追问daily | 剧烈运动可短期内提高执行功能；利用AI发现16万种新RNA病毒；上下文依赖性的逆转现象

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。

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。

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。

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。

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。

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。

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。

2024年9月20日，国家自然科学基金委员会（NSFC）发布了关于“人类认知过程的计算神经机制”专项的2024年度项目指南。该项目旨在探索人类认知过程及社会互动的深层机制，结合国家重大战略需求与前沿科技，打破现有认知神经科学的理论与实验框架。

项目聚焦人类认知的计算与脑机制，重点研究如何将人类认知转化为可计算的模型和算法。这一研究方向将推动人工智能（AI）的理论与算法优化，为实现能够在复杂场景中学习、决策并进行社会情感互动的通用AI奠定基础。通过信息的抽象表征、决策认知过程以及社会互动的认知机制的研究，科学家们希望解决人类智慧如何促进AI发展的重大问题。

该项目的资助期限为三年（2025年1月1日至2027年12月31日），拟资助8至12个项目，每个项目资助80-120万元，总经费约1000万元。研究人员可于2024年10月18日至10月25日通过科学基金网络信息系统提交申请。

微软AI副总裁兼杰出科学家Sebastien Bubeck近日宣布离职，并将加入全球领先的人工智能研究公司OpenAI。据悉，Bubeck是微软十年的“老将”，曾带领团队开发了Phi系列小模型（SLM），其中Phi-3 mini具备38亿参数，经过3.3万亿token的训练后，性能表现优异。该模型不仅能在学术基准测试中媲美GPT-3.5等大模型，还能在移动设备上运行，这为小型AI模型的实际应用开创了新可能。

Sebastien Bubeck的职业生涯始于法国里尔大学，他取得了数学博士学位，随后曾在西班牙庞培法布拉大学、加州大学伯克利分校、普林斯顿大学等多所学术机构任职，之后于2014年加入微软。在微软期间，他通过对在线算法、对抗稳健性等领域的研究，获得了多项重要的学术奖项。近年来，Bubeck的研究重点逐渐转向大语言模型（LLM）中的智能行为，他提出了一种“AGI的物理学”方法，试图通过理解模型内部的不同层级如何协同工作，揭示通用人工智能（AGI）的潜力。

陶哲轩（Terence Tao）发起的众包数学研究项目接近成功，但现代 AI 工具在这一过程中贡献有限。该项目的目标是使用专业和业余数学家、自动定理证明器以及证明辅助语言 Lean，解决与 4694 条 magma（原群）方程定律相关的蕴含问题。这些定律通过最多四次 magma 操作来表达，研究团队已完成 99.9963% 的任务，距离最终完成仅差一步。

尽管该项目取得了显著进展，但尚未宣布最终成功。陶哲轩指出，传统的自动定理证明器如 Vampire 在大多数蕴含问题上表现优异，特别是在处理简单的重写操作时。然而，项目中的一些反蕴含问题，例如 Asterix 定律与 Oberlix 定律的区别，需要构造更复杂的无限 magma 来解决。这类复杂任务目前对 AI 工具提出了巨大挑战。

有趣的是，项目中的一些新发现，如 Asterix 和 Oberlix 定律，展示了独特的代数结构，可能只有通过这种系统性的搜索方法才能被发现。参与者来自各行各业，包括数学家、计算机科学家、学生和业余爱好者。虽然现代 AI 工具在编写 Lean 证明和代码时提供了一定帮助，但它们尚未在核心数学任务上发挥主导作用。

Anthropic于10月15日发布了更新版的《安全责任扩展政策》（Responsibility Scaling Policy, RSP），为AI风险治理提出了灵活的动态框架。该框架旨在根据AI模型能力的变化，自动升级相应的安全措施。

新政策明确，当AI模型具备特定能力，例如自主进行复杂AI研究或协助研发化学、生物、放射性和核（CBRN）武器时，安全标准将被大幅提升。目前，Anthropic所有模型均运行在ASL-2（AI安全等级，AI Safety Levels）标准下。当模型能力提升，足以对CBRN武器产生影响或自主研发AI时，需提升至ASL-3或更高标准。

Anthropic的AI安全等级系统从ASL-1至ASL-4及以上逐步升级。ASL-1适用于无重大风险的AI系统，如2018年的语言模型。ASL-2则针对具备早期潜在危险的系统，如当前的Claude大语言模型。ASL-3适用于可能带来灾难性风险的AI系统，ASL-4及更高级别则用于应对未来可能出现的更自主且更具破坏潜力的AI。

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。

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。

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。

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。 

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。

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。