█ 腦科學動態(tài)

冷酷無情源于大腦皮層更薄

計算模型揭示大腦如何解決“雞尾酒會難題”

大腦額葉-杏仁核神經(jīng)通路可預測抗抑郁藥療效

迷幻劑如何促使大腦在清醒狀態(tài)下做夢

全球?qū)＜夜沧R確認厭食癥是代謝與精神雙重疾病

就醫(yī)之路，貧富殊途：社會經(jīng)濟地位決定老年人看病半徑

放療是癌癥患者生活質(zhì)量下降的主要原因

█ AI行業(yè)動態(tài)

陳天橋AI團隊另辟蹊徑：MiroThinker模型精準預測15天后金價

告別康奈爾，學術預印本平臺arXiv宣布獨立運營并招募首任CEO

德國思想巨匠哈貝馬斯逝世

█ AI驅(qū)動科學

Nature：4D成像傳感器芯片助力機器人同時追蹤距離與速度

MOOSE-Star打破組合復雜度壁壘，解鎖大模型直接進行科學發(fā)現(xiàn)的訓練范式

大腦記憶有望被定向讀寫，AI與腦機接口開啟自然情境記憶解碼新框架

RandOpt算法：大模型預訓練權重周圍存在神經(jīng)叢林

清華大學等開發(fā)首個全模態(tài)大腦解碼基礎模型NOBEL

犬類認知啟發(fā)機器人：結合語言與手勢實現(xiàn)89%尋物成功率

DeepMind提出LoGeR：基于混合記憶實現(xiàn)長序列3D重建突破

腦科學動態(tài)

冷酷無情源于大腦皮層更薄

精神病態(tài)特征（如冷酷、缺乏同理心）是否根植于大腦的物理結構？西班牙ángel Romero-Martínez團隊通過對暴力犯罪者和普通人的腦部掃描研究發(fā)現(xiàn)，無論個體是否有暴力史，更高的精神病態(tài)特質(zhì)均與額顳頂葉皮層的特定區(qū)域變薄顯著相關，這為理解反社會行為的神經(jīng)基礎提供了新證據(jù)。

? 文獻強調(diào)了圖中所示腦區(qū)皮層厚度的變化與男性樣本中的精神病態(tài)特征相關。Credit:Aggression and Violent Behavior (2026).

研究團隊招募了125名男性，包括67名親密伴侶暴力施暴者和58名對照者。他們使用精神病態(tài)量表修訂版（PCL-R）評估了每位參與者的精神病態(tài)特質(zhì)，并利用磁共振成像（MRI）技術測量其大腦皮層厚度。分析結果顯示，精神病態(tài)特質(zhì)得分越高，左側眶額皮質(zhì)（left orbitofrontal cortex，與決策和沖動控制相關）、左側島葉（left insula，與解讀他人觀點有關）、雙側額上回、右側背內(nèi)側前額皮質(zhì)以及右側前扣帶回皮質(zhì)的厚度就越薄。這種負相關關系在暴力施暴者和對照組中普遍存在，表明大腦皮層變薄可能是精神病態(tài)的一個普遍神經(jīng)標志，而不僅僅是暴力行為的后果。研究人員指出，由于腦掃描數(shù)據(jù)難以偽造，結合神經(jīng)影像與傳統(tǒng)心理評估，將有助于法醫(yī)專家更準確地描繪精神病態(tài)個體的心理畫像。研究發(fā)表在 Aggression and Violent Behavior 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #心理健康與精神疾病 #精神病態(tài)

閱讀更多：

Romero-Martínez, ángel, et al. “Reduced Cortical Thickness in Fronto-Temporo-Parietal Regions Associated with High Psychopathic Traits: Conclusions of a Review and an Empirical Study with Intimate Partner Violence Perpetrators.” Aggression and Violent Behavior, vol. 87, Mar. 2026, p. 102134. ScienceDirect, https://doi.org/10.1016/j.avb.2026.102134

計算模型揭示大腦如何解決“雞尾酒會難題”

大腦如何在嘈雜環(huán)境中鎖定單一聲音（即“雞尾酒會難題”）？麻省理工學院和哈佛大學的Josh McDermott, Ian Griffith和R. Preston Hess團隊構建了一個聽覺系統(tǒng)計算模型。該模型通過模擬神經(jīng)元對目標聲音特征（如音調(diào)）的活動增益，成功再現(xiàn)了人類的選擇性聽覺能力及其成功與失敗的模式，并預測了新的聽覺現(xiàn)象。

? 腦與認知科學教授、麥戈文研究所副研究員喬什·麥克德莫特（左）與研究生伊恩·格里菲斯坐在揚聲器陣列室里，他們正是在這里進行了這項研究。Credit: Steph Stevens

研究團隊構建了一個深度神經(jīng)網(wǎng)絡模型來模擬聽覺系統(tǒng)。其核心機制在于引入了“乘法增益”（multiplicative gains），即當注意力集中于某個聲音時，模型中對該聲音特征（如特定音高或空間位置）敏感的神經(jīng)處理單元活動會被放大，而對其他聲音特征的響應則被抑制。在實驗中，模型首先接收一段目標聲音作為“線索”，然后在一個包含目標聲音和干擾聲音的混合音頻中識別出目標聲音說出的特定詞語。結果顯示，該模型不僅在多種條件下表現(xiàn)出與人類驚人相似的聽覺選擇能力，甚至會犯下與人類類似的錯誤，例如在區(qū)分兩個音調(diào)相近的同性聲音時更容易混淆。更重要的是，該模型成功預測了兩個此前未被證實的人類聽覺注意力新特性，并隨后通過人類實驗得到驗證：首先，空間注意力的分離效果在水平方向上遠強于垂直方向；其次，注意力的“聚光燈”在正前方時范圍較窄，而在側方時則更寬。此外，模型中注意力的增強效果主要發(fā)生在處理后期，這與人類大腦聽覺皮層的神經(jīng)活動觀測結果一致，表明這種機制可能是大腦解決該問題的有效策略。研究發(fā)表在 Nature Human Behaviour 上。

#認知科學 #計算模型與人工智能模擬 #選擇性注意 #雞尾酒會問題

閱讀更多：

Griffith, Ian M., et al. “Optimized Feature Gains Explain and Predict Successes and Failures of Human Selective Listening.” Nature Human Behaviour, Mar. 2026, pp. 1–23. www.nature.com, https://doi.org/10.1038/s41562-026-02414-7

大腦額葉-杏仁核神經(jīng)通路可預測抗抑郁藥療效

如何為重度抑郁癥（MDD）患者精準選擇抗抑郁藥，避免漫長的“試錯”過程？由Li Xue、Ting Wang及同事（南京東南大學、南京醫(yī)科大學等機構）領導的研究團隊發(fā)現(xiàn)，大腦中連接額葉與杏仁核的特定神經(jīng)通路強度，可以作為預測患者對兩種主流藥物——選擇性血清素再攝取抑制劑（SSRIs）或血清素-去甲腎上腺素再攝取抑制劑（SNRIs）療效的生物標志物。

? 皮質(zhì)-杏仁核白質(zhì)連接的組間比較。Credit: Molecular Psychiatry (2026).

研究團隊利用擴散張量成像（DTI，一種無創(chuàng)的腦成像技術，用于觀察水分子在腦白質(zhì)中的運動）分析了106名重度抑郁癥患者的大腦結構連接。他們發(fā)現(xiàn)，對SSRIs反應良好的患者與對SNRIs反應良好的患者，其額葉與內(nèi)側杏仁核之間的白質(zhì)連接強度存在顯著差異。這種結構上的差異形成了一種“藥理學傾向模式”，意味著通過分析該通路的強度，或許能預測哪種藥物對特定患者更有效。更深一步的分析揭示，這一宏觀的大腦連接模式與微觀的分子基礎（即血清素和去甲腎上腺素遞質(zhì)系統(tǒng)）高度相關，并受到關鍵基因（如SLC6A4）遺傳風險的影響。這一發(fā)現(xiàn)整合了宏觀腦影像、微觀分子結構和遺傳信息，為實現(xiàn)抑郁癥的精準治療提供了新的路徑。研究發(fā)表在 Molecular Psychiatry 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #個性化醫(yī)療 #心理健康與精神疾病

閱讀更多：

Xue, Li, et al. “A Nuclei-Specific Fronto-Amygdala Pathway and Its Neurotransmitter Receptor Distribution: Implications for Antidepressant Selection.” Molecular Psychiatry, Feb. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41380-026-03502-w

迷幻劑如何促使大腦在清醒狀態(tài)下做夢

迷幻劑為何會讓人產(chǎn)生幻覺，體驗到“清醒的夢境”？Dirk Jancke, Thomas Kn?pfel, Callum M. White等研究人員通過小鼠實驗揭示了其背后的神經(jīng)機制。研究發(fā)現(xiàn)，迷幻劑通過增強大腦視覺皮層與記憶區(qū)域的同步活動，使大腦的內(nèi)部記憶凌駕于外部現(xiàn)實之上，從而“看見”并不存在的景象。

研究團隊采用先進的電壓成像技術，實時監(jiān)測基因改造小鼠大腦皮層的神經(jīng)活動。實驗中，小鼠在觀看視覺刺激前后被注射了一種強效的5-HT2A受體激動劑（5-HT2A agonist，一種模擬LSD等迷幻劑效果的化學物質(zhì)）。結果顯示，藥物顯著增強了大腦初級視覺皮層和后扣帶皮層之間的慢速節(jié)律性振蕩，即θ節(jié)律。這種增強的同步活動表明，迷幻劑像一個開關，它削弱了大腦對眼睛所見真實畫面的處理，同時放大了來自記憶區(qū)域的內(nèi)部信號。大腦不再依賴外部輸入，而是開始用自身的記憶片段來“填補”視覺，創(chuàng)造出一個生動的、自我生成的世界，這為視覺幻覺的形成提供了有力的生物學解釋。研究發(fā)表在 Communications Biology 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #心理健康與精神疾病 #迷幻劑 #幻覺

閱讀更多：

White, Callum M., et al. “Psychedelic 5-HT2A Agonist Increases Spontaneous and Evoked 5-Hz Oscillations in Visual and Retrosplenial Cortex.” Communications Biology, vol. 9, no. 1, Jan. 2026, p. 216. www.nature.com, https://doi.org/10.1038/s42003-025-09492-9

全球?qū)＜夜沧R確認厭食癥是代謝與精神雙重疾病

神經(jīng)性厭食癥的生物學基礎是什么，又該如何客觀評估？為解決此問題，世界生物精神病學會聯(lián)盟（WFSBP）組織了一個由Hubertus Himmerich, Janet Treasure, Johanna L. Keeler等53名全球頂尖專家組成的工作組。他們通過系統(tǒng)性地整合多學科證據(jù)，首次發(fā)布了一份關于神經(jīng)性厭食癥候選生物標志物的綜合性共識聲明。

該聲明匯集了遺傳學、表觀遺傳學、免疫學及神經(jīng)科學等領域的最新發(fā)現(xiàn)，為理解厭食癥提供了全新的生物學框架。研究指出，遺傳學證據(jù)明確支持厭食癥不僅是精神疾病，也是一種代謝紊亂。表觀遺傳學研究則發(fā)現(xiàn)，該疾病與患者體內(nèi)膽固醇和脂肪合成的失衡有關。此外，研究還強調(diào)了腸道微生物群紊亂、免疫系統(tǒng)功能異常（如產(chǎn)生錯誤攻擊食欲調(diào)節(jié)激素的抗體）在厭食癥發(fā)展中的關鍵作用。工作組提出的候選生物標志物清單覆蓋范圍廣泛，從體重、心率等傳統(tǒng)生理指標，到腦容量等神經(jīng)影像學數(shù)據(jù)，再到通過智能手機追蹤行為模式的數(shù)字生物標志物。這份里程碑式的共識旨在推動生物標志物在臨床的應用，以實現(xiàn)對厭食癥的早期、精準干預。研究發(fā)表在 The World Journal of Biological Psychiatry 上。

#疾病與健康 #心理健康與精神疾病 #神經(jīng)性厭食癥 #生物標志物 #國際共識

閱讀更多：

Himmerich, Hubertus, et al. “World Federation of Societies of Biological Psychiatry (WFSBP) Consensus Statement on Candidate Biomarkers for Anorexia Nervosa.” The World Journal of Biological Psychiatry, Mar. 2026, pp. 1–92. DOI.org (Crossref), https://doi.org/10.1080/15622975.2026.2626934

就醫(yī)之路，貧富殊途：社會經(jīng)濟地位決定老年人看病半徑

美國老年人為看病愿意走多遠，這一問題直接關系到醫(yī)療公平性。南加州大學多恩西夫經(jīng)濟與社會研究中心的Jeremy Burke和Soeren Mattke等人，通過一項全國性調(diào)查揭示，許多老年人愿意為就醫(yī)付出超乎想象的時間，但這種意愿受到其健康狀況和社會經(jīng)濟地位的顯著影響。

研究團隊對2650名65歲及以上的美國成年人進行了調(diào)查，分析了他們對不同類型醫(yī)療服務的可接受出行時間。結果顯示，老年人就醫(yī)意愿強烈，他們愿意為初級保健出行68分鐘，為看?？漆t(yī)生出行128分鐘（超過兩小時），為進行核磁共振（MRI）等診斷性檢查出行113分鐘。然而，平均值背后隱藏著巨大的不平等。收入更高、受教育程度更好、能方便開車的群體愿意走得更遠；相反，健康狀況不佳、居住在交通擁堵的大城市或曾面臨出行困難的老年人，即使是略微增加路程也可能成為放棄就醫(yī)的障礙。這一發(fā)現(xiàn)對日益普遍的醫(yī)療系統(tǒng)整合和遠程醫(yī)療發(fā)展具有重要啟示，提醒政策制定者在規(guī)劃醫(yī)療資源布局時，必須考慮距離之外的社會經(jīng)濟和交通因素，以確保弱勢群體的醫(yī)療可及性。研究發(fā)表在 JAMA Network Open 上。

#疾病與健康 #疾病預防 #社會經(jīng)濟因素 #老齡化 #醫(yī)療可及性

閱讀更多：

Burke, Jeremy, et al. “Willingness of Older Adults to Travel for Medical Care.” JAMA Network Open, vol. 9, no. 2, Feb. 2026, p. e2560280. Silverchair, https://doi.org/10.1001/jamanetworkopen.2025.60280

放療是癌癥患者生活質(zhì)量下降的主要原因

鼻咽癌（NPC）治療在提高生存率的同時，也嚴重影響患者生活質(zhì)量，如何平衡療效與康復成為新挑戰(zhàn)。中山大學腫瘤防治中心的馬駿、徐騁等研究人員，通過一項名為PLATINUM的2期臨床試驗，系統(tǒng)分析了一種新型免疫聯(lián)合治療方案對患者生活質(zhì)量的真實影響，研究揭示了放療是導致生活質(zhì)量下降的關鍵因素，并強調(diào)了將患者主觀感受納入療效評估的重要性。

該研究基于一項2期臨床試驗，對152名接受納武單抗（nivolumab）聯(lián)合放化療（但豁免了同步順鉑）的鼻咽癌患者進行了分析。研究核心是評估患者報告結局（Patient-reported Outcome，PRO），即患者對自己健康狀況、功能及生活狀態(tài)的主觀感受，而非僅僅依賴傳統(tǒng)的臨床指標。結果顯示，44.1%的患者成功實現(xiàn)了社會再融入。通過對比不同治療階段的影響，研究明確指出，放療對生活質(zhì)量的負面沖擊遠大于誘導化療或納武單抗，而停止放療帶來的改善也最為顯著。數(shù)據(jù)還揭示，言語和吞咽功能障礙不僅與社會再融入失敗密切相關，還預示著更高的局部復發(fā)風險。此外，一個重要的發(fā)現(xiàn)是，當臨床醫(yī)生低估患者報告的食欲下降嚴重程度時，患者的3年無失敗生存率會顯著降低。這項研究強調(diào)了社會再融入是評估患者康復的有效綜合指標，并提示未來的治療應更關注對特定功能的保護與干預。研究發(fā)表在 Med 上。

#疾病與健康 #健康管理與壽命延長 #鼻咽癌 #生活質(zhì)量 #患者報告結局

閱讀更多：

Xu, Cheng, et al. “Patient-Reported Outcomes from a Phase 2 PLATINUM Trial of Nivolumab Combination Therapy Sparing Concurrent Cisplatin in Nasopharyngeal Carcinoma.” Med, vol. 7, no. 3, Mar. 2026. www.cell.com, https://doi.org/10.1016/j.medj.2025.100994

AI 行業(yè)動態(tài)

陳天橋AI團隊另辟蹊徑：MiroThinker模型不求秒回，精準預測15天后金價

在眾多AI公司競相提升模型響應速度的當下，由陳天橋領銜的MiroMind團隊反其道而行之，推出了專注于深度推理的新一代“重型”智能體MiroThinker-1.7系列。該系列包含235B參數(shù)的開源模型MiroThinker-1.7、30B的輕量版mini模型，以及刷新多項基準測試成績的閉源模型MiroThinker-H1。不同于常規(guī)模型，MiroThinker旨在處理復雜的長鏈條智力任務，通過延長思考時間來換取結果的精確性與可驗證性。其在BrowseComp（網(wǎng)頁檢索類大模型基準測試）和GAIA（通用AI助手基準測試）等權威測試中，以88.2%和88.5%的成績超越了Gemini-3.1-Pro、GPT-5.4-Thinking等頂尖閉源模型，展現(xiàn)了強大的復雜任務處理能力。

MiroThinker的核心優(yōu)勢在實際應用中得到了印證。研究人員通過讓模型在F1上海站比賽前2小時、賽中1小時等關鍵節(jié)點進行實時排名預測發(fā)現(xiàn)，它能動態(tài)抓取天氣、車手狀態(tài)、車隊策略等實時信息，并逐步修正預測，最終與真實結果高度吻合。更令人印象深刻的是，該模型曾提前15天對黃金價格進行預估，預測值（$5185/oz）與實際市場收盤價（$5206.40）的誤差僅為0.08%。這種精準度源于其核心技術——重型求解器（heavy-duty solver）與“可驗證交互”理念。通過“中期訓練”增強模型的規(guī)劃與推理能力，并在每一步推理中引入局部與全局驗證機制，確保最終答案基于嚴密的邏輯而非語義流暢度。這種“慢下來、想更多”的策略，讓MiroThinker在金融、科研等需要深度求證的專業(yè)領域開辟了獨特路徑。

#MiroThinker #深度推理AI #陳天橋 #AI金融預測 #重型智能體

閱讀更多：

https://github.com/MiroMindAI/MiroThinker

告別康奈爾，學術預印本平臺arXiv宣布獨立運營并招募首任CEO

服務全球科研界超過二十五年的預印本服務器arXiv，近日宣布了一個重大決定：它將結束與康奈爾大學的長期隸屬關系，轉型為一個獨立運營的非營利組織。這一消息由平臺官方正式發(fā)布，并同步啟動了歷史上首位首席執(zhí)行官的全球招募工作，預期年薪約為30萬美元。此舉迅速在學術社區(qū)引發(fā)廣泛討論，觀點從對新任CEO薪資水平的探討，延伸到對平臺未來走向的深層關切。然而，此次獨立的核心驅(qū)動力在于，arXiv已從一個大學附屬的研究項目，成長為托管近240萬篇論文、月下載量超千萬次的全球關鍵學術基礎設施，其現(xiàn)有規(guī)模與復雜運營需求，已超出了大學附屬項目的傳統(tǒng)架構所能適配的范圍。

事實上，arXiv的資金來源早已多元化。目前，康奈爾大學的直接支持僅占其運營費用的37%左右，其余資金來自西蒙斯基金會、美國國家科學基金會等機構的捐贈，以及全球約220家會員機構的年費。這意味著，arXiv實際上已是一個由全球?qū)W術共同體共同支撐的公共設施，但在行政、人事和財務決策上仍需遵循大學的流程，這種不匹配限制了其發(fā)展靈活性。獨立后，平臺將能更自主地推進技術迭代（如將系統(tǒng)遷移至谷歌云）、拓展合作并確保長期財務可持續(xù)。更重要的是，獨立運營有助于強化其中立性，避免因依附單一機構可能引發(fā)的利益協(xié)調(diào)疑慮。然而，獨立也帶來了挑戰(zhàn)，包括如何維系超過200名無償服務的志愿審核員網(wǎng)絡，以及如何在人工智能時代，面對科技巨頭對高質(zhì)量學術數(shù)據(jù)的巨大需求時，堅守其作為公益基礎設施的定位，避免為短期利益而損害長期公信力。

#arXiv #預印本 #學術開放獲取 #非營利轉型 #學術基礎設施

閱讀更多：

https://tildes.net/~science/1t7g/arxiv_is_separating_from_cornell_university_and_is_hiring_a_ceo_who_will_be_paid_roughly_300_000

德國思想巨匠哈貝馬斯逝世：以理性溝通守護民主的“最后歐洲人”

德國最具影響力的哲學家與公共知識分子于爾根·哈貝馬斯（Jürgen Habermas）于3月14日在施塔恩貝格去世，享年96歲。在戰(zhàn)后一片對理性深感幻滅的思想氛圍中，哈貝馬斯畢生逆流而上，為啟蒙理想和真理的可能性進行了堅定的辯護。他在1960年代初提出的“公共領域”（public sphere）概念影響最為深遠，該理論指出，一個獨立于國家控制、公民能自由討論和交換意見的空間，是民主健康存續(xù)的基石。這一概念此后在政治學、歷史學乃至傳媒研究等多個領域催生了海量研究。作為法蘭克福學派第二代領軍人物，他比前輩 Theodor Adorno 和 Max Horkheimer 對現(xiàn)代性抱有更多信心，視啟蒙為一項“未竟的工程”，相信通過改善溝通可以糾正其弊端。在其1981年的主要著作《交往行為理論》（The Theory of Communicative Action）中，他系統(tǒng)闡述了通過平等對話達成共識的“理想言說情境”，認為這種將觀念置于“無情公共話語的酸浴”中的過程，能讓公民集體影響自身的社會命運。

哈貝馬斯的學術生命始終與公共論辯緊密交織。他不僅以深邃甚至艱澀的哲學著作聞名，更通過大量報刊文章頻繁介入現(xiàn)實，其核心關切始終是民主的存續(xù)與倒退的風險。出生于1929年的他，青少年時期親歷了納粹統(tǒng)治，這段經(jīng)歷使他終生警惕民族主義，并堅持德國必須毫無扭曲地銘記大屠殺的罪責。1980年代，他因嚴厲抨擊試圖 relativize（相對化，即淡化某事件歷史嚴重性）大屠殺的右翼歷史學家，引發(fā)了著名的“歷史學家之爭”。他同樣對歐洲一體化進程憂心忡忡，被視為守護歐洲理念的“最后歐洲人”。晚年，他也關注宗教在公共生活中的角色，倡導在“后世俗社會”中調(diào)和啟蒙傳統(tǒng)與宗教信仰。盡管被批評為過于理想主義，哈貝馬斯從黑暗歷史中走出卻始終懷抱溝通理性的希望，正如研究者所言，他“是一個希望的形象”，深信民主依賴于“人們相信仍有集體塑造未來的空間”。

#哈貝馬斯 #公共領域 #交往行為理論 #法蘭克福學派 #啟蒙理性

閱讀更多：

https://www.nytimes.com/2026/03/14/books/jurgen-habermas-dead.html

AI 驅(qū)動科學

Nature：4D成像傳感器芯片助力機器人同時追蹤距離與速度

傳統(tǒng)機器視覺系統(tǒng)難以即時測量快速運動物體的速度，且往往體積龐大、成本高昂。Francesca Fabiana Settembrini和Remus Nicolaescu等開發(fā)出一種大規(guī)模相干4D成像傳感器芯片，能夠在創(chuàng)建環(huán)境三維地圖的同時追蹤運動物體速度，實現(xiàn)了低成本且緊湊的機器視覺突破。

? 示例點云。Credit: Nature (2026).

研究人員在單塊硅芯片上構建了包含61952個固定像素的焦平面陣列（focal plane array，一種將微型光電傳感器密集排列在光學系統(tǒng)焦平面上的物理網(wǎng)格）。與傳統(tǒng)脈沖激光不同，該芯片采用調(diào)頻連續(xù)波激光雷達（FMCW LiDAR，一種發(fā)射連續(xù)頻率調(diào)制激光并檢測反射光波頻率微小變化以同時計算距離和速度的技術）。芯片內(nèi)部的集成熱光開關網(wǎng)絡將外部連續(xù)激光依次引導至不同像素組，每個像素既是發(fā)射器也是接收器，大幅縮小了系統(tǒng)體積。測試數(shù)據(jù)顯示，該芯片能以每秒3到15幀的幀率生成包含數(shù)千個數(shù)據(jù)點的三維點云。在室內(nèi)，系統(tǒng)成功繪制了6至11米范圍的地圖；在室外，芯片準確捕捉到了65米外建筑物的陽臺細節(jié)，角分辨率達0.06度，且單點能耗僅為46納焦耳。在針對旋轉圓盤的測試中，該傳感器瞬間完成了速度的精確測量。這項集成了超60萬個光子元件和相關電子器件的技術，不僅將像素數(shù)量提升五倍，更極大降低了生產(chǎn)成本。研究發(fā)表在 Nature 上。

#疾病與健康 #跨學科整合 #再生醫(yī)學 #嵌合體 #先天免疫

閱讀更多：

Settembrini, Francesca Fabiana, et al. “A Large-Scale Coherent 4D Imaging Sensor.” Nature, vol. 651, no. 8105, Mar. 2026, pp. 364–70. www.nature.com, https://doi.org/10.1038/s41586-026-10183-6

MOOSE-Star打破組合復雜度壁壘，解鎖大模型直接進行科學發(fā)現(xiàn)的訓練范式

如何讓大語言模型直接生成科學發(fā)現(xiàn)一直面臨巨大的計算組合復雜度壁壘？Zonglin Yang與Lidong Bing（MiroMind AI）提出了一套通用的科學發(fā)現(xiàn)理論框架，成功打破了這一死鎖，并首次在該領域清晰觀察到了訓練期與推理期的Scaling Law。

過去直接訓練大模型進行科學發(fā)現(xiàn)往往會陷入從海量文獻庫中檢索和組合靈感的計算爆炸（combinatorial explosion），搜索空間的復雜度高達O（N^k）。為打破這一壁壘，研究團隊提出了MOOSE-Star框架。該方法摒棄了端到端訓練，采用靈感檢索與假設組合的分離訓練范式，將指數(shù)級復雜度降至線性。同時，團隊引入動機引導的分層搜索，模型先生成明確的研究動機，再沿著結構化的全局知識樹進行定向檢索，理想情況下將檢索復雜度進一步降維至對數(shù)級別。為提升魯棒性，模型采用了容錯組合機制，在存在一定檢索噪聲的上下文中通過嚴密的生成式推理推導科學假設。為支撐該框架的訓練，團隊耗費38400個GPU小時解構了108717篇真實論文的推導鏈路，構建出TOMATO-Star數(shù)據(jù)套件。實驗證實，隨著訓練數(shù)據(jù)規(guī)模的擴張和推理期投入算力的增加，模型產(chǎn)出高質(zhì)量科學假設的成功率呈現(xiàn)穩(wěn)定且持續(xù)的增長，徹底打破了傳統(tǒng)暴力采樣面臨的復雜性高墻。

#AI驅(qū)動科學 #大模型技術 #自動化科研 #科學發(fā)現(xiàn)

閱讀更多：

Yang, Zonglin, and Lidong Bing. “MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier.” arXiv:2603.03756, arXiv, 4 Mar. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2603.03756

大腦記憶有望被定向讀寫，AI與腦機接口開啟自然情境記憶解碼新框架

真實生活中的復雜情節(jié)記憶是如何被大腦編碼以及能否被定向干預一直是個未解之謎。南加州大學的Dong Song團隊提出了一套整合框架，產(chǎn)生了一套能在自然情境下驗證并調(diào)控記憶代碼的系統(tǒng)工程。

研究人員提出了一種多模態(tài)建模框架，首先分別訓練神經(jīng)側和行為側的編碼器。一邊輸入大規(guī)模神經(jīng)記錄如局部場電位，另一邊輸入自然場景中的視覺流和語義等行為信息，隨后將二者投射到同一個潛在空間中進行對齊。這使得模型能從自然數(shù)據(jù)中發(fā)現(xiàn)記憶結構。在此基礎上，研究構建了一個閉環(huán)記憶腦機接口系統(tǒng)，在解碼與記憶成功相關的神經(jīng)模式后，通過電刺激等反饋手段在毫秒級尺度上實時干預神經(jīng)回路。此外，團隊提議借助大語言模型分析受試者的自由敘述，從而評估記憶的主觀體驗感。這一框架為未來開發(fā)記憶假體以治療阿爾茨海默病和創(chuàng)傷后應激障礙等疾病提供了理論支撐。研究發(fā)表在 Advanced Science 上。

#意識與腦機接口 #腦機接口 #人工智能 #記憶機制 #神經(jīng)調(diào)控

閱讀更多：

Song, Dong. Decoding Naturalistic Episodic Memory with Artificial Intelligence and Brain‐Machine Interface. advanced.onlinelibrary.wiley.com, https://doi.org/10.1002/advs.202520125. Accessed 16 Mar. 2026

RandOpt算法：大模型預訓練權重周圍存在神經(jīng)叢林

大模型后訓練必須依賴復雜的強化學習嗎？Yulu Gan和Phillip Isola（麻省理工學院計算機科學與人工智能實驗室）發(fā)現(xiàn)預訓練模型權重空間內(nèi)潛藏大量任務專家，證實隨機擾動與集成算法即可超越傳統(tǒng)方法。

研究團隊提出了一種名為RandOpt的后訓練算法。該算法完全拋棄了梯度計算，而是直接向預訓練模型的權重中添加單步的高斯噪聲，生成大量隨機擾動后的模型副本。隨后在驗證集上選出表現(xiàn)最好的若干模型，并在測試時通過多數(shù)投票機制得出最終答案。實驗結果表明，在數(shù)學推理和代碼生成等復雜任務中，RandOpt在相同的浮點運算次數(shù)下，不僅追平甚至超越了近端策略優(yōu)化等傳統(tǒng)基準方法。研究揭示了隨著模型規(guī)模的擴大，參數(shù)空間會從稀疏狀態(tài)轉變?yōu)槊芗纳窠?jīng)叢林。這意味著大規(guī)模預訓練模型本身已天然自帶任務專家，后訓練的本質(zhì)更傾向于挑選已有能力而非從零學習。此外，研究還證實簡單的蒸餾策略可將該方法的計算成本降至百分之二。

#大模型技術 #其他 #后訓練 #強化學習 #參數(shù)空間

閱讀更多：

Gan, Yulu, and Phillip Isola. “Neural Thickets: Diverse Task Experts Are Dense Around Pretrained Weights.” arXiv:2603.12228, arXiv, 12 Mar. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2603.12228

清華大學等開發(fā)首個全模態(tài)大腦解碼基礎模型NOBEL

如何打破非侵入式腦信號由于特征差異巨大而無法統(tǒng)一解析的壁壘？Changli Tang與Shurui Li等（清華大學及上海人工智能實驗室等機構）開發(fā)了首個全模態(tài)大腦解碼大語言模型NOBEL，成功在共享語義空間內(nèi)實現(xiàn)了異構腦信號的統(tǒng)一解碼，為全面理解大腦動態(tài)奠定了基礎。

研究團隊構建了一個大語言模型框架。針對高頻電磁信號，模型采用統(tǒng)一的腦電圖與腦磁圖編碼器。對于低頻代謝信號，研究設計了雙路徑策略來提取功能磁共振成像的動態(tài)響應與靜態(tài)特征。這些異構腦信號連同外部視覺或聽覺刺激被共同映射到共享語義空間中，使系統(tǒng)能根據(jù)自然語言提示生成解析結果。實驗顯示，NOBEL在多種單模態(tài)分類基準測試中優(yōu)于現(xiàn)有專門模型。值得注意的是，融合電磁與代謝信號能獲得比單一模態(tài)更高的解碼準確率。此外，該模型在刺激感知解碼任務中表現(xiàn)優(yōu)異，不僅能有效解析大腦響應中的視覺語義，還驗證了感覺輸入與神經(jīng)活動間的因果關系。

#意識與腦機接口 #大腦信號解析 #大模型技術 #多模態(tài)融合

閱讀更多：

Tang, Changli, et al. “One Brain, Omni Modalities: Towards Unified Non-Invasive Brain Decoding with Large Language Models.” arXiv:2602.21522, arXiv, 25 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.21522

犬類認知啟發(fā)機器人：結合語言與手勢實現(xiàn)89%尋物成功率

當機器人在雜亂環(huán)境中為人類尋找物品時常因指令模糊或視線遮擋而失?。▽ふ椅锲放c理解模糊指令的問題）。Ivy Xiao He、Stefanie Tellex與Jason Xinyu Liu等（布朗大學）開發(fā)了一種融合人類語言和手勢的新型框架，使機器人在復雜環(huán)境中的尋物成功率達到了百分之八十九（產(chǎn)生了高準確率的多模態(tài)尋物系統(tǒng)）。

現(xiàn)實世界充滿了不確定性，單一的視覺或語言指令往往不足以讓機器人準確找到目標。為了解決這一難題，研究團隊開發(fā)了一種名為語言和手勢引導的部分可觀測環(huán)境物體搜索（LEGS-POMDP，一種使機器人在不確定性下進行推理并結合多模態(tài)輸入的數(shù)學決策框架）的模塊化系統(tǒng)。該系統(tǒng)的一大創(chuàng)新在于借鑒了狗如何理解人類意圖的認知科學成果。研究人員分析了人類的指向動作，建立了一個基于眼睛到手肘再到手腕連線的概率錐模型（cone of probability，將指向目標劃定在特定錐形空間范圍內(nèi)的數(shù)學模型）。隨后研究人員將該手勢模型與視覺語言模型相結合，把不同的輸入轉化為概率分布，幫助機器人不斷更新對周圍環(huán)境的認知置信度。在實驗室的模擬環(huán)境和四足移動機械臂的真實測試中，該系統(tǒng)展現(xiàn)了極高的魯棒性。實驗數(shù)據(jù)顯示，當機器人結合手勢和語言指令時，能夠在各種復雜場景下正確定位散落的物體，平均成功率達到百分之八十九左右，遠超僅依賴單一感知模式的基準測試結果。這項研究不僅為處理人類交流中固有的模糊性提供了解決方案，也展示了計算機科學與認知科學結合的巨大潛力。研究發(fā)表在 Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction 上。

#認知科學 #機器人及其進展 #多模態(tài)融合 #人機交互 #POMDP

閱讀更多：

He, Ivy Xiao, et al. “LEGS-POMDP: Language and Gesture-Guided Object Search in Partially Observable Environments.” Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction, 2026, pp. 227–36. arXiv.org, https://doi.org/10.1145/3757279.3785585

DeepMind提出LoGeR：基于混合記憶實現(xiàn)長序列3D重建突破

前饋3D重建處理長序列視頻時常受限于上下文窗口。Junyi Zhang等（谷歌DeepMind和加州大學伯克利分校）提出LoGeR架構，利用混合記憶模塊將密集3D重建擴展至近兩萬幀，顯著降低了軌跡誤差與尺度漂移。

該研究將視頻流分塊處理，并設計了一個雙組件的混合記憶模塊來確保跨塊的幾何一致性。該模塊結合了參數(shù)化的測試時訓練進行長時信息的有損壓縮，以此錨定全局坐標系并防止尺度漂移；同時，采用非參數(shù)化的滑動窗口注意力實現(xiàn)短時上下文的無損傳遞，保證相鄰分塊的高精度對齊。此外，研究使用漸進式課程策略逐步引導模型適應長距依賴。實驗表明，LoGeR在128幀序列上訓練后，推理時可泛化至數(shù)千乃至近兩萬幀的超長視頻。在KITTI數(shù)據(jù)集上，該方法將絕對軌跡誤差降低了74%以上，超越了基于優(yōu)化的最強基線。在長達19000幀的VBR數(shù)據(jù)集評測中，該模型也成功克服了傳統(tǒng)方法的局限，保持了極高穩(wěn)定性的全局尺度。

#大模型技術 #計算模型與人工智能模擬 #記憶機制 #3D重建 #空間計算

閱讀更多：

Zhang, Junyi, et al. “LoGeR: Long-Context Geometric Reconstruction with Hybrid Memory.” arXiv:2603.03269, arXiv, 3 Mar. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2603.03269

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，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哦~

關于天橋腦科學研究院

天橋腦科學研究院（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研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設立了應用神經(jīng)技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經(jīng)科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態(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。