█腦科學動態

Science：免疫系統的“記憶”幫助診斷復雜疾病

氣味詞典：氣味感知的標準化語言系統

細胞通透肽：神經再生的新鑰匙

1N4R tau 異構體：阿爾茨海默病神經毒性的“罪魁禍首”

血液中的“隱形殺手”，這些代謝物可能影響孩子發育

唐氏綜合癥患者認知穩定性挑戰阿爾茨海默病的假設

三聯免疫療法在腦癌治療中展現潛力

█AI行業動態

南京大學周志華團隊斬獲AAAI 2025杰出論文獎

DeepSeekV3/R1，日賺56萬美元，成本利潤率高達545%

瑞金醫院與華為聯手推出瑞智病理大模型RuiPath

█AI驅動科學

DNA存儲技術大突破：速度提升3200倍，準確率提高40%

e-Taste設備讓你在VR中“品嘗”美食

MindLLM 將腦活動直接轉化為文字

Lottery LLM假設：探索大模型壓縮中的關鍵能力

個性化AI教練顯著提高戒煙成功率

每日一賽：AI模型優化數據中心

AI也會“想太多”？減少過度思考讓計算成本直降43%

HippoRAG 2框架突破大語言模型持續學習瓶頸

腦科學動態

Science：免疫系統的“記憶”幫助診斷復雜疾病

免疫系統通過B細胞和T細胞的受體記錄了過去的病原體信息，這些信息可以用于疾病診斷。斯坦福大學的研究團隊開發了名為Mal-ID的機器學習算法，通過分析這些受體序列來診斷復雜疾病。

?免疫細胞（頂部）通過重組 DNA 片段（第二幅圖）產生高度可變的受體，以識別細菌等威脅（第三幅圖中的綠色）。識別“成功”受體（第四幅圖）有助于診斷復雜疾病。Credit: Emily Moskal/Stanford University

研究團隊收集了近600人的B細胞和T細胞受體序列，使用機器學習技術分析這些序列，以識別不同疾病狀態。Mal-ID算法通過分析B細胞受體（BCR）和T細胞受體（TCR）的序列，能夠準確識別包括COVID-19、狼瘡和1型糖尿病在內的多種疾病。研究結果顯示，結合B細胞和T細胞數據能顯著提高診斷準確性，特別是在區分狼瘡患者時，Mal-ID表現出93%的靈敏度和90%的特異性。研究發表在 Science 上。

#神經技術 #個性化醫療 #免疫診斷 #機器學習 #疾病預防

閱讀更多：

Zaslavsky, Maxim E., et al. “Disease Diagnostics Using Machine Learning of B Cell and T Cell Receptor Sequences.” Science, vol. 387, no. 6736, Feb. 2025, p. eadp2407. science.org (Atypon), https://doi.org/10.1126/science.adp2407

氣味詞典：氣味感知的標準化語言系統

耶拿弗里德里希席勒大學的Antonie Bierling和Alexander Croy等研究人員，為了解決人類對氣味感知的復雜性問題，與德累斯頓工業大學的同事合作，創建了一個基礎氣味數據庫。他們讓1,200多名測試對象聞了74個單分子氣味樣本，并記錄了他們如何描述和評估這些氣味。研究結果通過一款應用程序向公眾開放。

研究人員通過讓1,227名年輕人描述和評估74種化學結構多樣的單分子氣味（mono-molecular odorants），收集了自由描述、評價評分和定性標簽的數據。這些數據為理解嗅覺感知的基礎提供了寶貴的基礎。此外，他們還與芬蘭、以色列和捷克共和國的研究人員合作，開發了一個記錄體味的數據集，名為SMELLODI項目，旨在通過詳細記錄體味來幫助識別和診斷疾病。研究發表在 Scientific Data 上。

#認知科學 #個性化醫療 #電子鼻 #氣味感知 #體味診斷

閱讀更多：

Bierling, Antonie L., et al. “A Standardized Lexicon of Body Odor Words Crafted from 17 Countries.” Scientific Data, vol. 12, no. 1, Feb. 2025, p. 325. www.nature.com, https://doi.org/10.1038/s41597-025-04630-8

Bierling, Antonie Louise, et al. “A Dataset of Laymen Olfactory Perception for 74 Mono-Molecular Odors.” Scientific Data, vol. 12, no. 1, Feb. 2025, p. 347. www.nature.com, https://doi.org/10.1038/s41597-025-04644-2

細胞通透肽：神經再生的新鑰匙

每年，數百萬美國人因脊髓損傷、腦外傷及神經退行性疾病（如阿爾茨海默病、帕金森病等）而遭受神經功能損害。羅格斯大學紐瓦克分校的 Pabitra Sahoo 及其團隊開發了一種細胞通透肽（cell-permeable peptide），通過溶解神經軸突中的應激顆粒（stress granules），成功促進了周圍神經系統（PNS）和中樞神經系統（CNS）的軸突再生。

?G3BP1 酸性域在中樞神經元中的表達促進軸突再生。Credit: Proceedings of the National Academy of Sciences (2025).

研究團隊發現，G3BP1 蛋白在中樞神經系統軸突中形成應激顆粒，抑制軸突再生。通過設計一種源自 G3BP1 的細胞通透肽，團隊成功分解了這些顆粒，從而加速了軸突再生。實驗表明，該肽在坐骨神經損傷、脊髓橫斷和視神經損傷中均有效。此外，該肽還能促進實驗室培養的人類神經元的軸突生長，并增加皮質神經元中的蛋白質合成。這些結果表明，G3BP1 顆粒是軸突再生的關鍵障礙，其分解可能成為治療神經損傷的新策略。研究發表在 PNAS 上。

#神經科學 #個性化醫療 #神經再生 #細胞通透肽 #G3BP1

閱讀更多：

Sahoo, Pabitra K., et al. “Disruption of G3BP1 Granules Promotes Mammalian CNS and PNS Axon Regeneration.” Proceedings of the National Academy of Sciences, vol. 122, no. 9, Mar. 2025, p. e2411811122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2411811122

1N4R tau 異構體：阿爾茨海默病神經毒性的“罪魁禍首”

阿爾茨海默病（AD）是一種由 tau 蛋白異常聚集引發的神經退行性疾病，但其具體機制尚不明確。科隆大學和科隆大學醫院的 Hans Zempel 和 Sarah Buchholz 團隊利用 CRISPR/Cas9 基因編輯技術和誘導多能干細胞（iPSCs）模型，揭示了 tau 蛋白的 1N4R 異構體在 AD 中的關鍵作用。研究發現，1N4R tau 是淀粉樣β寡聚體（AβO）誘導的神經毒性的主要介質，為 AD 治療提供了新的方向。

?tau 的敲除導致神經突生長和軸突初始段形成輕微缺陷，但不影響神經元活動。 Credit: Alzheimer's & Dementia (2025).

研究團隊通過 CRISPR/Cas9 技術敲除人類 iPSCs 中的 MAPT 基因（編碼 tau 蛋白），并將其分化為谷氨酸能神經元。利用組學分析、活細胞成像和亞細胞區室分析，研究人員發現 tau 敲除的神經元在神經突生長和軸突初始段形成方面存在輕微缺陷，但對 AβO 誘導的神經元活動減少具有抵抗力。重新引入 1N4R tau 異構體后，神經元恢復了對 AβO 的敏感性，并增加了 tau 的磷酸化水平，但未改變神經元活動或微管修飾。這表明 1N4R tau 是 AβO 誘導的神經毒性的關鍵介質，可能成為 AD 治療的新靶點。研究發表在 Alzheimer's & Dementia 上。

#大腦健康 #疾病預防 #tau蛋白 #CRISPR/Cas9 #誘導多能干細胞

閱讀更多：

Buchholz, Sarah, et al. The Tau Isoform 1N4R Confers Vulnerability of MAPT Knockout Human iPSC‐derived Neurons to Amyloid Beta and Phosphorylated Tau‐induced Neuronal Dysfunction. alz-journals.onlinelibrary.wiley.com, https://doi.org/10.1002/alz.14403. Accessed 3 Mar. 2025

血液中的“隱形殺手”，這些代謝物可能影響孩子發育

兒童早期發育與認知能力的發展受多種因素影響，但血液代謝物在這一過程中的作用尚未被充分研究。麥馬斯特大學的研究團隊與巴西科學家合作，基于巴西國家兒童營養調查，對5000多名6個月至5歲兒童的血液樣本進行了非靶向代謝組學分析（untargeted metabolomics），揭示了代謝物與兒童發育之間的復雜關系。

?兒童血清代謝組與早期兒童發展關聯的有向無環圖（DAG）。Credit: eLife (2025).

研究團隊使用非靶向代謝組學技術分析了5004名兒童的血清樣本，并結合《兒童福祉調查里程碑問卷》評估兒童早期發展（ECD）。通過分級響應模型計算發育商數（DQ），研究人員發現28種代謝物與DQ顯著相關。其中，對甲酚硫酸鹽（β=–0.07）、對羥基苯甲酸（β=–0.06）、苯乙酰谷氨酰胺（β=–0.06）和三甲胺-N-氧化物（β=–0.05）與DQ呈負相關，表明這些代謝物可能抑制兒童發育。此外，肌酐和甲基組氨酸與DQ的關聯方向因兒童年齡而異，提示代謝物對發育的影響可能隨年齡變化。這些發現表明，血清代謝物可能成為追蹤兒童發育遲緩風險的重要生物標志物，并為早期干預提供了科學依據。研究發表在 eLife 上。

#大腦健康 #個性化醫療 #代謝組學 #兒童發育 #腸道-大腦軸

閱讀更多：

Padilha, Marina, et al. “Serum Metabolome Indicators of Early Childhood Development in the Brazilian National Survey on Child Nutrition (ENANI-2019).” eLife, edited by Moussa Zouache et al., vol. 14, Jan. 2025, p. e97982. eLife, https://doi.org/10.7554/eLife.97982

唐氏綜合癥患者認知穩定性挑戰阿爾茨海默病的假設

唐氏綜合癥（DS）患者在衰老過程中發展為阿爾茨海默病（AD）引起的癡呆的風險超過 90%。匹茲堡大學斯旺森工程學院的研究團隊通過研究一名認知穩定的 DS 患者，試圖揭示為什么一些 DS 患者會發展為癡呆而另一些則不會。研究人員包括加州大學 Irvine 分校的 Elizabeth Head 和匹茲堡大學的 Jr-Jiun Liou 等。

?Credit: University of Pittsburgh

該患者參與了阿爾茨海默病生物標志物聯盟—唐氏綜合癥研究項目（ABC-DS），并在去世后捐贈大腦。研究團隊使用高分辨率 7 特斯拉 MRI 掃描儀對其大腦進行了成像。盡管該患者的大腦顯示出阿爾茨海默病的神經病理學表現，但她在去世時認知狀態穩定。研究人員認為這可能歸因于她的高教育水平或潛在的遺傳因素。神經成像顯示該患者的淀粉樣蛋白水平穩定但升高，tau 蛋白水平中度升高。神經病理學檢查顯示其中度 AD 神經病理變化，伴有 Lewy 體和腦血管病理。研究發表在 Alzheimer's & Dementia 上。

#大腦健康 #個性化醫療 #唐氏綜合癥 #阿爾茨海默病 #認知穩定性

閱讀更多：

Liou, Jr-Jiun, et al. A Neuropathology Case Report of a Woman with Down Syndrome Who Remained Cognitively Stable: Implications for Resilience to Neuropathology. alz-journals.onlinelibrary.wiley.com, https://doi.org/10.1002/alz.14479. Accessed 3 Mar. 2025

三聯免疫療法在腦癌治療中展現潛力

膠質母細胞瘤（GBM）是一種高度侵襲性和致命性的腦癌，平均生存期為12至18個月。悉尼大學醫學腫瘤學家、澳大利亞黑色素瘤研究所醫學總監Georgina Long教授領導的團隊，利用免疫治療專長和黑色素瘤研究成果，設計并實施了新輔助三聯免疫療法。

?患者的 GBM 臨床和分子細節及治療方案。Credit: Nature Medicine (2025).

Georgina Long教授及其團隊首次在膠質母細胞瘤中使用新輔助三聯免疫療法，包括抗程序性細胞死亡蛋白1（anti-PD-1）、抗細胞毒性T淋巴細胞蛋白4（anti-CTLA-4）和抗淋巴細胞激活基因3（anti-LAG-3）的藥物組合。在手術前12天給予單劑量治療，隨后進行最大安全切除。手術切除的腫瘤顯示，抗PD-1藥物與腫瘤浸潤淋巴細胞（TILs）結合，且TILs的浸潤和激活顯著增加。患者在17個月后沒有明確的復發跡象。這表明，在手術前使用檢查點抑制劑可能能夠在GBM中激活免疫反應并誘導反應。研究發表在 Nature Medicine 上。

#大腦健康 #個性化醫療 #免疫療法 #膠質母細胞瘤

閱讀更多：

Long, Georgina V., et al. “Neoadjuvant Triplet Immune Checkpoint Blockade in Newly Diagnosed Glioblastoma.” Nature Medicine, Feb. 2025, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41591-025-03512-1

AI 行業動態

南京大學周志華團隊斬獲AAAI 2025杰出論文獎

AAAI 2025（國際人工智能促進協會年會）于2月25日至3月4日在美國費城舉行，作為人工智能領域的頂級學術會議，本屆會議共收到12957篇投稿，錄用3032篇，錄取率為23.4%。其中，南京大學周志華（Zhi-Hua Zhou）團隊憑借論文《Efficient Rectification of Neuro-Symbolic Reasoning Inconsistencies by Abductive Reflection》榮獲杰出論文獎。該論文提出了一種基于溯因反射（ABL-Refl）的神經符號（Neuro-Symbolic, NeSy）AI系統改進方法，通過引入領域知識，有效糾正神經網絡輸出中的錯誤，顯著提升了系統的準確性和效率。

此外，多倫多大學和波爾多大學的研究者也分別憑借在智能體匹配和部分可觀測馬爾可夫決策過程（POMDPs）領域的研究成果獲得杰出論文獎。特別值得一提的是，AAAI 2025還頒發了“AI對社會影響特別獎”，獲獎論文探討了利用志愿者收集的生物多樣性數據集監測氣候變化的挑戰與機遇。

#AAAI2025 #神經符號AI #溯因反射 #POMDPs #生物多樣性

閱讀更多：

https://aihub.org/2025/03/01/congratulations-to-the-aaai2025-outstanding-paper-award-winners/

DeepSeek揭秘V3/R1推理系統：日賺56萬美元，成本利潤率高達545%

DeepSeek近日在其開源周的第六天，意外公布了其V3/R1推理系統的詳細信息，揭示了其盈利能力。根據官方數據，如果所有token按照R1定價計算，DeepSeek理論上每日可收入56.2萬美元，成本利潤率高達545%。然而，實際收入遠低于此，主要由于V3定價較低、部分服務免費以及夜間折扣等因素。

V3/R1推理系統通過跨節點專家并行（EP，Expert Parallelism）策略，優化了吞吐量和延遲。EP通過擴展batch大小、減少內存訪問需求以及實現計算-通信重疊，顯著提升了系統性能。此外，DeepSeek還采用了負載平衡機制，確保所有GPU的計算和通信負載均衡，避免性能瓶頸。

系統在預填充和解碼階段采用了不同程度的并行性，并通過“dual-batch”重疊策略隱藏通信成本，進一步提升吞吐量。DeepSeek的在線服務統計顯示，每個H800節點在預填充期間平均吞吐量為73.7k tokens/s，解碼期間為14.8k tokens/s。盡管系統性能卓越，DeepSeek強調其開源和透明化的初衷，旨在為社區提供價值，并推動AGI（通用人工智能）的發展。

#DeepSeek #推理系統 #成本利潤率 #專家并行 #負載平衡

閱讀更多：

https://github.com/deepseek-ai/open-infra-index/blob/main/202502OpenSourceWeek/

瑞金醫院與華為聯手推出瑞智病理大模型RuiPath

瑞金醫院與華為在2025醫療人工智能與精準診療發展論壇上共同發布了瑞智病理大模型RuiPath。這一模型基于瑞金醫院數字化智慧病理科的全業務流程開發，旨在通過數字化和AI技術實現多模態融合，提升癌癥診斷的精準度和效率。RuiPath覆蓋了中國90%的常見癌種，包括一些罕見病，如垂體神經內分泌腫瘤。醫生可以與RuiPath進行互動式病理診斷對話，顯著提高了診斷效率和質量。

瑞金醫院擁有全國領先的高質量醫療數據，自2021年開始建設數字化智慧病理科，2023年發布了中國首本《數字化智慧病理科建設白皮書》。RuiPath大模型的數據模態豐富，涵蓋圖像、文本等多領域，數據維度廣泛，基于多學科，全面反映疾病特征。數據標簽完備，利于精準模型訓練。RuiPath實現了四大創新，包括場景與應用創新、模型與算法創新、存算協同創新和AI工具鏈創新。

瑞金醫院病理科主任王朝夫指出，RuiPath能夠提前精準識別病灶區域，單切片AI診斷時間僅需數秒，顯著提升了診斷效率與質量。華為公司副總裁周躍峰表示，華為DCS AI解決方案致力于掃清大模型在行業落地的障礙，支持數據工程工具化，顯著提升行業專家模型的訓練、推理及精調過程的效率，有效降低部署成本，加速AI在千行萬業落地。

#瑞金醫院 #華為 #RuiPath #病理大模型 #癌癥診斷

閱讀更多：

https://mp.weixin.qq.com/s/oMgAZ8SG2BQx4lQ-yCATuA

AI 驅動科學

DNA存儲技術大突破：速度提升3200倍，準確率提高40%

隨著數據量爆炸式增長，傳統存儲技術面臨瓶頸，DNA存儲技術因其高密度和低能耗成為潛在解決方案。以色列理工學院的研究團隊開發了一種名為DNAformer的創新方法，結合深度神經網絡、糾錯碼（ECC）和安全邊際機制，顯著提升了DNA存儲系統的效率和準確性。

?DNA 信息檢索的端到端解決方案。Credit：Nature Machine Intelligence（2025）

DNAformer采用模塊化編碼方案，將深度神經網絡與動態規劃算法結合，優化了信息檢索流程。研究團隊使用Illumina miSeq和Oxford Nanopore MinION兩種測序技術對3.1 MB數據進行了實驗驗證。結果顯示，DNAformer在速度上比現有方案快3200倍，準確率提高40%，在高噪聲環境下實現了每堿基1.6比特的編碼率。Illumina數據集的失敗率僅為0.0055%，Nanopore數據集為1.65%。這一突破為DNA存儲技術的商業化應用掃除了重要障礙。研究發表在 Nature Machine Intelligence 上。

#神經技術 #自動化科研 #DNA存儲 #深度神經網絡 #糾錯碼

閱讀更多：

Bar-Lev, Daniella, et al. “Scalable and Robust DNA-Based Storage via Coding Theory and Deep Learning.” Nature Machine Intelligence, Feb. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s42256-025-01003-z

e-Taste設備讓你在VR中“品嘗”美食

虛擬現實和增強現實技術在視覺和聽覺方面取得了顯著進展，但在味覺等化學感官領域的應用仍較為有限。為了填補這一空白，俄亥俄州立大學的Jinhua Li及其團隊開發了一種名為“e-Taste”的新型設備，旨在通過遠程感知和復制味覺來增強虛擬現實體驗。該設備結合了傳感器和無線化學釋放器，能夠識別代表五種基本味覺（甜、酸、咸、苦、鮮）的化學分子，并通過電信號將數據傳輸到遠程設備進行復制。

e-Taste設備的核心是一個由兩部分組成的執行器，包括與口腔接口和一個小型電磁泵。電磁泵連接到一種化學液體通道，當有電荷通過時，通道會振動，推動溶液通過一種特殊凝膠層進入受試者的口腔。根據溶液與凝膠層交互的時間長短，可以調整味道的強度和持續時間。研究團隊通過實地測試證實，該設備能夠數字模擬多種味覺強度，用戶能夠以約70%的準確率區分不同酸度強度。此外，設備還展示了遠程味覺傳輸的能力，例如從加利福尼亞遠程啟動俄亥俄州的味覺體驗。研究結果發表在 Science Advances 上。

#認知科學 #腦機接口 #虛擬現實 #味覺感知 #e-Taste

閱讀更多：

Chen, Shulin, et al. “A Sensor-Actuator–Coupled Gustatory Interface Chemically Connecting Virtual and Real Environments for Remote Tasting.” Science Advances, vol. 11, no. 9, Feb. 2025, p. eadr4797. science.org (Atypon), https://doi.org/10.1126/sciadv.adr4797

MindLLM 將腦活動直接轉化為文字

將大腦活動解碼為自然語言是神經科學和腦機接口領域的重要挑戰，但現有方法在預測性能、任務多樣性和跨個體泛化能力上存在局限。耶魯大學、達特茅斯學院和劍橋大學的研究人員開發了 MindLLM，這是一種不針對特定個體的模型，可以將功能性磁共振成像信號解碼為文本。通過結合神經科學啟發的注意力機制和大型語言模型，研究團隊成功提升了模型的性能、泛化能力和適應性。

?方法概述。Credit: arXiv (2025).

MindLLM 的核心包括一個 fMRI 編碼器和一個現成的大型語言模型。fMRI 編碼器采用了一種基于神經科學的注意力機制，能夠適應不同個體的輸入形狀，從而實現高效的跨個體解碼。此外，研究團隊引入了 Brain Instruction Tuning（BIT），這是一種新方法，通過多主體 fMRI 數據和文本注釋增強模型從 fMRI 信號中提取多樣化語義信息的能力。

研究結果顯示，MindLLM 在多項任務中表現優異，包括腦部描述、問答和推理任務。相比現有模型，MindLLM 在下游任務上的性能提升了 12.0%，在未見個體上的泛化能力提高了 16.4%，在新任務上的適應性提升了 25.0%。此外，模型的注意力模式揭示了特定腦區與認知功能（如感知和推理）之間的聯系，為神經科學研究提供了新的工具。

#神經技術 #腦機接口 #大腦信號解析 #大模型技術 #跨學科整合

閱讀更多：

Qiu, Weikang, et al. MindLLM: A Subject-Agnostic and Versatile Model for fMRI-to-Text Decoding. arXiv:2502.15786, arXiv, 18 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.15786

Lottery LLM假設：探索大模型壓縮中的關鍵能力

近日，香港科技大學和新加坡國立大學的研究團隊提出了一項名為“Lottery LLM假設”的新理論，旨在探索大語言模型（LLMs）壓縮過程中應保留的關鍵能力。隨著LLMs在自然語言處理領域的廣泛應用，其龐大的計算和存儲成本成為了大規模部署的主要障礙。現有的壓縮方法主要關注在基本語言任務上的性能保持，如困惑度或常識問答和基本算術推理任務的準確性，但忽略了LLMs在長上下文檢索、生成和推理等高級能力上的損失。

研究團隊回顧了LLMs在檢索增強生成、多步推理、外部工具和計算表達能力方面的最新進展，并提出了Lottery LLM假設。該假設認為，對于給定的LLM和任務，存在一個較小的Lottery LLM，能夠通過多步推理和外部工具的幫助，達到與原始LLM相同的性能。論文還提出了一個通用的推理算法，通過分而治之的策略解決問題，并討論了彩票LLM必須具備的關鍵能力，如從提示中檢索信息、識別所需的外部資源、規劃和調度等。

研究結果表明，通過結合外部工具、知識庫和強大的推理算法，Lottery LLM 有望成為類似人類認知的元代理，從而在大規模LLM應用中顯著減少能源和資源消耗。

#認知科學 #大模型技術 #多步推理 #外部工具 #計算表達能力

閱讀更多：

Tang, Zhenheng, et al. The Lottery LLM Hypothesis, Rethinking What Abilities Should LLM Compression Preserve? arXiv:2502.17535, arXiv, 24 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.17535

個性化AI教練顯著提高戒煙成功率

代爾夫特理工大學的Nele Albers開發了一種基于心理知情強化學習的AI教練，旨在幫助吸煙者戒煙和戒用電子煙。她的研究基于行為改變理論和三項大型研究數據，考察了倫理、經濟和心理因素，以提高電子健康應用的效果。

?Nele Albers 開發的 AI 接口對話示例，其中用戶感到想要吸煙并開始互動。Credit: Nele Albers

Nele Albers的研究方法包括開發一種AI教練，該教練使用強化學習技術，通過獎勵學習的方式，類似于人類學習行為的方式。她的模型基于三項每項研究超過500名參與者的大型研究數據，并考察了倫理、經濟和心理因素。研究結果顯示，考慮到心理學原理的AI教練有巨大的潛力為想要戒煙的人提供有效的支持。通過考慮一個人當前和未來的狀態來個性化支持，可以提高基于AI的電子健康應用的效果。她的模型可以判斷在什么情況下需要除了AI教練之外再加入真人教練，并試圖在吸煙者個人偏好與健康專家建議之間找到平衡。

#認知科學 #個性化醫療 #心理健康與精神疾病 #強化學習 #AI教練

閱讀更多：

Albers, N. Psychology-Informed Reinforcement Learning for Situated Virtual Coaching in Smoking Cessation. 2025. Dissertation (TU Delft). TU Delft Research Portal, https://doi.org/10.4233/uuid:5e1d1500-1c45-4869-b995-6ed7db8f8b3b

每日一賽：AI模型優化數據中心

為了降低高性能計算機的運行成本并提高可靠性，美國能源部托馬斯·杰斐遜國家加速器設施的團隊開發了基于機器學習的管理系統DIDACT（數字數據中心孿生）。研究團隊包括布萊恩·赫斯、艾哈邁德·胡薩姆·穆罕默德和戴安娜·麥斯帕登等。他們使用持續學習的方法訓練人工神經網絡，每天選出表現最佳的“日冠軍”，以優化數據中心資源使用。

?在杰斐遜實驗室的數據中心內展示了一個名為“沙箱”的測試床計算集群。Credit: Jefferson Lab photo/Bryan Hess

DIDACT系統通過持續學習方法訓練人工神經網絡，使用名為“沙箱”的測試床集群進行模型評估。模型每天根據新數據競爭，選出誤差最低的“日冠軍”，用于實時監控數據中心行為。研究顯示，DIDACT能夠有效減少停機時間并優化資源使用，從而降低成本和提升科學效率。未來研究將探索優化數據中心能耗的機器學習框架，例如減少冷卻用水或根據數據處理需求調整核心頻率。研究發表在 IEEE Software 上。

#認知科學 #自動化科研 #預測模型構建 #數據中心優化 #機器學習

閱讀更多：

McSpadden, Diana, et al. “Establishing Machine Learning Operations for Continual Learning in Computing Clusters: A Framework for Monitoring and Optimizing Cluster Behavior.” IEEE Software, vol. 42, no. 01, Jan. 2025, pp. 42–50. www.computer.org, https://doi.org/10.1109/MS.2024.3424256

AI也會“想太多”？減少過度思考讓計算成本直降43%

大型推理模型在執行智能體任務時，面臨推理與行動的困境，過度思考會導致性能下降。加州大學伯克利分校、UIUC、ETH Zurich、CMU等機構的研究者首次全面調研了這一問題，使用現實世界的軟件工程任務作為實驗框架，量化了LRM的過度思考行為。

研究者使用SWE-bench Verified基準和OpenHands框架內的CodeAct智能體架構，創建了一個受控環境，量化了LRM的過度思考行為。研究發現，LRM在推理-行動困境中傾向于內部模擬而非環境交互，導致性能下降。通過原生函數調用（native function-calling）和選擇性強化學習（selective reinforcement learning），可以顯著減少過度思考，提高模型性能，同時降低計算成本43%。

#認知科學 #大模型技術 #過度思考 #計算成本 #AI性能

閱讀更多：

Cuadron, Alejandro, et al. The Danger of Overthinking: Examining the Reasoning-Action Dilemma in Agentic Tasks. arXiv:2502.08235, arXiv, 12 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.08235

HippoRAG 2框架突破大語言模型持續學習瓶頸

大型語言模型（LLM）在持續學習過程中長期面臨參數化知識存儲的局限，傳統檢索增強生成（Retrieval-Augmented Generation, RAG）雖能通過外部信息擴展模型能力，但其依賴向量檢索的機制難以捕捉復雜知識關聯。美國俄亥俄州立大學與伊利諾伊大學厄巴納-香檳分校的研究團隊開發的HippoRAG 2框架，通過整合神經生物學原理與知識圖譜（Knowledge Graph, KG）技術，在事實回憶、意義構建和關聯記憶任務中實現突破性進展，為人工智能系統賦予類人類的長時記憶能力。

研究團隊基于神經科學中記憶形成機制，提出HippoRAG 2框架：模擬大腦新皮層（neocortex）的LLM負責語義處理，旁海馬區編碼器（parahippocampal encoder）構建知識圖譜節點，開放知識圖譜（KG）則動態整合概念與語境關聯。該框架在保持傳統RAG非參數化優勢的同時，通過個性化網頁排名算法（Personalized PageRank, PPR）優化檢索路徑，實現復雜推理與事實準確性之間的平衡。

研究團隊在包含BM25、Contriever、GraphRAG等12種基線模型的對比實驗中，驗證了HippoRAG 2的綜合優勢。使用Llama-3.3-70B-Instruct作為核心LLM時，該系統在簡單事實回憶任務中保持94.7%的準確率，同時在多跳推理任務中較最優基線模型提升7%，在金融反欺詐案例分析的語境理解任務中F1分數達82.1%。其核心突破在于通過神經生物學啟發的記憶框架，將知識檢索耗時降低43%，且無需修改模型參數即可實現動態知識更新。

目前該框架已在GitHub開源社區發布，其知識圖譜動態擴展機制尤其適用于醫療診斷、法律文書分析等需要長期知識積累的領域。研究團隊指出，HippoRAG 2的類腦記憶建模為開發具備持續學習能力的AI系統提供了新范式，未來計劃將其擴展至對話場景的片段記憶（episodic memory）建模。

#人工智能 #持續學習 #知識圖譜 #檢索增強生成 #神經技術

閱讀更多：

https://www.marktechpost.com/2025/03/03/hipporag-2-advancing-long-term-memory-and-contextual-retrieval-in-large-language-models/

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。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

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。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、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天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。