█腦科學動態(tài)

Nature：耗時7年，繪制小鼠視覺神經(jīng)網(wǎng)絡圖譜

Nature：NEURD，10倍速完成大腦地圖校對工作

Nature：創(chuàng)建視覺皮層數(shù)字孿生，實驗效率提升百萬倍

Nature：在培養(yǎng)皿中重建神經(jīng)通路，可加速疼痛治療

全身麻醉讓大腦"指紋"消失？

肥胖軌跡揭示大腦衰老密碼：長期肥胖加速認知衰退

單神經(jīng)元投射組揭示小鼠軀體感覺上行通路組織規(guī)律

█AI行業(yè)動態(tài)

Google開放Veo視頻生成模型 API

xAI推出多版本Grok模型 API， 支持長文本與多模態(tài)混合輸入

AI狂潮引爆電力危機，2030年數(shù)據(jù)中心耗電量或?qū)⒎?/p>

微軟踩下AI基建"剎車鍵"：10億美元數(shù)據(jù)中心項目暫停

Google推出"AI全棧開發(fā)神器"：一句話生成可上線應用

AI"通用語言"協(xié)議：A2A讓不同AI代理像人類一樣協(xié)作

OpenAI發(fā)布評估基準BrowseComp，衡量AI在搜索復雜信息的能力

█AI驅(qū)動科學

Nature：16,000個光學元件協(xié)同作戰(zhàn)，計算延遲降至3納秒

Nature：大型語言模型助力精準醫(yī)療診斷

AI也有"文化盲區(qū)"？如何打破WEIRD偏見實現(xiàn)全球包容

AI寫作 vs 記者手筆：揭示新聞報道風格差異

98.2%準確率！這臺電腦看得懂你的手語

可水洗AI T恤精準追蹤運動姿勢

腦科學動態(tài)

Nature：耗時7年，繪制小鼠視覺神經(jīng)網(wǎng)絡圖譜

哺乳動物如何通過神經(jīng)連接"看見"世界？在最新一期《自然》及其子刊《自然-方法》上，來自全世界150多名科學家和研究人員組成的MICrONS聯(lián)盟，利用新開發(fā)的成像和人工智能工具，耗時7年，繪制出小鼠大腦皮質(zhì)完整的功能線路圖。研究人員追蹤到了84000個神經(jīng)元，它們相互之間構(gòu)成了5億多個連接點（突觸），以及總長約5400米的神經(jīng)連接。

研究采用"三步走"策略：貝勒醫(yī)學院先通過雙光子鈣成像記錄下小鼠觀看視頻時的腦活動；艾倫研究所隨后將1立方毫米腦組織切成25,000片電子顯微鏡切片（每片僅人類頭發(fā)1/400粗細）；普林斯頓大學最終通過人工智能算法重建出包含四公里軸突的3D神經(jīng)回路。

?數(shù)據(jù)采集工作流程中的主要實驗步驟。

人工校對確認后，圖譜精確顯示一立方毫米腦組織內(nèi)20萬細胞和5億突觸的連接方式，包括初級視覺皮層（VISp）與三個高階視覺區(qū)的特異回路。研究發(fā)現(xiàn)抑制性神經(jīng)元并非隨機作用，而是像精準制導武器般選擇性靶向特定興奮性神經(jīng)元；某些抑制細胞會協(xié)同作戰(zhàn)，形成全腦協(xié)調(diào)網(wǎng)絡。

?MICRONS 項目中重建了 12 萬個腦細胞（神經(jīng)元 + 神經(jīng)膠質(zhì)細胞），其中超過 1000 個是其中的一部分。每個重建的神經(jīng)元都呈現(xiàn)出不同的隨機顏色。圖中發(fā)光的神經(jīng)元帶有顏色。Credit: Forrest Collman/Allen Institute

該技術(shù)已用于創(chuàng)建小鼠腦數(shù)字孿生（digital twin）模型，可模擬視覺處理過程。數(shù)據(jù)集已開放，正加速果蠅、獼猴等多物種腦圖譜研究。研究發(fā)表在 Nature 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #AI驅(qū)動科學 #計算模型與人工智能模擬 #連接組學

閱讀更多：

Bae, J. Alexander, et al. “Functional Connectomics Spanning Multiple Areas of Mouse Visual Cortex.” Nature, vol. 640, no. 8058, Apr. 2025, pp. 435–47. www.nature.com, https://doi.org/10.1038/s41586-025-08790-w

Nature：NEURD，10倍速完成大腦地圖校對工作

面對包含20萬細胞和5.23億突觸的小鼠大腦測繪數(shù)據(jù)，貝勒醫(yī)學院的Jacob Reimer與約翰·霍普金斯大學的Brendan Celii團隊開發(fā)了NEURD軟件，通過自動化校對和特征提取，將神經(jīng)連接圖譜的解析效率提升10倍。

?這幅圖展示了 MICrONS 項目中重建的 12 萬個腦細胞（神經(jīng)元+神經(jīng)膠質(zhì)細胞）中超過 1000 個腦細胞的子集。Credit: Allen Institute

研究團隊開發(fā)的NEURD軟件基于3D神經(jīng)元網(wǎng)格（3D mesh）技術(shù)，通過分層處理策略自動識別細胞體、樹突棘等結(jié)構(gòu)特征，并采用啟發(fā)式規(guī)則修正數(shù)據(jù)中的合并錯誤。在MICrONS項目的小鼠視覺皮層數(shù)據(jù)集（1立方毫米/12萬細胞）中，該系統(tǒng)僅需傳統(tǒng)方法1/10的時間即可完成校對，準確率達到人工校對的98%。軟件提取的156種形態(tài)特征成功揭示了皮層不同層神經(jīng)元特有的連接模式，例如第4層神經(jīng)元更傾向于與同類細胞形成突觸。研究發(fā)表在 Nature 上。

#AI驅(qū)動科學 #神經(jīng)機制與腦功能解析 #自動化科研 #跨學科整合 #腦科學

閱讀更多：

Celii, Brendan, et al. “NEURD Offers Automated Proofreading and Feature Extraction for Connectomics.” Nature, vol. 640, no. 8058, Apr. 2025, pp. 487–96. www.nature.com, https://doi.org/10.1038/s41586-025-08660-5

Nature：創(chuàng)建視覺皮層數(shù)字孿生，實驗效率提升百萬倍

如何突破腦科學研究的實驗限制？斯坦福醫(yī)學院的Andreas Tolias與貝勒醫(yī)學院的Eric Y. Wang團隊開發(fā)出首個小鼠視覺皮層AI基礎模型，該數(shù)字孿生不僅能預測神經(jīng)活動，還能揭示解剖特征。

研究團隊讓8只小鼠觀看《瘋狂的麥克斯》等動作電影，記錄其視覺皮層900分鐘神經(jīng)活動數(shù)據(jù)。通過深度學習構(gòu)建的基礎模型，僅需少量數(shù)據(jù)即可適配新個體。測試顯示，該模型對陌生視頻的神經(jīng)響應預測準確率創(chuàng)紀錄，甚至能推斷未訓練過的解剖特征——在MICrONS項目驗證中，成功預測了神經(jīng)元類型、樹突形態(tài)及70,000個突觸連接。特別值得注意的是，模型揭示了視覺皮層"按功能偏好擇友"的新規(guī)則：神經(jīng)元更傾向與響應相同刺激（如特定顏色）的細胞連接，而非鄰近位置的神經(jīng)元。這種數(shù)字孿生技術(shù)將實驗效率提升百萬倍，原本需數(shù)年的活體實驗現(xiàn)可數(shù)小時完成。研究發(fā)表在 Nature 上。

#AI驅(qū)動科學 #神經(jīng)機制與腦功能解析 #計算模型與人工智能模擬 #數(shù)字孿生

閱讀更多：

Wang, Eric Y., et al. “Foundation Model of Neural Activity Predicts Response to New Stimulus Types.” Nature, vol. 640, no. 8058, Apr. 2025, pp. 470–77. www.nature.com, https://doi.org/10.1038/s41586-025-08829-y

Nature：在培養(yǎng)皿中重建神經(jīng)通路，可加速疼痛治療

慢性疼痛治療為何難突破？斯坦福大學醫(yī)學中心的Sergiu Pasca、Ji-il Kim和Kent Imaizumi團隊用干細胞培育出微型"疼痛通路"，首次完整呈現(xiàn)人類神經(jīng)信號從皮膚到大腦的傳遞過程。

研究團隊將皮膚細胞重編程為誘導多能干細胞（iPSC），再分化為四種類器官——模擬背根神經(jīng)節(jié)（皮膚痛覺感知區(qū)）、脊髓背部（信號中轉(zhuǎn)站）、丘腦（感覺樞紐）和軀體感覺皮層（最終處理區(qū)）。這些直徑2.5毫米的"迷你器官"串聯(lián)后，自發(fā)形成包含400萬細胞的"疼痛組裝體"。通過鈣成像技術(shù)，科學家首次捕捉到辣椒素刺激引發(fā)的神經(jīng)信號波（從外周直達大腦皮層），整個過程類似多米諾骨牌效應。實驗顯示，致痛基因突變（如Nav1.7功能增強）會使信號波過度同步，而臨床常用阿片類藥物僅阻斷同步性卻不影響信號本身，這解釋了為何這類藥物止痛卻易成癮。該模型還能模擬自閉癥患者的痛覺過敏現(xiàn)象。研究發(fā)表在 Nature 上。

#疾病與健康 #知覺康復 #神經(jīng)機制與腦功能解析 #類器官技術(shù) #藥物開發(fā)

閱讀更多：

Kim, Ji-il, et al. “Human Assembloid Model of the Ascending Neural Sensory Pathway.” Nature, Apr. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-025-08808-3

全身麻醉讓大腦"指紋"消失？研究發(fā)現(xiàn)意識狀態(tài)決定腦活動獨特性

意識如何塑造大腦獨特性？麥吉爾大學Andrea I. Luppi、劍橋大學Daniel Golkowski等組成的國際團隊發(fā)現(xiàn)，全身麻醉會顯著降低人類大腦功能連接的獨特性，使個體間腦活動模式趨同，且在進化較新的腦區(qū)表現(xiàn)最為明顯。

?七氟烷誘導功能可識別性喪失的解剖學特征分析。Credit: Nature Human Behaviour (2025).

研究團隊采用功能性磁共振成像（fMRI）技術(shù)，對健康志愿者進行麻醉前、中、后的腦部掃描，量化功能連接（FC，反映腦區(qū)間協(xié)同活動的指標）的個體差異。結(jié)果顯示，麻醉狀態(tài)下個體識別準確率下降67%，且這種"去個性化"效應沿感覺-聯(lián)合軸梯度分布——人類特有高級認知腦區(qū)受影響最大。跨物種分析發(fā)現(xiàn)，麻醉使人腦功能連接模式向獼猴趨近41%，特別是在默認模式網(wǎng)絡等與意識相關(guān)的區(qū)域。研究還通過Neurosynth元分析證實，麻醉減弱了自發(fā)腦活動與認知模式的匹配度。研究發(fā)表在 Nature Human Behaviour 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #意識與腦機接口 #跨學科整合

閱讀更多：

Luppi, Andrea I., et al. “General Anaesthesia Decreases the Uniqueness of Brain Functional Connectivity across Individuals and Species.” Nature Human Behaviour, Mar. 2025, pp. 1–18. www.nature.com, https://doi.org/10.1038/s41562-025-02121-9

肥胖軌跡揭示大腦衰老密碼：長期肥胖加速認知衰退

肥胖如何侵蝕大腦健康？香港理工大學Anqi Qiu團隊通過分析英國生物銀行50萬人數(shù)據(jù)，發(fā)現(xiàn)持續(xù)肥胖會導致進行性腦損傷：高穩(wěn)定肥胖者腦萎縮范圍比低穩(wěn)定組擴大3倍，而成功減重者腦部幾乎未受損害。

?縱向肥胖軌跡分析。Credit: Nature Mental Health (2025).

研究采用縱向肥胖軌跡分析（longitudinal obesity trajectory analysis），將參與者分為低穩(wěn)定、中穩(wěn)定、高穩(wěn)定、上升和下降五組。通過MRI掃描發(fā)現(xiàn)，上升組最早在額葉-中腦邊緣系統(tǒng)出現(xiàn)異常；中穩(wěn)定組損傷蔓延至頂葉（空間認知）和顳葉（記憶）；高穩(wěn)定組則出現(xiàn)全腦廣泛萎縮，白質(zhì)完整性下降18%。認知測試顯示，高穩(wěn)定組工作記憶衰退最顯著（較基線降低23%）。令人振奮的是，下降組（成功減重者）腦結(jié)構(gòu)與低穩(wěn)定組無統(tǒng)計學差異。這項發(fā)現(xiàn)為肥胖管理提供了神經(jīng)科學依據(jù)，表明及時干預可保護大腦健康。研究發(fā)表在 Nature Mental Health 上。

#疾病與健康 #個性化醫(yī)療 #神經(jīng)機制與腦功能解析 #健康管理與壽命延長 #認知衰退

閱讀更多：

Zhang, Die, et al. “Long-Term Obesity Impacts Brain Morphology, Functional Connectivity and Cognition in Adults.” Nature Mental Health, vol. 3, no. 4, Apr. 2025, pp. 466–78. www.nature.com, https://doi.org/10.1038/s44220-025-00396-5

單神經(jīng)元投射組揭示小鼠軀體感覺上行通路組織規(guī)律

軀體感覺如何從脊髓精準傳遞至大腦？中國科學院腦科學與智能技術(shù)卓越創(chuàng)新中心孫衍剛團隊通過單神經(jīng)元追蹤技術(shù)，繪制出迄今最完整的體感神經(jīng)"高清地圖"，揭示脊髓投射神經(jīng)元存在19種特化亞型，每種都像定制化的"信息快遞員"分工傳遞不同感覺。

?小鼠脊髓投射神經(jīng)元與腦內(nèi)中繼神經(jīng)元單神經(jīng)元全腦投射規(guī)律的圖示總結(jié)。Credit：Neuron（2025）

研究團隊創(chuàng)新采用病毒示蹤（給神經(jīng)元裝"GPS"）結(jié)合三維成像技術(shù)，對1,185個小鼠神經(jīng)元進行全腦掃描。結(jié)果發(fā)現(xiàn)脊髓就像精密分揀中心：15類樹突形態(tài)的神經(jīng)元負責采集不同部位信息，19類軸突投射模式的神經(jīng)元則通過并行、發(fā)散或匯聚三種"物流方案"上傳信息。更驚人的是，丘腦如同交通樞紐，將觸覺、痛覺分送至不同皮層區(qū)域；而上丘則像"警報中心"，通過兩條獨立通路分別觸發(fā)轉(zhuǎn)頭和防御反應。團隊建立的開放數(shù)據(jù)庫已收錄所有神經(jīng)元三維路徑，未來可助力疼痛治療靶點開發(fā)。研究發(fā)表在 Neuron 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #疼痛 #跨學科整合 #計算模型與人工智能模擬

閱讀更多：

Ding, Wen-Qun, et al. “Single-Neuron Projectome Reveals Organization of Somatosensory Ascending Pathways in the Mouse Brain.” Neuron, vol. 0, no. 0, Apr. 2025. www.cell.com, https://doi.org/10.1016/j.neuron.2025.03.007

AI 行業(yè)動態(tài)

Google開放Veo視頻生成模型 API：文本/圖片一鍵轉(zhuǎn)電影級短片

Google旗下DeepMind團隊最新發(fā)布的Veo視頻生成模型，通過Gemini API向開發(fā)者開放了多模態(tài)視頻生成能力。該模型支持文本轉(zhuǎn)視頻、圖片轉(zhuǎn)視頻以及混合提示生成，用戶可通過描述主題、背景、動作等電影語言參數(shù)，生成5-8秒的高質(zhì)量短視頻，每秒成本0.35美元。開發(fā)流程涵蓋Python、JavaScript等語言SDK調(diào)用，并提供異步任務輪詢機制，但生成內(nèi)容僅保留2天需及時下載。

Veo的獨特之處在于其對專業(yè)影視術(shù)語的理解，例如支持指定相機運動、構(gòu)圖和氛圍等參數(shù)。研究人員示例中，一段“霓虹燈下穿風衣男子打電話”的黑色電影風格提示，可生成具有淺景深特寫鏡頭的視頻。不過目前僅支持英文提示，且圖片轉(zhuǎn)視頻模式禁止生成人物內(nèi)容。模型還提供否定提示功能，但需避免使用命令式語句。

盡管功能強大，Veo仍存在一定限制：單次調(diào)用最多生成2個視頻版本，處理時間受資源影響可能長達數(shù)分鐘。開發(fā)者需注意上傳圖片的質(zhì)量會影響輸出效果，且16:9或9:16的寬高比選擇會直接影響畫面構(gòu)圖風格。

#GoogleVeo #AI視頻生成 #多模態(tài)模型 #GeminiAPI #DeepMind

閱讀更多：

https://ai.google.dev/gemini-api/docs/video?hl=zh-cn

xAI推出多版本Grok模型 API， 支持長文本與多模態(tài)混合輸入

馬斯克旗下的人工智能公司xAI近日發(fā)布了多個版本的Grok模型，針對不同應用場景進行了優(yōu)化。所有文本模型均支持131K tokens的超長上下文窗口，特別適合長文摘要和持續(xù)對話場景。多模態(tài)版本則支持圖像與文字的任意組合輸入，用戶可自由混合圖片和文字提示，輸出形式也根據(jù)模型不同而靈活變化。

在技術(shù)細節(jié)方面，Grok模型突破了傳統(tǒng)對話模型的順序限制，system/user/assistant三種角色提示可以任意排列組合。圖像處理方面支持最大10MB的JPG/PNG文件輸入，但值得注意的是，所有Grok模型都無法實時聯(lián)網(wǎng)，其知識截止日期為2024年11月17日。用戶需要將實時事件作為上下文手動輸入，調(diào)用時可直接使用模型別名如grok-3或grok-3-fast-latest。

關(guān)于使用成本，xAI官方未明確標注免費額度，建議開發(fā)者登錄API控制臺查看具體配額。部分開發(fā)者賬號可能獲得試用期體驗額度，但需要特別注意的是，不同模型的計費狀態(tài)可能有所差異，用戶需仔細核對API Key綁定的模型可用性。

#人工智能 #多模態(tài)模型 #API開發(fā) #xAI #Grok

閱讀更多：

https://docs.x.ai/docs/models#models-and-pricing

AI狂潮引爆電力危機，2030年數(shù)據(jù)中心耗電量或?qū)⒎?/strong>

國際能源署（IEA）最新報告指出，人工智能（AI）的迅猛發(fā)展將導致全球數(shù)據(jù)中心電力需求在2030年前翻倍，對能源安全和碳排放目標構(gòu)成嚴峻挑戰(zhàn)。目前，數(shù)據(jù)中心已占全球電力消耗的1.5%，且過去五年年均增長12%。生成式AI的普及進一步推高能耗，因其需要龐大算力處理海量數(shù)據(jù)。美國、歐洲和cn占據(jù)全球數(shù)據(jù)中心耗電量的85%，科技巨頭如谷歌、微軟和亞馬遜正積極尋求核能等替代能源以滿足需求。

報告預測，到2030年，數(shù)據(jù)中心耗電量將達945太瓦時（TWH），超過日本當前總用電量。一個100兆瓦數(shù)據(jù)中心的能耗相當于10萬戶家庭，而新建數(shù)據(jù)中心可能高達200萬戶家庭的用電規(guī)模。盡管煤炭目前占數(shù)據(jù)中心能源供應的30%，但可再生能源和天然氣因成本優(yōu)勢將逐步擴大份額。國際能源署強調(diào)，AI雖加劇電力需求，但也為優(yōu)化能源生產(chǎn)、降低成本和減排提供了新機遇。

然而，數(shù)據(jù)中心的擴張將推高碳排放，預計到2035年，相關(guān)排放量將從1.8億噸增至3億噸。盡管這一數(shù)字僅占全球總排放的極小比例，但AI與能源的深度綁定已引發(fā)政策關(guān)注。例如，美國總統(tǒng)特朗普成立“能源主導委員會”，旨在提升電力產(chǎn)能以維持AI領(lǐng)域競爭力。國際能源署呼吁，需平衡技術(shù)創(chuàng)新與可持續(xù)發(fā)展，避免能源轉(zhuǎn)型進程受阻。

#人工智能 #數(shù)據(jù)中心 #能源危機 #碳排放 #核能

閱讀更多：

https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works

微軟踩下AI基建"剎車鍵"：10億美元數(shù)據(jù)中心項目暫停

微軟近期宣布放緩或暫停多個數(shù)據(jù)中心建設項目，其中包括俄亥俄州價值10億美元的早期規(guī)劃。微軟云計算業(yè)務總裁Noelle Walsh在LinkedIn發(fā)文解釋，這一調(diào)整源于公司需要根據(jù)實際需求重新評估基礎設施擴張節(jié)奏。盡管過去三年微軟數(shù)據(jù)中心容量已翻倍，且本財年仍計劃投入超800億美元用于AI基建，但部分項目因戰(zhàn)略優(yōu)先級變化被擱置，包括威斯康星州項目后期階段和國際市場的部分租賃合約。

行業(yè)分析師指出，這一決策與微軟和OpenAI的合作關(guān)系演變密切相關(guān)。1月21日雙方修改協(xié)議后，OpenAI獲準自建算力設施，而微軟則面臨AI技術(shù)路線的不確定性。B. Riley Securities研究主管Craig Ellis認為，OpenAI專注于需要海量算力的前沿模型研發(fā)，而微軟可能轉(zhuǎn)向更務實的商業(yè)化路徑。與此同時，美國政府對AI基建的干預（如特朗普推動的5000億美元投資計劃）也重塑了行業(yè)競爭格局。

能源問題成為另一大制約因素。運行AI工具的高耗能特性迫使科技企業(yè)探索核能等替代方案，微軟甚至提議重啟賓夕法尼亞州的三哩島（Three Mile Island）核電站。俄亥俄州項目的暫停令當?shù)毓賳T失望，該地區(qū)此前已吸引谷歌、Meta和英特爾等科技巨頭的投資，但半導體工廠建設也已延期至2030年。微軟強調(diào)，此次調(diào)整是"戰(zhàn)略性節(jié)奏控制"，未來仍將保持強勁增長。

#微軟數(shù)據(jù)中心 #AI基建放緩 #云計算戰(zhàn)略 #OpenAI合作 #能源轉(zhuǎn)型

閱讀更多：

https://apnews.com/article/microsoft-ai-data-center-pause-ohio-4d987fe8446fc9e6cda31d919f938911

Google推出"AI全棧開發(fā)神器"：一句話生成可上線應用

Google近日發(fā)布了革命性的Firebase全棧AI開發(fā)環(huán)境，將人工智能與云端開發(fā)深度整合。這套系統(tǒng)融合了Project IDX、Genkit和Gemini等工具，允許開發(fā)者通過自然語言或圖片直接生成Next.js原型項目，并一鍵部署到Firebase App Hosting。其核心創(chuàng)新在于將傳統(tǒng)編碼過程轉(zhuǎn)化為"描述即開發(fā)"的AI驅(qū)動模式，例如只需輸入"創(chuàng)建旅行網(wǎng)站"的需求，系統(tǒng)就能自動完成從代碼生成到上線的全流程。

該平臺包含多項突破性功能：App Testing Agent可利用Gemini AI自動生成測試腳本并執(zhí)行多設備并發(fā)測試；Genkit框架支持用開發(fā)者熟悉的語言快速集成AI功能；Data Connect服務能自動生成后端API和前端SDK。特別值得注意的是，Vertex AI現(xiàn)在支持Gemini 2.0多模態(tài)模型的實時API調(diào)用，開發(fā)者可以輕松將語音交互等AI能力嵌入React Native應用。這些創(chuàng)新顯著降低了AI應用開發(fā)門檻，使非專業(yè)工程師也能參與項目開發(fā)和質(zhì)量保障。

Firebase的定位已從單純的后端服務升級為"AI時代的全棧操作系統(tǒng)"。新推出的App Hosting服務支持Nuxt、Astro等項目的一鍵部署，配合可視化儀表板和版本回滾功能，徹底簡化了發(fā)布流程。該平臺提供Spark免費計劃和Blaze按需付費兩種模式，既適合初創(chuàng)項目快速驗證想法，也能滿足企業(yè)級應用的擴展需求，標志著AI應用開發(fā)進入"描述即所得"的新階段。

#AI開發(fā) #云端工具 #自然語言編程 #全棧開發(fā) #Google創(chuàng)新

閱讀更多：

https://firebase.blog/posts/2025/04/cloud-next-announcements

Google推出AI"通用語言"協(xié)議：A2A讓不同AI代理像人類一樣協(xié)作

Google近日發(fā)布了名為A2A（Agent2Agent）的開放協(xié)議，這項技術(shù)旨在解決當前AI代理（AI Agent）之間無法互通協(xié)作的難題。A2A被設計為AI代理間的"通用語言"，類似于HTTP之于網(wǎng)頁通信，它允許不同平臺、不同廠商構(gòu)建的AI代理能夠互相通信、分工合作，形成一個智能協(xié)同體，打破現(xiàn)有的"信息孤島"現(xiàn)象。

該協(xié)議基于五大核心理念構(gòu)建，支持多模態(tài)通信（文本、圖像、音頻、視頻）和異步任務處理。其核心結(jié)構(gòu)包括Agent Card（能力描述卡）、Task（任務對象）、Artifact（任務產(chǎn)物）和Message Part（消息內(nèi)容塊）。通過這套系統(tǒng)，AI代理可以像拼樂高一樣互相對接，企業(yè)能夠組建"AI團隊"協(xié)作處理復雜任務，如招聘流程中多個代理協(xié)同完成候選人檢索、面試安排和背景調(diào)查等工作。

目前A2A已獲得Google Cloud、LangChain、MongoDB等50多家技術(shù)公司支持，并得到Accenture、BCG等咨詢機構(gòu)的合作。協(xié)議還內(nèi)置了OAuth2、API Token和雙向TLS等安全認證機制，確保企業(yè)級應用的安全性。這項技術(shù)的推出標志著AI協(xié)作進入新階段，有望大幅降低系統(tǒng)整合復雜度和長期維護成本。

#AI協(xié)作 #Google技術(shù) #企業(yè)自動化 #多模態(tài)通信 #智能協(xié)同

閱讀更多：

https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/

OpenAI發(fā)布評估基準BrowseComp，衡量AI搜索復雜信息的能力

OpenAI發(fā)布了全新的評估基準BrowseComp，旨在衡量人工智能代理在互聯(lián)網(wǎng)上搜索復雜信息的能力。該基準包含1,266個高難度問題，要求AI在瀏覽數(shù)十甚至數(shù)百個網(wǎng)頁后，整合多源信息，回答涉及歷史、文化、科學等領(lǐng)域的復雜問題。與現(xiàn)有的SimpleQA等基準相比，BrowseComp更注重對AI在處理模糊、交織信息方面的評估，推動了AI在真實世界任務中的應用能力。

BrowseComp設計了多樣化的問題類型，如要求AI識別具有特定背景的虛構(gòu)角色，或查找特定時間段內(nèi)的學術(shù)出版物等。例如，某問題要求AI識別一位偶爾打破第四面墻的虛構(gòu)角色，該角色在1960至1980年代之間有一部少于50集的電視節(jié)目，答案為“Plastic Man”。在性能評估中，OpenAI的GPT-4o模型在BrowseComp上的表現(xiàn)優(yōu)于其他模型，顯示出其在處理復雜搜索任務中的優(yōu)勢。此外，研究還探討了計算資源對模型性能的影響，發(fā)現(xiàn)增加計算資源有助于提高模型的搜索和推理能力。

#認知科學 #人工智能 #信息檢索 #復雜推理 #模型評估

閱讀更多：

https://openai.com/index/browsecomp/

AI 驅(qū)動科學

Nature：16,000個光學元件協(xié)同作戰(zhàn)，計算延遲降至3納秒

人工智能爆發(fā)式增長讓傳統(tǒng)芯片不堪重負，光電子融合技術(shù)成為破局關(guān)鍵。最新研究顯示，由Shiyue Hua、Bo Peng等組成的跨國團隊成功開發(fā)出含16,000個元件的光子加速器PACE，其延遲低至3納秒。

?啟發(fā)式循環(huán)算法的延遲比較和原理。Credit: Nature (2025).

研究團隊采用創(chuàng)新性2.5D混合封裝技術(shù)，將光子芯片與硅電子芯片集成，構(gòu)建64×64光子矩陣。測試表明，該系統(tǒng)執(zhí)行矩陣乘積累加運算（MAC，人工智能核心操作）時頻率高達1 GHz，最小延遲較傳統(tǒng)電路降低500倍。在解決伊辛問題（Ising problems，模擬磁性材料相變的數(shù)學難題）時展現(xiàn)出獨特優(yōu)勢，驗證了光子計算在復雜優(yōu)化任務中的潛力。值得注意的是，光子信號傳輸幾乎無電阻損耗，能效比顯著提升。不過研究者指出，光學信號與電子控制器的協(xié)同仍需優(yōu)化，才能真正替代現(xiàn)有計算架構(gòu)。研究發(fā)表在 Nature 上。

#AI驅(qū)動科學 #計算模型與人工智能模擬 #光子計算 #高性能計算 #能源效率

閱讀更多：

Hua, Shiyue, et al. “An Integrated Large-Scale Photonic Accelerator with Ultralow Latency.” Nature, vol. 640, no. 8058, Apr. 2025, pp. 361–67. www.nature.com, https://doi.org/10.1038/s41586-025-08786-6

Nature：大型語言模型助力精準醫(yī)療診斷

如何提升疑難病例的診斷準確性？Google Health與多機構(gòu)合作的Daniel McDuff、Mike Schaekermann、Tao Tu等團隊開發(fā)了專為臨床診斷優(yōu)化的語言模型AMIE，在302例真實疑難病例測試中，該模型獨立診斷準確率顯著高于無輔助臨床醫(yī)生，同時能有效提升醫(yī)生的診斷質(zhì)量。

研究團隊首先開發(fā)了針對臨床診斷優(yōu)化的AMIE模型（Articulate Medical Intelligence Explorer）。在實驗中，20名臨床醫(yī)生評估了302例來自《新英格蘭醫(yī)學雜志》的疑難病例，隨機分為無輔助、傳統(tǒng)檢索工具輔助（如UpToDate、PubMed）和AMIE輔助三組。結(jié)果顯示，AMIE獨立診斷的top-10準確率達59.1%，顯著高于無輔助臨床醫(yī)生的33.6%。更重要的是，AMIE輔助的臨床醫(yī)生診斷質(zhì)量評分（top-10準確率51.7%）顯著高于僅使用傳統(tǒng)檢索工具的醫(yī)生（44.4%）。AMIE平均生成237詞的詳細解釋，幫助醫(yī)生構(gòu)建更全面的鑒別診斷列表（differential diagnosis）。研究證實AMIE可有效提升臨床診斷能力，為患者提供更精準的醫(yī)療服務。研究發(fā)表在 Nature 上。

#疾病與健康 #大模型技術(shù) #個性化醫(yī)療 #預測模型構(gòu)建 #醫(yī)療AI

閱讀更多：

McDuff, Daniel, et al. “Towards Accurate Differential Diagnosis with Large Language Models.” Nature, Apr. 2025, pp. 1–7. www.nature.com, https://doi.org/10.1038/s41586-025-08869-4

AI也有"文化盲區(qū)"？如何打破WEIRD偏見實現(xiàn)全球包容

當前AI系統(tǒng)存在嚴重的文化偏見，主要反映西方發(fā)達國家視角。密歇根大學的Rada Mihalcea和圣克拉拉大學的Oana Ignat聯(lián)合12國專家團隊，系統(tǒng)分析了AI開發(fā)中的文化偏見問題，提出構(gòu)建全球包容AI的解決方案。

研究團隊來自中國、德國、印度等12個國家，通過案例分析法揭示AI開發(fā)全流程的文化偏見。在數(shù)據(jù)層面，標注過程忽視非主流文化視角，如羅馬尼亞歷史人物評價出現(xiàn)嚴重偏差；模型對齊過程中，開發(fā)者編碼的價值觀過度傾向西方標準；評估指標也未能涵蓋多元文化場景。實驗顯示，加拿大法語區(qū)教育工具因文化錯配導致性能下降40%，而添加少量本地化數(shù)據(jù)可提升30%以上效果。研究提出"厚文化視角"解決方案，包括多元化數(shù)據(jù)收集、全球開發(fā)者協(xié)作、文化敏感評估體系三方面改進。

#大模型技術(shù) #跨學科整合 #文化多樣性 #AI倫理 #全球化

閱讀更多：

Mihalcea, Rada, et al. Why AI Is WEIRD and Should Not Be This Way: Towards AI For Everyone, With Everyone, By Everyone. arXiv:2410.16315, arXiv, 9 Oct. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2410.16315

AI寫作 vs 記者手筆：揭示新聞報道風格差異

AI生成新聞是否具有人類記者的創(chuàng)造力？查爾斯達爾文大學的Van Hieu Tran、Yakub Sebastian等研究者通過對比分析發(fā)現(xiàn)，人類記者在句式多樣性（句子長度變化達35%）和動詞使用量（比AI高22%）上顯著占優(yōu)，而AI內(nèi)容雖可讀性相當?shù)L格單調(diào)。

研究團隊從《紐約時報》等媒體選取150篇人類新聞，涵蓋政治、體育等多領(lǐng)域，通過主題建模工具BERTopic提取關(guān)鍵詞后，用Google的Gemini生成對應AI新聞。采用機器學習方法分析文本特征，發(fā)現(xiàn)人類記者更善用動詞（verb ratio高1.8倍）和復雜句式（sentence complex tags多47%），段落長度變異系數(shù)（coefficient of variation）達AI的2.3倍，體現(xiàn)更強的表達靈活性。隨機森林模型基于這些特征實現(xiàn)98.3%的區(qū)分準確率。值得注意的是，AI在名詞使用頻率上超出人類15%，呈現(xiàn)"事實堆砌"傾向。該研究開發(fā)的檢測模型已封裝為瀏覽器插件原型，可實時評估新聞的AI生成概率。研究發(fā)表在 Computers 上。

#AI驅(qū)動科學 #大模型技術(shù) #自然語言處理 #新聞真實性 #機器學習

閱讀更多：

Tran, Van Hieu, et al. “Distinguishing Human Journalists from Artificial Storytellers Through Stylistic Fingerprints.” Computers, vol. 13, no. 12, 12, Dec. 2024, p. 328. www.mdpi.com, https://doi.org/10.3390/computers13120328

98.2%準確率！這臺電腦看得懂你的手語

全球1100萬聾人面臨溝通障礙，傳統(tǒng)手語翻譯依賴人力且成本高昂。佛羅里達大西洋大學的Bader Alsharif團隊開發(fā)出基于普通攝像頭的實時手語翻譯系統(tǒng)，準確識別美國手語字母并轉(zhuǎn)換為文字，準確率達98.2%。

?帶注釋的美國手語字母手勢，包含 21 個關(guān)鍵點，用于模型訓練。Credit: Florida Atlantic University

研究采用YOLOv11（新一代目標檢測算法）進行手勢檢測，結(jié)合MediaPipe（谷歌開源的手部關(guān)鍵點追蹤工具）提取21個手部特征點。系統(tǒng)通過13萬張包含不同膚色、光照和背景的手勢圖像訓練，采用關(guān)鍵點標注技術(shù)（精確標記指尖、關(guān)節(jié)等位置）提升模型魯棒性。測試顯示，系統(tǒng)在復雜環(huán)境下仍保持98.2%的識別準確率，延遲低于50毫秒，可實時拼寫專有名詞。特別解決了"A/T"、"M/N"等易混淆手勢的區(qū)分難題，錯誤率從行業(yè)平均15%降至1.8%。研究還開源了包含21點精細標注的大規(guī)模數(shù)據(jù)集，推動領(lǐng)域發(fā)展。研究發(fā)表在 Sensors 上。

#AI驅(qū)動科學 #人機交互 #輔助技術(shù) #實時識別 #深度學習

閱讀更多：

Alsharif, Bader, et al. “Real-Time American Sign Language Interpretation Using Deep Learning and Keypoint Tracking.” Sensors, vol. 25, no. 7, 7, Jan. 2025, p. 2138. www.mdpi.com, https://doi.org/10.3390/s25072138

可水洗AI T恤精準追蹤運動姿勢

如何讓運動監(jiān)測既精準又舒適？康奈爾大學Tianhong Catherine Yu和Cheng Zhang團隊突破性地將導電線縫入普通T恤接縫，開發(fā)出可水洗的SeamFit智能服裝，能自動識別14種運動動作并計數(shù)，準確率超93%。

?Tianhong Catherine Yu在科幻實驗室里，將導電線縫入普通 T 恤的接縫處，制作出智能服裝。Credit: Louis DiPietro

研究團隊創(chuàng)新性地利用服裝接縫嵌入導電線（conductive threads，可隨身體彎曲改變電特性的特殊纖維），通過測量電容變化捕捉全身運動。定制的機器學習算法無需個人校準即可識別弓步等14種動作，分類準確率達93.4%，重復計數(shù)誤差小于1次。三種尺碼設計適應不同體型，后領(lǐng)可拆卸電路板使整件T恤可直接機洗。在15人實驗中，系統(tǒng)甚至能追蹤未被布料覆蓋的肘關(guān)節(jié)活動，突破傳統(tǒng)智能手表局部監(jiān)測局限。該技術(shù)已從實驗室手工制作轉(zhuǎn)向探索工業(yè)包縫機量產(chǎn)方案，未來或使所有成衣具備"隱形"智能。研究發(fā)表在 Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies 上。

#AI驅(qū)動科學 #健康管理與壽命延長 #可穿戴技術(shù) #運動醫(yī)學 #智能紡織

閱讀更多：

Yu, Tianhong Catherine, et al. “SeamFit: Towards Practical Smart Clothing for Automatic Exercise Logging.” Proc. ACM Interact. Mob. Wearable Ubiquitous Technol., vol. 9, no. 1, Mar. 2025, p. 24:1-24:22. ACM Digital Library, https://doi.org/10.1145/3712287

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)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(nèi)容，歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。

關(guān)于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學研究機構(gòu)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(yī)院、上海市精神衛(wèi)生中心設立了應用神經(jīng)技術(shù)前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經(jīng)科學研究院。

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