追问weekly | 过去一周，脑科学领域有哪些新发现？

哈佛医学院的 Pascal Kaeser 教授及其团队对多巴胺在运动和奖励导向行为中的作用提出了新的认识。长期以来，神经科学家一直在争论多巴胺的快速爆发是否对运动启动起关键作用，而该团队的研究表明，运动启动实际上依赖多巴胺的慢速作用，而奖励导向的行为依赖于其快速作用。

研究人员通过基因工程技术，敲除了小鼠中负责多巴胺快速释放的 RIM 蛋白，并对这些小鼠进行了详细的行为测试。结果显示，尽管缺乏快速多巴胺释放，小鼠依然能够正常发起运动，表现出自发运动的完整性。研究还表明，左旋多巴（L-Dopa）能够恢复多巴胺耗竭小鼠的运动能力，但不恢复快速多巴胺信号，这表明运动启动不依赖于多巴胺的快速释放。然而，在涉及到奖励导向的任务时，如条件性位置偏好测试和气味辨别任务，缺乏快速多巴胺释放的小鼠表现出显著的动力下降。这一研究为帕金森病患者的治疗提供了新见解，特别是针对左旋多巴改善运动症状但对认知问题效果有限的现象。研究发表在 Nature 上。

CA2区域帮助小鼠区分威胁与安全个体

哥伦比亚大学祖克曼研究所的Steven A. Siegelbaum团队最近通过对小鼠大脑的研究，揭示了与社交记忆相关的关键神经机制。该研究由博士后研究员Pegah Kassraian领衔，重点探讨了海马体中CA1和CA2区域在记忆威胁性社交互动中的作用。这一发现为理解社交焦虑、创伤后应激障碍等疾病提供了新的理论支持。

研究团队利用基因改造技术，选择性抑制了小鼠大脑海马体中的CA1和CA2区域。研究发现，CA1区域的神经元负责记录与威胁经历相关的地点记忆，而CA2区域的神经元则能够帮助小鼠区分与威胁（CS+）和安全（CS−）相关的个体。在实验中，研究人员通过让小鼠接触不同的个体并施加轻微电击（模拟威胁），验证了小鼠的记忆反应。关闭CA1后，小鼠无法记住威胁发生的地点，但仍能记住哪个个体有威胁；关闭CA2后，小鼠记住了威胁发生的地点，但对所有个体都表现出无差别的恐惧反应。钙成像结果显示，厌恶经历增强并稳定了CA2区域的记忆表征，使小鼠能够在面对陌生个体时做出适应性反应。这表明，CA2区域不仅参与社交新颖性的检测，还在面对复杂社交情景时发挥关键作用。研究发表在 Nature Neuroscience 上。

印度科学研究所的Sridharan Devarajan教授带领的研究团队长期关注注意力调控机制。在多任务处理中，大脑如何筛选和优先处理重要信息是科学家们探讨的重点。团队通过实验揭示了大脑特定区域——右后顶叶皮层（rPPC）在重新定向注意力偏见中的作用，为理解注意力障碍的机制提供了新的视角。

研究团队对两组参与者分别采用了抑制性重复经颅磁刺激（rTMS）和40赫兹的经颅交流电刺激（tACS），以研究右后顶叶皮层（rPPC）对注意力偏见的影响。在实验中，参与者需要根据提示关注屏幕两侧的目标，研究人员通过比较参与者对有提示和无提示目标的反应，量化了偏见和敏感性。

结果表明，rPPC的刺激对偏见有显著的调节作用，特别是在无提示情况下，偏见显著减少，而敏感性未受到影响。该发现表明rPPC主要负责重新定向选择偏见，而不是感知敏感性的调节。研究成果为未来通过精准神经调控治疗注意力障碍提供了新的理论依据。研究发表在 Nature Communications 上。

肠道神经肽F调节果蝇寿命的机制

布朗大学衰老生物学中心的Marc Tatar教授及其团队长期致力于研究胰岛素与衰老的关系。本次研究揭示了果蝇肠道中产生的神经肽F（NPF）在调节寿命中的重要作用。

研究人员利用遗传工具降低果蝇肠道中NPF的分泌，并通过ELISA测量其在血液中的含量。结果显示，减少NPF分泌可以延长果蝇的寿命。此外，抑制大脑中控制保幼激素（Juvenile Hormone，JH）产生的NPF受体也产生了类似的延寿效果。这一发现表明，NPF通过与胰岛素信号和JH调节的相互作用，影响了果蝇的衰老过程。

实验还发现，NPF的分泌与饮食中的糖和酵母含量密切相关，不同饮食下，EEC对NPF的分泌反应存在差异。研究进一步指出，抑制肠道NPF和大脑NPF受体的作用可以通过保幼激素类似物的逆转。这表明NPF在胰岛素信号传导和JH调控中的核心作用，揭示了肠道、大脑和内分泌系统之间的复杂相互作用机制。这项研究发表于 PNAS 上。

小脑在长期运动技能记忆中的关键作用

哈佛大学约翰·A·保尔森工程与应用科学学院的研究团队，包括Maurice Smith教授和Alkis Hadjiosif博士后，揭示了小脑在运动技能长期记忆中的关键作用。此前，神经科学家已知内侧颞叶损伤会影响长期陈述性记忆，但对运动技能记忆的影响尚不明确。该研究进一步阐明了大脑不同区域对短期和长期记忆的分工。

研究团队通过对患有小脑性共济失调（cerebellar degeneration）的患者进行实验，深入分析了他们在感觉运动学习过程中的记忆表现。研究将记忆分为短期的“暂时易失性”记忆（temporally-volatile memory），该记忆在15至20秒内迅速消退，不会形成长期记忆；以及长期的“暂时持续性”记忆（temporally-persistent memory），这种记忆可稳定60秒以上，并形成长期记忆。

结果显示，患者在短时间间隔内表现正常，但当时间间隔增加到25秒以上时，记忆形成能力显著受损。这一研究证明了小脑在长期感觉运动记忆形成中的独特作用，与短期记忆系统相对独立。研究结果不仅解释了此前小脑损伤对学习能力影响的差异，也为理解记忆的神经机制提供了新的视角。该研究发表在 PNAS 上。

倭黑猩猩可能面临更大生存危机

伦敦大学学院主导的国际研究团队发现，倭黑猩猩作为濒危的类人猿，可能比我们之前理解的更加脆弱。研究揭示了该物种存在三个遗传上独立的群体。该研究由伦敦大学学院、维也纳大学和马克斯·普朗克进化人类学研究所的科学家共同领导，并得到了来自英国、奥地利、德国等多国研究人员的支持。

研究团队通过基因组分析揭示了倭黑猩猩的三大遗传种群，分别位于刚果民主共和国的中部、西部和远西部地区。通过对20只野生倭黑猩猩的外显子组测序、10只圈养倭黑猩猩的完整基因组分析，以及136只野生个体的线粒体DNA数据，研究人员发现，这三个群体之间的分化时间最早可追溯至145,000年前，且遗传差异程度与最接近的黑猩猩亚种相当。远西群体的长期有效种群规模（Ne）仅约为3000，显示出严重的种群隔离和遗传多样性缺乏，增加了该群体的灭绝风险。研究结果表明，保留这些遗传种群对于倭黑猩猩的长期保护至关重要。该研究发表在 Current Biology 上。

一项来自斯坦福大学和麻省理工学院的最新研究指出，当前广泛应用于神经科学和人工智能领域的神经回归方法可能无法准确识别与大脑相似的模型。研究者发现，这种方法过度依赖线性回归得分（如R²），忽略了大脑系统的复杂性，从而可能导致错误的科学结论。

这项研究特别聚焦于网格细胞——一种关键的神经细胞模型。尽管回归得分高的人工神经网络在预测网格细胞的神经活动方面表现优异，但这些模型却未能捕捉网格细胞的核心特性，如周期性调谐曲线和模块化结构。研究人员指出，这类模型的成功更多地源于线性回归的隐含偏差，而非与大脑的实际相似性。

通过多项实验证明，回归方法所依赖的指标与模型的复杂性高度相关，却无法准确反映模型与大脑的相似程度。研究呼吁神经科学和AI领域重新评估这一方法，并建议未来在模型比较时引入更多维度，如神经动态和行为数据，以减少对单一得分的过度依赖。

舞蹈经验对观众大脑活动的影响

赫尔辛基大学的研究人员通过测量观众在观看现场舞蹈表演时的大脑活动，探索了舞蹈和音乐经验对大脑功能的影响。研究团队邀请了舞者、音乐家以及没有舞蹈或音乐背景的初学者参与实验，使用脑电图（EEG）记录他们的大脑活动。主要作者为Hanna Poikonen，研究在真实的现场表演环境中进行。

研究人员通过测量观众在观看Iron Skulls Co表演的舞蹈二重唱《Un último recuerdo》时的大脑活动，探讨了舞蹈经验如何影响大脑功能。实验在真实的表演环境中进行，使用脑电图（EEG）记录观众的脑电波，分析其皮层振荡。结果发现，舞者在观看表演时表现出更强的前额中央和顶枕区的θ相位同步性（4-8Hz），这可能与舞蹈经验对运动意象和多感官整合的影响有关。此外，舞者在听音乐时，delta相位同步性（0.5-4Hz）也更强，音乐家在观看舞蹈时同样表现出更强的delta相位同步性，表明他们对节奏感的敏锐度更高。这项研究表明，舞蹈和音乐的训练能够增强大脑在处理复杂感官和社交信息时的同步性。研究结果发表在 European Journal of Neuroscience 上。

特温特大学的博士生Martina Lamberti在她的博士论文中揭示了记忆和预测之间的联系。她的研究为理解大脑如何通过记忆来预测未来事件提供了新的见解。该研究不仅为探索神经退行性疾病（如阿尔茨海默病）的治疗提供了新思路，还为进一步研究记忆形成机制奠定了基础。

Lamberti团队通过使用大鼠皮质神经元的体外模型，研究了记忆和预测的基本机制。他们使用电刺激和光遗传学刺激（optogenetic stimulation）来探究神经网络如何在体外形成记忆并进行预测。研究发现，当通过局部电刺激形成长期记忆时，预测功能对短期记忆的依赖性显著降低。相反，当长期记忆没有形成时，预测完全依赖短期记忆。此外，阻断NMDA受体会损害长期记忆但不会影响预测，这进一步验证了尖峰时间依赖性可塑性（STDP）在长期记忆形成中的作用。该研究还引入了互信息（Mutual Information）和条件激发概率（CFP）等数学工具，揭示了背景输入对记忆巩固的负面影响。该研究发表在 Neuroscience 上。

罗格斯大学新不伦瑞克分校的研究人员与来自国际团队的科学家合作，通过应用人工智能技术，成功识别出对人类健康至关重要的核心肠道微生物群。这一发现为个性化治疗提供了新方向，特别是针对慢性疾病如糖尿病和炎症性肠病等领域。研究由Liping Zhao教授领导，他是罗格斯大学环境与生物科学学院生物化学与微生物学系的教授。

研究团队通过整合来自2型糖尿病高纤维饮食干预和15种疾病的宏基因组数据集，开发出“两个竞争行会”模型（Two Competing Guilds，TCGs）。这一模型揭示了肠道细菌群在各种干预和疾病状态下的稳定关系。TCG模型中的两类菌群分别为基础菌群和致病菌群，前者负责纤维发酵和丁酸盐（butyrate）生产，有助于维持肠道健康；后者则与毒力和抗生素抗性相关，可能在特定情况下推动疾病进展。通过人工智能模型和随机森林算法，研究成功预测了四种不同疾病对免疫治疗的个性化反应，显示该方法不仅可以识别核心微生物组，还可用于个性化营养建议和靶向治疗。该研究发表在 Cell 杂志上。

中山大学医学院的施莽教授联合浙江大学、复旦大学等多个研究团队，提出了一种全新的深度学习模型LucaProt。该模型利用Transformer框架与云计算技术，成功发现了超过16万种全新RNA病毒。这个数量是已知RNA病毒种类的近30倍，显著扩展了科学界对RNA病毒多样性的认知。

RNA病毒的高变异性使其能够跨物种传播，威胁公共健康。然而，传统的病毒鉴定方法依赖于序列同源性比对，难以识别缺乏同源性的“暗物质”病毒。LucaProt则通过结合蛋白质序列与三维结构信息，显著提高了病毒鉴定的准确性，特别是在此前无法识别的超群中取得突破性进展。

该研究还发现了迄今为止最长的RNA病毒基因组，长达47,250个核苷酸，进一步揭示了RNA病毒的复杂性。这一研究成果为全球RNA病毒的鉴定和疫苗研发提供了全新思路，并发表在 Cell 上。

五个问题帮助识别大脑性别差异研究中的夸大宣传

随着性和性别神经科学领域研究的快速增长，越来越多的研究成果通过媒体传递给公众。然而，这一过程中，许多夸大的陈述可能误导大众，助长刻板印象。因此，英国阿斯顿大学的Gina Rippon及其团队研究团队提出了一套针对性别差异研究的评估指南，旨在帮助公众识别其中的夸大宣传。

研究通过分析性别差异神经科学领域的大量论文，提出了一套名为“Magic”的指南，旨在减少夸大宣传并提高研究报告的透明度。指南包括五个关键因素：幅度（magnitude）、准确性（accuracy）、普遍性（generalizability）、膨胀（inflation）和可信度（credibility）。研究指出，许多性别差异研究报告中，差异的描述存在不清楚、不准确的问题。例如，某项关于性别差异的大脑连接模式研究中，仅0.5%的差异具有统计显著性，但研究却可能给人一种性别差异广泛存在的印象。

此外，研究还发现，一些研究使用的样本无法普遍代表广泛人群，这在解释结果时可能会导致误导。通过提出这套指南，研究团队希望促使学术界在报告性别差异研究时更加谨慎，从而避免产生不必要的社会误解和刻板印象。该研究发表在 Nature Communications 上。

随着可穿戴设备的普及，通过加速度计数据提取活动模式成为精准医疗和流行病学研究的重要工具。然而，现有的数据集通常在实验室环境中采集，难以反映现实生活中的活动多样性和连续性。为解决这一问题，英国帝国理工学院的研究团队开发了CAPTURE-24数据集，该数据集记录了151名参与者在自由生活环境中的全天活动数据。

研究团队使用腕戴式加速度计（accelerometer）、可穿戴相机（wearable camera）和睡眠日记（sleep diaries），在真实生活环境中记录了151名参与者24小时内的活动数据，总计收集了3883小时的加速度计数据，其中2562小时带有详细的活动注释。与现有实验室数据集相比，CAPTURE-24的数据量大两到三个数量级，涵盖了从休闲活动到工作任务的多种复杂活动模式。此外，该数据集通过细粒度注释提供了超过200种活动类型的详细信息，显著提升了数据的多样性。研究表明，CAPTURE-24数据集对开发高精度的人类活动识别模型，特别是深度学习等数据密集型方法具有重要价值。CAPTURE-24还弥补了实验室环境下采集数据的不足，为研究人员提供了一个真实、异质性高的数据集，使模型更好地泛化至现实世界应用。研究发表在 Scientific Data 上。

该研究由多个研究机构共同完成，研究团队致力于解决材料力学领域信息提取的挑战。他们构建了一个新的本体并结合语义注释的数据集，以帮助从非结构化文本中提取材料成分和实验数据。研究的重点是促进材料疲劳研究的进展。

研究团队开发的MaterioMiner数据集将材料力学领域的本体概念与文献中的文本实体相结合。通过三名评审员的手动注释，共记录了四篇文献中的2191个实体，涉及179个不同类别。研究中提出的命名实体识别（NER）模型旨在识别文本中的重要信息，研究团队通过对预训练语言模型的微调，展示了训练NER模型的可行性。

这一研究不仅为材料语言模型的训练奠定了基础，还提供了从材料科学文献中提取知识图谱的路径。团队特别强调了因果成分-过程-微观结构-属性（CPMP）关系的提取，这对于解决材料科学中的争议性问题如晶间裂纹扩展具有潜在价值。研究成果展示了结合语义数据和预训练语言模型的有效性，为后续的材料科学研究和自动化本体构建提供了新的思路。研究发表在 Scientific Data上。

失语症患者的大脑反馈信号减弱影响多感官整合

格拉斯哥大学心理与神经科学学院的 Lars Muckli 教授及其研究团队通过一项实验研究，探讨了失语症（Aphantasia）患者的大脑反馈信号在多感官整合中的作用。研究发现，这些患者不仅缺乏视觉意象，其大脑视觉皮层对声音的反应也较为微弱。

在这项研究中，研究团队对22名失语症患者进行了蒙眼听觉刺激实验，记录了他们的大脑视觉皮层的反应。结果表明，与对照组和盲人参与者相比，失语症患者在V1和V2视觉区域的解码能力显著减弱，仅在中央凹V3区域能够解码出声音。进一步分析显示，盲人参与者在视觉皮层的偏周区域表现出更强的解码能力，而失语症患者的解码能力则随着偏周区域的扩大而减弱。这一现象表明，失语症患者的大脑反馈信号较弱，导致其不仅难以形成视觉意象，甚至对声音的感知也有所削弱。研究结果为理解大脑的多感官整合提供了新的线索，指出失语症可能与大脑反馈信号的削弱密切相关。研究发表在 Journal of Vision 上。

伦敦帝国理工学院的研究团队通过“网络球”游戏，研究了人类在面对AI虚拟代理被排斥时的行为反应。研究由帝国理工学院戴森设计工程学院的Jianan Zhou和Nejra van Zalk领导，揭示了人类在与AI交互时的同情倾向，以及这种倾向对AI设计的潜在影响。

研究采用了2×2实验设计，招募了244名年龄在18至62岁之间的参与者，观察他们在游戏中如何对待被排斥或公平对待的AI代理。实验使用了“网络球”（Cyberball）范式，该游戏要求参与者在虚拟界面上将球传递给其他玩家，玩家可以是AI代理或真人。在某些情况下，AI代理被公平对待，而在其他情况下，AI代理被排斥。结果显示，参与者自动遵循社会规范（social norm），通过更频繁地将球传给被排斥的AI代理来补偿他们，这与参与者对被排斥人类的反应相似。

研究还发现，年长的参与者更倾向于感知不公平，并采取行动来纠正这种不公平现象。虽然参与者表现出对AI代理的同情，但他们并没有对排斥AI的真人产生负面看法。研究还揭示了使用AI代理的频率与同情心之间的关联，并发现积极的AI使用体验有助于增强参与者的同情心。

剧烈运动可短期内提高执行功能

加州大学圣塔芭芭拉分校的研究团队通过分析大量运动研究数据，进一步探讨了单次急性运动对认知功能的影响。研究由心理与脑科学系教授 Barry Giesbrecht 领导，团队成员包括Jordan Garrett 等。尽管长期运动干预对认知功能的提升已有定论，但该团队希望揭示单次剧烈运动对年轻人的影响。

研究团队对1995年至2023年间的113项研究进行了系统回顾和贝叶斯元分析，涵盖了4,390名18至45岁的参与者。分析显示，急性运动对认知功能有小幅正向影响，尤其是减少了反应时间。高强度间歇训练（HIIT）和骑自行车等运动方式对记忆、注意力、信息处理和执行功能等认知能力的提升效果最为显著。研究还发现，运动时长少于30分钟的效果优于长时间运动。

此外，研究表明，执行功能，如工作记忆和抑制功能，是受运动影响最大的认知领域。研究中采用了贝叶斯分层模型，确保了结果的稳健性，并通过修剪和填充方法减少发表偏差。未来，研究团队计划结合实验室任务和现实活动进一步验证剧烈运动对认知功能的具体影响。研究发表在 Communications Psychology 上。

新的行为特征可以量化特定人际关系的社会价值

加州大学洛杉矶分校的 João F. Guassi Moreira 和 Carolyn Parkinson 团队在研究中发现了一种新的行为特征，能够量化人们赋予特定人际关系的价值。此前，心理学界很少具体讨论人们如何衡量人际关系中的社会价值，而这一发现为理解人们在社会决策中的行为提供了新的研究方法。

研究人员设计了一种实验方法来捕捉个人在面对有限资源时对社会行为的优先选择，结合经济学中的机会成本（opportunity cost）概念，通过分析1111名参与者的社交行为，得出了行为特征的权重。他们将这些行为特征应用于特定的人际关系（如父母、朋友和熟人），并发现这些特征能够反映社会价值的不同表现形式。研究结果表明，社会价值得分不仅与关系的质量相关，还能够预测参与者在不同任务中的决策偏好。该研究通过对社会价值的行为标志进行量化，为心理学领域提供了更精确的研究工具。研究发表在 Communications Psychology 上。

随着 2023 年人工智能聊天机器人的广泛应用，搜索引擎开始提供更复杂的药物信息。然而，由英国研究团队发表的一项研究表明，这些工具并不总能提供准确或安全的答案，且某些回答可能导致患者误解或危险后果。研究团队来自多所医疗机构，并与临床药剂师和药理学专家合作。

研究人员通过 Bing copilot 对 2020 年美国门诊市场上最常用的 50 种药物进行了实验。每种药物的常见问题共生成了 500 个回答，涵盖了药物的适应症、使用说明和禁忌症等。研究发现，聊天机器人的答案在 Flesch 阅读轻松度分数（Flesch Reading Ease Score）中得分较低，平均可读性仅为 37，显示出大部分患者难以理解这些信息。

同时，尽管回答的平均完整性和准确性达到了 100%，但专家分析了其中 20 个回答后，发现 66% 的答案可能存在潜在的安全隐患，其中 42% 的回答可能会导致中度或轻度伤害，22% 的回答可能导致严重伤害甚至死亡。研究表明，AI 聊天机器人虽然能够提供大量信息，但其复杂性和潜在错误可能对患者的药物安全构成威胁，建议患者在获取药物信息时仍应谨慎依赖此类工具，优先咨询专业医护人员。研究发表在 BMJ Quality & Safety 上。

由德国波鸿鲁尔大学哲学研究所的 Leda Berio 博士和 Albert Newen 教授领导的研究团队，探讨了情绪识别不仅依赖于面部表情，还包括情境、身体特征和个人背景等因素。他们的研究挑战了传统的情绪识别理论，提出了一个更具包容性的情绪识别模型。

该研究基于构建主义情绪理论，提出情绪识别不仅仅是对面部表情的解读，而是一个多维度的过程，涉及上下文、人物模型和情境模型等因素。研究人员认为，情绪识别是形成对一个人总体印象的子过程，受到文化、身体特征以及情境背景的影响。他们引入的情境模型和人物模型有助于描述背景信息在情绪识别中的作用。例如，当看到一个人受到威胁时，即使没有面部表情的明显线索，我们也可以通过身体姿势来识别恐惧情绪。

通过这些模型，研究指出情绪识别是一个动态的过程，识别结果会影响甚至改变我们对人物的印象。研究表明，当前的人工智能情绪识别系统由于仅依赖面部表情而存在局限性，未来系统需要更广泛的情境线索来提高情绪识别的准确性。研究发表在 Philosophy and Phenomenological Research 上。

南加州大学维特比工程信息科学研究所的一项最新研究，测试了人工智能（AI）在抽象推理中的表现，尤其是通过解决类似于人类智商测试的视觉难题。该研究发现，虽然闭源AI模型（如GPT-4V）在处理这些问题上表现相对较好，但仍然远不及人类认知水平。开源模型在这些非语言的推理任务中表现更为挣扎。

研究人员 Kian Ahrabian 和 Zhivar Sourati 通过基于 Raven 渐进矩阵（Raven's Progressive Matrices）的谜题测试了24个多模态大语言模型（MLLM），发现闭源模型得益于更强的训练资源，表现更优。而为了提高AI推理的准确性，研究团队探索了“思维链提示”（Chain of Thought prompting）技术，通过引导AI逐步推理，这种方法在部分案例中显著提升了性能。

在大语言模型（LLM）研究中，指令微调作为一种提升模型上下文理解能力的重要技术，受到了广泛关注。然而，麻省理工学院和斯坦福大学的研究团队，包括Aarush Batra、Kyle Mahowald、Rishi Bommasani 和 Rishi Nityananda，发现了一个令人意外的现象：随着微调的深入，模型的上下文处理能力逐渐被其内部存储的参数化知识取代，产生了“上下文-参数反转”（Context-Parametric Inversion）。

通过设计一系列反事实数据集和在多种模型上实验（如Llama、Pythia、Mistral），研究人员观察到指令微调初期，模型对上下文的依赖性显著增强。然而，随着训练的推进，模型开始倾向于依赖其内部的知识，忽视了外部提供的上下文信息。这一现象的根本原因在于，模型在训练过程中逐渐由那些不依赖上下文的数据点主导学习过程，导致上下文处理能力下降。

这一发现对大语言模型的训练方法提出了新的挑战，并为优化指令微调策略提供了参考。研究团队建议可以通过增加反事实数据比例或优化模型的梯度更新方式，来提高模型在微调中的上下文依赖性。

大语言模型（LLM）在长上下文推理中面临内存消耗和计算效率的瓶颈，这限制了其在多轮对话、长文档总结等复杂任务中的应用。为了解决这一问题，来自麻省理工学院（MIT）、清华大学、上海交通大学、爱丁堡大学和NVIDIA的研究团队提出了DuoAttention方法。该方法通过将注意力机制分为“检索头”（Retrieval Heads）和“流式头”（Streaming Heads），大幅优化了内存使用并提高推理速度。

DuoAttention的核心创新在于，检索头专门处理长上下文中的关键信息，保留完整的Key-Value缓存，而流式头则只处理最近的上下文，大大减少了内存占用。实验表明，DuoAttention在长上下文任务中将内存消耗减少了最多2.55倍，同时推理速度提升了2.18倍，且保持了高精度，几乎不损失模型的准确性。

近年来，尽管深度学习技术取得了显著进展，但神经网络仍面临一些与人类认知相比的经典挑战。神经网络在系统性泛化、灾难性遗忘、小样本学习和多步骤推理方面存在不足，限制了其在复杂任务中的表现。为了解决这些问题，研究人员提出了通过元学习方法，优化神经网络的目标行为，并提供明确的激励机制与实践机会。

该研究介绍了如何利用元学习框架，通过设计专门的元训练任务，使神经网络在不同挑战下得到持续优化。例如，在小样本学习中，网络通过仅有的少量示例即可推断出新的概念；在持续学习中，网络能够避免遗忘旧知识，从而在多个任务间保持表现。通过反复训练和序列处理，元学习框架成功优化了这些神经网络的表现，使其在复杂任务中表现出更接近人类认知的能力。

这项研究表明，元学习为克服神经网络长期存在的认知缺陷提供了新的解决方案，并为未来的人工智能模型设计带来了启示。

苹果电脑公司（Apple Computer Company）的研究人员通过测试发现，尽管当前大型语言模型（LLMs）如ChatGPT等看似具有智能反应的能力，但这些能力实际上只是一种幻觉。该研究团队在arXiv预印本服务器上发布了他们的发现，旨在探讨LLMs是否具有真正的逻辑推理能力。

研究团队通过测试多种LLMs的反应能力，设置了数百个包含非相关信息的问题来评估模型的推理能力。结果显示，尽管LLMs在没有干扰信息时能够正确作答，但一旦加入无关信息，这些模型就容易陷入混乱，给出错误的回答。为进一步评估LLMs的逻辑推理能力，研究人员还针对数学推理进行了实验，使用改进后的基准测试GSM-Symbolic来生成多样化的问题集。结果发现，所有受测模型在遇到数值变化或子句增加时，性能明显下降，表明它们无法完成真正的逻辑推理，而是依赖于训练数据中的模式复制。这一研究进一步质疑了LLMs在复杂推理任务中的可靠性。

格拉德斯通研究所的Katerina Akassoglou及其团队发现，大脑、血管与免疫系统的相互作用是多种神经系统疾病的共同特征。这些疾病包括阿尔茨海默病、多发性硬化症等，传统上被视为不同疾病，但她的研究揭示了它们背后共享的机制。该团队与加州大学旧金山分校等机构的合作，探索了中和血液中的纤维蛋白（fibrin）在治疗神经系统疾病中的潜力。

Akassoglou的团队长期研究发现，血管损伤导致血液渗入大脑会触发有害的免疫反应，特别是纤维蛋白在这个过程中起到了关键作用。通过实验，研究人员证明了中和纤维蛋白的毒性作用可以有效阻止这种反应，从而减少神经元损伤。这种免疫疗法不仅在阿尔茨海默病和多发性硬化症的动物模型中显示出良好的效果，还在COVID-19导致的神经系统损伤中展现了治疗潜力。该团队开发了一种特异性靶向纤维蛋白炎症特性的单克隆抗体药物，并已进入人体临床试验，初步结果显示其具有良好的安全性。研究发表在 Cell 上。

SUMO蛋白机制激活神经干细胞，或为神经退行性疾病治疗提供新思路

杜克大学-新加坡国立大学医学院的研究团队，发现SUMO蛋白（小泛素相关修饰剂）在神经干细胞重新激活中的关键作用。这项研究揭示了通过SUMO化过程，可以重新唤醒休眠的神经干细胞，促进脑细胞修复。

该研究使用果蝇模型，通过分析SUMO化（SUMOylation）依赖的翻译后修饰过程，揭示了这一机制对神经干细胞重新激活的重要性。研究发现，当SUMO蛋白或其结合酶Ubc9减少时，果蝇神经干细胞无法正常激活，并出现脑发育缺陷；而当其过度表达时，神经干细胞则提前激活。研究还揭示，Akt激酶通过增加Smt3蛋白水平，抑制了Hippo通路中的Warts蛋白磷酸化，从而启动神经干细胞的激活。这一发现为未来针对阿尔茨海默病、帕金森病等神经退行性疾病的治疗开辟了新途径。研究发表在 Nature Communications 上。

加泰罗尼亚开放大学的研究团队开展了一项关于情景记忆的研究，重点探讨了空间环境与记忆组织方式的关系。研究由建筑师兼认知科学家Álvaro Pastor和UOC XR实验室的协调员Pierre Bourdin-Kreitz领导，旨在研究主动导航对记忆表现的影响。

在这项研究中，28名健康的参与者分别在增强现实（AR）和虚拟现实（VR）条件下完成了博物馆之旅的编码任务。在实验中，参与者分别通过步行和静止观看不同地点的图像，随后研究人员测试了他们在短期和48小时后的记忆表现。结果表明，步行导航的参与者在两次记忆测试中表现显著更好，特别是在楼梯等空间转换点附近的记忆表现尤为突出。此外，研究还发现，主动参与学习有助于创建更有效的认知地图，从而增强后续的记忆表现。这一发现为神经退行性疾病（如阿尔茨海默病）患者的非侵入性治疗设计提供了新思路。该研究发表在 Scientific Reports 上。

哥伦比亚大学的研究团队发现，通过简单的气味识别测试（BSIT）和祝福信息记忆集中测试（BIMCT），能够像昂贵的脑成像一样，准确预测认知能力下降和痴呆的发展。该研究由哥伦比亚大学欧文医学中心的精神病学与神经病学教授 Davangere P. Devanand 博士领导，并且结合了来自梅奥诊所老龄化研究的长期随访数据。

在这项研究中，研究人员分析了 647 名参与者的数据，这些参与者在 8 年的平均随访期内进行了改良的Blessed信息记忆浓度测试 （BIMCT）、简短气味识别测试 （BSIT）、脑部 MRI 和 PET 成像等一系列检查。研究发现，102 名参与者在随访期间出现了认知能力下降，34 人发展为痴呆。通过将参与者的年龄、性别、教育水平等人口统计学变量与 BSIT 和 BIMCT 的测试结果结合，研究人员获得了 0.81 的预测效用指数（C-index），这一结果与昂贵的匹兹堡化合物 B PET 成像技术（C-index 0.80）相当。

研究表明，气味识别测试与简单的认知测试结合使用，不仅能够有效预测认知能力下降，还为早期干预提供了可能。此外，这些简短、非侵入性的测试方法也有助于在临床中筛选出可能受益于疾病修正治疗的患者，并为阿尔茨海默病预防研究提供潜在参与者。该研究发表在 Alzheimer's & Dementia 上。

人类特异性基因揭示大脑发育与神经发育障碍的关联

人类大脑的发育与其他哺乳动物不同，具有长期性的特点，这种延迟的突触成熟被认为与高级认知能力的形成有关。然而，研究人员也推测，大脑发育过程中的异常可能与智力障碍和孤独症等神经发育障碍相关。由 VIB-KU Leuven 的 Pierre Vanderhaeghen 教授领导的研究团队，与哥伦比亚大学和巴黎高等师范学院的科学家共同合作，揭示了人类大脑发育的分子机制以及它们与神经发育障碍的联系。

研究团队通过关闭人类特异性基因 SRGAP2B 和 SRGAP2C，在小鼠大脑中移植了人类神经元，并进行长达 18 个月的突触发育监测。结果显示，当关闭这些基因时，神经元的突触发育显著加快，类似于 5-10 岁儿童的突触特征。此外，研究还发现 SRGAP2B 和 SRGAP2C 通过增加 SYNGAP1（智力障碍和孤独症谱系障碍相关基因）在突触中的水平，来减缓突触成熟的速度。研究表明，SRGAP2A（突触基因）和 SYNGAP1 之间的拮抗作用决定了突触发育的节奏，而 SRGAP2B 和 SRGAP2C 则通过干预这种关系，保持人类大脑的长期发育。这一发现为理解神经发育障碍的发病机制提供了重要线索。该研究发表在 Neuron 上。

路易体痴呆症（Lewy body dementia，LBD）是一种难以诊断的神经退行性疾病，常伴随幻觉、运动障碍、认知问题和抑郁等症状。梅奥诊所的研究团队，主要由神经科学家Na Zhao带领，通过创建迷你大脑模型，探索LBD的发病机制和潜在治疗方案。这些类器官模型通过患者捐赠的皮肤细胞培养而成，模拟了LBD患者大脑的病变。

研究人员利用LBD患者皮肤细胞转化为干细胞，开发了携带SNCA基因三倍体的迷你大脑模型，并通过单细胞RNA测序技术检测这些类器官中的遗传物质。研究发现，SNCA基因表达增加的兴奋性神经元中存在严重的突触和线粒体功能障碍，这与尸检证实的LBD患者大脑中的观察结果一致。为进一步寻找潜在的治疗药物，研究人员筛选了1280种FDA批准的药物，最终发现四种候选药物，包括恩他卡朋（entacapone）、托卡朋（tolcapone）、盐酸非那吡啶（phenazopyridine hydrochloride）和扎西他滨（zalcitabine）。这些药物被证明可以抑制α-突触核蛋白（α-SYN）的聚集，并改善神经元中的线粒体功能。这些研究结果为未来LBD及相关痴呆症的治疗带来了新的可能性。研究发表在 Science Advances 上。

阿尔茨海默病是引发痴呆症的主要原因，但其细胞层面的病理学进展仍未得到充分研究。艾伦脑科学研究所的 Kyle Travaglini 博士领导的团队，联合华盛顿大学医学院和凯撒永久华盛顿健康研究所的科学家们，首次以单细胞分辨率描绘了阿尔茨海默病的进展过程，揭示了该疾病早期阶段的一些关键细胞变化。

研究团队利用多组学（multiomics）和空间基因组学技术，分析了 84 名阿尔茨海默病患者的中颞回（MTG）区域细胞类型。研究参与者平均年龄为 88 岁，队列中包括 33 名男性和 51 名女性患者。通过假性进展评分，研究揭示了阿尔茨海默病的两个关键阶段：早期阶段以炎症性小胶质细胞和星形胶质细胞的反应为主，伴随生长抑素表达的抑制性神经元的丧失，且少突胶质细胞前体细胞开始髓鞘再生。晚期阶段，兴奋性神经元和抑制性神经元（Pvalb+和Vip+）大量丧失，导致认知能力的显著下降。研究通过西雅图阿尔茨海默病脑细胞图谱（SEA-AD）公开了全部数据，并指出这些结果可能为未来的早期干预策略提供基础。该研究发表在 Nature Neuroscience 上。

来自筑波大学的研究人员通过对小鼠的大脑神经回路进行分析，揭示了快速眼动睡眠（REM）行为障碍与帕金森病之间的潜在联系。该研究由筑波大学的科研团队领导，研究成果为开发治疗帕金森病和其他睡眠障碍的潜在干预手段提供了新的理论依据。

研究发现，位于脑桥后背被盖下（SubLDT）的Crhbp+神经元通过与延髓的Nos1+神经元相互作用，形成了一个促进快速眼动睡眠的回路。这些神经元通过连接前脑的多个区域，调控快速眼动睡眠期间的脑活动和身体放松状态。研究通过人工激活这一神经回路，成功诱导清醒小鼠进入快速眼动睡眠阶段；而抑制该回路则导致小鼠出现与帕金森病患者相似的睡眠异常表现，如睡眠时身体不受控的动作和快速眼动睡眠的显著减少。此外，帕金森病患者体内的相关神经元数量减少，并出现了病理性α-突触核蛋白的堆积。这一发现为帕金森病患者的早期睡眠障碍提供了新的解释，未来可能有助于开发针对这一疾病的新型治疗方法。研究发表在 Cell 上。

在医学成像领域，7T MRI由于其更高的分辨率被认为能够更好地帮助识别和监测大脑病变组织。然而，由于7T MRI设备的稀缺性，全球仅有少量设备可用于临床诊断。为了解决这一问题，加州大学旧金山分校的研究团队开发了一种基于机器学习的算法，旨在利用3T MRI图像生成接近7T质量的合成图像。这一研究由Reza Abbasi-Asl博士领导，团队希望通过这一技术解决当前医疗资源受限的问题。

该研究采用了监督深度学习技术，利用V-Net卷积神经网络从3T MRI生成高质量的7T类图像。研究团队训练了模型，使用来自8名轻度创伤性脑损伤（TBI）患者的3T-7T MRI配对数据，成功提升了病理组织的细节可视化能力。尤其是在白质病变和微出血的分辨上，合成的7T图像提供了更清晰的病理特征分离，改善了临床诊断的精确度。此外，研究团队还通过数据增强技术提高了模型的鲁棒性，使其能够适应不同扫描仪下的成像差异。研究结果表明，该技术在多个机构的数据集上表现出色，展示了合成7T图像在神经退行性疾病诊断中的广泛应用前景。研究发表在 MICCAI 上。

识别肠道激素调节机制的新工具

由胡布雷希特研究所与罗氏人类生物学研究所联合组成的多机构团队，旨在研究肠道激素的分泌调控机制。这些激素对消化、食欲和整体代谢有着至关重要的作用。研究团队通过开发新工具，尝试识别肠内稀有细胞中的“营养传感器”。

研究团队利用类器官技术，从人体胃、小肠和结肠细胞中提取了肠内分泌细胞（EEC）。这些细胞尽管在肠道上皮细胞中占比不到1%，但对激素分泌有关键作用。研究发现，表面标记物CD200使得EEC的分离与分析成为可能。通过基因编辑（CRISPR）对22种传感器进行功能丧失实验，研究团队识别出了一些新型代谢物传感器。这些传感器调节包括胰高血糖素样肽1（GLP-1）在内的多种激素分泌。研究显示，这些传感器失活后，激素分泌显著减少。研究结果为未来开发影响食欲、排便、胰岛素敏感性和肠道动力等相关疾病的治疗药物提供了新的潜在靶点。研究发表在 Science 上。

韩国科学技术院的Yoonsu Park教授团队开发了一项新的光催化单原子编辑技术，成功实现了药物中关键原子的快速替换。该技术能够将药物分子中对疗效至关重要的氧原子替换为氮原子，最大化药物对病毒等的疗效。

该研究利用光氧化还原催化技术（photoredox catalysis），通过分子剪刀（molecular scissors）在室温和大气压下成功实现了单原子编辑，将呋喃（furan）中的氧原子替换为氮基团，生成广泛用于药物开发的吡咯（pyrrole）。这一技术通过单电子转移机制实现了分子间的氧化还原中性原子交换，具有较高的兼容性，适用于药物发现中的多种呋喃衍生物和氮亲核试剂。研究结果显示，该技术可以进行复杂分子的后期官能化改造，使其在药物开发中具备巨大的应用潜力。这一发现将为制药行业解决单原子效应评估中的关键挑战，开启构建药物分子库的新大门。该研究成果发表在 Science 上。

脑机接口新方法助力精确控制假肢

德国灵长类动物中心的神经科学家在对恒河猴的研究中开发了一种新的脑机接口训练方案。研究团队包括Andres Agudelo-Toro和神经生物学实验室的负责人Hansjörg Scherberger。

研究人员首先训练恒河猴通过佩戴数据手套来移动虚拟化身的手，并观察其手部动作。在猴子掌握了该任务后，他们进一步训练猴子通过想象手部动作来控制虚拟手。研究团队测量了恒河猴大脑皮质区域神经元的活动，这些区域专门负责控制手部运动。不同于以往研究集中于控制运动速度，该研究发现手部姿势的神经信号对控制假肢尤为重要。

通过调整脑机接口的算法，使其不仅关注运动的目的地，还注重执行路径，研究团队实现了前所未有的精确控制。最终，实验表明猴子能够高精度控制多维虚拟手，并执行复杂的精确抓握动作。该研究为未来脑机接口的改进提供了新的数据支持，特别是对于神经假肢的精细控制。该研究结果发表在 Neuron 上。

来自瑞士洛桑联邦理工学院（EPFL）Brain Mind Institute 和 Neuro-X Institute 的 Mackenzie Weygandt Mathis 团队，专注于研究大脑如何通过神经编码和解码实现感知、认知和行为。他们的工作揭示了大脑中的分布式电路是如何协同工作的，并探索了神经科学中使用深度学习等先进工具解码神经信号的新途径。

该研究通过分析神经编码和解码的机制，揭示了神经元之间的协同工作原理。研究团队采用深度学习等先进的数学工具来测量和建模这些过程。首先，他们通过实验记录了大量神经元的活动数据，覆盖了从短时间尖峰数据到大规模行为表现的不同时间尺度。然后，研究利用这些数据构建了解码器，能够将大脑中的神经信号转化为可用的信息，比如运动控制和语言处理中的动作决策。

通过这些解码器算法，研究团队在运动控制、视觉处理和语言处理等方面取得了突破性进展。他们的模型不仅解释了大脑如何整合多感官信息以进行决策，还为未来脑机接口（BCI）的发展提供了技术支持。这些研究结果对基础神经科学和临床应用都具有重要意义，为未来探索大脑功能和神经疾病提供了新的工具和方法。研究发表在 Neuron 上。

e-Flower：为神经球体提供更全面的电生理记录工具

洛桑联邦理工学院的研究团队开发了一种名为 e-Flower 的设备，该设备能够利用电子花瓣包裹 3D 神经球体，并实时监测其神经活动。该研究由 Neuro X 研究所软生物电子接口实验室负责人 Stéphanie Lacour 领导，并与组织工程实验室的 Luc Stoppini 和 Adrien Roux 合作完成。

e-Flower 是一种基于花形微电极阵列（Microelectrode Array, MEA）的设备，采用了柔性水凝胶（polyacrylic acid hydrogel）的膨胀特性，通过暴露在液体中，花瓣会自动卷曲并包裹神经球体。e-Flower 的柔性设计不仅兼容现有电生理学记录系统，还能够在不损伤 3D 神经模型的前提下，实现对神经球体表面复杂电活动的全面记录。实验表明，e-Flower 在数分钟内可实现 300 微米的曲率调节，并可检测神经球体的自发神经活动。这一突破性技术为未来研究复杂的脑类器官提供了新的工具和方法，特别是在神经发育、脑损伤恢复及神经系统疾病研究中将具有重要意义。研究发表在 Science Advances 上。

研究表明，单个大脑区域的神经元模块化现象有助于处理复杂的上下文任务。来自麻省理工学院（MIT）的研究团队利用人工神经网络，模拟了大脑中局部模块化的出现机制。先前的研究发现，在大脑中存在解剖模块化（anatomical modularity），但这一研究进一步揭示了上下文相关行为在模块化形成中的作用。

研究团队通过训练人工神经网络执行不同的上下文任务，观察了神经元表征几何的变化。他们发现，当输入的维度较低时，神经网络会自发形成局部模块化，即不同任务的神经元活动集中在特定的亚群（subpopulation of neurons）中。这种模块化结构有助于抽象表征（abstract representation）的生成，使得网络能够快速学习新任务，尤其是与已学任务相关的上下文任务。研究还发现，非模块化的神经元表征更适合处理与之前学习任务无关的新上下文。该研究通过实验解释了局部模块化和全局表征在不同任务学习中的作用，并为未来神经科学实验提供了新的预测。研究发表在 Nature Neuroscience 上。

单步扩展技术实现纳米级成像，降低高分辨率显微成本

麻省理工学院的研究团队开发了一种新型膨胀显微镜技术，旨在帮助无法负担昂贵超分辨率显微镜的实验室实现纳米级成像。这项研究由神经技术教授Edward Boyden和化学教授Laura Kiessling领导。

传统的纳米成像技术依赖于昂贵的超分辨率显微镜，而麻省理工的团队通过膨胀显微镜（Expansion Microscopy，ExM）提出了一种简化的20倍组织扩展方法（20ExM）。这一技术仅需单步即可将组织扩展20倍，从而利用常规光学显微镜达到小于20纳米的分辨率，足以观测到微管、线粒体等细胞结构，以及蛋白质簇。

实验方案的核心是使用由N,N-二甲基丙烯酰胺（DMAA）和丙烯酸钠组成的凝胶，该凝胶具备极强的吸水性和机械稳定性。与之前的二次扩展技术相比，单步扩展大大简化了操作过程。此外，研究人员通过去氧处理提高了凝胶的稳定性和扩展效果。该技术尤其适用于脑组织的高分辨率成像，并在未来可望广泛应用于癌症、神经系统疾病的研究中。此项技术不仅降低了成像设备的成本，还为科学家们提供了更便捷的纳米级研究工具。研究成果发表在 Nature Methods 期刊上。

纽约大学医学院的研究团队通过研究迷走神经刺激（VNS），探讨其对小鼠神经活动和感知学习的影响。迷走神经是人体最长的脑神经，负责心率、消化等关键生理过程。先前的研究已经表明，VNS 能增强大脑可塑性，从而可能促进感知学习。

该研究开发了一项听觉辨别任务，研究 VNS 对小鼠感知学习的影响。研究人员在小鼠身上植入了微型VNS电极，并通过训练任务让小鼠根据不同音调做出舔食反应。实验过程中，VNS逐渐提高了小鼠的辨别能力，特别是在区分相近音调的任务上表现显著优于对照组。

通过双光子成像，研究发现 VNS 诱导了小鼠听觉皮层反应的变化，并激活了皮层投射的胆碱能轴突（cholinergic axons，一种帮助神经元沟通并调节大脑功能的神经纤维）。进一步的解剖学和光遗传学实验表明，VNS 通过激活中枢胆碱能系统（central cholinergic system，使用乙酰胆碱与其他神经元交流的神经网络）来增强小鼠的任务表现。

研究结果显示，VNS 能够在几周的时间内，通过每日训练和刺激，使小鼠在最具挑战性的任务上取得持久的改善。这项研究为未来 VNS 在临床上的应用，例如提升人工耳蜗患者的使用效果，提供了新思路。研究发表在 Nature Neuroscience 上。

深部脑刺激（DBS）是治疗帕金森病和强迫症等神经疾病的常用方法，但由于其侵入性和手术难度，应用范围受到限制。麻省理工学院的 Polina Anikeeva 教授团队，致力于寻找一种无需植入电极的替代方案。他们在材料科学、脑与认知科学等多个领域的跨学科合作下，开发了磁电纳米圆盘（MENDs），为远程神经刺激提供了新的可能性。

研究团队合成了具有核-双壳结构的磁电纳米圆盘（MENDs），其中包含 Fe3O4、CoFe2O4 和 BaTiO3 材料，直径为250纳米，厚度为50纳米。实验表明，尽管单个圆盘的电位低于神经元的兴奋阈值，但通过重复亚阈下去极化的方式，MENDs 仍能在体外的神经元实验中实现远程磁场刺激。在小鼠实验中，研究人员将 MENDs 注射到小鼠大脑中的特定区域，如腹侧被盖区和丘脑底核，分别成功地控制了小鼠的奖励和运动行为。这些结果表明，该技术在临床应用中有望替代传统的深部脑刺激，为治疗神经和精神疾病提供了更安全、非侵入性的选择。研究发表在 Nature Nanotechnology 上。

人工智能（AI）在医疗领域，特别是放射学、基因组学等影像密集型专业中得到了广泛应用。波恩大学医院和波恩大学的研究团队通过对AI在医学成像领域的应用进行系统回顾，探讨其对临床工作流程的实际影响。该团队成员包括波恩大学患者安全研究所（IfPS）主任Matthias Weigl教授、Katharina Wenderott博士。

研究团队对六个医学数据库进行了全面搜索，筛选了13,756条记录，最终纳入了48项研究。研究重点是评估AI在临床工作流程中的应用，尤其是医学成像领域的效率提升。在纳入的33项研究中，67%的研究报告工作时间有所减少。然而，针对12项研究进行的三项元分析并未显示AI的实施显著提高了工作效率。这表明，AI在日常临床实践中的作用仍存在不确定性，尤其是在工作流程的具体优化上。研究确定了五种不同的工作流程适应AI的使用，最常见的是AI作为辅助工具，帮助识别影像中的异常。这些发现强调了需要更系统化的报告和标准化数据，以更好地评估AI在临床中的效用。研究发表在 npj Digital Medicine 上。

大规模电影数据集揭示语言处理中的神经动态

为了解决以往语言处理研究中空间和时间分辨率不足的问题，研究团队开发了一个新的神经数据集——Brain Treebank。该项目由NeurIPS大会的研究人员发起，记录了10位参与者在观看好莱坞电影时的颅内神经活动。他们通过立体脑电图（sEEG）技术进行了大规模的数据采集和分析，标注了电影中的语言、视觉和听觉特征。

研究团队收集了参与者观看26部电影（总时长55小时）时的神经数据，共包含236,400个注释词汇。电影的音轨经过手动校正，每句话的词汇和依存关系使用了通用依存树库（Universal Dependencies, UD）格式进行标注。研究揭示了语言输入在上颞叶和横颞叶区域引发的神经反应，并且这些反应随着词汇在句子中的位置而变化——在句子开头，神经反应最强，随后逐渐减弱。此外，研究使用了通用线性模型分析，进一步细化了不同特征对神经反应的贡献。通过这些结果，研究为语言的神经处理提供了新的见解，并为进一步的跨学科研究提供了重要的资源。研究发表在NeurIPS上。

南澳大利亚大学的神经科学家团队开发了一种基于大脑活动的快速睡意诊断方法。研究由Alex Chatburn博士领导，团队致力于通过简化复杂的脑电图（EEG）技术，为那些患有白天过度嗜睡症的人提供更快速准确的诊断手段。

研究团队使用脑电图（EEG）中的非周期性成分（aperiodic EEG activity），测量个体大脑的神经元兴奋性，进而确定睡眠需求。传统的EEG振荡标记虽然能随着清醒时间变化而改变，但不能准确解释个体的睡眠需求。而新的方法通过测量神经元的兴奋性变化，提供了一种更为可靠的困倦诊断手段。研究显示，这一方法能够快速且准确地预测个体的困倦状态，从而帮助评估其在进行复杂任务（如驾驶或操作机器）时的安全性。研究还指出，这一方法可以为那些存在睡眠障碍但却不感到困倦的患者提供新的诊断工具，如失眠症、睡眠呼吸暂停等。相关研究发表在 Brain Research 上。

弗吉尼亚大学的研究团队通过人工智能技术，针对现代制造业复杂性，开发了一种能够优化整个生产流程的系统，旨在提高生产效率和产品质量。该研究由机械与航空航天工程教授 Qing "Cindy" Chang 领导，并与通用汽车公司合作，展示了人工智能在工业领域的广泛应用潜力。

研究团队使用了多智能体强化学习（MARL）技术，开发了两种核心算法：信用分配多智能体 Actor-Attention-Critic（C-MAAC）和物理引导多智能体 Actor-Attention-Critic（P-MAAC）。C-MAAC 能够通过注意力模块并行训练提取全局信息，而 P-MAAC 则嵌入了生产系统的物理限制参数，优化了生产过程中的实时调整能力。数值实验表明，这两种算法在生产效率和系统稳健性方面取得了显著的进步，尤其是 P-MAAC，能够快速适应环境变化，显著减少停机时间并提升产品质量。该系统能够自动适应生产中的突发情况，如机器故障或生产调整，而无需人工干预。这项研究不仅在生产速度上取得突破，同时也减少了能源消耗和浪费，为制造业节省了大量成本。该研究发表在 Journal of Manufacturing Systems 上。

麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究团队，由电气工程与计算机科学（EECS）博士生Boyuan Chen和助理教授Vincent Sitzmann领导，针对现有序列模型在机器人任务和视频生成中的局限性，提出了一种全新的训练方法——“扩散强制”（Diffusion Forcing）。该方法通过融合下一令牌预测模型和全序列扩散模型的优势，显著提升了机器人及人工智能系统的决策能力。

“扩散强制”技术克服了下一令牌预测模型在长期规划中的不足，同时弥补了扩散模型在生成可变长度序列方面的缺陷。具体而言，该方法为每个令牌添加不同程度的噪声（fractional masking），使模型能够灵活地进行去噪并预测未来的步骤。在实验中，扩散强制在处理机器人操作任务时表现卓越，例如协助机械臂在干扰条件下完成复杂的物体交换任务。此外，该技术在视频生成方面也优于现有的基线模型，能够生成分辨率更高、稳定性更强的视频。在解决二维迷宫问题的实验中，扩散强制通过快速生成到达目标的规划方案，表现优于其他模型，展示了其在机器人规划中的巨大潜力。研究团队计划将这一技术扩展到更大规模的数据集，旨在打造类似于ChatGPT的机器人大脑，使机器人能够在新环境中完成任务而无需人类示范。该研究成果已发表在NeurIPS会议上。

由宾夕法尼亚大学的 Mark Yatskar 和 Chris Callison-Burch 领导的研究团队开发了一种新型 AI 模型 KnoBo，旨在解决现有 AI 系统在处理复杂医学图像时的性能问题。该模型模拟了人类医生的训练路径，通过引入医学知识库来提高 AI 对医学图像的理解和判断。

研究团队提出了 KnoBo（知识增强瓶颈，Knowledge-enhanced Bottlenecks）模型，旨在通过提供来自教科书和 PubMed 等资源的医学知识，帮助 AI 在分析医学图像时避免走捷径，做出更准确且可解释的判断。通过在20个不同的数据集上进行评估，研究人员发现，KnoBo 在应对带有偏差和噪声的数据时，比现有的微调神经网络模型准确率高出32.4%。特别是在处理胸部 X 光片和皮肤病变图像时，KnoBo 不仅表现更好，还能解释其做出决策的依据。研究显示，PubMed 是一个优质的医学知识资源，能够帮助模型更好地适应不同的医院和患者群体的数据变化，增强了其应对领域转移的能力。这一研究为 AI 在医学中的安全应用铺平了道路，特别是在未来医生短缺的情况下，KnoBo 有望填补这一空缺。