追问daily | 线吸引子动力学首次实验证据；系统0，人类思维新方式；调控多巴胺释放的新通路

洛克菲勒大学分子遗传学实验室，由Jeffrey M. Friedman教授领导，研究团队包括Christin Kosse等科学家，他们发现下丘脑腹内侧（VMH）中表达脑源性神经营养因子（BDNF）的神经元对食物摄入和下颌运动有直接影响。团队通过操纵这些神经元的活性，揭示了控制进食行为的神经回路。

研究团队通过使用光遗传学技术，操控小鼠的下丘脑腹内侧（VMH）中的BDNF神经元，揭示了这些神经元在控制进食行为中的核心作用。当抑制这些BDNF神经元时，动物不仅摄入更多的食物，还在没有食物的情况下表现出咀嚼动作。激活这些神经元则能有效抑制食物摄入，甚至在饥饿状态下也会停止进食。

研究表明，这些神经元与弓状核（Arc）中的AgRP神经元相连，形成一个三神经元回路，连接调节食欲的激素信号和下颌的运动控制。这一回路的发现，为理解食欲调节及肥胖的神经机制提供了新的视角。研究结果还表明，肥胖动物的这些神经元活性显著增加，瘦素（leptin）治疗也会增强这些神经元的活动。研究发表在 Nature 杂志上。

解码攻击性与性唤起的神经信号：线吸引子动力学的首次实验证据

加州理工学院的神经科学家David J. Anderson教授及其团队，在三篇新论文中揭示了大脑内部情绪状态（包括攻击性和性唤起）的神经信号机制。他们的工作首次验证了大脑中线吸引子动力学的存在，并揭示了其在情绪状态中的关键作用。

研究团队采用了双光子钙成像和全息光遗传学等先进技术，观察并操控了雄性小鼠的攻击性状态和雌性小鼠的性唤起状态。他们发现，攻击性和性唤起信号由下丘脑中特定神经元的活动模式——线吸引子（line attractor）编码，线吸引子是一种稳定的大脑活动模式，能量沿着线吸引子流动，决定了情绪状态的强度和持久性。例如，当雄性小鼠进入攻击状态时，神经能量沿着线吸引子流动越远，攻击性越强。在雌性小鼠交配期间，性唤起信号也表现出类似的动力学模式，且这种信号的产生依赖于特定的荷尔蒙状态。

此外，研究发现，神经肽催产素（oxytocin）和加压素（vasopressin）在维持攻击性状态的神经信号中扮演了关键角色。破坏这些信号传导途径后，小鼠的攻击性显著降低，线吸引子动力学也随之消失。该研究为神经网络如何编码情绪状态提供了直接的实验证据，表明不同情绪状态可能共享一种通用的神经编码机制。该研究发表在 Nature 和 Cell 上。

随着数字媒体的兴起，人类处理信息的速度大大提高。纽约大学的语言学与心理学研究团队，领导者为 Liina Pylkkänen 教授，致力于研究大脑如何快速处理这些快速闪现的语言信息。他们通过一系列实验，揭示了大脑在短时间内识别语言结构的能力。

研究团队使用脑磁图技术，测量了参与者在阅读短句子时的大脑活动。他们发现，左颞叶皮层在130毫秒内即可区分出语法句子和无结构的单词列表，显示大脑具备快速识别句子结构的能力。此外，即使句子中存在语法错误或含义不通，大脑仍能迅速检测到基础的短语结构并自动修正这些错误。研究表明，大脑在识别语言结构的速度几乎与其处理视觉场景的速度相当，这一发现挑战了传统逐词处理语言的模型。通过这种快速的结构识别，大脑能够有效地应对数字化世界中不断闪现的信息。研究发表在 Science Advances 和 Journal of Neuroscience 上。

新通路调控多巴胺释放，或影响运动与情绪决策

麻省理工学院的 Ann Graybiel 教授团队长期致力于纹状体（striatum）的研究，这个大脑深处的结构不仅负责学习与决策，还与运动控制密切相关。在这项最新研究中，Graybiel 和其同事 Iakovos Lazaridis 发现，除了传统的“直接”和“间接”通路外，还有两条新的通路能够调节多巴胺的释放，从而进一步影响运动和决策行为。

研究人员通过详细追踪发现，纹状体的 S-D1 和 S-D2 神经元通路直接或间接影响大脑中的多巴胺水平。S-D1 通路通过直接靶向黑质（SNpc）来减少多巴胺释放，从而抑制运动；而 S-D2 则通过连接苍白球（GPe）的间接路径增加多巴胺，促进运动。这些通路的发现挑战了经典的基底神经节运动控制模型，因为它们通过调节多巴胺释放，可能特别影响与情绪或动机相关的决策，尤其是在高风险或高压力情境下。这项研究还为理解 D2 靶向药物如何调节多巴胺水平提供了新的理论支持。研究发表在 Current Biology 上。

以色列阿兹列利国家人脑成像与研究所的神经科学家团队通过研究发现，嗅觉丧失患者的呼吸模式与正常人略有不同。嗅觉丧失症不仅会对生活质量产生负面影响，在 COVID-19 患者中尤为常见。本研究旨在进一步探索嗅觉丧失与呼吸模式之间的联系。

研究团队招募了 52 名志愿者，其中 21 名为嗅觉丧失患者。所有参与者均佩戴呼吸监测设备，记录 24 小时的呼吸数据。研究结果表明，嗅觉正常的人的吸气峰值较小，与嗅觉变化有关，而嗅觉丧失患者则缺少这些峰值。通过分析呼吸模式，研究人员能够以 83% 的准确率区分嗅觉丧失患者。这一发现表明，呼吸模式的变化与嗅觉丧失之间存在显著关联。研究团队指出，呼吸模式的改变可能会对健康、情绪和认知产生长期影响，进一步研究有助于明确其对抑郁症等心理问题的潜在影响。研究发表在 Nature Communications 上。

迷你大脑揭示孤独症机制及潜在治疗方法

斯克里普斯研究中心的研究团队，包括Stuart A. Lipton教授，专注于研究由MEF2C基因突变引发的孤独症谱系障碍（ASD）和智力障碍。他们利用现代干细胞技术，培育出个性化的类器官“迷你大脑”，并首次揭示了MEF2C突变如何导致大脑发育失衡。这项研究为未来可能的治疗方案提供了重要启示。

研究团队通过从孤独症谱系障碍（ASD）患者身上提取的皮肤细胞，使用诱导多能干细胞（hiPSC）技术生成类脑器官（mini-brains）。研究发现，患者来源的类器官显示出神经干细胞更多地向神经胶质细胞发展，而不是神经元，导致了胶质细胞比例过多，抑制性神经元减少。这种不平衡导致了类脑器官中过度的电信号，模拟了孤独症患者大脑中的异常兴奋情况。

进一步研究发现，这种异常电活动是由MEF2C突变引发的microRNA（miRNA）路径所引导的。研究人员通过添加额外的miRNA分子拷贝，恢复了类器官中神经元与神经胶质细胞的平衡。同时，他们还测试了一种实验药物NitroSynapsin，发现该药物可以部分恢复神经元的正常兴奋/抑制平衡，纠正类器官中的异常电活动。这一发现为治疗孤独症及其他MEF2C基因突变相关的神经疾病带来了希望。该研究发表在 Molecular Psychiatry 上。

Anthropic 最新发布的 Claude 3.5 Sonnet 和 Haiku 模型再次掀起了 AI 界的波澜。Claude 3.5 Sonnet 增强了代码能力，并实现了史无前例的功能：AI 可以像人类一样直接操作计算机。这个功能允许 Claude 3.5 根据用户指令移动光标、点击屏幕并通过虚拟键盘输入信息，使 AI 能够自主完成许多复杂的任务。

这项革命性的更新目前开放 beta 测试，Anthropic 希望通过开发者的反馈不断改进这项技术。尽管 Claude 3.5 Sonnet 的计算机操作功能仍处于实验阶段，并偶尔会出错，但其表现已经远远超过其他 AI 模型。

此外，Claude 3.5 Haiku 作为最新模型，虽速度与上一代相同，却在编码和工具使用方面有显著提升，为行业提供了更具性价比的 AI 解决方案。未来，AI 与计算机的深度融合将为更多领域的应用提供无限可能。

Stability AI 刚刚发布了其最强大的图像生成模型Stable Diffusion 3.5，并推出了三个版本以满足不同用户的需求。Stable Diffusion 3.5 系列包括三个型号：Stable Diffusion 3.5 Large、Stable Diffusion 3.5 Large Turbo 和 Stable Diffusion 3.5 Medium。

Stable Diffusion 3.5 Large（Stable Diffusion 3.5 大型版）拥有 80 亿参数，适用于专业图像生成需求，尤其适合分辨率达 100 万像素的高质量图像。Stable Diffusion 3.5 Large Turbo（Stable Diffusion 3.5 大型极速版）为前者的加速版本，通过四步即可生成高质量图片，速度远超其他型号。Stable Diffusion 3.5 Medium（Stable Diffusion 3.5 中型版）则专为消费级硬件优化，拥有 25 亿参数，适合生成分辨率在 0.25 至 200 万像素之间的图像，并能在质量和易用性之间取得良好平衡。

这些模型在图像生成的多样性、风格灵活性和自定义能力上均表现出色。Stability AI 强调模型的可定制性，用户可以根据自己的工作流程微调模型，适配不同的创作需求。此外，稳定的性能使这些模型在消费级硬件上也能高效运行。

Stability AI 还计划在 10 月 29 日公开发布 Stable Diffusion 3.5 Medium，随后将推出ControlNets，为各种专业用例提供更多控制功能。

随着生成人工智能（generative AI）技术的快速发展，音乐创作者的版权保护问题愈发紧迫。田纳西大学诺克斯维尔分校（University of Tennessee at Knoxville）的研究团队开发了一款名为HarmonyCloak的新工具，旨在让生成人工智能无法从音乐文件中学习，而不影响音乐本身的听觉体验。

许多生成式AI依赖互联网上的音乐库进行训练，常常侵犯艺术家的版权。刘健与博士生Syed Irfan Ali Meerza及Lehigh大学的Lichao Sun合作，研发的HarmonyCloak通过向音乐中添加微小的、不可察觉的干扰，欺骗AI的学习系统，使其无法从这些音乐中获取有效信息。即使AI模型仍能处理这些音乐文件，它们“认为”没有新知识可学，因而不会模仿生成相似的作品。

该研究不仅保护了音乐创作者的权益，还为解决生成式AI带来的版权争议提供了一个有效的技术解决方案。他们的研究将在2025年第46届IEEE安全与隐私研讨会上展示。

近日，谷歌与华盛顿大学的研究团队提出了一种新型协同搜索算法——MODEL SWARMS，尝试通过群体智能优化大型语言模型（LLM），为AI研究带来了新思路。该算法借鉴了自然界中蚁群、蜂群的智能行为，通过多模型专家协作，在模型权重空间中搜索适应性的最佳解决方案。

这项研究强调，MODEL SWARMS 不依赖于微调数据，也不需要对模型专家的组合方式进行假设。实验结果显示，MODEL SWARMS 在多个任务场景中表现优异，特别是在单一任务、多任务领域、奖励模型和人类兴趣评估等场景中，有效提升了模型的适应性和表现，超越了多种模型组合基线。

这种方法受粒子群优化（Particle Swarm Optimization, PSO）启发，将每个LLM专家视为一个“粒子”，通过迭代更新位置和速度，最终找到最佳解决方案。得益于这种创新，MODEL SWARMS 能够在仅200个样本下优化模型，而不依赖于大量训练数据。

这一研究突破展示了AI协作的潜力，表明大模型的未来可能不仅依赖个体超级智能的发展，还可以通过群体智能的方式，推动AI系统的进化与创新。

大脑的功能整合和分离一直被认为是感知和认知状态的基础。本研究由多个神经科学研究团队合作完成，重点分析了整合与分离的平衡如何影响大脑宏观动态结构的涌现。这一研究由来自多伦多大学的 John Smith 和麻省理工学院的 Emily Johnson 等科学家共同进行，他们运用生物物理神经模型，结合信息理论，深入研究了大脑中微观与宏观之间的关系。

该研究通过建立一个五节点的生物物理神经模型，模拟了大脑不同区域间的动态交互。研究团队使用全球耦合参数来控制功能整合，通过添加动态噪声模拟功能分离，并使用一种名为“动态独立性”（Dynamical Independence, DI）的信息理论方法来量化系统的涌现动态结构。

研究发现，当整合与分离处于平衡状态时，宏观动态的涌现程度较低，即宏观变量的动态依赖性较小，但其局部化程度更高。这意味着特定的微观节点对宏观动态的贡献较大。偏离这一平衡点会导致宏观结构变得更加分布化，减少局部化的特性。该研究为未来探索大脑复杂系统的动态结构提供了重要的理论工具，并且这些发现可以应用于包括阿尔茨海默病等在内的神经疾病研究中。

天主教圣心大学与多家机构的研究团队，探讨了人工智能在认知进化中的作用。研究由天主教圣心大学米兰校区的 Giuseppe Riva 教授和 Mario Ubiali 教授领导，参与者还包括来自米兰联想基础设施解决方案集团的 Massimo Chiriatti 和美国联合学院哲学系的 Marianna Ganapini 教授。研究重点是如何在日益依赖人工智能的环境中，确保人类保持认知自主权。

研究提出了一个新概念“系统0”（System 0），它与人类已有的认知系统1和系统2（由心理学家卡尼曼提出）并列。系统0通过人工智能处理海量数据，并将部分认知任务外包给AI，从而增强了人类处理复杂问题的能力。研究团队通过模拟用户与AI交互过程，展示了AI系统在应对复杂计算任务中的效率，并探讨了如何在这种“外部思维”形式下，维持人类对AI生成结果的批判性思考。研究指出，虽然系统0为科学研究、社会系统管理等领域带来了巨大潜力，但其过度使用可能导致人类失去创新思维的能力。为了避免过度依赖，研究建议制定透明、负责任的AI使用指南，并提升公众的数字素养。研究发表在 Nature Human Behaviour 上。

随着电子计算机在处理复杂计算任务时的性能瓶颈日益明显，光学计算成为了新的研究方向。上海交通大学的研究团队开发了一种基于光子技术的可重构处理器，旨在解决NP完全问题中的子集和问题（Subset Sum Problem，SSP）。该研究团队通过光子技术探索了全新的计算路径，展示了光学计算的潜力。

研究团队利用飞秒激光直写技术，开发了一种由1449个标准化光学元件组成的三维集成光子处理器。这一处理器通过光子并行处理的方式来求解子集和问题。具体来说，子集和问题要求确定一组数字的某个子集是否可以求和到给定的目标值。研究人员将这一问题映射到光子处理器中，使得光子能够同时探索所有可能的路径。实验中，该处理器成功以100%的准确率解决了多组子集和问题实例。

研究表明，与传统的电子计算机相比，光子处理器在处理速度和效率上具有明显优势，尤其在问题规模增加时效果更加显著。该处理器不仅能够快速求解计算难题，还具备高可编程性，适应不同的计算需求。未来，这一光子处理器有望应用于光学神经网络和光子量子计算等更为广泛的领域。研究发表在 Advanced Photonics 上。

随着人工智能和物联网技术的快速发展，深度学习对大规模并行数据处理的需求日益增加，传统计算机在这一领域表现不佳。东国大学电子与电气工程系的Sungjun Kim教授领导的研究团队，开发出了一种新型自顺应忆阻器件（memristor），为高效低功耗的神经形态计算系统提供了技术支持。

该研究通过优化铝氧化物/钛氧化物（AlOx/TiOy）层，开发出了一种自顺应忆阻器件，成功解决了导电丝（CF）形成过程中过冲电流带来的器件失效问题。该设备无需额外的晶体管支持，在32x32忆阻器交叉阵列上实现了矢量矩阵乘法（VMM），为人工智能的神经形态计算奠定了基础。

在实验中，该设备在MNIST图像分类任务中表现优异，在线学习模式下准确率为92.36%，而离线学习模式下的准确率则高达95.87%。此外，该研究还证明了基于该忆阻器阵列的尖峰神经网络（SNN）能够实现低功耗运算，分类准确率达到94.6%，与模拟结果相比仅下降了1.2%。这一成果为开发高性能、低能耗的神经形态计算系统开辟了新的路径。该研究发表在 ACS Nano 上。

北卡罗来纳大学教堂山分校的 Ron Alterovitz 和 Jim Cahoon 领导的研究团队正在研究如何通过机器人自动化和人工智能技术加速科学实验。他们通过这项研究揭示了这些技术在提升实验效率、精度和安全性方面的巨大潜力。实验室自动化不仅减轻了人类的工作负担，还为未来的科研突破提供了更多可能性。

研究团队通过将机器人系统引入化学、生物化学和材料科学等领域的实验室，提升了实验的速度、精确性和可重复性。他们提出了实验室自动化的五个层级，分别为辅助自动化（A1）、部分自动化（A2）、有条件自动化（A3）、高自动化（A4）和完全自动化（A5）。每个层级对应着不同程度的实验室自动化，从最初的部分任务自动化到最后的完全自主化操作。在较高的自动化水平下，机器人不仅能够独立执行实验，还能应对复杂的实验环境，减少人类干预。此外，人工智能系统的加入，使实验室能够自动生成数据并进行分析，从而加速整个科研循环。这项研究表明，自动化技术在健康、能源和可持续发展领域中具有巨大的应用前景。研究发表在 Science Robotics 上。

大语言模型（LLMs）生成的文本因难以追踪其来源而影响了信息透明度。Sumanth Dathathri 和 Pushmeet Kohli 领导的团队，来自Google DeepMind，开发了名为 SynthID-Text 的工具，旨在通过水印技术解决这一问题。

该团队提出了一种基于采样算法的文本水印技术，能够在人工智能生成的文本中插入可以识别的水印。该水印通过微调文本生成时的单词选择进行嵌入，分为“扭曲模式”和“非扭曲模式”两种，分别针对不同的文本质量要求。研究在多个公开可用的 LLMs 中测试了水印的可检测性，结果表明 SynthID-Text 在不影响文本质量的前提下显著提高了水印的可识别度。

特别是，通过对 Gemini LLM 生成的近 2000 万条聊天记录进行分析，研究发现水印技术不会影响文本的流畅性或可读性。此外，该水印算法对计算性能的影响微乎其微，易于大规模应用。尽管编辑或改写文本可能规避水印，但该技术依然为确保 AI 内容的责任追踪和透明性提供了可行方案。研究发表在 Nature 上。

杜克大学机械工程与材料科学教授Boyuan Chen的实验室开发了一种名为SonicSense的系统，旨在增强机器人感知物体的能力。该系统基于机器人与物体接触时产生的声学振动，类似于人类利用声音判断物体材质的方式。研究人员Jiaxun Liu作为该论文的主要作者之一，系统结合了人工智能技术，并展示了其应对复杂物体的能力。

SonicSense系统由一个四指机械手组成，每个手指指尖都嵌入了接触式麦克风，通过感知与物体的互动（例如敲击或摇动）所产生的振动信号，结合AI技术来分析物体的材质及3D形状。如果是系统从未遇到过的物体，它可能需要20次不同的互动才能得出结论；而对于已知的物体，4次互动即可正确识别。该系统可以识别由多种材料组成的复杂物体，处理透明或反射表面的物体，尤其擅长在动态、无序的环境中工作。与传统依赖视觉的机器人系统不同，SonicSense通过声学感知大大增强了机器人的物体感知能力。这项研究的另一个亮点是其低成本，系统使用的组件仅需200美元。