追问daily | 为什么湿漉漉的狗会甩干自己；研究逆转：儿童比成年人运动技能学的慢；AI量化陷入瓶颈

贝勒医学院、斯坦福大学医学院及其他合作机构的研究人员发表了一项最新研究，揭示了BHB-Phe这种新型代谢化合物如何通过与大脑神经元相互作用调节食欲和体重。

BHB（β-羟基丁酸）是一种由肝脏产生的酮体，通常被用作能量来源。最近，科学家发现BHB在禁食或运动后会增加，这激发了对其在肥胖和糖尿病中的潜在应用的兴趣。在本研究中，斯坦福大学的团队发现BHB不仅仅作为燃料使用，它还与氨基酸结合形成BHB-氨基酸类物质，BHB-Phe是其中最重要的成员。BHB-Phe通过激活下丘脑和脑干神经元来抑制进食，减少体重。缺乏CNDP2酶的小鼠在补充外源性酮体或生酮饮食后，体重增加，进食量增多。研究结果表明，BHB-Phe及其相关代谢物可能在人类中也起到类似的作用，并在肥胖等代谢性疾病中发挥重要作用。研究发表在 Cell 上。

为什么湿漉漉的狗会甩干自己？

身体沾湿后会甩干自己是许多毛发哺乳动物的共同行为，主要用于去除皮肤上的水分和刺激物。虽然这一行为在许多动物中都存在，但其神经机制一直未被充分理解。

该研究通过光遗传学技术操控小鼠神经元的活动，结合水滴和油滴刺激小鼠背部毛发皮肤，探讨甩干行为的神经机制。研究发现，这一行为由 C 纤维低阈值机械感受器 (C-LTMRs) 激活引起，C-LTMRs 通过脊髓和臂旁核神经元的信号传递，最终触发抖动反应。实验还表明，去除或抑制 C-LTMRs 会显著减少甩干行为，进一步确认了这一神经回路的重要性。研究结果为理解动物行为中的神经机制提供了新视角，并可能对皮肤敏感性相关疾病的研究有所启示。研究发表在 Science 上。

这项研究由哥本哈根大学营养、锻炼和运动系的Jesper Lundbye-Jensen副教授带领，旨在探讨儿童、青少年和成人在运动技能学习中的差异。研究人员提出，年龄相关的中枢神经系统变化可能影响不同年龄阶段的技能学习方式，并挑战了儿童学习新技能更快的传统观点。

研究人员招募了132名来自四个年龄段（8-10岁、12-14岁、16-18岁和20-30岁）的参与者，评估他们在特定任务中学习新技能的能力。实验过程中，参与者需要快速精确地用手指移动光标。结果显示，尽管不同年龄段在短期学习中的进展差异显著，但长期记忆巩固上，儿童表现更为突出。成人和青少年在练习过程中进步较快，但更容易遗忘，而儿童虽然进步较慢，却能在睡眠后显著巩固所学技能。研究还表明，成人的学习机制偏向于快速提升（在线学习），而儿童的学习机制则在练习后能更好地巩固所学（离线学习）。这些差异表明，不同年龄段的学习依赖于不同的神经机制，尤其是中枢神经系统的成熟度。研究发表在Developmental Science期刊。

卫星数据揭示环境对大脑发育的影响

这项研究由佐治亚州立大学神经影像和数据科学三机构转化研究中心（TReNDS Center）领导，研究团队包括来自全球多所大学的专家。研究目的是揭示城市环境如何影响年轻人心理健康、认知及大脑发育。

研究团队使用了“城市卫星”（UrbanSat）数据，将其与青少年大脑认知发展（ABCD）研究的数据结合，通过分析来自美国21个城市的11,800名9至16岁儿童的数据，研究了不同环境因素对大脑健康的影响。通过将功能磁共振成像（fMRI）与卫星数据相结合，研究人员发现，环境中的绿地、夜间光照、建筑物数量等因素与大脑的灰质、白质及其功能网络连接性存在显著关联。这些发现表明，城市环境对认知能力和心理健康有着深远影响，特别是在儿童和青少年时期，环境因素可能塑造未来的认知和行为发展。研究发表在 Nature Mental Health 上。

神经网络的出现为我们对复杂神经过程的理解提供了新的视角，尤其是在灵长类动物腹侧视觉流的建模中。相关研究由Abdulkadir Gokce和Martin Schrimpf（EPFL）领导，他们探讨了模型参数和数据集规模对大脑神经反应的影响。

研究团队通过训练600多个神经网络模型，使用大规模的图像分类数据集，对模型的规模和数据集大小进行了独立控制，探索它们对大脑和行为对齐的影响。结果表明，尽管模型规模增大能提高行为一致性，但大脑一致性则趋于饱和。增加数据集的大小对模型的对齐效果提升较大，尤其是对高级视觉区域的影响更为显著。该研究还提出，扩展计算时，数据样本应占据更大比例，而非仅仅增加模型规模。研究结果揭示了当前模型和数据集在模拟大脑视觉腹侧流时的局限性，并强调了需要新的策略来构建类脑模型。

非致幻性大麻成分可增加大鼠的睡眠

悉尼大学的研究人员发现，大麻植物中的一种次要成分——大麻酚（CBN），可能具有促进睡眠的作用。该研究由Jonathon Arnold教授领导，研究人员通过客观的睡眠测量方法，首次验证了CBN在增加睡眠方面的有效性。

本研究采用多导睡眠图技术，在大鼠身上测试了纯化CBN的助眠效果。研究发现，CBN显著增加了大鼠的总睡眠时间，特别是在非快速眼动（NREM）和快速眼动（REM）睡眠阶段，且对NREM的影响与传统的助眠药物唑吡坦相当。此外，CBN的主要代谢物——11-羟基-CBN，能够在大脑中以较高浓度出现，并对大麻素CB1受体产生显著作用。尽管CBN本身的活性较弱，但其代谢物显示出比CBN更强的活性。研究表明，CBN通过改变睡眠结构来增加睡眠时间，并可能通过其代谢物增强催眠作用。研究还指出，未来需要进行更多的临床研究来验证其在人类中的效果。研究发表在 Neuropsychopharmacology 上。

随着人工智能（AI）领域的持续发展，近日，来自哈佛大学、斯坦福大学、麻省理工学院等顶尖学术机构的研究团队发布了重磅论文，提出了量化技术的瓶颈。该研究表明，随着训练数据量的增加，AI模型所需的计算精度也随之提高，低精度量化（将数据转为较低精度）可能已接近极限。这一结论对现有GPU设计以及未来AI技术的应用具有深远影响。

具体而言，研究发现，当使用低精度（如INT3和INT4）进行模型训练时，损失较高，推理时的性能也显著下降。随着训练数据和模型规模的增大，精度的需求愈发严格，低精度的量化无法满足高精度需求。这对于大规模训练任务，尤其是像Llama-3等使用超大数据集的模型，提出了新的挑战。

此外，研究团队还提出了“精度感知（precision-aware）Scaling Laws”理论框架，帮助预测和优化不同精度下的训练和推理效果。研究结果表明，在低精度下进行训练时，模型的有效参数数量减少，导致额外的损失。因此，在资源有限的情况下，可能需要在训练大模型时使用较低精度，同时增加模型的规模来优化计算效率。

OpenAI联创兼总裁Greg Brockman宣布结束人生中最长的假期，并重返公司，致力于解决重大技术挑战。他在推特上透露，回归后将与Sam Altman共同讨论新的职位安排，确保能够全力投入AI技术的前沿发展。

Brockman的回归是在OpenAI经历了多次高层人事变动后发生的。自9月以来，前CTO Mira）、联创John Schulman等高层先后离职，OpenAI的管理层面临调整。尽管如此，Altman依然坚定表示，2025年最令他激动的事将是开发人工通用智能。

在高层频繁变动的背景下，OpenAI吸纳了大量新血液。微软前AI副总裁Sebastien Bubeck和Meta前AR项目负责人Caitlin Kalinowski等人加入OpenAI，分别负责AI技术开发和机器人硬件业务。

在开发能够应对恶劣环境的机器人视觉系统时，传统的光学传感器如相机和激光雷达（LiDAR）往往在烟雾或雾霾等条件下无法提供有效图像。为了突破这一限制，宾夕法尼亚大学的研究人员开发了PanoRadar系统。研究团队来自无线音频视觉电子传感（WAVES）实验室与嵌入式计算与系统工程研究中心（PRECISE Center）。

PanoRadar利用旋转的毫米波雷达阵列和人工智能（AI）算法，能够将简单的无线电波转换为详细的3D环境图像。该系统不仅能在浓烟、雾霾等恶劣环境中保持高分辨率成像，还能解决传统传感器在挑战性环境中的限制。通过对机器人运动的精确估计，PanoRadar实现了与激光雷达相媲美的分辨率。研究团队展示了其在12座建筑物中的强大表现，证明了其可靠性。未来，团队计划进一步探索PanoRadar与其他传感器结合使用的潜力，以创造更强大的多模态感知系统。

塔夫茨大学的语言学与计算机科学研究人员一直致力于研究人工智能与人类对话的互动问题。研究团队针对人工智能如何在对话中识别适当插话时机展开研究，旨在提高AI语言系统在自然对话中的表现。

该研究的核心目的是评估大型语言模型（LLMs）在预测对话中插话机会（Transition Relevance Places，TRPs）方面的能力。研究人员推出了一个新数据集，包含参与者标记的“转瞬内TRPs”，并用该数据集来测试当前先进的LLM的表现。实验结果表明，现有的LLMs主要集中在预测对话结束时的TRPs，而忽视了对话中的其他关键时刻，即转瞬内TRPs，这限制了其模拟自然语言对话的能力。尽管人工智能可以识别一定的模式，但由于缺乏口语对话的训练数据，AI模型在处理无脚本的口语互动时的表现仍远不如人类。研究人员认为，通过在更大范围内引入自然语言对话数据进行训练，未来的对话系统有可能克服这一问题，从而实现更流畅和自然的对话。

麻省理工学院的Markus J. Buehler教授领导的团队，通过结合生成式人工智能与图形计算工具，提出了一种新颖的生物材料设计方法。布勒教授专注于土木与环境工程及机械工程领域的研究。

研究团队将1000篇生物材料相关的科学论文转化为知识图谱，通过对图谱的结构分析，发现图谱具有无标度性质和高度的连通性。这一图谱不仅揭示了不同科学信息之间的联系，还通过图推理揭示了跨学科的潜在联系，例如通过比较生物材料与贝多芬的《第九交响曲》发现了复杂性模式的相似性。此外，基于康定斯基的抽象艺术作品《构图 VII》，AI模型推荐了一种创新的菌丝体复合材料，结合了混乱与秩序的平衡、机械强度、孔隙率等特性，具有应用于可持续建筑材料、可生物降解塑料替代品等领域的潜力。该研究的创新之处在于通过AI探索隐藏的跨学科连接，为材料设计和其他领域的创新提供了新思路。研究发表在 Machine Learning: Science and Technology 上。

随着虚拟现实（VR）和游戏领域触觉技术的发展，马里兰大学研究团队提出了一种创新的水基触觉系统JetUnit。该系统通过水射流提供多种力反馈体验，增强了虚拟现实中的沉浸感。团队来自马里兰大学高级计算机研究所。

JetUnit系统通过水射流提供多种力反馈，模拟从轻柔触摸到针刺感的各种触觉体验。该系统的关键在于优化设计参数，确保水射流能够提供强力反馈的同时，不会让用户变湿。研究团队通过定量实验和感知研究确定了关键设计参数，并进行了用户测试，评估其在虚拟现实中的效果。研究结果表明，JetUnit成功增强了虚拟现实中的沉浸感，且与现有技术相比，能够生成更广泛的力反馈，提升了用户的交互体验。未来，JetUnit有望发展成全身触觉系统，为盲人提供空间导航支持，进一步拓宽其应用领域。

最新研究介绍了一个前所未有的计算模型，该模型能够捕捉章鱼手臂复杂的肌肉结构。该研究由伊利诺伊大学厄巴纳-香槟分校的研究团队完成。研究团队自 2019 年起开始合作，目标是开发“网络章鱼”能力，通过机器人控制系统模拟章鱼手臂的复杂运动。

本研究通过结合医学成像、生物力学数据和活体行为实验，构建了一个由近 200 个肌肉群组成的章鱼手臂模型。研究人员利用 MRI（磁共振成像）、组织学数据以及图像跟踪技术，模拟了章鱼手臂的复杂运动。通过在水箱中观察章鱼的实际操作，他们获得了大量的运动数据，并运用这些数据对手臂的运动进行模拟。该团队使用拓扑学和微分几何学的基本理论，通过简单的肌肉收缩模式，控制手臂的复杂 3D 动作，而无需处理数千个自由度。研究表明，章鱼手臂的复杂运动实际上是通过肌肉群的协同作用和拓扑学的变化来实现的。这一发现为机器人学、动力学和控制系统提供了新的思路，可以应用于开发更加灵活和智能的机器人控制系统。研究发表在 PNAS 上。

麻省理工学院人工智能与基础交互研究所（CSAIL）的机器人学家和工程师团队开发了一种创新的生成式人工智能方法，旨在帮助机器人克服现实世界中的地形障碍。该团队通过在虚拟环境中进行机器人训练，为未来机器人的广泛应用提供了新的可能性。

本研究提出了使用生成模型和物理模拟器相结合的方法，帮助机器人学习如何穿越现实世界的地形。团队通过让机器人在虚拟世界中进行训练，生成AI图像并结合物理模拟，成功训练出能够在多种复杂地形中自如移动的机器人。在该系统的帮助下，机器人学会了如何穿越障碍物、攀爬楼梯，并在各种未知环境中进行自主导航。与传统方法相比，使用该虚拟训练系统的机器人在现实世界中展现了更强的适应性和执行力。该研究表明，通过虚拟训练，机器人能够在未接触过真实数据的情况下，依然能够顺利完成任务，展示了虚拟训练与现实应用之间的有效桥接。