追问weekly | 过去一周,脑科学领域有哪些新发现?_

生长激素是海马记忆痕迹细胞成熟的必需因子

记忆究竟是如何在大脑中物理“定型”的？Chang-Ho Kim、HyoJin Park和Bong-Kiun Kaang等人组成的团队研究发现，生长激素不仅与身体生长有关，更是海马体中记忆痕迹细胞（engram cells）成熟的关键。研究团队揭示，在学习发生的最初几分钟内，生长激素的快速合成对于巩固记忆至关重要，这一发现为理解长期记忆的形成机制提供了全新的分子视角。

为了解开记忆细胞成熟的谜题，研究团队首先利用蛋白质合成抑制剂茴香霉素（anisomycin）在小鼠进行情境恐惧条件反射的不同阶段阻断蛋白质翻译。结果显示，只有在学习期间的初始阶段阻断翻译，才会导致记忆痕迹细胞无法增加树突棘密度，从而无法完成成熟。通过分析翻译效率，团队锁定生长激素（GH）为关键分子，发现它在学习后立即在高度活跃的神经元中特异性表达。进一步实验中，研究人员使用CRISPR-Cas9技术敲除神经元GH或表达显性负性GH突变体来阻断信号，结果发现这直接导致了微型兴奋性突触后电流（mEPSC，反映突触后受体反应强度的指标）频率降低，阻碍了突触前强化，最终破坏了记忆的提取。有趣的是，外部补充生长激素并促进其被活性神经元摄取，可以挽救因翻译抑制导致的缺陷。研究发表在 Science Advances 上。

深度睡眠中为何会瞬间惊醒？筑波大学发现大脑“紧急唤醒”开关

恐惧和焦虑等强烈情绪往往会导致失眠或在深夜惊醒，但大脑究竟是如何执行这一快速唤醒指令的？来自筑波大学的Zhongwen Zhang和Takeshi Sakurai团队通过研究小鼠大脑，精准定位了一条连接情绪中枢与唤醒中枢的神经通路，揭示了压力引发瞬间觉醒的生物学机制。

该研究利用光遗传学和神经示踪技术，深入分析了终纹床核（BNST）与中脑深部核（DpMe）之间的相互作用。终纹床核是处理情绪信号的关键区域，而中脑深部核则是位于脑干网状结构内的唤醒调节中心。研究人员发现，当小鼠处于非快速眼动睡眠（NREM）时，刺激BNST中的GABA能神经元会迅速激活DpMe中的谷氨酸能神经元，从而导致小鼠立即从深度睡眠中醒来。实验还显示，使用厌恶性气流模拟情绪压力也能激活这一回路。更重要的是，当研究团队特异性地去除了DpMe中的谷氨酸能神经元后，小鼠对压力刺激的觉醒反应显著减弱。这一发现证实了该特定神经回路是情绪压力“劫持”睡眠、强制大脑开机的关键路径，为开发针对压力性失眠和情绪障碍的新疗法提供了潜在靶点。研究发表在 Journal of Neuroscience 上。

挑战神经科学基石：重新思考大脑区域的核心地位

长期以来，将大脑皮层划分为功能模块化的脑区被视为认知和系统神经科学的基石，这一观点被称为“分区范式”。然而，来自贝勒医学院、莱斯大学和成均馆大学的Benjamin Yost Hayden、Sarah R. Heilbronner和Seng Bum Michael Yoo通过一项深入的理论分析，对这一核心地位提出了严峻挑战。他们认为，随着技术的进步，现有数据表明脑区本身只是众多同等重要的组织原则之一，而非绝对的主导法则，这一发现可能迫使该领域重新审视其理论基础。

该研究团队整合了神经解剖学和电生理学的最新证据，指出细胞结构和连接性等用于定义脑区的指标往往相互矛盾，很少产生一致的划分结果。更为关键的是，通过分析包括国际大脑实验室在内的高密度神经记录数据，研究人员发现许多认知功能并非局限于单一脑区，而是以广泛分布的方式在大脑中实现。例如，任务变量往往在全脑范围内被编码，这种现象与传统的“功能定位”观点相左。研究指出，宏观梯度（macroscale gradients）、分布式网络以及层与柱的结构可能比单纯的脑区划分更能解释大脑的运作机制。基于此，作者们提出了一套新的指导原则，旨在帮助科学家在不依赖传统分区理论的前提下，更准确地解析大脑的功能组织。研究发表在 Nature Neuroscience 上。

脑肿瘤不仅仅是生长的肿块，它们还会通过险恶的手段“劫持”大脑的通讯网络。来自墨尔本大学和皇家墨尔本医院的研究团队，包括Heidi McAlpine和Lucy Maree Palmer等人，通过一项深入的合作研究揭示了胶质瘤与大脑之间的致命互动。他们发现，侵袭性较强的高级别胶质瘤不仅会整合进神经网络，还会使周围的神经元变得过度兴奋，这种异常的活跃状态反过来又成为了驱动肿瘤快速生长的燃料。

为了揭示这一机制，研究团队使用了膜片钳技术，直接对取自患者的低级别和高级别胶质瘤组织中的锥体神经元和肿瘤细胞进行了检测。结果显示，与低级别肿瘤相比，高级别胶质瘤环境下的神经元更容易产生电信号（即兴奋性更高），且肿瘤细胞表现出特殊的突触反应特征。进一步的分子层面分析证实，正是这种增强的神经元电活动和网络连接，显著促进了癌细胞的增殖。这一发现解释了为什么某些脑肿瘤如此难以治疗，并指出了通过阻断神经元与肿瘤细胞间的异常通讯来抑制癌症生长的新策略。研究发表在 Nature Neuroscience 上。

首次活体观测证实：学习过程改变神经元脉冲发生器长度

大脑如何通过物理变化来存储记忆？除了众所周知的突触连接改变外，负责产生神经信号的“开关”是否也会发生形变？Jan Gründemann、Chloé Maëlle Benoit和Dan Alin Ganea等人（德国神经退行性疾病研究中心 DZNE、波恩大学）组成的跨国研究团队，首次在活体动物中证实了这一现象。他们发现，随着学习和记忆的形成，大脑神经元的信号发生装置会发生物理上的伸缩变化，这揭示了大脑适应新环境的一种全新机制。

为了捕捉这一微观变化，研究团队对正在进行联想恐惧学习的小鼠进行了实验。他们利用先进的体内纵向双光子成像技术，精确追踪了小鼠内侧前额叶皮层中特定神经元的轴突起始段（Axon Initial Segment, AIS）。轴突起始段被比作神经元的“脉冲发生器”或“主开关”，聚集了高密度的离子通道，决定了神经冲动是否产生以及强度如何。

实验结果显示，在学习过程中，这些“脉冲发生器”的长度发生了显著的动态变化：有的变长，有的缩短。较长的轴突起始段意味着神经元兴奋性更高，能产生更强的脉冲，从而优化神经元网络的信号传输效率。这一发现证明，轴突起始段的结构重塑是记忆形成的重要标志，与突触可塑性共同构成了大脑学习的基础。研究人员指出，这一机制可能在阿尔茨海默病等神经退行性疾病中受损，未来有望通过研究相关蛋白沉积对该结构的影响寻找新的治疗切入点。研究发表在 Nature Neuroscience 上。

MITE技术绘制大脑计时网络图谱

为什么有些人深受时差或季节性情感障碍的困扰？答案可能在于大脑视交叉上核（SCN）中一小群特殊的“枢纽”细胞。KL Nikhil和Erik D. Herzog（圣路易斯华盛顿大学）领导的团队，联合Jr-Shin Li、Bharat Singhal（麦凯尔维工程学院）以及István Kiss（圣路易斯大学），开发了一种名为MITE的计算工具，首次揭示了这些关键细胞如何通过复杂的网络连接来协调人体的昼夜节律。

为了解开SCN中数万个神经元如何同步的谜题，研究团队利用MITE（互信息与转移熵）技术，分析了小鼠体内数周的基因表达记录，成功重建了超过8000个细胞间的2500多万个连接。研究发现，SCN细胞并非生而平等，根据其连接方式可分为五种功能类型。特别是那些表达血管活性肠肽（VIP）的神经元中，仅有约30%充当了真正的“枢纽”，负责生成和广播同步信号。其他细胞则扮演“桥梁”或“汇聚点”的角色，接力传递信号。计算机模拟证实，一旦移除这些“枢纽”细胞，整个生物钟网络的同步性便会崩溃。这一发现为治疗睡眠障碍和昼夜节律紊乱提供了新的神经工程策略。研究发表在 PNAS 上。

大脑皮层如何通过神经元放电来协调我们的感知与运动？几十年来，主流理论认为这依赖于“吸引子动力学”，即强连接的神经元群形成稳定的活动模式。然而，Domenico Guarino、Anton Filipchuk 和 Alain Destexhe（巴黎-萨克雷神经科学研究所）团队的一项最新研究挑战了这一经典假设。他们通过分析多模态数据和计算模型，发现皮层神经元的重复活动并非源于传统的模式补全单元，而是通过一种全新的“层级模块化”结构进行组织，其中“核心神经元”扮演了关键的信息枢纽角色。

为了深入探究这一机制，研究团队利用了来自MICrONS项目和艾伦脑观测站（Allen Brain Observatory）等机构的公开数据集，结合了双光子成像、电生理学和电子显微镜等多种技术手段。通过对神经元连接图谱的精细分析，他们惊讶地发现，那些反复共同放电的神经元之间并没有预想中的强连接，这直接反驳了吸引子动力学（attractor dynamics）理论。相反，研究揭示大脑皮层网络呈现出层级模块化（hierarchical modularity）特征，位于模块界面处的“核心神经元”作为高信息流节点，像漏斗一样汇聚并引导神经活动。进一步的计算模拟证实，仅凭距离依赖性连接就足以产生这种模块化结构和可重复的神经事件。这一发现重新定义了皮层活动的结构基础，表明大脑网络是预先配置好以支持感觉运动协调的。研究发表在 Nature Neuroscience 上。

减肥药替拉帕肽仅能暂时抑制大脑中的食物渴望信号

针对肥胖患者常面临的难以控制的进食冲动问题，宾夕法尼亚大学医学院的Casey H. Halpern及其团队通过一项罕见的人脑深部记录研究发现，减肥药替拉帕肽能暂时抑制大脑中的渴望中枢活动。然而，研究结果显示，这种神经抑制作用并非永久有效，随着时间推移，大脑中的异常信号和对食物的渴望会重新出现。

该研究利用颅内脑电图监测了一位患有严重肥胖及进食失控的患者。研究人员重点关注了伏隔核。在患者服用替拉帕肽（tirzepatide）的初期（2-4个月），药物成功“静音”了伏隔核中与食物渴望相关的特定电信号——即δ-θ波段（delta-theta band，一种低频脑电波，其功率增强通常预示着强烈的食物关注），患者同时也报告“食物噪音”消失。然而，在大约5个月后，尽管患者仍在使用最大剂量的药物，这种异常的脑电活动却再次出现，强烈的进食冲动也随之回归。这一发现提示，目前的GLP-1类药物虽然能暂时调节大脑回路，但可能存在耐受性问题，未来需要开发更具持久性的针对性疗法。研究发表在 Nature Medicine 上。

PsychENCODE十年飞跃：从基因组图谱到精神疾病机制解析

精神疾病的遗传机制长期以来犹如迷雾，为了破解这一谜题，Panos Roussos及其领导的PsychENCODE联盟（PsychENCODE Consortium）在过去十年中致力于从多组学角度解析大脑。该团队系统回顾了通过整合大规模转录组、表观基因组及单细胞数据所取得的里程碑式成果，成功将遗传风险位点与具体的分子调控机制联系起来，标志着精神病基因组学进入了探究因果机制的新时代。

PsychENCODE联盟通过分析来自1866个大脑样本的海量数据，利用单细胞RNA测序和ATAC测序等先进技术，构建了前所未有的高分辨率大脑调控图谱。研究发现，精神分裂症、孤独症等疾病的遗传风险并非主要源于基因突变，而是高度集中在非编码区域的调控元件中，这些元件主要影响皮质兴奋性神经元等特定细胞类型的功能。通过结合诱导多能干细胞（iPSC）衍生的类器官模型与CRISPR技术，研究人员验证了这些非编码变异如何通过改变染色质结构和增强子活性，进而干扰神经发育和突触功能。此外，该项目建立的标准化数据处理流程和开放共享平台，为全球科学家提供了探索大脑分子病理的可重复工具。研究发表在 Neuron 上。

从输出到输入：iGluSnFR4蛋白彻底改变大脑信号记录方式

大脑神经元如何处理成千上万个微弱的输入信号并将其转化为决策或记忆，一直是神经科学的未解之谜。Abhi Aggarwal与Kaspar Podgorski等人（艾伦研究所）联合霍华德·休斯医学研究所珍妮莉娅研究园区的团队，成功研发出一种名为iGluSnFR4的高灵敏度蛋白质传感器。这项突破性技术使得科学家首次能够清晰地“聆听”活体大脑中神经元接收到的化学信号，填补了理解大脑通讯机制中缺失的关键一环。

这项研究的核心在于一种经过基因工程改造的分子谷氨酸指示剂，研究团队将其形象地称为“胶水嗅探器”。在大脑中，神经元通过突触释放谷氨酸这一关键神经递质来传递信息，就像推倒多米诺骨牌一样触发下一个细胞的活动。以往的技术只能记录多米诺骨牌倒下的结果（输出信号），而无法捕捉引发倒下的微小推力（输入信号）。研究团队开发的第四代传感器包含两个版本：iGluSnFR4f用于追踪快速变化的信号，而iGluSnFR4s则因其较慢的失活速率，适合同时记录大量突触的信号。通过在小鼠视觉皮层和海马体等区域进行双光子成像实验，研究人员证实了这些传感器具备单囊泡级别的灵敏度，能够实时、高分辨率地解码神经元之间复杂的电化学对话。这一工具不仅像给打乱的单词排序一样帮助科学家理解大脑的编码逻辑，还为阿尔茨海默病、精神分裂症等与谷氨酸信号紊乱相关的疾病研究提供了全新的观察窗口。研究发表在 Nature Methods 上。

大脑如何利用固定的神经解剖结构实现灵活多变的认知功能？来自麻省理工学院皮考尔学习与记忆研究所的Zhen Chen和Earl K. Miller等人组成的研究团队，通过动物实验为“空间计算”理论提供了关键的实证支持。该研究揭示了大脑前额叶皮层如何通过脑电波动态组织神经元群，以执行复杂的认知任务。

该研究基于Earl K. Miller教授等人于2023年提出的“空间计算”理论，即大脑利用α和β频段（10-30 Hz）的脑电波作为“模板”，在物理空间上控制前额叶皮层的神经元活动。研究人员在动物执行记忆和分类任务时，通过植入式电极阵列记录了神经信号。结果证实，α/β脑电波主要编码任务规则和控制信号，而神经元放电则负责携带具体的感觉信息。更重要的是，研究发现脑电波强度与神经元放电在空间上呈负相关：脑电波强的区域，感觉信息的表达受到抑制；反之则增强。这种机制就像交通信号灯一样，精准控制信息处理的“时间”和“地点”。此外，脑电波的模式还能准确预测动物的行为表现及错误类型。这一发现解释了大脑如何通过大规模的神经自组织实现认知灵活性。研究发表在 Current Biology 上。

线粒体不仅供能还调控情绪

心理和社会经历如何转化为生理变化一直是个谜。莱斯大学的Christopher P. Fagundes及其同事通过综合分析指出，线粒体可能是这一过程中的关键“缺失环节”。他们发现，线粒体不仅是细胞的能量工厂，更是连接心理压力与生理疾病的核心中介。

研究团队回顾并分析了大量关于线粒体生物学与心理健康关联的证据。研究指出，大脑因其高能量需求，对线粒体功能障碍尤为敏感。当个体经历慢性压力、孤独或创伤时，这些社会心理因素会直接影响线粒体，导致其效率降低，进而引发氧化应激和炎症反应。这种细胞层面的损伤会破坏神经递质传递和大脑可塑性，最终导致焦虑、抑郁、创伤后应激障碍以及阿尔茨海默病等神经退行性疾病。

此外，研究还发现线粒体功能的个体差异可能解释了为什么有些人比其他人更易受压力影响。在干预措施方面，耐力训练被证实能最有效地改善线粒体酶活性；而正念疗法和对抗孤独感也被认为有助于打破“压力-线粒体功能障碍”的恶性循环，提升大脑信号传导效率。这一发现为将生物心理社会模型扩展到细胞机制层面提供了理论支持。研究发表在 Current Directions in Psychological Science 上。

为什么哪怕吃饱了也能装下甜点？

为什么在吃完丰盛的圣诞大餐后，明明肚子已经撑得不行，却总能挤出空间吃布丁？为了科学地解释这一被称为“别腹”（betsubara）的现象，解剖学家 Michelle Spear深入剖析了人体在进食过程中的生理与心理机制，揭示了大脑与胃部如何协同工作，让我们对甜点欲罢不能。

这项分析综合了解剖学、生理学及神经科学的原理。研究指出，首先，胃部具有胃容受性（gastric accommodation），即平滑肌在进食时会放松以增加容量，而冰淇淋等软质甜点几乎不需要机械消化，因此不会显著增加胃部压力。其次，大脑存在享乐性饥饿（hedonic hunger），甜食能激活中脑边缘多巴胺系统，暂时减弱饱腹信号。此外，机制还涉及感官特异性饱腹感（sensory-specific satiety），即大脑对主菜口味产生“疲劳”后，新口味的甜点能重启奖励反应。生理上，糖类食物比脂肪类食物离开胃部的速度更快。最后，胆囊收缩素等饱腹激素完全生效需要20到40分钟，而人们往往在此窗口期内决定享用甜点。

如何培养出诺贝尔奖得主或奥运冠军？长期以来，人们笃信“赢在起跑线”和“一万小时定律”的早期专业化模式。然而，Arne Güllich（莱茵兰-普法尔茨州凯泽斯劳滕-兰道工业大学）、Michael Barth（因斯布鲁克大学）、David Z. Hambrick（密歇根州立大学）和 Brooke N. Macnamara（普渡大学）组成的跨学科国际团队，通过一项大规模综述研究颠覆了这一认知。他们发现，那些最终站在世界巅峰的人，大多不是早期的“神童”，而是通过广泛探索和循序渐进的积累脱颖而出的。

该研究整合分析了近35,000名来自科学、音乐、国际象棋和体育领域的精英人士的数据。结果显示，大约90%的青少年国际级选手，成年后并未达到同等的国际级水平；反之，大约90%的成年国际级选手，在青少年时期也并非同级别的佼佼者。即早期表现优异者与成年后的世界级精英往往不是同一拨人。此外，在最高水平的成年选手中进行比较时，早期的表现水平与最终的巅峰成就呈负相关。

研究还发现，表现更好的孩子通常更早开始专项训练，更早进入精英训练计划，并且投入了更多的专项练习时间，同时很少或几乎没有进行跨领域的学习和训练。但世界级大师们通常开始专项训练的年龄更晚，进入专业培养体系的年龄更大。更关键的是，他们的早期训练图谱中，专项练习的量反而更少，而在其他相关或不相关领域的跨学科、跨项目练习量则显著更大。

为了解释这一现象，研究团队提出了三个关键概念：搜索匹配假说（search-and-match hypothesis），即接触多个领域能增加找到最适合自己领域的机会；增强学习资本假说（enhanced-learning-capital hypothesis），指多元化学习能增强整体学习能力，助力后期爆发；以及有限风险假说（limited-risks hypothesis），认为多领域涉猎能降低职业倦怠和身体损伤的风险。数据表明，未来的世界级人才在早期通常进行大量的多学科实践，而非过早局限于单一领域的专项训练。这项研究呼吁政策制定者和教育者重新审视人才培养体系，鼓励青少年探索不同的兴趣，而非过早追求专业化。研究发表在 Science 上。

“反相关”脑活动模式可准确预测脑损伤患者的长期康复

创伤性脑损伤（TBI）后的康复预测一直是临床难题，错误的预后评估可能导致过早撤除生命维持治疗。为此，来自麻省总医院布里格姆医院的 Samuel B. Snider 及其同事联合欧美多地研究人员，开展了一项大规模前瞻性研究。他们通过分析脑部扫描数据，发现特定的神经活动模式可以作为生物标志物，准确预测中重度脑损伤患者未来的康复潜力，这为临床决策提供了重要的客观依据。

研究团队利用静息态功能磁共振成像（rs-fMRI）技术，分析了来自三个前瞻性队列的患者数据。研究重点关注一种被称为“反相关”（anticorrelated）的大脑活动现象，即当一个脑区活跃时，另一个脑区会相应地停止活动。这种类似于“跷跷板”的抑制机制是正常大脑功能的标志。

分析发现，大脑中显著性网络（Salience Network，负责协调多个网络的“枢纽”）与默认模式网络（Default Mode Network，在休息时活跃）之间的反相关连接保存得越好，患者在六个月后的康复情况就越好。此外，默认模式网络与语言网络之间的连接也对预后有预测价值。即使在控制了患者的镇静状态和意识水平等干扰因素后，包含这些特征的预测模型仍表现出极高的准确性，且优于传统的临床预测模型。这一发现表明，保留特定的神经功能架构是康复的基础。研究发表在 PNAS 上。

大脑白质连接与神经时间尺度的匹配度决定认知效率

为何有些人的思维转换如此敏捷，而有些人则较慢？罗格斯大学的Linden Parkes和康奈尔大学的Jason Z. Kim等人组成的团队，通过结合脑成像数据与数学模型，揭示了大脑结构连接如何通过协调不同速度的神经信号来支持认知功能。

该研究分析了960名参与者的多模态脑成像数据，利用网络控制理论（Network Control Theory）构建了能够描述复杂系统随时间变化的数学模型。研究团队重点关注了内在神经时间尺度（Intrinsic Neural Timescales），即大脑不同区域处理信息所需的特定时间窗口。研究发现，大脑的物理线路图——即连接组与这些时间尺度之间的匹配程度至关重要。当一个人的白质连接结构能更好地支持各脑区处理快慢信息的需求时，大脑在不同活动模式间切换的效率就越高，个体也表现出更强的认知能力。此外，这种神经时间尺度的分布模式与基因表达及细胞类型密度紧密相关，并且在小鼠和人类之间表现出跨物种的保守性，表明这是神经系统的一项基本生物学特征。这一发现量化了大脑结构与功能动力学之间的相互作用，为理解认知差异提供了新的生物物理学框架。研究发表在 Nature Communications 上。

味觉也可以“训练”：短期记忆训练显著提升甜味感知灵敏度

为什么美食家和侍酒师能尝出普通人忽略的味道？这可能源于后天的学习而非单纯的生理天赋。来自东北大学的Satoru Ebihara和Uijin Park等人发现，通过短期的味觉记忆训练，人类可以显著提高对不同甜味物质的辨别能力。研究表明，味觉感知具有高度的可塑性，通过大脑的“味觉记忆”积累，普通人也能像专家一样“训练”出敏锐的味蕾。

研究团队招募了40名健康成年人，探究人类如何区分同一味觉类别下的细微差别。研究人员首先测量了参与者对葡萄糖、果糖、蔗糖、麦芽糖和乳糖这五种甜味物质的味觉阈值。随后，训练组进行了为期三天的“甜味回忆训练”，反复品尝浓度略低于其个人阈值的样品，并试图通过记忆辨别物质种类。结果显示，经过短短三天的训练，参与者对所有五种甜味物质的敏感度均显著提高，能够感知到更低浓度的甜味。这一发现证实，味觉与视觉、听觉一样，可以通过学习和记忆来增强。Satoru Ebihara指出，这种基于记忆的训练类似于大脑的“新兵训练营”，通过快速积累味觉经验来优化感知。目前，该团队已在东北大学医院探索这种方法在味觉障碍和老年人食欲减退康复中的临床应用。研究发表在 Chemical Senses 上。

无需健身房，课前快走即可“激活”大学生执行功能

感觉大脑在课堂上反应迟钝？Weijia Zhu、Liye Zou（深圳大学）与Charles H. Hillman（东北大学）等人组成的跨国研究团队发现，仅需课前十分钟的运动就能显著改变这一状况。这项研究旨在验证实验室中关于运动益脑的结论是否适用于真实的教育场景，结果证实了短暂的身体活动能有效提升大学生的注意力和执行功能。

研究团队招募了43名大学生，要求他们在真实的课程开始前进行10分钟的中等强度持续运动，并在另一天作为不运动的对照组进行对比。研究人员利用斯特鲁普任务评估学生在课前和课后的执行功能。结果显示，虽然两组学生在课后的表现都有所提升，但运动组在认知需求最高的“转换任务”中表现出了更显著的进步，反应速度更快且效率更高。Charles H. Hillman指出，这种适度的运动强度仅相当于“快步走去参加一个快要迟到的会议”，却能带来显著的认知收益。该研究不仅证实了运动对认知灵活性的积极影响，也为在学校课程安排中融入适量运动提供了科学依据。研究发表在 International Journal of Mental Health Promotion 上。

神经联想技能记忆：让机器人更安全且具备类人感知运动能力

机器人如何像人类一样，不仅能掌握多种运动技能，还能在遇到意外时“直觉”地感知并做出反应？Pranav Mahajan、Mufeng Tang、T. Ed Li、Ioannis Havoutis 和 Ben Seymour 组成的团队针对这一难题，提出了一种名为“神经联想技能记忆”（neural ASMs）的新框架。传统方法依赖硬编码的技能库，缺乏灵活性且难以进行统一的故障检测。该团队通过模拟生物神经系统的运作方式，开发了一个单一的、统一的神经网络，旨在解决机器人如何以生物学合理的方式学习技能库、检测异常并根据情境自适应调整行为的问题。

该研究引入了时间预测编码（temporal predictive coding, tPC）网络，这是一种自监督学习框架，利用生物学上合理的局部学习规则而非传统的反向传播算法。研究人员构建了一个生成模型，将感觉运动序列存储为网络能量景观中的吸引子。实验结果表明，该模型不仅能像“乐高”一样存储多种技能，还能利用“预测意外”（predictive surprise，即网络能量的异常升高）在所有已习得技能中自动检测故障，而无需预先告知正在执行哪项技能。此外，该系统展示了通过最小化本体感觉预测误差来进行实时反应性控制的能力，并能根据早期环境线索推断并执行适当的动作，成功模拟了人类在运动实验中的适应性行为。这项研究为构建更安全、具有自我保护能力的机器人提供了新的计算视角。研究发表在 Neural Computation 上。

生成式AI重塑死亡观：数字永生是否会削弱人类面对无常的智慧？

人工智能是否正在改变我们哀悼的方式？京都大学的Shisei Tei通过跨学科研究发现，生成式AI正在重塑人类对死亡和悲伤的认知。虽然数字重建技术能为生者带来慰藉，但这种“数字来世”可能模糊生死界限，削弱人类接受生命无常的能力，进而影响社会对死亡和尊严的理解。

该研究采用跨学科的理论分析框架，结合了精神病学、宗教哲学和神经现象学。研究者引用了生物学家Francisco Varela提出的“无私的自我”（selfless selves，指个体在保持独立性的同时与他人及世界相互依存、和谐共存的状态）这一概念，对比了人类生命系统与AI代理的本质区别。

研究指出，虽然AI聊天机器人表现出一种没有固定自我的流动身份，类似于“无私的自我”，但它们缺乏生物体的代谢本质和真实的社会联系。通过AI创造的“数字来世”（Digital Afterlife）虽然延续了记忆，却可能干扰丧亲者接受失去的过程。研究警告，过度依赖机器来处理悲伤会将情感支持“外包”，从而削弱人类忍受不确定性的能力和基于面对面交流的同理心。这种技术趋势可能导致人们试图通过技术“克服”死亡，而非将其视为生命不可或缺的一部分，最终影响我们有尊严地面对临终。研究发表在 SecondDeath: Experiences of Death Across Technologies 上。

面部表情不仅传达情绪，还是我们判断他人是否值得信赖的关键线索。为了解开“情绪模仿”如何影响社会判断的谜题，来自华沙社会心理科学大学的Michał Olszanowski、Aleksandra Tołopiło以及柏林洪堡大学的Ursula Hess组成的研究团队进行了一系列深入实验。他们发现，人类本能地更容易模仿快乐的面孔，而这种模仿行为的强度直接决定了我们对他人的信任程度和第一印象。

该研究通过三个精心设计的实验揭示了模仿与信任之间的深层联系。研究人员利用了面部肌电图来监测参与者在观看不同表情时的微表情反应。结果显示，相比悲伤或愤怒，人们对快乐表情的模仿最为强烈且频繁。进一步的实验通过让参与者在“信任/投资博弈”中分配虚拟积分，证实了这种生理反应会转化为实际的社会决策：参与者更愿意信任并投资那些引发了他们微笑模仿的人。更关键的是，通过人为操纵参与者的面部肌肉活动，研究团队确认了二者间的因果关系——即模仿行为本身通过反馈机制塑造了我们对他人性格的积极评价。这表明，微笑不仅是一种情绪表达，更是建立社会信任的强力催化剂。研究发表在 Emotion 上。

如何在体外构建具有高度生理相关性的成人肝脏模型一直是生物医学领域的难题。Meritxell Huch和Lei Yuan等人（德国马克斯·普朗克分子细胞生物学与遗传学研究所）成功构建了首个能够模拟人类肝脏门区结构和功能的多细胞“组装体”，突破了以往模型无法长期维持成人肝细胞和缺乏复杂细胞互作的局限。

研究团队首先攻克了成人肝细胞难以在体外长期扩增的瓶颈。通过系统分析信号通路，他们发现激活WNT和YAP信号可以唤醒细胞增殖潜能，从而成功从28位供体中建立了可长期传代的人源肝细胞类器官（h-HepOrgs）。为了模拟真实组织的复杂性，研究人员进一步优化培养体系，引入FGF-19等成分促进细胞成熟和胆小管（bile canaliculus）网络的形成。在此基础上，团队将这些肝细胞类器官与同一供体来源的胆管上皮类器官（cholangiocyte organoids）及门区成纤维细胞整合，构建了“肝脏门区组装体”（assembloids）。这种三维结构在空间排列、基因表达及细胞间相互作用上高度还原了体内肝脏门区的特征。此外，该模型还展示了强大的疾病模拟能力：通过改变间充质细胞的比例，研究人员成功在体外诱导出了早期胆管纤维化（biliary fibrosis）的病理改变，观察到了胆管异常增殖和炎症信号上调。这一成果为肝脏疾病机制研究及个性化药物筛选提供了前所未有的工具。研究发表在 Nature 上。

Science：警惕进口海鱼：全球贸易如何重塑人体污染暴露路径

随着全球食品供应链的日益复杂，一种被称为“永久性化学物质”的污染物正通过海鲜悄然进入人体。来自南方科技大学的Qiu Wenhui、宁波东方理工大学的Zheng Chunmiao以及福州大学的Wu Minghong等科学家组成的联合研究团队，通过跨学科合作，首次全面量化了全球鱼类贸易对全氟和多氟烷基物质（PFAS）暴露风险的影响。该研究揭示了被忽视的贸易网络如何重新分配环境健康风险，尤其指出了富裕国家消费者面临的严峻挑战。

为了解开这一复杂的暴露网络，研究人员开发了一套综合分析框架，整合了模拟生物体内污染物累积的海洋食物网模型、涵盖212种商业鱼类的全球高精度捕获数据，以及来自联合国商品贸易统计数据库（UN Comtrade）的宏观贸易数据。团队重点分析了每日估计摄入量（EDI），发现在北美、大洋洲和欧洲，尽管部分本地海域污染未必最重，但居民的PFAS暴露水平却位居全球前列。研究指出，欧洲国家作为贸易枢纽，显著改变了污染物的全球流动路径。此外，数据表明经济发展水平与暴露风险呈正相关，高收入国家因更多消费进口深海鱼类而摄入更多污染物。尽管针对全氟辛烷磺酸（PFOS）的国际法规已使其相关风险下降了约72%，但研究团队警告，未受监管的长链全氟和多氟烷基物质（long-chain PFAS）正在成为新的主要健康隐患，其危险指数甚至超过了已被管控的物质。研究发表在 Science 上。

Cell：色氨酸代谢物是维持母胎免疫耐受的关键

怀孕期间肠道微生物的微妙变化如何决定妊娠的成败？康奈尔大学威尔医学院的Melody Y. Zeng团队及其合作者通过深入研究，首次系统性阐明了肠道微生物通过“肠道-胎盘免疫信号轴”促进母胎免疫耐受的机制。该研究不仅揭示了肠道健康与妊娠结局之间的因果联系，还证实了通过调节肠道菌群及其代谢物可以有效预防流产。

研究团队利用无菌小鼠和抗生素处理小鼠模型，发现肠道微生物的缺失会导致母胎界面（MFI）的免疫系统失衡，具体表现为干扰素-γ（IFN-γ）水平过高和白细胞介素-17（IL-17）水平不足，从而引发胎儿吸收。通过代谢组学和免疫学分析，研究人员发现肠道细菌分解色氨酸产生的代谢物（如吲哚）能激活芳香烃受体（AhR）。这一信号通路一方面启动髓源性抑制细胞（MDSC）的功能以抑制有害的IFN-γ，另一方面促进一种特殊的调节性T细胞（RORγt+ Treg）分化并迁移至子宫以维持IL-17的平衡。实验表明，补充色氨酸代谢物或特定的鼠李糖乳杆菌（Lactobacillus murinus）能够恢复免疫平衡并防止流产。此外，研究团队在人类复发性流产患者的临床样本中也观察到了相同的免疫细胞和代谢物异常，进一步验证了该机制的临床相关性。研究发表在 Cell 上。

胚胎植入失败是导致女性不孕的主要原因之一，但由于缺乏合适的研究模型，这一过程长期以来被视为“黑匣子”。Yu Leqian、Wang Hongmei（中国科学院动物研究所）、Jun Wu（得克萨斯大学西南医学中心）、Wei Yulei（中国农业大学）以及 Yang Xiaokui（北京妇产医院）等多团队合作，利用微流控芯片技术成功构建了能够模拟人类胚胎植入全过程的3D体外模型。该研究不仅在体外重现了生命的起始阶段，还为反复胚胎植入失败（Recurrent implantation failure）的治疗提供了新的希望。

研究团队创新性地构建了名为 Endometrioid 的“人工子宫”，它由患者来源的子宫内膜细胞和特制水凝胶组成，不仅在硬度上与真实子宫组织高度接近，还能对激素做出响应。研究人员将人干细胞构建的“人工囊胚”（blastoid）或自然囊胚（blastocyst）引入该芯片，成功复刻了胚胎“定位-粘附-侵入”的完整过程，并支持胚胎发育至植入后12-14天，分化出合体滋养层细胞（STB）和绒毛外滋养层细胞（EVT）。通过单细胞测序，团队揭示了胚胎与母体间通过 VEGFA-VEGFR1 等通路进行的分子对话。更重要的是，针对反复植入失败患者的病理特征，团队利用该模型筛选了1119种药物，成功鉴定出能显著提升胚胎附着率的潜在药物，为临床个性化治疗提供了有力工具。研究发表在 Cell 上。

阿尔茨海默病通常被视为不可逆转的绝症，但Kalyani Chaubey和Andrew A. Pieper等（凯斯西储大学）的研究团队挑战了这一百年教条。他们发现，通过恢复大脑的“能量货币”稳态，不仅能阻止疾病恶化，还能在晚期阶段实现病理和认知功能的逆转。这项研究揭示了大脑内在的“韧性”机制，并证明了针对代谢稳态的干预可能是治疗该病的新方向。

研究团队使用了一种名为P7C3-A20的化合物，对患有晚期阿尔茨海默病的小鼠模型进行了治疗。该化合物能够恢复大脑中的烟酰胺腺嘌呤二核苷酸（NAD+）稳态，这是一种对细胞能量代谢和DNA修复至关重要的分子。实验结果显示，治疗不仅恢复了小鼠的记忆和学习能力，还逆转了包括tau蛋白磷酸化、血脑屏障损伤和神经炎症在内的多种病理特征。此外，研究人员通过对比人类大脑样本，发现那些具有阿尔茨海默病病理但未表现出痴呆症状的个体（NDAN），其大脑中的NAD+稳态得到了良好维持。通过蛋白质组学分析，团队还识别出了46种在小鼠和人类大脑中保守的、与疾病逆转相关的关键蛋白质。这一发现为开发针对人类阿尔茨海默病的新疗法提供了具体的分子靶点。研究发表在 Cell Reports Medicine 上。

迷走神经连接是保持心脏“年轻”的关键：生物工程导管可预防心脏衰老

心脏如何保持年轻和健康？秘密可能藏在迷走神经中。由圣安娜高等研究院的Vincenzo Lionetti教授协调，联合Anar Dushpanova和Eugenio Redolfi-Riva等多位来自医学与生物工程领域的专家组成的国际团队发现，右侧心脏迷走神经是心肌细胞健康的真正守护者。研究表明，在心脏手术中由于神经切断导致的连接丧失会加速心脏衰老，而通过跨学科合作开发的创新疗法可以有效逆转这一过程，为预防术后心力衰竭提供了新思路。

这项研究采用了一种高度跨学科的方法，结合了实验医学与生物工程技术。研究团队在小型猪模型中，使用了一种专门研发的可植入生物可吸收神经导管——壳聚糖/聚己内酯袖套状神经引导导管（chitosan/poly-ε-caprolactone cuff-like nerve guidance conduit），来连接被切断的右侧迷走神经。结果显示，这种导管成功引导了神经的自发再生，恢复了约20%的存活神经束。令人惊讶的是，即使是这种部分的连接恢复，也足以抵消心脏的重塑机制。治疗后的动物不仅心脏机械功能（如环向和纵向应变）得到显著改善，而且氧化应激和衰老标志物也恢复了正常水平，有效防止了间质纤维化的发生。这一发现证明，在手术期间恢复心脏迷走神经支配，可以将临床治疗范式从管理晚期并发症转变为预防心脏过早衰老。研究发表在 Science Translational Medicine 上。

一滴尿液测出身体“真实年龄”：机器学习助力精准抗衰

如何通过非侵入性手段精准测量身体的“真实年龄”？Milos Havelka、Atsushi Satomura 与 Yuki Ichikawa 等研究人员（Craif 公司，名古屋大学未来社会创新研究所）合作开发了一种基于尿液的生物衰老时钟。该团队利用机器学习技术分析尿液样本，成功构建了一个能够准确预测生物学年龄的模型，其预测结果与实际年龄的平均误差仅为 4.4 岁，为预防医学和抗衰老研究提供了便捷的新工具。

这项研究涉及 6,331 名参与者，研究人员采集了他们的尿液样本并提取了其中的细胞外囊泡中的 microRNA 进行测序。通过筛选出 407 个关键特征并结合机器学习算法，团队构建了衰老预测模型。结果显示，该模型在独立测试集中的平均绝对误差约为 4.4 岁，虽然准确性略逊于被视为金标准的 DNA 甲基化时钟，但其性能优于基于血液的 microRNA 和 mRNA 时钟。研究还鉴定了 20 种随年龄变化的 microRNA，它们与骨重塑、细胞衰老及线粒体功能障碍等过程密切相关。不过，研究人员也指出，该模型在 25 岁以下和 80 岁以上人群中的预测效能有所下降，需谨慎使用。这是首个经过大规模验证的尿液 microRNA 衰老时钟，突显了其作为非侵入性生物标志物的潜力。研究发表在 npj Aging 上。

神经化学信号是大脑信息处理中快速、灵活且不可或缺的方式，但现有技术难以在活体中高精度、多维度地捕捉和调控这些信号。为了克服这些局限，首尔国立大学的Yeji Kim和Seongjun Park在 Nature Reviews Neuroscience 上发表综述，系统性阐述了从传统方法到变革性多模态平台的演进，提出了未来神经疾病治疗的核心工具——神经化学接口。

传统方法在活体中准确捕捉神经化学信号时，面临时空分辨率（spatiotemporal resolution）、分子特异性（molecular specificity）和解剖兼容性（anatomical compatibility）的挑战。早期电化学技术如快速扫描循环伏安法（FSCV）实现了亚秒级时间分辨率，能够动态检测多巴胺等电活性神经递质。随后，基于基因编码荧光探针的光学方法拓展了检测范围，实现了细胞特异性的高空间精度测量。然而，这些技术大多只能被动监测单一化学物质。为弥补这一不足，研究者开发了混合型接口，将神经刺激与化学传感集成，在同一平台实现同步监测与干预，从而揭示神经环路的因果关系。未来，下一代变革性多模态平台将进一步突破，具备全脑覆盖、多分析物同步检测（如多巴胺、乙酰胆碱、血清素、GABA等）、远程无创监测（如近红外光学技术）以及无线操作等核心特征，能够将神经化学变化与动物自由行为精准关联。这些先进接口将神经化学感知推向前沿，不仅有助于系统解析认知、行为及疾病背后的“化学逻辑”，更将彻底改变监测、解读和调控大脑功能的方式，为开发精准、靶向的神经调控疗法提供了前所未有的可能性。研究发表在 Nature Reviews Neuroscience 上。

为何难以戒除坏习惯？大脑“刷新”线索价值的速度是关键

为什么有些人难以摆脱有害习惯，甚至在明知风险的情况下仍被环境线索左右？Giuseppe di Pellegrino和Luigi A.E. Degni及其团队（博洛尼亚大学）通过结合行为实验与计算模型，深入探索了大脑处理环境线索与决策之间的机制。研究发现，那些对环境线索高度敏感的人，其决策系统并非过度重视线索，而是因为无法及时更新对线索价值的评估，从而导致了僵化的决策模式。

该研究招募了60名参与者进行了一项复杂的巴甫洛夫-工具性迁移（Pavlovian-to-Instrumental Transfer）任务，该任务旨在模拟环境线索如何影响以奖励为导向的行为。研究人员利用眼动追踪技术将参与者分为两类：倾向于关注线索本身的信号追踪者（sign-trackers）和倾向于关注奖励位置的目标追踪者（goal-trackers）。实验结果结合计算建模分析显示，虽然两组人都能学习任务，但信号追踪者在决策时更容易受到巴甫洛夫线索的干扰。关键发现在于，这种干扰并非源于他们给予了线索过高的权重，而是因为他们的巴甫洛夫价值更新（Pavlovian value updating）速度显著慢于常人。这意味着当环境线索不再预示奖励或开始预示风险时，这些人难以调整原有的信念，继续执行过时的行为模式。这一机制为理解成瘾、强迫症和焦虑症中的适应不良行为提供了新的神经计算框架。研究发表在 Journal of Neuroscience 上。

社交隔离直接加速认知衰退，独立于孤独感之外

客观的社交缺失是否比主观的孤独感更伤大脑？Jo Mhairi Hale、Angelo Lorenti和Solveig A Cunningham等研究人员（圣安德鲁斯大学、马克斯·普朗克人口研究所、埃默里大学）通过一项大规模研究，区分了社会孤立与孤独感对老年人认知健康的具体影响。研究结果证实，社会孤立是导致认知能力加速下降的直接原因，这一发现为应对阿尔茨海默病等日益严重的公共卫生挑战提供了新的干预视角。

该研究分析了美国健康与退休研究中超过3万名老年人在14年间（2004-2018）进行的13.7万次认知测试数据。团队采用了一种名为g公式（g-formula，一种用于处理复杂随时间变化数据的因果推断统计方法）的模型，精准剥离了各项因素。结果显示，客观的社会孤立（social isolation）直接导致了更快的认知衰退，而这种影响仅有6%是通过孤独感（loneliness，即个体对社会关系的主观不满）间接产生的。这意味着，即使一个人并不感到孤独，缺乏社交接触本身也会损害大脑功能。此外，研究发现这种规律在不同性别、种族、民族和教育背景的人群中具有高度一致性。减少社会孤立对所有亚群体的认知功能均表现出保护作用。研究发表在 The Journals of Gerontology, Series B: Psychological Sciences and Social Sciences 上。

基因并非遗传性失明的决定性因素

携带“致病基因”是否就意味着必然患病？长期以来，遗传性视网膜变性被认为是典型的单基因遗传病，即只要携带特定的基因突变，几乎100%会导致失明。然而，Eric A. Pierce及其团队（麻省眼耳医院/哈佛医学院）的一项颠覆性研究挑战了这一传统认知。研究人员通过分析大规模人群数据发现，这些曾被认为具有完全外显率的遗传变异，在普通人群中的实际致病率竟不到30%。这一发现表明，单凭基因突变并不足以决定疾病的发生，推翻了该领域沿袭百年的孟德尔遗传范式，暗示了其他遗传或环境因素在疾病显现中的关键作用。

为了克服传统临床研究中存在的确定性偏差，即仅关注已患病群体从而高估基因致病风险，研究团队采用了“反向遗传学”策略。他们利用了美国“我们所有人”研究计划（All of Us Research Program）和英国生物样本库（UKB）的海量数据。在对超过31万名参与者进行筛查后，研究人员锁定了481名携带明确遗传性视网膜变性（IRDs）致病基因型的个体。惊人的是，通过分析电子健康记录和视网膜影像数据，团队发现这些携带“必致病”基因的人群中，仅有9.4%至28.1%真正表现出了视网膜病变的特征。这一极低的外显率数据在两个独立的生物样本库中得到了相互验证。研究指出，这种差异意味着疾病的发生需要额外的遗传修饰因子或环境触发因素的参与，这对未来的基因检测咨询和新疗法开发具有深远的临床意义。研究发表在 The American Journal of Human Genetics 上。

双相情感障碍新解：肠道菌群失调导致前额叶皮层连接受损

双相情感障碍（BD）患者不仅面临情绪的极端波动，其肠道内的微生物生态也往往处于失调状态。为了解开这两者之间的因果链条，Anying Tang、Yiwen Chen和Shaohua Hu等研究人员（浙江大学、南湖脑机接口研究所等）通过跨物种实验，深入探究了肠道菌群对大脑神经回路的具体影响。该研究首次证实，源自人类患者的“抑郁型”肠道菌群能够直接改变大脑的物理连接，为双相抑郁症的病理机制提供了新的解释。

在这项研究中，团队采集了处于抑郁发作期的双相情感障碍患者的肠道菌群，并将其移植到健康小鼠体内。结果显示，这些小鼠随后表现出了典型的类抑郁行为。通过深入分析大脑结构，研究人员发现小鼠的内侧前额叶皮层神经元发生了显著变化，其树突棘密度降低，这意味着神经元之间的通讯能力减弱。更关键的是，研究揭示了腹侧被盖区（VTA，大脑中产生多巴胺、调控动机和奖赏中心的核心区域）与内侧前额叶皮层之间的连接减少，导致多巴胺信号传递受阻。多巴胺的缺失正是导致快感缺失和动力不足的主要原因。这一发现表明，肠道菌群通过破坏特定的大脑奖赏回路诱发了抑郁症状。研究发表在 Molecular Psychiatry 上。

利用微型大脑揭示孤独症患者大脑过度生长的细胞机制

大脑过度生长被认为是孤独症的一个早期生物标志物，但其背后的细胞机制一直未被完全解明。北卡罗来纳大学教堂山分校医学院的Jason L. Stein、Madison R. Glass和Nana Matoba等人通过在实验室中培育来源于特定个体的微型大脑，成功模拟了婴儿大脑的发育轨迹，并识别出导致大脑过度生长的关键细胞类型和基因。

这项研究依托于婴儿脑成像研究（IBIS）项目，研究团队选取了18名拥有详细婴儿期纵向磁共振成像（MRI）数据的参与者。研究人员采集了这些个体的血液样本，将其重编程为诱导多能干细胞（iPSCs），并进一步诱导分化为皮层类器官。通过将这些体外培养的微型大脑与参与者实际的脑影像数据进行对比，团队发现类器官的大小及特定细胞比例与个体体内的皮层表面积生长速率高度相关。研究重点锁定了两类细胞：神经祖细胞（neural progenitor cells）和脉络丛上皮细胞（choroid plexus epithelial cells）。数据分析显示，神经祖细胞中的基因表达水平直接关联大脑体积的大小，且这些细胞中富集了与神经发育障碍相关的基因。这一发现不仅验证了类器官在模拟个体大脑发育差异方面的保真度，也为未来研究环境毒素及遗传因素如何诱发孤独症提供了精准的实验平台。研究发表在 Cell Stem Cell 上。

构建虚拟组织模拟器与分析工具破解细胞通讯密码

为了破解体内细胞间复杂的“对话”机制，Xiaoyu Song、Patrick Tan及其团队（杜克-新加坡国立大学医学院）开发了两款革命性的计算工具：sCCIgen和QuadST。这项研究不仅解决了空间转录组学中缺乏验证标准的难题，还成功在脑组织和肿瘤中识别出关键的通讯基因，为解析阿尔茨海默病和癌症的病理机制提供了强有力的技术支持。

研究团队首先开发了sCCIgen，这是一个首创的虚拟组织模拟器。针对生物学数据中常缺乏“真实值”（ground truth）的问题，sCCIgen能生成包含确切细胞位置和基因活动模式的虚拟组织，如同飞行模拟器一般，让科学家在受控环境中验证其分析方法的准确性。它可以整合单细胞图谱等多种数据，模拟复杂的相互作用模式。配合使用的另一款工具QuadST则专注于分析真实世界的空间转录组学数据。QuadST通过建模基因活性随细胞间距离变化的规律，克服了数据噪声干扰，直接检测细胞间的通讯信号。在对脑组织的应用中，QuadST识别出了数百个在神经细胞相互作用时发生变化的基因，这些基因多与突触功能相关，有助于理解癫痫及神经退行性疾病。该工具组合为探索疾病中细胞通讯的破坏机制提供了全新途径。研究发表在 Genome Biology 上。

针对晚期年龄相关性黄斑变性导致的失明问题，Science Corp（Max Hodak）团队取得了重大临床突破：他们开发的PRIMA视网膜电子假体系统成功帮助多名严重视力受损的患者恢复了精细视力，使其不仅能识别视力表上的字母和数字，甚至能够阅读书本内容。

这项研究的核心技术是名为PRIMA的微型仿生系统，它由植入视网膜下方的光伏芯片和特制的智能眼镜组成。该芯片表面覆盖着蜂窝状排列的微型六边形“太阳能电池单元”，总计拥有378个光驱动像素。在工作时，智能眼镜通过摄像头捕捉外部世界的画面，并通过内置的红外投影模块（Infrared Projection Module）将图像编码为红外光束，精确地投射到眼底的植入物上。这些光束为芯片提供能量并传输数据，芯片随即将光信号转换为电信号，直接刺激视网膜中剩余的双极细胞（Bipolar Cells）。这种机制成功“绕过”了因病退化的视杆细胞和视锥细胞，重新建立了眼睛与大脑之间的视觉通路。该系统的成功表明电子视网膜技术已具备恢复复杂视觉任务（如阅读）的能力。研究发表在 New England Journal of Medicine 上。

让大脑“安静”下来：Homer1基因通过降低背景噪音提升注意力

注意力缺陷多动症（ADHD）患者常面临无法有效过滤环境干扰的挑战。为了寻找调控注意力的遗传根源，Zachary Gershon 和 Priya Rajasethupathy 等人（洛克菲勒大学）开展了一项开创性研究。他们发现，Homer1基因在注意力发育中起着至关重要的作用，通过降低该基因的表达水平，可以让大脑活动更加“平静”，从而显著提升注意力，这为开发非兴奋剂类的ADHD治疗药物提供了新方向。

研究团队采用了无偏倚的正向遗传学方法，对近200只具有高度遗传多样性的小鼠进行了基因组扫描。结果在13号染色体上锁定了一个关键位点，发现前额叶皮层中 Homer1基因及其特定变体（Homer1a 和 Ania3）水平较低的小鼠，在注意力任务中表现更佳。进一步的机制研究揭示，在青春期这一关键发育窗口降低Homer1水平，会促使神经元上调 GABA受体。这种变化增强了大脑的抑制性张力，有效降低了背景神经活动的“噪音”，使得大脑在接收重要信号时反应更加精准。与传统兴奋剂药物增强信号的原理不同，这种机制类似于冥想带来的镇静效果。研究还指出，这种干预仅在发育早期有效。研究发表在 Nature Neuroscience 上。

空气污染物加速青少年大脑皮质变薄

常见的空气污染是否正在悄然重塑青少年的大脑结构？Calvin A. Jara和Bonnie J. Nagel等人（俄勒冈健康与科学大学）通过一项大规模纵向研究发现，接触日常水平的空气污染物会加速青少年关键脑区的皮质变薄。研究指出，这种结构性改变甚至发生在污染水平低于现行安全标准的地区，提示环境因素可能对青少年长期的认知和情绪健康构成隐形威胁。

研究团队利用了美国最大的青少年大脑发育纵向数据集——ABCD研究（Adolescent Brain Cognitive Development Study），对近11,000名9至10岁的儿童进行了长达数年的跟踪分析。研究人员结合地理编码技术估算了参与者居住地的污染物暴露水平，并通过多波次的磁共振成像数据监测大脑结构变化。结果显示，细颗粒物（PM2.5）和二氧化氮（NO2）的暴露与额叶和颞叶区域的皮质厚度加速变薄显著相关。这些脑区主要负责执行功能、语言处理及情绪调节。值得注意的是，即便在空气质量符合美国环境保护署“安全”标准的地区，这种加速老化的迹象依然存在。相比之下，臭氧（O3）对皮质结构的影响甚微。该发现强调了改善空气质量对保护青少年神经发育的重要性。研究发表在 Environmental Research 上。

曼彻斯特大学开发新框架，揭示AI在生物医学逻辑推理中的“短板”

人工智能是否真的具备逻辑思考能力，还是仅仅在进行概率匹配？为了解答这一关乎医疗安全的关键问题，Magdalena Wysocka, Danilo Carvalho, André Freitas及其团队（曼彻斯特大学）开发了一套名为SylloBio-NLI的系统性测试框架。该研究通过将经典的逻辑结构应用于生物医学数据，揭示了当前AI模型在处理科学推理时存在的局限性，为未来构建更负责任的医疗AI系统提供了重要依据。

研究团队利用SylloBio-NLI框架，结合领域特定的本体（ontologies，即对特定领域概念及其关系的规范化描述），生成了大量生物医学领域的三段论（syllogisms，一种由大前提、小前提推出结论的演绎推理形式）。团队对8种先进的开源大型语言模型进行了测试。结果显示，在零样本条件下，模型在复杂逻辑任务上的表现并不理想。虽然提供少量示例的少样本策略能显著提升如Llama-3等模型的得分，但研究发现这些模型对措辞的细微变化高度敏感。这意味着AI可能并未真正掌握抽象的逻辑规则，而是依赖于表面的词汇模式。这一发现表明，现有的AI模型尚未达到生物医学研究和临床决策所需的安全性和鲁棒性标准。

AI驱动的“隐形”腿套实现老年人衰弱早期检测

为了改变老年人护理中“跌倒后才治疗”的被动模式，亚利桑那大学的Kevin Albert Kasper和Philipp Gutruf等人开发了一种新型可穿戴设备。该设备结合了人工智能技术，能够持续监测佩戴者的步态，从而识别出身体衰弱的早期预警信号，为预防性医疗干预提供了可能。

该研究开发了一种佩戴在大腿下部的柔软3D打印网状袖套，旨在实现“隐形”佩戴体验。该设备通过内置微型传感器监测腿部的加速度、运动对称性和步态变异性（step variability，指行走时步长或步时的波动程度）。为了解决长期监测产生海量数据导致电池耗尽和传输困难的问题，团队采用了边缘人工智能（Edge AI，即在设备本地直接处理数据而非上传云端）技术。这使得数据传输量减少了99%，无需高速网络即可运行，且配备了远距离无线充电功能。在体内试验中，该设备的评估结果与临床金标准高度一致，证明了其在无需佩戴者干预的情况下进行长期、高保真度健康监测的能力，尤其适用于医疗资源匮乏地区的远程护理。研究发表在 Nature Communications 上。

临床笔记中的AI较量：GPT-4与规则算法在阿尔茨海默病表型提取中的对决

如何从纷繁复杂的医生手写笔记中精准提取阿尔茨海默病的关键信息？Inez Y. Oh, William J. B. Powell, Aditi Gupta等人开展了一项对比研究，测试了多种顶尖人工智能模型与传统算法在处理非结构化临床数据时的能力。该研究旨在评估不同技术在识别痴呆症相关症状和病史方面的准确性与实用性，为未来临床数据自动化处理提供了重要参考。

研究团队收集了100份真实的临床笔记，涵盖了认知衰退行为、合并症及脑成像结果等关键指标，并将这些非结构化文本交给不同的处理系统进行测试。被测试的对象包括传统的基于规则的自然语言处理流程，以及四款当下流行的大型语言模型：GPT-4、Phi-4、DeepSeek 和 LLaMA。研究人员将这些系统的输出结果与临床医生的专业标注（黄金标准）进行了比对。

结果显示，在综合性能上，GPT-4凭借极高的召回率和F1分数表现最佳，尤其擅长捕捉各种细微的表型线索。然而，传统的基于规则的方法在精确度上拔得头筹，能够有效减少误报。相比之下，DeepSeek等模型在处理复杂表型时表现出了一定的不稳定性。此外，研究还发现大型语言模型有时会产生“幻觉”，例如错误地将过往病史推断为当前的影像学证据。研究结论指出，如果目标是进行高风险的治疗决策，高精确度的规则方法更为安全；而对于大规模的初步筛查，高召回率的GPT-4则更具优势。研究发表在 npj Dementia 上。

人工智能的快速发展可能正在终结廉价且大数据的社会科学研究时代。来自达特茅斯学院的Sean Westwood、哥伦比亚大学的Yamil Velez以及剑桥大学的Jon Roozenbeek等研究人员发现，复杂的AI机器人程序正在污染旨在揭示人类行为的在线调查和游戏。最新的大型语言模型不仅能快速生成大量虚假数据，还能通过模仿人类行为来规避检测，这使得研究人员难以区分真实参与者和机器代码，被称为打开了“潘多拉的魔盒”。

Sean Westwood通过编写代码，将在线问卷的问题提取并输入给OpenAI的o4-mini模型，进行了300次重复测试。结果显示，该AI代理能够100%成功逃避反作弊检测。例如，当面对“如果是人类输入17，如果是LLM输入圆周率”的指令时，它能欺骗性地输入“17”。更令人担忧的是，该模型还能模拟人类的鼠标移动，以真实的速度逐字输入并修正拼写错误，甚至根据设定的人物设定（如拥有博士学位或富裕阶层）调整回答的逻辑复杂度和内容。尽管CloudResearch等平台试图开发基于物理交互的检测工具，但马克斯·普朗克人类发展研究所的Anne-Marie Nussberger指出，这种“猫鼠游戏”中，AI的扩展能力可能导致数据大规模污染，甚至迫使科学家放弃在线研究这一重要工具。这项研究发表在 Proceedings of the National Academy of Sciences 上。

“更廉价”的工蚁促进了蚂蚁社会规模扩大与物种多样化

蚂蚁社会如何权衡个体质量与群体数量？Arthur Matte、Benoit Guénard和Evan P. Economo等研究人员通过分析大规模蚂蚁样本，揭示了这一演化谜题。他们发现，蚂蚁社会规模的扩大并非依赖于工蚁体型的缩小，而是通过减少对昂贵外骨骼的投入，制造出“更廉价”的工蚁，这一策略同时也加速了蚂蚁物种的多样化。

该研究利用三维X射线显微断层扫描（X-ray microtomography）技术，结合计算机视觉算法，对来自507个物种的880个蚂蚁标本进行了高精度分析。研究团队开发了一种自动分割程序，能够从扫描数据中精确提取表皮（cuticle）和身体的体积。表皮是昆虫的外骨骼，富含氮及锌、锰等稀缺元素，构建成本极高。分析结果显示，群体规模越大的物种，其工蚁的表皮投入显著降低，这种资源节省策略使得蚁群能够生产更多的个体。相比之下，传统的观点认为大群体依赖于工蚁的小型化，但本研究并未发现体型缩小与大群体之间的主要关联。此外，数据还表明，这种“减负”策略与更快的物种分化速率相关，特别是在蚁亚科（Formicinae）等类群中表现明显。虽然饮食结构和气候环境也会影响表皮厚度，例如捕食性蚂蚁通常拥有更厚的“盔甲”，但减少结构投入以换取数量优势，被证实是复杂昆虫社会演化中的关键战略趋势。研究发表在 Science Advances 上。

超越解码精度：AI联合建模如何重塑我们对大脑行为的理解

如何将高维的神经元活动与复杂的动物行为数据有机结合，是理解大脑工作原理的关键。来自瑞士洛桑联邦理工学院（EPFL）的Mackenzie Weygandt Mathis和Alexander Mathis团队在顶级期刊发表综述，系统性地总结了利用人工智能联合建模神经数据与行为数据的最新进展，旨在打破数据孤岛，为神经科学研究提供全新的理论框架和技术路线。

该研究详细解析了深度学习在“大脑-行为”联合建模中的三大核心范式：判别式模型（Discriminative models）、生成式模型（Generative models）以及作为重大突破的对比式模型（Contrastive models）。研究指出，以CEBRA算法为代表的对比式模型，不再强求重构原始数据，而是通过InfoNCE损失函数学习具有“可识别性”的潜在表征，有效解决了生成式模型在重构误差上的局限。同时，文章强调了行为分析的层次化变革，利用AI工具将行为分解为“活动-动作-运动基元”的结构，提供了更丰富的语义信息。此外，作者提出了评估模型的新标准——“可信度”，包含一致性、可识别性和鲁棒性三个维度。这一新框架不仅有助于构建大脑的“数字孪生”，也将显著提升下一代脑机接口在解读意图时的准确性与稳定性。研究发表在 Nature Reviews Neuroscience 上。

“AI 顾问”进驻自主实验室：人机协作实现电子材料性能150%提升

全自动化的实验室虽然高效，但在面对复杂且数据稀缺的科研任务时，往往缺乏人类科学家的直觉与应变能力。阿贡国家实验室（Argonne National Laboratory）与芝加哥大学（The University of Chicago）的研究团队提出了一种全新的“人机共有主控权”模式，通过引入“AI 顾问”决策模型，将人类智慧与机器智能无缝结合。这一创新不仅优化了实验流程，更在电子材料研发领域取得了突破性进展，大幅提升了材料性能。

该研究团队开发了一种受金融高频交易软件启发的“AI 顾问”系统，并将其部署在名为 Polybot 的自主实验室中，用于探索一种关键的电子材料——混合离子-电子导电聚合物（MIECPs）。与传统全自动系统不同，该系统能实时监控实验数据，当识别到性能瓶颈或趋势异常时，会主动提示人类研究者介入以调整实验策略或参数空间。通过这种协作，团队利用有机电化学晶体管（OECTs）对材料进行了严格的性能评估。实验结果显示，在仅仅64次自主试验中，该平台就实现了材料混合导电优值（$\mu C^*$）的大幅跨越，最高达到 1,275 F cm⁻¹ V⁻¹ s⁻¹，相比现有最先进技术提升了约 150%。此外，通过对实验数据的深度分析，AI 顾问帮助团队锁定了提升体积电容的两个关键结构因素：更大的晶体层状间距和更高的比表面积，并意外发现了一种此前未知的聚合物多晶型结构。这一成果证明，在科学探索中保留人类的决策权，能有效弥补纯AI驱动在小样本数据下的短板。研究发表在 Nature Chemical Engineering 上。

人工智能无法完全像人类一样写作

尽管人工智能生成的文本日益流畅，它是否真的掌握了人类写作的精髓？James O'Sullivan及其团队（科克大学学院）通过首个系统的文体学对比研究给出了否定答案。研究发现，虽然AI系统能够生成语法完美的散文，但其写作风格表现出明显的统一性和狭隘性，与人类作者丰富多样的个性化表达形成了鲜明对比，这表明机器写作仍带有可识别的“数字指纹”。

为了量化这种差异，研究团队应用了文学文体计量学（Literary stylometry）——一种传统上用于鉴定文学作品作者身份的计算方法。研究人员利用Burrows' Delta算法，分析了人类作家与GPT-3.5、GPT-4及Llama 70b等大型语言模型在创作短篇小说时常用词汇的分布模式。结果显示，AI生成的文本在统计上呈现出高度紧密的聚类，反映了算法生成的单一和可预测性；相比之下，人类的写作则展现出巨大的风格差异，体现了独特的个人声音和创作意图。即便是目前最先进的GPT-4，尽管其内部一致性有所提高，但在风格特征上依然无法与人类作品“无缝融合”。该研究强调，尽管AI在功能性写作上表现出色，但在涉及创意和个性的文学创作领域，它尚未跨越模仿与真实表达之间的鸿沟。研究发表在 Humanities and Social Sciences Communications 上。

拒绝“高分低能”：SDE框架评估AI真实科研水平

大型语言模型在科学领域的应用日益广泛，但现有的测试往往只考察死记硬背的知识，无法衡量其真正的科研发现能力。针对这一问题，Zhangde Song, Jieyu Lu, Yuanqi Du, Haojun Jia, Huan Sun, Seyed Mohamad Moosavi, Chenru Duan等研究人员（Deep Principle，康奈尔大学，俄亥俄州立大学，多伦多大学等）开发了一套全新的评估框架，旨在揭示大模型在真实科研场景中的表现。

研究团队提出了一种名为“科学发现评估”（Scientific Discovery Evaluation, SDE）的框架，该框架覆盖生物、化学、材料和物理四大领域。与传统脱离语境的问答测试不同，SDE由领域专家定义真实的科研项目，并将其分解为模块化的研究场景。评估分为两个层面：一是场景相关的问题级准确性；二是项目级性能，要求模型像科学家一样提出假设、设计模拟实验并解释结果。对当前最先进模型的测试结果显示，模型在SDE中的表现明显逊色于通用科学基准测试，且单纯扩大模型规模带来的收益正在递减。研究发现，虽然目前的模型距离通用的科学“超级智能”仍有较大差距，且存在系统性缺陷，但它们在特定引导下的探索中仍展现出辅助科研的潜力。

人工智能在博弈中因高估人类理性而落败

人工智能真的很聪明吗？在策略博弈中，有时“太聪明”反而不是好事。Dmitry Dagaev、Sofia Paklina、Petr Parshakov 和 Iuliia Alekseenko 等研究人员（国立研究型大学高等经济学院与洛桑大学）通过一系列实验发现，现有的主流人工智能模型在预测人类行为时，往往因为高估了人类的理性水平而导致决策失败。

为了测试人工智能的策略思维，研究团队利用大型语言模型复现了经典的“猜数字”游戏（Guess the Number game）。这是一种凯恩斯选美比赛（Keynesian beauty contest）的变体，规则要求参与者从0到100中选出一个数字，获胜者的数字需最接近所有人平均值的一定比例（通常是2/3）。在理论上的纳什均衡中，绝对理性的玩家最终都会选择0。研究人员测试了包括 ChatGPT-4o 和 Claude-Sonnet-4 在内的五种模型，让它们针对不同类型的虚拟对手（如大一新生或博弈论专家）进行决策。结果显示，虽然AI能够根据对手身份调整策略，但它们普遍假设人类对手拥有比实际更高的逻辑水平。因此，AI 往往选择过小的数字，试图“预判”理性的对手，结果输给了选择较大数字、不够理性的人类大众。此外，尽管AI表现出复杂的策略适应性，但它们在简单的双人博弈中仍难以识别出绝对的占优策略（dominant strategies）。研究发表在 Journal of Economic Behavior & Organization 上。

GPT-5 首次提供核心理论突破，助力量子力学基础研究

量子力学的演化本质究竟是线性的还是非线性的？这一直是物理学界争论的基础问题。密歇根州立大学的Stephen Hsu利用人工智能挑战了传统的研究范式。他并未将AI仅作为计算工具，而是通过与GPT-5的深度协作，获得了一个全新的理论切入点。最终，这项由AI提供核心灵感的研究证明了在量子力学中引入非线性修正极其困难，相关成果已发表在物理学顶刊上，标志着人机协作科研模式的重大转折。

在这项突破性研究中，Stephen Hsu采用了一种被称为生成-验证（Generate-Verify）的全新工作流。当他询问如何检查非线性量子演化与相对论的兼容性时，GPT-5主动提议使用Tomonaga-Schwinger形式（Tomonaga-Schwinger formalism，一种允许在任意类空间超曲面上描述量子态演化的理论框架）进行分析。遵循这一AI提出的核心思路，研究推导了保证物理结果不随切片方式改变（即叶片无关性）所需满足的可积性条件。

分析结果显示，一旦在局域哈密顿量中引入非线性或状态依赖项，这些严格的数学条件几乎总是被破坏。这意味着，任何试图修改量子力学线性结构的尝试，要么会破坏相对论协变性，要么需要极其不自然的精细调整。这一发现不仅在理论物理层面具有重要意义，更展示了AI已具备提供高阶科学直觉的能力。研究发表在 Physics Letters B 上。

GPT的情绪宣泄与惩罚：从混乱到秩序的演变

AI是否也会像人类一样为了“解气”而惩罚不公？Guangrong Wang, Jianbiao Li, Wenhua Wang, Yue Wang 和 Xiaofei Niu 等研究人员通过一系列行为经济学实验，揭示了GPT模型在情感宣泄能力上的演变。研究发现，随着模型版本的迭代，GPT的情绪宣泄行为从早期的混乱状态逐渐演变为高度有序，其中GPT-4o展现出了更接近人类的行为倾向，表明人工智能开始具备此前被认为不可能拥有的复杂情感处理能力。

该研究让不同版本的GPT参与独裁者博弈（Dictator Game）和最后通牒博弈（Ultimatum Game），以测试其在面对不公平分配时的第三方和第二方惩罚决策。实验设置了三种条件：无情绪表达的基线条件、允许自由撰写信息的“自我表达”条件，以及强制使用愤怒语言的“不满表达”条件。结果显示，GPT-3.5在情绪宣泄上表现混乱，缺乏一致性；而GPT-4则能通过直接惩罚或发送信息有序地宣泄情绪。有趣的是，与人类通常通过表达情绪来减少实际惩罚不同，GPT的行为机制似乎更多地受到公平规范（fairness norm）的驱动。这表明虽然AI的情绪宣泄能力已经显现，但其内在的认知与决策逻辑仍与人类存在差异。研究发表在 Humanities and Social Sciences Communications 上。

降低可解释人工智能的门槛：LLM 的控制技术可减少 90% 以上的资源需求

为了解决大型语言模型在可解释性和可靠性研究中面临的高昂资源壁垒，Danilo S. Carvalho和André Freitas等研究人员（曼彻斯特大学）开发了名为LangVAE和LangSpace的新型软件框架。这项成果显著降低了控制和测试模型所需的硬件与能源门槛，降幅超过90%，为构建更值得信赖的人工智能系统提供了强有力的工具。

该研究的核心在于一种高效的技术，能够在预训练的语言模型之上模块化地构建变分自编码器（Variational Autoencoders, VAEs）。LangVAE框架通过构建压缩的语言表示，使得研究人员能够利用几何方法来解释和控制模型。这意味着模型的内部语言模式被视为空间中的点和形状，可以对其进行测量、比较和调整，而无需更改模型本身。配套开发的LangSpace框架则提供了解耦度量（disentanglement measures）和向量遍历等探测方法，用于深入分析这些潜在空间（latent space）。这种方法不仅保留了模型处理复杂任务的能力，还通过一种新型的潜在向量反池化（unpooling）技术，极大地减少了计算和内存需求。这一突破使得更多初创公司和研究团队能够参与到医疗保健等关键领域的可靠AI开发中。研究发表在 arXiv 上。

巨型模型的轻量化替代：LLM时代小型语言模型全面综述

在大型语言模型主导人工智能发展的当下，其高昂的计算成本、巨大的内存需求以及云端部署带来的隐私隐患，限制了其在边缘设备和特定领域的广泛应用。针对这一挑战，Fali Wang、Zhiwei Zhang等人开展了一项全面调查，系统地梳理了小型语言模型（SLMs）的发展现状。研究团队不仅重新界定了SLM的概念，还深入分析了其技术路径、应用潜力以及与大型模型的协同机制，旨在为资源受限环境下的高效AI应用提供理论支持和实践指南。

该研究发表在 ACM Transactions on Intelligent Systems and Technology 上。研究团队首先解决了SLM定义模糊的问题，提出了一项基于任务能力和资源约束的标准：SLM的规模应介于展现特定任务涌现能力（emergent abilities）的最小值与受限资源可承受的最大值之间。在技术层面，文章详细阐述了从头训练（training from scratch）、微调（fine-tuning）、知识蒸馏（knowledge distillation）和量化（quantization）等提升SLM性能的关键方法。研究还重点探讨了SLM在边缘设备上的部署策略，指出其在保护隐私和降低推理延迟方面的独特优势。此外，团队分析了SLM与LLM的协同效应，即如何利用“云端LLM+本地SLM”模式或通过SLM作为模块来增强LLM的功能。最后，研究者建立了GitHub仓库以汇编相关模型，并审视了SLM在幻觉和安全性方面的可信度问题。

大模型“密度定律”：每3.5个月能力密度翻倍

大语言模型通常被认为“越大越强”，但这种规模扩张带来了巨大的计算成本。针对这一痛点，Chaojun Xiao, Zhiyuan Liu, Maosong Sun等研究人员提出了一种全新的评估指标，旨在量化模型的效率演进。通过分析近年来发布的51个开源模型，研究团队揭示了模型性能与参数效率之间的深层规律，证明了在不单纯依赖堆砌参数的情况下，模型能力的增长速度远超预期。

该研究引入了能力密度（Capability Density）这一概念，将其定义为模型单位参数所包含的有效能力，以此作为衡量模型“含金量”的统一标准。研究团队在多个主流基准测试中对不同规模的开源模型进行了评估，发现了一个惊人的“密度定律”（Densing Law）：大模型的最大能力密度正以指数级速度增长，大约每3.5个月就会翻一番。这意味着，要在未来达到当前最先进模型的性能，所需的参数规模将大幅减少，从而导致推理成本呈指数级下降——数据显示推理价格约每2.6个月减半。此外，研究还指出，真正的高密度模型并非源于简单的模型压缩，而是得益于更高质量的训练数据、稀疏专家模型等高效架构以及先进的训练策略。这一发现预示着端侧智能的爆发将比预期更早到来，高效能小模型将成为未来的发展重心。研究发表在 Nature Machine Intelligence 上。

大语言模型在学习新知识时是否公平？Chenglong Wang与Fangzhao Wu等人（微软等机构）的研究揭示了一个令人担忧的趋势：AI正在数字世界中构建“语言马太效应”。研究团队发现，尽管模型在不断进化，但在处理低资源语言（如斯瓦希里语）的新知识习得时，其表现显著落后于高资源语言（如英语），这不仅体现在学习速度上，更深植于模型的底层架构中。

该研究针对19种不同资源等级的语言和4个主流大模型进行了系统性测试。研究人员构建了包含虚构未来场景和医学知识的多语言平行数据集，确保知识内容的同一性。通过上下文学习和微调两种方式，团队量化了模型表现。结果显示，模型在低资源语言下的学习效率极低，往往需要双倍的训练轮次才能接近高资源语言的水平。更严重的是，在“知识冲突”实验中，当英语答案与低资源语言答案矛盾时，模型有87%的概率会“站队”英语。此外，通过分析分词器和“语言神经元”（Linguistic Neurons，模型内专司特定语言处理的神经元），研究揭示了低资源语言因分词破碎化和神经元重叠度低，导致了知识迁移困难和鲁棒性差。这一发现表明，若不进行底层设计的干预，AI可能会进一步拉大全球信息鸿沟。研究发表在 PNAS 上。

当AI“学习”创意作品时：法律学者提出“学习权”以解决版权僵局

随着生成式人工智能日益依赖海量数据进行训练，如何平衡技术进步与创作者权益成为亟待解决的难题。Frank Pasquale（康奈尔科技学院）、Thomas W. Malone（麻省理工学院斯隆管理学院）以及Andrew Ting（乔治·华盛顿大学）组成的跨学科研究团队，针对当前版权制度在AI时代的局限性，提出了一项具有突破性的法律创新方案，旨在为这一困境寻找出路。

该研究的核心在于提出一种被称为学习权（Learnright）的新型知识产权概念。研究人员认为，当前的版权法在面对机器大规模学习时存在灰色地带，因此建议在现有的六项创作者专属权利之外，增加针对机器学习的第七项权利。这种机制并不禁止AI训练，而是要求建立许可制度，使科技公司通过市场协商获得特定数据集的使用权。研究指出，这种做法不仅能通过集体授权组织解决法律纠纷，还能避免模型崩溃（model collapse），即AI模型因反复摄入自身生成的低质量数据而导致的性能退化。通过确保人类创作者获得合理补偿，社会能维持高质量原创内容的持续产出，从而防止AI生态系统的枯竭。这一方案试图在保护创作者尊严与促进技术创新之间找到一条中间道路，为政策制定者提供了务实的参考。研究发表在 Journal of Technology and Intellectual Property 上。

大型语言模型虽强大但常犯错，如何让AI代理在出错时自动回溯并修正，同时不增加繁重的编程负担？Zhening Li、Armando Solar-Lezama（麻省理工学院计算机科学与人工智能实验室）联合Yisong Yue和Stephan Zheng（Asari AI）开发了名为“EnCompass”的框架。该工具成功将AI代理的搜索策略与核心逻辑分离，大幅降低了开发具备自我修正能力智能体的难度。

EnCompass框架的核心在于引入了“分支点”（Branchpoints，即程序执行中可能产生不同结果的决策点），允许系统在这些位置自动进行回溯或并行尝试。传统方法要求程序员编写数千行代码来处理LLM的错误和重试逻辑，而EnCompass通过一种名为“概率天使非确定性”（PAN）的编程模型，将这些复杂的搜索逻辑封装起来。程序员只需标注关键步骤，即可让代理像玩“选择你的冒险”游戏一样探索最佳路径。在将Java代码库翻译为Python的实验中，该框架使实现搜索功能的代码量减少了约82%（少写348行代码）。此外，通过应用一种称为束搜索（beam search，一种在每一步保留最优解的启发式搜索算法）的策略，AI代理在代码翻译任务中的准确率提高了15%到40%。这为未来AI处理大规模科学实验和复杂软件工程提供了高效的底层支持。

内存缩小8倍反而更聪明：动态稀疏化技术助力AI推理能力大幅提升

人工智能模型能否在“瘦身”的同时变得更聪明？爱丁堡大学（University of Edinburgh）与英伟达（NVIDIA）的研究团队给出了肯定的答案。Adrian Łańcucki、Edoardo M. Ponti及其合作者开发了一种名为“动态内存稀疏化”（DMS）的新技术，该技术能将大型语言模型的内存使用量压缩至原来的八分之一，同时显著提升其在数学、科学和编程任务中的表现。研究发现，通过压缩内存消除瓶颈，模型可以在相同的时间和计算预算内生成更多的推理线索，从而更深入地“思考”复杂问题。

这项研究的核心在于解决大模型推理时的内存瓶颈——键值缓存（KV cache）。传统的扩展方法受限于缓存大小，而研究团队提出的DMS方法通过智能筛选，只保留最重要的标记，并采用延迟驱逐机制，让被删除信息中的价值传递给保留下来的标记。在基于Qwen和Llama模型的测试中，这种策略效果显著：在作为美国数学奥林匹克资格赛的AIME 24测试中，压缩后的Qwen-R1 32B模型得分平均提高了12分；在由博士级专家编写的GPQA科学问答中提高了8.6分；在LiveCodeBench代码测试中提高了9.7分。这表明，AI系统在资源受限设备（如智能家居）上也能高效处理复杂任务。研究发表在 NeurIPS 2025 上。

谷歌DeepMind提出“分布式AGI安全”框架：警惕多智能体协作涌现的“拼凑型”超级智能

当通用人工智能不是作为一个全能的神，而是作为一群协作的专家出现时，我们该如何确保安全？Nenad Tomašev及其团队（谷歌 DeepMind）针对这一被忽视的“拼凑型AGI”假设，提出了一种全新的分布式安全框架。他们指出，当前的AI安全研究过度关注单体系统，而忽略了由多个次AGI代理（sub-AGI agents）通过协作涌现出高级智能的风险。该团队认为，这种分布式智能的出现可能比预期更快，因此亟需建立一套结合市场机制与技术监管的新型防御体系。

研究团队提出构建“虚拟代理沙盒经济”（Virtual Agentic Sandbox Economies），通过设计严密的市场规则来约束AI代理的行为。在这个框架中，代理之间的互动不仅仅是数据交换，更被视为受监管的经济交易。研究引入了纵深防御（Defense-in-depth）策略，涵盖四个关键层面：首先是市场设计，利用激励对齐和类似金融市场的“熔断机制”（Circuit Breakers）来防止系统性崩溃或智能失控；其次是基线代理安全，确保每个进入市场的代理都具备抗对抗攻击的能力和可中断性；再次是实时监控与监督，利用图分析识别潜在的危险协作模式；最后是监管机制，包括建立明确的法律责任和保险制度。通过引入“皮古税”等经济学概念，系统可以自动惩罚产生负外部性（如制造信息垃圾）的代理。这一框架将AI安全从单一的“对齐”问题转变为复杂的系统治理问题，为未来大规模代理网络的安全运行提供了理论基础。

AI智能体记忆系统的全面重构：从碎片化到统一分类学

随着大语言模型向通用人工智能演进，记忆机制成为智能体实现持续适应与复杂推理的关键。针对当前该领域研究碎片化、定义模糊的现状，Yuyang Hu、Guibin Zhang等来自新加坡国立大学、中国人民大学、复旦大学及北京大学的多机构联合团队，提出了一套全新的分类学框架。该研究系统梳理了智能体记忆的定义，填补了传统长短期记忆分类在应对现代AI系统时的空白，为未来智能体设计提供了重要的概念基础。

该团队通过“形式-功能-动态”的三维视角，对智能体记忆进行了深度解析。在形式上，研究将记忆划分为标记级记忆（token-level）、参数化记忆（parametric）和潜在记忆（latent），分别对应文本上下文、模型权重更新及隐状态存储。在功能层面，提出了比传统分类更精细的划分：事实记忆（factual）用于存储交互知识，经验记忆（experiential）用于积累解决问题的技能，而工作记忆则负责当前任务的信息管理。此外，研究还详细分析了记忆在与环境交互中的形成、检索及演化动态。为了推动实际开发，团队汇编了全面的基准测试与开源框架，并指出了自动化记忆设计、强化学习与记忆系统的融合、以及多模态记忆等新兴前沿方向。

神经场理论模型成功区分植物人与微意识状态

意识是如何在大脑中产生和变化的，一直是神经科学中最大的谜团之一。为了解开这一谜题，并寻找能够量化意识状态的有效方法，Daniel Polyakov, P A Robinson, Avigail Makbili, Steven Laureys, Olivia Gosseries, Oren Shriki 等研究人员利用计算模型探索了大脑皮层丘脑系统的动力学特性。他们的研究成果不仅验证了数学模型在区分健康与病理意识状态方面的能力，还为理解意识障碍背后的生理机制提供了新的视角。

该研究采用了神经场理论（NFT）作为计算框架，这是一种能够模拟大脑宏观电活动的物理模型。研究团队收集了117名意识障碍患者和23名健康对照组的静息态脑电图（EEG）数据。这些患者涵盖了从无反应觉醒综合征（UWS）到不同程度的微小意识状态（MCS）等多种情况。研究人员将皮层丘脑NFT模型精确拟合到每位参与者的EEG数据上，并深入分析了模型参数与意识水平之间的相关性。结果显示，拟合后的模型参数不仅能有效区分健康个体与意识障碍患者，还能反映出不同意识状态下的生理特征，如突触延迟或神经元放电率的变化。这表明NFT模型可以作为一种强大的“计算机模拟”工具，用于预测患者对特定治疗的反应，从而推动个性化医疗的发展。研究发表在 Neuroscience of Consciousness 上。

从4Hz到8Hz：意识觉知将注意力采样速度提升一倍

长期以来，注意力和意识之间的相互作用一直是大脑认知功能中的未解之谜。来自中国科学院心理研究所的Jiang Yi和Yang Fang团队进行了一项开创性研究，旨在探索视觉意识如何调节注意力的节奏性采样。研究团队首次证实，视觉意识并非仅仅是注意力开启或关闭的“开关”，而更像是一位“指挥家”，它能够显著优化注意力采样的速度、精确度以及神经协调性，从而使大脑在处理复杂感官输入时更加高效。

为了分离意识在注意力过程中的作用，研究人员采用了一种名为色差闪烁融合（Chromatic Flicker Fusion，CFF）的尖端技术。该技术通过让红绿两种颜色的光栅以极高频率（30赫兹）交替闪烁，使视觉线索在人眼中融合为单一颜色并与背景融为一体，从而在受试者毫无察觉的情况下引导其注意力。结合脑电图（EEG）和时间反应函数（TRF）分析，研究发现，即便是不可见的线索也能诱发大脑的节律性注意力采样。然而，当线索变得“可见”时，大脑的工作模式发生了显著变化：注意力采样的速度从无意识状态下的慢速节奏（约4赫兹，对应Theta波段）加速到了约8赫兹（对应Alpha波段）。此外，可见线索还增强了额叶与枕顶叶区域之间的高频神经连接，并引发了更强的干扰抑制能力。这一发现表明，意识通过锐化信息选择和加速采样周期，将大脑的注意力机制调整到了“高性能模式”。研究发表在 Nature Communications 上。

提前1.5秒预测感知：侧枕叶皮层神经元预判你的“眼中世界”

从视网膜接收图像到产生主观意识，大脑经历了一个复杂的处理过程。Michaël Vanhoyland, Peter Janssen & Tom Theys等研究人员针对人类侧枕叶皮层这一关键视觉区域进行了罕见的单神经元记录研究。研究结果表明，该区域的神经元活动主要追踪个体的主观感知而非单纯的物理输入，且能提前预测意识内容的切换，为理解人类视觉意识的神经机制提供了直接证据。

研究团队在四名神经外科患者的侧枕叶皮层植入了微电极阵列，记录了单神经元和多单元的活动。为了分离视觉输入与主观意识，研究人员设计了三种实验范式：后向掩蔽（通过快速呈现干扰图使目标不可见）、闪光抑制（利用强光抑制一只眼的图像）和双眼竞争（双眼观看不同图像导致感知自发交替）。通过线性解码器（一种机器学习算法）分析数据发现，神经元的反应模式与受试者主观看到的图像高度一致。特别是在双眼竞争实验中，尽管进入双眼的物理刺激保持不变，神经活动却随着感知的交替而变化，解码器甚至能在受试者报告感知切换前约1.5秒就预测出他们即将看到的图像。这一发现证实了侧枕叶皮层在构建主观视觉体验中的核心作用。研究发表在 Nature Communications 上。

浙江大学脑机智能国家重点实验室的Jie Xia、Luxi Zhang、Shurong Dong等研究人员针对现有神经探针难以在磁共振成像环境下同时稳定记录电化学信号的难题，开发了一种名为MICA-NP的新型植入式探针。该研究通过单片集成技术，成功在探针尖端构建了阵列，实现了在强磁场下对大脑电生理信号和化学微环境变化的同步、高灵敏度监测，并为癫痫的早期精准检测提供了新的技术手段。

这项研究的核心突破在于利用碳纳米管场效应晶体管（CNTFET，一种利用碳纳米管作为导电通道的高性能微型晶体管）技术，在探针尖端直接集成了信号放大与转换单元。这种设计不仅支持在4英寸晶圆上进行规模化制造，还显著提升了信号质量。实验数据显示，该探针在大鼠海马区域的体内记录中，局部场电位的信噪比高达40.34 dB，且在植入12周后仍能保持稳定。同时，集成的化学传感器对钙离子具有极高的敏感度，检测限低至0.47 nM。更关键的是，MICA-NP展现出优异的磁共振成像（MRI）兼容性，在7.0 T的强磁场下，探针产生的伪影极小，且诱发的温度升高低于0.15℃，确保了脑组织的安全。在癫痫大鼠模型中，研究团队利用该探针发现钙离子浓度的异常变化与癫痫电活动同步发生，甚至在部分案例中早于电信号出现，这为建立“离子预警+电信号确认”的疾病监测新框架奠定了基础。研究发表在 Nature Communications 上。

意识或许需要一种新型的计算方式

关于人工智能是否具备意识的争论长期陷入僵局：计算功能主义者认为只要算法正确即可，而生物自然主义者则坚持生物基质的必要性。为了打破这一二元对立，Borjan Milinkovic和Jaan Aru（爱沙尼亚研究委员会）及其团队提出了一种名为“生物计算主义”的新理论框架，指出真正的类心智认知可能需要构建一种计算与物理动力学密不可分的新型系统。

该研究挑战了将大脑视为运行在神经硬件上的“软件”的传统观点。研究团队详细阐述了生物计算的三个核心特征，这些特征将其与现有的数字人工智能区分开来。首先是混合动力学（Hybrid Dynamics），即大脑通过将离散的神经脉冲嵌入连续的化学和电场中进行计算，而非单纯的数字处理；其次是尺度不可分离性（Scale-inseparability），意味着在大脑中，算法无法与从离子通道到宏观网络的物理实现相分离，改变硬件即改变了计算本身；最后是代谢基础（Metabolic Grounding），即能量限制不仅仅是背景条件，而是直接塑造了大脑的学习和信息流策略。研究指出，目前的大型语言模型虽然能模拟功能，但缺乏这种算法与物理基质的内在纠缠。要创造真正的合成意识，可能不再是寻找正确的程序，而是需要构建能够支持这种混合、动态耦合且受能量约束的新型物理系统。研究发表在 Neuroscience & Biobehavioral Reviews 上。

疼痛、警觉与反思：意识进化的三个阶梯

意识究竟为何存在？Albert Newen和Onur Güntürkün等人（鲁尔大学波鸿分校）通过两项紧密关联的研究探讨了意识的进化优势。他们结合理论分析与鸟类神经生物学证据，提出了意识进化的新框架，并揭示了不同物种间意识功能的趋同性。

研究团队提出了ALARM理论，将意识划分为三个层级。首先是“基本唤醒”（Basic Arousal），这是一种最早进化的紧急警报系统，通过疼痛或愉悦来调节体内平衡，确保生物体在生存威胁下存活；其次是“一般警觉”（General Alertness），使生物能在复杂信息流中进行选择性注意并学习新的关联；最后是“反思性自我意识”（Reflexive Self-consciousness），它支持长期规划和社会协调。为验证这一理论的普适性，研究人员深入分析了鸟类的大脑。尽管鸟类缺乏大脑皮层，但其前脑连接组和尾侧外侧原皮质（NCL，功能类似于哺乳动物前额叶皮层的结构）能够高度整合信息。实验显示，鸽子和乌鸦不仅具备主观体验刺激的感觉意识，还能在特定的镜像测试中表现出情境性自我意识。这表明意识是一种古老的进化产物，不同的神经解剖结构可以演化出相似的功能解决方案。研究发表在 Philosophical Transactions of the Royal Society B 上。

意识评估一直是临床医学的难题，尤其是在面对行为无反应但大脑可能仍有活动的患者时。北京师范大学的An-An Ping和Xiao-Li Li等研究团队联合多家机构，开发了一套基于神经电生理活动的意识评估方法学指南。该研究通过整合多维度的脑电图指标，构建了一个能够区分清醒度、内在意识和外在意识的三维框架，旨在为临床医生提供更精准的工具，以识别那些被传统行为量表遗漏的“隐匿意识”患者。

这项研究将脑电图（EEG）特征系统地归类为周期性活动、非周期性背景、网络拓扑等六大类，并在麻醉、睡眠和意识障碍等多个数据集中进行了验证。研究人员特别关注了非周期性活动（aperiodic activity，反映大脑背景神经活动的动力学特征）和小世界性（small-worldness，衡量大脑网络在局部处理与全局整合之间平衡能力的指标）。结果显示，随着意识水平的下降，大脑网络的“小世界性”显著降低，这意味着大脑从高效的信息整合网络退化为随机结构，导致外在意识受损。此外，通过分析微状态（microstates，大脑电场在极短时间内保持稳定的地形图模式），团队发现特定的微状态变化能区分药物引起的镇静和病理性的意识障碍。例如，微状态C的减少与内在意识的丧失密切相关。这套指南不仅统一了零散的指标，还为减少临床误诊提供了有力的神经生理学证据。研究发表在 Military Medical Research 上。