追问daily | 减肥后体重反弹的机制；时差如何扰乱新陈代谢；生活场景如何塑造记忆

圣路易斯华盛顿大学的心理与脑科学系团队，由Jeff Zacks教授带领，与麦凯维工程学院的Aaron Bobick教授等合作，开展了一项关于人类认知和事件分段的研究。研究旨在探索大脑如何通过事件分段理解生活，并验证预测不确定性在事件模型切换中的作用。

研究团队开发了一种基于递归神经网络（RNN）和贝叶斯推理的计算模型。模型使用18小时自然人类活动数据训练，包括做饭和清洁等日常任务，并用3.5小时数据测试。结果显示，基于预测不确定性分段的模型表现优于基于预测误差（Prediction Error）的模型，更接近人类在事件分段和分类上的表现。进一步的实验显示，大脑在事件观察中更关注关键的边界点，如动作开始或结束。这一发现为阿尔茨海默病等记忆障碍的干预方法提供了潜在思路。研究发表在 PNAS Nexus 上。

减肥后的体重反弹现象一直是治疗肥胖的主要挑战，特别是这种现象的分子机制仍未完全明晰。苏黎世联邦理工学院的研究团队，由Ferdinand von Meyenn教授领导，首次发现脂肪细胞中存在一种肥胖的表观遗传记忆，可能是“溜溜球效应”的关键原因。

研究团队使用单核RNA测序技术分析了小鼠和人类的脂肪组织。他们发现，肥胖会在脂肪细胞核中引发特定的表观遗传变化，这些变化即使在减重后仍然持续。这种“肥胖记忆”使脂肪细胞对代谢刺激的反应减弱，并更容易恢复肥胖状态。在小鼠实验中，携带这种记忆的小鼠在恢复高脂肪饮食时体重反弹加速。人类脂肪组织的分析也显示类似的基因表达变化，进一步证实了这一机制。研究强调，目前尚无法通过药物清除这些表观遗传标记，但未来针对这些变化的干预可能会帮助长期减重。研究结果发表在 Nature 杂志上。

大脑机制的双重作用助力习惯的养成与打破

都柏林三一学院心理学院的Eike Buabang及其团队在Claire Gillan教授的指导下，研究了人类大脑在习惯养成与破坏中的作用。研究结合实验室数据和现实案例，为个人发展及精神健康领域提供新方法。

研究发现，习惯的形成依赖两个关键大脑系统：刺激-反应系统（S-R）与目标导向系统（A-O，Action–Outcome）。当S-R系统占主导时，人们更容易受到自动反应驱使，形成习惯行为，例如无意识刷社交媒体。而通过重复某行为并给予奖励，可加深S-R系统的关联，从而帮助养成新习惯。此外，调整环境（如减少干扰物）可降低不良行为的发生。

为了打破习惯，该团队建议弱化S-R系统链接，如通过改变环境避免刺激，或引入竞争性反应来取代旧行为。例如，通过目标导向干预，培养新的反应路径。此外，他们还提出“如果-那么”计划（If-Then Plans）和行为疗法（如暴露疗法）能有效辅助习惯管理。

研究展示了这些方法在治疗强迫症、成瘾及饮食障碍等领域的潜力，并强调根据个体神经生物特性进行个性化干预的重要性。研究发表在 Trends in Cognitive Sciences 上。

缓慢呼吸常被用于缓解焦虑和情绪紧张，但其具体的神经机制一直未被揭示。索尔克研究所的Sung Han团队利用小鼠模型，首次发现了前扣带皮层（dACC）通过脑桥网状核（PnC）和腹外侧延髓（VLM）调控呼吸的回路。这一发现为进一步开发针对焦虑、恐慌和创伤后应激障碍的疗法提供了新思路。

研究通过神经连接数据库分析和小鼠实验，定位了dACC→PnC→VLM的神经回路。研究采用光遗传学操控该回路，发现：1. 激活回路：光刺激dACC→PnC→VLM通路，小鼠呼吸频率显著下降，同时焦虑行为明显减少。2. 抑制回路：关闭该回路，小鼠呼吸加快，焦虑行为增加。3. 情绪相关性：焦虑环境下，该回路活性降低，导致呼吸频率升高；平静环境中，回路活性增强，呼吸变得缓慢。研究首次阐明了自上而下调控呼吸的神经基础，为缓解焦虑提供了科学支持。发表于 Nature Neuroscience 上。

大脑功能网络的出生过渡变化显著揭示早期发育特征

纽约大学医学院的Lanxin Ji和Moriah Thomason领导的研究团队，通过分析覆盖妊娠后25至55周的功能磁共振成像（fMRI）数据，揭示了人脑功能网络在出生过渡阶段的发育特征。这项研究填补了生命早期脑网络动态变化的知识空白，为探索环境因素对脑发育的影响奠定了基础。

团队分析了140名受试者的静息态功能连接，观察到不同脑区的发育模式存在区域特异性。例如，皮质下网络在出生过渡阶段通信效率显著提升；感觉运动网络和顶叶-额叶区域则表现出整体效率的渐进提升，这可能与神经连接的强化及冗余连接的优化有关。此外，跨半球的功能连接，如双侧感觉运动网络和双侧颞叶网络的连接，也在出生时显著增强。这些发现首次全面记录了出生过渡期间大脑功能网络的显著变化。研究发表在 PLOS Biology 上。

时差和轮班工作等昼夜节律紊乱现象在现代生活中十分普遍，但其对人体健康的具体影响尚不完全清楚。由萨里大学的Jonathan Johnston教授和阿伯丁大学的Alexandra Johnstone教授领导的研究团队，通过对照实验探讨了5小时昼夜节律紊乱对新陈代谢的短期影响。

研究团队招募了14名健康成年人，采用了为期8天的严格控制实验。实验设计包括延迟参与者5小时的睡眠和饮食周期，模拟时差效应，并通过褪黑激素（melatonin）检测验证昼夜节律的相位延迟。研究观察了以下几个关键结果：1. 早餐胃排空速度减慢。2. 空腹血糖降低，但餐后血糖和甘油三酯水平升高。3. 进食的热效应显著降低。

尽管如此，这些代谢紊乱大多在48-72小时内恢复，表明短期昼夜节律紊乱的代谢影响是暂时的。研究还指出，相较于代谢恢复，睡眠和警觉性的损害恢复需要更长时间。该研究发表在 iScience 期刊上。

成年早期酗酒或可导致长期脑功能失调

宾夕法尼亚州立大学的Nikki Crowley 团队领导了一项小鼠模型的研究，揭示了成年早期酗酒对大脑产生的长期影响。研究团队隶属于宾州州立大学神经科学研究所，重点探讨酒精与神经衰退疾病（如阿尔茨海默病）的潜在关联。

研究采用了小鼠模型模拟人类成年早期酗酒行为，小鼠在成年早期暴露于酒精环境，并在戒酒六个月后进行前额皮质神经活动的分析。研究使用全细胞膜片钳电生理技术测量两种主要神经元：锥体神经元和 GABA 能神经元的电活动。结果显示，戒酒六个月后，锥体神经元的内在兴奋性显著降低，信号传递能力减弱；而 GABA 能神经元的兴奋性驱动增强，谷氨酸传递增加。研究表明，酗酒可能导致大脑兴奋与抑制平衡失调，诱发与认知障碍相关的长期大脑变化。研究发表在 Neurobiology of Aging 期刊。

认知科学领域对体育专长与工作记忆之间的关系一直颇为关注，但此前缺乏系统性荟萃分析。芬兰于韦斯屈莱大学心理学系的 Active Mind 小组对此展开研究，副教授 Piia Astikainen 领导博士生吴晨晓，作为 SportsFace 项目的一部分，旨在探索体育活动对认知功能和社会认知的影响。

研究团队通过检索七大数据库，收集了涉及1455名参与者的21项研究数据，涵盖篮球、足球、击剑等运动。采用随机效应模型进行数据分析，并评估了风险偏倚和发表偏倚。结果表明，运动员的工作记忆表现显著优于非运动员，效应值为 Hedges' g = 0.30，尤其是与久坐群体对比时优势更为显著。此外，当久坐群体被排除时，优势有所降低。这表明，体育活动与较好的工作记忆表现有一致关联，而久坐生活方式与较差的工作记忆表现相关。研究成果支持体育活动对大脑健康的积极影响，并强调了运动在认知领域的重要作用。研究发表在 Memory 杂志上。

Mistral AI近日推出最新版本的对话式人工智能工具Le Chat，集成了搜索、PDF上传、编程、图像生成等功能，大幅拓展了人工智能在实际应用中的潜力。其中，图像生成功能采用了由黑森林实验室（Black Forest Lab）研发的FLUX1.1 pro模型。这款模型以其高质量和免费使用的特点，吸引了大量关注。此外，Mistral AI新增了类似ChatGPT的Canvas画布功能。用户可以在画布中与AI协作，创建文档、代码、设计和演示文稿，并实时修改、预览和导出内容。

新版Le Chat的高级多模态支持尤为亮眼。它能够分析复杂的PDF文档和图像，处理文本、表格、图表以及公式等多种内容类型。这一功能不仅提升了数据处理效率，还为企业文档管理提供了便利。同时，Le Chat引入了自动化代理（Agents）功能，用户可以将常用的提示或工作模式编写成代理。例如，收据扫描、会议纪要总结、发票处理等繁琐任务都能实现自动化，大幅减轻了用户的工作负担。

阿里云近日发布的Qwen2.5-Turbo是一款专为长文本处理设计的大模型，其上下文支持长度达到100万Token，相当于10部完整小说、150小时语音转录或30,000行代码。这一里程碑式的进步大幅优化了长文本任务的效率、精度和性价比。

在性能表现上，Qwen2.5-Turbo在多个基准测试中表现出色。例如，在RULER基准测试中得分93.1，超越了GPT-4（91.6）和GLM4-9B-1M（89.9）。在复杂的长文本任务中，该模型能够精准捕获隐藏信息并回答复杂问题。在Passkey Retrieval任务中，它实现了100%的准确率。此外，尽管专注于长文本任务，Qwen2.5-Turbo在短文本任务上的表现与GPT-4o-mini相当，展示了强大的任务适应能力。

推理速度上，该模型使用稀疏注意力机制，将处理100万Token的时间从4.9分钟缩短至68秒，效率提升4.3倍。在硬件兼容性方面，Qwen2.5-Turbo在多种设备上均能提供稳定的推理速度。

经济性同样令人瞩目。处理100万Token的费用仅为¥0.3，性价比显著高于同类模型。与GPT-4o-mini相比，Qwen2.5-Turbo在相同成本下可以处理3.6倍的内容。

综合来看，Qwen2.5-Turbo在长文本任务的深度理解、复杂问题的解决及推理效率方面都设立了新标杆。这不仅为企业用户提供了更强大的生产力工具，也展现了阿里云在AI领域的持续创新力。

近日，国内AI领域迎来重要突破：由阶跃星辰公司研发的万亿参数大语言模型Step-2，在权威大模型评测平台LiveBench AI上斩获全球第五名，成为榜单前十中唯一的国产大模型。LiveBench AI由图灵奖得主Yann LeCun和纽约大学等机构联合推出，被誉为「无法被操纵的」大语言模型评测基准，具有公平、客观的特点。

此次评测中，Step-2的“指令跟随”能力排名第一，尤其在转述与概括复杂文本任务上展现了精确控制力。该模型采用完全自主研发的MoE架构，通过创新的异构化专家设计和参数共享机制，解决了训练效率和模型上限的平衡难题。此外，阶跃星辰团队突破6D并行等关键技术，为训练和推理提供了强力支持。

阶跃星辰由微软前全球副总裁姜大昕创立，仅用一年时间推出了包括Step-2在内的多个大模型，并成功接入智能助手「跃问」和开放世界产品「冒泡鸭」。这种从单模态到多模态，再到通用人工智能（AGI）的迭代路径，为国产AI提供了强有力的创新样本。

近日，脑机接口公司Precision Neuroscience宣布在活体人脑手术中创造了新纪录——成功植入了4096个微电极，远超去年Hao Tan等人创造的2048个记录。这一数字也使其成为当前电极植入数量最多的脑机接口（BCI）技术，超越了Neuralink目前最多1024个电极的水平。

Precision Neuroscience由神经外科医生Ben Rapoport创立，他曾是Neuralink的联合创始人之一。Rapoport强调，Precision的技术优势在于其微创性。他表示：“我们相信可以在不损伤大脑的情况下实现高效的脑机连接。”

此次记录是在一位匿名受试者的脑肿瘤手术中完成的。Precision团队利用其专利的Layer 7皮质接口薄膜微电极阵列（每个阵列包含1024个电极），通过颅骨上的细小切口将设备植入大脑外层。这种设计不仅能够精准贴合大脑皮层，还可随时移除而不损害脑组织。相比之下，Neuralink的设备通过机器人将导线直接植入大脑3至8毫米，但其最近报告称，手术后部分导线会缩回，需要进一步优化技术。

Precision的微电极阵列能捕捉微米级信号，从而绘制更高分辨率的大脑活动图像。Rapoport指出，这一突破是解锁大脑奥秘的重要一步，尤其对阿尔茨海默病和孤独症等疾病的研究具有潜在价值。

人工智能在医学影像领域的进步为疾病检测带来新机遇。然而，全身性疾病的诊断因涉及多模态影像而更具挑战性。为此，华盛顿大学Paul G. Allen计算机科学与工程学院的助理教授Sheng Wang带领团队，与微软研究院和Providence Genetics and Genomics的研究人员合作开发了一款名为BiomedParse的AI工具，旨在提升全身性疾病的诊断效率和准确性。

研究团队提出的BiomedParse模型，可在九种主要医学影像模式下同时完成分割（segmentation）、检测（detection）和识别（recognition）任务。为训练模型，团队创建了一个包含600多万组影像、分割掩膜和文本描述的庞大数据集。通过创新的联合学习方式，该模型能够处理MRI、CT等大规模医学影像。测试表明，BiomedParse在影像分割上的准确性超过现有方法，尤其在形状不规则目标中表现卓越。此外，模型可通过文字描述分析影像，帮助医生快速定位关键区域，在短短0.2秒内提供90%以上的准确率，极大地提高了诊断效率。相关研究发表在 Nature Methods 上。

慕尼黑工业大学（TUM）Alin Albu-Schäffer 教授团队通过新工具实现了高效的机器人运动设计。研究受欧盟 ERC 高级拨款资助，实验利用了 TUM 的机器人与非线性力学建模能力，探索如何模仿生物的节能运动模式。

研究设计了虚拟双摆实验，参与者通过触觉操纵杆（haptic joystick，模拟与系统的交互反馈）操控不同配置的虚拟双摆，任务是交替击中目标。在实验中，目标分为与非线性简正模态（NNM）对齐和偏离两类。研究者利用新开发的数值工具，分析了参与者的动作与理想 NNM 的匹配程度。

实验结果表明，参与者能够直觉性地激发系统共振，并通过调整手臂刚度（arm stiffness，调节力道和控制角度），优化系统动力学。即便在更复杂任务中，参与者也能够高效完成目标。结合数值计算与实验数据，研究首次验证了人类在非线性系统中利用共振的能力。该研究不仅扩展了对共振敏感性的认知，还为开发基于自然振荡的机器人控制系统提供了新思路，相关成果发表在 Robotics and Autonomous Systems 上。

西奈山伊坎医学院的研究团队，包含 Girish N. Nadkarni 和 Eyal Klang等，探索了如何在医疗系统中优化使用大型语言模型（LLMs），如 GPT-4-turbo-128k。这些工具通过自动化任务提升了效率，但高昂的运行成本限制了其广泛应用。本研究旨在平衡性能和经济性，为医疗机构提供可操作的解决方案。

研究团队利用真实患者数据测试了 10 个不同规模和能力的 LLMs，进行了超过 30 万次实验。任务包括回答临床问题、整理研究数据和筛选患者等。他们将多项任务合并后输入模型，以评估其在逐步增加的负载下的表现。结果显示，像 Llama-3–70b 和 GPT-4-turbo-128k 这样的高容量模型能够处理高达 50 项同时任务，且准确性基本不受影响。经济分析显示，这种任务分组策略可以将成本降低至原来的 1/17，节省大规模医疗系统数百万美元。

研究还发现，尽管模型在高负载下可能偶尔出现性能下降，但优化策略能显著减轻这一问题。任务分组既能提高效率，又能降低运行成本，为医疗系统大规模应用 LLMs 提供了重要的实践指导。研究发表在 npj Digital Medicine 上。

随着大型语言模型（LLMs）逐渐用于自动化翻译、文本分类和客户服务，其高计算和存储需求成为一大难题。普林斯顿大学与斯坦福大学的工程研究人员联合开发了一种新型压缩算法CALDERA，目标是将LLM部署至内存受限的边缘设备上，例如智能手机和笔记本电脑。研究由普林斯顿大学的Andrea Goldsmith教授、斯坦福大学的Rajarshi Saha博士生及其导师Mert Pilanci等团队共同完成。

CALDERA的核心在于利用低秩（low-rank）和低精度（low-precision）技术，通过矩阵分解（Q+LR）对LLM权重矩阵进行压缩。此技术通过优化问题确保压缩后的模型在逻辑推理、物理问题解答等任务中保留高效性。在处理Llama-2和Llama-3模型时，CALDERA表现优于现有的后训练压缩方法，在压缩率和性能间实现最佳平衡。测试显示，该方法在低于每参数2.5比特的条件下，能将性能提升5%，这对预测单词序列中的不确定性指标尤为显著。CALDERA还支持边缘设备上的微调功能，提升隐私保护能力，降低数据泄露风险。研究成果将在 NeurIPS 2024 会议上发表。

人工智能在视觉识别等领域已经取得显著进展，但其触觉模拟尚未实现。史蒂文斯理工学院量子科学与工程中心（CQSE）的研究团队，由教授 Yong Meng Sua、中心主任 Yuping Huang 和博士生 Daniel Tafone、Luke McEvoy 共同研发了一种突破性方法，成功赋予AI“触觉”感知能力。

研究团队结合量子光学技术与人工智能，设计了一种单光子计数激光雷达系统（LiDAR）。系统使用皮秒激光脉冲探测表面，将反射的光子信号通过单模光纤传递至单光子探测器，并利用机器学习技术分析这些信号中包含的散斑噪声（speckle noise）。

实验中，研究人员以31种粗糙度在1至100微米的砂纸作为测试样本，光脉冲通过样本表面，系统测量其粗糙度变化。结果显示，系统的均方根误差（RMSE）从初期的8微米优化至最终的4微米，与当前最先进的工业轮廓仪相媲美。该系统在最细粒度表面（如金刚石研磨膜）中表现尤为优异。研究指出，此技术未来可广泛应用于医疗诊断（如皮肤癌筛查）和制造质量控制领域。研究发表在 Applied Optics 上。

深度学习的应用快速扩展，但其高能源消耗引发广泛关注。国际高级研究学院（SISSA）和博科尼大学的研究人员，通过模仿生物大脑的学习方式，探讨如何通过“课程学习”减少神经网络的资源消耗。研究由Luca Saglietti主导，分析了过度参数化神经网络的表现。

团队在理论和实验上结合，分析了课程学习与过度参数化的相互作用。他们构建了一个双层神经网络，模拟解决XOR-like高斯混合问题。实验表明，过度参数化虽然简化了任务，但削弱了课程学习的收益。具体而言，当网络拥有大量初始参数时，其更倾向于通过内部资源实现学习，而对按难度排序的输入数据不敏感。然而，研究也发现，适当调整初始参数规模仍可提升课程学习的效果。这表明，在优化初始参数的情况下，课程学习仍是实现能源效率的重要策略。研究结果发表在 Journal of Statistical Mechanics: Theory and Experiment 上。