█ 神經(jīng)科學(xué)

Science：鳥類大腦皮層的進(jìn)化與發(fā)育

Science：從進(jìn)化視角看大腦如何平衡風(fēng)險(xiǎn)與獎(jiǎng)勵(lì)

Science：大腦回路的進(jìn)化之謎，不同物種如何趨同進(jìn)化

Nature：腸道細(xì)胞如何“報(bào)警”？新研究揭示慢性疼痛的根源

Nature：結(jié)合原住民與西方視角促進(jìn)腦健康

Nature：雄性小鼠攻擊行為的神經(jīng)樞紐：后外側(cè)皮層杏仁核

Nature：基因相同卻形態(tài)迥異？位置決定神經(jīng)元命運(yùn)

Nature：大腦中的“雷達(dá)”，網(wǎng)格細(xì)胞如何掃描周圍環(huán)境

Nature：揭秘大腦決策背后的“樂觀”與“悲觀”神經(jīng)元

Nature：胃癌“劫持”神經(jīng)系統(tǒng)，電信號(hào)加速腫瘤擴(kuò)散

Cell：大腦如何區(qū)分自身運(yùn)動(dòng)與外部世界運(yùn)動(dòng)？

繪制大腦發(fā)育的蛋白質(zhì)地圖

共情背后的神經(jīng)機(jī)制：700個(gè)神經(jīng)元的關(guān)鍵作用

新發(fā)現(xiàn)的大腦回路揭示了記憶與情緒如何影響感知

Syngap1基因通過感覺運(yùn)動(dòng)整合支持認(rèn)知能力

OPN3蛋白在下丘腦調(diào)節(jié)食物攝入的新機(jī)制

星形膠質(zhì)細(xì)胞：大腦獎(jiǎng)勵(lì)學(xué)習(xí)的新鑰匙

運(yùn)動(dòng)恢復(fù)杏仁核 Stat3 水平，預(yù)防壓力性高血壓

靜態(tài)圖像為何讓你看到動(dòng)態(tài)效果？

█ 認(rèn)知科學(xué)

Science：小鼠如何感知并幫助昏迷同伴

Science：小鼠也會(huì)急救

Nature：WHAM模型讓AI成為游戲創(chuàng)意的得力助手

Nature：壓力如何讓大腦“自動(dòng)駕駛”？

Nature：AI如何幫助全球應(yīng)對(duì)下一次疫情

AI預(yù)測(cè)人格相關(guān)性超越人類，但專家和專門模型仍具優(yōu)勢(shì)

大型語言模型顯著提升學(xué)術(shù)會(huì)議組織效率

統(tǒng)計(jì)素養(yǎng)影響你對(duì)AI算法的信任度

情緒感知聊天機(jī)器人革新心理健康護(hù)理

公眾對(duì)醫(yī)療系統(tǒng)使用AI的信任度普遍較低

機(jī)器學(xué)習(xí)揭示人類大腦如何感知情感

為何我們總是嘗試新方法？人類與狨猴共有的認(rèn)知策略

神經(jīng)網(wǎng)絡(luò)模型揭示人類如何在復(fù)雜環(huán)境中集中注意力

機(jī)器人也能終身學(xué)習(xí)？新框架讓AI更聰明

AI助力精準(zhǔn)健康管理，推動(dòng)長(zhǎng)壽研究新突破

從禪定到方言：探索心靈的共同語言

虛擬現(xiàn)實(shí)實(shí)驗(yàn)揭示大腦會(huì)放大意外疼痛

反例驅(qū)動(dòng)推理提升大型語言模型的數(shù)學(xué)能力

模型剪枝技術(shù)有效減少AI偏見，但效果因情境而異

MIT研究發(fā)現(xiàn)：AI與人類大腦的“語義中心”驚人相似

DeepSeek AI 推出 NSA，語言模型長(zhǎng)上下文處理效率提升 9 倍

Cogito系統(tǒng)：模仿人類學(xué)習(xí)的AI代碼生成工具

無法解決的視覺推理：ZeroBench對(duì)多模態(tài)模型的終極測(cè)試

HealthGPT：醫(yī)療視覺任務(wù)的統(tǒng)一解決方案

兒童雙耳音高融合在6-14歲仍在發(fā)展

為什么上下文學(xué)習(xí)會(huì)“善變”？揭秘大型語言模型的瞬態(tài)行為

█ 大腦健康

Science：帕金森病全新治療靶點(diǎn)FAM171A2

Nature：免疫細(xì)胞與神經(jīng)元的秘密對(duì)話塑造大腦健康與疾病

Cell：HypoxyStat模擬高海拔低氧環(huán)境，有效治療線粒體疾病

抑郁青少年大腦處理情感信息時(shí)過度勞累

氯胺酮通過調(diào)節(jié)大腦受體GluN1-2B-2D緩解抑郁癥

首次模擬大腦衰老，探索逆轉(zhuǎn)可能

環(huán)境因素比基因更影響健康和衰老

從偏頭痛到阿爾茨海默病：性激素悄悄改變你的大腦健康

中風(fēng)后大腦如何通過網(wǎng)絡(luò)重組恢復(fù)語言能力

增強(qiáng)特定神經(jīng)信號(hào)可治療脆性 X 綜合癥

糖皮質(zhì)激素改變發(fā)育中大腦的神經(jīng)元類型

全球僅6.9%的精神健康障礙患者獲得有效治療

Nerinetide在急性缺血性中風(fēng)患者中的潛在益處

█ 神經(jīng)技術(shù)

Nature：RNA剪接異常揭示癌癥免疫治療新靶點(diǎn)

AI精準(zhǔn)定位，房顫消融成功率大幅提高

新型雙域ACIM系統(tǒng)大幅提升神經(jīng)網(wǎng)絡(luò)能效

幾何深度學(xué)習(xí)方法揭示大腦動(dòng)態(tài)的通用模式

跨參與者語義解碼：無需語言訓(xùn)練數(shù)據(jù)的語言解碼新方法

智能睡衣以98.6%準(zhǔn)確率監(jiān)測(cè)睡眠障礙

激光腦調(diào)控技術(shù)安全性獲全面驗(yàn)證

蠶蛾觸角助力無人機(jī)實(shí)現(xiàn)精準(zhǔn)氣味導(dǎo)航

LangMem SDK：讓 AI 代理通過長(zhǎng)期記憶變得更智能

MM-RLHF推進(jìn)多模態(tài)大語言模型發(fā)展

AI可穿戴傳感器通過振動(dòng)減少夜間抓撓

國際首個(gè)“雙環(huán)路”腦機(jī)接口系統(tǒng)

*如需定位對(duì)應(yīng)內(nèi)容，請(qǐng)使用微信的檢索功能

（點(diǎn)擊右上方三點(diǎn)，找到查找頁面內(nèi)容按鈕）

神經(jīng)科學(xué)

Science：鳥類大腦皮層的進(jìn)化與發(fā)育揭示了認(rèn)知能力的分子基礎(chǔ)

鳥類和哺乳動(dòng)物在認(rèn)知能力上展現(xiàn)出相似的高級(jí)功能，這可能是由于它們大腦前腦的進(jìn)化創(chuàng)新。為了探索鳥類大腦皮層的細(xì)胞組成和進(jìn)化，哈佛醫(yī)學(xué)院和哈佛大學(xué)的研究團(tuán)隊(duì)使用單核RNA測(cè)序（snRNA-seq）和空間轉(zhuǎn)錄組學(xué)技術(shù)，生成了成年雞大腦皮層的細(xì)胞類型圖譜，并與哺乳動(dòng)物和非鳥類爬行動(dòng)物的相應(yīng)圖譜進(jìn)行了比較。研究結(jié)果揭示了鳥類大腦皮層中細(xì)胞類型的保守性和分化，以及發(fā)育過程中的基因表達(dá)趨同性。

研究團(tuán)隊(duì)使用單核RNA測(cè)序和空間轉(zhuǎn)錄組學(xué)技術(shù)，對(duì)雞的大腦皮層進(jìn)行了詳細(xì)的細(xì)胞類型分析，并與小鼠和幾種非鳥類爬行動(dòng)物的數(shù)據(jù)進(jìn)行了比較。研究發(fā)現(xiàn)，鳥類的大腦皮層中的抑制性神經(jīng)元類型與其他羊膜動(dòng)物（包括哺乳動(dòng)物和爬行動(dòng)物）是保守的。興奮性神經(jīng)元在海馬體區(qū)域也顯示出進(jìn)化上的保守性。然而，在其他大腦皮層區(qū)域，興奮性神經(jīng)元類型在鳥類中發(fā)生了顯著分化。特別是，鳥類中某些細(xì)胞類型的基因表達(dá)模式與哺乳動(dòng)物的深皮層層神經(jīng)元相似，這表明鳥類和哺乳動(dòng)物在大腦皮層的某些功能上可能存在相似性。此外，研究還發(fā)現(xiàn)，在鳥類大腦皮層的發(fā)育過程中，位于不同區(qū)域的細(xì)胞類型在基因表達(dá)上顯示出趨同性，這表明在鳥類中，細(xì)胞在成年后的功能屬性可能不完全由其在大腦皮層中的位置決定。研究發(fā)表在 Science 上。

#神經(jīng)科學(xué) #跨學(xué)科整合 #大腦皮層 #單核RNA測(cè)序 #進(jìn)化發(fā)育

閱讀更多：

Zaremba, Bastienne, et al. “Developmental Origins and Evolution of Pallial Cell Types and Structures in Birds.” Science, vol. 387, no. 6735, Feb. 2025, p. eadp5182. science.org (Atypon), https://doi.org/10.1126/science.adp5182

Science：從進(jìn)化視角看大腦如何平衡風(fēng)險(xiǎn)與獎(jiǎng)勵(lì)

神經(jīng)進(jìn)化是一種通過進(jìn)化計(jì)算優(yōu)化人工神經(jīng)網(wǎng)絡(luò)架構(gòu)和/或參數(shù)的計(jì)算建模技術(shù)。哈佛醫(yī)學(xué)院和哈佛大學(xué)的研究團(tuán)隊(duì)通過神經(jīng)進(jìn)化技術(shù)，探討了大腦如何在決策中平衡風(fēng)險(xiǎn)和獎(jiǎng)勵(lì)。研究表明，神經(jīng)進(jìn)化不僅能夠揭示特定神經(jīng)回路和元件的進(jìn)化起源，還能優(yōu)化復(fù)雜的手工構(gòu)建模型，如脈沖神經(jīng)網(wǎng)絡(luò)。此外，神經(jīng)進(jìn)化還可以與發(fā)育模型和學(xué)習(xí)機(jī)制結(jié)合，揭示神經(jīng)結(jié)構(gòu)的形成和復(fù)雜性來源。研究還表明，神經(jīng)進(jìn)化能夠識(shí)別和理解導(dǎo)致特定神經(jīng)科學(xué)結(jié)構(gòu)或功能出現(xiàn)的約束條件，并揭示行為的進(jìn)化起源。

?在神經(jīng)進(jìn)化中，種群的神經(jīng)網(wǎng)絡(luò)編碼是根據(jù)每個(gè)網(wǎng)絡(luò)的行為解決任務(wù)的效果來進(jìn)化的。Credit：Science（2025）

這項(xiàng)研究的關(guān)鍵方法是神經(jīng)進(jìn)化（neuroevolution），研究人員通過模仿生物進(jìn)化過程的算法來構(gòu)建虛擬神經(jīng)網(wǎng)絡(luò)。研究提出了神經(jīng)科學(xué)中的幾個(gè)領(lǐng)域，包括大腦結(jié)構(gòu)和功能、神經(jīng)發(fā)育以及行為，在這些領(lǐng)域中，神經(jīng)進(jìn)化的應(yīng)用可能會(huì)帶來重大進(jìn)展。研究還提出了在環(huán)境約束下優(yōu)化作為統(tǒng)一主題，并建議將語言的進(jìn)化作為一個(gè)重大挑戰(zhàn)。研究發(fā)表在 Science 上。

#神經(jīng)科學(xué) #計(jì)算模型與人工智能模擬 #神經(jīng)進(jìn)化 #決策機(jī)制 #大腦結(jié)構(gòu)

閱讀更多：

Miikkulainen, Risto. “Neuroevolution Insights into Biological Neural Computation.” Science, vol. 387, no. 6735, Feb. 2025, p. eadp7478. science.org (Atypon), https://doi.org/10.1126/science.adp7478

Science：大腦回路的進(jìn)化之謎，不同物種如何趨同進(jìn)化

哺乳動(dòng)物新皮層與其他脊椎動(dòng)物皮層之間的同源性一直是科學(xué)界爭(zhēng)論的焦點(diǎn)。為了理解大腦結(jié)構(gòu)的進(jìn)化和發(fā)育路徑，由Eneritz Rueda-Ala?a、Rodrigo Senovilla-Ganzo、Marco Grillo、Enrique Vázquez等17位研究人員組成的團(tuán)隊(duì)，通過神經(jīng)發(fā)生、轉(zhuǎn)錄和數(shù)學(xué)分析，研究了雞、小鼠和壁虎這三種物種的皮層回路發(fā)展。研究發(fā)現(xiàn)，不同物種的皮層回路神經(jīng)元在不同時(shí)間和腦區(qū)生成，鳥類和小鼠的皮層回路發(fā)育順序不同，壁虎則表現(xiàn)出雙重序列。

研究團(tuán)隊(duì)使用了單細(xì)胞RNA測(cè)序和數(shù)學(xué)建模等方法，比較了雞、壁虎和小鼠的皮層回路發(fā)育和進(jìn)化。研究發(fā)現(xiàn)，不同物種的皮層回路神經(jīng)元在不同時(shí)間和腦區(qū)生成，谷氨酸能神經(jīng)元在不同物種中發(fā)育成不同類型，而GABA能神經(jīng)元?jiǎng)t表現(xiàn)出強(qiáng)烈的保守性。研究還發(fā)現(xiàn)，不同物種的皮層前體細(xì)胞（progenitor cells）和其他細(xì)胞的發(fā)育也存在顯著差異。最終，研究得出結(jié)論，高級(jí)感覺處理回路在不同脊椎動(dòng)物類群中獨(dú)立進(jìn)化，最終形成了功能相似的回路。研究發(fā)表在 Science 上。

#神經(jīng)科學(xué) #跨學(xué)科整合 #單細(xì)胞RNA測(cè)序 #數(shù)學(xué)建模 #感覺回路

閱讀更多：

Rueda-Ala?a, Eneritz, et al. “Evolutionary Convergence of Sensory Circuits in the Pallium of Amniotes.” Science, vol. 387, no. 6735, Feb. 2025, p. eadp3411. science.org (Atypon), https://doi.org/10.1126/science.adp3411

Nature：腸道細(xì)胞如何“報(bào)警”？新研究揭示慢性疼痛的根源

腸道疼痛是腸易激綜合征（IBS）和炎癥性腸?。↖BD）等疾病的常見癥狀，但其機(jī)制尚不明確。澳大利亞霍普伍德神經(jīng)生物學(xué)中心內(nèi)臟疼痛研究小組Stuart M. Brierley、加州大學(xué)舊金山分校（UCSF）David Julius，Kouki K. Touhara和北京大學(xué)的李毓龍研究團(tuán)隊(duì)通過實(shí)驗(yàn)揭示了腸道細(xì)胞如何通過釋放神經(jīng)遞質(zhì)觸發(fā)持續(xù)疼痛。

研究團(tuán)隊(duì)開發(fā)了一種報(bào)告小鼠模型，用于定量測(cè)量活體腸道中腸嗜鉻細(xì)胞（EC細(xì)胞）釋放的血清素（serotonin）及其傳播。研究發(fā)現(xiàn)，隱窩EC細(xì)胞（crypt EC cells）具有兩種模式：一種是基礎(chǔ)的低水平模式，通過激活上皮細(xì)胞的5-HT4受體調(diào)節(jié)基礎(chǔ)離子分泌；另一種是刺激誘導(dǎo)的高水平模式，通過激活感覺神經(jīng)纖維上的5-HT3受體傳遞疼痛信號(hào)。這兩種模式都可以由刺激性受體TRPA1觸發(fā)，而TRPA1僅存在于隱窩EC細(xì)胞中。當(dāng)腸道保護(hù)性黏液層受損時(shí)，TRPA1對(duì)刺激性物質(zhì)的反應(yīng)會(huì)增強(qiáng)。

絨毛EC細(xì)胞（villus EC cells）則通過另一種機(jī)制傳遞損傷信號(hào)：氧化應(yīng)激激活TRPM2通道，導(dǎo)致血清素和ATP的釋放，進(jìn)而激活感覺神經(jīng)纖維。這種EC細(xì)胞功能的拓?fù)浞蛛x機(jī)制為腸道在不同生理?xiàng)l件下的監(jiān)測(cè)、維護(hù)和保護(hù)提供了新的解釋。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #腸道疼痛 #腸嗜鉻細(xì)胞 #血清素 #TRPA1

閱讀更多：

Touhara, Kouki K., et al. “Topological Segregation of Stress Sensors along the Gut Crypt–Villus Axis.” Nature, Feb. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-024-08581-9

Nature：結(jié)合原住民與西方視角促進(jìn)腦健康

為了促進(jìn)腦部和心理健康的理解，國際腦倡議的跨文化研究小組，包括不列顛哥倫比亞大學(xué)的Judy Illes、圭爾夫大學(xué)的Melissa Perreault和莫納什大學(xué)心理學(xué)學(xué)院的Rudi Taylor-Bragge等人，提出了一種名為“雙視角觀察”（Two-Eyed Seeing）的方法。這一方法結(jié)合了原住民和西方視角，強(qiáng)調(diào)多元認(rèn)識(shí)論的重要性。

研究團(tuán)隊(duì)通過“雙視角觀察”這一概念，結(jié)合了原住民和西方視角，探討了腦部和心理障礙、自殺、移民健康、語言、環(huán)境和土地等案例。研究指出，多元主義不僅是深化對(duì)大腦理解的科學(xué)必要，也是促進(jìn)公平和確保腦健康研究和臨床實(shí)踐可持續(xù)發(fā)展的關(guān)鍵。研究人員提出了聯(lián)盟、謙遜和普遍主義的廣泛策略，并強(qiáng)調(diào)了“雙視角觀察”在溝通和公眾參與中的力量。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #跨學(xué)科整合 #心理健康與精神疾病 #原住民視角 #腦健康

閱讀更多：

Illes, J., et al. “Two-Eyed Seeing and Other Indigenous Perspectives for Neuroscience.” Nature, vol. 638, no. 8049, Feb. 2025, pp. 58–68. www.nature.com, https://doi.org/10.1038/s41586-024-08437-2

Nature：雄性小鼠攻擊行為的神經(jīng)樞紐：后外側(cè)皮層杏仁核

攻擊行為是進(jìn)化上保守的行為，控制社會(huì)等級(jí)并保護(hù)寶貴資源。在小鼠中，攻擊行為可以分為食欲階段（接近和調(diào)查）和完成階段（咬、踢和摔跤）。為了理解這些階段之間的過渡機(jī)制，紐約西奈山伊坎醫(yī)學(xué)院的研究團(tuán)隊(duì)進(jìn)行了這項(xiàng)研究，使用無監(jiān)督加權(quán)相關(guān)網(wǎng)絡(luò)分析全腦FOS表達(dá)，鑒定出一簇在雄性而非雌性攻擊者中高度共激活的大腦區(qū)域，并發(fā)現(xiàn)后外側(cè)皮層杏仁核（COApl）是關(guān)鍵的樞紐區(qū)域。

研究團(tuán)隊(duì)首先使用iDISCO+清除程序進(jìn)行全腦免疫染色，識(shí)別FOS+細(xì)胞。然后，他們使用無監(jiān)督的全腦計(jì)算方法，鑒定出一簇包括下丘腦和杏仁核亞區(qū)及嗅覺皮層區(qū)域的大腦區(qū)域，這些區(qū)域在雄性而非雌性攻擊者中高度共激活。在這一簇中，后外側(cè)皮層杏仁核（COApl）——一個(gè)擴(kuò)展的嗅覺結(jié)構(gòu)——被發(fā)現(xiàn)在這一簇中是一個(gè)樞紐區(qū)域，基于其與其他區(qū)域的相關(guān)數(shù)量和強(qiáng)度。數(shù)據(jù)還顯示，表達(dá)雌激素受體1（Esr1）的COApl細(xì)胞（COAplEsr1）在攻擊行為期間和攻擊前的調(diào)查期間表現(xiàn)出增加的活性，僅在雄性小鼠中?；瘜W(xué)遺傳或光遺傳抑制雄性攻擊者的COAplEsr1細(xì)胞減少了攻擊性并增加了親社會(huì)調(diào)查，而不影響社會(huì)獎(jiǎng)勵(lì)和強(qiáng)化行為。

研究進(jìn)一步表明，COAplEsr1投射到腹內(nèi)側(cè)下丘腦（VMH）和中央杏仁核（CEA）是這些行為所必需的?？傮w而言，這些數(shù)據(jù)表明，在攻擊性雄性中，COAplEsr1細(xì)胞對(duì)社交刺激特別敏感，從而增強(qiáng)其顯著性并促進(jìn)攻擊行為。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #攻擊行為 #后外側(cè)皮層杏仁核 #化學(xué)遺傳學(xué)

閱讀更多：

Aubry, Antonio V., et al. “A Crucial Role for the Cortical Amygdala in Shaping Social Encounters.” Nature, Feb. 2025, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-024-08540-4

Nature：基因相同卻形態(tài)迥異？斑馬魚大腦揭秘位置決定神經(jīng)元命運(yùn)

傳統(tǒng)觀點(diǎn)認(rèn)為神經(jīng)元類型由其基因表達(dá)決定，但斑馬魚視頂蓋研究發(fā)現(xiàn)位置因素同樣重要。由Inbal Shainer、Johannes M. Kappel、Herwig Baier等組成的國際團(tuán)隊(duì)結(jié)合單細(xì)胞轉(zhuǎn)錄組分析、活體鈣成像和形態(tài)追蹤技術(shù)，揭示超過60種轉(zhuǎn)錄組定義的神經(jīng)元類型中，相同基因型的神經(jīng)元會(huì)因所處空間位置不同產(chǎn)生功能和形態(tài)差異。

?轉(zhuǎn)基因表達(dá)與基因表達(dá)圖譜的比較。Credit: Nature (2025).

該研究首先通過單細(xì)胞RNA測(cè)序（single-cell RNA sequencing，檢測(cè)單個(gè)細(xì)胞基因表達(dá)的技術(shù)）繪制了斑馬魚視頂蓋的轉(zhuǎn)錄組圖譜，識(shí)別出62個(gè)按解剖層分布的細(xì)胞類型。使用雙光子鈣成像記錄了4,386個(gè)神經(jīng)元對(duì)視覺刺激的響應(yīng)，發(fā)現(xiàn)同一轉(zhuǎn)錄組類型的神經(jīng)元存在方向選擇性和運(yùn)動(dòng)速度偏好差異。通過轉(zhuǎn)基因品系對(duì)18個(gè)轉(zhuǎn)錄組類型進(jìn)行形態(tài)重建，發(fā)現(xiàn)它們的軸突投射范圍和樹突分支模式與空間位置密切相關(guān)。例如位于視頂蓋前部的t-type23神經(jīng)元比后部同類具有更長(zhǎng)的軸突投射。研究還構(gòu)建了三維空間概率圖，顯示各轉(zhuǎn)錄組類型內(nèi)部存在由位置決定的功能形態(tài)亞群。這些發(fā)現(xiàn)證明發(fā)育過程中的位置信號(hào)（如形態(tài)素梯度）與轉(zhuǎn)錄組共同塑造神經(jīng)元表型。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #斑馬魚 #單細(xì)胞RNA測(cè)序 #神經(jīng)元多樣性

閱讀更多：

Shainer, Inbal, et al. “Transcriptomic Neuron Types Vary Topographically in Function and Morphology.” Nature, Feb. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-024-08518-2

Nature：大腦中的“雷達(dá)”，網(wǎng)格細(xì)胞如何掃描周圍環(huán)境

挪威科技大學(xué)Kavli研究所的研究團(tuán)隊(duì)發(fā)現(xiàn)，網(wǎng)格細(xì)胞不僅負(fù)責(zé)定位，還會(huì)以每秒10次的頻率交替向右30度和向左30度掃描周圍環(huán)境。研究使用Neuropixels 2.0技術(shù)記錄了大鼠在清醒和睡眠狀態(tài)下的神經(jīng)活動(dòng)，發(fā)現(xiàn)網(wǎng)格細(xì)胞在theta波周期內(nèi)進(jìn)行這種掃描。這種掃描機(jī)制可能是一種進(jìn)化出的高效導(dǎo)航策略，類似于蝙蝠的回聲定位。

?Gardner 和 Vollan 在實(shí)驗(yàn)中老鼠導(dǎo)航過的其中一個(gè)箱子前。Credit: Rita Elmkvist Nilsen / Kavli Institute.

研究使用Neuropixels 2.0技術(shù)記錄了大鼠在清醒和睡眠狀態(tài)下的神經(jīng)活動(dòng)。這種技術(shù)能夠以毫秒級(jí)精度記錄數(shù)千個(gè)神經(jīng)交互。研究人員發(fā)現(xiàn)，網(wǎng)格細(xì)胞在theta波周期內(nèi)進(jìn)行掃描，每次掃描持續(xù)125毫秒。掃描從動(dòng)物當(dāng)前位置開始，向右或向左30度掃過，然后消失，再從當(dāng)前位置重新開始向另一邊掃過。這種掃描機(jī)制不僅幫助動(dòng)物實(shí)時(shí)更新內(nèi)部空間表征，還可能在REM睡眠期間幫助動(dòng)物“在夢(mèng)中導(dǎo)航”。研究還發(fā)現(xiàn)，這種掃描機(jī)制與蝙蝠的回聲定位有相似之處，可能是進(jìn)化出的一種高效導(dǎo)航策略。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #網(wǎng)格細(xì)胞 #Neuropixels 2.0 #導(dǎo)航策略

閱讀更多：

Vollan, Abraham Z., et al. “Left–Right-Alternating Theta Sweeps in Entorhinal–Hippocampal Maps of Space.” Nature, Feb. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-024-08527-1

Nature：揭秘大腦決策背后的“樂觀”與“悲觀”神經(jīng)元

大腦在決策時(shí)如何平衡風(fēng)險(xiǎn)和獎(jiǎng)勵(lì)？哈佛醫(yī)學(xué)院和哈佛大學(xué)的研究團(tuán)隊(duì)，包括Jan Drugowitsch和Naoshige Uchida，通過將機(jī)器學(xué)習(xí)概念融入小鼠實(shí)驗(yàn)，研究了支持基于獎(jiǎng)勵(lì)的決策的大腦電路。他們發(fā)現(xiàn)，小鼠大腦中存在兩類神經(jīng)元：一類幫助小鼠學(xué)習(xí)高于平均水平的結(jié)果，另一類與低于平均水平的結(jié)果相關(guān)。這些神經(jīng)元共同作用，使大腦能夠評(píng)估與選擇相關(guān)的全部可能獎(jiǎng)勵(lì)范圍。

研究團(tuán)隊(duì)使用高密度探針（Neuropixels）記錄小鼠在經(jīng)典條件反射任務(wù)中腹側(cè)紋狀體的活動(dòng)，任務(wù)中獨(dú)立操縱了獎(jiǎng)勵(lì)均值、獎(jiǎng)勵(lì)方差和刺激身份。研究結(jié)果顯示，腹側(cè)紋狀體中存在對(duì)獎(jiǎng)勵(lì)方差的抽象編碼，與傳統(tǒng)的強(qiáng)化學(xué)習(xí)理論不同。長(zhǎng)期消融多巴胺輸入會(huì)擾亂這些分布表示，但不影響均值編碼。通過雙光子鈣成像和光遺傳學(xué)，研究發(fā)現(xiàn)腹側(cè)紋狀體中的D1和D2中型多棘神經(jīng)元分別優(yōu)先編碼獎(jiǎng)勵(lì)分布的右尾和左尾。這些發(fā)現(xiàn)被整合成一個(gè)新的腹側(cè)紋狀體和多巴胺系統(tǒng)模型，利用D1和D2中型多棘神經(jīng)元的對(duì)抗性來實(shí)現(xiàn)分布強(qiáng)化學(xué)習(xí)的計(jì)算優(yōu)勢(shì)。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #預(yù)測(cè)模型構(gòu)建 #大腦信號(hào)解析 #決策機(jī)制 #機(jī)器學(xué)習(xí)

閱讀更多：

Lowet, Adam S., et al. “An Opponent Striatal Circuit for Distributional Reinforcement Learning.” Nature, Feb. 2025, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-024-08488-5

Nature：胃癌“劫持”神經(jīng)系統(tǒng)，電信號(hào)加速腫瘤擴(kuò)散

胃癌如何利用神經(jīng)系統(tǒng)促進(jìn)生長(zhǎng)和擴(kuò)散一直是癌癥研究中的未解之謎。哥倫比亞大學(xué)歐文醫(yī)學(xué)中心的研究團(tuán)隊(duì)通過小鼠模型，首次揭示了胃癌細(xì)胞與感覺神經(jīng)元之間的電連接。研究人員發(fā)現(xiàn)，這種連接通過釋放降鈣素基因相關(guān)肽（CGRP）誘導(dǎo)電信號(hào)，形成前饋回路，持續(xù)刺激腫瘤生長(zhǎng)。

研究團(tuán)隊(duì)使用小鼠胃癌模型，發(fā)現(xiàn)痛覺神經(jīng)在神經(jīng)生長(zhǎng)因子（NGF）的作用下顯著擴(kuò)張。通過神經(jīng)追蹤技術(shù)，研究人員確定了CGRP+肽能神經(jīng)元是主要的胃感覺神經(jīng)元。三維共培養(yǎng)模型顯示，感覺神經(jīng)元直接與胃癌球體連接?；瘜W(xué)遺傳學(xué)激活感覺神經(jīng)元會(huì)誘導(dǎo)鈣離子釋放到癌細(xì)胞中，促進(jìn)腫瘤生長(zhǎng)和轉(zhuǎn)移。藥物消融感覺神經(jīng)元或使用CGRP抑制劑可以抑制腫瘤生長(zhǎng)并延長(zhǎng)生存期。此外，通過光遺傳學(xué)激活胃腫瘤膜的去極化，增強(qiáng)了頸靜脈核復(fù)合體中的鈣流和CGRP釋放，定義了一個(gè)癌細(xì)胞-肽能神經(jīng)元回路。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #個(gè)性化醫(yī)療 #胃癌 #神經(jīng)回路 #CGRP抑制劑

閱讀更多：

Zhi, Xiaofei, et al. “Nociceptive Neurons Promote Gastric Tumour Progression via a CGRP–RAMP1 Axis.” Nature, Feb. 2025, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-025-08591-1

Cell：大腦如何區(qū)分自身運(yùn)動(dòng)與外部世界運(yùn)動(dòng)？

大腦如何區(qū)分外部世界的視覺運(yùn)動(dòng)和觀察者自身運(yùn)動(dòng)引起的視覺運(yùn)動(dòng)，這一問題被稱為“運(yùn)動(dòng)源分離問題”。倫敦大學(xué)學(xué)院 Sainsbury Wellcome 中心的研究團(tuán)隊(duì)通過開發(fā)一種名為 Translocator 的實(shí)驗(yàn)裝置，首次揭示了小鼠初級(jí)視覺皮層中的神經(jīng)元如何利用運(yùn)動(dòng)和前庭信號(hào)來區(qū)分這兩種運(yùn)動(dòng)。

?圖片摘要。Credit：Cell（2025）

研究團(tuán)隊(duì)開發(fā)了 Translocator 裝置，結(jié)合虛擬現(xiàn)實(shí)技術(shù)，讓小鼠在跑步機(jī)上跑步或被動(dòng)移動(dòng)，同時(shí)記錄其初級(jí)視覺皮層的神經(jīng)活動(dòng)。通過分離運(yùn)動(dòng)信號(hào)、前庭信號(hào)和視覺流動(dòng)信號(hào)，研究團(tuán)隊(duì)發(fā)現(xiàn)，初級(jí)視覺皮層中約 50% 的細(xì)胞對(duì)視覺流動(dòng)、跑步和位移有反應(yīng)。當(dāng)小鼠跑步時(shí)，跑步信號(hào)會(huì)抑制與其速度一致的前庭信號(hào)；而當(dāng)跑步速度和前庭信號(hào)不一致時(shí)，前庭信號(hào)會(huì)主導(dǎo)皮層活動(dòng)。這一發(fā)現(xiàn)表明，大腦通過整合運(yùn)動(dòng)、前庭和視覺信號(hào)來構(gòu)建一個(gè)內(nèi)部參考框架，用于感知自身運(yùn)動(dòng)狀態(tài)。研究還發(fā)現(xiàn)，這種信號(hào)整合不僅發(fā)生在初級(jí)視覺皮層，還廣泛存在于大腦的其他區(qū)域，表明這是大腦皮層組織的基本屬性。研究發(fā)表在 Cell 上。

#神經(jīng)科學(xué) #大腦信號(hào)解析 #運(yùn)動(dòng)感知 #前庭系統(tǒng) #視覺皮層

閱讀更多：

Vélez-Fort, Mateo, et al. “Motor and Vestibular Signals in the Visual Cortex Permit the Separation of Self versus Externally Generated Visual Motion.” Cell, vol. 0, no. 0, Feb. 2025. www.cell.com, https://doi.org/10.1016/j.cell.2025.01.032

繪制大腦發(fā)育的蛋白質(zhì)地圖

弗吉尼亞大學(xué)的研究團(tuán)隊(duì)創(chuàng)建了首個(gè)全面的蛋白質(zhì)水平腦發(fā)育圖譜，提供了前所未有的關(guān)于大腦形成過程的見解。Christopher Deppmann和Eli Zunder領(lǐng)導(dǎo)的研究團(tuán)隊(duì)使用質(zhì)譜細(xì)胞學(xué)技術(shù)，追蹤了大腦不同區(qū)域和發(fā)育階段的40種不同蛋白質(zhì)，揭示了大腦發(fā)育的詳細(xì)分子途徑。

?Credit: University of Virginia College and Graduate School of Arts & Sciences

該研究使用質(zhì)譜流式細(xì)胞術(shù)（mass cytometry）對(duì)C57/BL6小鼠的整個(gè)大腦在胚胎日（E）11.5-E12.5以及端腦、間腦、中腦和后腦在E13.5-出生后日（P）4進(jìn)行了分析。使用40種抗體面板分析了24,290,787個(gè)細(xì)胞，識(shí)別出85個(gè)分子上不同的細(xì)胞簇。研究確認(rèn)了神經(jīng)發(fā)生和膠質(zhì)發(fā)生的經(jīng)典分子途徑，并預(yù)測(cè)了皮質(zhì)少突膠質(zhì)發(fā)生的兩種不同軌跡。通過免疫組織化學(xué)和RNAscope原位雜交驗(yàn)證，質(zhì)譜流式細(xì)胞術(shù)和單細(xì)胞RNA測(cè)序在蛋白質(zhì)與RNA表達(dá)上的差異，證明了蛋白質(zhì)水平測(cè)量在識(shí)別功能細(xì)胞狀態(tài)中的價(jià)值。研究發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學(xué) #跨學(xué)科整合 #大腦發(fā)育 #質(zhì)譜流式細(xì)胞術(shù)

閱讀更多：

Van Deusen, Amy L., et al. “A Single-Cell Mass Cytometry-Based Atlas of the Developing Mouse Brain.” Nature Neuroscience, vol. 28, no. 1, Jan. 2025, pp. 174–88. www.nature.com, https://doi.org/10.1038/s41593-024-01786-1

共情背后的神經(jīng)機(jī)制：700個(gè)神經(jīng)元的關(guān)鍵作用

理解他人的意圖和情感是社會(huì)認(rèn)知的核心，但其神經(jīng)機(jī)制尚不明確。圣路易斯華盛頓大學(xué)醫(yī)學(xué)院的 Runnan Cao、Shuo Wang 及其合作者 Ueli Rutishauser、Adam Mamelak 和 Ralph Adolphs 通過記錄腦部手術(shù)患者的大腦活動(dòng)，揭示了內(nèi)側(cè)顳葉和內(nèi)側(cè)前額葉皮層在社會(huì)推理中的不同作用。

?任務(wù)、電極位置和行為。Credit: Science Advances (2024).

研究團(tuán)隊(duì)在患者進(jìn)行腦部手術(shù)時(shí)，記錄其內(nèi)側(cè)顳葉（MTL, medial temporal lobe）和內(nèi)側(cè)前額葉皮層（MFC, medial frontal cortex）的神經(jīng)元活動(dòng)，同時(shí)向他們展示面部表情、手勢(shì)和自然場(chǎng)景的圖片。結(jié)果顯示，MTL 和 MFC 中存在不同的神經(jīng)元群體，分別編碼社會(huì)性（面部和手勢(shì)）和非社會(huì)性（場(chǎng)景）刺激的推理類型。MTL 中的神經(jīng)元對(duì)面部和手勢(shì)有特異性反應(yīng)，表明其對(duì)社會(huì)推理的領(lǐng)域特異性處理。而 MFC 則以通用方式處理不同刺激類別。此外，研究還發(fā)現(xiàn)超過 700 個(gè)神經(jīng)元參與社會(huì)推理，這些神經(jīng)元可能為孤獨(dú)癥、精神分裂癥和帕金森病的神經(jīng)機(jī)制提供新見解。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 #社會(huì)推理 #內(nèi)側(cè)顳葉 #內(nèi)側(cè)前額葉皮層

閱讀更多：

Cao, Runnan, et al. “Domain-Specific Representation of Social Inference by Neurons in the Human Amygdala and Hippocampus.” Science Advances, vol. 10, no. 49, Dec. 2024, p. eado6166. science.org (Atypon), https://doi.org/10.1126/sciadv.ado6166

新發(fā)現(xiàn)的大腦回路揭示了記憶與情緒如何影響感知

海馬體是大腦中主要負(fù)責(zé)記憶形成的區(qū)域。紐約大學(xué)朗格健康醫(yī)學(xué)院的研究人員發(fā)現(xiàn)了一個(gè)新的大腦回路，該回路將感官信息、記憶和情緒混合起來，以判斷事物是否熟悉或新奇，是否重要或只是“背景噪音”。研究團(tuán)隊(duì)使用現(xiàn)代方法，發(fā)現(xiàn)了一個(gè)直接連接海馬體（HC）與內(nèi)側(cè)前額葉皮層（EC）的第 2 層和第 3 層的第二環(huán)路。

研究團(tuán)隊(duì)在小鼠中發(fā)現(xiàn)了兩條功能不同的平行海馬體到內(nèi)嗅皮層的反饋通路：一條是通過第 5 層的經(jīng)典雙突觸路徑，另一條是到第 2/3 層的新的單突觸輸入。研究發(fā)現(xiàn)，海馬體輸入主要在第 5 層驅(qū)動(dòng)興奮，但在第 2/3 層則驅(qū)動(dòng)前饋抑制。當(dāng)與皮層第 1 層輸入重復(fù)配對(duì)時(shí)，海馬體輸入在第 5 層經(jīng)歷同突觸增強(qiáng)，但在第 2/3 層誘導(dǎo)異突觸可塑性和尖峰輸出。行為上，海馬體輸入到第 5 層和第 2/3 層分別支持物體記憶編碼和回憶。研究還提出了一個(gè)模型，海馬體反饋可以迭代地塑造正在進(jìn)行的皮層處理。研究結(jié)果發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學(xué) #記憶機(jī)制 #大腦信號(hào)解析 #神經(jīng)機(jī)制與腦功能解析

閱讀更多：

Butola, Tanvi, et al. “Hippocampus Shapes Entorhinal Cortical Output through a Direct Feedback Circuit.” Nature Neuroscience, Feb. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-025-01883-9

Syngap1基因通過感覺運(yùn)動(dòng)整合支持認(rèn)知能力

Syngap1基因在突觸和神經(jīng)回路發(fā)展中起關(guān)鍵作用，其突變與智力障礙、孤獨(dú)癥譜系障礙（ASD）和癲癇等學(xué)習(xí)障礙相關(guān)。為了揭示Syngap1基因如何支持認(rèn)知功能，Herbert Wertheim UF Scripps生物醫(yī)學(xué)創(chuàng)新與技術(shù)研究所的Gavin Rumbaugh團(tuán)隊(duì)使用小鼠模型，結(jié)合高速攝影和觸須跟蹤技術(shù)，研究了Syngap1基因在皮質(zhì)興奮性神經(jīng)元中的表達(dá)及其對(duì)感知和行為的影響。研究發(fā)現(xiàn)，Syngap1基因通過整合感覺和運(yùn)動(dòng)信息，促進(jìn)認(rèn)知能力。

?Credit: Tom Vaissiere and Randall Golovin, Rumbaugh Lab.

研究團(tuán)隊(duì)通過小鼠模型，分析了Syngap1基因在皮質(zhì)興奮性神經(jīng)元中的表達(dá)如何影響感知的形成。感知是一種通過感覺運(yùn)動(dòng)整合（SMI）實(shí)現(xiàn)的認(rèn)知過程。研究發(fā)現(xiàn)，Syngap1基因的表達(dá)對(duì)形成促進(jìn)SMI介導(dǎo)感知的體感運(yùn)動(dòng)網(wǎng)絡(luò)至關(guān)重要。Syngap1基因調(diào)節(jié)觸覺敏感性，維持觸覺物體探索，并促進(jìn)觸覺學(xué)習(xí)。Syngap1表達(dá)不足的小鼠在皮質(zhì)-丘腦網(wǎng)絡(luò)（cortical-thalamic network）中表現(xiàn)出由探索性觸摸誘導(dǎo)的神經(jīng)動(dòng)力學(xué)異常，這與長(zhǎng)程突觸連接異常有關(guān)。研究結(jié)果表明，Syngap1基因通過整合時(shí)間重疊的感覺和運(yùn)動(dòng)信號(hào)，促進(jìn)感知和注意力，從而支持認(rèn)知能力。研究發(fā)表在 Nature Communications 上。

#神經(jīng)科學(xué) #孤獨(dú)癥 #智力障礙 #Syngap1基因 #感覺運(yùn)動(dòng)整合

閱讀更多：

Vaissiere, Thomas, et al. “Syngap1 Promotes Cognitive Function through Regulation of Cortical Sensorimotor Dynamics.” Nature Communications, vol. 16, no. 1, Jan. 2025, p. 812. www.nature.com, https://doi.org/10.1038/s41467-025-56125-0

OPN3蛋白在下丘腦調(diào)節(jié)食物攝入的新機(jī)制

下丘腦中的神經(jīng)元表達(dá)Opsin 3（OPN3）蛋白，但其在大腦深處的功能尚不明確。布朗大學(xué)和辛辛那提兒童醫(yī)院的研究團(tuán)隊(duì)通過基因工程手段，在小鼠的下丘腦室室核（PVN）中敲除OPN3，發(fā)現(xiàn)其在調(diào)節(jié)食物攝入中起重要作用。

?在下丘腦的室室核中表達(dá)神經(jīng)元（綠色）的OPN3。Credit: Jonathan Mercado-Reyes.

研究團(tuán)隊(duì)通過基因工程手段，在小鼠的下丘腦室室核中敲除OPN3，觀察其對(duì)食物攝入和活動(dòng)水平的影響。他們還通過分子生物學(xué)技術(shù)，研究了OPN3與黑素皮質(zhì)素4受體（MC4R）和Kir7.1鉀通道（Kir7.1 potassium channel）的相互作用。研究發(fā)現(xiàn)，OPN3與MC4R和Kir7.1鉀通道共同作用，調(diào)節(jié)神經(jīng)元信號(hào)和能量平衡。敲除OPN3的小鼠食物攝入減少，活動(dòng)水平降低。此外，OPN3通過Gαi/o依賴性方式負(fù)調(diào)節(jié)MC4R介導(dǎo)的cAMP信號(hào)，增強(qiáng)Kir7.1通道的活性，從而促進(jìn)食物攝入。研究發(fā)表在 PNAS 上。

#神經(jīng)科學(xué) #下丘腦 #OPN3 #食物攝入 #能量平衡

閱讀更多：

Haddad, Hala K., et al. “Hypothalamic Opsin 3 Suppresses MC4R Signaling and Potentiates Kir7.1 to Promote Food Consumption.” Proceedings of the National Academy of Sciences, vol. 122, no. 8, Feb. 2025, p. e2403891122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2403891122

星形膠質(zhì)細(xì)胞：大腦獎(jiǎng)勵(lì)學(xué)習(xí)的新鑰匙

星形膠質(zhì)細(xì)胞在大腦功能中扮演重要角色，但其在獎(jiǎng)勵(lì)學(xué)習(xí)中的具體作用尚不明確。Cajal研究所、馬德里自治大學(xué)和卡洛斯三世健康研究所的研究團(tuán)隊(duì)使用新開發(fā)的AstroLight工具，揭示了星形膠質(zhì)細(xì)胞在獎(jiǎng)勵(lì)驅(qū)動(dòng)行為中的專門網(wǎng)絡(luò)。

?左：使用 AstroLight 對(duì)星形膠質(zhì)細(xì)胞群體進(jìn)行標(biāo)記。借助該工具，作者獲得了與條件刺激動(dòng)機(jī)行為任務(wù)相關(guān)的伏隔核中星形膠質(zhì)細(xì)胞群體的空間圖譜。右：星形膠質(zhì)細(xì)胞群體刺激。激活標(biāo)記有 AstroLight 的星形膠質(zhì)細(xì)胞引起了小鼠對(duì)兩個(gè)可能的獎(jiǎng)勵(lì)位置之一的偏好改變。Credit: Serra et al.

研究團(tuán)隊(duì)使用AstroLight工具，將星形膠質(zhì)細(xì)胞的鈣信號(hào)轉(zhuǎn)化為光依賴的基因表達(dá)，識(shí)別出在伏隔核（Nucleus Accumbens, NAc）中形成的星形膠質(zhì)細(xì)胞合奏。這些合奏在獎(jiǎng)勵(lì)驅(qū)動(dòng)的行為中活躍，并且直接光遺傳學(xué)激活這些合奏足以驅(qū)動(dòng)小鼠的獎(jiǎng)勵(lì)尋求行為。研究結(jié)果表明，星形膠質(zhì)細(xì)胞并非均勻分布，而是形成特定的合奏，這些合奏在學(xué)習(xí)和記憶中扮演關(guān)鍵角色。研究發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學(xué) #星形膠質(zhì)細(xì)胞 #獎(jiǎng)勵(lì)學(xué)習(xí) #光遺傳學(xué) #伏隔核

閱讀更多：

Serra, Irene, et al. “Astrocyte Ensembles Manipulated with AstroLight Tune Cue-Motivated Behavior.” Nature Neuroscience, Feb. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-025-01870-0

運(yùn)動(dòng)恢復(fù)杏仁核 Stat3 水平，預(yù)防壓力性高血壓

高血壓是全球早死的主要原因之一，慢性壓力是其重要誘因，但具體機(jī)制尚不明確。日本東京齒科大學(xué)的 Hidefumi Waki、Keisuke Tomita 和 Ko Yamanaka 團(tuán)隊(duì)通過大鼠實(shí)驗(yàn)，分析運(yùn)動(dòng)和慢性壓力對(duì)杏仁核基因表達(dá)的影響，發(fā)現(xiàn)運(yùn)動(dòng)能恢復(fù) Stat3 水平并防止血壓升高。

?鍛煉通過 STAT3 調(diào)節(jié)杏仁核中的壓力誘導(dǎo)性高血壓。Credit: Prof. Hidefumi Waki, from Juntendo University

研究團(tuán)隊(duì)對(duì)大鼠進(jìn)行三周的慢性束縛壓力實(shí)驗(yàn)，其中一組進(jìn)行自愿踏輪運(yùn)動(dòng)。通過微陣列方法（microarray）分析杏仁核基因表達(dá)，發(fā)現(xiàn)慢性壓力導(dǎo)致血壓升高和 Stat3 表達(dá)降低，而運(yùn)動(dòng)能維持血壓正常并恢復(fù) Stat3 水平。進(jìn)一步實(shí)驗(yàn)使用小干擾 RNA（small-interfering RNA）抑制 Stat3 表達(dá)，發(fā)現(xiàn)血壓升高，但心率變異性不受影響。這表明 Stat3 在杏仁核中調(diào)控血壓，運(yùn)動(dòng)通過恢復(fù) Stat3 表達(dá)預(yù)防壓力性高血壓。研究發(fā)表在 Acta Physiologica 上。

#神經(jīng)科學(xué) #疾病預(yù)防 #高血壓 #杏仁核 #Stat3

閱讀更多：

Tomita, Keisuke, et al. “Potential Role of Signal Transducer and Activator of Transcription 3 in the Amygdala in Mitigating Stress-Induced High Blood Pressure via Exercise in Rats.” Acta Physiologica, vol. 241, no. 2, 2025, p. e14274. Wiley Online Library, https://doi.org/10.1111/apha.14274

靜態(tài)圖像為何讓你看到動(dòng)態(tài)效果？

擴(kuò)展的孔幻覺是一種靜態(tài)圖像讓人產(chǎn)生動(dòng)態(tài)擴(kuò)展效果的視覺現(xiàn)象，但其背后的神經(jīng)機(jī)制尚不明確。為了揭示這一機(jī)制，弗林德斯大學(xué)的Nasim Nematzadeh和David Powers等人開發(fā)了一種基于高斯差異的計(jì)算模型，模擬了人類視網(wǎng)膜的對(duì)比度和運(yùn)動(dòng)感知處理過程，并解釋了這種幻覺的神經(jīng)基礎(chǔ)。

?擴(kuò)展的孔幻覺：這種靜態(tài)模式產(chǎn)生了動(dòng)態(tài)效果，給人的印象是該模式中中央?yún)^(qū)域的連續(xù)擴(kuò)展。Credit: Flinders University

研究團(tuán)隊(duì)使用高斯差異（Difference of Gaussians, DoG）濾波和經(jīng)典感受野（Classical Receptive Field, CRF）模型，模擬了早期視網(wǎng)膜處理機(jī)制。研究發(fā)現(xiàn)，擴(kuò)展的孔幻覺源于視網(wǎng)膜處理對(duì)比度和運(yùn)動(dòng)感知與大腦之間的相互作用，特別是對(duì)比度依賴性側(cè)抑制（lateral inhibition）在早期視覺處理中的作用。對(duì)比度梯度和多層空間處理共同導(dǎo)致了擴(kuò)張的感知，這一結(jié)果與心理物理學(xué)的發(fā)現(xiàn)一致，并支持了視網(wǎng)膜神經(jīng)節(jié)細(xì)胞在生成這種錯(cuò)覺運(yùn)動(dòng)信號(hào)中的關(guān)鍵作用。這一模型不僅解釋了視覺錯(cuò)覺的神經(jīng)機(jī)制，還為改進(jìn)AI視覺系統(tǒng)提供了新方向，使其在低光環(huán)境或復(fù)雜背景中更加魯棒。

#神經(jīng)科學(xué) #視覺錯(cuò)覺 #視網(wǎng)膜處理 #AI視覺系統(tǒng) #高斯差異

閱讀更多：

Nematzadeh, Nasim, and David M. W. Powers. A Bioplausible Model for the Expanding Hole Illusion: Insights into Retinal Processing and Illusory Motion. arXiv:2501.08625, arXiv, 15 Jan. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2501.08625

認(rèn)知科學(xué)

Science：小鼠如何感知并幫助昏迷同伴

動(dòng)物在失去反應(yīng)性時(shí)面臨捕食者或危險(xiǎn)環(huán)境的威脅，旁觀者的行為對(duì)提高生存和福祉至關(guān)重要。由Fangmiao Sun、Ye Emily Wu和Weizhe Hong組成的研究團(tuán)隊(duì)，他們來自哈佛醫(yī)學(xué)院和哈佛大學(xué)，通過實(shí)驗(yàn)觀察小鼠對(duì)無反應(yīng)同類的行為，并利用光遺傳學(xué)技術(shù)調(diào)控中隔杏仁核（MeA）的神經(jīng)活動(dòng)，以探究這些行為的神經(jīng)機(jī)制。

研究團(tuán)隊(duì)通過實(shí)驗(yàn)觀察小鼠對(duì)無反應(yīng)同類的行為，并利用光遺傳學(xué)技術(shù)調(diào)控中隔杏仁核的神經(jīng)活動(dòng)，以探究這些行為的神經(jīng)機(jī)制。研究發(fā)現(xiàn)，小鼠更傾向于接近無反應(yīng)的同類，并表現(xiàn)出強(qiáng)烈的頭部接觸和梳理行為，這些行為加速了無反應(yīng)個(gè)體的恢復(fù)。MeA在區(qū)分清醒和鎮(zhèn)靜的同類中起關(guān)鍵作用，其神經(jīng)活動(dòng)與這些行為密切相關(guān)。研究發(fā)表在 Science 上。

#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #小鼠行為 #光遺傳學(xué)

閱讀更多：

Sun, Fangmiao, et al. “A Neural Basis for Prosocial Behavior toward Unresponsive Individuals.” Science, Feb. 2025. world, www.science.org, https://www.science.org/doi/10.1126/science.adq2679

Science：小鼠也會(huì)急救

在緊急情況下，人類會(huì)表現(xiàn)出急救行為，但動(dòng)物是否也有類似行為尚不明確。Wenjian Sun、Guang-Wei Zhang、Junxiang J. Huang、Can Tao和Li I. Zhang等研究人員在哈佛醫(yī)學(xué)院和哈佛大學(xué)進(jìn)行了一項(xiàng)研究，使用實(shí)驗(yàn)室小鼠和多種神經(jīng)科學(xué)技術(shù)，揭示了小鼠對(duì)無意識(shí)同伴的特定行為及其背后的神經(jīng)機(jī)制。

?對(duì)無意識(shí)同伴的老鼠行為。Credit：Science(2025).

研究團(tuán)隊(duì)通過行為監(jiān)測(cè)和基于機(jī)器學(xué)習(xí)的標(biāo)注器觀察小鼠對(duì)麻醉引起的無意識(shí)狀態(tài)的熟悉伙伴的反應(yīng)。結(jié)果顯示，小鼠會(huì)從嗅聞和梳理毛發(fā)升級(jí)到咬嘴巴或舌頭等行為。這些行為在伙伴恢復(fù)活動(dòng)后停止，表明是由觀察到他人的無反應(yīng)狀態(tài)觸發(fā)的。電生理記錄和微顯微鈣成像顯示，下丘腦室旁核（hypothalamic paraventricular nucleus）中的催產(chǎn)素神經(jīng)元在面對(duì)無意識(shí)的熟悉伴侶時(shí)表現(xiàn)出增強(qiáng)的激活。光遺傳激活這些神經(jīng)元會(huì)促進(jìn)類似復(fù)蘇的行為，而抑制這些神經(jīng)元或通過室區(qū)注射催產(chǎn)素受體拮抗劑阻斷催產(chǎn)素信號(hào)則會(huì)損害這些行為。研究發(fā)表在 Science 上。

#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #催產(chǎn)素 #小鼠行為 #神經(jīng)技術(shù)

閱讀更多：

Sun, Wenjian, et al. “Reviving-like Prosocial Behavior in Response to Unconscious or Dead Conspecifics in Rodents.” Science, vol. 387, no. 6736, Feb. 2025, p. eadq2677. science.org (Atypon), https://doi.org/10.1126/science.adq2677

Nature：WHAM模型讓AI成為游戲創(chuàng)意的得力助手

生成式AI在創(chuàng)意行業(yè)中的應(yīng)用面臨挑戰(zhàn)，其能力往往無法滿足創(chuàng)意人員的期望。哈佛醫(yī)學(xué)院和哈佛大學(xué)的研究團(tuán)隊(duì)，包括Anssi Kanervisto、Dave Bignell、Linda Yilin Wen等，通過用戶研究確定了生成模型的關(guān)鍵能力，并開發(fā)了名為WHAM的新生成模型。WHAM在人類游戲數(shù)據(jù)上進(jìn)行了訓(xùn)練，能夠生成一致且多樣的游戲序列，并在適當(dāng)提示下持續(xù)用戶修改。

研究團(tuán)隊(duì)首先總結(jié)了來自27名游戲開發(fā)創(chuàng)意人員的用戶研究結(jié)果，展示了發(fā)散思維和迭代實(shí)踐在使用生成式AI實(shí)現(xiàn)有意義的新穎性方面的重要作用?；谶@些見解，他們確定了一組生成模型能力，即一致性、多樣性和持久性。WHAM模型通過訓(xùn)練人類游戲數(shù)據(jù)，展示了其生成一致且多樣游戲序列的能力，并能夠持續(xù)用戶修改。研究團(tuán)隊(duì)還發(fā)布了WHAM的權(quán)重、評(píng)估數(shù)據(jù)集和WHAM演示器，以支持進(jìn)一步的研究和探索。研究發(fā)表在 Nature 上。

#認(rèn)知科學(xué) #大模型技術(shù) #生成式AI #游戲開發(fā) #WHAM模型

閱讀更多：

Kanervisto, Anssi, et al. “World and Human Action Models towards Gameplay Ideation.” Nature, vol. 638, no. 8051, Feb. 2025, pp. 656–63. www.nature.com, https://doi.org/10.1038/s41586-025-08600-3

Nature：壓力如何讓大腦“自動(dòng)駕駛”？

慢性壓力如何影響決策制定？哈佛醫(yī)學(xué)院和哈佛大學(xué)的研究團(tuán)隊(duì)通過小鼠實(shí)驗(yàn)，揭示了大腦中兩條神經(jīng)通路在壓力和決策中的作用。研究使用光遺傳學(xué)技術(shù)（optogenetics）激活或抑制特定神經(jīng)通路，分析小鼠在壓力下的決策模式，發(fā)現(xiàn)慢性壓力會(huì)抑制與靈活決策相關(guān)的通路，同時(shí)激活與習(xí)慣行為相關(guān)的通路。

研究團(tuán)隊(duì)通過讓小鼠暴露于輕微壓力源（如潮濕鋪墊和白噪音），觀察其行為變化。隨后，使用光遺傳學(xué)技術(shù)激活或抑制特定神經(jīng)通路，分析小鼠在壓力下的決策模式。研究發(fā)現(xiàn)，一條與靈活決策相關(guān)的神經(jīng)通路在未受壓小鼠中活躍，而在受壓小鼠中被抑制；另一條與習(xí)慣行為相關(guān)的通路則在受壓小鼠中活躍。通過光遺傳學(xué)技術(shù)激活被抑制的通路后，受壓小鼠的行為恢復(fù)正常，表明這些通路在壓力下的決策平衡中起關(guān)鍵作用。研究發(fā)表在 Nature 上。

#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #慢性壓力 #光遺傳學(xué)

閱讀更多：

Watson, Traci. “How Chronic Stress Warps Decision-Making.” Nature, Feb. 2025. www.nature.com, https://doi.org/10.1038/d41586-025-00502-8

Nature：AI如何幫助全球應(yīng)對(duì)下一次疫情

傳染病對(duì)全球健康構(gòu)成持續(xù)威脅，人工智能（AI）在疫情準(zhǔn)備和應(yīng)對(duì)中的潛力備受關(guān)注。牛津大學(xué)的Moritz Kraemer、Samir Bhatt以及Scripps研究轉(zhuǎn)化研究所的Eric Topol等科學(xué)家，聯(lián)合全球多個(gè)領(lǐng)域的學(xué)術(shù)界、工業(yè)界和政策組織，發(fā)表了一篇觀點(diǎn)文章，探討了AI如何加速傳染病研究和疫情應(yīng)對(duì)的突破，并強(qiáng)調(diào)了安全性、問責(zé)制和倫理問題。

研究結(jié)合了機(jī)器學(xué)習(xí)、計(jì)算統(tǒng)計(jì)學(xué)、信息檢索和數(shù)據(jù)科學(xué)等技術(shù)，分析了AI在傳染病建模中的應(yīng)用。研究發(fā)現(xiàn)，AI在有限數(shù)據(jù)下的表現(xiàn)顯著提升，能夠更好地預(yù)測(cè)疫情起源、傳播軌跡和對(duì)個(gè)體的影響。例如，AI可以整合群體和個(gè)人數(shù)據(jù)，優(yōu)化資源分配，并加速疫苗開發(fā)。此外，AI在識(shí)別高傳播區(qū)域和預(yù)測(cè)新病原體特性方面也表現(xiàn)出色。然而，AI的應(yīng)用仍需謹(jǐn)慎，特別是在數(shù)據(jù)質(zhì)量和模型透明度方面。研究建議加強(qiáng)全球合作，推動(dòng)AI在傳染病防控中的可持續(xù)發(fā)展。研究發(fā)表在 Nature 上。

#認(rèn)知科學(xué) #預(yù)測(cè)模型構(gòu)建 #人工智能 #全球合作

閱讀更多：

Kraemer, Moritz U. G., et al. “Artificial Intelligence for Modelling Infectious Disease Epidemics.” Nature, vol. 638, no. 8051, Feb. 2025, pp. 623–35. www.nature.com, https://doi.org/10.1038/s41586-024-08564-w

AI預(yù)測(cè)人格相關(guān)性超越人類，但專家和專門模型仍具優(yōu)勢(shì)

現(xiàn)代AI系統(tǒng)能否準(zhǔn)確理解人類個(gè)性？Philipp Schoenegger、Spencer Greenberg、Alexander Grishin、Joshua Lewis和Lucius Caviola團(tuán)隊(duì)對(duì)此展開研究，測(cè)試了通用大型語言模型和專門AI系統(tǒng)（如PersonalityMap）在預(yù)測(cè)人格問卷項(xiàng)目相關(guān)性方面的表現(xiàn)。結(jié)果顯示，所有AI模型均優(yōu)于大多數(shù)普通民眾和學(xué)術(shù)專家，但基于中位數(shù)的預(yù)測(cè)顯示，專門模型和專家仍具優(yōu)勢(shì)。

研究通過預(yù)先注冊(cè)的分析，測(cè)試了兩類前沿LLMs（GPT-4o和Claude 3 Opus）、一個(gè)專門模型（PersonalityMap）、普通民眾和學(xué)術(shù)專家預(yù)測(cè)兩個(gè)調(diào)查問題之間關(guān)系的能力。在未預(yù)先注冊(cè)的分析中，還測(cè)試了另一個(gè)專門模型（SurveyBot3000）以及不同規(guī)格的GPT-4o。研究結(jié)果顯示，所有AI模型在預(yù)測(cè)人格項(xiàng)目相關(guān)性方面均優(yōu)于大多數(shù)普通民眾和學(xué)術(shù)專家。然而，通過取每組的預(yù)測(cè)中位數(shù)，可以進(jìn)一步提高預(yù)測(cè)準(zhǔn)確性?；谥形粩?shù)，PersonalityMap和學(xué)術(shù)專家在大多數(shù)指標(biāo)上超越了LLMs和普通民眾。這一結(jié)果表明，盡管先進(jìn)的大型語言模型在預(yù)測(cè)方面優(yōu)于大多數(shù)個(gè)體，但專門模型如PersonalityMap在特定領(lǐng)域任務(wù)中仍能匹配甚至超越專家群體表現(xiàn)。研究發(fā)表在 Communications Psychology 上。

#認(rèn)知科學(xué) #AI預(yù)測(cè) #人格心理學(xué) #大型語言模型 #專門模型

閱讀更多：

Schoenegger, Philipp, et al. “AI Can Outperform Humans in Predicting Correlations between Personality Items.” Communications Psychology, vol. 3, no. 1, Feb. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s44271-025-00205-w

大型語言模型顯著提升學(xué)術(shù)會(huì)議組織效率

組織學(xué)術(shù)會(huì)議面臨日益復(fù)雜的挑戰(zhàn)，尤其是在投稿數(shù)量和多樣性增加的情況下。AMIA 2024信息學(xué)峰會(huì)科學(xué)計(jì)劃委員會(huì)嘗試使用生成式人工智能和大型語言模型來優(yōu)化會(huì)議組織流程。研究團(tuán)隊(duì)由Yuan Luo、Yikuan Li、Omolola Ogunyemi、Eileen Koski和Blanca E. Himes組成，他們利用LLMs開發(fā)算法，自動(dòng)化處理投稿與審稿人匹配、主題分組和生成一句話摘要等任務(wù)，顯著提高了會(huì)議組織效率。

研究團(tuán)隊(duì)使用大型語言模型開發(fā)了審稿人分配算法、主題分組和生成一句話摘要的工具。LLMs通過提示工程（prompt engineering）生成Python代碼，自動(dòng)化處理投稿與審稿人匹配，僅需30分鐘，而傳統(tǒng)手動(dòng)方法需要20小時(shí)以上。主題分組任務(wù)中，LLMs幫助生成會(huì)期名稱和分組建議，盡管需要人類監(jiān)督，但時(shí)間從2.5天縮短到2.5小時(shí)。生成一句話摘要的任務(wù)僅需15分鐘，而手動(dòng)完成150個(gè)摘要需要25小時(shí)。LLMs在提高效率的同時(shí)，保持了主題一致性和信息清晰度。研究發(fā)表在 npj Digital Medicine 上。

#認(rèn)知科學(xué) #大型語言模型 #學(xué)術(shù)會(huì)議 #人工智能 #效率提升

閱讀更多：

Luo, Yuan, et al. “Leveraging Large Language Models for Academic Conference Organization.” Npj Digital Medicine, vol. 8, no. 1, Feb. 2025, pp. 1–5. www.nature.com, https://doi.org/10.1038/s41746-025-01492-7

統(tǒng)計(jì)素養(yǎng)影響你對(duì)AI算法的信任度

隨著AI算法在決策中的廣泛應(yīng)用，理解人們對(duì)AI的信任至關(guān)重要。南澳大利亞大學(xué)的研究團(tuán)隊(duì)通過調(diào)查來自20個(gè)國家的近2000名參與者，探討了統(tǒng)計(jì)素養(yǎng)和AI熟悉度如何影響人們對(duì)低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)場(chǎng)景中AI算法的信任。

研究采用問卷調(diào)查方法，評(píng)估了參與者對(duì)不同場(chǎng)景中AI算法的信任度。結(jié)果顯示，統(tǒng)計(jì)素養(yǎng)在低風(fēng)險(xiǎn)場(chǎng)景（如音樂推薦）中與信任呈正相關(guān)，而在高風(fēng)險(xiǎn)場(chǎng)景（如醫(yī)療決策）中與信任呈負(fù)相關(guān)。這表明，理解AI算法工作原理的人更傾向于在低風(fēng)險(xiǎn)場(chǎng)景中信任AI，但在高風(fēng)險(xiǎn)場(chǎng)景中則更加謹(jǐn)慎。此外，老年人和男性對(duì)算法更為謹(jǐn)慎，而高度工業(yè)化國家的人們也表現(xiàn)出類似傾向。研究還發(fā)現(xiàn)，算法的可解釋性并未顯著影響信任。研究團(tuán)隊(duì)建議，應(yīng)提高公眾的統(tǒng)計(jì)和AI素養(yǎng)，以便人們能夠更好地判斷何時(shí)信任AI。研究發(fā)表在 Frontiers in Artificial Intelligence 上。

#認(rèn)知科學(xué) #預(yù)測(cè)模型構(gòu)建 #AI信任 #統(tǒng)計(jì)素養(yǎng) #算法決策

閱讀更多：

Marmolejo-Ramos, Fernando, et al. “Factors Influencing Trust in Algorithmic Decision-Making: An Indirect Scenario-Based Experiment.” Frontiers in Artificial Intelligence, vol. 7, Feb. 2025. Frontiers, https://doi.org/10.3389/frai.2024.1465605

情緒感知聊天機(jī)器人革新心理健康護(hù)理

全球心理健康障礙的患病率高達(dá)25%，這一問題因污名化、地理位置和心理健康從業(yè)者短缺而加劇。Keele 大學(xué)計(jì)算機(jī)科學(xué)與數(shù)學(xué)學(xué)院的 Baidaa Al-Bander 博士領(lǐng)導(dǎo)的研究團(tuán)隊(duì)開發(fā)了一種新的情緒感知心理急救（PFA）聊天機(jī)器人，集成了基于 Google 的 BERT 語言模型訓(xùn)練的情緒壓力檢測(cè)系統(tǒng)，并在 OpenAI 的 GPT 模型上進(jìn)行了微調(diào)。該聊天機(jī)器人在測(cè)試中能夠準(zhǔn)確識(shí)別情緒的比例超過83%，并提供被認(rèn)為具有倫理性和適當(dāng)性的心理急救。

該研究利用深度學(xué)習(xí)模型，結(jié)合 BERT（Bidirectional Encoder Representations from Transformers）進(jìn)行情緒壓力檢測(cè)，并在 GPT-3.5 上進(jìn)行微調(diào)，開發(fā)了心理急救（PFA）聊天機(jī)器人。BERT 在情緒壓力檢測(cè)方面表現(xiàn)出色，準(zhǔn)確率達(dá)到93%。使用 PFA-GPT 模型開發(fā)的多語言 PFA 聊天機(jī)器人在情緒識(shí)別方面的得分超過83%，并能夠提供倫理性的心理急救。這一集成方法在克服心理健康支持障礙方面具有顯著潛力，通過 AI 驅(qū)動(dòng)的心理干預(yù)提供及時(shí)和便捷的護(hù)理。研究發(fā)表在 Cognitive Computation and Systems 上。

#認(rèn)知科學(xué) #心理健康與精神疾病 #深度學(xué)習(xí)模型 #情緒識(shí)別 #心理急救

閱讀更多：

Taiwo, Olajumoke, and Baidaa Al-Bander. “Emotion-Aware Psychological First Aid: Integrating BERT-Based Emotional Distress Detection with Psychological First Aid-Generative Pre-Trained Transformer Chatbot for Mental Health Support.” Cognitive Computation and Systems, vol. 7, no. 1, 2025, p. e12116. Wiley Online Library, https://doi.org/10.1049/ccs2.12116

公眾對(duì)醫(yī)療系統(tǒng)使用AI的信任度普遍較低

隨著人工智能（AI）在醫(yī)療領(lǐng)域的快速發(fā)展，公眾對(duì)醫(yī)療系統(tǒng)使用AI的信任度成為一個(gè)重要問題。密歇根大學(xué)醫(yī)學(xué)院的Jodyn Platt和明尼蘇達(dá)大學(xué)公共衛(wèi)生學(xué)院的Paige Nong領(lǐng)導(dǎo)的研究團(tuán)隊(duì)通過全國性調(diào)查，探討了公眾對(duì)醫(yī)療系統(tǒng)使用AI的信任度。研究結(jié)果顯示，大多數(shù)成年人對(duì)醫(yī)療系統(tǒng)負(fù)責(zé)任地使用AI和保護(hù)他們免受AI傷害的信任度較低。

?Credit: JAMA Network Open (2025).

研究團(tuán)隊(duì)使用了2023年6月至7月的數(shù)據(jù)，調(diào)查了2039名美國成年人。調(diào)查結(jié)果顯示，65.8%的受訪者對(duì)醫(yī)療系統(tǒng)負(fù)責(zé)任地使用AI缺乏信任，57.7%的人擔(dān)心AI工具可能對(duì)他們?cè)斐蓚?。研究發(fā)現(xiàn)，整體信任度較高的人更可能相信醫(yī)療系統(tǒng)會(huì)保護(hù)他們免受AI傷害（優(yōu)勢(shì)比[OR]，3.97），而女性比男性更不信任醫(yī)療系統(tǒng)使用AI。此外，在醫(yī)療過程中遭受歧視的經(jīng)歷與對(duì)AI的信任度呈負(fù)相關(guān)（OR，0.66）。研究發(fā)表在 JAMA Network Open 上。

#認(rèn)知科學(xué) #個(gè)性化醫(yī)療 #人工智能 #信任度 #醫(yī)療系統(tǒng)

閱讀更多：

Nong, Paige, and Jodyn Platt. “Patients’ Trust in Health Systems to Use Artificial Intelligence.” JAMA Network Open, vol. 8, no. 2, Feb. 2025, p. e2460628. Silverchair, https://doi.org/10.1001/jamanetworkopen.2024.60628

機(jī)器學(xué)習(xí)揭示人類大腦如何感知情感

人類視覺體驗(yàn)不僅由光線反射定義，還包括同時(shí)產(chǎn)生的情感反應(yīng)。紐約城市大學(xué)的研究團(tuán)隊(duì)，包括Edward A. Vessel等人，利用機(jī)器學(xué)習(xí)模型，探索了感知過程與情感反應(yīng)之間的聯(lián)系。他們使用了180種先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)模型，這些模型僅在標(biāo)準(zhǔn)計(jì)算機(jī)視覺任務(wù)上進(jìn)行訓(xùn)練，用于預(yù)測(cè)人類對(duì)圖像的情感反應(yīng)。

?方法概述。Credit: Proceedings of the National Academy of Sciences (2025).

研究團(tuán)隊(duì)使用了多種深度神經(jīng)網(wǎng)絡(luò)模型，這些模型在沒有生理狀態(tài)或意識(shí)思維的情況下學(xué)習(xí)感知世界。通過線性解碼（linear decoding）網(wǎng)絡(luò)活動(dòng)中的信息，研究人員能夠預(yù)測(cè)人類對(duì)圖像的情感反應(yīng)，如興奮度、效價(jià)和美感。結(jié)果表明，僅基于感知過程的模型能夠解釋大部分可解釋的變異，揭示了感知過程在情感體驗(yàn)中的重要性。研究發(fā)表在 Proceedings of the National Academy of Sciences 上。

#認(rèn)知科學(xué) #預(yù)測(cè)模型構(gòu)建 #機(jī)器學(xué)習(xí) #情感反應(yīng) #深度神經(jīng)網(wǎng)絡(luò)

閱讀更多：

Conwell, Colin, et al. “The Perceptual Primacy of Feeling: Affectless Visual Machines Explain a Majority of Variance in Human Visually Evoked Affect.” Proceedings of the National Academy of Sciences, vol. 122, no. 4, Jan. 2025, p. e2306025121. pnas.org (Atypon), https://doi.org/10.1073/pnas.2306025121

為何我們總是嘗試新方法？人類與狨猴共有的認(rèn)知策略

麻省理工學(xué)院的研究團(tuán)隊(duì)，包括Mriganka Sur和Tudor Dragoi，探索了人類和狨猴在已經(jīng)學(xué)會(huì)任務(wù)后仍然測(cè)試其他方法的行為。通過簡(jiǎn)單的反應(yīng)時(shí)間任務(wù)，他們發(fā)現(xiàn)即使受試者已經(jīng)掌握了任務(wù)，他們?nèi)匀粫?huì)受到前一次試驗(yàn)結(jié)果的影響，調(diào)整反應(yīng)時(shí)間。這種行為可能與孤獨(dú)癥譜系障礙的預(yù)測(cè)能力差異有關(guān)。

研究團(tuán)隊(duì)設(shè)計(jì)了反應(yīng)時(shí)間任務(wù)，要求三個(gè)人類和兩只狨猴對(duì)屏幕上圖像消失的時(shí)間做出反應(yīng)。通過數(shù)學(xué)建模，他們發(fā)現(xiàn)受試者的反應(yīng)時(shí)間遵循“危險(xiǎn)模型”（hazard model），即圖像在屏幕上停留的時(shí)間越長(zhǎng)，反應(yīng)時(shí)間越快。然而，受試者還會(huì)根據(jù)前一次試驗(yàn)的結(jié)果調(diào)整反應(yīng)時(shí)間，即使這可能導(dǎo)致不必要的錯(cuò)誤。這種行為表明，即使在掌握了任務(wù)后，受試者仍會(huì)不斷更新其反應(yīng)策略，可能是為了尋找更優(yōu)的環(huán)境內(nèi)部模型。研究還發(fā)現(xiàn)，狨猴可以模仿神經(jīng)典型的人類預(yù)測(cè)行為，為孤獨(dú)癥研究提供了信息模型。研究發(fā)表在 Current Biology 上。

#認(rèn)知科學(xué) #預(yù)測(cè)模型構(gòu)建 #孤獨(dú)癥 #危險(xiǎn)模型

閱讀更多：

Dragoi, Tudor, et al. “Global to Local Influences on Temporal Expectation in Marmosets and Humans.” Current Biology, vol. 0, no. 0, Feb. 2025. www.cell.com, https://doi.org/10.1016/j.cub.2025.01.052

神經(jīng)網(wǎng)絡(luò)模型揭示人類如何在復(fù)雜環(huán)境中集中注意力

人類在復(fù)雜環(huán)境中如何集中注意力一直是一個(gè)挑戰(zhàn)。華盛頓大學(xué)圣路易斯分校的研究人員Wouter Kool和Davide Gheza開發(fā)了一種神經(jīng)網(wǎng)絡(luò)模型，通過模擬多維干擾任務(wù)，揭示了人們?nèi)绾瓮ㄟ^忽略過去的干擾來調(diào)整注意力。

?參與者會(huì)面對(duì)三項(xiàng)來自主要任務(wù)的干擾，模擬了更自然的人類集中注意力的條件。與僅觀察簡(jiǎn)單顏色單詞（Stroop 任務(wù)）不同，參與者需要在具有不同形狀、顏色、邊界和運(yùn)動(dòng)方向的復(fù)雜刺激中找到目標(biāo)特征。當(dāng)目標(biāo)與許多干擾物混在一起時(shí)，人們的反應(yīng)會(huì)變慢。Credit: Washington University in St. Louis / Control and Decision Making lab

研究人員設(shè)計(jì)了一個(gè)多維任務(wù)集干擾范式，要求參與者在具有不同形狀、顏色、邊框和運(yùn)動(dòng)方向的復(fù)雜刺激中找到目標(biāo)特征，同時(shí)面對(duì)三項(xiàng)干擾。通過三個(gè)實(shí)驗(yàn)，研究提供了強(qiáng)有力的證據(jù)支持人們通過抑制任務(wù)無關(guān)信息來適應(yīng)先前的沖突。新的神經(jīng)網(wǎng)絡(luò)模型表明，只有在包含多個(gè)獨(dú)立沖突檢測(cè)單元時(shí)才能模擬這些結(jié)果。研究結(jié)果呼吁更新經(jīng)典的認(rèn)知控制模型及其神經(jīng)計(jì)算基礎(chǔ)。研究發(fā)表在 Nature Human Behaviour 上。

#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #神經(jīng)網(wǎng)絡(luò)模型 #注意力控制

閱讀更多：

Gheza, Davide, and Wouter Kool. “Distractor-Specific Control Adaptation in Multidimensional Environments.” Nature Human Behaviour, Jan. 2025, pp. 1–20. www.nature.com, https://doi.org/10.1038/s41562-024-02088-z

機(jī)器人也能終身學(xué)習(xí)？新框架讓AI更聰明

人類能夠終身積累知識(shí)并不斷提升技能，但這一能力在人工智能和機(jī)器人系統(tǒng)中難以復(fù)制。為了解決這一問題，慕尼黑工業(yè)大學(xué)和南京大學(xué)的研究團(tuán)隊(duì)，包括Alois Knoll和Zhenshan Bing，開發(fā)了LEGION框架。該框架利用貝葉斯非參數(shù)模型（DPMMs）和語言嵌入，使機(jī)器人能夠持續(xù)學(xué)習(xí)并適應(yīng)新任務(wù)，提升了其在實(shí)際應(yīng)用中的性能。

?概念插圖展示了機(jī)器人 LRL 過程。a，一般 LRL 過程的概覽插圖。與傳統(tǒng)的多任務(wù)方法不同，在傳統(tǒng)方法中代理可以同時(shí)訪問所有任務(wù)，而 LRL 代理可以依次掌握任務(wù)，一個(gè)接一個(gè)。此外，代理在整個(gè)過程中需要不斷積累知識(shí)。這一概念模仿了人類的學(xué)習(xí)過程。b，基于終身學(xué)習(xí)概念提出的框架。指示部署的具身代理使用語言命令執(zhí)行長(zhǎng)期任務(wù)。代理通過結(jié)合和重新應(yīng)用獲得的知識(shí)來完成這些任務(wù)。Credit: Meng et al.

LEGION框架的核心是貝葉斯非參數(shù)模型（DPMMs），這種模型能夠根據(jù)接收到的任務(wù)數(shù)據(jù)動(dòng)態(tài)調(diào)整知識(shí)結(jié)構(gòu)，避免了傳統(tǒng)方法中預(yù)定義任務(wù)數(shù)量的限制。研究人員還將語言嵌入與預(yù)訓(xùn)練的大型語言模型結(jié)合，使機(jī)器人能夠理解和執(zhí)行復(fù)雜的長(zhǎng)期任務(wù)，如清理桌子。實(shí)驗(yàn)結(jié)果顯示，LEGION框架使機(jī)器人能夠從連續(xù)的任務(wù)流中積累知識(shí)，并能通過組合和重新應(yīng)用所學(xué)知識(shí)來解決復(fù)雜的長(zhǎng)期任務(wù)。這一研究為開發(fā)更具適應(yīng)性和學(xué)習(xí)能力的機(jī)器人提供了新的思路。研究發(fā)表在 Nature Machine Intelligence 上。

#認(rèn)知科學(xué) #自動(dòng)化科研 #強(qiáng)化學(xué)習(xí) #貝葉斯非參數(shù)模型 #語言嵌入

閱讀更多：

Meng, Yuan, et al. “Preserving and Combining Knowledge in Robotic Lifelong Reinforcement Learning.” Nature Machine Intelligence, Feb. 2025, pp. 1–14. www.nature.com, https://doi.org/10.1038/s42256-025-00983-2

AI助力精準(zhǔn)健康管理，推動(dòng)長(zhǎng)壽研究新突破

隨著衰老研究數(shù)據(jù)的爆炸性增長(zhǎng)，如何有效評(píng)估干預(yù)措施的安全性和有效性成為一大挑戰(zhàn)。新加坡國立大學(xué) Yong Loo Lin 醫(yī)學(xué)院與德國羅斯托克大學(xué)醫(yī)學(xué)中心生物統(tǒng)計(jì)與醫(yī)學(xué)信息及衰老研究研究所的研究人員合作，利用大型語言模型等先進(jìn) AI 工具，提出了一套全面的標(biāo)準(zhǔn)，確保 AI 系統(tǒng)能夠準(zhǔn)確、可靠且易于理解地分析復(fù)雜生物數(shù)據(jù)，從而提供個(gè)性化健康建議。

研究團(tuán)隊(duì)確定了八項(xiàng)關(guān)鍵要求，包括評(píng)價(jià)結(jié)果的正確性、有用性、可解釋性、對(duì)因果機(jī)制的考慮、跨學(xué)科分析、可重復(fù)性和標(biāo)準(zhǔn)化、對(duì)縱向數(shù)據(jù)的強(qiáng)調(diào)，以及與已知衰老機(jī)制的相關(guān)性。通過將這些要求添加到提示中，研究人員發(fā)現(xiàn) LLMs 能夠提供更準(zhǔn)確和詳細(xì)的見解。例如，在分析雷帕霉素（rapamycin）時(shí)，AI 不僅評(píng)估了其有效性，還提供了具體背景下的解釋和注意事項(xiàng)，如可能的副作用。研究結(jié)果表明，AI 工具在評(píng)估衰老干預(yù)措施時(shí)，能夠設(shè)計(jì)更好的臨床試驗(yàn)并幫助制定個(gè)性化健康建議，從而為更安全和更有效的健康干預(yù)鋪平道路。研究發(fā)表在 Ageing Research Reviews 上。

#認(rèn)知科學(xué) #個(gè)性化醫(yī)療 #健康管理與壽命延長(zhǎng) #大模型技術(shù)

閱讀更多：

“Validation Requirements for AI-Based Intervention-Evaluation in Aging and Longevity Research and Practice.” Ageing Research Reviews, vol. 104, Feb. 2025, p. 102617. www.sciencedirect.com, https://doi.org/10.1016/j.arr.2024.102617

從禪定到方言：探索心靈的共同語言

佛教的禪定冥想和基督教的說方言實(shí)踐在表面上看似截然不同，但麥吉爾大學(xué)、莫納什大學(xué)和多倫多大學(xué)的研究團(tuán)隊(duì)發(fā)現(xiàn)它們?cè)谡J(rèn)知反饋循環(huán)上有著顯著的共同點(diǎn)。研究由Michael Lifshitz領(lǐng)導(dǎo)，通過收集來自美國佛教冥想退修會(huì)和基督教禮拜服務(wù)的第一手資料，分析了參與者的注意力和情緒狀態(tài)，并記錄了他們的腦電活動(dòng)。研究結(jié)果表明，這兩種實(shí)踐都能通過一個(gè)被稱為“注意力、喚醒和釋放螺旋”的心理循環(huán)，創(chuàng)造出深層次的快樂和放下狀態(tài)。

研究團(tuán)隊(duì)通過對(duì)美國經(jīng)驗(yàn)豐富的佛教冥想者和基督教說方言者的現(xiàn)象學(xué)訪談，發(fā)現(xiàn)這兩種精神實(shí)踐在集中注意力、激發(fā)的喜悅和釋放感之間存在著動(dòng)態(tài)關(guān)系。通過分析這些現(xiàn)象學(xué)數(shù)據(jù)，并結(jié)合大腦功能理論，如感覺門控和預(yù)測(cè)處理，研究提出這些實(shí)踐都涉及一個(gè)通過注意力、喚醒和釋放螺旋構(gòu)建的自律場(chǎng)。這一發(fā)現(xiàn)為理解人類如何培養(yǎng)深度集中狀態(tài)提供了新的見解，并可能幫助更多人獲得深層次的平靜與幸福。研究發(fā)表在 American Journal of Human Biology 上。

#認(rèn)知科學(xué) #心理健康與精神疾病 #冥想 #說方言 #認(rèn)知反饋循環(huán)

閱讀更多：

Brahinsky, Josh, et al. “The Spiral of Attention, Arousal, and Release: A Comparative Phenomenology of Jhāna Meditation and Speaking in Tongues.” American Journal of Human Biology, vol. 36, no. 12, 2024, p. e24189. Wiley Online Library, https://doi.org/10.1002/ajhb.24189

虛擬現(xiàn)實(shí)實(shí)驗(yàn)揭示大腦會(huì)放大意外疼痛

痛覺感知不僅由有害刺激決定，還因個(gè)人信念和不確定性而異。東京海洋大學(xué)的研究團(tuán)隊(duì)使用虛擬現(xiàn)實(shí)技術(shù)，讓健康參與者在接受熱痛刺激的同時(shí)觀察視覺刺激，并報(bào)告疼痛強(qiáng)度。研究結(jié)果支持了“驚訝假說”，即大腦將疼痛感知為預(yù)測(cè)與現(xiàn)實(shí)之間的差異，揭示了疼痛感知的機(jī)制。

?自我誘發(fā)疼痛任務(wù)在虛擬現(xiàn)實(shí)環(huán)境中的研究。Credit: Cognition (2025).

這項(xiàng)研究的關(guān)鍵方法是虛擬現(xiàn)實(shí)技術(shù)，研究人員讓參與者在接受熱痛刺激的同時(shí)，手臂被虛擬刀刺入。為了操縱驚訝程度，視覺威脅突然消失，并在動(dòng)作的不同階段呈現(xiàn)熱痛刺激。研究發(fā)現(xiàn)，當(dāng)視覺威脅突然消失并與延遲的熱痛刺激結(jié)合時(shí)，疼痛強(qiáng)度被放大。基于貝葉斯理論的分析顯示，貝葉斯驚訝值顯著調(diào)節(jié)了疼痛感知。這些結(jié)果表明，大腦通過動(dòng)作的傳出副本預(yù)測(cè)疼痛，并將其與多模態(tài)刺激整合，感知為驚訝。研究發(fā)表在 Cognition 上。

#認(rèn)知科學(xué) #疼痛 #虛擬現(xiàn)實(shí) #貝葉斯理論

閱讀更多：

“Bayesian Surprise Intensifies Pain in a Novel Visual-Noxious Association.” Cognition, vol. 257, Apr. 2025, p. 106064. www.sciencedirect.com, https://doi.org/10.1016/j.cognition.2025.106064

反例驅(qū)動(dòng)推理提升大型語言模型的數(shù)學(xué)能力

大型語言模型在數(shù)學(xué)問題解決方面表現(xiàn)出色，但其推理能力主要依賴于模式識(shí)別，而非真正的概念理解。為了提升LLMs的數(shù)學(xué)推理能力，Aswin Ak領(lǐng)導(dǎo)的團(tuán)隊(duì)引入了COUNTERMATH，一個(gè)基于反例的數(shù)學(xué)推理基準(zhǔn)，包含1,216個(gè)需要反例來反駁的數(shù)學(xué)命題。這些問題從大學(xué)教科書中精選，并通過專家驗(yàn)證。團(tuán)隊(duì)還開發(fā)了一個(gè)自動(dòng)數(shù)據(jù)收集和精煉過程，以提升LLMs的基于反例的推理能力。

COUNTERMATH基準(zhǔn)的構(gòu)建基于四門核心數(shù)學(xué)學(xué)科：代數(shù)、拓?fù)鋵W(xué)、實(shí)分析和泛函分析。數(shù)據(jù)構(gòu)建過程分為多步，包括從教科書中收集數(shù)學(xué)命題、通過OCR轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)、數(shù)學(xué)家審查和標(biāo)注、專業(yè)翻譯和額外檢查。團(tuán)隊(duì)還提出了一個(gè)內(nèi)置數(shù)據(jù)工程框架，以自動(dòng)檢索基于反例推理的訓(xùn)練數(shù)據(jù)。最新的數(shù)學(xué)LLMs，如OpenAI的o1模型及其微調(diào)的開源變體，在COUNTERMATH上進(jìn)行了嚴(yán)格的評(píng)估。

評(píng)估結(jié)果顯示，大多數(shù)LLMs在反例驅(qū)動(dòng)推理方面存在顯著缺陷，尤其是在拓?fù)鋵W(xué)和實(shí)分析等抽象領(lǐng)域。開源模型的表現(xiàn)普遍不如專有模型，但通過基于反例的數(shù)據(jù)微調(diào)，模型的性能顯著提升。例如，Qwen2.5-Math-72B-Instruct在開源模型中表現(xiàn)最佳，但仍落后于GPT-4o和OpenAI o1。微調(diào)后的模型在基于反例的推理和判斷準(zhǔn)確性上均有顯著提升。

#認(rèn)知科學(xué) #大模型技術(shù) #數(shù)學(xué)推理 #反例證明

閱讀更多：

Li, Yinghui, et al. One Example Shown, Many Concepts Known! Counterexample-Driven Conceptual Reasoning in Mathematical LLMs. arXiv:2502.10454, arXiv, 12 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.10454

模型剪枝技術(shù)有效減少AI偏見，但效果因情境而異

大型語言模型在應(yīng)用中常表現(xiàn)出種族偏見，這一問題引發(fā)了廣泛關(guān)注。斯坦福大學(xué)的研究團(tuán)隊(duì)，包括Julian Nyarko、Sibo Ma、Alejandro Salinas和Peter Henderson，開發(fā)了一種名為“模型剪枝”的技術(shù)，通過選擇性移除導(dǎo)致偏見的人工神經(jīng)元，成功減少了偏見，同時(shí)保持了模型的實(shí)用性。然而，研究也發(fā)現(xiàn)，偏見緩解策略的效果高度依賴于具體應(yīng)用場(chǎng)景。

?基于剪枝的偏差緩解方法示意圖。Credit: arXiv (2025).

研究團(tuán)隊(duì)采用模型剪枝（model pruning）技術(shù)，深入分析了LLMs內(nèi)部機(jī)制，識(shí)別并移除了那些在特定情境下激活并導(dǎo)致偏見的人工神經(jīng)元。他們還嘗試了注意力頭剪枝（attention-head pruning），即移除幫助模型聚焦于輸入特定部分的機(jī)制。研究發(fā)現(xiàn)，基于神經(jīng)元的剪枝在減少偏見的同時(shí)更能保持模型的實(shí)用性，但其效果在不同應(yīng)用場(chǎng)景中差異顯著。例如，針對(duì)金融決策中偏見的剪枝策略在商業(yè)交易中效果不佳。研究表明，種族偏見在語言模型中僅部分表現(xiàn)為通用概念，其余則高度依賴于具體情境。因此，通用的偏見緩解策略可能效果有限。

#認(rèn)知科學(xué) #大模型技術(shù) #AI偏見 #模型剪枝 #法律框架 #情境依賴

閱讀更多：

Ma, Sibo, et al. Breaking Down Bias: On The Limits of Generalizable Pruning Strategies. arXiv:2502.07771, arXiv, 11 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.07771

MIT研究發(fā)現(xiàn)：AI與人類大腦的“語義中心”驚人相似

大型語言模型如何高效處理多樣化的數(shù)據(jù)是一個(gè)重要的科學(xué)問題。MIT的研究團(tuán)隊(duì)通過分析LLMs的內(nèi)部工作機(jī)制，發(fā)現(xiàn)其與人類大腦的“語義中心”機(jī)制相似。研究揭示了LLMs如何將不同模態(tài)的數(shù)據(jù)轉(zhuǎn)換為通用的表示形式，并展示了通過干預(yù)模型的語義中心可以改變其輸出。

研究團(tuán)隊(duì)通過實(shí)驗(yàn)測(cè)試了“語義中心假說”，即LLMs在處理不同數(shù)據(jù)類型時(shí)，會(huì)在中間層生成語義相似的表示。例如，模型在處理中文文本時(shí)，會(huì)先用英語進(jìn)行推理，再生成中文輸出。研究人員還發(fā)現(xiàn)，干預(yù)一種數(shù)據(jù)類型的共享表示空間會(huì)影響其他數(shù)據(jù)類型的輸出。這表明，共享表示空間是模型在處理輸入時(shí)主動(dòng)利用的，而不僅僅是大規(guī)模訓(xùn)練的副產(chǎn)品。

#認(rèn)知科學(xué) #大模型技術(shù) #語義中心假說 #多模態(tài)數(shù)據(jù)處理

閱讀更多：

Wu, Zhaofeng, et al. The Semantic Hub Hypothesis: Language Models Share Semantic Representations Across Languages and Modalities. arXiv:2411.04986, arXiv, 5 Dec. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2411.04986

DeepSeek AI 推出 NSA，語言模型長(zhǎng)上下文處理效率提升 9 倍

隨著語言模型處理上下文的長(zhǎng)度不斷增加，標(biāo)準(zhǔn)注意力機(jī)制的計(jì)算復(fù)雜度成為瓶頸。DeepSeek AI 的研究團(tuán)隊(duì)開發(fā)了 NSA（Natively Sparse Attention），一種硬件對(duì)齊且原生可訓(xùn)練的稀疏注意力機(jī)制，旨在解決長(zhǎng)上下文訓(xùn)練和推理中的計(jì)算效率問題。通過結(jié)合算法創(chuàng)新和硬件優(yōu)化，NSA 顯著減少了計(jì)算開銷，同時(shí)保持了模型的性能。

NSA 采用動(dòng)態(tài)分層稀疏策略（Dynamic Hierarchical Sparse Strategy），結(jié)合粗粒度令牌壓縮（Coarse-grained Token Compression）和細(xì)粒度令牌選擇（Fine-grained Token Selection），以保持全局上下文意識(shí)和局部精確性。NSA 還通過實(shí)現(xiàn)針對(duì)現(xiàn)代 GPU 優(yōu)化的專業(yè)內(nèi)核，減少推理和訓(xùn)練中的延遲。實(shí)驗(yàn)結(jié)果表明，NSA 在 MMLU、GSM8K 和 DROP 等基準(zhǔn)測(cè)試中表現(xiàn)優(yōu)異，與傳統(tǒng)全注意模型相當(dāng)甚至更好。在長(zhǎng)序列任務(wù)中，NSA 的解碼速度顯著提升，前向傳播速度提高了 9 倍，后向傳播速度提高了 6 倍。

#認(rèn)知科學(xué) #大模型技術(shù) #注意力機(jī)制 #硬件優(yōu)化 #長(zhǎng)上下文建模

閱讀更多：

Yuan, Jingyang, et al. Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention. arXiv:2502.11089, arXiv, 16 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.11089

Cogito系統(tǒng)：模仿人類學(xué)習(xí)的AI代碼生成工具

大型語言模型在代碼生成任務(wù)中表現(xiàn)有限，傳統(tǒng)方法遵循規(guī)劃、編碼、調(diào)試的順序，與人類學(xué)習(xí)過程不符。吉林大學(xué)和香港科技大學(xué)的研究團(tuán)隊(duì)開發(fā)了Cogito系統(tǒng)，采用逆向?qū)W習(xí)順序和類似海馬體的記憶模塊，顯著提高了代碼生成的效率和準(zhǔn)確性。

Cogito系統(tǒng)采用逆向?qū)W習(xí)（reverse-order learning）順序，從調(diào)試（debugging）開始，隨后進(jìn)行編碼（coding）和規(guī)劃（planning），模擬人類學(xué)習(xí)和成長(zhǎng)的過程。系統(tǒng)還配備了一個(gè)類似海馬體（hippocampus）的記憶模塊，能夠在類似任務(wù)中快速檢索信息。通過這種基于成長(zhǎng)的學(xué)習(xí)模型，Cogito在每個(gè)階段積累知識(shí)和認(rèn)知技能，最終形成一個(gè)“超級(jí)角色”（Super-Role），能夠高效完成代碼生成任務(wù)。實(shí)驗(yàn)表明，Cogito在代碼生成任務(wù)中的性能和效率優(yōu)于現(xiàn)有LLM模型，錯(cuò)誤更少。

#認(rèn)知科學(xué) #自動(dòng)化科研 #逆向?qū)W習(xí) #多智能體系統(tǒng) #代碼生成

閱讀更多：

Li, Yanlong, et al. Cogito, Ergo Sum: A Neurobiologically-Inspired Cognition-Memory-Growth System for Code Generation. arXiv:2501.18653, arXiv, 30 Jan. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2501.18653

無法解決的視覺推理：ZeroBench對(duì)多模態(tài)模型的終極測(cè)試

大型多模態(tài)模型（LMMs）在處理圖像-文本多模態(tài)任務(wù)時(shí)存在視覺解釋和推理的缺陷。為了提供一個(gè)更具挑戰(zhàn)性的評(píng)估工具，Jonathan R...