█ 腦科學(xué)動態(tài)

Cell：在計算機上復(fù)活生命

成年哺乳動物腦組織首次實現(xiàn)解凍后功能復(fù)蘇

學(xué)習(xí)多門語言防大腦衰老？醫(yī)療與財富比語言更關(guān)鍵

聽不到自己的口誤：腦電波揭示中風(fēng)后失語癥的神經(jīng)整合缺陷

體能提升顯著增強運動后大腦的“神經(jīng)激活”效應(yīng)

小鼠研究揭示大腦如何在變化場景中識別穩(wěn)定模式

新型3D材料實現(xiàn)腦細胞間更真實通訊

為什么有些人更懂察言觀色？

完全根據(jù)小鼠腦活動重建的電影

追蹤無意識：視覺工作記憶中無意識信息保留的神經(jīng)證據(jù)

█ AI行業(yè)動態(tài)

微軟Copilot Cowork震撼發(fā)布：Claude入駐Office

LeCun世界模型公司AMI Labs獲10.3億美元融資

█ AI驅(qū)動科學(xué)

BIOCONNET平臺：在體外構(gòu)建可控且開放的人腦皮質(zhì)網(wǎng)絡(luò)

拋棄AGI追求SAI：LeCun團隊提出超人類適應(yīng)性智能新路線

超緊湊型光子神經(jīng)網(wǎng)絡(luò)加速器：以光速運行的人工智能芯片

人類大腦能識破AI語音偽裝，即便你在行為上無法分辨

什么成就了熱門歌曲？TikTok與Spotify的算法偏好揭秘

提升AI模型預(yù)測解釋能力：從模型內(nèi)部提取可理解概念的新方法

AI虛假新聞檢測器：高準(zhǔn)確率下的現(xiàn)實失靈與內(nèi)置偏見

新型參數(shù)化記憶模塊提升語言智能體反思能力與推理性能

新方法讓大模型先“畫提綱”再思考，顯著提升文本處理能力

腦科學(xué)動態(tài)

Cell：在計算機上復(fù)活生命：成功實現(xiàn)最小基因組細胞的4D完整生命周期模擬

靜態(tài)觀察難以揭示細胞生命活動隨時間變化的完整動力學(xué)機制。伊利諾伊大學(xué)厄巴納-香檳分校的Zane R. Thornburg和Zaida Luthey-Schulten等團隊成功構(gòu)建了四維全細胞模型，在計算機上從分子層面精準(zhǔn)重現(xiàn)了基因最簡生命體JCVI-syn3A完整的生長與分裂周期。

? Credit:Cell.

為了模擬這個微小而復(fù)雜的動態(tài)世界，研究人員采用了一種融合多種前沿算法的混合模擬（hybrid computational methods，將不同尺度的物理化學(xué)計算模塊整合運行的方法）體系。他們利用反應(yīng)-擴散主方程處理基因表達過程，利用布朗動力學(xué)模擬驅(qū)動龐大染色體的復(fù)制與分離，并結(jié)合常微分方程組計算細胞的新陳代謝。各計算模塊每12.5毫秒同步一次數(shù)據(jù)，耗費大量算力模擬了五十個虛擬細胞105分鐘的完整生命進程。結(jié)果顯示，該模型精確再現(xiàn)了細胞形態(tài)轉(zhuǎn)變動態(tài)，其預(yù)測的染色體復(fù)制起點與終點拷貝數(shù)比例為1.28，與測序?qū)嶒瀸崪y的1.21高度吻合。模擬進一步揭示了細胞分裂時蛋白質(zhì)等大分子分配接近二項分布的特征，展示了生命繁衍過程固有的隨機性與子細胞的異質(zhì)性。研究發(fā)表在 Cell 上。

#AI驅(qū)動科學(xué) #計算模型與人工智能模擬 #系統(tǒng)生物學(xué) #全細胞建模 #生命科學(xué)

閱讀更多：

Thornburg, Zane R., et al. “Bringing the Genetically Minimal Cell to Life on a Computer in 4D.” Cell, vol. 0, no. 0, Mar. 2026. www.cell.com, https://doi.org/10.1016/j.cell.2026.02.009

成年哺乳動物腦組織首次實現(xiàn)解凍后功能復(fù)蘇

傳統(tǒng)的冷凍方法會形成冰晶并破壞極其敏感的成年腦組織結(jié)構(gòu)，使得長期保存具有功能的神經(jīng)網(wǎng)絡(luò)成為難題。埃爾蘭根-紐倫堡大學(xué)和埃爾蘭根大學(xué)醫(yī)院的Alexander German、Enes Ya??z Akda?、Cassandra Flügel-Koch和Fang Zheng等研究人員，成功利用優(yōu)化的超低溫玻璃化技術(shù)保存了成年小鼠的腦組織，使其在解凍后完全恢復(fù)了電信號交換和突觸可塑性。

? 立體顯微鏡圖像顯示的是零下 160 攝氏度下的腦組織切片。左側(cè)組織經(jīng)玻璃化冷凍保存，而右側(cè)組織則因結(jié)晶和開裂而遭到破壞。Credit: Alexander German

研究人員優(yōu)化了防腐劑的成分與冷卻工藝，使用一種特定化學(xué)混合液，將成年小鼠的海馬體切片以及原位全腦冷卻至零下130攝氏度。在此超低溫下，組織內(nèi)部和細胞間的水分轉(zhuǎn)變?yōu)闊o冰晶的玻璃態(tài)，分子運動完全停止。研究團隊將樣本在此狀態(tài)下保存數(shù)天后進行解凍，并結(jié)合電子顯微鏡和膜片鉗記錄評估組織的恢復(fù)情況。結(jié)果顯示，冷凍過程完全沒有破壞組織的納米結(jié)構(gòu)。解凍后，海馬體內(nèi)不僅自發(fā)重新形成了電信號，且能在神經(jīng)網(wǎng)絡(luò)中正常傳播。更加關(guān)鍵的是，研究證實突觸處能夠被成功觸發(fā)長時程增強。這證明了極度冷凍并未損傷學(xué)習(xí)和記憶的底層細胞機器，為癲癇切除組織保存以及神經(jīng)退行性疾病研究提供了全新的保存手段。研究發(fā)表在 PNAS 上。

#神經(jīng)科學(xué) #神經(jīng)機制與腦功能解析 #玻璃化冷凍 #長時程增強 #器官保存

閱讀更多：

German, Alexander, et al. “Functional Recovery of the Adult Murine Hippocampus after Cryopreservation by Vitrification.” Proceedings of the National Academy of Sciences, vol. 123, no. 10, Mar. 2026, p. e2516848123. www.pnas.org, https://doi.org/10.1073/pnas.2516848123

學(xué)習(xí)多門語言防大腦衰老？醫(yī)療與財富比語言更關(guān)鍵

多語言環(huán)境是否真的能促進個體大腦的健康老化？休斯頓大學(xué)的Arturo E. Hernandez、My V.H. Nguyen和Ferenc Bunta對這一備受關(guān)注的觀點提出質(zhì)疑，發(fā)現(xiàn)此前研究中觀察到的認知優(yōu)勢實際上是由國家結(jié)構(gòu)性差異造成的，而非語言使用本身。

此前有研究分析了27個歐洲國家的數(shù)據(jù)，認為多語能力可以防止大腦加速衰老。為驗證該結(jié)論的可靠性，研究團隊重新審查了這些國家層面的多語現(xiàn)象與個體認知功能之間的關(guān)系。通過對比數(shù)據(jù)發(fā)現(xiàn)，高多語程度國家（如盧森堡和荷蘭）的預(yù)期壽命高達82.5歲，而低多語程度國家（如保加利亞和羅馬尼亞）僅為75.8歲和76.3歲，兩者存在近7年的顯著差距。深入分析表明，多語程度高的國家往往也是最富裕的國家，擁有更完善的醫(yī)療保健體系、更優(yōu)的幼兒營養(yǎng)和更低的慢性壓力。當(dāng)把這些社會經(jīng)濟因素和結(jié)構(gòu)性力量納入考量后，語言本身帶來的明顯認知保護效應(yīng)便基本消失。此外，研究還以日本為例指出，這個主要使用單一語言的社會卻擁有84.5歲的極高預(yù)期壽命，進一步證實了低不平等和健全的全民醫(yī)療才是長壽與健康老化的關(guān)鍵。觀察到的生物行為年齡差距實際上包含了復(fù)雜的宏觀資源差異，國家層面的多語模式并不能證明個體層面的因果關(guān)系。過度宣傳個人行為干預(yù)不僅會削弱公眾對科學(xué)的信任，還會轉(zhuǎn)移對改善公共衛(wèi)生基礎(chǔ)條件的關(guān)注。研究發(fā)表在 Brain and Language 上。

#疾病與健康 #健康管理與壽命延長 #多語現(xiàn)象 #認知老化 #社會經(jīng)濟因素

閱讀更多：

Hernandez, Arturo E., et al. “Multilingualism and Aging: Country-Level Patterns May Not Support Individual-Level Causal Claims.” Brain and Language, vol. 276, May 2026, p. 105735. ScienceDirect, https://doi.org/10.1016/j.bandl.2026.105735

聽不到自己的口誤：腦電波揭示中風(fēng)后失語癥的神經(jīng)整合缺陷

中風(fēng)后失語癥常導(dǎo)致患者無法流暢說話，大腦是如何失去對自身言語監(jiān)控能力的？德克薩斯大學(xué)達拉斯分校的Vahid Nejati、Ayoub Daliri和Roozbeh Behroozmand通過記錄中風(fēng)幸存者的腦電信號，揭示了失語癥患者的大腦感覺運動網(wǎng)絡(luò)在處理聽覺反饋時存在顯著缺陷，導(dǎo)致其無法有效識別和糾正言語錯誤。

? 失語癥組（n = 20）的病灶分布疊加圖。數(shù)據(jù)顯示了 MNI（蒙特利爾神經(jīng)學(xué)研究所）空間中的橫斷面切片，暖色調(diào)代表病灶在受試者間的重疊程度更高（深紅色區(qū)域代表至少 N = 15 的重疊區(qū)域）。每張切片上方的數(shù)字代表 MNI 坐標(biāo)，單位為毫米（mm），指示每張軸位切片沿 y 軸的解剖位置。Credit: NeuroImage (2025).

為了探究大腦如何監(jiān)控和糾正語音，研究人員招募了20名中風(fēng)后失語癥患者和22名健康對照者執(zhí)行單音節(jié)詞發(fā)音任務(wù)。實驗采用了改變的聽覺反饋范式，并通過共振峰偏移，將參與者聽到的第一共振峰頻率上移百分之三十，從而人為地在大腦中生成語音錯誤信號。同時，研究團隊使用腦電圖記錄參與者的事件相關(guān)電位。結(jié)果表明，在發(fā)音開始后，無論聽覺反饋是否被改變，失語癥組的事件相關(guān)電位振幅均顯著小于健康對照組。此外，健康對照組在發(fā)音后，大腦前部區(qū)域的神經(jīng)反應(yīng)明顯強于后部區(qū)域，但在失語癥組中未觀察到這種區(qū)域差異。兩組均未表現(xiàn)出左右半球的側(cè)向性差異。這些神經(jīng)活動模式的改變證實，中風(fēng)后失語癥削弱了負責(zé)言語產(chǎn)生和運動控制的前部皮層區(qū)域的神經(jīng)反應(yīng)性，導(dǎo)致患者無法在聽覺反饋中識別自身錯誤并做出實時調(diào)整。研究發(fā)表在 NeuroImage 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #失語癥 #聽覺反饋 #感覺運動整合

閱讀更多：

Nejati, Vahid, et al. “Neural Mechanisms of Articulatory Motor Speech Deficit in Post-Stroke Aphasia: An ERP Study.” NeuroImage, vol. 320, Oct. 2025, p. 121483. ScienceDirect, https://doi.org/10.1016/j.neuroimage.2025.121483

體能提升顯著增強運動后大腦的“神經(jīng)激活”效應(yīng)

久坐人群如何更好地通過運動改善大腦神經(jīng)功能？倫敦大學(xué)學(xué)院（University College London）的Flaminia Ronca和Cian Xu等研究人員發(fā)現(xiàn)，提高人體基礎(chǔ)體能可以顯著放大單次急性運動后大腦功能蛋白的釋放量，進而對前額葉皮層的神經(jīng)認知活動產(chǎn)生更強的積極調(diào)節(jié)作用。

? Credit: Brain Research (2026).

研究團隊招募了23名久坐不動的成年人，并將其隨機分配至進行為期12周自行車訓(xùn)練的干預(yù)組或無干預(yù)的對照組。通過每六周一次的最大攝氧量（V?O?max，用于衡量人體在劇烈運動期間能夠消耗和利用的最大氧氣量的有氧適能指標(biāo)）測試，研究人員追蹤了受試者的體能變化。在測試前后，團隊分別測量了受試者血液中的腦源性神經(jīng)營養(yǎng)因子水平。此外，受試者還完成了一系列認知測試，同時研究人員采用功能性近紅外光譜密切監(jiān)測其前額葉皮層的活動。結(jié)果顯示，12周的訓(xùn)練并未改變受試者靜息狀態(tài)下的BDNF基線水平，但在進行單次高強度鍛煉后，干預(yù)組的血清BDNF水平出現(xiàn)了比訓(xùn)練前更大幅度的激增，且這種激增與最大攝氧量的提升密切相關(guān)。更重要的是，外周BDNF水平的升高顯著影響了注意力和抑制任務(wù)期間前額葉特定區(qū)域的神經(jīng)活動，但在單純的記憶任務(wù)中未見此效應(yīng)。這表明僅需幾周的規(guī)律體能改善，就能讓大腦從短暫的單次運動中獲得成倍的神經(jīng)生理益處。研究發(fā)表在 Brain Research 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #有氧適能 #腦源性神經(jīng)營養(yǎng)因子 #前額葉皮層

閱讀更多：

Ronca, Flaminia, et al. “BDNF Relates to Prefrontal Cortex Activity in the Context of Physical exercise.” Brain Research, Mar. 2026, p. 150253. ScienceDirect, https://doi.org/10.1016/j.brainres.2026.150253

小鼠研究揭示大腦如何在變化場景中識別穩(wěn)定模式

人類大腦如何在不斷變化的背景中穩(wěn)健地識別出熟悉物體？貝勒醫(yī)學(xué)院和斯坦福大學(xué)醫(yī)學(xué)院等機構(gòu)的Zhiwei Ding和Dat Tran團隊揭示了這一過程的神經(jīng)機制，發(fā)現(xiàn)了初級視覺皮層神經(jīng)元中存在一種全新的二分不變性，該發(fā)現(xiàn)解釋了大腦感覺系統(tǒng)是如何有效提取穩(wěn)定特征并實現(xiàn)視覺泛化的。

? MEI 和 VEI 優(yōu)化示意圖?？v軸表示兩個模型神經(jīng)元的激活情況，該激活情況是兩個示例圖像特征的函數(shù)。左圖：無明顯不變性的神經(jīng)元；右圖：對其最優(yōu)刺激具有相位不變性的神經(jīng)元。黑色曲線分別展示了 MEI 從不同初始化開始的優(yōu)化軌跡（左圖）以及 VEI 作為沿不變性脊線從 MEI 開始的擾動的優(yōu)化軌跡（右圖）。Credit: Ding et al.

研究團隊采用了初始循環(huán)（inception loop，一種在大規(guī)模記錄、預(yù)測模型和計算機模擬實驗之間不斷迭代的閉環(huán)范式）展開探索。首先，研究人員向清醒小鼠展示自然圖像，并利用雙光子鈣成像記錄其初級視覺皮層的反應(yīng)。隨后，他們訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)精準(zhǔn)預(yù)測神經(jīng)元的響應(yīng)，并在計算機中合成了多樣化刺激輸入（VEI，能強烈驅(qū)動特定神經(jīng)元且彼此差異極大的合成圖像），最后在活體小鼠中進行驗證。研究揭示，該皮層神經(jīng)元的感受野被劃分為兩個互不重疊的子區(qū)：一個負責(zé)編碼可變的高頻紋理，另一個負責(zé)固定的低頻模式。這種頻率和空間的劃分有助于大腦檢測物體邊界。此外，通過分析大規(guī)模功能連接數(shù)據(jù)集發(fā)現(xiàn)，第2/3層興奮性神經(jīng)元呈現(xiàn)明顯的層級結(jié)構(gòu)，突觸后神經(jīng)元的不變性顯著高于突觸前輸入，而不變性較低的神經(jīng)元則會形成更多的突觸連接。研究發(fā)表在 Nature Neuroscience 上。

#AI驅(qū)動科學(xué) #神經(jīng)機制與腦功能解析 #計算模型與人工智能模擬 #視覺感知

閱讀更多：

Ding, Zhiwei, et al. “Functional Bipartite Invariance in Mouse Primary Visual Cortex Receptive Fields.” Nature Neuroscience, Feb. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41593-026-02213-3

新型3D材料實現(xiàn)腦細胞間更真實通訊

傳統(tǒng)的細胞培養(yǎng)方法難以真實模擬大腦內(nèi)部復(fù)雜的生理環(huán)境。為了在體外更好地再現(xiàn)腦細胞間的自然通訊，基爾大學(xué)的Stefan Schr?der、Torge Hartig和Rainer Adelung聯(lián)合牛津大學(xué)的Luise Schlotterose以及哈佛醫(yī)學(xué)院的研究人員，共同開發(fā)出一種新型三維支架材料。該材料成功讓不同類型的人類腦細胞在更接近真實生理的條件下實現(xiàn)生長與信號交換。

? 顯微鏡下的熒光星形膠質(zhì)細胞：細胞骨架呈紅色，星形膠質(zhì)細胞特異性標(biāo)記物連接蛋白 43 呈綠色，細胞核呈藍色。Credit: Luise Schlotterose

研究團隊首先以四足狀氧化鋅作為基礎(chǔ)骨架，利用引發(fā)化學(xué)氣相沉積技術(shù)，在骨架上涂覆極薄的水凝膠層。隨后，研究人員將內(nèi)部的氧化鋅溶解去除，留下了一種超輕的氣相水凝膠。與傳統(tǒng)材料不同，這種新支架的孔徑、剛度等力學(xué)特性可以獨立進行精準(zhǔn)調(diào)節(jié)，以適應(yīng)不同組織的硬度需求。為驗證其功能，團隊將大腦中的免疫衛(wèi)士小膠質(zhì)細胞與星形膠質(zhì)細胞植入支架，并加入脂多糖進行測試。基因分析表明，當(dāng)有星形膠質(zhì)細胞共存時，小膠質(zhì)細胞的炎癥反應(yīng)出現(xiàn)了明顯下降。這證明了兩種細胞能夠利用該三維網(wǎng)絡(luò)結(jié)構(gòu)進行長距離的生化信號傳遞，無需發(fā)生直接的物理接觸。該成果不僅為體外神經(jīng)科學(xué)研究提供了更可靠的載體，還有望在未來大幅減少醫(yī)學(xué)研究對動物實驗的依賴。研究發(fā)表在 Chem & Bio Engineering 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #生物材料 #氣相水凝膠 #三維細胞培養(yǎng)

閱讀更多：

“3D Aerohydrogel Scaffolds for Brain Tissue Engineering and In Vitro Neuroscience.” Chem & Bio Engineering, Feb. 2026. pubs.acs.org, https://pubs.acs.org/doi/full/10.1021/cbe.5c00104

為什么有些人更懂察言觀色？神經(jīng)特征揭示人際互動中的認知靈活性差異

在互動中人們?nèi)绾慰焖偻茢嗨艘鈭D并據(jù)此調(diào)整策略一直是個謎。蘇黎世大學(xué)的Niklas Buergi、G?khan Aydogan、Arkady Konovalov和Christian C. Ruff探究了這一適應(yīng)性心理化過程背后的神經(jīng)計算機制。研究成功識別出追蹤信念更新的大腦分布式網(wǎng)絡(luò)，并發(fā)現(xiàn)了適應(yīng)性心理化的通用神經(jīng)特征，能夠準(zhǔn)確預(yù)測個體在社交博弈中調(diào)整策略的程度。

? 適應(yīng)性心理化的實驗任務(wù)和計算模型。Credit: Nature Neuroscience (2026).

研究團隊讓超過570名受試者與人類或人工智能對手進行重復(fù)的石頭剪刀布游戲，并開發(fā)了一種名為認知層級評估的新型算法。結(jié)合功能性磁共振成像，研究人員量化了受試者評估對手和更新信念的過程。實驗結(jié)果顯示，雖然大多數(shù)人能根據(jù)對手行為的變化靈活應(yīng)對，但個體間的反應(yīng)靈活性存在巨大差異。當(dāng)受試者重新評估對手時，大腦中一個分布式網(wǎng)絡(luò)活動顯著增強，這其中包括負責(zé)思考他人意圖的顳頂葉皮層、參與評估社會信息的背內(nèi)側(cè)前額葉皮層，以及在預(yù)期落空時活躍的前腦島和腹外側(cè)前額葉皮層。基于多變量機器學(xué)習(xí)方法，研究人員能以近90%的準(zhǔn)確率從這些神經(jīng)活動模式中預(yù)測個體調(diào)整策略的程度。這一預(yù)測在未提供大腦數(shù)據(jù)的獨立驗證樣本中依然有效，從而確立了適應(yīng)性心理化的神經(jīng)指紋。該發(fā)現(xiàn)將有助于更客觀地評估孤獨癥等神經(jīng)系統(tǒng)疾病患者的社會認知能力缺陷。研究發(fā)表在 Nature Neuroscience 上。

#認知科學(xué) #意圖與決策 #適應(yīng)性心理化 #計算模型 #神經(jīng)影像學(xué)

閱讀更多：

Buergi, Niklas, et al. “A Neural Signature of Adaptive Mentalization.” Nature Neuroscience, Mar. 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-026-02219-x

完全根據(jù)小鼠腦活動重建的電影

大腦究竟如何將視覺信號轉(zhuǎn)化為動態(tài)畫面？倫敦大學(xué)學(xué)院的Joel Bauer團隊聯(lián)合帝國理工學(xué)院的研究人員，成功僅憑小鼠視覺皮層的神經(jīng)元單細胞活動記錄，高精度重建了小鼠看到的動態(tài)電影。該成果為探究大腦視覺信息的底層處理機制提供了全新的直接測量手段。

? Credit:Joel Bauer et al.

這項研究利用了雙光子鈣成像技術(shù)記錄小鼠觀看視頻時的單細胞活動。研究團隊采用了一種先進的動態(tài)神經(jīng)編碼模型，該模型不僅基于輸入的視頻預(yù)測神經(jīng)元反應(yīng)，還納入了小鼠的奔跑速度和瞳孔直徑等行為變量。在重建過程中，算法首先輸入一段空白視頻，通過反向傳播計算預(yù)測神經(jīng)活動與實際記錄數(shù)據(jù)間的差異，并逐步更新視頻的像素，直到模型輸出的視頻與真實播放的畫面高度吻合。結(jié)果顯示，該團隊成功重建了時長10秒、幀率為30 Hz的動態(tài)視頻，真實電影與單次試驗重建結(jié)果之間的像素級相關(guān)性達到了0.57，遠超以往基于清醒小鼠初級視覺皮層（V1）靜態(tài)圖像重建的0.24。研究發(fā)現(xiàn)，數(shù)據(jù)集中神經(jīng)元的數(shù)量和模型集成對實現(xiàn)高質(zhì)量重建至關(guān)重要。此外，團隊指出重建視頻與現(xiàn)實畫面之間的微小偏差并非解碼誤差，而是反映了大腦對感官信息的扭曲與加工特征。研究發(fā)表在 eLife 上。

#意識與腦機接口 #大腦信號解析 #視覺處理 #神經(jīng)編碼模型 #單細胞記錄

閱讀更多：

Bauer, Joel, et al. “Movie Reconstruction from Mouse Visual Cortex Activity.” eLife, edited by Rachel Denison and Yanchao Bi, vol. 14, Mar. 2026, p. RP105081. eLife, https://doi.org/10.7554/eLife.105081

追蹤無意識：視覺工作記憶中無意識信息保留的神經(jīng)證據(jù)

無意識信息能否被大腦的工作記憶保留？為了尋找確鑿的神經(jīng)證據(jù)，F(xiàn)ilippo Gambarota、Roy Luria、Antonio Maffei、Roberto Dell’Acqua、Naotsugu Tsuchiya和Paola Sessa發(fā)現(xiàn)，即使個體對視覺刺激毫無主觀意識，大腦依然會通過神經(jīng)元的主動放電將這些信息保留在視覺工作記憶中，這一結(jié)果挑戰(zhàn)了無意識記憶完全依賴神經(jīng)靜默機制的傳統(tǒng)認知假說。

研究團隊采用了一項改進的變化檢測任務(wù)，結(jié)合感知覺知量表來區(qū)分個體的意識狀態(tài)。實驗中，受試者需要記憶處于可見度極限邊緣的Gabor斑塊，并在隨后判斷新出現(xiàn)的斑塊方向是否發(fā)生改變。在此過程中，研究人員利用腦電圖記錄大腦電活動，重點提取對側(cè)延遲活動的振幅變化。結(jié)果表明，即使在受試者主觀報告完全沒有看到刺激的無意識測試中，他們判斷斑塊方向的準(zhǔn)確率依然顯著高于隨機猜測水平。更重要的是，在這些無意識且回答正確的測試里，受試者的大腦出現(xiàn)了穩(wěn)定可靠的對側(cè)延遲活動振幅，而回答錯誤的測試則沒有此現(xiàn)象。這證實了大腦確實能夠通過神經(jīng)元的持續(xù)主動放電，將無意識的視覺信息短暫保留在工作記憶中，以供后續(xù)執(zhí)行認知任務(wù)調(diào)用。研究發(fā)表在 Journal of Cognitive Neuroscience 上。

#意識與腦機接口 #記憶機制 #視覺工作記憶 #無意識信息 #對側(cè)延遲活動

閱讀更多：

Gambarota, Filippo, et al. “Tracking the Unconscious: Neural Evidence for the Retention of Unaware Information in Visual Working Memory.” Journal of Cognitive Neuroscience, vol. 38, no. 3, Mar. 2026, pp. 497–508. Silverchair, https://doi.org/10.1162/JOCN.a.100

AI 行業(yè)動態(tài)

微軟Copilot Cowork震撼發(fā)布：Claude入駐Office，全球4.5億辦公族迎來AI執(zhí)行者

微軟近日正式推出全新的AI辦公工具Copilot Cowork，將其深度集成進Word、Excel、PPT、Outlook等“辦公全家桶”。與以往僅提供建議的AI助手不同，Copilot Cowork的核心突破在于“從計劃到行動”的閉環(huán)執(zhí)行能力。用戶僅需通過自然語言下達指令，它便能自動讀取郵件、日程和文件，獨立完成諸如梳理一周日程、準(zhǔn)備客戶會議、進行深度公司調(diào)研乃至策劃產(chǎn)品發(fā)布等復(fù)雜工作流。在后臺，它能同時推進多個任務(wù)，遇到不確定之處會主動請示，獲批后便直接操作軟件、生成文檔并交付成果，真正實現(xiàn)了“動嘴干活”。微軟AI-at-Work負責(zé)人Jared Spataro表示，這標(biāo)志著Copilot從輔助工具向真正執(zhí)行者的關(guān)鍵轉(zhuǎn)變。

此次發(fā)布的一個重大轉(zhuǎn)變是，微軟在Copilot中接入了Anthropic的最強Claude模型，而非其長期合作伙伴OpenAI。這一決策源于今年1月Anthropic發(fā)布類似產(chǎn)品后引發(fā)全球軟件股暴跌，微軟意識到與其讓外部技術(shù)顛覆自身生態(tài)，不如將其納入體系。Copilot Cowork采用了與Anthropic版本相同的“智能體框架”，并運行在Microsoft 365嚴格的安全與合規(guī)邊界內(nèi)，專為企業(yè)級客戶設(shè)計。其定價也體現(xiàn)了這一高端定位：需在現(xiàn)有企業(yè)版基礎(chǔ)上額外支付每月30美元的Copilot許可證，或選擇每月99美元、捆綁了更多AI與管理工具的新E7套餐。此舉引發(fā)了市場對打工人生存狀態(tài)的再次討論，也預(yù)示著AI正從副駕駛位置，真正把手伸向工作的方向盤。

#CopilotCowork #微軟AI #Claude #辦公自動化 #AI智能體

閱讀更多：

https://www.bloomberg.com/news/articles/2026-03-09/microsoft-launches-new-99-per-month-ai-focused-software-bundle

LeCun世界模型公司AMI Labs獲10.3億美元融資，謝賽寧加盟

由圖靈獎得主Yann LeCun聯(lián)合創(chuàng)立的先進機器智能實驗室（AMI Labs）近日宣布完成10.3億美元種子輪融資，公司估值達35億美元，并迎來著名華人科學(xué)家謝賽寧作為首席科學(xué)官加盟。這家總部位于巴黎的AI研究實驗室致力于開發(fā)能夠真正理解現(xiàn)實世界的“世界模型”（world model），一種區(qū)別于當(dāng)前主流大語言模型的技術(shù)路徑。世界模型的核心在于學(xué)習(xí)來自攝像頭、傳感器等真實世界的連續(xù)、高維數(shù)據(jù)，通過聯(lián)合嵌入預(yù)測架構(gòu)（JEPA，一種讓模型學(xué)習(xí)在抽象空間中進行預(yù)測的框架）將其壓縮為抽象表示并進行預(yù)測和規(guī)劃，旨在實現(xiàn)對可靠性、安全性要求極高的工業(yè)、醫(yī)療、機器人等領(lǐng)域的應(yīng)用突破。

AMI Labs的團隊陣容堪稱豪華，除了LeCun擔(dān)任執(zhí)行董事長外，還匯聚了來自Meta、Google DeepMind等機構(gòu)的核心人才。謝賽寧作為計算機視覺領(lǐng)域頂尖學(xué)者，其提出的Diffusion Transformers架構(gòu)是OpenAI視頻生成模型Sora的基石，他的加入無疑將極大增強團隊的技術(shù)實力。公司CEO Alexandre LeBrun強調(diào)，這是一項從基礎(chǔ)研究開始的長期科學(xué)事業(yè)，預(yù)計至少需要一年研究時間才會推出首個實際應(yīng)用，這與追求快速商業(yè)回報的典型AI初創(chuàng)公司截然不同。盡管如此，基于其宏偉目標(biāo)與頂尖團隊，AMI Labs仍吸引了包括貝佐斯探險、英偉達、三星等在內(nèi)的龐大投資者陣容，并計劃在巴黎、紐約、蒙特利爾和新加坡四地組建團隊，與李飛飛的World Labs等共同推動“世界模型”這一AI新方向的發(fā)展。

#YannLeCun #世界模型 #AMI Labs #謝賽寧 #AI融資

閱讀更多：

https://techcrunch.com/2026/03/09/yann-lecuns-ami-labs-raises-1-03-billion-to-build-world-models/

AI 驅(qū)動科學(xué)

BIOCONNET平臺：在體外構(gòu)建可控且開放的人腦皮質(zhì)網(wǎng)絡(luò)

現(xiàn)有神經(jīng)模型難以兼顧精確結(jié)構(gòu)控制與開放分析環(huán)境。倫敦國王學(xué)院的Pacharaporn Suklai和Andrea Serio等開發(fā)了BIOCONNET平臺，成功在體外構(gòu)建可控人腦皮質(zhì)神經(jīng)網(wǎng)絡(luò)并實現(xiàn)深度分子解析。

研究團隊利用軟光刻技術(shù)在聚二甲基硅氧烷表面制造出10微米見方的平行微溝槽。隨后，研究人員使用可移除的接種導(dǎo)引器作為臨時模具，將人類誘導(dǎo)多能干細胞分化的皮質(zhì)神經(jīng)元精準(zhǔn)放置在特定節(jié)點上。貼壁48小時后移除導(dǎo)引器，形成完全開放的培養(yǎng)環(huán)境。神經(jīng)元樹突和軸突自發(fā)沿微溝槽延伸，連接不同節(jié)點形成功能性突觸。實驗顯示，通過表達光敏蛋白進行光遺傳學(xué)刺激，能誘發(fā)下游節(jié)點神經(jīng)元產(chǎn)生鈣瞬變，證實信號定向流動。此外，該系統(tǒng)允許回收特定節(jié)點細胞裂解物進行蛋白質(zhì)免疫印跡檢測，證明其在多層級分子分析中的可行性。研究發(fā)表在 Advanced Healthcare Materials 上。

#神經(jīng)科學(xué) #神經(jīng)機制與腦功能解析 #人腦皮質(zhì)網(wǎng)絡(luò) #體外模型 #誘導(dǎo)多能干細胞

閱讀更多：

Suklai, Pacharaporn, et al. “Engineering Cortical Networks: An Open Platform for Controlled Human Circuit Formation and Synaptic Analysis In Vitro.” Advanced Healthcare Materials, vol. 14, no. 31, 2025, p. e00857. Wiley Online Library, https://doi.org/10.1002/adhm.202500857

拋棄AGI追求SAI：LeCun團隊提出超人類適應(yīng)性智能新路線

人工智能界長期將達到人類水平的通用人工智能作為終極目標(biāo)，但人類智能受限于進化過程，并非真正的通用。哥倫比亞大學(xué)與紐約大學(xué)的Judah Goldfeder、Philippe Wyder、Yann LeCun和Ravid Shwartz-Ziv提出超人類適應(yīng)性智能概念，指出人工智能應(yīng)擁抱專業(yè)化而非通用性。

研究團隊結(jié)合生物學(xué)進化論與機器學(xué)習(xí)原理對現(xiàn)有的人工智能發(fā)展路徑進行了重新評估。團隊指出，人類的通用能力僅是為適應(yīng)生存而進化的結(jié)果，存在明顯的認知盲區(qū)。在模型訓(xùn)練中，盲目追求通用性會導(dǎo)致負遷移。因此，團隊提出超人類適應(yīng)性智能框架。該框架將衡量智能的核心指標(biāo)從掌握技能的數(shù)量轉(zhuǎn)變?yōu)閷W(xué)習(xí)新技能的速度。為了實現(xiàn)這一目標(biāo)，研究人員建議放棄以人類為中心的任務(wù)空間，讓系統(tǒng)在特定關(guān)鍵領(lǐng)域超越人類。在技術(shù)路線上，團隊主張采用自監(jiān)督學(xué)習(xí)結(jié)合世界模型以及模塊化架構(gòu)。這種新范式將使系統(tǒng)在沒有明確訓(xùn)練的情況下快速適應(yīng)新任務(wù)。

#大模型技術(shù) #計算模型與人工智能模擬 #超人類適應(yīng)性智能 #自監(jiān)督學(xué)習(xí) #世界模型

閱讀更多：

Goldfeder, Judah, et al. “AI Must Embrace Specialization via Superhuman Adaptable Intelligence.” arXiv:2602.23643, arXiv, 27 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.23643

超緊湊型光子神經(jīng)網(wǎng)絡(luò)加速器：以光速運行的人工智能芯片

隨著人工智能算力需求的激增，傳統(tǒng)電子計算硬件正面臨計算速度與能源消耗的嚴峻瓶頸。悉尼大學(xué)（University of Sydney）的Joel Sved和Xiaoke Yi等研究人員研發(fā)出一種以光速運行的超緊湊型光子人工智能芯片，成功實現(xiàn)了超低能耗的極速計算，為下一代可持續(xù)計算硬件奠定了基礎(chǔ)。

? 逆向設(shè)計的納米光子神經(jīng)網(wǎng)絡(luò)加速器。Credit: Nature Communications (2026).

這項研究采用了一種基于三維時域有限差分（3D-FDTD，一種用于模擬電磁波傳播的計算電磁學(xué)方法）的逆向設(shè)計框架。研究人員利用麥克斯韋方程組的線性特性，通過光學(xué)相干性重構(gòu)空間場。在絕緣體上硅平臺上，芯片的每個亞波長體素都被作為可訓(xùn)練的自由度，從而實現(xiàn)了高達每平方毫米約4億個參數(shù)的計算密度。該設(shè)計還將前向傳播過程解耦為線性可分的模擬，使其高度適配現(xiàn)代硬件的并行計算。實驗中，團隊制造了面積僅為20 × 20 μm2和30 × 20 μm2的器件，其寬度大致相當(dāng)于一根頭發(fā)絲。當(dāng)光穿過這些納米結(jié)構(gòu)時，僅需皮秒級的時間即可自動完成計算而幾乎不產(chǎn)生熱量。在驗證測試中，該納米光子神經(jīng)網(wǎng)絡(luò)對包含乳房、胸部等部位MRI掃描圖像的MedNIST數(shù)據(jù)集以及MNIST數(shù)據(jù)集進行了處理，片上分類準(zhǔn)確率分別達到了90%和89%。研究發(fā)表在 Nature Communications 上。

#AI驅(qū)動科學(xué) #計算模型與人工智能模擬 #光計算 #納米技術(shù)

閱讀更多：

Sved, Joel, et al. “Inverse-Designed Nanophotonic Neural Network Accelerators for Ultra-Compact Optical Computing.” Nature Communications, vol. 17, no. 1, Mar. 2026, p. 1059. www.nature.com, https://doi.org/10.1038/s41467-026-68648-1

人類大腦能識破AI語音偽裝，即便你在行為上無法分辨

人工智能生成的逼真語音加劇了欺詐風(fēng)險，人類能否準(zhǔn)確分辨出真假？天津大學(xué)與香港中文大學(xué)的Jinghan Yang和Xiangbin Teng等團隊研究發(fā)現(xiàn)，盡管人們在主觀判斷上難以區(qū)分真假語音，但經(jīng)過短暫訓(xùn)練，大腦在神經(jīng)層面上能敏銳捕捉到AI與真人語音的細微差別。

研究團隊招募了30名參與者，讓他們聆聽由真人錄制及AI克隆系統(tǒng)生成的語音。參與者在接受約12分鐘的短期知覺訓(xùn)練前后，分別判斷所聽語音的來源。實驗中研究人員同步使用腦電圖測量參與者的神經(jīng)活動。結(jié)果表明，在行為層面上，無論是否經(jīng)過訓(xùn)練，參與者都極難主觀分辨出AI語音，訓(xùn)練帶來的改善微乎其微。然而神經(jīng)數(shù)據(jù)分析卻呈現(xiàn)截然不同的結(jié)果，通過時間響應(yīng)函數(shù)分析發(fā)現(xiàn)，訓(xùn)練促使大腦對兩類語音產(chǎn)生顯著的分化。在聽覺處理早期（約55毫秒和210毫秒）及晚期（約455毫秒）階段，大腦對真實人類和AI語音表現(xiàn)出不同的神經(jīng)反應(yīng)。這種行為表現(xiàn)與神經(jīng)敏感性之間的分離現(xiàn)象說明，聽覺系統(tǒng)已開始適應(yīng)并捕捉AI語音的聲學(xué)特征。研究發(fā)表在 eNeuro 上。

#神經(jīng)科學(xué) #神經(jīng)機制與腦功能解析 #深度偽造語音 #人工智能 #腦電圖

閱讀更多：

Yang, Jinghan, et al. “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination.” eNeuro, Mar. 2026. Research Article: New Research. www.eneuro.org, https://doi.org/10.1523/ENEURO.0300-25.2026

什么成就了熱門歌曲？TikTok與Spotify的算法偏好揭秘

Na Ta、Fang Jiao、Cong Lin和Cuihua Shen（中國人民大學(xué)、香港中文大學(xué)、清華大學(xué)、加州大學(xué)戴維斯分校）對比發(fā)現(xiàn)，TikTok與Spotify的算法及商業(yè)模式重塑了音樂生產(chǎn)與接收，致使兩平臺的熱歌特征與更迭動態(tài)存在顯著差異。

研究團隊收集并分析了2020年至2022年間兩大平臺每日百強熱門歌曲排行榜的縱向數(shù)據(jù)集。通過計算分析，他們比較了不同平臺在音樂流派、內(nèi)容特征以及主流唱片公司占比等方面的分布偏好與上榜動態(tài)。研究結(jié)果顯示，兩年間TikTok的百強榜單僅包含321首歌曲，而Spotify高達1707首，且僅有68首歌曲同時出現(xiàn)在雙平臺的榜單中。在TikTok上，得益于平臺對用戶參與度和舞蹈挑戰(zhàn)的重視，舞曲和獨立音樂人更容易走紅；而在Spotify上，情歌、流行和嘻哈音樂占據(jù)主導(dǎo)，且該平臺上的熱門歌曲主要由主流唱片公司制作，政治類歌曲極不受歡迎。此外，數(shù)據(jù)表明Spotify上歌曲的迭代速度更快，且一首歌曲在Spotify上的流行往往先于TikTok。研究認為，Spotify扮演著核心的音樂分發(fā)渠道角色，而TikTok則為音樂的創(chuàng)意再詮釋提供了互動的空間。研究發(fā)表在 Information, Communication & Society 上。

#其他 #音樂產(chǎn)業(yè) #算法推薦 #流媒體平臺

閱讀更多：

“A Computational Analysis of the Platformization of Music: Comparing Hit Songs on TikTok and Spotify.” Information, Communication & Society. www.tandfonline.com, https://www.tandfonline.com/doi/abs/10.1080/1369118X.2025.2539297. Accessed 10 Mar. 2026

提升AI模型預(yù)測解釋能力：從模型內(nèi)部提取可理解概念的新方法

在醫(yī)療診斷等關(guān)鍵領(lǐng)域，AI的“黑箱”決策過程常使用戶難以信任。來自麻省理工學(xué)院和米蘭理工大學(xué)的Antonio De Santis、Lalana Kagal等人開發(fā)了一種名為機械式概念瓶頸模型（M-CBM）的新方法。該方法不再依賴人類專家預(yù)先定義的概念，而是直接從AI模型內(nèi)部提取其為完成任務(wù)而自發(fā)學(xué)習(xí)到的核心概念，從而生成更準(zhǔn)確、更忠實于模型原始邏輯的決策解釋。

? Credit: Learning Concept Bottleneck Models From Mechanistic Explanations.

研究團隊設(shè)計了一個創(chuàng)新的流程來“解讀”AI的內(nèi)部工作機制。首先，他們使用一種名為稀疏自編碼器的技術(shù)，從一個預(yù)訓(xùn)練好的視覺模型中自動識別出對預(yù)測最關(guān)鍵的內(nèi)部特征。隨后，一個多模態(tài)大語言模型介入，將這些抽象的機器特征“翻譯”成人類能夠理解的文字描述，例如“成簇的棕色斑點”。利用這些由AI自己生成的概念，系統(tǒng)會自動標(biāo)注整個數(shù)據(jù)集，并基于此訓(xùn)練一個全新的“概念瓶頸”模塊。最后，該模塊被嵌入原始模型，迫使其所有決策都必須通過這個由少數(shù)幾個核心概念構(gòu)成的通道，從而使其推理過程變得透明。在鳥類識別和皮膚病變診斷等測試中，該方法的準(zhǔn)確性超越了其他可解釋AI模型，同時其解釋也更為簡潔、精確。研究發(fā)表在 International Conference on Learning Representations 上。

#AI驅(qū)動科學(xué) #計算模型與人工智能模擬 #可解釋AI #概念瓶頸模型

閱讀更多：

https://openreview.net/pdf?id=gdEWoxhb70

AI虛假新聞檢測器：高準(zhǔn)確率下的現(xiàn)實失靈與內(nèi)置偏見

AI虛假新聞檢測器看似準(zhǔn)確，但在現(xiàn)實世界中為何頻頻失效？蒙特利爾大學(xué)的Dorsaf Sallami、Esma A?meur和Gilles Brassard深入研究了這一問題。他們發(fā)現(xiàn)，這些工具并非真正的事實核查員，而是其訓(xùn)練數(shù)據(jù)的“鏡子”，不僅無法應(yīng)對現(xiàn)實復(fù)雜性，還潛藏著嚴重的性別、地域等偏見。研究呼吁建立一個超越單純準(zhǔn)確率、兼顧公平、透明和隱私的社會責(zé)任評估框架。

研究指出，AI檢測器存在一個根本性誤解：它不進行事實核查，而是基于訓(xùn)練數(shù)據(jù)計算概率。這一過程面臨“真實情況問題”，并會忠實地復(fù)制數(shù)據(jù)中存在的偏見，例如某些模型更容易將女性或非西方信源與虛假信息關(guān)聯(lián)。研究者認為，業(yè)界過于專注于提升準(zhǔn)確率，卻忽視了這些系統(tǒng)可能傳播的歧視性問題。此外，大型語言模型的快速發(fā)展使得虛假信息愈發(fā)逼真，讓現(xiàn)有檢測方法很快過時。為此，研究團隊主張采用更全面的社會責(zé)任評估標(biāo)準(zhǔn)，并開發(fā)了一款名為Aletheia的瀏覽器擴展程序。該工具不僅給出判斷，更重要的是以通俗語言解釋原因，提供證據(jù)來源，賦能用戶自行決策。在初步測試中，Aletheia實現(xiàn)了約85%的可靠性，展示了兼顧技術(shù)與社會責(zé)任的AI設(shè)計新方向。研究發(fā)表在 Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society 上。

#AI驅(qū)動科學(xué) #大模型技術(shù) #虛假新聞 #算法偏見 #可解釋AI

閱讀更多：

A?meur, Esma, et al. “Too Focused on Accuracy to Notice the Fallout: Towards Socially Responsible Fake News Detection.” Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, vol. 8, no. 1, Oct. 2025, pp. 55–65. ojs.aaai.org, https://doi.org/10.1609/aies.v8i1.36530

ParamMem：新型參數(shù)化記憶模塊提升語言智能體反思能力與推理性能

語言智能體在處理復(fù)雜任務(wù)時，其自我反思過程常常陷入重復(fù)，限制了推理能力的進一步提升。Tianjun Yao、Yongqiang Chen、Yujia Zheng、Pan Li、Zhiqiang Shen、Kun Zhang提出了一種名為ParamMem的新型參數(shù)化記憶模塊，并構(gòu)建了ParamAgent框架，旨在通過增強反思多樣性來解鎖語言智能體更深層次的推理潛力。

該研究的核心是一種創(chuàng)新的參數(shù)化記憶模塊，它通過在輔助數(shù)據(jù)集上進行微調(diào)，將豐富的跨樣本反思模式隱式地編碼到模型參數(shù)中。與依賴檢索相似案例的傳統(tǒng)方法不同，ParamMem能夠在推理時生成全新的、更多樣化的反思內(nèi)容。研究團隊將此模塊無縫集成到智能體框架中，提出了ParamAgent。在解決任務(wù)時，ParamAgent不僅利用傳統(tǒng)的情景記憶，還會從ParamMem中采樣多樣化的反思信號，以指導(dǎo)其后續(xù)的思考和行動。實驗結(jié)果表明，該框架在代碼生成、數(shù)學(xué)推理和多跳問答等多個基準(zhǔn)測試中，性能全面超越了當(dāng)前最優(yōu)的基線模型。更重要的是，ParamMem展現(xiàn)出極高的數(shù)據(jù)效率，僅需約500個樣本即可完成訓(xùn)練。它還支持智能體自我提升，并成功實現(xiàn)了“弱至強”遷移，展示了其作為通用語言智能體增強組件的巨大潛力。

#AI驅(qū)動科學(xué) #大模型技術(shù) #語言智能體 #自反思

閱讀更多：

Yao, Tianjun, et al. “ParamMem: Augmenting Language Agents with Parametric Reflective Memory.” arXiv:2602.23320, arXiv, 27 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.23320

模仿人類閱讀：新方法讓大模型先“畫提綱”再思考，顯著提升文本處理能力

大型語言模型在處理復(fù)雜文本時常顯不足，如何提升其深度推理能力是一大挑戰(zhàn)。來自杜克大學(xué)、德克薩斯大學(xué)奧斯汀分校和Meta的研究人員Qinsi Wang、Hancheng Ye、Jinhee Kim等人，受人類閱讀習(xí)慣啟發(fā)，提出了一種名為“結(jié)構(gòu)化思維”的提示策略，并構(gòu)建了首個全面評估文本結(jié)構(gòu)化能力的基準(zhǔn)測試T2S-Bench。

研究團隊的核心方法是“結(jié)構(gòu)化思維”（Structure of Thought, SoT），這是一種提示工程技術(shù)，它引導(dǎo)模型在生成最終答案前，先像人類一樣提煉文本中的關(guān)鍵信息點（節(jié)點）及其相互關(guān)系（鏈接），形成一個清晰的中間結(jié)構(gòu)。為系統(tǒng)性地評估并提升這一能力，團隊創(chuàng)建了T2S-Bench基準(zhǔn)。該基準(zhǔn)包含1800個從高質(zhì)量學(xué)術(shù)論文中提取的樣本，覆蓋計算機科學(xué)、生命科學(xué)等六大學(xué)科領(lǐng)域。實驗結(jié)果表明，該方法效果顯著。在未使用額外訓(xùn)練數(shù)據(jù)的情況下，僅通過SoT提示，Qwen2.5-7B-Instruct模型在八項不同文本處理任務(wù)中的性能平均提升了5.7%。對45個主流模型的全面評測發(fā)現(xiàn)，現(xiàn)有模型在該領(lǐng)域潛力巨大，例如在需要多步邏輯的推理任務(wù)上，平均準(zhǔn)確率僅為52.1%。進一步地，通過在T2S-Bench上微調(diào)模型，性能提升可達8.6%，且這種結(jié)構(gòu)化能力能有效遷移到其他真實世界的長文本任務(wù)中。

#AI驅(qū)動科學(xué) #大模型技術(shù) #計算模型與人工智能模擬 #文本理解

閱讀更多：

Wang, Qinsi, et al. “T2S-Bench & Structure-of-Thought: Benchmarking and Prompting Comprehensive Text-to-Structure Reasoning.” arXiv:2603.03790, arXiv, 4 Mar. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2603.03790

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。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。

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、、、科普視頻媒體「大圓鏡」等。