。結(jié)果是，多巴胺無法再有效維持行為動機(jī)，果蠅在面對挑戰(zhàn)時更容易放棄。當(dāng)研究人員阻斷這種脫敏過程后，果蠅不再表現(xiàn)出“厭倦”，對待每次交配都如初次般執(zhí)著。這一發(fā)現(xiàn)將病理性的成癮機(jī)制與自然的動機(jī)起伏聯(lián)系起來，解釋了大腦如何對特定行為進(jìn)行“貶值”。研究發(fā)表在 Nature Neuroscience 上。

閱讀更多：

Miner, Lauren E., et al. “Behavioral Devaluation by Local Resistance to Dopamine.” Nature Neuroscience, Nov. 2025, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41593-025-02079-x

無痛且無創(chuàng)：聚焦超聲首次成功輔助兒童腦癌化療給藥

彌漫性中線膠質(zhì)瘤是一種幾乎無藥可救的兒童腦癌，其治療受阻于血腦屏障對藥物的攔截。來自哥倫比亞大學(xué)的 Cheng-Chia Wu 和 Stergios Zacharoulis 等研究人員組成團(tuán)隊，率先證明了聚焦超聲技術(shù)可以安全地暫時打開患兒的血腦屏障，使藥物直達(dá)腫瘤。這一突破性進(jìn)展證實了該技術(shù)在兒科領(lǐng)域的安全性和可行性。

?磁共振成像顯示血腦屏障開放。Credit: Science Translational Medicine (2025).

這項研究是一項首次在兒科進(jìn)行的臨床試驗，研究團(tuán)隊招募了三名患有復(fù)發(fā)性彌漫性中線膠質(zhì)瘤的兒童。研究采用了一種創(chuàng)新的神經(jīng)導(dǎo)航引導(dǎo)聚焦超聲技術(shù)，這是一種利用聲波精準(zhǔn)定位并作用于特定腦區(qū)的非侵入性方法。在治療過程中，患兒口服化療藥物帕比司他（panobinostat），醫(yī)生通過靜脈注射微泡（microbubbles），即一種微小的脂質(zhì)包裹氣泡。聚焦超聲的聲波震動這些微泡，使其膨脹和收縮，從而物理性地撬開血腦屏障的緊密連接，形成藥物通過的通道。值得注意的是，這項治療完全在門診進(jìn)行，且無需對患兒使用麻醉或鎮(zhèn)靜劑，孩子們甚至可以在治療時玩平板電腦。結(jié)果顯示，該技術(shù)成功在所有患者中打開了血腦屏障，確認(rèn)了藥物通路的建立，且未引發(fā)嚴(yán)重不良反應(yīng)。盡管受試患兒最終因病去世，但這為攻克極難治療的腦部腫瘤提供了重要的臨床依據(jù)和新的給藥途徑。研究發(fā)表在 Science Translational Medicine 上。

閱讀更多：

Wu, Cheng-Chia, et al. “Blood-Brain Barrier Opening with Neuronavigation-Guided Focused Ultrasound in Pediatric Patients with Diffuse Midline Glioma.” Science Translational Medicine, vol. 17, no. 824, Nov. 2025, p. eadq6645. science.org (Atypon), https://doi.org/10.1126/scitranslmed.adq6645

專家的大腦更獨特？神經(jīng)影像揭示舞者與觀眾的認(rèn)知差異

舞蹈不僅僅是動作的堆砌，它是視覺、聽覺與情感的交響。為了解開大腦如何整合這些復(fù)雜信息的謎題，Yu Takagi、Daichi Shimizu、Mina Wakabayashi 等研究人員組成團(tuán)隊，利用深度學(xué)習(xí)技術(shù)與神經(jīng)影像學(xué)結(jié)合，深入探索了舞蹈在大腦皮層中的表征機(jī)制。他們特別關(guān)注了專業(yè)舞者與新手在處理舞蹈信息時的神經(jīng)差異，試圖通過跨模態(tài)模型還原大腦欣賞藝術(shù)的真實過程。

?編碼模型預(yù)測性能。Credit: Nature Communications (2025).

這項研究招募了14名參與者，其中包括7名專業(yè)舞者和7名新手，讓他們觀看長達(dá)5小時的街舞和爵士舞視頻，同時進(jìn)行功能磁共振成像（fMRI）掃描。研究團(tuán)隊采用了一種名為EDGE的跨模態(tài)深度生成模型（Cross-modal deep generative model），該模型在大規(guī)模舞蹈數(shù)據(jù)集上進(jìn)行訓(xùn)練，能夠模擬人類對動作和音樂的認(rèn)知。通過將模型提取的特征與大腦活動數(shù)據(jù)進(jìn)行比對，研究發(fā)現(xiàn)，相比于單一的動作或音頻特征，結(jié)合了多感官信息的跨模態(tài)特征能更準(zhǔn)確地解釋舞蹈誘發(fā)的大腦活動。結(jié)果顯示，大腦通過整合動作、音樂、美學(xué)和情感來構(gòu)建舞蹈的神經(jīng)圖譜。有趣的是，專業(yè)舞者的大腦活動雖然能被舞蹈特征更廣泛地解釋，但他們表現(xiàn)出更高的個體差異性，這意味著專家在大腦中構(gòu)建了更為獨特和個性化的舞蹈表征，特別是在處理舞蹈動作時。此外，模型還量化了引發(fā)不同情緒的舞蹈如何產(chǎn)生截然不同的神經(jīng)模式。研究發(fā)表在 Nature Communications 上。

驅(qū)動科學(xué)

閱讀更多：

Takagi, Yu, et al. “Cross-Modal Deep Generative Models Reveal the Cortical Representation of Dancing.” Nature Communications, vol. 16, no. 1, Nov. 2025, p. 9937. www.nature.com, https://doi.org/10.1038/s41467-025-65039-w

fMRI研究可能高估了大腦的無意識加工能力

無意識加工的邊界一直是認(rèn)知神經(jīng)科學(xué)的熱點，但其證據(jù)是否確鑿？Joaquim Streicher、Sascha Meyen、Volker H Franz 和 Timo Stein 組成的研究團(tuán)隊對這一領(lǐng)域的經(jīng)典方法提出了質(zhì)疑。他們發(fā)現(xiàn)，由于長期存在的統(tǒng)計謬誤，過去的神經(jīng)影像學(xué)研究可能嚴(yán)重高估了大腦進(jìn)行無意識加工的能力和范圍。

研究團(tuán)隊針對意識研究中常用的“雙重t檢驗”（方法進(jìn)行了批判性分析。傳統(tǒng)研究邏輯是：如果受試者在有意識區(qū)分刺激的任務(wù)（直接任務(wù)）中表現(xiàn)為隨機(jī)水平（無顯著差異），而在腦活動監(jiān)測（間接任務(wù)）中表現(xiàn)出顯著效應(yīng)，則判定存在無意識加工。然而，這種邏輯忽略了直接比較兩種任務(wù)的敏感性。為此，團(tuán)隊采用了“敏感性比較法”（Sensitivity Comparison Method），重新分析了16項功能磁共振成像（fMRI）研究中的80個實驗條件，計算并對比了任務(wù)的敏感性指標(biāo)（d'值）。結(jié)果顯示，在嚴(yán)格的統(tǒng)計比較下，80個實驗條件中僅有8個顯示出確鑿的“間接任務(wù)優(yōu)勢”（Indirect Task Advantage），即間接測量的敏感性確實高于意識測量。這表明許多關(guān)于大腦能無意識處理復(fù)雜信息（如語義、面孔等）的經(jīng)典結(jié)論可能站不住腳。研究發(fā)表在 Neuroscience of Consciousness 上。

閱讀更多：

Streicher, Joaquim, et al. “Neural Correlates of Unconscious Processing in Functional Magnetic Resonance Imaging: Does Brain Activity Contain More Information than Can Be Consciously Reported?” Neuroscience of Consciousness, vol. 2025, no. 1, Feb. 2025, p. niaf042. Silverchair, https://doi.org/10.1093/nc/niaf042

AI 行業(yè)動態(tài)

圖靈獎得主 Yann LeCun 離職 Meta 創(chuàng)業(yè)，劍指“世界模型”與高級機(jī)器智能

圖靈獎得主、被譽(yù)為“深度學(xué)習(xí)教父”的 Yann LeCun 近日正式宣布，將在今年年底離開工作了 12 年的 Meta，開啟全新的創(chuàng)業(yè)征程。這位 65 歲的資深研究人員在社交媒體上透露，他的新公司將專注于研發(fā)高級機(jī)器智能（AMI，Advanced Machine Intelligence，一種旨在讓系統(tǒng)具備理解物理世界、推理及規(guī)劃能力的下一代智能形態(tài)）。Yann LeCun 長期以來對目前流行的大型語言模型持批評態(tài)度，認(rèn)為它們?nèi)狈φ嬲奈锢碇庇X。新公司將延續(xù)他一直倡導(dǎo)的“世界模型”研究路線，致力于構(gòu)建能夠理解物理規(guī)律、擁有持久記憶并能規(guī)劃復(fù)雜行動序列的 AI 系統(tǒng)。值得注意的是，盡管選擇獨立創(chuàng)業(yè)，Meta 仍將作為合作伙伴支持該公司的發(fā)展，這一決定也得到了 Mark Zuckerberg 的支持。

Yann LeCun 此前曾擔(dān)任 Meta 基礎(chǔ)人工智能研究院（FAIR）的創(chuàng)始主任，堅持推行學(xué)術(shù)自由和開源模式，這使得 FAIR 成為 PyTorch 等核心技術(shù)的誕生地。然而，隨著近年來科技巨頭競爭加劇，Meta 內(nèi)部逐漸轉(zhuǎn)向產(chǎn)品化和商業(yè)化，學(xué)術(shù)氛圍受到一定擠壓。Yann LeCun 早年在貝爾實驗室開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)，奠定了現(xiàn)代計算機(jī)視覺的基礎(chǔ)。如今，他帶著最新的理論成果——如聯(lián)合嵌入預(yù)測架構(gòu)（JEPA，Joint Embedding Predictive Architecture，一種通過預(yù)測抽象特征來學(xué)習(xí)世界表征的模型架構(gòu)）重新出發(fā)。這次創(chuàng)業(yè)不僅標(biāo)志著 FAIR 一個時代的結(jié)束，也象征著研究人員向超越現(xiàn)有生成式 AI 局限性的更高目標(biāo)發(fā)起沖擊，試圖攻克讓機(jī)器真正理解世界的科學(xué)難題。

閱讀更多：

https://www.facebook.com/search/top?q=yann%20lecun

OpenAI發(fā)布“超長待機(jī)”模型GPT-5.1-Codex-Max，硬剛Google Gemini 3

為了應(yīng)對 Google Gemini 3 的強(qiáng)勁挑戰(zhàn)，OpenAI 迅速推出了專為編程和復(fù)雜任務(wù)設(shè)計的 GPT-5.1-Codex-Max。這款新模型在上下文窗口方面取得了重大突破，能夠跨越數(shù)百萬個標(biāo)記連續(xù)工作，單次獨立運行時間甚至超過 24 小時。其核心優(yōu)勢在于原生支持壓縮技術(shù)：當(dāng)接近上下文限制時，模型會自動壓縮對話歷史以釋放空間，從而保證任務(wù)的連貫性，避免了因拆分長文檔或代碼而產(chǎn)生的信息割裂。OpenAI 研究人員 Noam Brown 表示，該模型尚未遇到瓶頸。此外，這是 OpenAI 首個能在 Windows 環(huán)境中運行的模型，其在任務(wù)效率上也顯著優(yōu)于前代，不僅資源消耗更低，在 METR（Model Evaluation for Task Resolution，衡量 AI 完成人類任務(wù)能力的指標(biāo)）測試中也達(dá)到了新的最佳水平，有 50% 的概率能完成人類需耗時近 3 小時的任務(wù)。

在具體性能表現(xiàn)上，GPT-5.1-Codex-Max 展現(xiàn)出了卓越的推理能力與成本效益。在 SWE-bench Verified 測試中，該模型在同等推理力度下比前代減少了 30% 的思考標(biāo)記使用量，并針對非延遲敏感任務(wù)推出了“xhigh”推理力度選項，通過更長的思考時間換取更優(yōu)質(zhì)的答案。相比之下，盡管競爭對手的 Claude Code 在速度上略勝一籌，但新版 Codex 在標(biāo)記消耗上更為友好，不少開發(fā)者認(rèn)為兩者結(jié)合可能是最佳方案。與此同時，OpenAI 還低調(diào)發(fā)布了 GPT-5.1 Pro 版本。盡管官方介紹不多，但第三方測評顯示其在指令遵循方面表現(xiàn)優(yōu)異，若能接入集成開發(fā)環(huán)境，有望發(fā)揮更大潛力。這一系列動作顯示出硅谷大模型競爭正進(jìn)入白熱化階段。

-5.1 -Max

閱讀更多：

https://openai.com/index/gpt-5-1-codex-max/

AI 驅(qū)動科學(xué)

識別人工智能系統(tǒng)中的意識指標(biāo)

隨著人工智能越來越擅長模仿人類行為，如何判斷它們是否真的擁有內(nèi)心體驗成為了一個科學(xué)與倫理難題。Patrick Butlin、Robert Long、Eric Schwitzgebel 等研究人員組成的團(tuán)隊，結(jié)合神經(jīng)科學(xué)與人工智能領(lǐng)域的最新進(jìn)展，提出了一種全新的評估框架。該團(tuán)隊不再局限于觀察AI的對話或反應(yīng)，而是深入探究其內(nèi)部機(jī)制，試圖通過科學(xué)理論推導(dǎo)出可量化的指標(biāo)，從而判斷人工智能系統(tǒng)是否真正跨越了意識的門檻。

研究團(tuán)隊提出了一種名為“理論推導(dǎo)指標(biāo)法”（theory-derived indicator method）的評估策略。鑒于行為測試在AI面前容易失效——因為AI可以被訓(xùn)練得表現(xiàn)出有意識的樣子而實際上并沒有，研究人員轉(zhuǎn)而關(guān)注系統(tǒng)的內(nèi)部架構(gòu)。他們基于“計算功能主義”（computational functionalism，即認(rèn)為特定的計算過程是產(chǎn)生意識的充分必要條件）的假設(shè)，從全局工作空間理論（GWT）等主流神經(jīng)科學(xué)理論中提取出關(guān)鍵的意識指標(biāo)。這些指標(biāo)關(guān)注信息是如何在系統(tǒng)中被處理、整合及廣播的，而不僅僅是輸出結(jié)果。

研究結(jié)果顯示，通過檢查AI系統(tǒng)是否滿足這些基于生物大腦機(jī)制推導(dǎo)出的計算屬性，可以更客觀地評估其意識水平。雖然目前的分析傾向于認(rèn)為現(xiàn)有的AI系統(tǒng)（包括大型語言模型）尚不具備意識，但該研究建立了一個嚴(yán)謹(jǐn)?shù)目茖W(xué)標(biāo)準(zhǔn)，指出未來的AI如果具備特定的內(nèi)部處理架構(gòu)，在原則上是可能產(chǎn)生意識的。這一方法為避免對AI意識的誤判（無論是過度歸因還是歸因不足）提供了重要的理論工具。研究發(fā)表在 Trends in Cognitive Sciences 上。

閱讀更多：

Butlin, Patrick, et al. “Identifying Indicators of Consciousness in AI Systems.” Trends in Cognitive Sciences, vol. 0, no. 0, Nov. 2025. www.cell.com, https://doi.org/10.1016/j.tics.2025.10.011

AI新工具大幅降低外骨骼開發(fā)門檻：無需特定數(shù)據(jù)即可實現(xiàn)高效控制

為了解決開發(fā)實用可穿戴機(jī)器人需要耗費巨資收集人體數(shù)據(jù)的難題，來自佐治亞理工學(xué)院的 Keaton L. Scherpereel, Matthew C. Gombolay 和 Aaron J. Young 等研究人員開發(fā)了一種新型人工智能工具。該工具能夠在無需針對特定設(shè)備進(jìn)行大量實驗室數(shù)據(jù)采集的情況下，快速訓(xùn)練出功能齊全的外骨骼控制器，大幅降低了研發(fā)門檻。

?借助一款新型人工智能工具，佐治亞理工學(xué)院的研究人員無需花費大量時間在專業(yè)實驗室中收集佩戴該設(shè)備的人體數(shù)據(jù)，即可創(chuàng)建功能齊全的外骨骼控制器。這項進(jìn)步意味著設(shè)計和部署實用的外骨骼和機(jī)械肢體變得更加便捷。Credit: Candler Hobbs

研究團(tuán)隊采用了一種名為深度域自適應(yīng)（Deep Domain Adaptation）的技術(shù)框架，核心利用了 CycleGAN 模型。這是一種通常用于圖像轉(zhuǎn)換（如將馬變成斑馬）的 AI 技術(shù)。研究人員并沒有讓真人穿戴每種新設(shè)備進(jìn)行數(shù)小時的測試，而是利用海量的現(xiàn)有開源人體運動數(shù)據(jù)（無外骨骼狀態(tài)），通過生物力學(xué)模擬構(gòu)建了一個“墊腳石域”，人為添加虛擬傳感器數(shù)據(jù)，讓 AI 學(xué)習(xí)預(yù)測佩戴設(shè)備時的關(guān)節(jié)力矩。在涉及8名參與者的下肢外骨骼實時測試中，該 AI 控制器的表現(xiàn)與那些使用昂貴特定數(shù)據(jù)訓(xùn)練出的最佳模型相當(dāng)。結(jié)果顯示，該系統(tǒng)能夠準(zhǔn)確估算用戶意圖并提供輔助，使受試者的代謝成本（metabolic cost）降低了 9.5% 至 14.6%。這項技術(shù)相當(dāng)于為機(jī)器人提供了一個“通用翻譯器”，使得外骨骼的快速迭代和廣泛部署成為可能。研究發(fā)表在 Science Robotics 上。

驅(qū)動科學(xué)

閱讀更多：

Scherpereel, Keaton L., et al. “Deep Domain Adaptation Eliminates Costly Data Required for Task-Agnostic Wearable Robotic Control.” Science Robotics, vol. 10, no. 108, Nov. 2025, p. eads8652. science.org (Atypon), https://doi.org/10.1126/scirobotics.ads8652

擁抱數(shù)據(jù)混亂：新AI訓(xùn)練框架DAC提升醫(yī)學(xué)圖像跨域泛化能力

現(xiàn)實中的醫(yī)療數(shù)據(jù)往往充滿“混亂”，醫(yī)院可能僅有少量來自特定掃描儀的標(biāo)注圖像，卻擁有大量來自其他中心、參數(shù)各異的未標(biāo)注數(shù)據(jù)。為了解決這一難題，新加坡科技設(shè)計大學(xué)（SUTD）的 Zhao Na 及其合作者 Jincai Song 等人，并未回避這種數(shù)據(jù)的無序性，而是提出了一種新的訓(xùn)練方法來應(yīng)對跨域半監(jiān)督域泛化（CD-SSDG）的挑戰(zhàn)。該團(tuán)隊旨在開發(fā)一種能夠適應(yīng)不同醫(yī)療中心設(shè)備差異、光照變化及患者構(gòu)成差異的穩(wěn)健模型。

?本文概述了針對跨域半監(jiān)督域泛化（CD-SSDG）任務(wù)提出的雙監(jiān)督非對稱協(xié)同訓(xùn)練（DAC）框架。該任務(wù)與域泛化（DG）和半監(jiān)督域泛化（SSDG）密切相關(guān)，但面臨著 DG 或 SSDG 單獨無法解決的獨特挑戰(zhàn)——即部分標(biāo)注的訓(xùn)練數(shù)據(jù)以及標(biāo)注和未標(biāo)注訓(xùn)練數(shù)據(jù)之間的域轉(zhuǎn)換。Credit: SUTD

研究團(tuán)隊開發(fā)了一種名為雙監(jiān)督非對稱協(xié)同訓(xùn)練（DAC）的框架。該方法不像傳統(tǒng)半監(jiān)督學(xué)習(xí)那樣僅依賴容易受域偏移影響的像素級偽標(biāo)簽（pseudo-labels），而是引入了特征級監(jiān)督（feature-level supervision），促使兩個子模型在更深層的特征空間保持一致，從而錨定領(lǐng)域不變的線索。此外，為了防止模型因錯誤累積而崩潰，研究人員為子模型分配了不對稱的輔助任務(wù)：一個負(fù)責(zé)定位混合圖像塊，另一個負(fù)責(zé)預(yù)測圖像塊的旋轉(zhuǎn)。這種設(shè)計無需額外的人工標(biāo)注，卻能顯著豐富模型的內(nèi)部表征。在視網(wǎng)膜眼底、結(jié)直腸息肉及脊髓灰質(zhì) MRI 的測試中，DAC 展現(xiàn)了卓越的穩(wěn)定性，特別是在視杯等低對比度結(jié)構(gòu)的分割上，其表現(xiàn)顯著優(yōu)于現(xiàn)有方法。值得注意的是，這些復(fù)雜的訓(xùn)練策略不會增加模型在實際應(yīng)用時的推理成本，為醫(yī)療AI的廣泛部署提供了極具實用價值的解決方案。研究發(fā)表在 IEEE Transactions on Multimedia 上。

閱讀更多：

Song, Jincai, et al. “Dual-Supervised Asymmetric Co-Training for Semi-Supervised Medical Domain Generalization.” IEEE Transactions on Multimedia, 2025, pp. 1–13. IEEE Xplore, https://doi.org/10.1109/TMM.2025.3613080

半數(shù)小說家擔(dān)憂被AI取代：劍橋大學(xué)報告揭示創(chuàng)意產(chǎn)業(yè)的版權(quán)與生計危機(jī)

隨著生成式人工智能工具如“Sudowrite”和“Novelcrafter”的普及，科技公司正將目光鎖定小說市場，這引發(fā)了文學(xué)界對職業(yè)生存和版權(quán)倫理的深切擔(dān)憂。針對這一緊迫議題，劍橋大學(xué)明德魯科技與民主中心的 Clementine Collett 與未來工作研究所合作，進(jìn)行了一項深入的行業(yè)調(diào)查。研究團(tuán)隊對258名已出版的小說家及74名出版業(yè)內(nèi)部人士進(jìn)行了問卷調(diào)查，并結(jié)合焦點小組和訪談，旨在全方位評估人工智能對英國小說界的沖擊。

調(diào)查結(jié)果描繪了一幅令人憂慮的圖景：51%的小說家認(rèn)為人工智能最終可能會完全取代他們的工作，其中言情和驚悚類題材的作家被認(rèn)為風(fēng)險最高。近三分之二（59%）的作家發(fā)現(xiàn)自己的作品在未經(jīng)許可的情況下被用于訓(xùn)練大型語言模型，且未獲得任何報酬。經(jīng)濟(jì)影響已然顯現(xiàn)，39%的受訪者表示收入已受到?jīng)_擊，85%的人預(yù)計未來收入將進(jìn)一步縮水。盡管33%的作家會利用AI輔助信息搜索，但絕大多數(shù)（97%）對AI撰寫整部小說持極度負(fù)面態(tài)度，擔(dān)心這會導(dǎo)致文學(xué)作品的“同質(zhì)化”和原創(chuàng)性的喪失。針對版權(quán)問題，86%的創(chuàng)作者呼吁建立“選擇加入”（opt-in）機(jī)制，即科技公司在使用其作品訓(xùn)練模型前必須先獲得許可并付費，明確反對英國政府此前包含“選擇退出”條款的提議。研究強(qiáng)調(diào)，小說不僅是商品，更是探索人性的重要媒介，呼吁政策制定者加強(qiáng)監(jiān)管以保護(hù)人類創(chuàng)造力。

閱讀更多：

https://www.mctd.ac.uk/impact-of-generative-ai-on-the-novel/

阿里通義實驗室推出AgentEvolver：邁向高效自演化智能體系統(tǒng)

當(dāng)前基于大型語言模型的自主智能體開發(fā)面臨數(shù)據(jù)成本高、探索效率低等瓶頸。針對這一難題，來自阿里巴巴通義實驗室（Tongyi Lab, Alibaba Group）的 Yunpeng Zhai, Shuchang Tao, Cheng Chen 等研究人員提出了一種全新的解決方案，旨在利用模型自身的語義理解能力驅(qū)動智能體的自主學(xué)習(xí)與演化。

該研究提出了名為 AgentEvolver 的自演化智能體系統(tǒng)，通過三種核心機(jī)制解決傳統(tǒng)強(qiáng)化學(xué)習(xí)流程的痛點。首先是自提問（Self-questioning），即利用好奇心驅(qū)動機(jī)制在未知環(huán)境中自主生成任務(wù)，從而減少對人工數(shù)據(jù)集的依賴；其次是自導(dǎo)航（Self-navigating），通過重用過往經(jīng)驗和混合策略引導(dǎo)，顯著提升探索效率；最后是自歸因（Self-attributing），該機(jī)制利用大模型推斷長軌跡中具體動作和狀態(tài)的貢獻(xiàn)并分配細(xì)粒度獎勵，解決了傳統(tǒng)方法中樣本利用率低的問題。在 AppWorld 和 BFCL-v3 基準(zhǔn)測試中，AgentEvolver 以更少的參數(shù)量取得了優(yōu)于傳統(tǒng)基線模型的效果，展現(xiàn)了更快的適應(yīng)能力。

閱讀更多：

Zhai, Yunpeng, et al. “AgentEvolver: Towards Efficient Self-Evolving Agent System.” Version 1, arXiv:2511.10395, arXiv, 13 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2511.10395

像人一樣想象未來：通用交互式世界模型 PAN 問世

智能體若要具備通用智能，必須能夠像人類一樣在腦海中“沙盤推演”，即想象世界如何隨其行為演變，這種能力被稱為“世界模型”。然而，目前的視頻生成模型雖然畫面逼真，卻缺乏對因果關(guān)系的理解和長期記憶，難以用于復(fù)雜的規(guī)劃與決策。為了突破這一瓶頸，來自穆罕默德·本·扎耶德人工智能大學(xué)（Mohamed bin Zayed University of Artificial Intelligence）基礎(chǔ)模型研究所的 PAN Team 開發(fā)了一種名為 PAN 的新型通用世界模型，旨在實現(xiàn)可交互、長時程且跨領(lǐng)域的未來狀態(tài)模擬。

該研究的核心在于提出了一種生成式潛在預(yù)測（Generative Latent Prediction）架構(gòu)，它巧妙地結(jié)合了大型語言模型的邏輯推理能力與視頻擴(kuò)散模型的視覺生成能力。研究人員利用大語言模型作為系統(tǒng)的“大腦”，負(fù)責(zé)在潛在空間中處理復(fù)雜的因果邏輯和動作指令，確保模擬過程符合物理規(guī)律和人類常識；同時，為了解決長時間模擬中畫面崩壞的問題，團(tuán)隊在視頻解碼器中引入了因果移位窗口去噪過程模型（Causal Swin-DPM），這種技術(shù)能有效維持視頻片段間的連貫性，防止誤差累積。通過在海量跨領(lǐng)域視頻-動作數(shù)據(jù)上的訓(xùn)練，PAN 不僅能根據(jù)自然語言指令生成高質(zhì)量的動態(tài)視頻，還能進(jìn)行長期的因果推理，預(yù)測未來的世界狀態(tài)。實驗結(jié)果顯示，PAN 在動作驅(qū)動的模擬和長時程預(yù)測任務(wù)上表現(xiàn)優(yōu)異，超越了現(xiàn)有的視頻生成器，為構(gòu)建能思考、能規(guī)劃的通用人工智能奠定了基礎(chǔ)。

閱讀更多：

Team, P. A. N., et al. “PAN: A World Model for General, Interactable, and Long-Horizon World Simulation.” Version 2, arXiv:2511.09057, arXiv, 13 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2511.09057

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。