追问weekly | 过去一周，脑科学领域有哪些新发现？Vol.39

2024年，塔夫茨大学医学院的Michael Halassa 团队对丘脑在适应性决策中的角色展开研究，关注精神分裂症等精神疾病的神经机制。该团队通过观察树鼩的行为，分析丘脑如何在任务中的决策中影响前额叶的重构。

研究团队设计了一项决策任务，包含规则逆转，记录树鼩在执行任务时的神经反应。研究发现，中背丘脑独立地处理提示和规则的不确定性，这一功能使丘脑能够在任务规则逆转后，将错误适当地归因于环境变化，并重构前额叶皮层以适应新规则。研究还揭示了一条跨丘脑路径，将来自扣带皮层关于错误的监测信号传递给前额叶，以实现控制的重构。这一发现表明丘脑在分离皮层信号中扮演了关键角色，并为皮层间通信提供了一条简化路径。这一研究拓展了我们对大脑在复杂环境中如何做出适应性决策的理解，有助于未来人工智能模型的开发。研究发表在 Nature 上。

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。

记忆形成一直被认为是大脑的独特功能，但纽约大学的研究团队发现，非脑细胞也具备类似的记忆功能。研究由纽约大学的Nikolay V. Kukushkin和Thomas Carew教授联合指导。

研究团队在实验室中对两种非神经细胞系进行实验，以验证“集中间隔效应”在非神经细胞中的记忆功能。研究使用毛喉素（forskolin）和佛波酯（phorbol ester）的重复脉冲模拟记忆训练，并通过荧光素酶（luciferase）的表达检测细胞的“记忆反应”。结果显示，间隔性的四次脉冲比单次集中脉冲产生了更强和更持久的荧光素酶表达，并且显著激活了ERK和CREB（关键记忆分子因子）。此外，抑制ERK或CREB会阻断这一效应，表明这些记忆特征并不依赖于神经回路，而是可以存在于不同细胞类型的信号级联动态中。这项研究的发现为理解记忆的多样性开辟了新视角，并为未来的学习增强和记忆治疗提供了潜在的医学应用。这项研究发表在 Nature Communications 上。

早期细胞膜的形成机制

生命的起源一直是科学界关注的焦点，尤其是第一个细胞膜是如何形成的。加州大学圣地亚哥分校化学与生物化学教授Neal Devaraj及其研究团队，致力于探索生命起源的化学机制，提出了一个通过简单分子反应生成细胞膜的假设。

研究人员采用了氨基酸半胱氨酸和短链胆碱硫酯两种简单分子，并在二氧化硅催化下，通过水中低浓度的反应形成了二酰基脂质。这些脂质能够生成原始细胞样的膜囊泡，稳定性足以维持生化反应的进行。该研究不仅揭示了简单分子如何自发生成细胞膜，还表明不同的短链分子可能在早期生命进化过程中提供了构建细胞膜的关键材料。这一发现为理解生命从无机物到有机物的转变提供了新的视角。研究发表在 Nature Chemistry 上。

人类智力的形成受到先天和后天因素的双重影响，而这些因素在大脑中的作用可以通过MRI成像观测。然而，虽然sMRI可以在群体水平上显示出某些与智力相关的神经解剖学特征，但它能否解释个体智力差异仍未被证实。为解决这一问题，美国哈佛大学附属的波士顿儿童医院研究团队在Mohammad Arafat Hussain、Danielle LaMay、Ellen Grant和Yangming Ou的带领下，开展了一项使用深度学习技术分析sMRI图像预测智力的研究。

该团队从850名年龄在6至64岁之间的健康及孤独症人群中收集了T1加权结构性MRI（sMRI）图像，并在不同条件下执行了432次实验。实验包括使用不同的图像通道、六种深度学习模型、不同的参数和预测设定，以评估这些方法在预测智力水平上的表现。研究的主要发现是，通过sMRI预测个体智力有统计学意义，Pearson相关系数超过0.21（p < 0.001），这表明sMRI含有一定的智力预测信息。

令人意外的是，模型的复杂度增加并未显著提高预测精度。解释模型的过程中，研究团队采用了GradCAM技术，得出预测所依赖的关键脑区与顶叶-额叶整合理论（P-FIT）一致，证实了包括枕叶、顶叶、额叶在内的多个脑区交互在智力形成中的重要性。这一发现不仅支持了P-FIT理论，还为进一步探索智力的神经解剖学基础提供了新方向。此项研究发表在 Scientific Reports 上。

记忆形成是大脑的一项重要功能，然而，哪些记忆会被长期保留，哪些会被遗忘仍然是未解之谜。由东北大学的 Ko Matsui 教授和 Hiroki Yamao 研究员领导的团队，通过操控小鼠杏仁核中的星形胶质细胞，研究了该细胞对记忆形成的影响。杏仁核被认为是情绪和恐惧调节的关键区域。

研究团队利用光遗传学技术操控星形胶质细胞的酸碱状态，从而选择性地影响恐惧记忆的形成过程。他们发现，通过激活 ChR2 蛋白酸化星形胶质细胞，可以在短期内增强小鼠的恐惧记忆，但阻碍其转化为长期记忆；而激活 ArchT 蛋白碱化星形胶质细胞则在经历创伤性事件后，抑制了短期记忆形成，同时在三周内阻止了记忆的自然遗忘。这些实验结果首次表明，星形胶质细胞不仅影响情绪感知，还对记忆的选择性巩固起到关键作用。研究团队认为，这一发现可能为未来治疗创伤后应激障碍（PTSD）等疾病提供新的干预途径。研究结果发表在 Glia 杂志上。

静息态脑网络（RSN）已在健康和疾病研究中广泛应用，但其与大脑神经活动的关系尚不明朗。为探究该关系，宾夕法尼亚州立大学的Nanyin Zhang教授领导的团队开展了一项研究，在小鼠大脑中同时记录rsfMRI和电生理信号，试图揭示rsfMRI信号中未被直接观测的电生理学成分。

研究团队在两处大鼠大脑区域同时记录了rsfMRI和电生理信号。结果显示，基于局部场电位（LFP）频带功率生成的空间图可解释高达90%的RSN空间模式变异性，但时间维度上的解释力仅为35%。此外，从rsfMRI信号中去除LFP功率的时间序列几乎不影响RSN的空间模式，这表明rsfMRI信号中可能存在“电生理学不可见”的成分。这些结果表明，传统的基于电生理信号的rsfMRI信号解释可能不足以涵盖其生成机制。研究发表于 eLife。

大脑在听音乐时如何预测旋律的不确定性

人类大脑具备强大的模式识别和预测能力，这种能力不仅体现在日常生活的决策中，也体现在音乐的体验中。在聆听音乐时，人们能够直观地预测旋律的下一步走向。马克斯·普朗克人类认知与脑科学研究所的研究人员Juan-Daniel Galeano-Otálvaro、Jordi Martorell及其团队，针对这一问题展开深入研究，以理解旋律预测的神经基础及其在不同人群中的差异。

研究团队招募了20名参与者（其中10人为专业钢琴家），让他们多次聆听巴赫的10段钢琴旋律，同时记录他们的脑电图（EEG）数据。研究通过多变量时间响应函数（mTRF）模型，分析大脑在不同频率范围内对旋律不确定性（熵，entropy）和意外性（surprisal）信息的编码情况。研究结果表明，熵在提升EEG重建精度方面的贡献显著高于意外性，并且这种提升在30 Hz以下的所有频带中均存在。

此外，时间信息的编码不仅限于低频范围（1-8 Hz），还延展至更高的频率。研究还发现，音乐家与非音乐家在旋律预测上的大脑反应有差异，音乐家的脑电图重建精度在β频段（12-30 Hz）得到显著提升，而非音乐家则在α频段（8-12 Hz）有增强。这表明音乐经验对大脑处理音乐的预测性反应具有深远影响。该研究成果已发表于 European Journal of Neuroscience 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。

加州大学欧文分校的研究团队首次揭示了位于压后皮层（RSC）内的两种特定神经回路如何与空间导航和记忆存储密切相关。研究通过逆行腺相关病毒（rAAV2-retro）和顺行AAV-SynaptoTAG2病毒追踪技术，研究了压后皮层（RSC）中与M2（次级运动皮层）及AD（前丘脑）相连接的两种投射回路。

M2投射神经元接收更多来自背下丘脑、AD及躯体感觉皮层等区域的输入，其作用在于将空间思维转化为行动；AD投射神经元则更倾向于记忆特定位置，接收来自前扣带皮层及内侧隔膜的输入。在化学遗传学方法抑制M2和AD投射回路后，研究发现抑制M2回路会影响物体位置记忆及空间定位功能，而抑制AD回路则主要削弱物体位置记忆。该发现为未来探讨压后皮层在认知障碍中的作用奠定了解剖学基础。研究发表在 Molecular Psychiatry 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。

近年来，大型语言模型（LLMs）因其卓越的语言处理能力在认知科学领域引发了广泛关注。这些模型的预测能力是否依赖于深度理解，仍是学界关注的重要问题。来自伦敦政治经济学院的 Philipp Schoenegger 等国际团队，联合其他机构的 Indre Tuminauskaite 和 Philip E. Tetlock 等，设计实验探索这一问题。他们特别关注如何利用“群体智慧”（wisdom of the crowd）效应提升模型预测能力。

研究人员使用12个不同LLMs组成集成预测团队，回答了31个二元问题，模拟了“群体智慧”效应。他们的数据来源包括一项持续3个月的预测锦标赛，与925名人类预测者的结果进行了直接对比。结果表明，LLMs团队不仅在统计上显著优于随机猜测，还在准确性上与人类预测团队相当。

进一步的研究表明，两个最前沿的模型（GPT-4和Claude 2）在参考人类预测中值后，准确性提升了17%-28%。此外，通过平均人类和LLMs的预测，进一步提升了整体准确性。该研究首次系统性验证了多样化LLMs预测团队的优势，证明通过简单的聚合机制即可达到甚至接近人类群体的预测水平。研究发表在 Science Advances 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。

神经形态计算（Neuromorphic Computing）与机器学习是实现智能化的两条重要技术路径，前者由神经科学驱动，通过尖峰神经网络（SNN）和神经形态芯片（Neuromorphic Chips）来模拟大脑信息处理模式，具备显著的能源效率优势，但在精确度与应用广度上仍逊色于成熟的机器学习生态。机器学习以人工神经网络（ANN）及其加速器为主，依靠计算机科学的快速发展取得了广泛的应用。

为进一步推动神经形态计算的发展，研究人员发起了一项名为“理解并弥合神经形态计算与机器学习之间的差距”的研究课题，并在2019年至2022年间发布了多篇论文，涵盖神经形态模型和算法、硬件实现及编程框架等领域。其中，几项关键研究尝试通过引入机器学习中的反向传播等先进算法，提升尖峰神经网络的精度。此外，新兴的三因素Hebbian更新规则、基于自注意力的时间-通道联合关注模型（STCA-SNN）等创新算法，使SNN能够在复杂任务中更加高效。

在硬件方面，为解决传统计算架构中SNN执行效率低下的问题，研究人员设计了特定的加速器和模型映射策略，以优化尖峰神经网络在FPGA等硬件中的表现；此外，MAC阵列及多核策略的应用显著提高了神经形态芯片的负载平衡与处理效率。

编程框架的进步也是该领域的核心内容之一。研究人员推出了一个名为BIDL的框架，为基于生物神经网络的深度学习提供了强大的工具，便于构建兼容不同数据类型的时空处理模型。

随着ChatGPT和Bard等大型语言模型的普及，其在教育中的应用引发了学术诚信的担忧。本研究由Mariano Kaliterna、Marija Franka Žuljević、Luka Ursić、Jakov Krka和Darko Duplančić等人领导，探讨了LLMs在模仿人类写作医学生道德困境方面的表现。

研究团队收集了47篇医学生撰写的道德困境个人经历论文，通过关键词提取为LLMs（ChatGPT和Bard）生成提示，并用这些提示生成相同数量的AI论文。使用语言查询和字数统计（LIWC 22）软件分析生成文本，关注其在社会和心理过程的语言特征。经过数据分析，发现AI撰写的论文在情感、真实性和分析思维方面的语言表现更强。虽然AI生成文本在语言特征上与学生撰写的有所不同，但两种LLMs在生成医学生面临的真实伦理困境个人经历方面显示出较高的能力。这项研究表明，大型语言模型在教育领域的应用潜力与挑战共存。研究发表在 Scientific Reports 上。

在人工智能和服务机器人技术快速发展的背景下，服务机器人在日常生活中扮演的角色逐步扩大。本研究由清华大学的研究人员完成，致力于通过结合大语言模型（LLM）和知识图谱（KG）优化服务机器人的意图识别和预测能力。

研究团队提出了LKIRF框架，以离线知识图谱（KG）和大语言模型（LLM）结合为基础，通过实时交互生成在线推理图。该方法首先构建离线知识图谱，包括人体运动数据和环境信息，并利用大语言模型在在线推理过程中进行动态解释。实验结果表明，LKIRF框架在多种复杂场景中相较于传统方法表现出更高的识别精度和推理透明度。研究特别强调，结合LLM的KG在服务机器人意图识别中提供了重要的解释路径，显著提高了识别的准确性和理解性。该研究成果发表在 Scientific Reports 上。

LLMs因在知识性任务上的出色表现而备受关注，但在社交情境中的表现尚不明确。本研究由德国柏林洪堡大学团队开展，旨在探讨LLMs在高风险冲突情境中的行为判断能力。

研究人员采用了一种不公开的情境判断测试（Situational Judgment Test，SJT），选用276名人类参与者和五款聊天机器人（包括Claude、Microsoft Copilot、ChatGPT、Google Gemini和you.com的智能助手）进行了比较。在SJT测试中，Claude、Copilot和you.com的智能助手表现出优于人类的社交行为建议能力，并且其行为选项的评分与专家评分高度一致，说明LLMs具备一定的社交判断能力。然而，研究也指出，LLMs在复杂社交情境中的稳定性和一致性仍存在挑战。这一发现为LLMs作为虚拟社交助理的潜力提供了支持，但广泛应用中仍需谨慎对待。该研究发表在 Scientific Reports 上。

人犬互动中的情感同步：心率变异性的共同调节现象

人与狗之间的关系建立在情感依恋之上，但其生理机制尚未明确。芬兰于韦斯屈莱大学心理学系和跨学科大脑研究中心的研究团队针对这个问题展开研究，旨在了解狗与主人之间的情感连接如何在生理层面上体现出来。

研究以29对狗主人组合为对象，采用伪随机交叉设计，通过测量静息基线期和积极互动任务期间的心率变异性（HRV）和体力活动，分析狗与主人的生理同步现象。结果表明，狗与主人的心率变异性在自由活动期（如基线前后）表现出显著相关性，而在互动任务（如抚摸和玩耍）中，两者的活动水平也会同步。更为重要的是，狗的心率变异性可以预测主人的心率变异性，而狗的身高、饲养时长、主人的负面情绪特质以及双方的互动强度均对狗的心率变异性有影响。研究表明，狗和主人之间的生理和情感状态在互动中呈现出共同调节的特征，反映出类似人类依恋关系中的情感连接。该研究发表在 Scientific Reports 上。

现有的因果推理方法在处理复杂动态系统，尤其是非线性和非平稳的变量相互作用时，面临很大挑战。为了解决这一问题，埃默里大学的Josuan Calderon和Gordon Berman副教授等团队成员，提出了一种名为因果推理时间自动编码器（TACI，Temporal Autoencoders for Causal Inference）的新方法。该方法能有效捕捉和量化复杂系统中的时变因果关系。

TACI结合了新的代理数据指标和双头机器学习架构，能够识别和量化随时间变化的因果交互作用。研究团队首先在合成数据上测试了该方法，结果表明，TACI能够成功检测到非线性、非平稳系统中的因果变化。然后，他们将这一方法应用于实际数据，包括德国耶拿的气象数据和猴子的脑成像数据。在气象数据中，TACI成功识别出温度对其他气象变量的影响，尤其是在温度下降时因果关系最为明显；在猴子的脑成像数据中，TACI能清晰地检测到麻醉前后大脑区域之间因果关系的变化。研究还表明，TACI与其他传统方法相比，具有更高的准确性和有效性，为理解时变因果关系的机制提供了新的视角。然而，TACI仍然需要较强的计算能力，研究团队计划优化模型以提高效率。研究发表在 eLife 上。

大型语言模型（LLMs）在医学、法律、教育等领域的应用广泛，但其是否真正具备人类语言理解能力引发争议。来自剑桥大学的Vittoria Dentella及其团队，包括Fritz Günther、Elliot Murphy、Gary Marcus和Evelina Leivada，对此进行了系统研究，以揭示模型在语言任务中的潜在局限性。

研究团队设计了一套新颖的基准任务，测试7种最新LLMs在语言理解方面的表现。这些任务使用高频语言结构，简化了语言复杂度。每个问题重复测试多次，采用两种回答模式（单词限制模式和开放长度模式），并以400名人类受试者为基线进行对比。基于26,680个数据点的分析表明，LLMs的准确率仅达到随机水平，其回答在一致性方面表现波动。研究还发现，模型在语义理解上存在显著偏差，表现出不同于人类的错误模式。这表明现有模型缺乏对语法和语义信息的有效解析能力，可能是由于它们无法内化类似人类的语言合成机制。研究发表于 Scientific Reports。

近期，Scientific Reports发表了一项由Brian Porter与Edouard Machery领导的研究，探讨非专家能否分辨AI生成诗歌与人类诗歌的差异，并分析诗歌评价背后的偏好机制。研究表明，AI生成的诗歌在非专家读者眼中不仅难以与人类创作区分，甚至被更高频率地误判为“人类作品”。

研究团队设计了两组实验：第一组实验中，研究者收集了10位著名英语诗人（如William Shakespeare和Emily Dickinson）的诗歌，与由ChatGPT 3.5模拟这些诗人风格生成的诗歌相结合，形成混合样本供1634名参与者辨别。结果显示，参与者仅达到46.6%的正确率，低于随机猜测水平。他们更倾向将AI生成的诗误认为人类创作（p<0.0001）。第二组实验则深入探讨了参与者对诗歌的定性评价，结果发现AI生成诗在节奏感和美感上得分更高，但当被告知诗歌由AI生成时，这些评分会显著下降。

研究指出，非专家更容易偏好AI生成的诗歌，因为其语言简洁明了，情感表达直接，便于理解；而复杂的人类创作则可能被误解为AI作品的“混乱输出”。这也解释了AI生成内容为何在非专家中呈现出“更人性化”的错觉。

人工智能研究领域长期以来试图复制人类的抽象与推理能力，这是人类智能的一大核心特点。然而，现有的AI系统在处理未见过的复杂任务时常显得无能为力。本研究由Mikel Bober-Irizar 和 Soumya Banerjee 领导，团队所在机构包括多家国际顶尖研究机构，目的是探讨是否能通过神经网络解决广义泛化问题，特别是以ARC数据集为测试平台。

研究团队通过改进神经符号算法DreamCoder和大语言模型（LLM），设计了一种新的领域专用语言PeARL（Perceptual Abstraction and Reasoning Language，用于抽象与推理的功能语言），并开发了一种新型识别模型。研究还尝试将视觉任务转化为文本任务，使大语言模型能够应用于ARC的部分问题。此外，通过集成多种解决方案，研究团队发现，这些方法能有效互补，性能优于任何单一系统。然而，即使是最优的集成方法，其解决任务的比例也仅为40%，远低于人类表现。本研究强调未来解决ARC问题可能需要更多元的策略，同时首次推出了一款名为arckit的开源Python工具库，为后续研究提供便利。研究发表在 Scientific Reports 上。

随着人工智能（AI）技术不断发展，学术界对其潜在风险的评估逐渐成为焦点。为此，Fariba Karimi教授领导的复杂性科学中心（Complexity Science Hub, CSH）团队，在英国皇家学会期刊中发表了相关研究。研究表明，现有的人工智能风险评估框架未能考虑技术与社会之间复杂的相互作用，亟需在评估方法上进行创新。

研究团队认为，传统的人工智能风险评估方法过于侧重短期和具体的危害，如技术偏见和安全问题，但忽视了这些技术带来的长期系统性风险。因此，他们提出，评估AI风险时应采用复杂系统的视角。这一方法不仅关注技术的短期影响，还考虑技术与社会背景之间的反馈机制。

为了更好地模拟这些复杂的互动，研究团队建议使用计算模型，如模拟AI对社会群体的影响，尤其是在社会网络中少数群体的表现。这些模型能够展示AI偏见如何在长期反馈中加剧社会不平等，并为政策制定者提供实际的见解。此外，研究还强调了公众参与的重要性。通过多元化的专家与公众协作，能够更全面地评估AI带来的潜在风险，确保评估过程反映出所有受影响群体的需求与声音。该研究发表在 Philosophical Transactions A 期刊上。

在最新的前沿数学评估中，大型语言模型（LLM）仅能解决2%的问题，这一结果引发了AI评估领域的广泛关注。此基准被提出的原因在于，尽管现有的数学评估基准不断被这些模型“攻克”，但其能力仍然存在明显的局限性。研究人员指出，尽管LLM在数学和编程等领域表现出接近顶级专家水平的能力，但其却无法胜任简单、连贯且长链的自主任务，这一点在日常工作中显得尤为明显。

这一现象揭示了著名的“Moravec悖论”（Moravec's paradox），即30多年前研究员Hans Moravec观察到的现象：计算机擅长处理复杂、封闭性的问题，如国际象棋，这类任务对人类来说极具挑战，但对计算机却较为简单。相反，人类日常完成的简单感知运动任务，例如系鞋带或叠衣服，却极大地挑战了计算机硬件和软件的极限。

此次前沿数学（FrontierMath）基准的发布，启发了研究人员思考如何构建适用于评估大模型日常任务能力的标准，例如：长上下文处理、一贯性、自主性、常识以及多模态输入输出能力。这些技能往往是人类轻松掌握的，但对AI而言却充满挑战。

近年来，语言模型在已知任务上的表现显著提升，但在处理复杂推理问题上仍存在挑战。哥伦比亚大学的研究团队使用Abstraction and Reasoning Corpus（ARC）作为基准，通过“测试时训练”（test-time training，TTT）方法，研究如何在推理阶段增强模型的抽象推理能力，以应对全新任务的挑战。

研究团队首先在类似任务上对模型进行初步微调，然后使用输入数据进行TTT，以在推理阶段优化模型参数。通过对比多个模型设计，研究识别出提高TTT效果的三个关键要素：任务微调、辅助任务格式和逐实例训练。最终，TTT使模型在ARC验证集上的准确率提升了6倍，达到53%。进一步结合程序生成技术后，准确率升至61.9%，接近人类平均水平。这一结果表明，神经网络在不依赖符号化推理的情况下，也可以在复杂推理任务中获得显著提升。

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。

南佛罗里达大学牵头的一项跨学科研究首次探讨数字媒体对青少年从童年到成年的长期影响。研究由 Justin Martin 主持，研究团队成员涵盖新闻学、心理学、公共卫生等多个领域，并与波因特媒体研究所合作。

这项名为“媒体生活调查”（Life in Media Survey）的研究计划持续25年，跟踪1500名初始年龄为11至13岁的青少年。调查范围涵盖从智能手机、社交媒体使用到网络欺凌、流媒体观看习惯、人工智能的接触等多方面内容。研究通过半年一次的问卷调查，记录参与者在心理健康、睡眠质量等关键指标上的变化趋势。

初步阶段的数据收集将在2025年春天发布结果，研究目标是发现数字媒体使用模式与健康结果之间的因果关系，例如：是否长时间使用社交媒体会导致青少年睡眠不足和焦虑感的上升。同时，研究还探索如狂看流媒体等行为是否会带来更多面对面的社交机会，从而降低孤立感。这些数据将为家长、教育者和政策制定者提供重要参考。

大脑如何保持冷静: 大脑稳定性和NMDA受体

特拉维夫大学医学与健康科学学院的Inna Slutsky教授团队，联合海法大学Kobi Rosenblum教授，发现NMDA受体（NMDAR）在维持大脑神经网络稳定性中的关键作用，或可为阿尔茨海默病、抑郁症等神经疾病带来新疗法。

该研究通过体外、体内电生理实验和计算模型揭示了NMDAR在设定大脑神经网络活动基线中的作用。首先，在体外实验中，通过双扰动法研究发现，NMDAR阻断会使神经网络活性无法恢复到原有基线，而是维持在新的、较低的活性水平。进一步的体内实验表明，在小鼠的海马体直接阻断NMDAR，可降低该区域的网络活动水平，但不会产生补偿性恢复。

通过eEF2K-BDNF信号通路，NMDAR可调节兴奋/抑制比率（E/I ratio），并在网络层面上稳定放电率。此外，研究团队的数学模型验证了稳定性在神经网络层面上实现，而非单个神经元独立完成。这些发现不仅拓宽了NMDAR在神经系统中的已知功能，也可能解释了其在抗抑郁药物中的作用机制，特别是通过降低抑郁症中过度活跃的脑区来实现治疗效果。该研究已发表在 Neuron 上。

脑脊液中鉴定出阿尔茨海默病的潜在新药靶点

阿尔茨海默病是一种常见的神经退行性疾病，研究其分子机制对治疗和预防至关重要。然而，由于活体患者大脑分子检查的困难，基因和蛋白质如何促进病变一直难以明确。华盛顿大学医学院的团队通过研究活体患者的脑脊液样本，将与阿尔茨海默病相关的蛋白质与基因进行关联，分析潜在的治疗靶点。该研究由神经基因组学和信息学中心的Carlos Cruchaga领导，并得到了Knight-ADRC和显性遗传性阿尔茨海默病网络的支持。

研究团队通过对3,506名阿尔茨海默病患者和健康捐赠者的脑脊液样本中的6,361种蛋白质进行了蛋白质QTL（定量性状位点）分析，并构建了脑脊液蛋白质组图谱。团队通过QTL和蛋白质组关联研究（PWAS）、共定位分析及孟德尔随机化分析，发现了1,883种蛋白质的3,885个基因关联（QTLs），包括2,885个新发现的蛋白质关联区域。他们重点研究了染色体3q28和19q13.32附近区域，这些区域与神经细胞特异性及神经发育高度相关。进一步分析筛选出38种与阿尔茨海默病发展相关的推定致病蛋白，其中15种可以作为药物靶点。团队还开发了一种基于蛋白质组的阿尔茨海默病预测模型，其预测效果优于传统的遗传学模型。这一研究显著拓展了对阿尔茨海默病分子机制的理解，有望推动更有效的干预手段。研究发表在 Nature Genetics 上。

由日本理化学研究所（RIKEN）生物系统动力学研究中心的Yoshitaka Ishii博士领导的国际合作团队，通过结构生物学技术深入探讨阿尔茨海默病中家族性突变引发的病理机制。该研究重点关注阿尔茨海默病中由北极突变（Arctic mutation）导致的独特淀粉样蛋白β结构，为揭示该病的复杂病理机制提供了新思路。

研究团队使用冷冻电子显微镜（cryoEM）和固态核磁共振（SSNMR）对北极突变导致的淀粉样β40（Aβ40）纤维结构进行了详细分析。他们发现，这种纤维呈现出独特的W形平行β折叠结构。与普通阿尔茨海默病斑块相比，家族性阿尔茨海默病（FAD）患者大脑中的“棉絮斑块”显示出较低的Thioflavin-T荧光（染色荧光指标）和较松散的纤维构造。此外，通过动力学（kinetic）和分子动力学（MD）研究，发现Aβ40在北极突变下比Aβ42更易发生错误折叠，并且可以通过交叉种子机制（cross-seeding，指一种错误折叠的蛋白质诱发另一种正常蛋白质发生类似折叠）促进野生型Aβ40/Aβ42的错折叠。这些结果表明，北极突变通过促进Aβ40的聚集和传播，可能加速了阿尔茨海默病的发病。研究发表在 Nature Communications 上。

由墨尔本大学主导的多机构研究团队，包括贾斯汀·杰克逊等26名研究人员，致力于探索铁螯合剂在阿尔茨海默病治疗中的效果。由于大脑铁含量升高与阿尔茨海默病病理的关系，去铁酮这种口服铁螯合剂被认为可能减缓神经退行性变化。

研究纳入了81名轻度认知障碍或早期阿尔茨海默病患者，使用随机双盲对照方法，2:1比例分配至去铁酮组和安慰剂组。去铁酮组患者每天两次服用15 mg/kg，持续12个月。主要结果通过神经心理学测试电池（NTB）评估，去铁酮组患者认知能力加速下降，尤其在执行功能测试中表现显著。次要结局包括QSM MRI测得的脑铁含量变化显示，去铁酮降低了海马区的铁含量，但并未减缓海马体积损失，反而在额叶区域增加了脑容量损失。中性粒细胞减少症发生率也有所上升（去铁酮组7.5%）。研究表明，铁螯合治疗对阿尔茨海默病的疗效不佳，甚至可能有害。研究发表在 JAMA Neurology 上。

免疫系统失衡与抑郁症的炎症机制新模型

抑郁症长期以来被认为主要是神经递质缺乏所致，但这一理论未能解释为何许多患者对常规抗抑郁药无效。耶路撒冷希伯来大学的Raz Yirmiya教授带领团队提出，抑郁症可能源于免疫系统的慢性炎症失调。他们的研究表明，抑郁症不仅与脑部的化学物质相关，还可能涉及体内和大脑中的免疫反应。

该综述分析了过去三十年间关于炎症与抑郁症关联的关键研究，指出炎症机制在抑郁症发生中的重要作用。Yirmiya团队通过对100篇被广泛引用的研究的系统性分析，构建了一个综合模型，展示了炎症-抑郁的复杂关系。研究发现，免疫系统失调可能导致特定的抑郁症状，尤其在老年人、患有慢性疾病者和经历早期逆境者中尤为明显。研究进一步指出，压力可激活大脑小胶质细胞的炎症反应，这种反应在初期可以引发抑郁症状，而长期压力则会导致小胶质细胞退化，加剧抑郁症状的恶化。这些发现提示，对于部分患者而言，抗炎治疗或小胶质细胞的支持性疗法可能比传统的抗抑郁治疗更为有效。综述结论认为，通过个性化的免疫调节治疗可以有效减轻抑郁症状。该研究发表在 Brain, Behavior, and Immunity 上。

低剂量氯胺酮迅速缓解抑郁症状

氯胺酮是一种自20世纪60年代起用于麻醉的药物，近年来被发现具有治疗重度抑郁症的迅速效果。布法罗大学的Gabriela K. Popescu带领的研究小组，探讨了低剂量氯胺酮的抗抑郁机制，并揭示了其如何在短时间内显著缓解抑郁症状。

研究团队使用电生理学、结构突变和分子模拟等方法，研究了不同浓度下氯胺酮对NMDA受体的作用。研究发现，在低剂量（纳摩尔浓度）下，氯胺酮并不阻止受体孔道的电流，而是通过与受体的疏水性侧面结合位点结合，稳定受体在未完全开放的状态，从而选择性地减缓背景活跃受体的开关速度。研究还表明，这种变构性抑制作用避免了突触样受体的激活，并优先作用于那些由环境水平的神经递质持续激活的受体。这种机制解释了氯胺酮如何在不引发麻醉效果的情况下，缓解抑郁症状，并维持长期的效果。

该研究为低剂量氯胺酮的临床应用提供了新的理论基础，同时也为开发新型抗抑郁药物提供了潜在的靶点，尤其是针对NMDA受体侧面结合位点的药物。研究发表在 Molecular Psychiatry 期刊。

该研究由安徽医科大学领导，研究团队通过随机临床试验探索影像导航的重复经颅磁刺激（rTMS）治疗精神分裂症患者听觉言语幻觉（AVH）的效果。AVH是精神分裂症常见且严重的症状，传统治疗效果有限，亟需新的治疗方案。

研究通过一项为期六周的双盲、假对照、随机临床试验，纳入62名精神分裂症患者。参与者被随机分配到接受活性rTMS或假治疗两周，治疗目标是左侧颞顶交界处，这一脑区与AVH的产生密切相关。主要结果通过幻听评定量表（AHRS）评估，发现活性rTMS组在第二周的AHRS评分显著降低，且效果在第六周得以持续。更强的TMS诱导电场与AVH症状改善相关。研究表明，MRI导航rTMS能够安全且有效地缓解精神分裂症患者的幻听症状，为AVH治疗提供了新的治疗思路。研究发表在 JAMA Network Open 上。

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。

该研究由约翰·霍普金斯大学领导，结合老年痴呆症风险控制生物标志物（BIOCARD）队列的数据，开展了一项长期的脑部健康研究。研究团队分析了 185 名认知正常的中老年人，研究其大脑变化与认知衰退之间的关系。

该研究追踪了 185 名参与者平均 20 年，使用磁共振成像（MRI）扫描和脑脊液（CSF）测试来测量大脑结构变化和与阿尔茨海默病相关的蛋白质水平。研究发现，高白质萎缩率和脑室扩大是 轻度认知功能障碍（MCI）进展的显著预测因素。特别是，白质萎缩增加了 86% 进展为轻度认知功能障碍的风险，而脑室扩大增加了 71%。此外，糖尿病和脑脊液中 Aβ42 β40 比例较低的个体，进展为 MCI 的风险分别提高了 41% 和 48%。当糖尿病和低比例的 Aβ42β40 同时存在时，MCI 进展的风险增加了 55%。这些发现突显了早期识别加速脑萎缩和不良生物标志物的重要性，以便为高风险个体制定更有效的预防策略。研究发表在 JAMA Network Open 上。

精神疲劳引发的大脑局部睡眠状态，导致自我控制力下降

精神疲劳影响自我控制这一现象长期以来在心理学和经济学中广受关注。为验证这一现象背后的大脑机制，卢卡 IMT 高级研究学院的神经科学与经济学研究团队与佛罗伦萨大学的研究人员合作，设计并开展了该项实验。

研究人员将44名实验参与者分成“疲劳”和“非疲劳”两组，让疲劳组的参与者进行一小时的高强度认知任务，并在任务后进行经济博弈（如“鹰派与鸽派”博弈），观察其行为差异。结果表明，疲劳组的合作率仅为41%，而对照组则高达86%（p>0.001，总共447名被试）。脑电图显示，疲劳组的参与者在额叶皮层出现了类似睡眠的δ波，与研究团队的“局部睡眠”假设一致。这种神经活动的变化可能使个体在认知疲劳下无法维持自我控制，倾向于冲动和敌对行为。这项研究不仅为“自我耗竭”理论提供了神经科学证据，也表明在日常生活中，精神疲劳可能对决策质量产生深远影响。研究发表在 PNAS 上。

谢菲尔德大学的Rinri Therapeutics公司专注于再生细胞疗法，通过该技术开发新的听力损失治疗方法。该研究团队由谢菲尔德大学教授Marcelo Rivolta领导，联合诺丁汉大学、伦敦国王学院、加拿大和瑞典的专家，开发出一种新颖的微创途径，能直接接触到耳蜗神经。

传统上，由于耳蜗神经位于颅骨深处，通过手术接触这些神经十分复杂且侵入性强。本研究对10具人类颞骨标本进行了神经解剖学研究，并使用同步辐射相位对比成像获取解剖结构的3D图像。研究团队通过圆窗（round window）进入耳蜗中壁，并在1.48毫米深处（范围1.21-1.91毫米）钻孔，以此建立了可直接接触耳蜗神经的路径。这一路径在9具额外的颞骨标本中进行了验证，并通过不透射线标记和微型CT扫描确认了安全性和可行性。这一创新的手术路径为再生细胞疗法如Rincell-1提供了有效的治疗通道，将应用于谢菲尔德大学Rinri Therapeutics公司计划于2025年启动的人体试验。该研究为耳蜗神经的直接治疗开辟了新的微创方法，或能显著改善年龄相关性听力损失及听神经病谱系障碍（ANSD）患者的生活质量。研究发表在 Scientific Reports 上。

神经肿瘤学领域面临诊断和治疗的复杂挑战，尤其是在病情进展与治疗相关反应的区分上。由印第安纳大学医学院的Spyridon Bakas教授领导的团队，与哈佛医学院的Raymond Y. Huang教授及伦敦国王学院的Thomas Booth等国际专家合作，制定了一套基于人工智能的新指南。这些指南旨在改善神经肿瘤学领域的临床实践，并已在多个国际会议上介绍。

研究团队回顾了当前人工智能技术在神经肿瘤学中的应用进展，尤其是在诊断关键基因标记、预测治疗效果以及疾病监测方面。他们强调了影像组学等先进方法的潜力，但指出在推广中存在通用性和可重复性的问题。团队通过分析公开数据集和开源软件工具，提出了AI模型标准化的路径，确保其临床应用的可信性。研究发现，标准化的人工智能模型可以显著提高脑癌诊断的客观性与准确性，例如更快识别肿瘤类型、亚型和病变等级。这一研究为神经肿瘤学未来的AI应用奠定了基础，具有重要的临床意义。研究发表在 The Lancet Oncology 上。

为改进医学考试反馈的具体性，柏林夏里特医学院与维滕-赫尔德克大学的研究团队，联合医学教育领域专家，探讨了大语言模型在生成医学考试反馈中的应用潜力。研究团队包括Mihaela Tomova、Iván Roselló Atanet、Victoria Sehy等，旨在为当前的医学进步测试（PTM）提供更具指导意义的反馈形式。

研究利用ChatGPT 4.0和Bing Chat两款大语言模型，为医学多项选择题（Multiple-choice Questions，MCQs）构建基于内容的反馈。研究通过文本相似性分析和调查问卷，对比两模型的输出质量及实际应用价值。ChatGPT 4.0生成的反馈内容被认为更详细，但其付费性质限制了广泛应用，而Bing Chat作为免费工具虽更易获得，但反馈具体性稍逊。调查结果显示，多数医学教育者认可AI反馈的相关性和实用性，并认为其有助于学生更清晰地了解薄弱领域。尽管反馈质量有待提升，研究认为该方法为现有数值型反馈提供了重要补充。研究结果表明，AI反馈在医学教育中具有广泛的潜在应用价值。研究发表在 Scientific Reports 上。

巴塞尔大学的研究团队通过构建具有人工细胞器的合成细胞，首次成功模拟了基于光受体的自然细胞通信机制。该研究由巴塞尔大学Cornelia Palivan教授和格罗宁根大学、2016年诺贝尔化学奖得主Ben Feringa教授领导。

这项研究利用微流控技术设计了聚合物基的发送细胞和接收细胞系统，其中发送细胞内部的纳米容器含有光敏分子，光脉冲激活后释放信号分子“物质A”，通过孔道传递到接收细胞。

在接收细胞中，“物质A”被吸收并在人工细胞器中通过酶转化为荧光信号，证明了信号传递的成功。研究团队还模仿视网膜光受体中的钙离子调控机制，设计了接收细胞对钙离子的反应，能够调节荧光信号的强度，实现信号的抑制和调节。这一创新使得合成细胞通信系统在时间和空间上具备了可控性，进一步接近自然细胞的复杂通信网络。研究发表在 Advanced Materials 上。

微创神经接口技术为神经疾病治疗提供新途径

神经系统疾病的诊断和治疗往往依赖于开颅手术，然而这类手术伴随较高的风险。为了解决这一问题，莱斯大学和德克萨斯大学医学分部的研究团队开发了一种微创的神经接口技术。

这项研究开发了一种名为内泡神经接口（ECI，Endocisternal Interfaces）的新型技术，该技术通过脑脊液（CSF）通道连接大脑和脊髓，实现了无创电记录和电刺激。研究人员通过简单的腰椎穿刺，将柔性导管插入脊髓蛛网膜下腔，并通过脑脊液引导电极到达大脑和脊髓的目标区域。该方法不仅大大降低了手术风险，还避免了传统方法需要抗血栓药物的限制。在绵羊模型中，研究小组成功地进行了电刺激、信号记录及电极重新定位，且植入后30天内未出现明显损伤。该技术为中风康复、癫痫监测等神经治疗领域提供了新的治疗可能。研究发表在 Nature Biomedical Engineering 上。

神经胶质瘤（Glioma）是一种常见的脑肿瘤，术后残留肿瘤是影响患者生存率和生活质量的重要因素。为了更好地识别手术中的残留肿瘤，密歇根大学和加州大学旧金山分校的研究团队开发了FastGlioma，这是一种基于人工智能的诊断工具，能够快速且高效地检测残留肿瘤，为外科手术提供实时指导。团队的研究由密歇根大学健康中心神经外科Todd Hollon和加州大学旧金山分校神经外科Shawn Hervey-Jumper主导。

研究团队开发的FastGlioma技术结合了光学显微镜成像与人工智能，能够在10秒内检测到神经胶质瘤手术中的肿瘤残留部分。研究通过使用约400万张图像进行训练，使得该模型能在没有人工标签的情况下，准确预测肿瘤浸润的程度。该技术在220名弥漫性神经胶质瘤患者的手术标本测试中表现出92%的准确率，明显优于传统图像引导和荧光引导方法。在一项前瞻性对比研究中，FastGlioma的漏检率仅为3.8%，而传统方法的漏检率高达25%。此外，FastGlioma的高效性在不同患者群体和不同类型的神经胶质瘤中均表现良好，且具有跨癌种应用的潜力，可以推广到其他成人和儿童脑肿瘤的诊断中。研究发表在 Nature 期刊上。

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。

墨尔本大学柯林斯生物微系统实验室的生物医学工程团队研发了一种突破性的3D生物打印技术。该团队由 David Collins 副教授领导，此项技术为癌症研究和药物开发提供了重要的支持，尤其适合复制人体多种组织结构。

该团队利用声波振动气泡的方法，以超高速在数秒内完成3D生物打印，能够构建从脑组织到骨骼的多种人体组织结构。这种创新技术较传统逐层打印快约350倍，通过准确定位细胞并直接在实验室板中打印，显著提升了细胞存活率，减少了因物理操作造成的结构损伤。研究表明，该方法能够在细胞分辨率下实现组织结构的精确还原，为癌症研究提供了更高效且道德的研究手段。此外，研究发现该技术具有较强的通用性和生物相容性，适用于多种复杂的生物结构打印。这项研究成果发表在 Nature 上。

从电子健康记录（EHR）中提取手术数据是复杂且耗时的任务，传统的手动图表审查（MCR）方法存在显著效率问题。Mert Marcel Dagli领导的研究团队，联合来自宾夕法尼亚大学的Yohannes Ghenbot、Hasan S. Ahmad等研究人员，开发了一种整合NLP和LLM的AI框架，用于从EHR中自动提取脊柱手术相关数据，期望以此提升数据提取的精度和效率。

本研究首次利用结合GPT4-Turbo的大型语言模型（LLM）和基于规则的NLP算法来自动提取脊柱手术数据，算法分为两阶段。第一阶段中，基于规则的NLP框架筛选并分类EHR文本中的手术信息片段，第二阶段通过LLM验证这些片段的准确性。研究在两个验证数据库中评估了算法的性能，考察了准确性、敏感度、F1分数和精度等指标。最终结果显示，该算法显著减少了手动审查所需时间，提升了数据提取效率，同时在手术类型、手术层级、椎间盘移除数量以及术中意外硬脑膜切开等数据提取中取得了显著的精确度。这些结果表明，该技术在医疗数据标准化和提高EHR数据分析效率方面具备广泛的应用潜力。本研究成果发表在 Scientific Reports 上。

肌萎缩侧索硬化症（ALS）患者的沟通障碍使其在社交中面临巨大挑战，而传统的眼动打字速度远低于正常语速，导致交流效率低下。本研究由Stanford University的Shanqing Cai等人团队完成，探索利用大语言模型（LLM）提升ALS患者的眼动打字速度。

本研究开发的SpeakFaster系统基于大型语言模型（LLM），通过对简化文本的预测生成完整短语，有效减少了ALS患者的打字时间。研究使用了352名参与者的功能磁共振成像数据，通过分析面部、地点、身体部位和工具的视觉刺激，引发了视觉皮层的特定类别反应。首先，研究人员在实验室环境中模拟测试了SpeakFaster的准确性，证明其能够显著加速字符打字；接着，在两名ALS患者的眼动键盘中进行现场测试，结果表明该系统相较传统输入法提升了29-60%的输入速度，且减少了57%的操作次数。研究进一步表明，ALS患者在短时间的练习后便能适应该系统的操作，从而大大提升沟通效率。该研究发表在 Nature Communications 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。

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。

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。

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。

研究团队来自宾夕法尼亚大学工程与应用科学学院，致力于开发一种新型机器人感知系统，以应对传统视觉传感器在恶劣天气条件下的局限性。

PanoRadar是一种创新的无线电波成像系统，能够将射频（RF）成像分辨率提升至接近激光雷达（LiDAR）水平，并且能够在烟雾、雾霾等恶劣环境下正常工作。其工作原理基于旋转的毫米波雷达阵列，通过发射无线电波并接收反射信号生成高分辨率的3D图像。该系统结合了新型的信号处理技术和人工智能（AI）算法，能够准确地估计机器人运动，确保成像的一致性。

PanoRadar的高分辨率成像能力使其能够完成包括表面法线估计、语义分割和物体检测在内的多种视觉识别任务，并在12栋不同建筑的现场测试中表现出色。尤其是在烟雾和玻璃墙等遮挡物存在的环境中，PanoRadar依然能够保持精确的导航和环境感知能力。研究团队计划将PanoRadar与摄像头、LiDAR等其他传感器结合，进一步提升机器人的感知能力，开辟更多应用场景，特别是在自动驾驶和紧急救援任务中具有重要意义。研究发表在 IEEE Transactions on Robotics 上。

卡内基梅隆大学人机交互研究所的研究团队开发了一种名为EgoTouch的人工智能工具，旨在利用普通的RGB摄像头识别皮肤触摸，通过这一创新实现虚拟现实（VR）和增强现实（AR）界面的控制。该团队的目标是创建一种无需特殊硬件就能实现触觉反馈的系统，突破传统设备的限制。

EgoTouch采用了一种定制的触摸传感器，沿着手指和手掌下侧收集数据，能够检测不同触摸类型和力度。通过机器学习模型，系统成功地训练摄像头识别皮肤上的触摸行为，且无需人工注释。在15名不同肤色和发量的用户数据支持下，EgoTouch的触摸识别准确率达到了96%以上，且误报率仅为5%。此外，EgoTouch能够有效区分不同的触摸动作，如按下、抬起、拖动，并能够辨别轻触和重触。研究表明，该系统在不同的肤色和手部区域中表现稳定，但在骨骼凸起部位如指关节上表现较差。

Mollyn博士进一步指出，EgoTouch不需要额外的硬件校准，且能够即插即用，是虚拟和增强现实界面交互中的一次重大突破。该团队也在探索夜视技术，使其能够在黑暗环境下工作，并将触摸检测技术扩展到皮肤以外的其他表面。研究发表在 Proceedings of the 37th Annual ACM Symposium on User Interface Software and Technology 上。

新生儿重症监护病房（NICU）中神经系统的变化可能影响婴儿的健康，然而现有的检测方法往往不够连续和精确。西奈山医院的研究团队，包含了临床医生、科学家和工程师，提出了一种新的方法，通过人工智能（AI）分析视频数据来预测这些神经系统变化。

研究人员收集了来自115名婴儿的视频脑电图数据（视频时长超过282,301分钟），并训练了一个深度学习姿态识别算法来分析婴儿的运动。通过算法，研究人员可以精准追踪婴儿的运动轨迹，并利用这些数据预测婴儿是否出现脑功能障碍或是否接受了镇静。研究结果显示，AI算法在预测镇静和脑功能障碍方面表现出很高的准确性，分别达到ROC曲线下的面积0.90和0.91。此外，婴儿的运动量随着年龄的增长而增加，镇静和脑功能障碍的发生显著减少婴儿的运动量。这项研究的成功表明，Pose AI（姿态人工智能）可以作为一种有效的工具，在NICU中提供实时的神经遥测，有助于医生及时发现问题并进行干预。该技术提供了一种非侵入性、可扩展的连续监测方法，具有广泛的应用前景。研究发表在 eClinicalMedicine 期刊。

传统心电图技术在临床应用中已存在数十年，尽管如此，技术并未发生显著变化。辛辛那提大学医学院Richard Becker教授团队，开展了这项研究，目的是评估一种新型无线心电图贴片设备的有效性。

研究团队招募了200名患有稳定心血管疾病的患者，进行传统12导联心电图（S-ECG）与新型无线心电图贴片（P-ECG）的比较。所有心电图均由经验丰富的专家解读。研究结果显示，P-ECG在提供心电图数据的速度上明显优于S-ECG，仅需1.4分钟（S-ECG为2.4分钟）。更重要的是，P-ECG在减少影响解读的基线伪影方面表现出色，伪影出现率为6.5%，显著低于S-ECG的15%。此外，47%的参与者更偏好P-ECG，52%的参与者对两者没有偏好。

无线心电图贴片在提高心电图数据准确性、减少伪影、提高操作效率等方面具有优势，特别适用于稳定心血管疾病患者的门诊检查，具有较高的临床应用潜力。研究发表在 Clinical Research in Cardiology 上。

这是首次通过观看手术视频训练机器人进行外科手术的研究，标志着机器人手术领域的重要突破。该研究由约翰·霍普金斯大学（Johns Hopkins University）和斯坦福大学（Stanford University）的研究人员共同完成，旨在通过模仿学习技术加速机器人手术训练，并推动机器人手术走向完全自主化。

研究团队通过模仿学习训练达芬奇手术机器人（da Vinci Surgical System）执行基本的外科操作。该系统的运动学存在一定的精度问题，通常会导致机器人执行不精确的动作。为了解决这一问题，研究人员采用了相对动作（relative action）模型，这使得即使使用不精确的运动学数据，机器人仍能成功完成手术任务。通过向模型输入大量手术视频，机器人能够学习并执行包括操控针头、组织处理和打结在内的三项基础手术任务。研究人员表示，这一方法使得机器人可以在短时间内学习各种复杂手术任务，为未来的完全自主手术奠定了基础。该研究不仅加快了机器人手术的学习过程，还可能减少医疗错误，并提升手术精度。

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。