追问daily | 首个人类认知基础模型发布？人类如何分辨AI生成的内容？AI自学习情感框架成功模拟自然情绪

神经科学领域近年在精细大脑成像上取得了显著进展，使得不同脑区间的连接与功能理解逐渐深入。然而，脑干的功能对大脑其他区域的独特影响仍未完全揭示。此次，来自麦吉尔大学、马萨诸塞州总医院与哈佛医学院的研究人员，采用7特斯拉高分辨率功能磁共振成像（7T MRI）技术，重新构建了人类大脑连接图，详细展示了脑干核团对皮层功能的影响。

研究团队应用7T MRI对大脑皮层及58个跨越中脑、脑桥及延髓的脑干核团进行成像，识别出一组与皮层广泛连接的整合中枢。通过7T MRI技术描绘的连接模式显示，脑干与皮层的连接不仅涉及神经生理振荡节律和单峰—跨峰功能层次结构，还关联了皮层的认知功能专一化。

研究中还观察到，皮层功能拓扑结构与脑干核团间的对齐关系与神经递质受体和转运蛋白的空间分布密切相关。研究团队同时使用同一参与者的3T数据复现了这些发现，验证了其稳定性与可靠性。这一研究为理解脑干在调控皮层活动中的角色提供了重要基础，并为未来探索大脑深层次结构间的关系带来了新思路。研究发表于 Nature Neuroscience。

灵长类大脑发育的多组学图谱数据库问世

中国科学院生物物理研究所和北京师范大学的研究团队，针对现有多组学数据缺乏整合的问题，开发了一个灵长类大脑多组学图谱数据库MAPbrain。该数据库聚焦人类和非人类灵长类动物的大脑发育，意在揭示基因表达调控的时空动态，为神经发育生物学的研究提供有力支持。

MAPbrain数据库整合了单细胞转录组学、空间转录组学和表观基因组学等多层面的数据，涵盖了六个灵长类物种，包括2100万个细胞，分布在38个主要脑区、436个子区域的164个发育时间点。该平台为用户提供了交互式数据访问功能，允许跨物种、大脑区域及发育阶段对比基因表达数据。同时，MAPbrain支持跨转录组与表观基因组的联合分析，提供特定细胞类型和时间点的标记信息。其“CellMapping”功能更允许研究者上传个人数据，与平台现有数据进行集成，从而实时反馈预测结果。该数据库不仅实现了数据整合与应用的开放共享，也促进了跨学科前沿研究及神经系统疾病转化应用的发展。研究已发表在 Nucleic Acids Research 上。

波恩大学医院和波恩大学的研究团队对人类眼球微妙运动如何影响视觉分辨率进行了深入研究。通过波恩大学 UKB MIB 中心提供的自适应光学扫描光检眼镜（AOSLO）等技术支持，研究团队成功追踪到视网膜上的微小视觉刺激路径，揭示了眼球漂移运动如何协同视锥细胞密度以增强视觉清晰度。第一作者 Jenny Witten 领导了研究，Dr. Wolf Harmening 为该实验室负责人。

本研究中，研究团队利用高分辨率成像和微观心理物理学，记录了16名参与者在注视过程中眼球的微小运动，并测量了他们在高难度视觉任务中的视觉分辨率。他们发现，尽管视网膜中央凹中的视锥细胞分布不均匀，人眼的漂移运动能将视觉刺激带入密度更高的区域，从而实现超出预期的分辨率。结果表明，漂移运动不仅在几百毫秒内适应视锥细胞的密度变化，并且使视网膜与视觉刺激间的对齐更精确，最终提升了视觉锐度。这种动态视觉采样的方式不仅比静态采样方法有效高出18%，也揭示了眼球漂移运动在空间视觉中的重要性。研究已发表在 eLife 上。

多组学聚类揭示抑郁症炎症标记物新关联

由马克斯普朗克精神病学研究所的 Annalena Huber 领导的团队，为更好地理解抑郁症与免疫系统的关系，分析了大量生物数据，重点研究不同炎症标记物和基因活动在抑郁患者中的差异。研究成果首次揭示了抑郁症不同症状群体中免疫相关特征的多样性。

该研究采用跨诊断方法，从237名受试者中收集包括年龄、BMI、43种免疫标记物以及 RNA-seq 数据的多组学数据，并通过机器学习识别样本中的模式，最终将受试者分为四类。研究显示，CRP（C反应蛋白）和 IL-1RA（白细胞介素 1 受体拮抗剂）等标记物对于高抑郁症负荷与高炎症群体具有显著特征，而低抑郁症负荷群体则在RNA-seq数据中富含大脑相关基因。研究还揭示了特定免疫细胞内的 SERPINF1/VEGF-A（血小板生成相关通路）失调，表明该通路可能在抑郁症发病中扮演重要角色。这些结果展示了跨数据集成在抑郁症分层中的优势，并为未来开发个性化治疗提供了潜在生物标记物。研究发表在 Brain, Behavior, and Immunity 上。

丰桥工业大学的视觉感知与认知实验室和认知神经工程实验室团队探讨了大脑无意识处理模糊面部图像的机制。通过连续闪光抑制（CFS）技术，该团队研究了面部相似度对视觉感知的影响。

研究团队使用连续闪光抑制技术抑制一只眼睛的视觉信息，测试正立与倒立的灰度与黑白二值面部刺激对大脑无意识处理的影响。实验设计为两种替代强制选择位置辨别任务，记录每种面部刺激的中断时间（BT）。结果显示，正立灰度面部刺激的 BT 明显短于倒立刺激，这一反转效应在面部识别领域早有文献支持。然而在黑白二值刺激中，无论是正立还是倒立都未表现出反转效应。进一步的相关性分析显示，面部相似度较高的二值图像具有更短的 BT，这表明模糊的面部特征（如眼睛和鼻子）能在无意识处理中优先引发大脑反应，突出人类视觉认知中面部线索的特殊性。研究发表在 Journal of Vision 上。

超声波技术助力大脑健康“搜救”

普利茅斯大学和斯坦福大学的研究人员在PLOS Biology上发布了一项新研究，展示了经颅超声刺激（TUS）技术在大脑精确定位和治疗方面的潜力。该研究由普利茅斯大学大脑研究与成像中心的 Elsa Fouragnan 教授和斯坦福大学医学院的 Keith Murphy 博士共同领导，旨在为疼痛、酗酒、强迫症和帕金森病等神经和心理健康问题提供非侵入性治疗方案。

研究团队利用 TUS 技术，通过精准的超声波脉冲直接作用于大脑中的特定区域，实现了非侵入性干预。研究中，TUS 设备作用于酗酒、强迫症和帕金森病患者的大脑关键区域，不仅在缓解症状方面表现出积极效果，还为临床前的“试验性测试”功能提供了基础，使得医生可以在实际治疗前找到最佳干预点。TUS 被研究人员形容为“搜救工具”，可有效排查和锁定病灶，为患者提供更精准的个性化治疗。与此同时，研究人员也开发出小型便携的 TUS 设备，使患者无需频繁前往医院，在家即可接受安全的治疗。尽管这一技术已取得显著进展，但因个体大脑结构差异和设备定制化的需求，其在医疗领域的全面应用还需时间。该研究发表在 PLOS Biology 上。

嗅觉丧失与 139 种疾病存在潜在联系

加州大学欧文分校的 Ethan Perez 团队联合查理·邓洛普生物科学学院与牛津人文研究中心，揭示了嗅觉丧失与炎症在多种疾病中的密切关联。研究团队由名誉教授Michael Leon、Cynthia Woo 和 Emily Troscianko 领导。

研究团队跟踪并分析了 139 种与嗅觉丧失和炎症相关的疾病，包括阿尔茨海默病和帕金森病。研究通过时间优先性和预测性分析，表明嗅觉丧失与这些疾病的发生可能具有因果联系。团队提出，嗅觉丰富（olfactory enrichment，即通过增强嗅觉刺激的治疗方式）能够减少炎症反应，从而在预防和治疗上具有潜力。进一步的研究显示，愉悦的气味可显著降低炎症反应，可能为改善记忆和大脑健康提供有效的非侵入性干预手段。Leon 表示，正在开发一种非侵入性的嗅觉疗法设备，以用于健康管理。研究发表在 Frontiers in Molecular Neuroscience 上。

著名人工智能研究人员、AlphaGo和多项DeepMind项目的核心作者Julian Schrittwieser，近日宣布加入AI公司Anthropic。此消息迅速引起业界广泛关注，因为Schrittwieser曾深度参与从AlphaGo、AlphaZero到MuZero等多个标志性项目，开创了AI自我学习与增强学习的新局面。

在过去十年中，Schrittwieser为DeepMind的多个知名项目奠基。2016年，他协助开发的AlphaGo通过4:1击败世界顶尖围棋棋手李世石，引发全球轰动。此后，他在AlphaGo Zero、AlphaZero等项目中进一步推动了AI自我学习算法的发展，并参与开发了MuZero，一个通过学习环境动态来预测结果的AI系统。近年来，他还参与了AI编程系统AlphaCode和数学算法优化系统AlphaTensor等项目，持续提升AI在计算、数学和程序生成等领域的表现。

此次加入Anthropic，Schrittwieser的理由不仅是出于对AI模型Claude的喜爱，更是希望在新的环境中继续推动强化学习的发展。他特别提到，Claude展现出的潜力使他倍感兴奋，而Anthropic团队在人工智能前沿技术上的创新也深深吸引了他。

10月29日，OpenAI宣布在其ChatGPT网络应用中推出聊天历史搜索功能，使用户能够更快捷地访问和引用先前的对话记录。这一功能旨在提高用户的工作效率，尤其是在进行跨话题讨论和追踪历史信息时，将带来显著的便利。OpenAI在X（原Twitter）上表示，用户现在可以快速调出以往的聊天内容以供参考或继续之前的讨论。

这一新功能目前正分阶段向所有用户开放。ChatGPT Plus和Teams订阅用户可于当天获得访问权限，而Enterprise和Edu订阅用户预计将在下周二前获得此功能。免费用户则需稍等，新功能预计将在下个月逐步推送。

值得注意的是，聊天历史搜索不同于今年7月发布的SearchGPT原型。SearchGPT设计初衷在于结合人工智能模型与网络信息，快速提供准确的答案，并附带清晰的参考链接，模仿Perplexity的AI答题机制。而ChatGPT的历史搜索则专注于内部聊天记录的管理，方便用户回顾对话背景和先前的引用信息。

这一功能的推出早在8月末已被开发者发现，代号为“Fanny Pack Chat Sidebar”。AIPRM的工程主管Tibor Blaho最近证实了此功能，并指出SearchGPT在ChatGPT中的整合也为用户提供了新的“搜索工具”，代替了原有的“网页浏览”功能，转为更加智能的“网络搜索”。

研究团队Marcel Binz近日推出了名为Centaur的基础模型，声称这是首个人类认知的模拟模型。该模型通过处理庞大的行为实验数据，成功预测了人类在实验中的行为表现，并实现了行为模式的泛化。这一研究标志着人类认知模型的新进展，并对认知科学及其应用领域可能带来革命性影响。

Centaur模型的核心在于其背后的数据支撑。团队首先收集了一个名为Psych-101的数据集，其中包含了来自160个心理学实验中60,092名参与者的1068万次选择数据。借助此数据，他们对先进语言模型Llama 3.1 70B进行了微调，使其能够精准地预测参与者的行为模式。研究表明，Centaur不仅在已有的实验中展现出超越现有认知模型的预测准确性，还能够应用于未见过的实验场景中，精确预测修改后的情景下的人类行为。这种“泛化能力”是人工智能模型模拟人类认知的关键。

此外，Centaur模型的内部表征呈现出高度人性化的特征，这使得它不仅能模仿人类的行为，还在一定程度上“思考”得像人类，为解开认知过程的“黑盒”带来了希望。团队认为，Centaur有望成为一个统一的人类认知模型，正如认知科学家Alan Newell所设想的那样。

值得注意的是，团队秉持开放精神，公开了Psych-101数据集，并在Hugging Face平台上发布了Centaur模型，为研究界提供了共享和验证的基础。这一举措不仅推动了认知科学的发展，也为人机交互、教育、医疗等领域的应用提供了新的视角。

随着生成模型在数据分析和预测中的广泛应用，如何自动选择或优化生成模型的结构成为亟需解决的问题。来自伦敦大学学院神经学研究所的 Karl J. Friston 团队提出，通过主动推理与学习，可将贝叶斯模型选择用于自动优化生成模型的结构，从而实现模型的自动发现与学习。

研究基于贝叶斯模型选择，通过预期自由能（Expected Free Energy）框架，将结构学习视为对模型证据的最大化优化过程。具体而言，该方法利用变分自由能构建生成模型，使其能自适应地更新模型结构以最小化预期自由能，从而提升模型对新数据的适应性。在MNIST手写数字数据集上，该方法实现了图像分类，并通过视觉任务验证了模型动态学习的能力。例如，在简单的精灵解缠实验和河内塔问题中，模型通过自我学习不断优化潜在状态和路径，从而揭示生成模型可自主学习因果结构的能力。这种结构学习技术通过离散状态空间模型实现，有效提升了模型在动态环境中的适应性和灵活性。该研究表明，主动模型选择可在多样化数据情境下提升生成模型的表达能力。研究发表在 Biological Psychology 上。

衰老相关的寿命和健康寿命改善通常需在小鼠模型中验证果蝇的发现，而巴克衰老研究所的团队直接通过果蝇和人类数据的跨物种分析，旨在加速发现有效的衰老干预靶点。该研究团队由Pankaj Kapahi教授带领，利用机器学习和系统生物学方法，锁定了苏氨酸（threonine）作为潜在的治疗靶点。

研究中，巴克研究团队使用了DGRP菌株在饮食限制（DR）和正常饮食（AL）条件下的数据，涵盖了代谢组学、表型以及全基因组信息。通过随机森林模型和孟德尔随机化，研究者探讨了基因型如何影响代谢物及其在果蝇与人类中的寿命和健康寿命延长作用。数据分析表明，苏氨酸在果蝇的特定基因型和性别下延长了寿命；而乳清酸（orotate）则显示出相反的效果，阻碍了饮食限制对寿命的积极影响。研究结果通过与英国生物银行的人的数据对比进一步验证了苏氨酸在寿命调节中的潜在治疗价值。研究团队指出，这一新方法有望减少对小鼠实验的依赖，加速跨物种寿命干预策略的发现。研究成果发表在 Nature Communications。

文学和文化在现代社会中通过小说和影视等叙事形式存留、传递思想。近年随着大型语言模型（LLMs）的发展，机器也能生成类似叙事，使人类故事讲述的特性受到挑战。Nina Beguš领导的加州大学伯克利分校团队探索了人类与AI在小说叙述中反映的社会偏见，尤其关注虚构人物与人类角色关系的性别化表现。

研究团队采用行为和计算实验结合的方法，通过对比亚马逊Mechanical Turk众包工作人员创作的250篇故事和GPT-3.5、GPT-4生成的80篇故事，研究人类和AI在讲述Pygmalion（皮格马利翁）式神话中的不同表现。所有故事均使用相同提示，聚焦人类与人工人类的关系。结果显示，GPT-4的叙述在性别角色和性别关系表现上更具进步性，而人类作品则倾向于传统性别分工。该研究进一步探讨AI是否在性别偏见的表现中有所不同，发现AI生成的故事在创新性情节方面逊色于人类，但仍展现了文化偏见。研究框架表明，通过AI和人类的对比，可以更清晰地观察文化偏见在现代叙述中的体现。研究发表在 Humanities and Social Sciences Communications 上。

为了探讨人类在日常生活中区分AI和人类生成内容的能力，天普大学心理学与神经科学系的J. M. Chein教授及其团队开展了本研究。近年来，生成式人工智能如ChatGPT和Gemini等工具的广泛应用，促使科学界对其可能带来的信息误导和学术诚信问题产生了高度关注。研究团队因此希望了解人类在面对AI内容时的判断准确性及影响判断的心理因素。

研究通过对人类和AI生成的文本进行比较，考察了参与者在区分两者时的表现，并评估了流体智力、执行功能、同理心以及数字媒介使用习惯等心理因素的影响。结果显示，流体智力显著预测了判断准确性，即具备更强流体智力的参与者更能够准确识别AI生成内容，而执行功能和同理心则无显著影响。此外，频繁使用智能手机和社交媒体的个体更容易将AI生成内容误认为人类生成内容，显示出“误判”倾向。值得注意的是，判断内容来源的准确性还影响参与者的信息分享倾向，判断准确度更高的参与者在社交媒体上更不愿意分享AI生成的内容。

此外，研究还探讨了语言特征对判断的影响，发现文本的词汇构成差异并未对参与者的判断产生显著影响。这一发现表明，尽管AI生成的文本可以在表面上与人类文本相似，但仅通过语言特征难以有效区分其来源。该研究为理解个体差异在信息交互中的作用提供了新视角。该研究成果发表在 Scientific Reports 上。

随着人工智能在医学、金融和法律等领域的普及，探讨人类与AI系统的协同作用愈发重要。来自麻省理工学院集体智慧中心和苏世民计算学院数据、系统与社会研究所的Michelle Vaccaro及其团队，系统回顾了106项关于人类与AI协作的实验研究，聚焦于其协同效应和增强效应，以分析不同情境下协作系统的表现及影响因素。

研究团队通过检索多个数据库，对2020年1月至2023年6月期间发布的106项实验研究进行系统回顾和荟萃分析，确保每项实验包含人类单独、AI单独及人类与AI协作的三种模式。在这些实验的370个效应量中，研究发现整体上人类与AI组合的表现平均低于人类或AI单独的最佳表现。具体而言，在决策类任务中，协作组合表现较差；而在内容创造任务中，组合系统表现明显更佳。此外，结果显示，当人类单独表现优于AI时，协作带来提升；但当AI单独优于人类时，协作反而会产生性能损失。这一研究为如何优化人类与AI系统的协作设计，最大限度发挥协同效应提供了重要参考。研究发表在 Nature Human Behaviour 上。

情感对生物的适应性有重要作用，但在人工智能领域情感的模拟仍存在困难。Alberto Hernández-Marcos带领的西班牙格拉纳达大学信息与通信技术研究中心团队，致力于建立一个计算框架来弥补这一空白，促进AI实现类人情感。

研究团队提出，情感等于生物在其环境中对重要价值（如近期奖励、预期未来状态）的时间模式的感知，并基于这一假设开发了一个完全自学习的情感生成框架（self-learning emotional framework）。在实验中，团队使用了未标记的数据训练神经网络，令AI自主学习并辨识八种基本情绪模式。这些模式与环境情境高度相关，表现出与自然情感一致的动态特征。研究通过情感归因调查验证了AI生成情感的有效性。在此调查中，参与者依据愉悦、唤醒和主导（dominance）三个维度评分，结果显示AI生成的情感状态与人类自然情感高度一致。研究团队认为，此框架的跨学科语言和基于强化学习的首要原理有望为AI情感研究提供新思路，推动实现更接近人类思维和行为的情感AI。研究发表在 Scientific Reports 上。

NeuGPT是一项由香港科技大学（广州）和悉尼科技大学等多所机构的研究人员合作开展的研究。团队核心成员包括Yiqian Yang和Yiqun Duan等人，他们在项目的设计、编码、测试等方面做出重要贡献。此项目旨在突破传统神经信号处理的孤立性，将脑电图、脑磁图、皮层电图等多种神经信号整合到同一模型中，以更高效的方式解码大脑信号，并实现跨模态的多种应用。

研究团队开发的NeuGPT模型引入了多模态神经信号处理的新框架，能够同时接收和生成神经信号，显著提升了脑机接口的解码能力。在实验中，NeuGPT通过一系列离散建模技术成功将脑磁图信号转换为文本，并在文本生成质量上超越了现有技术基准。相比以往，NeuGPT在BLEU-1（用于测评文本生成质量）和ROUGE-1F（用于衡量文本生成一致性）指标上分别从6.94和6.93提升至12.92和13.06。值得一提的是，NeuGPT不仅能够解码信号，还能模拟特定个体的神经信号，在神经接口应用中具有广泛的潜力。此研究的代码已在Github的NeuSpeech/NeuGPT库中开放，为后续研究提供了强有力的工具。