█ 腦科學(xué)動(dòng)態(tài)

科學(xué)家首次構(gòu)建出能產(chǎn)生褪黑素的人類(lèi)松果體類(lèi)器官

咬指甲與拖延癥：自我破壞行為背后的生存本能

加速大腦修復(fù)：3D重編程技術(shù)突破神經(jīng)退行性疾病研究瓶頸

拖延癥是情緒調(diào)節(jié)失敗而非懶惰：短期情緒修復(fù)如何犧牲未來(lái)自我

CRISPR篩選揭示數(shù)百個(gè)大腦發(fā)育必需基因

計(jì)算模型揭示高級(jí)冥想的核心機(jī)制：主動(dòng)推理與精確度加權(quán)

神經(jīng)科學(xué)啟示錄：融合行動(dòng)、組合結(jié)構(gòu)與情景記憶構(gòu)建類(lèi)人AI

聰明的配偶還是強(qiáng)壯的伴侶？雌鼠的選擇取決于它自己

█ AI行業(yè)動(dòng)態(tài)

MiroMind發(fā)布搜索智能體，以小博大重新定義“發(fā)現(xiàn)式智能”

馬斯克宣布Neuralink 2026年開(kāi)啟量產(chǎn)

LeCun離職炮轟Llama 4造假，另起爐灶押注世界模型

█ AI驅(qū)動(dòng)科學(xué)

Science：AI無(wú)法取代人類(lèi)，唯有嚴(yán)謹(jǐn)審查方能抵制“垃圾”文獻(xiàn)

UCLA團(tuán)隊(duì)實(shí)現(xiàn)光處理器無(wú)模型原位高效訓(xùn)練

SpecEdge：利用消費(fèi)級(jí)顯卡大幅降低大模型服務(wù)成本

RLPP模型：無(wú)需下游數(shù)據(jù)即可重建受損神經(jīng)通路

超越AlphaFold3的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)新模型

告別暴力計(jì)算：高效多模態(tài)AI的架構(gòu)革命

腦科學(xué)動(dòng)態(tài)

科學(xué)家首次構(gòu)建出能產(chǎn)生褪黑素的人類(lèi)松果體類(lèi)器官

松果體作為大腦的“生物鐘”，通過(guò)分泌褪黑素調(diào)節(jié)睡眠周期，但因其位置深且體積小，科學(xué)家一直難以深入研究其功能與病理。In-Hyun Park、Ferdi Ridvan Kiral和Woo Sub Yang團(tuán)隊(duì)（耶魯大學(xué)）取得突破，他們利用干細(xì)胞技術(shù)首次培育出能夠模擬人類(lèi)松果體發(fā)育并產(chǎn)生褪黑素的類(lèi)器官，為理解睡眠障礙及神經(jīng)發(fā)育疾病提供了強(qiáng)有力的研究工具。

該研究通過(guò)引導(dǎo)人類(lèi)多能干細(xì)胞分化，成功構(gòu)建了人類(lèi)松果體類(lèi)器官（human pineal gland organoids）。利用單細(xì)胞RNA測(cè)序技術(shù)，研究人員證實(shí)這些類(lèi)器官包含成熟及發(fā)育中的松果體細(xì)胞，其基因表達(dá)特征與真實(shí)人體組織高度相似。實(shí)驗(yàn)顯示，這些類(lèi)器官不僅能分泌褪黑素，還能表達(dá)腎上腺素能受體，并對(duì)去甲腎上腺素信號(hào)產(chǎn)生反應(yīng)，完美復(fù)刻了人體內(nèi)的晝夜節(jié)律調(diào)控機(jī)制。為驗(yàn)證其臨床價(jià)值，團(tuán)隊(duì)利用天使綜合征（Angelman Syndrome）患者的細(xì)胞構(gòu)建模型，發(fā)現(xiàn)其松果體細(xì)胞分化異常且褪黑素合成顯著減少，解釋了該病患者睡眠障礙的成因。此外，將類(lèi)器官移植到切除松果體的小鼠體內(nèi)后，成功恢復(fù)了小鼠血液中的褪黑素水平。研究發(fā)表在 Cell Stem Cell 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #松果體 #類(lèi)器官 #褪黑素

閱讀更多：

Kiral, Ferdi Ridvan, et al. “Generation of Human Pineal Gland Organoids with Melatonin Production for Disease Modeling.” Cell Stem Cell, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.stem.2025.12.004

咬指甲與拖延癥：自我破壞行為背后的生存本能

為什么我們會(huì)不由自主地咬指甲、拖延工作或陷入自我批評(píng)？臨床心理學(xué)家 Charlie Heriot-Maitland 在其新書(shū)中提出了一種顛覆性的觀(guān)點(diǎn)。他通過(guò)心理學(xué)分析發(fā)現(xiàn)，這些看似非理性的自我破壞行為并非單純的錯(cuò)誤，而是根植于進(jìn)化的生存機(jī)制。研究指出，從微小的身體習(xí)慣到社交回避，這些行為實(shí)際上是大腦為了防御未知的外部威脅而精心設(shè)計(jì)的保護(hù)策略。

這項(xiàng)研究基于進(jìn)化心理學(xué)框架，指出人類(lèi)大腦的首要任務(wù)是生存而非幸福，因此它對(duì)“不確定性”具有極高的敏感度。Charlie Heriot-Maitland 將這些自我破壞行為描述為“精神健康中的可控爆發(fā)”（Controlled Explosions）。其核心邏輯在于：大腦寧愿我們面對(duì)一種已知的、可控的內(nèi)部傷害（例如因拖延導(dǎo)致的焦慮，或因自我批評(píng)產(chǎn)生的痛苦），也不愿讓我們暴露在不可預(yù)測(cè)的外部威脅（如徹底的失敗、他人的拒絕或意外的敵意）之下。例如，完美主義者通過(guò)過(guò)度關(guān)注細(xì)節(jié)來(lái)避免犯錯(cuò)，這種神經(jīng)劫持（neurological hijacking）利用了高級(jí)認(rèn)知功能，試圖通過(guò)自我施壓來(lái)規(guī)避潛在的更大風(fēng)險(xiǎn)。然而，這種機(jī)制常導(dǎo)致“自我實(shí)現(xiàn)的預(yù)言”，即對(duì)失敗的防御反而促成了失敗。研究強(qiáng)調(diào)，解決這一問(wèn)題的關(guān)鍵不在于對(duì)抗或消除這些行為，而是利用神經(jīng)可塑性，通過(guò)“自我關(guān)懷”理解其保護(hù)性動(dòng)機(jī)，從而逐步建立新的應(yīng)對(duì)模式。研究發(fā)表在 Routledge 上。

#疾病與健康 #心理健康與精神疾病 #神經(jīng)機(jī)制與腦功能解析 #進(jìn)化心理學(xué) #自我破壞 #自我關(guān)懷

閱讀更多：

Heriot-Maitland, Charlie. Controlled Explosions in Mental Health: A Compassionate Guide to Understanding Why Our Brains Self-Sabotage, Self-Criticise, and Self-Harm , Routledge, 2026, https://doi.org/10.4324/9781003559924

加速大腦修復(fù)：3D重編程技術(shù)突破神經(jīng)退行性疾病研究瓶頸

為了解決大腦中充當(dāng)“制動(dòng)系統(tǒng)”的關(guān)鍵神經(jīng)元難以在實(shí)驗(yàn)室生成的難題，Christina A. Stamouli 和 Daniella Rylander Ottosson 等人（隆德大學(xué)）開(kāi)發(fā)了一種突破性技術(shù)。他們成功繞過(guò)干細(xì)胞階段，直接將大腦支持細(xì)胞轉(zhuǎn)化為與精神分裂癥及癲癇密切相關(guān)的小白蛋白神經(jīng)元，揭示了細(xì)胞命運(yùn)轉(zhuǎn)變的關(guān)鍵基因通路。

? 人類(lèi)膠質(zhì)細(xì)胞前體細(xì)胞的神經(jīng)元重編程。Credit: Science Advances (2026).

小白蛋白細(xì)胞在維持大腦平衡中起著核心作用，其功能異常會(huì)導(dǎo)致嚴(yán)重的神經(jīng)系統(tǒng)疾病。研究團(tuán)隊(duì)開(kāi)發(fā)了一種創(chuàng)新的三維重編程方法，能夠?qū)⑸窠?jīng)膠質(zhì)細(xì)胞直接轉(zhuǎn)化為中間神經(jīng)元。利用單核RNA測(cè)序，研究人員發(fā)現(xiàn)，這種方法僅需兩周時(shí)間就能生成成熟的小白蛋白神經(jīng)元，其中包括一種名為吊燈細(xì)胞的罕見(jiàn)亞型。

相比傳統(tǒng)干細(xì)胞分化方案通常需要數(shù)月時(shí)間，這項(xiàng)新技術(shù)不僅大幅縮短了時(shí)間，還通過(guò)譜系軌跡分析確定了驅(qū)動(dòng)這一轉(zhuǎn)化的關(guān)鍵基因。這一發(fā)現(xiàn)意味著科學(xué)家現(xiàn)在可以在實(shí)驗(yàn)室中利用患者自身的細(xì)胞快速構(gòu)建疾病模型，深入探究精神分裂癥和癲癇的病理機(jī)制。長(zhǎng)遠(yuǎn)來(lái)看，該研究為開(kāi)發(fā)將大腦內(nèi)膠質(zhì)細(xì)胞原位轉(zhuǎn)化為健康神經(jīng)元的再生療法提供了可能，有望直接修復(fù)受損的大腦回路。研究發(fā)表在 Science Advances 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #技術(shù)創(chuàng)新 #單神經(jīng)元重建 #全腦成像

閱讀更多：

Stamouli, Christina A., et al. “A Distinct Lineage Pathway Drives Parvalbumin Chandelier Cell Fate in Human Interneuron Reprogramming.” Science Advances, vol. 12, no. 1, Jan. 2026, p. eadv0588. science.org (Atypon), https://doi.org/10.1126/sciadv.adv0588

拖延癥是情緒調(diào)節(jié)失敗而非懶惰：短期情緒修復(fù)如何犧牲未來(lái)自我

拖延癥常被誤解為懶惰或缺乏意志力，但其背后的心理機(jī)制遠(yuǎn)比這復(fù)雜。加拿大畢索普大學(xué)的Fuschia Sirois和卡爾頓大學(xué)的Timothy Pychyl通過(guò)系統(tǒng)性理論綜述，提出拖延本質(zhì)上是一種自我調(diào)節(jié)失敗，與短期情緒修復(fù)和情緒調(diào)節(jié)密切相關(guān)，而非簡(jiǎn)單的時(shí)間管理問(wèn)題。

研究團(tuán)隊(duì)對(duì)拖延癥相關(guān)文獻(xiàn)進(jìn)行了系統(tǒng)梳理，重點(diǎn)分析了短期情緒調(diào)節(jié)在拖延行為中的優(yōu)先性。研究指出，當(dāng)個(gè)體面對(duì)被視為令人厭惡、困難或無(wú)聊的任務(wù)時(shí)，會(huì)產(chǎn)生焦慮等負(fù)面情緒。拖延者為了盡快擺脫這些不適感，會(huì)選擇回避任務(wù)，從而獲得即時(shí)的情緒緩解。然而，這種短期情緒修復(fù)的效果是暫時(shí)的，延遲完成任務(wù)反而會(huì)帶來(lái)更大的壓力、內(nèi)疚和焦慮，形成惡性循環(huán)。研究特別強(qiáng)調(diào)了自我的時(shí)間性理解（temporal understanding of self）在拖延中的重要性�，F(xiàn)在自我（present self）傾向于優(yōu)先滿(mǎn)足即時(shí)情緒需求，而拖延的負(fù)面后果——如時(shí)間壓力增加、任務(wù)質(zhì)量下降、健康受損——?jiǎng)t由未來(lái)自我（future self）承擔(dān)。這種現(xiàn)在自我與未來(lái)自我之間的時(shí)間脫節(jié)是理解拖延行為的關(guān)鍵。研究還將這些個(gè)體內(nèi)部過(guò)程與拖延對(duì)健康和幸福感的負(fù)面影響聯(lián)系起來(lái)，為后續(xù)干預(yù)研究提供了理論基礎(chǔ)。研究發(fā)表在 Social and Personality Psychology Compass 上。

#認(rèn)知科學(xué) #心理健康與精神疾病 #拖延癥 #情緒調(diào)節(jié) #自我調(diào)節(jié)

閱讀更多：

Sirois, Fuschia, and Timothy Pychyl. “Procrastination and the Priority of Short-Term Mood Regulation: Consequences for Future Self.” Social and Personality Psychology Compass, vol. 7, no. 2, 2013, pp. 115–27. Wiley Online Library, https://doi.org/10.1111/spc3.12011

CRISPR篩選揭示數(shù)百個(gè)大腦發(fā)育必需基因

哪些基因是構(gòu)建大腦的基石？如果它們失效會(huì)發(fā)生什么？耶路撒冷希伯來(lái)大學(xué)的Sagiv Shifman教授團(tuán)隊(duì)與法國(guó)國(guó)家健康與醫(yī)學(xué)研究院（INSERM）的Binnaz Yalcin教授合作，利用全基因組篩選技術(shù)，繪制了一張?jiān)缙诖竽X發(fā)育關(guān)鍵基因的詳細(xì)圖譜。這項(xiàng)研究不僅鑒定出數(shù)百個(gè)神經(jīng)元分化所必需的基因，還發(fā)現(xiàn)了一個(gè)導(dǎo)致罕見(jiàn)神經(jīng)發(fā)育障礙的新基因 *PEDS1*，并揭示了不同類(lèi)型基因突變與特定疾病癥狀之間的聯(lián)系。

? 實(shí)驗(yàn)室中由干細(xì)胞培養(yǎng)的神經(jīng)元形成相互連接的網(wǎng)絡(luò)。在這項(xiàng)研究中，研究人員利用 CRISPR 技術(shù)關(guān)閉干細(xì)胞中的基因，然后追蹤這些細(xì)胞分化為神經(jīng)元的成功率。比例尺：100 微米。 Credit: Dr. Galya Monderer-Rothkoff, The Hebrew University of Jerusalem.

研究團(tuán)隊(duì)采用CRISPR對(duì)小鼠胚胎干細(xì)胞中的約20,000個(gè)基因進(jìn)行了系統(tǒng)性敲除篩選，觀(guān)察它們?cè)诜只癁槟X細(xì)胞過(guò)程中的作用。結(jié)果鑒定出331個(gè)對(duì)神經(jīng)元生成至關(guān)重要的基因。其中，研究重點(diǎn)關(guān)注了 *PEDS1* 基因，發(fā)現(xiàn)它是合成縮醛磷脂（plasmalogens，一種富含于神經(jīng)纖維保護(hù)層髓鞘中的特殊膜磷脂）的關(guān)鍵酶。在臨床樣本中，研究人員發(fā)現(xiàn) *PEDS1* 的突變導(dǎo)致兒童患有嚴(yán)重的發(fā)育障礙和小頭畸形。動(dòng)物模型進(jìn)一步證實(shí)，該基因缺失會(huì)加速細(xì)胞退出分裂周期，阻礙神經(jīng)元的正常分化和遷移。此外，研究還發(fā)現(xiàn)了一個(gè)有趣的規(guī)律：涉及轉(zhuǎn)錄調(diào)控的基因突變通常導(dǎo)致顯性遺傳疾病，而像 *PEDS1* 這樣涉及代謝過(guò)程的基因則多導(dǎo)致隱性遺傳疾病。為了推動(dòng)領(lǐng)域發(fā)展，團(tuán)隊(duì)還建立了開(kāi)放的在線(xiàn)數(shù)據(jù)庫(kù)，共享所有篩選數(shù)據(jù)。研究發(fā)表在 Nature Neuroscience 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #CRISPR #神經(jīng)發(fā)育障礙 #大腦發(fā)育

閱讀更多：

Amelan, Alana, et al. “CRISPR Knockout Screens Reveal Genes and Pathways Essential for Neuronal Differentiation and Implicate PEDS1 in Neurodevelopment.” Nature Neuroscience, Jan. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-025-02165-0

計(jì)算模型揭示高級(jí)冥想的核心機(jī)制：主動(dòng)推理與精確度加權(quán)

如何用數(shù)學(xué)語(yǔ)言描述“無(wú)我”或“止息”等深層冥想體驗(yàn)？Hagar Tal和Matthew D. Sacchet等研究人員通過(guò)回顧計(jì)算現(xiàn)象學(xué)領(lǐng)域的最新進(jìn)展，試圖搭建一座連接主觀(guān)冥想體驗(yàn)與客觀(guān)科學(xué)數(shù)據(jù)的橋梁。該團(tuán)隊(duì)發(fā)現(xiàn)，盡管存在多種理論模型，但通過(guò)引入主動(dòng)推理（Active Inference）框架，可以從計(jì)算角度對(duì)冥想過(guò)程中的意識(shí)狀態(tài)變化進(jìn)行形式化描述。

該研究深入分析了現(xiàn)有的計(jì)算模型，發(fā)現(xiàn)了一個(gè)貫穿始終的核心機(jī)制：精確度加權(quán)。在計(jì)算神經(jīng)科學(xué)中，這指的是大腦對(duì)預(yù)測(cè)誤差或感官輸入的“置信度”。研究指出，早期的冥想模型主要關(guān)注如何通過(guò)調(diào)節(jié)精確度來(lái)增強(qiáng)對(duì)內(nèi)感受的注意力控制，從而解釋正念帶來(lái)的平靜。然而，隨著研究的深入，最新的模型開(kāi)始探索更復(fù)雜的現(xiàn)象，如感知的“去虛構(gòu)化”（defabrication）。這意味著冥想者通過(guò)改變層級(jí)生成模型（hierarchical generative model）中特定層的精確度權(quán)重，逐漸松動(dòng)原本僵化的感知結(jié)構(gòu)，從而產(chǎn)生認(rèn)知靈活性的提升甚至極簡(jiǎn)的現(xiàn)象體驗(yàn)。盡管如此，研究也強(qiáng)調(diào)，目前對(duì)于非二元性體驗(yàn)、情感轉(zhuǎn)化機(jī)制以及日常生活中的非正式冥想練習(xí)，現(xiàn)有的計(jì)算模型仍有待進(jìn)一步完善。研究發(fā)表在 Neuroscience & Biobehavioral Reviews 上。

#認(rèn)知科學(xué) #計(jì)算模型與人工智能模擬 #冥想 #主動(dòng)推理 #精確度加權(quán)

閱讀更多：

Tal, Hagar, et al. “Active Inference, Computational Phenomenology, and Advanced Meditation: Toward the Formalization of the Experience of Meditation.” Neuroscience & Biobehavioral Reviews, Dec. 2025, p. 106539. ScienceDirect, https://doi.org/10.1016/j.neubiorev.2025.106539

神經(jīng)科學(xué)啟示錄：融合行動(dòng)、組合結(jié)構(gòu)與情景記憶構(gòu)建類(lèi)人AI

當(dāng)前的人工智能雖然在語(yǔ)言處理上表現(xiàn)出色，但仍面臨幻覺(jué)頻發(fā)、缺乏常識(shí)性物理認(rèn)知以及能耗巨大等問(wèn)題。Rajesh P.N. Rao及其團(tuán)隊(duì)（華盛頓大學(xué)）提出，AI的發(fā)展應(yīng)當(dāng)重新審視并借鑒神經(jīng)科學(xué)的核心原理。他們指出，盡管大語(yǔ)言模型的預(yù)測(cè)機(jī)制與大腦的“預(yù)測(cè)編碼”有相似之處，但現(xiàn)有的AI架構(gòu)忽略了生物大腦中至關(guān)重要的三個(gè)要素：行動(dòng)、層級(jí)化的組合結(jié)構(gòu)以及情景記憶。團(tuán)隊(duì)認(rèn)為，填補(bǔ)這些空白是構(gòu)建安全、可解釋且真正具有類(lèi)人智能的AI系統(tǒng)的關(guān)鍵。

該研究深入分析了當(dāng)前Transformer架構(gòu)的局限性，并提出了基于“主動(dòng)預(yù)測(cè)編碼”（Active Predictive Coding, APC）的改進(jìn)方案。首先，針對(duì)AI缺乏“身體感”的問(wèn)題，研究指出大腦通過(guò)行動(dòng)來(lái)驗(yàn)證感知并學(xué)習(xí)因果關(guān)系�，F(xiàn)有的AI是被動(dòng)的觀(guān)察者，缺乏與環(huán)境互動(dòng)的策略網(wǎng)絡(luò)；團(tuán)隊(duì)建議引入獨(dú)立的策略網(wǎng)絡(luò)來(lái)指導(dǎo)生成模型，使其能像生物一樣通過(guò)“嘗試”來(lái)理解物理世界，從而減少邏輯謬誤。其次，針對(duì)處理復(fù)雜任務(wù)的效率問(wèn)題，研究提倡引入分層組合結(jié)構(gòu)（Compositional Structure）。大腦通過(guò)將復(fù)雜任務(wù)分解為子任務(wù)（如將“去超市”分解為“走路”、“開(kāi)車(chē)”等）來(lái)高效處理信息，而目前的AI依賴(lài)扁平的長(zhǎng)上下文窗口，效率低且易在長(zhǎng)文本中“迷失”。最后，關(guān)于情景記憶，研究建議模仿海馬體的功能，賦予AI可寫(xiě)入的長(zhǎng)期記憶庫(kù)，并通過(guò)類(lèi)似生物“睡眠”的離線(xiàn)階段進(jìn)行記憶重放和整合，以實(shí)現(xiàn)持續(xù)學(xué)習(xí)。這種受大腦啟發(fā)的架構(gòu)有望大幅提升AI的魯棒性和能源效率。

#大模型技術(shù) #計(jì)算模型與人工智能模擬 #預(yù)測(cè)編碼 #情景記憶 #神經(jīng)科學(xué)

閱讀更多：

Rao, Rajesh P. N., et al. “Lessons from Neuroscience for AI: How Integrating Actions, Compositional Structure and Episodic Memory Could Enable Safe, Interpretable and Human-Like AI.” arXiv:2512.22568, arXiv, 27 Dec. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2512.22568

聰明的配偶還是強(qiáng)壯的伴侶？雌鼠的選擇取決于它自己

為什么在漫長(zhǎng)的進(jìn)化過(guò)程中，并非所有動(dòng)物都變得絕頂聰明？為了解開(kāi)這一維持生物多樣性的謎題，Alexandros Vezyrakis、Fragkiskos Darmis、Valeria Mazza 和 Anja Guenther 等研究人員（馬克斯·普朗克進(jìn)化生物學(xué)研究所）通過(guò)結(jié)合半自然環(huán)境觀(guān)察與受控實(shí)驗(yàn)，發(fā)現(xiàn)雌性小鼠會(huì)根據(jù)自身的特質(zhì)選擇互補(bǔ)的配偶，從而防止了單一特質(zhì)在種群中固定，揭示了性選擇維持行為多樣性的機(jī)制。

該研究在四個(gè)半自然圍欄中追蹤了139只野生家鼠的行為，并引入了需要解謎才能獲取食物的裝置。結(jié)果顯示，只有約四分之一的小鼠表現(xiàn)出創(chuàng)新能力。通過(guò)DNA親子鑒定發(fā)現(xiàn)，種群中存在顯著的異型交配（disassortative mating）現(xiàn)象，“互補(bǔ)”配對(duì)的比例遠(yuǎn)高于隨機(jī)預(yù)期。深入的擇偶實(shí)驗(yàn)揭示了背后的雙重機(jī)制：首先，雄性面臨著“智力”與“體力”的權(quán)衡，創(chuàng)新型雄性通常體型較小，而體型是競(jìng)爭(zhēng)優(yōu)勢(shì)的指標(biāo)；其次，雌性的擇偶標(biāo)準(zhǔn)與其自身能力密切相關(guān)。具有創(chuàng)新能力的雌鼠傾向于選擇體型更大的雄鼠以獲取身體優(yōu)勢(shì)基因，而缺乏創(chuàng)新能力的雌鼠則偏好聰明的雄鼠。這種基于自身?xiàng)l件的差異化選擇，使得創(chuàng)新基因和強(qiáng)壯基因在種群中得以動(dòng)態(tài)平衡。研究發(fā)表在 Current Biology 上。

#認(rèn)知科學(xué) #其他 #進(jìn)化生物學(xué) #動(dòng)物行為 #性選擇

閱讀更多：

Vezyrakis, Alexandros, et al. “Variation in Innovation Is Maintained by Disassortative Mating and Female Choice.” Current Biology, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.cub.2025.11.077

AI 行業(yè)動(dòng)態(tài)

MiroMind發(fā)布搜索智能體MiroThinker 1.5，以小博大重新定義“發(fā)現(xiàn)式智能”

憑借成功預(yù)測(cè) Polymarket 題目，連續(xù)登頂 Future X 全球榜首的 MiroMind 團(tuán)隊(duì)，1 月 5 日正式發(fā)布其自研旗艦搜索智能體模型 MiroThinker 1.5。

MiroMind 由全球知名創(chuàng)新企業(yè)家、慈善家陳天橋，與清華大學(xué)知名 AI 青年學(xué)者代季峰教授聯(lián)合發(fā)起。去年陳天橋提出發(fā)現(xiàn)式智能才是真正意義上的通用人工智能這一重磅創(chuàng)新理念，引發(fā)全球業(yè)內(nèi)人士關(guān)注。他同時(shí)提出建設(shè)發(fā)現(xiàn)式智能的 5 種關(guān)鍵能力，其中一項(xiàng)能力是在未知條件下重建對(duì)世界的理解，這正是 MiroMind 的使命。

與當(dāng)前行業(yè)普遍追求萬(wàn)億參數(shù)規(guī)模的趨勢(shì)不同，研究人員押注“發(fā)現(xiàn)式智能”，主張模型不應(yīng)僅僅是背誦知識(shí)的“做題家”，而應(yīng)成為具備查證與修正能力的“科學(xué)家”。MiroThinker 1.5 采用 30B（300億）參數(shù)規(guī)模，卻在性能上比肩甚至超越了參數(shù)量高達(dá) 30倍的 Kimi-K2-Thinking 等萬(wàn)億級(jí)模型，且推理成本僅為后者的二十分之一。這種“以小博大”的突破，得益于團(tuán)隊(duì)從內(nèi)部參數(shù)擴(kuò)張轉(zhuǎn)向了交互式擴(kuò)展，證明了智能的提升不完全依賴(lài)于模型體量。

在技術(shù)實(shí)現(xiàn)上，MiroThinker 1.5 將 Interactive Scaling 從推理階段前移并內(nèi)化為訓(xùn)練階段的核心機(jī)制。研究人員構(gòu)建了“推理-驗(yàn)證-修正”的循環(huán)體系，訓(xùn)練模型像情報(bào)官一樣主動(dòng)尋找證據(jù)并進(jìn)行多輪自我校驗(yàn)，嚴(yán)厲懲罰缺乏信源的幻覺(jué)輸出。為了解決傳統(tǒng)模型“事后諸葛亮”的問(wèn)題，團(tuán)隊(duì)還引入了時(shí)序敏感訓(xùn)練沙盒（Time-Sensitive Training Sandbox，一種嚴(yán)格限制模型只能訪(fǎng)問(wèn)特定時(shí)間點(diǎn)之前信息的訓(xùn)練環(huán)境），杜絕未來(lái)信息泄露，從而迫使模型在信息不完備的真實(shí)條件下進(jìn)行因果推演。這一機(jī)制使得該模型在 A股漲停板預(yù)測(cè)、美股波動(dòng)分析等復(fù)雜任務(wù)中展現(xiàn)出極高的準(zhǔn)確性與實(shí)用價(jià)值，目前用戶(hù)已可通過(guò)相關(guān)平臺(tái)體驗(yàn)其預(yù)測(cè)能力。

#MiroThinker #發(fā)現(xiàn)式智能 #AI搜索智能體 #陳天橋 #InteractiveScaling

閱讀更多：

https://github.com/MiroMindAI/MiroThinker

馬斯克宣布Neuralink 2026年開(kāi)啟量產(chǎn)，腦機(jī)接口有望讓癱瘓者重獲新生

Elon Musk 近日正式宣布，Neuralink 計(jì)劃于 2026 年啟動(dòng)腦機(jī)接口設(shè)備的量產(chǎn)，并引入幾乎全自動(dòng)化的手術(shù)流程，旨在將實(shí)驗(yàn)性神經(jīng)科學(xué)轉(zhuǎn)化為可規(guī)�；呐R床現(xiàn)實(shí)。Musk 指出，該技術(shù)本質(zhì)上構(gòu)建了一座通信橋梁，能夠?qū)⒋竽X信號(hào)繞過(guò)受損的脊柱或頸部節(jié)點(diǎn)直接傳遞至身體其他部位，理論上具備幫助癱瘓患者恢復(fù)全身功能的潛力。

為了實(shí)現(xiàn)這一目標(biāo)，Neuralink 推出了升級(jí)版外科機(jī)器人，其操作效率堪比 LASIK（Laser-Assisted In Situ Keratomileusis，準(zhǔn)分子激光原位角膜磨鑲術(shù)），僅需數(shù)分鐘即可完成植入。更重要的是，新技術(shù)允許電極細(xì)線(xiàn)直接穿過(guò)硬腦膜（Dura Mater，保護(hù)大腦和脊髓的堅(jiān)韌外膜）而無(wú)需將其移除，這一突破顯著降低了手術(shù)的侵入性風(fēng)險(xiǎn)和患者的恢復(fù)時(shí)間。目前，該公司的言語(yǔ)恢復(fù)技術(shù)已獲得 FDA 的“突破性醫(yī)療器械認(rèn)定”，并在阿聯(lián)酋、英國(guó)及加拿大等地啟動(dòng)了國(guó)際臨床試驗(yàn)，公司估值已升至約 90 億美元。

首位植入者 Noland Arbaugh 的成功經(jīng)歷為這項(xiàng)技術(shù)提供了有力背書(shū)，這位四肢癱瘓的患者如今已能通過(guò)意念控制電腦，重獲了部分生活的獨(dú)立性與掌控感。然而，研究人員強(qiáng)調(diào)，Neuralink 在從實(shí)驗(yàn)室走向常規(guī)醫(yī)療的過(guò)程中，仍需跨越技術(shù)、臨床與倫理的多重障礙。盡管 BCI技術(shù)前景廣闊，但長(zhǎng)期植入后的信號(hào)衰減、腦組織反應(yīng)以及潛在的隱私泄露問(wèn)題仍需大量數(shù)據(jù)驗(yàn)證。此外，行業(yè)內(nèi)也存在不同聲音，例如 OpenAI 的 CEO Sam Altman 便對(duì)侵入式方案持保留態(tài)度，更傾向于非侵入式技術(shù)路線(xiàn)，擔(dān)憂(yōu)直接植入可能對(duì)神經(jīng)元造成不可逆的傷害。盡管面臨挑戰(zhàn)，Musk 的量產(chǎn)計(jì)劃仍被視為醫(yī)療領(lǐng)域的重大轉(zhuǎn)折點(diǎn)，有望在未來(lái)幾年內(nèi)徹底改變殘障人士的生活方式，并推動(dòng)人類(lèi)意識(shí)與人工智能融合的探索。

#Neuralink #腦機(jī)接口 #ElonMusk #醫(yī)療革命 #癱瘓康復(fù)

閱讀更多：

https://x.com/elonmusk/status/2007325307515342980%20

Meta爆發(fā)內(nèi)訌：圖靈獎(jiǎng)得主LeCun離職炮轟Llama 4造假，另起爐灶押注世界模型

圖靈獎(jiǎng)得主、前 Meta 首席 AI 科學(xué)家 Yann LeCun 在離職后公開(kāi)披露了老東家的內(nèi)部矛盾。他證實(shí)了關(guān)于 Llama 4 模型在基準(zhǔn)測(cè)試中作弊的傳聞，指出團(tuán)隊(duì)為了美化數(shù)據(jù)，在不同測(cè)試中使用了不同的模型版本進(jìn)行“刷榜”。此外，LeCun 嚴(yán)厲批評(píng)了其前上司、年僅 28 歲的 Alexandr Wang（Scale AI 創(chuàng)始人，現(xiàn)負(fù)責(zé) Meta 超級(jí)智能實(shí)驗(yàn)室），認(rèn)為其缺乏科研經(jīng)驗(yàn)，不懂得如何有效管理頂級(jí)研究人員。LeCun 指出，Meta 為了應(yīng)對(duì) ChatGPT 的沖擊，全員過(guò)度癡迷于大語(yǔ)言模型，而忽略了通往真正智能的其他路徑。他直言 LLM 實(shí)際上是一條“死路”，這種深刻的路線(xiàn)分歧以及對(duì)管理層的不滿(mǎn)，最終導(dǎo)致他選擇離開(kāi)這家他曾一手建立起 AI 研究體系的科技巨頭。

離開(kāi) Meta 后，LeCun 迅速在巴黎成立了新公司 AMI Labs（Advanced Machine Intelligence Labs，高級(jí)機(jī)器智能實(shí)驗(yàn)室），致力于通過(guò)世界模型來(lái)實(shí)現(xiàn)更高階的人工智能。不同于依賴(lài)“預(yù)測(cè)下一個(gè)詞”的 LLM，LeCun 主推的 V-JEPA（Video Joint Embedding Predictive Architecture，視頻聯(lián)合嵌入預(yù)測(cè)架構(gòu)）旨在讓 AI 像人類(lèi)一樣理解物理常識(shí)，能夠預(yù)測(cè)抽象狀態(tài)而非僅僅生成像素。作為執(zhí)行主席，他計(jì)劃在 12 個(gè)月內(nèi)推出具備初步物理直覺(jué)的“嬰兒級(jí)”模型。LeCun 堅(jiān)信，只有讓機(jī)器建立對(duì)現(xiàn)實(shí)世界的抽象表征并具備規(guī)劃能力，才能突破當(dāng)前 AI 的瓶頸。雖然他自認(rèn)不擅長(zhǎng)管理 CEO 的職責(zé)，但他將繼續(xù)以研究人員的身份，探索人類(lèi)智能的本質(zhì)，試圖為世界留下超越文本生成的真正智慧。

#YannLeCun #Meta內(nèi)訌 #Llama4 #世界模型 #人工智能

閱讀更多：

https://www.ft.com/content/e3c4c2f6-4ea7-4adf-b945-e58495f836c2

AI 驅(qū)動(dòng)科學(xué)

Science：AI無(wú)法取代人類(lèi)，唯有嚴(yán)謹(jǐn)審查方能抵制“垃圾”文獻(xiàn)

隨著人工智能技術(shù)深度滲透科研領(lǐng)域，關(guān)于A(yíng)I是否會(huì)取代人類(lèi)科學(xué)家的爭(zhēng)論從未停止。在《科學(xué)》雜志2026年的首篇社論中，主編H. Holden Thorp呼吁科學(xué)界保持冷靜，并強(qiáng)調(diào)要以正確的方式利用AI，同時(shí)警惕低質(zhì)量?jī)?nèi)容的泛濫。他指出，雖然AI工具能提升效率，但沒(méi)有任何系統(tǒng)能完全替代人類(lèi)的判斷，維護(hù)科學(xué)文獻(xiàn)的嚴(yán)謹(jǐn)性比以往任何時(shí)候都更需要人類(lèi)的經(jīng)驗(yàn)與專(zhuān)業(yè)知識(shí)。

Thorp在社論中透露，期刊已引入iThenticate和Proofig等AI工具來(lái)輔助識(shí)別抄襲和圖像篡改，并明確禁止使用AI生成論文圖表或未聲明的文本撰寫(xiě)。值得注意的是，期刊與DataSeer合作，利用自然語(yǔ)言處理技術(shù)掃描論文并生成“可重復(fù)性檢查清單”（reproducibility checklist）。數(shù)據(jù)顯示，在2021年至2024年間發(fā)表的2680篇論文中，已有69%的論文遵循政策共享了底層數(shù)據(jù)。Thorp強(qiáng)調(diào)，盡管AI幫助發(fā)現(xiàn)了許多錯(cuò)誤，但評(píng)估AI生成的報(bào)告實(shí)際上需要投入更多的人力。他將當(dāng)前的AI熱潮類(lèi)比為15年前的大規(guī)模在線(xiàn)課程，認(rèn)為如同在線(xiàn)課程未取代大學(xué)一樣，AI也不會(huì)取代科學(xué)家，前提是必須抵制“人工智能垃圾”（AI slop）的堆積，堅(jiān)持由人類(lèi)精心策劃和審查的出版標(biāo)準(zhǔn)。研究發(fā)表在 Science 上。

#AI 驅(qū)動(dòng)科學(xué) #大模型技術(shù) #科學(xué)出版 #數(shù)據(jù)共享

閱讀更多：

Thorp, H. Holden. “Resisting AI Slop.” Science, vol. 391, no. 6780, Jan. 2026, pp. 5–5. science.org (Atypon), https://doi.org/10.1126/science.aee8267

強(qiáng)化學(xué)習(xí)助力光學(xué)AI：UCLA團(tuán)隊(duì)實(shí)現(xiàn)光處理器無(wú)模型原位高效訓(xùn)練

光計(jì)算雖具備高速低能耗的優(yōu)勢(shì)，但基于模擬模型的訓(xùn)練常因無(wú)法精確捕捉現(xiàn)實(shí)硬件的微小誤差而導(dǎo)致實(shí)際表現(xiàn)不佳。加州大學(xué)洛杉磯分校（UCLA）的Aydogan Ozcan、Yuhang Li及其團(tuán)隊(duì)開(kāi)發(fā)了一種全新的訓(xùn)練框架，通過(guò)讓設(shè)備從實(shí)驗(yàn)經(jīng)驗(yàn)中直接學(xué)習(xí)，成功克服了物理模型與現(xiàn)實(shí)環(huán)境之間的鴻溝。

? 用于光處理器無(wú)模型原位訓(xùn)練的近端策略?xún)?yōu)化（PPO）。Credit: UCLA Engineering Institute for Technology Advancement

該研究引入了近端策略?xún)?yōu)化（PPO，一種在人工智能領(lǐng)域廣泛應(yīng)用的高效強(qiáng)化學(xué)習(xí)算法），構(gòu)建了一個(gè)無(wú)需物理模型的原位訓(xùn)練系統(tǒng)。不同于傳統(tǒng)依賴(lài)數(shù)字孿生的方法，該系統(tǒng)將光學(xué)硬件視為黑盒，直接利用真實(shí)的光學(xué)測(cè)量數(shù)據(jù)來(lái)優(yōu)化衍射光網(wǎng)絡(luò)（一種利用光波衍射進(jìn)行計(jì)算的物理神經(jīng)網(wǎng)絡(luò)）。在實(shí)驗(yàn)中，研究人員測(cè)試了該系統(tǒng)穿越隨機(jī)漫射器聚焦光束、生成全息圖以及進(jìn)行像差校正的能力。結(jié)果顯示，該方法不僅能自動(dòng)適應(yīng)未知的硬件缺陷和噪聲，還在手寫(xiě)數(shù)字分類(lèi)等任務(wù)中表現(xiàn)出比傳統(tǒng)策略梯度優(yōu)化更快的收斂速度和更高的準(zhǔn)確性。這意味著未來(lái)的智能物理系統(tǒng)可以在不依賴(lài)詳細(xì)物理模型的情況下，實(shí)現(xiàn)自我學(xué)習(xí)和實(shí)時(shí)調(diào)整。研究發(fā)表在 Light: Science & Applications 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #阿爾茨海默病 #觸覺(jué)感知 #Tau蛋白

閱讀更多：

Li, Yuhang, et al. “Model-Free Optical Processors Using in Situ Reinforcement Learning with Proximal Policy Optimization.” Light: Science & Applications, vol. 15, no. 1, Jan. 2026, p. 32. www.nature.com, https://doi.org/10.1038/s41377-025-02148-7

SpecEdge技術(shù)：利用消費(fèi)級(jí)顯卡大幅降低大模型服務(wù)成本

如何打破大型語(yǔ)言模型對(duì)昂貴數(shù)據(jù)中心的高依賴(lài)并降低運(yùn)營(yíng)成本？韓國(guó)科學(xué)技術(shù)院（KAIST）的Dongsu Han、Jinwoo Park和Seunggeun Cho等人開(kāi)發(fā)了一項(xiàng)名為“SpecEdge”的新技術(shù)，通過(guò)整合個(gè)人電腦和移動(dòng)設(shè)備中的消費(fèi)級(jí)顯卡，成功構(gòu)建了低成本的AI基礎(chǔ)設(shè)施。該研究不僅大幅降低了AI服務(wù)的算力成本，還解決了在普通網(wǎng)絡(luò)環(huán)境下利用邊緣計(jì)算資源進(jìn)行大模型推理的延遲難題。

? 已開(kāi)發(fā)的 SpecEdge 語(yǔ)言數(shù)據(jù)流圖。Credit: KAIST

研究團(tuán)隊(duì)開(kāi)發(fā)了SpecEdge系統(tǒng)，核心在于應(yīng)用了推測(cè)解碼（Speculative Decoding）技術(shù)。該方法讓位于用戶(hù)端的邊緣GPU（edge GPUs）運(yùn)行較小的語(yǔ)言模型，快速生成高概率的詞元序列草稿，隨即由數(shù)據(jù)中心的大規(guī)模模型進(jìn)行批量驗(yàn)證。為了克服互聯(lián)網(wǎng)傳輸?shù)难舆t，團(tuán)隊(duì)引入了主動(dòng)邊緣草圖生成（Proactive Edge Drafting），使邊緣設(shè)備在等待服務(wù)器響應(yīng)時(shí)仍能持續(xù)生成內(nèi)容，同時(shí)配合流水線(xiàn)感知調(diào)度（Pipeline-aware Scheduling）優(yōu)化服務(wù)器處理多用戶(hù)請(qǐng)求的效率。實(shí)驗(yàn)結(jié)果顯示，該系統(tǒng)將每個(gè)詞元的生成成本降低了約67.6%，成本效益提升1.91倍，服務(wù)器吞吐量增加2.22倍，且在標(biāo)準(zhǔn)網(wǎng)速下即可流暢運(yùn)行。這一成果為將智能手機(jī)、個(gè)人電腦等設(shè)備納入AI算力網(wǎng)絡(luò)提供了可行方案。

#大模型技術(shù) #計(jì)算模型與人工智能模擬 #邊緣計(jì)算 #推測(cè)解碼 #GPU推理

閱讀更多：

Park, Jinwoo, et al. “SpecEdge: Scalable Edge-Assisted Serving Framework for Interactive LLMs.” arXiv:2505.17052, arXiv, 18 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2505.17052

RLPP模型：無(wú)需下游數(shù)據(jù)即可重建受損神經(jīng)通路

當(dāng)大腦內(nèi)部的通訊線(xiàn)路因中風(fēng)或損傷而中斷，我們能否在不依賴(lài)受損區(qū)域原始數(shù)據(jù)的情況下重建連接？Shenghui Wu 與 Yiwen Wang（香港科技大學(xué)）、Dario Farina（帝國(guó)理工學(xué)院）以及 Jose C. Principe（佛羅里達(dá)大學(xué)）等人組成的跨國(guó)研究團(tuán)隊(duì)，提出了一種基于行為反饋的創(chuàng)新計(jì)算模型。該研究成功繞過(guò)了對(duì)受損下游腦區(qū)神經(jīng)記錄的依賴(lài)，利用行為結(jié)果直接驅(qū)動(dòng)神經(jīng)脈沖的生成，為恢復(fù)大腦跨區(qū)域功能連接提供了全新的解決方案。

? 腦機(jī)接口（左）與神經(jīng)旁路系統(tǒng)（右）Credit:Nat Comput Sci (2026).

傳統(tǒng)的神經(jīng)旁路系統(tǒng)試圖在受損部位建立人工通道，但這通常需要下游腦區(qū)的正常信號(hào)作為訓(xùn)練參照，而這在疾病狀態(tài)下往往無(wú)法獲取。為此，研究團(tuán)隊(duì)開(kāi)發(fā)了基于強(qiáng)化學(xué)習(xí)的點(diǎn)過(guò)程（Point Process，一種用于描述神經(jīng)脈沖等離散事件發(fā)生概率的統(tǒng)計(jì)模型）框架（RLPP）。該方法不再模仿缺失的下游信號(hào)，而是模擬生物腦的“試錯(cuò)學(xué)習(xí)”機(jī)制：模型接收上游信號(hào)并生成脈沖，若產(chǎn)生的行為結(jié)果（如運(yùn)動(dòng)）正確，模型便獲得獎(jiǎng)勵(lì)并強(qiáng)化該模式。在大鼠的內(nèi)側(cè)前額葉皮層到初級(jí)運(yùn)動(dòng)皮層（M1）通路的實(shí)驗(yàn)中，RLPP生成的脈沖序列在行為解碼成功率上顯著優(yōu)于監(jiān)督學(xué)習(xí)方法，并展現(xiàn)出與健康大腦相似的生物仿生特性。這一突破意味著，未來(lái)利用行為反饋驅(qū)動(dòng)的神經(jīng)刺激，有望在臨床上幫助患者重建受損的神經(jīng)環(huán)路。研究發(fā)表在 Nature Computational Science 上。

#意識(shí)與腦機(jī)接口 #神經(jīng)調(diào)控 #計(jì)算模型與人工智能模擬 #神經(jīng)康復(fù) #強(qiáng)化學(xué)習(xí)

閱讀更多：

Wu, Shenghui, et al. “A Generative Spike Prediction Model Using Behavioral Reinforcement for Re-Establishing Neural Functional Connectivity.” Nature Computational Science, Jan. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s43588-025-00915-5

SeedFold：超越AlphaFold3的蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)新模型

如何突破現(xiàn)有蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)模型的規(guī)模化瓶頸？字節(jié)跳動(dòng) Seed 團(tuán)隊(duì)（Quanquan Gu等）提出了一種名為 SeedFold 的新模型，成功實(shí)現(xiàn)了模型容量的有效擴(kuò)展。該研究針對(duì)現(xiàn)有折疊模型在計(jì)算復(fù)雜度和隱藏維度上的局限性，開(kāi)發(fā)了新的架構(gòu)和訓(xùn)練策略，在多項(xiàng)關(guān)鍵任務(wù)上超越了目前的行業(yè)標(biāo)桿 AlphaFold3，為生物分子基礎(chǔ)模型的構(gòu)建提供了新的擴(kuò)展思路。

研究團(tuán)隊(duì)通過(guò)三項(xiàng)核心技術(shù)創(chuàng)新實(shí)現(xiàn)了這一突破。首先，他們發(fā)現(xiàn)擴(kuò)展 Pairformer（Pairformer，一種用于提取氨基酸對(duì)特征的模塊）的寬度比單純?cè)黾由疃雀苡行嵘Ｐ捅碚髂芰Γ瑢㈦[藏維度擴(kuò)展至512維。其次，為了解決計(jì)算瓶頸，團(tuán)隊(duì)引入了線(xiàn)性三角注意力（Linear Triangular Attention，一種降低計(jì)算復(fù)雜度的注意力機(jī)制），將計(jì)算復(fù)雜度從隨序列長(zhǎng)度的三次方增長(zhǎng)降低至二次方，從而實(shí)現(xiàn)了高效的規(guī)�；Ｗ詈�，研究人員構(gòu)建了一個(gè)包含2650萬(wàn)個(gè)樣本的大規(guī)模蒸餾數(shù)據(jù)集，是實(shí)驗(yàn)結(jié)構(gòu)數(shù)據(jù)的147倍，顯著增強(qiáng)了模型的泛化能力。在 FoldBench 基準(zhǔn)測(cè)試中，SeedFold 在多數(shù)任務(wù)上優(yōu)于 AlphaFold3、Boltz-1 等開(kāi)源模型。有趣的是，標(biāo)準(zhǔn)版模型在抗體-抗原預(yù)測(cè)中表現(xiàn)更佳，而采用線(xiàn)性注意力的變體則在蛋白質(zhì)-配體相互作用中更具優(yōu)勢(shì)。

#AI 驅(qū)動(dòng)科學(xué) #預(yù)測(cè)模型構(gòu)建 #蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè) #SeedFold #深度學(xué)習(xí)

閱讀更多：

Zhou, Yi, et al. “SeedFold: Scaling Biomolecular Structure Prediction.” arXiv:2512.24354, arXiv, 30 Dec. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2512.24354

告別暴力計(jì)算：高效多模態(tài)AI的架構(gòu)革命

隨著人工智能規(guī)模的不斷擴(kuò)大，高昂的計(jì)算成本成為了阻礙其普及的主要壁壘。來(lái)自Shanghai Jiao Tong University的Lizhuang Ma和East China Normal University的Xin Tan等研究人員組成的團(tuán)隊(duì)進(jìn)行了深入探索，系統(tǒng)梳理并提出了高效多模態(tài)大型語(yǔ)言模型的設(shè)計(jì)藍(lán)圖。該研究旨在通過(guò)優(yōu)化模型架構(gòu)與數(shù)據(jù)流，降低計(jì)算門(mén)檻，使先進(jìn)的AI技術(shù)能夠惠及更廣泛的群體。

這項(xiàng)綜述研究指出，提升多模態(tài)模型的效率不能僅依賴(lài)于壓縮語(yǔ)言模型，核心挑戰(zhàn)在于處理圖像產(chǎn)生的大量視覺(jué)標(biāo)記（visual tokens，即圖像被數(shù)字化分割后的基本信息單元）。研究團(tuán)隊(duì)詳細(xì)分析了視覺(jué)標(biāo)記壓縮技術(shù)，該技術(shù)能在信息進(jìn)入語(yǔ)言模型前大幅減少冗余，從而顯著降低推理復(fù)雜度。此外，文章重點(diǎn)探討了重構(gòu)模型架構(gòu)的策略，例如采用輕量級(jí)視覺(jué)編碼器和混合專(zhuān)家模型，在不增加計(jì)算負(fù)擔(dān)的前提下提升模型容量。通過(guò)這種全流程的協(xié)調(diào)優(yōu)化，多模態(tài)模型將不再局限于昂貴的云端服務(wù)器，而是能夠部署在移動(dòng)設(shè)備和邊緣計(jì)算平臺(tái)上。這不僅解決了能源消耗和隱私問(wèn)題，更為醫(yī)療、遙感等資源受限領(lǐng)域的實(shí)時(shí)應(yīng)用提供了可能，標(biāo)志著AI創(chuàng)新正從單純追求規(guī)模向追求現(xiàn)實(shí)世界的高效應(yīng)用轉(zhuǎn)變。研究發(fā)表在 Visual Intelligence 上。

#大模型技術(shù) #計(jì)算模型與人工智能模擬 #多模態(tài) #邊緣計(jì)算 #視覺(jué)智能

閱讀更多：

Jin, Yizhang, et al. “Efficient Multimodal Large Language Models: A Survey.” Visual Intelligence, vol. 3, no. 1, Dec. 2025, p. 27. Springer Link, https://doi.org/10.1007/s44267-025-00099-6

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問(wèn)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(wèn)為紐帶，深入探究人工智能與人類(lèi)智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。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)。您也可以在后臺(tái)提問(wèn)，我們將基于追問(wèn)知識(shí)庫(kù)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?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(lèi)。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設(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陳天橋雒芊芊神經(jīng)科學(xué)研究院。

研究院還建成了支持腦科學(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、、、科普視頻媒體「大圓鏡」等。