追问daily | 宇宙太短，猴子敲不出莎士比亚全集；Medium平台近半内容由AI生成；MIT研究揭示LLM类人脑结构

西奈山医院的研究团队首次揭示了心脏病发作后，心脏通过免疫系统向大脑发送信号，促进睡眠以加速康复。这项由Cameron McAlpine领导的研究，指出了心脏和大脑之间的独特互动机制，有助于提高心脏病患者的临床管理效果。

研究团队采用小鼠模型诱导心脏病发作，并使用高分辨率成像、细胞分析和无线植入式脑电图记录装置来监测小鼠的睡眠模式，发现心脏病发作后小鼠的慢波睡眠增加了三倍。免疫细胞单核细胞被召集到大脑丘脑的外侧后核（LPN），产生肿瘤坏死因子（TNF）以激活谷氨酸能神经元，增加慢波睡眠的丰富度。通过阻断这种信号传导，研究者发现小鼠的心脏应激反应和炎症增加，恢复速度减慢。进一步的人体实验表明，心脏病发作后数周内睡眠质量差的患者，其再次发生心血管事件的风险较高，心脏功能改善不明显。该研究发表在 Nature 上。

虚拟现实结合电刺激显著改善空间记忆

洛桑联邦理工学院Hummel实验室和Olaf Blanke的认知神经科学实验室联合研究，旨在通过无创神经调节方法改善空间记忆能力。团队专注于解决老年人、脑创伤患者及认知障碍患者的空间记忆衰退问题。

实验采用一种创新的经颅时间干扰电刺激（tTIS）技术，通过四个电极刺激志愿者头部的海马-内嗅复合体（HC-EC），以特定频率和时间模式对海马体及其邻近结构施加间歇性theta突发刺激（iTBS）。志愿者在虚拟现实环境中进行一系列空间导航任务，fMRI监测大脑活动。研究显示，iTBS刺激使参与者回忆位置所需时间明显缩短，海马体活动增强，且内嗅皮层的网格细胞样活动减少。这一结果表明，通过VR训练和非侵入性电刺激组合，空间导航和记忆表现显著提升，特别适用于改善阿尔茨海默病等患者的认知功能。研究发表在Science Advances上。

伦敦国王学院的研究人员发现，星形胶质细胞（astroglia）能够被重新编程为类似中间神经元的细胞。星形胶质细胞是大脑中的支持细胞，这项研究为恢复癫痫等神经疾病中受损的大脑回路带来了希望。研究由发育神经生物学教授 Benedikt Berninger 领导，研究团队还包括副研究员 Nicolás Marichal。

研究团队通过对小鼠进行实验，诱导星形胶质细胞合成 Ascl1 蛋白（Ascl1）。突变后的 Ascl1（Ascl1SA6）比自然生成的版本更有效地将星形胶质细胞转化为功能性神经元。研究还发现，当 Ascl1SA6 与 B 细胞淋巴瘤 2（Bcl2）共同作用时，神经源性活性进一步增强。通过遗传命运追踪技术，研究人员确认了大部分转化后的神经元源自星形胶质细胞，只有少量源自少突胶质细胞前体细胞（OPC）。这些新生成的神经元不仅具备高频放电能力，还表现出与特定皮质中间神经元相似的特性。研究结果为细胞重编程技术的临床应用提供了重要依据，尤其是在神经疾病治疗中的潜在应用。研究发表在 Science Advances 上。

预测编码：揭开大脑提前规划的奥秘

荷兰神经科学研究所的Christian Keysers、Giorgia Silani和Valeria Gazzola等研究人员深入探讨了大脑的预测机制。传统观点认为，大脑处理视觉信息后再决定行动，但该研究表明大脑会根据预期提前规划动作，使反应更加迅速。研究指出，大脑预测系统对社会交往至关重要，但孤独症（Autism）患者在此方面存在缺陷。

本研究综述了基于反馈连接和贝叶斯分层预测编码的社会感知理论。研究者利用生态情境下的范例，揭示参与者如何预测他人行为及情绪。例如，前运动皮层会对可预测的动作生成反馈信号，从而降低视觉反应的强度，使预测更为精确。该研究还指出，额叶中线结构（Frontal Midline Structures）能够预测他人获得的奖惩，而扣带回则对他人痛苦作出反应，帮助避免他人受伤。基于这些结果，研究者提出预测编码模型可解释孤独症患者在感知和预测方面的异质性差异。该研究为预测编码在社会认知中的重要性提供了有力支持，强调了预测机制在情绪与社会行为中的关键作用。研究发表在 Neuroscience & Biobehavioral Reviews 上。

斯坦福大学 Wu Tsai 神经科学研究所的Michael Lin教授与Ron Dror教授团队，通过多参数筛选和遗传工程开发了新型电压指示器ASAP5，以实现实时可视化人类神经元之间的微小电信号。这一成果为研究自闭症、癫痫等神经系统疾病提供了新工具。

ASAP5是通过多参数筛选优化而成的一种新型基因编码电压指示器（Genetically Encoded Voltage Indicator，简称GEVI），具有增强的激活动力学和更高的响应度。研究团队在实验中使用ASAP5观察了人类和大鼠神经元的突触后电位和动作电位，成功捕捉到极微小的微型突触后电位（mEPSP）信号，并记录了这些信号从突触向胞体传播的过程。ASAP5在小鼠、苍蝇和鱼等多种模式生物中展现了极高的信噪比，使得研究人员能够实时分析大脑信号传导的完整谱系。该研究还发现，神经元的树突末端距离胞体较远的突触产生的电信号更强烈，而信号随着传播距离呈指数衰减。ASAP5不仅解决了过去GEVI难以可靠检测微弱突触信号的挑战，还能应用于人类神经元，为未来的神经元功能障碍研究提供了高通量的表征手段。这项研究发表在 Neuron 上。

狨猴大脑发育揭示人类社交认知演化新视角

由苏黎世大学进化人类学系的 Paola Cerrito 领导的国际研究团队，通过对普通狨猴（Callithrix jacchus）的大脑发育进行深入研究，揭示了灵长类社交互动如何塑造大脑区域发育的时间进程。狨猴的社交行为与其长期的大脑发育相辅相成，这一发现有助于理解人类社交认知的进化基础。

研究团队结合行为观察、磁共振成像和神经追踪技术，分析了普通狨猴中处理社交互动的大脑区域的发育轨迹。结果显示，这些脑区成簇发育，发育过程持续到成年早期，这一特征在狨猴与人类中具有相似性。研究指出，狨猴从幼年起就与多个照顾者频繁互动，从中学习各种社交技能，尤其是在进食和乞食行为中，幼年狨猴需依赖群体成员的喂养，这一多方照顾机制促使了大脑社交认知区域的长期发育。这些发现强调了合作繁殖对社交认知发育的重要性，为人类社交认知的进化提供了新的模型。研究结果发表在 PNAS 上。

Max Tegmark团队近日发布的一项研究发现，语言大模型（LLM）展示出与人类大脑类似的脑叶结构。这项由麻省理工学院主导的研究显示，LLM在概念学习过程中，形成了几何结构分区，包括「数学/代码脑叶」「短文本脑叶」和「长篇科学文献脑叶」等。这一发现表明，LLM在处理不同类型的文本时，展现出类似人脑的空间模块化特征。

研究通过稀疏自编码器（SAE）分析了LLM内部的特征向量表示，发现这些向量不仅构成了三层有趣的几何结构：原子尺度的「晶体结构」、中尺度的「脑叶结构」和大尺度的「星系结构」。在原子层面，SAE特征间形成了近似的平行四边形，反映了语义关系的几何结构，如「男人-女人-国王-女王」等。在「脑叶」层面，研究发现特征聚集成功能模块，类似于大脑中的语言生成区、听觉皮层等区域。研究团队进一步证实了这些脑叶在不同类型文本中分别呈现较高的激活率——例如，数学和代码文档激活特定脑叶，而对话和简短消息则激活另一组脑叶。

在最高层的「星系」结构上，LLM点云呈现出幂律分布的特征值，类似于人类大脑的信息处理模式。这些发现为LLM运作机制提供了全新视角，引发了对AI是否具备人类大脑般思维结构的讨论。有学者表示，这项研究标志着人类在理解LLM内部工作机制上又迈进了一步，也引发了关于AI意识潜力的深思。

英伟达（Nvidia）研究团队近日开发出一个名为“ HOVER ”的微型人工智能系统，仅用150万参数就能精确控制人形机器人，实现了高效的动作协调能力。相比动辄数千亿参数的传统大型模型，HOVER以更少的资源在机器人控制领域取得了出色表现。该系统支持从虚拟现实（VR）设备到动作捕捉等多种输入方式，使其具备灵活适应不同场景的能力。

HOVER的训练基于英伟达的Isaac模拟环境，借助其强大的计算能力，机器人训练速度被加快至普通速度的1万倍，等同于在一个GPU上50分钟完成全年的训练。此种高效方式为机器人控制提供了快速学习的可能性，使HOVER能从模拟环境无缝过渡至真实机器人操作，且无需再进行额外调试。系统接受多种输入形式，包括XR设备如 Apple Vision Pro 提供的头部与手部跟踪、动作捕捉系统记录的全身位置信息、外骨骼的关节角度以及标准操纵杆控制。

相比传统针对单一输入模式设计的系统，HOVER在不同控制方式下均表现更优，展示出其对平衡和精确肢体控制等物理概念的深入理解。该系统主要作者 Tairan He 表示，HOVER有望在机器人操控领域带来变革。HOVER基于开源项目 H2O 和 OmniH2O 构建，可兼容任何可在 Isaac 模拟器中运行的人形机器人，英伟达已在GitHub上发布了相关示例及代码，以期推动机器人操控技术的发展。

近期，Google与其合作伙伴推出了两项新功能，进一步提升了复杂内容的可及性和可理解性。NotebookLM Audio Overviews将上传的文件转换为双AI主持人互动总结的对话形式，使知识变得更生动有趣。而Illuminate则通过生成正式的AI讨论，帮助用户更轻松地理解学术论文的核心内容。这些功能不仅展现了Google在长文本多角色对话生成方面的领先地位，还表明了其技术在自然音质、发言者一致性和流畅性上的进步。

在技术实现上，Google团队结合SoundStream与AudioLM技术，将音频生成与语言建模相结合，实现了高效的音频压缩与还原。更进一步，他们还设计了专用的Transformer架构，以应对大规模对话所需的数据和模型容量。通过使用上万小时语音数据进行预训练，并在少量高质量对话数据上微调，模型能够精确生成不同角色间的自然互动，使输出的音频达到录音室级别的质感。此外，Google也在生成音频中应用SynthID水印技术，以保障其AI音频内容的安全性，避免滥用。

在2024年GitHub Universe大会上，GitHub宣布为其AI助手Copilot引入三款新型大型语言模型（LLM），分别是Anthropic的Claude 3.5 Sonnet、Google的Gemini 1.5 Pro以及OpenAI的o1-preview和o1-mini。这些新模型的引入为开发者提供了更多选择，推动了多模型选择功能的发展。

自GitHub Copilot推出以来，平台一直在不断优化其基础模型版本，以应对不同的编程需求和质量标准。最初的Copilot版本使用的是Codex（基于OpenAI GPT-3早期版本的模型），而后逐步更新为GPT 3.5-turbo、GPT 4o等，以支持更复杂的编码任务。在此基础上，新一代AI模型的加入，进一步拓展了多模型选择的灵活性。Anthropic的Claude 3.5 Sonnet擅长软件开发的各类任务，从初始设计到错误修复均表现出色；Google的Gemini 1.5 Pro具备两百万个令牌的上下文窗口，能够同时处理多种媒体输入，如代码、图像、音频、视频和文本；OpenAI的o1-preview和o1-mini则以出色的推理能力著称，可深入理解代码中的复杂情况，提供高效的解决方案。

GitHub还透露了GitHub Spark的首个预览版本，这是一个基于自然语言构建应用的AI原生工具，旨在降低编程门槛。Spark应用具备完整功能，用户通过简单的提示即可实时预览构建效果，并灵活选择各类功能，适用于无需管理云资源的微型应用。

Wired委托AI检测公司Pangram Labs对内容创作平台Medium的文章进行分析，结果显示，在最近6周发布的274,466篇文章中，有47%可能由AI生成，这一比例远高于其他网络平台的7%。尤其在标签为“NFT”、“Web3”、“Ethereum”（以太坊，一种区块链技术）和“AI”等领域，AI生成内容的比例更高。另有一项由Originality AI进行的分析显示，2018年时Medium平台上AI生成内容的比例仅为3.4%，但2024年已超过40%。

Medium的CEO Tony Stubblebine对此表示质疑，认为现有AI检测工具难以准确区分完全由AI生成的内容与经过人工编辑的内容。他指出，尽管平台上存在AI生成的内容，但其大部分阅读量接近于“零”，这反映了对读者的实际影响有限。Medium曾尝试过多种AI检测工具，然而认为效果不佳，目前主要依赖垃圾过滤系统和9,000名编辑的人工审核来筛选内容。

此外，Medium在其平台上设立了新的AI内容政策，禁止AI写作的内容进入付费阅读计划和人工编辑推荐范围。然而，在市场营销、加密货币和SEO等领域，AI生成的内容依然大量存在。Stubblebine强调，Medium的核心目标是提升平台内容质量，而非完全清除AI生成的“垃圾”内容。他认为，只要平台能够有效放大优质写作，并限制低质量AI内容的范围，即便平台内存在一定AI生成内容，影响也是有限的。

首尔国立大学工程学院的研究团队由Seung Ju Kim博士和Ho Won Jang教授领衔，他们专注于智能硬件材料的低能耗应用开发。随着物联网（IoT）、大语言模型（LLM）和生成式人工智能对高效计算需求的增加，传统硅基CMOS技术因高能耗和性能瓶颈逐渐无法满足新需求。研究团队旨在通过神经形态硬件的开发，克服数字计算的功耗和速度限制。

本研究采用了具有独特微结构的二维卤化物钙钛矿材料（2D halide perovskites），其高离子迁移率和良好的耐湿性使其成为新型神经形态硬件的理想材料。通过构建Dion-Jacobson二维钙钛矿结构，研究团队成功实现了高度对称、线性的电导变化，解决了传统钙钛矿的离子传输控制难题。

该团队设计了一个7×7的交叉阵列结构，具备突触权重（synaptic weight）存储、长期稳定性及超低功耗特点。在基于MNIST、CIFAR和ImageNET等数据集的推理测试中，该设备的误差率低于理论极限的0.08%。实验表明，通过消除无机层之间的间隙，钙钛矿层内的离子可以均匀迁移，有效提高计算精度和效率。这项研究表明，该技术未来在节能AI硬件应用、自动驾驶和医疗诊断等领域具有广泛潜力。研究成果发表在 Nature Nanotechnology 上。

近年来，人工智能在图像识别等任务中取得了显著进展，但模仿大脑中的计算机制仍具挑战性。Tibbling Technologies、哈佛医学院博德研究所、澳大利亚国立大学等机构的研究团队在该领域的前沿展开了合作，以探索神经元竞争机制在人工智能中的应用。

该团队提出了基于实验数据的新皮质网络模型，主要聚焦初级视觉皮层（V1）的 2-3 层回路，模拟了大脑中的“赢者通吃”机制。研究将小清蛋白神经元（Parvalbumin，前馈抑制）、生长抑素神经元（Somatostatin，反馈抑制）、VIP 神经元（去抑制）和 LAMP5 神经元（增益标准化）等四类神经元结合，形成“软赢者通吃”（sWTA）计算模式。这一计算模式使用 IBM 的 TrueNorth 神经形态硬件芯片，通过参数映射技术实现，展示了极高的生物相似性。

研究进一步表明，将这种 sWTA 机制引入 Vision Transformer（视觉转换器）模型后，显著提升了其在 MNIST 数据集上的分类准确性，且在零样本学习场景下也具备优良的泛化能力。研究团队预计，该类脑计算方法未来将广泛应用于计算机视觉、医学图像分析和自动驾驶等领域。

无限猴子定理长期以来被视作概率和随机性理论的经典案例，认为无限数量的猴子在无限时间内敲击键盘可以重现任何文本。悉尼科技大学的数学家Stephen Woodcock和Jay Falletta通过量化研究，验证了在有限的宇宙时间和有限的资源下，该理论的局限性。

研究团队采用了有限猴子定理模型，假设一台键盘有30个键，并以全球20万只黑猩猩的数量进行模拟，设定每只黑猩猩每秒敲击一个键，以评估在宇宙寿命约10^100年内输入特定字符串的概率。实验结果表明，即便所有黑猩猩参与实验，莎士比亚全集（约88万字）在宇宙结束前被完整输出的概率极低。具体而言，每只黑猩猩在其寿命内有5%的几率输入“bananas”一词，而产生复杂文本的可能性几乎为零。研究还指出，类似于芝诺悖论等数学悖论，当考虑有限资源时，无限猴子定理的结论与实际情况存在显著出入。这项研究将无限猴子定理置于概率悖论的研究框架内，旨在揭示无限假设与实际应用的差异。研究发表在 Franklin Open 上。

麻省理工学院的研究团队提出了一种全新的机器学习架构，以应对当前通用机器人训练中的异质性问题。传统训练方式需要针对特定任务的专用数据，耗费时间与成本，而该团队的创新方法则整合多源数据，以通用化的方式解决不同任务的适应性问题。

研究团队设计了“异构预训练变压器（HPT）”，一种专为通用机器人训练设计的多源预训练架构。HPT通过整合52个来自不同领域的机器人数据集，包括模拟、真实机器人和人类演示视频，将本体感觉（proprioception，指机械臂位置和速度追踪的感知数据）和视觉数据转化为令牌格式，由变压器模型统一处理。这种多模态、多领域数据的整合方式帮助机器人快速适应不同任务，无需每次从头训练。实验结果显示，HPT在多种模拟和现实任务中超越了传统的训练方法，性能提升了20%以上。研究表明，这种跨领域数据预训练不仅节省成本，也更适合实际应用中的通用机器人。研究将在Neural Information Processing Systems 上发表。

密歇根大学Derek Smith及其研究团队发现，黑人患者相比白人患者在接受急诊科检测时存在差异。这种偏见可能影响基于人工智能的疾病预测模型，并导致对黑人患者的疾病预测不准确。为了改善AI模型的公平性，研究团队开发了一种新的算法，能够纠正数据集中的种族偏见。

研究团队使用2015-2022年密歇根医学院和2011-2019年贝斯以色列女执事医疗中心的急诊科就诊数据，进行回顾性1:1匹配队列研究，对黑人和白人患者在急诊科的检测差异进行了分析。匹配后结果显示，白人患者在全血细胞计数、代谢组和血培养等检测上显著高于黑人患者，差异分别为1.7%-2.0%、1.5%-1.9%和0.7%-0.9%；而黑人患者在肌钙蛋白（Troponin）检测上则比白人患者高出2.1%-2.2%。研究团队设计了一种算法，能够识别和修正数据中未接受检测的患者群体的潜在偏见。在模拟数据上测试后发现，该算法可提升模型区分患者病情的准确性。研究结果表明，考虑并修正数据中的种族偏见是实现公平医疗预测的关键一步。研究发表于 PLOS Global Public Health。

卡内基梅隆大学机械工程副教授 Chris McComb 团队致力于推动人类与人工智能的团队协作，通过将个体的认知风格引入大型语言模型，实现设计团队中成员的个性化贡献。第一作者 Vasvi Agarwal 介绍，该团队使用零样本提示法让模型模拟不同认知风格，验证了此方法在设计场景中的实际效果。

本研究基于 Kirton 的适应创新理论（Adaption-Innovation Theory），通过适应型和创新型两种认知提示框架，让大型语言模型（LLMs）在几乎无指导的情况下生成设计方案。研究对象包括单手操作食品容器、便携健身器材和公共物品保护方案。团队发现，适应型提示的设计更具结构性且可行性高，而创新型提示的设计方案更加富有突破性，这与人类设计师的思维模式高度一致。研究表明，通过特定的提示框架，LLMs 可以在解决方案的生成中实现相应的认知行为，具有广阔的应用前景。本研究发表在 ASME Journal of Computing and Information Science in Engineering 上。

斯科尔科沃科学技术研究院智能机器人实验室提出了工业6.0的概念，由 Dzmitry Tsetserukou 带领的研究团队在 arXiv 平台发布了相关研究，并通过初步演示验证了这一理念的可行性。此次研究旨在利用生成式人工智能及多样化的机器人系统，实现人类仅提供设计创意，而生产流程全自动化的制造体系。

在这项研究中，团队设计了一个完全自动化的生产系统，结合生成式人工智能（GenAI）和大型语言模型（LLMs）支持的异构机器人群完成制造过程。用户可通过文本、图像或语音提供产品创意，机器人则自主生成设计蓝图并完成从制造到组装的各个环节。该系统的核心包括机械臂、送货无人机及 3D 打印机等，并在商业及开源 LLMs 支持下，通过 API 和本地部署实现功能。实验结果表明，该系统在平均生产时间上实现了 4.4 倍的效率提升，将时间缩短至 119.10 分钟；其中，设计蓝图阶段效率更提升了 47 倍，仅需 0.5 分钟。此研究展示了生成式人工智能在工业领域的潜力，预示着完全自主制造的发展方向。

近年来，随着计算能力需求的激增，信息技术的能耗迅速增加，碳足迹甚至超越了民用航空业。为了应对这一挑战，Santa Fe Institute的David H. Wolpert领导的多学科研究团队提出，随机热力学（stochastic thermodynamics）可用于研究计算系统的能耗优化问题。研究结合多家机构的资源，探讨了生物计算系统和现代计算机之间的能量效率差异，为计算机工程设计提供新视角。

研究团队基于随机热力学，提出在计算系统中分析热力学约束的理论模型。通过对非平衡态下的计算系统（包括数字计算机和自然系统如大脑）进行深入研究，发现传统“兰道尔界限”（Landauer’s bound）无法准确反映计算的实际能耗。研究显示，在现实中，计算系统的能耗远高于这一理论界限，主要原因在于计算速度、精度以及模块化设计带来的额外“不可逆熵产生”（irreversible entropy production, EP）。例如，数字计算机因周期性处理方式产生额外能耗，这在低功耗设计中至关重要。

此外，研究还发现，能量效率在一定程度上可以通过优化计算速度和系统结构来提升，但在速度或精度提升的情况下，耗能也相应增加。研究团队进一步指出，这些优化潜力的实现依赖于对随机热力学的进一步应用，将为更节能的计算机设计带来突破性进展。研究揭示了计算系统的热力学效率极限，并提出从物理实现方式出发来调整计算机设计的可能性，旨在减少全球计算行业的碳排放。研究发表在 PNAS 上。