追问daily | 脑-血管-免疫系统，或改变神经系统疾病治疗；人类会同情并保护被排斥的AI智能体

格拉德斯通研究所的Katerina Akassoglou及其团队发现，大脑、血管与免疫系统的相互作用是多种神经系统疾病的共同特征。这些疾病包括阿尔茨海默病、多发性硬化症等，传统上被视为不同疾病，但她的研究揭示了它们背后共享的机制。该团队与加州大学旧金山分校等机构的合作，探索了中和血液中的纤维蛋白（fibrin）在治疗神经系统疾病中的潜力。

Akassoglou的团队长期研究发现，血管损伤导致血液渗入大脑会触发有害的免疫反应，特别是纤维蛋白在这个过程中起到了关键作用。通过实验，研究人员证明了中和纤维蛋白的毒性作用可以有效阻止这种反应，从而减少神经元损伤。这种免疫疗法不仅在阿尔茨海默病和多发性硬化症的动物模型中显示出良好的效果，还在COVID-19导致的神经系统损伤中展现了治疗潜力。该团队开发了一种特异性靶向纤维蛋白炎症特性的单克隆抗体药物，并已进入人体临床试验，初步结果显示其具有良好的安全性。研究发表在 Cell 上。

识别肠道激素调节机制的新工具

由胡布雷希特研究所与罗氏人类生物学研究所联合组成的多机构团队，旨在研究肠道激素的分泌调控机制。这些激素对消化、食欲和整体代谢有着至关重要的作用。研究团队通过开发新工具，尝试识别肠内稀有细胞中的“营养传感器”。

研究团队利用类器官技术，从人体胃、小肠和结肠细胞中提取了肠内分泌细胞（EEC）。这些细胞尽管在肠道上皮细胞中占比不到1%，但对激素分泌有关键作用。研究发现，表面标记物CD200使得EEC的分离与分析成为可能。通过基因编辑（CRISPR）对22种传感器进行功能丧失实验，研究团队识别出了一些新型代谢物传感器。这些传感器调节包括胰高血糖素样肽1（GLP-1）在内的多种激素分泌。研究显示，这些传感器失活后，激素分泌显著减少。研究结果为未来开发影响食欲、排便、胰岛素敏感性和肠道动力等相关疾病的治疗药物提供了新的潜在靶点。研究发表在 Science 上。

印度科学研究所的Sridharan Devarajan教授带领的研究团队长期关注注意力调控机制。在多任务处理中，大脑如何筛选和优先处理重要信息是科学家们探讨的重点。团队通过实验揭示了大脑特定区域——右后顶叶皮层（rPPC）在重新定向注意力偏见中的作用，为理解注意力障碍的机制提供了新的视角。

研究团队对两组参与者分别采用了抑制性重复经颅磁刺激（rTMS）和40赫兹的经颅交流电刺激（tACS），以研究右后顶叶皮层（rPPC）对注意力偏见的影响。在实验中，参与者需要根据提示关注屏幕两侧的目标，研究人员通过比较参与者对有提示和无提示目标的反应，量化了偏见和敏感性。

结果表明，rPPC的刺激对偏见有显著的调节作用，特别是在无提示情况下，偏见显著减少，而敏感性未受到影响。该发现表明rPPC主要负责重新定向选择偏见，而不是感知敏感性的调节。研究成果为未来通过精准神经调控治疗注意力障碍提供了新的理论依据。研究发表在 Nature Communications 上。

SUMO蛋白机制激活神经干细胞，或为神经退行性疾病治疗提供新思路

杜克大学-新加坡国立大学医学院的研究团队，发现SUMO蛋白（小泛素相关修饰剂）在神经干细胞重新激活中的关键作用。这项研究揭示了通过SUMO化过程，可以重新唤醒休眠的神经干细胞，促进脑细胞修复。

该研究使用果蝇模型，通过分析SUMO化（SUMOylation）依赖的翻译后修饰过程，揭示了这一机制对神经干细胞重新激活的重要性。研究发现，当SUMO蛋白或其结合酶Ubc9减少时，果蝇神经干细胞无法正常激活，并出现脑发育缺陷；而当其过度表达时，神经干细胞则提前激活。研究还揭示，Akt激酶通过增加Smt3蛋白水平，抑制了Hippo通路中的Warts蛋白磷酸化，从而启动神经干细胞的激活。这一发现为未来针对阿尔茨海默病、帕金森病等神经退行性疾病的治疗开辟了新途径。研究发表在 Nature Communications 上。

特温特大学的博士生Martina Lamberti在她的博士论文中揭示了记忆和预测之间的联系。她的研究为理解大脑如何通过记忆来预测未来事件提供了新的见解。该研究不仅为探索神经退行性疾病（如阿尔茨海默病）的治疗提供了新思路，还为进一步研究记忆形成机制奠定了基础。

Lamberti团队通过使用大鼠皮质神经元的体外模型，研究了记忆和预测的基本机制。他们使用电刺激和光遗传学刺激（optogenetic stimulation）来探究神经网络如何在体外形成记忆并进行预测。研究发现，当通过局部电刺激形成长期记忆时，预测功能对短期记忆的依赖性显著降低。相反，当长期记忆没有形成时，预测完全依赖短期记忆。此外，阻断NMDA受体会损害长期记忆但不会影响预测，这进一步验证了尖峰时间依赖性可塑性（STDP）在长期记忆形成中的作用。该研究还引入了互信息（Mutual Information）和条件激发概率（CFP）等数学工具，揭示了背景输入对记忆巩固的负面影响。该研究发表在 Neuroscience 上。

脑机接口新方法助力精确控制假肢

德国灵长类动物中心的神经科学家在对恒河猴的研究中开发了一种新的脑机接口训练方案。研究团队包括Andres Agudelo-Toro和神经生物学实验室的负责人Hansjörg Scherberger。

研究人员首先训练恒河猴通过佩戴数据手套来移动虚拟化身的手，并观察其手部动作。在猴子掌握了该任务后，他们进一步训练猴子通过想象手部动作来控制虚拟手。研究团队测量了恒河猴大脑皮质区域神经元的活动，这些区域专门负责控制手部运动。不同于以往研究集中于控制运动速度，该研究发现手部姿势的神经信号对控制假肢尤为重要。

通过调整脑机接口的算法，使其不仅关注运动的目的地，还注重执行路径，研究团队实现了前所未有的精确控制。最终，实验表明猴子能够高精度控制多维虚拟手，并执行复杂的精确抓握动作。该研究为未来脑机接口的改进提供了新的数据支持，特别是对于神经假肢的精细控制。该研究结果发表在 Neuron 上。

肠道神经肽F调节果蝇寿命的机制

布朗大学衰老生物学中心的Marc Tatar教授及其团队长期致力于研究胰岛素与衰老的关系。本次研究揭示了果蝇肠道中产生的神经肽F（NPF）在调节寿命中的重要作用。

研究人员利用遗传工具降低果蝇肠道中NPF的分泌，并通过ELISA测量其在血液中的含量。结果显示，减少NPF分泌可以延长果蝇的寿命。此外，抑制大脑中控制保幼激素（Juvenile Hormone，JH）产生的NPF受体也产生了类似的延寿效果。这一发现表明，NPF通过与胰岛素信号和JH调节的相互作用，影响了果蝇的衰老过程。

实验还发现，NPF的分泌与饮食中的糖和酵母含量密切相关，不同饮食下，EEC对NPF的分泌反应存在差异。研究进一步指出，抑制肠道NPF和大脑NPF受体的作用可以通过保幼激素类似物的逆转。这表明NPF在胰岛素信号传导和JH调控中的核心作用，揭示了肠道、大脑和内分泌系统之间的复杂相互作用机制。这项研究发表于 PNAS 上。

OpenAI近日宣布推出专为ChatGPT设计的Windows应用程序的预览版本，为用户提供更加便捷的AI互动体验。这一专用应用目前仅限于ChatGPT Plus、Team、Enterprise和Edu用户使用，完整版本预计将在今年晚些时候推出。

该应用允许用户在Windows 10设备上进行文件和照片的上传与交互，并使用OpenAI最新的o1-preview模型进行处理。尽管该应用目前还有一些功能上的限制，如不支持高级语音模式以及与GPT Store的部分集成无法运行，但OpenAI承诺将不断优化，带来更多强大的功能。

类似于macOS版本，Windows版ChatGPT应用可以最小化为一个小“伴侣”窗口，方便用户在多任务环境中使用。用户还可以借助DALL-E 3图像生成器，创建图像并快速总结文档内容。这为研究、办公和创意工作者提供了更加高效的AI助手工具。

Connectome实验室的NeuroX项目正通过创新的脑成像分析和AI应用，推动神经科学、医学和心理学等领域的革命性发展。该项目获得了美国能源部ALCC的200万GPU小时支持，并由布鲁克海文国家实验室的Shinjae Yoo研究员和首尔国立大学的Jiook Cha联合领导。NeuroX项目基于先进的SwiFT（Swin 4D fMRI Transformer）架构，融合了多模态、可扩展性和增强的记忆容量等特性，显著提升了脑成像和认知功能评估的能力。该团队的神经科学基础模型旨在广泛应用于认知、心理、临床和行为预测，期望解决抑郁、药物滥用等社会问题。

麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究团队，由电气工程与计算机科学（EECS）博士生Boyuan Chen和助理教授Vincent Sitzmann领导，针对现有序列模型在机器人任务和视频生成中的局限性，提出了一种全新的训练方法——“扩散强制”（Diffusion Forcing）。该方法通过融合下一令牌预测模型和全序列扩散模型的优势，显著提升了机器人及人工智能系统的决策能力。

“扩散强制”技术克服了下一令牌预测模型在长期规划中的不足，同时弥补了扩散模型在生成可变长度序列方面的缺陷。具体而言，该方法为每个令牌添加不同程度的噪声（fractional masking），使模型能够灵活地进行去噪并预测未来的步骤。在实验中，扩散强制在处理机器人操作任务时表现卓越，例如协助机械臂在干扰条件下完成复杂的物体交换任务。此外，该技术在视频生成方面也优于现有的基线模型，能够生成分辨率更高、稳定性更强的视频。在解决二维迷宫问题的实验中，扩散强制通过快速生成到达目标的规划方案，表现优于其他模型，展示了其在机器人规划中的巨大潜力。研究团队计划将这一技术扩展到更大规模的数据集，旨在打造类似于ChatGPT的机器人大脑，使机器人能够在新环境中完成任务而无需人类示范。该研究成果已发表在NeurIPS会议上。

伦敦帝国理工学院的研究团队通过“网络球”游戏，研究了人类在面对AI虚拟代理被排斥时的行为反应。研究由帝国理工学院戴森设计工程学院的Jianan Zhou和Nejra van Zalk领导，揭示了人类在与AI交互时的同情倾向，以及这种倾向对AI设计的潜在影响。

研究采用了2×2实验设计，招募了244名年龄在18至62岁之间的参与者，观察他们在游戏中如何对待被排斥或公平对待的AI代理。实验使用了“网络球”（Cyberball）范式，该游戏要求参与者在虚拟界面上将球传递给其他玩家，玩家可以是AI代理或真人。在某些情况下，AI代理被公平对待，而在其他情况下，AI代理被排斥。结果显示，参与者自动遵循社会规范（social norm），通过更频繁地将球传给被排斥的AI代理来补偿他们，这与参与者对被排斥人类的反应相似。

研究还发现，年长的参与者更倾向于感知不公平，并采取行动来纠正这种不公平现象。虽然参与者表现出对AI代理的同情，但他们并没有对排斥AI的真人产生负面看法。研究还揭示了使用AI代理的频率与同情心之间的关联，并发现积极的AI使用体验有助于增强参与者的同情心。

苹果电脑公司（Apple Computer Company）的研究人员通过测试发现，尽管当前大型语言模型（LLMs）如ChatGPT等看似具有智能反应的能力，但这些能力实际上只是一种幻觉。该研究团队在arXiv预印本服务器上发布了他们的发现，旨在探讨LLMs是否具有真正的逻辑推理能力。

研究团队通过测试多种LLMs的反应能力，设置了数百个包含非相关信息的问题来评估模型的推理能力。结果显示，尽管LLMs在没有干扰信息时能够正确作答，但一旦加入无关信息，这些模型就容易陷入混乱，给出错误的回答。为进一步评估LLMs的逻辑推理能力，研究人员还针对数学推理进行了实验，使用改进后的基准测试GSM-Symbolic来生成多样化的问题集。结果发现，所有受测模型在遇到数值变化或子句增加时，性能明显下降，表明它们无法完成真正的逻辑推理，而是依赖于训练数据中的模式复制。这一研究进一步质疑了LLMs在复杂推理任务中的可靠性。

弗吉尼亚大学的研究团队通过人工智能技术，针对现代制造业复杂性，开发了一种能够优化整个生产流程的系统，旨在提高生产效率和产品质量。该研究由机械与航空航天工程教授 Qing "Cindy" Chang 领导，并与通用汽车公司合作，展示了人工智能在工业领域的广泛应用潜力。

研究团队使用了多智能体强化学习（MARL）技术，开发了两种核心算法：信用分配多智能体 Actor-Attention-Critic（C-MAAC）和物理引导多智能体 Actor-Attention-Critic（P-MAAC）。C-MAAC 能够通过注意力模块并行训练提取全局信息，而 P-MAAC 则嵌入了生产系统的物理限制参数，优化了生产过程中的实时调整能力。数值实验表明，这两种算法在生产效率和系统稳健性方面取得了显著的进步，尤其是 P-MAAC，能够快速适应环境变化，显著减少停机时间并提升产品质量。该系统能够自动适应生产中的突发情况，如机器故障或生产调整，而无需人工干预。这项研究不仅在生产速度上取得突破，同时也减少了能源消耗和浪费，为制造业节省了大量成本。该研究发表在 Journal of Manufacturing Systems 上。

来自瑞士洛桑联邦理工学院（EPFL）Brain Mind Institute 和 Neuro-X Institute 的 Mackenzie Weygandt Mathis 团队，专注于研究大脑如何通过神经编码和解码实现感知、认知和行为。他们的工作揭示了大脑中的分布式电路是如何协同工作的，并探索了神经科学中使用深度学习等先进工具解码神经信号的新途径。

该研究通过分析神经编码和解码的机制，揭示了神经元之间的协同工作原理。研究团队采用深度学习等先进的数学工具来测量和建模这些过程。首先，他们通过实验记录了大量神经元的活动数据，覆盖了从短时间尖峰数据到大规模行为表现的不同时间尺度。然后，研究利用这些数据构建了解码器，能够将大脑中的神经信号转化为可用的信息，比如运动控制和语言处理中的动作决策。

通过这些解码器算法，研究团队在运动控制、视觉处理和语言处理等方面取得了突破性进展。他们的模型不仅解释了大脑如何整合多感官信息以进行决策，还为未来脑机接口（BCI）的发展提供了技术支持。这些研究结果对基础神经科学和临床应用都具有重要意义，为未来探索大脑功能和神经疾病提供了新的工具和方法。研究发表在 Neuron 上。