追问daily | 两分钟内诊断倦意；运动的开始不依赖于多巴胺的快速释放；ChatGPT存在刻板印象问题

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。

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。

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。

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。

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。

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。

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。

OpenAI 最近发布了一项关于 ChatGPT 公平性的研究，揭示了该模型可能对用户身份产生微妙的刻板印象。这项研究通过分析用户姓名对 ChatGPT 响应的影响，揭示了该模型在处理不同性别、种族和文化背景时，偶尔会出现偏见。研究中指出，姓名（通常反映文化、性别和种族信息）作为研究偏见的常见元素，会导致 AI 产生不同的响应。

研究团队通过分析数百万次真实对话，使用特定模型“语言模型研究助理”（Language Model Research Assistant, LMRA）来检测 ChatGPT 的偏见。他们发现，在极少数情况下（不到 0.1%），ChatGPT 的回答会带有有害的性别或种族刻板印象。尽管大多数情况下，响应质量并未因姓名不同而出现显著差异，但在涉及开放式任务（如写故事）时，偏见问题更为明显。

OpenAI 强调，这种研究有助于未来减少 AI 模型中的偏见问题，确保其响应更加公平。研究结果还显示，通过后续强化学习训练，模型的性别刻板印象率显著降低。

最新研究显示，50岁及以上的老年人对人工智能生成的健康信息持谨慎态度，74%的人表示很少或不信任这些信息。这项由密歇根大学和美国退休人员协会（AARP）发布的全国健康老龄化民意调查表明，尽管大多数老年人依赖互联网获取健康信息，但他们对如何辨别虚假信息信心不足。尤其是在心理健康、身体健康或记忆力较差的老年群体中，这种不信任感更为明显。

报告显示，20%的老年人对自己能否识别健康相关的错误信息没有信心。相对而言，大多数老年人更信任从医疗保健提供者、药剂师或医学背景的亲友处获得的信息。此外，由医疗机构或非营利组织运营的网站也被认为是值得信赖的健康信息来源，但人工智能生成的信息信任度仍需提高。

密歇根大学医疗保健政策与创新研究所建议，学术机构和卫生系统应通过多种渠道提供准确、易懂的健康信息，并加强老年群体的信息素养培训，帮助他们更好地识别和获取可信赖的健康资源。

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。

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。

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。

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。