记忆是否可靠一直是科学界关注的议题。清华大学生命科学学院、清华-IDG/麦戈文脑科学研究院钟毅课题组与北京智源人工智能研究院雷博团队合作，通过开发创新的记忆追踪工具，探索了远期记忆系统性再固化的神经机制，揭示了海马体招募新记忆印迹细胞在记忆更新中的重要作用。

研究人员开发了三事件标记工具（Triple-event labeling tool），结合双光子成像技术（Two-photon imaging），从记忆获取到系统性再固化全过程追踪记忆印迹细胞群体的动态变化。研究发现，在远期记忆的提取过程中，海马体会招募新的记忆印迹细胞，这一过程需要成年神经发生（adult neurogenesis，神经元新生的过程）来抑制原始记忆印迹并激活新细胞。

通过实验，小鼠在远期记忆提取后表现出对新环境信息的更新，这一现象依赖于海马体神经活动及新蛋白质合成。此外，前额叶皮层通过与海马体和杏仁核的协作，将新记忆整合至原记忆情绪内容中。研究表明，记忆的系统性再固化不仅重建了海马体的新记忆印迹，还为记忆更新提供了机制性窗口，为解释虚假记忆现象提供了重要线索。研究发表在 Neuron 上。

26个大脑区域如何控制脊髓中间神经元运动信号

肌肉运动依赖于复杂的大脑与脊髓神经回路的协调，而大脑如何通过脊髓中间神经元传递信号以控制运动长期未解。圣裘德儿童研究医院的研究团队，通过转基因狂犬病病毒和串行双光子断层扫描技术，生成了一个全脑图谱，详细揭示了26个大脑区域与V1中间神经元的单突触连接。该图谱和附属的三维交互网站为神经科学研究提供了开放的数据和工具。

研究使用了转基因狂犬病病毒（rabies virus），该病毒被去除了糖蛋白（glycoprotein）以限制其传播范围，通过重新引入糖蛋白到特定V1中间神经元，病毒只能进行一次突触跳跃，便于追踪神经元连接路径。研究团队通过荧光标记技术，精确定位这些病毒的最终去向，并利用串行双光子断层扫描生成三维脑图。

结果显示，颈椎V1中间神经元接收到来自26个大脑区域的单突触输入，这些区域包括大脑皮层、中脑、小脑等。此外，研究发现V1中间神经元的两个主要亚群V1Foxp2和V1Pou6f2接收到不同来源的偏向性输入，例如前庭脊髓系统和GRN系统。该发现说明了脊髓上输入与分子特异性中间神经元之间存在的选择性连接模式，为理解大脑如何通过脊髓调控运动提供了重要基础。研究发表在 Neuron 上。

PIEZO1是一种机械激活的受体蛋白，广泛参与触觉、本体感觉和血压调节等生理过程。其结构与功能之间的关系一直是科学研究的难点。清华大学药学院肖百龙课题组、生命学院李雪明课题组和清华-IDG/麦戈文脑科学研究院田博学课题组拟等方法，揭示了PIEZO1的关闭态、中间开放态和失活态的结构特征，为理解其力门控循环提供了新见解。

研究的关键在于利用冷冻电镜技术解析PIEZO1的三种构象状态：关闭态、开放倾向的中间开放态和失活态。通过突变PIEZO1-S2472E蛋白，研究人员克服了结构解析中的稳定性问题，成功观察到中间开放态的特征：其桨叶（blade）部分展平，帽子结构（cap）向下旋转，连接帽子和孔道的弹簧连接器（spring linker）被压缩，导致帽子门（cap gate）和跨膜门（transmembrane gate）打开。结合分子动力学模拟实验，研究进一步明确了这些状态间的力学转变过程。

实验还发现PIEZO1的侧塞门（lateral plug gate）在中间开放状态仍然关闭，表明完全开放状态可能是动态瞬态的。通过结合结构生物学和电生理实验，团队提出了基于曲率的门控循环模型，为PIEZO1的功能研究提供了新框架。研究成果发表在 Neuron 杂志。

大脑如何调节食物摄入的开始一直是科学研究的难题。贝勒医学院与德克萨斯大学休斯顿健康科学中心的研究人员，使用动物模型和一系列神经技术，揭示了血清素在调节进餐启动中的作用，并发现GABA和多巴胺在这一过程中起到关键作用。

研究团队通过光遗传学、电子生理学以及通道视紫红质-2辅助的回路映射技术，深入研究了5-HT DRN神经元在进餐启动中的作用。研究发现，这些神经元通过其与弓状核（ARH）回路的连接，调节了进餐的开始。当动物处于饥饿状态时，GABA和多巴胺通过协同作用抑制5-HT DRN神经元的活动，降低大脑中的血清素水平，从而启动进餐行为。随着动物进食并感到饱足，抑制信号减弱，血清素水平恢复正常，进一步抑制进食行为。此外，删除5-HT神经元中的GABAA受体亚单位可以阻止进餐启动，而不影响饱腹感的产生。这些发现为我们理解大脑如何管理体重和食物摄入提供了新的线索，并为改善肥胖治疗药物的设计提供了理论基础。

酒精如何影响大脑灵活性？神经元放电模式揭示答案

酒精使用障碍（AUD）不仅影响身体健康，还显著损害大脑的认知灵活性。德克萨斯农工大学医学院的王俊团队通过光遗传学技术，深入研究了酒精暴露如何通过改变胆碱能中间神经元（CIN）的放电模式影响大脑的适应性。研究结果显示，酒精的长期使用扰乱了CIN的“爆发-暂停”放电模式，从而损害了认知灵活性，特别是影响了逆向学习的能力。

研究团队利用光遗传学技术和光纤光度测定（fiber photometry）技术，研究了CIN在酒精暴露下的活动变化。CIN是一类重要的神经元，负责调控大脑的适应性行为，尤其是通过乙酰胆碱（ACh）信号调节学习过程。实验发现，在酒精暴露的动物模型中，CIN的“爆发-暂停”模式发生了显著改变，暂停期变短且强度减弱，导致了逆向学习等行为的障碍。通过模拟CIN爆发放电，研究人员加速了消退学习过程，而通过破坏CIN的暂停放电，则使目标导向行为更新受阻。这一发现揭示了CIN的“爆发”放电有助于消退学习，而“暂停”放电则对于逆向学习至关重要。研究结果为理解酒精使用障碍如何影响认知灵活性提供了新视角，并提出了潜在的治疗靶点。研究发表在 Science Advances 上。

掌控盐食欲的神经开关

盐对人体至关重要，但过多或过少的盐都会引发健康问题。爱荷华大学的研究人员乔尔·吉尔林和西尔维亚·加斯帕里尼，通过对小鼠和人类的研究，首次揭示了调节盐食欲的神经回路，发现醛固酮通过激活HSD2神经元（脑干中的一小群神经元）来控制盐的摄入。

研究团队使用小鼠实验验证，钠摄入不足会导致醛固酮水平上升，同时激活HSD2神经元，增加盐的摄入量。进一步的研究发现，HSD2神经元是醛固酮驱动盐摄入所必需的。研究人员通过基因靶向去除这些神经元，证明它们在盐食欲中的关键作用。此外，研究还发现，人类脑干中也存在这一群体的神经元，提示这一神经回路在不同物种间有着显著的相似性。该研究为理解盐食欲背后的神经机制以及未来可能的治疗方案提供了新的线索。研究发表在 JCI Insight 上。

肠道微生物在免疫系统中的作用越来越受到关注。多伦多大学的研究团队对肠道微生物与肺部免疫系统的关系进行了深入研究，发现一种名为肌毛滴虫（T. mu）的原生动物能够影响肺部免疫反应。该研究旨在揭示这些微生物如何通过调节免疫细胞在肠道和肺部之间的迁移，影响哮喘和结核等疾病的发生和进展。

研究人员通过观察小鼠模型，发现T. mu通过驱动肠道来源的免疫细胞ILC2（炎症性群体2固有淋巴细胞）向肺部迁移，形成一个由ILC2、T细胞和B细胞构成的免疫网络。这一网络在促进嗜酸性粒细胞的增多的同时，也加剧了过敏性哮喘的病情。然而，这一免疫变化在结核感染中则起到了保护作用，帮助控制了结核分枝杆菌的扩散。此外，研究人员还在哮喘患者的痰样本中发现了与T. mu相关的基因信息，表明这些原生动物在人体疾病中的作用。研究发表在 Cell 上。

大脑提前“剧透”：视觉感知早有预兆

视觉意识并非简单的外界刺激输入，而是外部刺激与大脑状态复杂互动的结果。北京大学心理与认知科学学院的方方-王茜团队，利用颅内电刺激和微电极记录技术，研究了刺激前神经元活动如何影响视觉意识。他们的研究揭示，特定时段的神经元活动模式可以预测人类是否感知到接近阈值的视觉刺激（光幻视）。

团队以一名右侧视觉皮层（V1）植入宏微电极的患者为研究对象。实验通过对宏电极施加电刺激诱发光幻视（phosphene，一种看见光闪的主观体验），并记录刺激前的神经元活动和脑电波。研究发现，在施加10次电刺激中，有7次患者感知到光幻视，3次未感知。

进一步分析表明，刺激前10至8秒内较低的自发神经元活动及较高的theta波段活动（较低频脑电波），与光幻视的感知密切相关。而在刺激前3至2秒内，较高的神经元活动和较低的gamma波段活动（较高频脑电波）也同样能够预测光幻视的出现。研究首次揭示了刺激前神经元活动和脑电波状态在视觉意识中的预测作用，为理解视觉感知的神经机制提供了重要依据。这项研究发表在 Brain Stimulation 上。

运动准备与感官输入的预期关系密切，但其具体神经机制尚不清晰。美国加州大学圣地亚哥分校和麦吉尔大学的研究人员通过实验探讨这一问题。他们使用运动任务和高密度神经记录技术，研究人类和猕猴如何根据感官扰动的预期调整运动准备过程。研究表明，感官预期不仅影响神经活动，还能显著提高对机械扰动的响应表现。

研究方法包括设计概率性提示扰动方向的实验任务，记录人类参与者（N=20）在机械臂（KINARM）中的动作表现，以及猕猴的神经活动。他们观察到，概率提示的增加使参与者更快、更准确地应对扰动。这些扰动引发了短潜时（SLR）和长潜时（LLR）的反射活动，其中长潜时反射显著受到概率提示的影响。此外，高密度神经记录揭示了这种感官预期如何调整神经几何（neural geometry），优化了运动纠正反应。数学模型显示，这种优化依赖于感官信号和触发信号的时序一致性。

衰老中的“不确定性”：大脑如何面对决策难题

人类在不确定环境中优先处理相关信息的能力对适应性行为至关重要。然而，随着年龄增长，这种能力的变化尚未得到充分研究。来自德国马普人类发展研究所和美国俄勒冈大学的研究团队，通过多模态神经技术分析揭示了老年人大脑对不确定性调整的普遍减弱现象，并指出维护这些机制的重要性。

研究采用了行为建模（behavior modeling）、脑电图（EEG，测量大脑电活动）、功能性磁共振成像（fMRI，观察脑部活动）以及瞳孔测量（pupillometry，反映大脑兴奋水平），对 47 名年轻人（平均 26 岁）和 53 名老年人（平均 69 岁）进行了测试。实验设计包括一个感知决策任务，参与者需在复合刺激中判断哪些特征具有决策相关性。

结果表明，与年轻人相比，老年人在任务中的不确定性调整幅度显著降低，表现为前丘脑网络（fronto-thalamic network）激活的减少、皮层兴奋性降低以及瞳孔直径的变化幅度减弱。这些特征表明老年人的大脑响应不够灵活。然而，表现出类似年轻人大脑活动模式的老年人在特征选择任务中的表现显著更优。研究还发现，老年人在静态稳定性和动态灵活性之间可能陷入一个“中间状态”，既无法很好地适应稳定任务，也无法灵活应对动态任务。研究发表在 Nature Communications 上。

不同场景下，惊讶如何统一被大脑“翻译”

人类在面对突发事件时会产生惊讶，但这一心理现象是否在不同情境中共享类似的神经机制尚不明确。芝加哥大学心理学系和脑与生物研究所的 Ziwei Zhang 和 Monica D. Rosenberg 等研究人员通过功能性磁共振成像（fMRI）和数据驱动的网络建模，研究了这种现象的神经基础，发现惊讶的神经动态在不同场景中具有共同性。

研究使用惊讶边缘波动预测模型（Surprise Edge-Fluctuation-Based Predictive Model, EFPM），通过无参数分析方法捕捉大脑区域间的高频动态交互。EFPM模型首先在适应性学习任务中验证，并准确预测了信念被打破时的惊讶程度。随后研究扩展至两种不同情境：一是观众观看篮球比赛中的胜负概率变化，二是观看违反心理预期的动画视频。EFPM在这两种情境中均表现出强泛化能力，能准确预测瞬时的惊讶程度，并优于基于传统大脑网络的模型。研究还表明，惊讶的神经机制由分布在前顶叶网络、默认模式网络及边缘系统的多个大脑区域协同支持。这些发现揭示了不同心理体验的惊讶可通过大脑动态交互“翻译”成共享的神经过程。研究发表在 Nature Human Behaviour 上。

在搬运重物穿越复杂迷宫中， 到底是蚂蚁厉害，还是人类厉害？魏茨曼科学研究所研究人员，近期发表在PNAS的结果表明，简单的思维更容易实现群体协作的规模化，而复杂的脑则需要依赖广泛的交流才能高效合作。

研究人员设计了一个现实版的“钢琴搬运难题”，让长角立毛蚁和人类搬运巨大的T形物体，通过三个由两个狭缝连接的腔室。迷宫的设计分为两种尺寸，分别匹配蚂蚁和人类的体型，同时对应不同规模的群体。研究人员在部分实验中限制人类的交流，如禁止说话或手势，甚至包括眼神交流。此外，人类只能模拟蚂蚁握住物体的方式来施力。

结果表明，在单人任务中，人类凭借认知优势和策略性规划轻松胜过蚂蚁。然而，在群体任务中，情况发生逆转。尤其是大群体中，蚂蚁的表现不仅优于单个个体，在某些情况下甚至超越了人类群体。蚂蚁展现出独特的集体记忆，能够帮助它们保持一致的运动方向，避免重复错误。

猴子为何能快速认出蛇？蛇鳞是关键

蛇对灵长类动物构成了长期的致命威胁，因此快速识别蛇是生存的重要能力。日本名古屋大学的Nobuyuki Kawai通过视觉实验揭示，蛇鳞是猴子快速识别蛇的关键视觉特征。他的研究通过数字图像处理探索了灵长类动物对威胁目标的快速检测机制，为理解视觉处理的进化提供了新见解。

研究采用视觉搜索任务，利用调整亮度和对比度的蛇（snake）和蝾螈（salamander）图片。实验通过数字图像处理移除或添加蛇鳞，向从未接触蛇的猴子展示这些图片，要求它们从九张图片中找到唯一不同的目标。结果表明，猴子能快速定位一张蛇的图片，而识别蝾螈则反应较慢。然而，当蝾螈图片被处理成蛇鳞覆盖的形式时，猴子的反应速度与识别蛇相当。这证实了灵长类动物的蛇识别依赖蛇鳞特有的形状特征。

这一发现支持“蛇检测理论”（snake-detection theory），即蛇对灵长类动物构成的强选择压力导致视觉系统适应性的进化。这项研究为理解灵长类视觉系统与威胁识别的关系提供了重要依据。研究发表在 Scientific Reports 上。

母胎 solo 幸福感更低？揭秘单身状态对性格与幸福感的影响

终生单身者与有伴侣者在生活满意度及人格特质上的差异长期受到关注。本研究由德国不来梅大学的 Julia Stern 等人进行，基于欧洲健康、老龄化与退休调查（SHARE），首次跨文化分析了超过 77,000 名欧洲老年人的数据，发现终生单身者在外向性、尽责性、开放性和生活满意度上得分显著偏低。

研究采用规格曲线分析（Specification-Curve Analysis），探索大五人格特质（Big Five Personality Traits：外向性、尽责性、开放性、宜人性、神经质）与单身状态间的关系。研究显示，终生单身者在外向性、尽责性和开放性上显著低于有伴侣者。此外，生活满意度也较低，尤其是从未有过长期关系者。

文化背景、性别和年龄对这些差异存在调节作用。单身女性的生活满意度普遍高于男性，而年长单身者比中年单身者更能接受其单身状态。婚姻率较高的社会中，单身对生活满意度的负面影响略大，但宗教信仰的影响不显著。

研究还探讨了人格差异的因果关系，发现外向性等特质可能更易促使人进入关系，而单身状态对人格的长期影响较小。研究结果强调，为终生单身者提供更加适配的社会支持网络对提升其福祉至关重要。研究发表在 Psychological Science 上。

认知科学中，理解大脑如何整合复杂信息是一大挑战。剑桥大学的研究人员探讨了心智模型的概念，提出它是一种整合全脑信息的状态。研究结合认知心理学和神经科学理论，通过分析多种脑网络功能，揭示了前景与背景信息的动态交互机制。

研究通过脑功能影像分析和认知任务测试，揭示了心智模型的核心特性。模型包括前景（Attentional Foreground）和背景（Background）。前景由多需求网络（multiple-demand network）整合，支持当前任务相关信息的处理，如感知和动作协调；背景信息则由默认模式网络（default mode network）组织，涵盖长期记忆和静默态工作记忆（activity-silent working memory），通过快速与长期突触变化维持其功能。

研究显示，前景与背景的信息切换决定了认知效率。例如，在实验中，猴子的神经记录显示前景信息主导当前任务，而背景信息以隐性编码形式存在，随时准备切换为前景。当这种切换机制失效时，会导致目标忽视（goal neglect），即个体在复杂任务中忽略部分关键目标。研究提出，心智模型作为全脑状态，整合多种脑网络信息，支持从认知控制到学习等多样化的认知功能。这一理论为认知神经科学提供了统一框架，研究发表在 Neuropsychologia 上。

人类从非语言信号（如烟雾信号和莫尔斯电码）中获取信息的灵活性可以在婴儿期早期观察到。西北大学的 Sandra Waxman、Brock Ferguson 和 Alexander LaTourrette 通过实验，探讨了六个月大的婴儿如何通过新颖的正弦波音调信号完成学习任务，研究发现跨模式时间同步是关键条件。

研究通过展示动画短片，让六个月大的婴儿接触新颖的正弦波音调信号（sine-wave tones，一种中性、不含语义信息的音调信号）。短片包含四种场景：1. 音调信号与英语句子交替出现；2. 音调信号完全替代英语句子；3. 单一角色同步运动并发出音调；4. 角色与音调不同步。随后，婴儿参与对象分类任务。研究发现，婴儿在音调与角色运动同步时，能够将音调视为交流信号并用其完成分类任务；当同步性被破坏时，学习效果消失。这表明时间同步为婴儿提供了信号意义的推断依据。研究成果发表在 Scientific Reports 上。

人类视觉系统如何通过运动线索进行对象分类一直是未解之谜。国际研究团队通过新型“物体运动图”（object kinematograms）方法，对6类对象的动态和静态线索进行了对比分析。实验结合功能性磁共振成像（fMRI）技术，结果揭示了运动线索在对象分类中的重要作用，拓展了关于视觉皮层如何处理动态信息的认知。

研究团队设计的“物体运动图”通过随机点动态图（random dot kinematograms）模拟视频中的运动信息，以避免静态形态线索的干扰。15名受试者在接受fMRI扫描时观看动态和静态线索的刺激图像。结果显示，动态和静态线索均能在视觉皮层的高阶区域中解码出类别信息。其中，后侧腹侧区域更善于处理静态线索，而前侧背侧区域在动态条件下表现优异。此外，跨两种刺激形式的解码分析表明，大脑存在抽象类别表征，能够泛化静态和动态信息。

研究指出，运动线索能与传统的静态视觉线索同样精确地触发大脑中的类别响应，且两者在大脑视觉皮层的多区域内均可泛化。这一研究成果为对象类别处理的多重视觉机制提供了新视角，并为未来的神经科学研究奠定了重要基础。研究发表在 Journal of Neuroscience 上。

合作是人类社会的核心，但动态群体中的合作机制尚不明确。Wojciech Zajkowski、Ryan P. Badman、Masahiko Haruno 和 Rei Akaishi 领导的国际研究团队，利用动态囚徒困境实验和功能性磁共振成像技术，揭示了记忆信心和亲社会倾向在动态群体合作中的重要作用，填补了相关研究空白。

研究团队在实验中要求参与者与随机选定的群体成员进行多轮囚徒困境博弈，并通过fMRI扫描分析其脑活动。实验显示，合作水平随着群体规模的增大而提升，但其背后机制是参与者稳定的亲社会倾向与基于记忆信心的动态互惠策略之间的平衡在大群体中发生偏移，倾向于更亲社会的决策。

在神经层面，梭状回（fusiform gyrus）和楔前叶（precuneus）负责编码记忆信心，而左背外侧前额叶皮层（DLPFC）和前扣带回皮层（dACC）则负责整合记忆信心与亲社会倾向。这一发现为理解动态群体合作的形成机制提供了新的视角。研究发表在 Communications Psychology 上。

面部表情的自然性是提升机器人情感交流能力的关键。大阪大学的 Hisashi Ishihara 团队提出了一种创新技术，通过动态表情合成显著改善机器人表情的自然性和情感表达能力。研究展示了机器人如何通过波形运动实时调整面部表情，实现更加类人的交互体验。

研究提出了一种基于波形运动（waveform movements）的动态表情生成系统，通过将面部运动分解为如“呼吸”“眨眼”“打哈欠”等逐渐衰减的波形（decaying waves），并根据机器人内部状态（如唤醒水平，arousal level）动态调整波形参数，从而生成流畅自然的面部表情。

具体而言，该系统通过数学模型自动生成各面部驱动器的控制信号，无需预设动作数据。在实验中，这一系统在儿童型机器人的面部上得到了验证。结果表明，经过调优的波形表情不仅能够准确传达不同的情感状态，还能在保持类人特性（如自然过渡和协调性）的同时避免传统方法中表情生硬或切换突兀的问题。研究发表在 Journal of Robotics and Mechatronics 上。

现代人工智能系统已达成艾伦·图灵70多年前提出的目标：机器能够通过经验学习并进行类人对话。然而，这一成就并非完全如图灵所设想的那样。Bernardo Gonçalves来自圣保罗大学和剑桥大学，指出当前AI系统的能源消耗和发展方式与图灵的预言存在差距。

贡萨尔维斯的研究着眼于现代AI系统，尤其是基于变压器（transformer）架构的生成式AI。这些系统通过“注意力机制”（attention mechanism）和大规模学习，能够模拟并完成以前只有人类才能执行的任务，如生成连贯文本、解决复杂问题和讨论抽象概念。它们通过不断学习和积累经验来提高智能，表现在与人类的对话中，能够以类人的方式进行互动，从而通过了图灵测试。这一发展标志着图灵设想的“模仿游戏”概念的实现。

然而，Gonçalves也指出，当前的AI系统在能源消耗方面远超图灵的预期，而图灵所设想的“儿童机器”应当能够像人类儿童一样自然发展，具有更低的能耗。此外，现代AI的发展也带来了一系列社会问题，如失业和社会不平等。因此，贡萨尔维斯建议，未来的AI测试需要更加严格，采用机器对手和统计协议等方法，确保系统能够在现实世界的复杂环境中进行有效评估。研究发表在 Intelligent Computing 上。

社交媒体上毒品交易的日益猖獗已经成为了社会问题。为了逃避执法机构的监控，犯罪分子开始使用“黑话”——即由常见词汇组合成的隐蔽术语，难以被自动化监控系统识别。电力通信大学（UEC）研究团队，包含Takuro Hada、Yuichi Sei、Yasuyuki Tahara和Akihiko Ohsuga，提出了一种基于人工智能（AI）技术的方法，能够通过分析社交媒体上的词汇关系，更准确地识别这些难以捉摸的黑话。

该研究提出了一种创新的AI方法，通过分析社交媒体帖子中的单词对关系，识别复合型黑话。传统的文本分析工具通常将句子拆解成单个词汇，忽略了多个词汇组合而成的复合术语，这导致了许多非法术语无法被及时发现。新方法通过检测单词对的组合，成功解决了这一问题，能够识别出新的、具有刑事意图的术语。实验结果显示，该系统在准确性上提高了7%，并且成功识别出10个现有方法无法检测的复合型黑话。与七名资深警察的访谈表明，93.2%的新发现的术语是他们从未接触过的。这项研究为打击网络犯罪提供了强有力的支持，不仅能够帮助执法机关提升监控效率，也有助于社交媒体平台增强内容审核能力。研究发表在 Journal of Information Processing 上。

越大的群体，越合作？答案藏在记忆里

动态群体中的合作行为长期以来未被充分研究。为此，Wojciech Zajkowski、Ryan P. Badman、Masahiko Haruno 和 Rei Akaishi 的研究团队，利用功能磁共振成像（fMRI）和动态囚徒困境实验，分析了群体规模变化对合作的影响，揭示了记忆信心和亲社会倾向之间的关键互动机制。

本研究采用动态囚徒困境（Dynamic Prisoner's Dilemma）实验，让参与者在群体中与不同成员进行顺序互动，并记录其合作或背叛行为。同时，通过fMRI扫描分析脑活动，研究记忆与合作行为的关系。实验中，参与者与最多五位伙伴组成动态群体，群体规模随试验进展而变化。

实验结果表明，合作的提升并非直接源自群体规模，而是由于较大群体导致的记忆需求增加，这进一步增强了参与者的亲社会倾向。记忆信心由梭状回（fusiform gyrus）和楔前叶（precuneus）活动体现，而左背外侧前额叶皮层（DLPFC）和背侧前扣带回（dACC）则整合了记忆信心与亲社会倾向的互动。最终，这种机制促使动态群体中合作行为的稳定发展。研究发表在 Communications Psychology 上。

科学研究如何推进、创新如何诞生是科学界的重要问题。伊利诺伊大学厄巴纳-香槟分校团队提出了一种新型框架ResearchTown，旨在利用大型语言模型（LLMs）模拟研究社区。他们通过图结构建模和基于文本的推理技术，重现了科学合作和研究活动，为学术界提供了跨学科研究的新思路。

该团队提出了代理数据图(agent-data graph)，将研究者和论文简化为图节点，通过关系连接来模拟研究活动。他们采用的TextGNN框架，借助LLMs的上下文学习能力，将学术任务建模为消息传递(message passing)过程，精准还原了论文阅读、撰写与评审的动态过程。

为了评估框架的有效性，团队开发了ResearchBench基准，用于系统测试。通过屏蔽节点并尝试重建的方法，他们对1,000篇论文撰写任务和200篇评审任务进行了评估，结果显示模拟的论文写作和评审活动分别达到0.67和0.49的相似度分数。在多研究人员参与和不同论文组合下，框架表现出显著的稳健性。产生了结合自然语言处理、犯罪学和天文学的新颖跨学科研究创意。这些发现表明，ResearchTown不仅能够模拟学术活动，还能促进科学创新的民主化和自动化。

大型语言模型在长文本生成中常出现事实错误，这一现象被称为“幻觉”。为解决这一问题，Meta公司和华盛顿大学的研究团队提出了一种名为Ewe的全新框架，通过引入显式工作记忆和实时反馈机制，提高生成内容的真实性。这一方法显著减少了错误输出，为知识密集型文本生成提供了新的解决方案。

Ewe框架的核心是显式工作记忆（Explicit Working Memory），该模块动态存储和更新生成内容所需的相关知识。具体来说，在生成过程中，Ewe会暂停并检查新生成的部分内容。如果检测到事实错误，系统会借助检索和事实检查反馈，更新记忆中的信息，删除错误内容并重新生成。这种机制有效结合了背景知识与实时反馈，确保输出的准确性。

实验数据显示，Ewe在四个长文本生成数据集上显著提高了事实性指标VeriScore，分数增长幅度为2到10分。此外，Ewe保留了基础模型在指令执行和内容生成方面的实用性。

意识的“难问题”在于如何从神经网络的物理系统中解释主观的感质体验。T.R. Lima 基于数学和神经科学领域的洞察，提出了一种创新框架，将感受质与神经网络拓扑的奇点相联系，从而为描述意识的不可还原特性提供了一个理论基础。

研究的方法核心是将奇点（singularities）引入神经网络拓扑，作为感受质的标记。研究人员认为，虽然感受质无法被还原为具体的计算或信息，但奇点可以成为描述这一不可量化性质的原则性工具。通过这一框架，研究不仅为感受质的不可还原性提供了数学支持，还打开了人工通用智能（AGI）和人工意识（AC）研究的新方向。具体而言，研究强调了复杂性理论、信息整合和计算理论之外，奇点作为新的视角的重要性。尽管这一方法尚属理论阶段，但它为未来可能的实验验证和技术应用奠定了基础。

传统语言模型依赖标记级处理，难以解决长上下文理解和多模态应用的挑战。Meta AI的研究人员提出了一种新型架构“大型概念模型（LCM）”，通过高维嵌入空间SONAR实现了语言和模态不可知的语义处理。这项研究验证了LCM在生成任务和多语言适应上的潜力，为下一代人工智能语言模型奠定基础。

研究采用了创新性的概念建模方法，以高维嵌入空间SONAR为核心，将句子或话语作为基本语义单元，支持多达200种语言及文本和语音等多模态输入。LCM的训练主要依托均方误差回归（MSE regression，用于优化嵌入预测）和基于扩散的生成模型，后者通过预测嵌入的递归方式提升了生成效果。其双塔架构（Two-Tower Architecture）分离了上下文编码与去噪任务，使得模型能够更高效地处理复杂语境。

实验结果表明，1.6B参数模型在1.3万亿标记数据上训练后，证明了架构的可行性。而扩展到7B参数模型后，LCM在多语言摘要与摘要扩展等任务中的表现超越了同等规模的传统语言模型。通过SONAR的支持，LCM在未见过的语言和模态任务上展现了强大的零样本泛化能力，显著提升了模型的适应性。与传统的标记级处理相比，LCM通过概念级建模显著缩短了序列长度，提高了效率，同时保持了高水平的生成准确性。该研究进一步凸显了LCM在多语言、多模态应用领域的潜力，为人工智能语言模型的发展提供了新的方向。

从百万细胞中解码衰老与性别的奥秘

单细胞转录组技术为研究人类细胞类型和疾病相关基因表达提供了前所未有的洞察。加州大学旧金山分校和Chan Zuckerberg Biohub等机构的研究人员通过Tabula Sapiens 2.0 图谱扩展了细胞数据量，利用多种先进技术分析了110万个细胞的数据，揭示了性别和衰老的分子机制。

研究团队对九位捐赠者提供的24种组织的单细胞样本进行了分析，利用微滴微流体技术（droplet microfluidic emulsions，一种将单细胞分离并封装在微小液滴中的技术）和流式细胞分选（FACS，fluorescence-activated cell sorting，通过荧光标记分离单细胞的技术）生成数据。他们发现了超过一千种转录因子的细胞类型特异性表达，并探索了其潜在的调控作用。

衰老细胞的分子表型分析揭示了一些普遍的衰老特征，同时展示了特定器官和细胞类型的独特变化。这些发现为理解衰老的细胞基础提供了新的视角。此外，性别特异性基因表达的研究表明，性别差异主要由细胞类型特异性的基因调控机制决定，而不是由组织间的固有差异驱动。为促进数据的应用，研究团队开发了一个基于大型语言模型的网络工具，用户可以通过它轻松查询捐赠者的健康记录。

变分自编码器（VAE）是一种强大的非线性降维工具，但传统方法假设数据观测值相互独立，无法充分捕捉数据中的空间、时间和聚类依赖性。为解决这一问题，以色列特拉维夫大学统计学系的 Giora Simchoni 和 Saharon Rosset 提出了LMMVAE模型，整合随机效应，将依赖性纳入VAE架构中。该方法显著改善了数据重构性能，展示了优越的实际应用效果。

LMMVAE模型的核心是结合了固定效应（fixed effects，通常假设变量独立）和随机效应（random effects，用于表示相似群组中的依赖关系）。研究人员通过对VAE的架构和损失函数进行修改，使其适应多种依赖结构，如空间、时间或聚类关系。在多个模拟数据集和真实数据集上的实验表明，与传统VAE相比，LMMVAE能够大幅降低平方重构误差（15%-30%）和负对数似然损失（10%-20%）。此外，在基于潜在表示的分类任务中，其准确率提升了5%-10%。研究的实验证明，LMMVAE在大规模表格数据和图像数据的降维和特征提取中具有广泛适用性。

大型语言模型在生成自然语言内容和解决复杂问题方面显示出巨大潜力，但也带来安全性和内容合规的挑战。为应对这些问题，OpenAI团队开发了o1系列模型，通过引入思维链推理技术（Chain of Thought, CoT），显著提升了模型的智能化和安全性。研究采用强化学习方法，结合多样化数据集训练模型，最终展示出在内容安全性和复杂任务中的卓越表现。

研究的核心在于强化学习（Reinforcement Learning），通过公开、专有和内部生成的数据训练o1模型，使其掌握多步骤推理能力。这种能力使模型在复杂任务中表现更加出色，例如解答模糊问题和准确生成信息。研究团队还进行了全面安全评估，包括内容安全性、偏见性、幻觉生成率（hallucination rate，即模型生成虚假内容的概率）以及绕过攻击的抵御能力。

测试结果显示，o1模型在内容安全性方面能够更准确地拒绝不当请求，同时减少过度拒绝的发生；幻觉生成率较上一代模型大幅下降，显著提升了准确性。在处理偏见性问题时，模型更能应对模糊输入，生成可靠回答。在绕过攻击测试中，o1模型展现出卓越的鲁棒性，抵御成功率远超基线模型。然而，研究也发现，模型在某些复杂情况下（如隐性知识利用）仍存在改进空间。

NAD 的电池角色：如何帮助细胞对抗衰老

细胞内 NAD （烟酰胺腺嘌呤二核苷酸）水平的下降被认为与衰老及多种疾病密切相关，但其调节机制尚不清楚。来自挪威卑尔根大学生物医学系的 Mathias Ziegler 研究团队采用高分辨率质谱和基因编辑技术，揭示了线粒体在 NAD 水平调控中的核心作用。他们的研究结果表明，线粒体充当 NAD 储存库，可以在需求增加时为细胞提供 NAD 支持，并通过独特的分子机制缓解其不足。

研究人员利用 CRISPR-Cas9 基因组编辑技术，构建了稳定表达 PARP 活性的细胞系，分别在线粒体、细胞质、内质网和过氧化物酶体等不同细胞区室引发 NAD+ 过度消耗。他们发现，这些操作导致 NAD 浓度下降可达 50%，但细胞通过线粒体的 NAD 导入蛋白 SLC25A51（线粒体 NAD 转运蛋白）和 NMNAT3（烟酰胺单核苷酸腺苷转移酶3）逆向生成 NAD 的机制，维持了 NAD 水平平衡。

此外，研究揭示，线粒体储备的 NAD 相当于一个“虚拟池”，为应对细胞代谢需求提供支持。然而，若线粒体或其 NAD 储备长期受损，细胞将难以维持关键的能量依赖过程。研究还指出，尽管衰老过程中 NAD 水平下降，但线粒体功能的保护可以显著缓解与其相关的病理状态。研究发表在 Nature Metabolism 上。

衰老是人类无法避免的过程，但不同人的大脑衰老速度差异却受多种因素影响。卡罗林斯卡学院的研究团队使用人工智能工具分析了739名70岁认知健康老人的大脑图像，估算了他们的大脑生物学年龄，并探索生活方式和健康因素对大脑衰老的影响。研究发现，健康的生活习惯有助于保持年轻的大脑，而不良的生活方式则可能加速大脑衰老。

研究团队通过AI算法计算了“大脑年龄差距”（BAG），即参与者的实际年龄与预测大脑年龄之间的差距。结果显示，缺乏运动、糖尿病和中风等因素与“大脑年龄”较大（即大脑看起来较老）相关，而健康生活方式、包括定期运动，与“大脑年龄”较小（即大脑看起来较年轻）相关。此外，研究还发现，体力活动可以减轻肥胖对大脑衰老的影响。更高的脑小血管病负担、白质改变、高血糖和炎症等与“大脑年龄”较大密切相关。同时，男女在BAG相关因素上有所不同，女性和男性的大脑衰老机制可能存在差异。研究发表在 Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association 上。

阿尔茨海默病的早期诊断和评估方法已落后于当前的医学进展，为此，阿尔茨海默病协会组织了包括马萨诸塞州总医院、班纳健康研究所等在内的多学科团队，制定了一套全新的诊断指南。这项研究通过系统性文献分析和专家推荐，总结出19条面向所有临床环境的实用建议，以提升诊断质量和患者生活质量。

研究采用修改后的德尔菲方法，通过分析7374篇文献（133篇满足筛选标准），提出了一个高质量、循证支持的评估框架。该框架由以下三步组成：

• 认知功能状态（Cognitive Functional Status）：分析认知受损程度，如轻度认知障碍或痴呆。

• 认知行为综合症（Cognitive-Behavioral Syndrome）：明确患者的症状，如语言困难和记忆丧失等。

• 潜在脑部疾病（Underlying Brain Disease）：通过脑成像和实验室测试，确认病因。

这一流程强调护理伙伴的重要性，并建议针对患者的症状和需求个性化诊断过程。研究特别指出，随着生物标志物和新工具的不断发展，这些指南可随时更新，为患者和医疗系统带来更大益处。研究发表在 Alzheimer's & Dementia 上。

跳过基因中的“错误页”：SPLICER减少阿尔茨海默病相关蛋白前体

阿尔茨海默病的主要病理标志之一是大脑中β淀粉样蛋白（Aβ）斑块的积累，这对患者的神经功能产生严重破坏。然而，现有基因编辑技术在解决与疾病相关的基因问题时面临效率和精度的限制。伊利诺伊大学厄巴纳-香槟分校的研究团队通过开发新型基因编辑工具SPLICER，显著提高了基因编辑效率，并成功减少了阿尔茨海默病小鼠模型中Aβ前体的形成。

SPLICER是一种基于CRISPR-Cas9的新工具，采用了最新的Cas9酶和碱基编辑器组合，能够同时编辑外显子的剪接受体（SA）和供体（SD）序列。这种方法不仅解决了传统技术中外显子跳跃不完全的问题，还显著提高了编辑效率。在实验中，研究人员靶向阿尔茨海默病相关基因APP的外显子17，减少了其编码的Aβ前体蛋白。在体外培养的神经元中，SPLICER显著减少了Aβ42肽的生成，并在小鼠模型中成功实现目标外显子表达的25%降低，且无脱靶效应。这些结果表明，SPLICER具有潜力成为一种治疗基因突变疾病的强大工具。研究发表在 Nature Communications 上。

精神病学遗传研究的新时代：从内表型1.0到2.0的变革与未来

近年来，随着遗传学和基因组学的快速发展，精神病学领域的“内表型”（endophenotype）研究也在经历深刻的变革。传统内表型1.0定义于上世纪60年代，作为疾病和基因型之间的可测量特征，覆盖神经生理、生化、内分泌、神经解剖、认知等多种领域。然而，这些定义和标准存在局限性，例如过于强调状态独立性、缺乏对治疗响应或环境风险因素的考虑等。

芝加哥大学的Chunyu Liu和Elliot S. Gershon团队提出的内表型2.0重新定义了这一概念。他们认为，内表型应包括“受基因影响且与疾病或治疗相关的特征”，并进一步强调遗传中介作用。这种中介作用不仅探讨基因与疾病之间的线性关系，还包含非线性和复杂网络效应。此外，新框架引入了与环境风险、疾病进展、治疗反应及复原能力相关的动态特征，显著拓宽了研究范围。

更新的内表型2.0标准旨在利用多维遗传与基因组数据，揭示精神疾病的潜在生物机制。这一进展对阿尔茨海默病、孤独症、精神分裂症等疾病的风险预测和治疗优化具有重要意义。例如，利用脑影像、眼动追踪和认知测量等数据，可通过因果分析和遗传中介研究明确基因、内表型与疾病的复杂关系。

内表型2.0的提出为精神病学领域提供了一个更灵活和全面的研究框架，有望解决遗传关联与疾病生物机制之间的“缺失环节”（missing biology），推动精准医学和跨学科研究的发展。

tau 蛋白丝与细胞外囊泡的选择性包装：阿尔茨海默病的新线索

阿尔茨海默病（AD）是一种常见的神经退行性疾病，tau 蛋白的异常聚集被认为是疾病的重要标志。虽然已有研究发现 tau 蛋白与细胞外囊泡（EV）之间存在某种关联，但具体机制仍不明确。为进一步探索 tau 蛋白与 EV 的关系，来自英国伦敦大学学院痴呆症研究所、医学研究委员会分子生物学实验室等机构的研究团队，结合定量质谱、冷冻电镜断层扫描和单颗粒冷冻电镜等技术，分析了来自 AD 患者大脑的 EV，揭示了 tau 蛋白丝在 EV 中的选择性包装现象。

研究人员首先采用定量质谱对来自 AD 患者大脑的 EV 进行了深入分析，发现 EV 中的 tau 蛋白丝主要由截短的 tau 蛋白组成。此外，使用冷冻电镜断层扫描和单颗粒冷冻电镜技术，进一步揭示了这些 tau 蛋白丝被包裹在富含内溶酶体蛋白的 EV 中。研究还观察到，tau 蛋白丝通过特定分子与 EV 的膜发生多重相互作用，提示 tau 蛋白丝在 EV 内部是通过选择性包装的方式与 EV 膜连接。这一发现为 tau 蛋白与 EV 之间的相互作用提供了新的认识，并为今后研究 tau 蛋白在神经退行性疾病中的作用提供了新的视角，特别是在开发新的治疗策略时，可能通过靶向 EV 相关的 tau 蛋白来减缓 AD 的进展。研究结果发表在 Nature Neuroscience 上。

抑郁症是一种广泛存在却常被忽视的公共健康问题，全球有约5%成年人受其影响。针对传统诊断方法易受主观偏差影响的局限性，来自德国埃尔兰根-纽伦堡大学的Misha Sadeghi等研究人员，利用E-DAIC数据集，结合大型语言模型（LLMs）与视频特征，开发了多模态分析方法，提高了抑郁症的检测精度。

研究采用了多模态方法，通过大型语言模型分析面试文本，提取抑郁相关的语言特征，同时从视频帧中提取视觉特征（如面部表情、眼神方向）。基于这些数据，研究构建了三种模型：仅文本、仅视觉以及文本与视觉结合的多模态模型，并使用PHQ-8问卷分数（国际抑郁测量标准）进行模型训练和评估。

结果表明，纯文本模型已能实现高效准确的抑郁症预测，平均绝对误差（MAE）为2.85，均方根误差（RMSE）为4.02；结合语音质量后，模型性能进一步提高，显示出多模态方法的显著优势。这一研究验证了自动化诊断技术的潜力，有望为未来的心理健康管理提供新工具。研究发表在 npj Mental Health Research 上。

抑郁症患者五种表型：共病模式与再住院风险的全新视角

抑郁症是一种复杂的心理综合症，其表现和病程存在显著差异，这对治疗和预后带来了挑战。为探讨抑郁症表型与共病的关系，来自中国成都某大型医学中心的Ting Zhu、Di Mu等研究人员基于电子医疗记录（EMR），通过数据驱动方法识别了11,818名患者的表型类别，揭示了表型与共病模式、治疗方法和临床结局之间的联系。

本研究采用K-means聚类分析法，将抑郁症患者分为五种主要表型类别（phenotypic categories），每个类别在共病疾病和临床特征上有所不同：

A类：以自杀、精神病和躯体症状为主，共病率最低；B类：表现出快感缺乏（anhedonia）和焦虑症状；C类：内分泌和消化系统疾病共病率最高；D类：神经、心理和行为疾病共病率最高；E类：其他共病疾病。D类患者在60天、90天、180天及365天的随访中再住院风险最高，而E类患者风险最低。

这些表型揭示了抑郁症异质性背后的关键机制，包括心脏代谢系统、慢性炎症、消化系统和神经系统的病理联系。研究结果表明，针对不同表型患者设计个性化治疗方案可能有助于改善治疗效果。研究发表在 Translational Psychiatry 上。

早产导致高血压高发，但心血管风险更低

早产儿健康风险一直是公共健康关注的热点。为了解早产对成年中期健康的具体影响，奥克兰利金斯研究所的研究团队对一项产前倍他米松（antenatal betamethasone）试验的幸存者进行了长达50年的随访研究。研究发现，尽管早产者的高血压风险较高，但心血管事件的总体风险较低，为早产的长期影响提供了更清晰的现代视角。

这项研究的核心方法是健康调查问卷与行政数据分析相结合，同时对婴儿期死亡的个体通过行政数据进行评估。主要健康结果包括糖尿病（diabetes mellitus）、糖尿病前期（prediabetes）、高血压（hypertension）等，以及心血管事件（major adverse cardiovascular events, MACEs）。在470名参与者中，主要结局发生率为早产组34.5%和足月组29.9%，差异无统计学意义（aRR 1.14）。然而，早产组心血管事件的发生率显著低于足月组（2.8% vs 6.9%，aRR 0.33），但高血压自报率较高（34.7% vs 19.8%，aRR 1.74）。

研究还发现，糖尿病、血脂异常等其他健康指标在两组间无显著差异。早产对心理健康的影响较小，早产者的抑郁率更低（38.2% vs 52.9%）。这些发现为未来的健康干预策略提供了重要依据。研究发表在 Pediatrics 杂志上。

普萘洛尔显著缓解帕金森病患者的震颤症状

帕金森病震颤在压力条件下会加剧，而常用药物左旋多巴在这些情况下效果有限。拉德堡德大学医学中心的Rick Helmich团队开展了一项研究，探讨普萘洛尔是否能有效减少帕金森病震颤，以及该药物作用是否与压力条件相关。他们通过双盲交叉实验发现，普萘洛尔显著降低了震颤强度，并揭示了相关的脑部活动机制。

研究使用交叉双盲实验设计，涉及27名帕金森病患者。这些患者分别在两天内服用普萘洛尔（40mg）和安慰剂。研究通过加速度计和功能性磁共振成像（fMRI）记录震颤强度和脑部活动，同时利用数学任务引发压力以测量压力响应（如瞳孔直径和心率）。结果显示，压力条件下震颤强度显著增加，但普萘洛尔显著降低了震颤强度，无论是否处于压力条件。fMRI揭示，普萘洛尔显著减少了运动皮层中的震颤相关活动，表明其在静息状态和压力情境下均能发挥作用。

研究还发现，压力情境激活了认知控制网络，而震颤相关活动则集中在小脑-丘脑-皮质网络，进一步支持去甲肾上腺素（noradrenaline）在震颤中的放大作用。这项研究首次提供了普萘洛尔在帕金森病震颤中的确切机制，为临床治疗提供了新选择。研究发表在 Annals of Neurology 上。

孤独症谱系障碍（ASD）患者及其家庭长期面临治疗难题，亟需新的干预手段。基础科学研究所突触脑功能障碍中心的Kim Eunjoon团队，通过研究发现，锂这一传统精神疾病药物，有潜力改善ASD相关脑部和行为异常。

研究团队采用一种携带人类Dyrk1a突变（Ile48LysfsX2）的基因敲入小鼠模型（Dyrk1a-I48K mice），模拟孤独症患者的核心表型。这些小鼠表现出严重的小头畸形（microcephaly）、神经树突缩短、突触缺陷及社交行为和认知能力问题。

研究对新生期的小鼠进行锂药物干预，结果表明，锂不仅能够恢复小鼠脑容量，还改善了神经信号通路及其相关的核心行为问题，疗效持续至成年期。质谱分析进一步揭示了锂通过Kalirin-7分子改善突触功能的机制。研究还发现，孤独症的核心病理可能源于信号通路异常，早期干预可有效阻止病理进展。研究发表在 Molecular Psychiatry 上。

2024 年改善大脑健康必问的 12 个问题

随着人类寿命延长，大脑健康成为全球关注的公共健康问题。美国神经病学学会（AAN）组织了一项研究，针对大脑健康的主要影响因素制定了一套讨论指南。研究团队通过专家协作和数据分析，探索了包括情绪管理、饮食调整在内的12个关键领域，旨在通过医生和患者的协作改善个体认知功能和整体大脑健康。

研究提出了一种基于互动的健康评估方法，涵盖12个领域，包括睡眠、情绪和心理健康、饮食与营养补充、锻炼等。每个领域附带具体问题供患者与医生讨论。具体包括以下内容：

1. 睡眠： 您能获得充足的睡眠以感到休息吗？

2. 情绪、心理健康： 您是否担心自己的情绪、焦虑或压力？

3. 饮食与营养补充： 您是否担心获取足够或健康的食物，或者对补充剂或维生素有疑问？

4. 锻炼： 您是否找到将体育锻炼融入生活的方法？

5. 支持性社交互动： 您是否与亲密的朋友或家人定期联系，并且是否得到足够的支持？

6. 避免创伤： 您是否系安全带、戴头盔，并使用儿童汽车安全座椅？

7. 血压： 您在家或就诊时是否有高血压问题，或者对血压治疗有担忧？

8. 风险、遗传与代谢因素： 您在控制血糖或胆固醇方面有困难吗？您的家族中是否有神经系统疾病？

9. 负担能力与依从性： 您对药物费用是否有困难？

10. 感染： 您是否了解最新疫苗，并对其信息足够了解？

11. 负面暴露： 您是否吸烟、每天饮酒超过1到2杯，或使用非处方药？您是否饮用井水或生活在污染区域？

12. 社会和结构性健康决定因素： 您是否担心住房、交通、获得护理和医疗保险，或身体和情感上免受伤害？

通过以上具体问题，研究显示，这种结构化的讨论不仅可以帮助患者识别潜在健康问题，还能通过针对性医疗资源改善大脑健康。研究强调了长期稳定的健康干预与社会支持的重要性。研究发表在 Neurology。

全球首个多发性硬化症脑图谱助力精准治疗

多发性硬化症（MS）是一种慢性炎症性疾病，影响大脑和脊髓。当前的治疗方法主要集中于抑制免疫细胞，但对晚期患者的疗效有限。为了解决这一问题，卡罗林斯卡学院、爱丁堡大学和巴塞尔霍夫曼罗氏等机构的国际研究团队共同研究，利用单细胞RNA测序技术，绘制了多发性硬化症患者脑细胞基因表达的“图谱”，为个性化治疗提供了新的视角。

研究人员通过单细胞RNA测序技术，分析了来自156名患者和健康对照的大脑组织样本，共计632,000个细胞核数据。结果显示，多发性硬化症患者的大脑灰质和白质存在显著的细胞类型特异性基因表达差异。研究将患者分为四个亚组，这些亚组展示了不同的病理过程，并且患者间的基因表达差异主要由个体差异引起。这一发现为基于个体病理过程的精准治疗开辟了新路径。未来的研究将通过结合患者血液和脑脊液数据，进一步推动个性化医疗的进展。研究发表在Neuron 上。

口服新药 atogepant 快速改善偏头痛症状

偏头痛严重影响患者生活，尤其是年轻女性，现有药物往往需要数周生效且副作用显著。为解决这一问题，美国神经病学学会支持的研究团队，包括 Richard B. Lipton 等，使用三项大规模随机临床试验，验证了口服药物 atogepant 在预防偏头痛方面的快速疗效。

研究团队开展了三项 3 期临床试验，包括 ADVANCE、ELEVATE 和 PROGRESS。参与者年龄在 18 至 80 岁之间，病史超过一年。研究分别招募阵发性偏头痛（episodic migraine, EM）和慢性偏头痛（chronic migraine, CM）患者，通过对比 atogepant（口服降钙素基因相关肽受体拮抗剂）与安慰剂的疗效，分析了偏头痛发生率和生活质量的改善情况。

结果显示，服用 atogepant 的患者在第一天偏头痛发生率减少 37%-61%，第 1-4 周每周偏头痛天数平均减少 1-1.5 天，而安慰剂组仅减少不到 0.5-1 天。此外，患者的活动受限程度和生活质量评分（AIM-D 和 EQ-5D-5L）显著改善，表现出药物的快速和有效作用。这项研究发表在 Neurology 上。

可拉伸技术为下一代电子产品提供了前所未有的自由变形能力，但其中蛇形结构的动态形变特性仍需深入研究。浦项科技大学（POSTECH）Su Seok Choi 团队使用手性液晶弹性体（CLCE）开发了新的变形可视化方法，成功实现了实时分析与优化设计指导。

研究团队采用了手性液晶弹性体（Chiral Liquid Crystal Elastomer, CLCE），这种材料在受到拉伸时会发生纳米级结构颜色变化，直观呈现形变过程。通过调整 CLCE 的模量和形状设计，他们实现了蛇形结构动态应变的实时捕捉，并进一步构建了 2×2 阵列以研究单轴和双轴拉伸条件下的应变分布。结果表明，该方法可精确反映蛇形结构在不同拉伸阶段的形变特性，不仅消除了复杂纳米制造工艺的需求，还为优化拉伸互连设计提供了新思路。研究成果显示，该技术可以为显示器、传感器、电子皮肤和仿生机器人等可拉伸应用提供更优化的设计指导，显著加速商业化进程。研究成果发表在 Advanced Science。

从基因到脑影像：mFusion揭示心理障碍的多尺度机制

心理健康障碍复杂的多尺度生物过程使分子功能障碍到脑影像变化的病理通路研究充满挑战。研究人员提出了mFusion方法，通过整合基因、PET扫描和脑影像特征，弥补这些领域间的知识空白，为心理健康障碍的研究提供了新工具。

研究团队利用mFusion方法，结合了Allen人脑图谱的15,408个基因表达数据、45张PET图像以及ENIGMA项目提供的与八种心理健康障碍相关的脑影像特征。mFusion方法通过蛋白-蛋白相互作用网络将基因-影像、基因-PET和PET-影像关联整合起来。相比传统方法，mFusion能够从模拟和实际数据集中识别更多与疾病相关的基因。应用于孤独症和精神分裂症的研究中，该方法成功揭示了八种主要心理健康障碍的基因聚类结构。这些聚类反映了不同障碍的分子特性，为理解疾病病理提供了新视角。研究发表在 Communications Biology 上。

随着机器学习的快速进展，人类与AI的协作潜力日益增强，成为提升团队表现的重要途径。尽管已有众多关于人类协作（如认知科学、神经科学、心理学等领域）和AI多代理学习的研究，但缺乏一个全面统一的平台来促进跨学科的合作与假设验证。为了解决这一问题，杜克大学的研究团队开发了CREW平台，旨在支持多任务的实时人类与AI协作研究，并通过模块化设计增强平台的可扩展性和适应性。

CREW平台设计注重多学科协作，支持各种任务并允许轻松扩展，能够应对不同复杂度的任务。平台的核心创新之一是实时反馈机制，允许人类与AI之间的互动不再局限于传统的离线反馈。平台支持通过多种生理信号（如眼动、心率、大脑活动等）记录人类的反馈，帮助AI更精准地进行学习。研究中，CREW成功地对50名参与者进行了实验，验证了人类反馈对强化学习（RL）算法的指导作用。此外，CREW还整合了认知测试，研究表明，个体的认知差异（如空间推理和决策速度）会显著影响与AI的协作效率。

CREW平台的一个亮点是其开放源代码的设计，促进全球范围内的协作研究。这为跨学科研究提供了基础设施，能够推动人类与AI协作研究的可重复性和可扩展性。研究人员使用CREW对实时人类引导的强化学习算法进行了基准测试，并与现有的RL算法进行了比较，证明了平台在提升AI学习效率和优化协作过程中的潜力。这一研究成果为人类与AI的合作奠定了更加坚实的理论和实验基础。研究发表在 Transactions on Machine Learning Research 上。

复杂生物流体环境中药物递送的精准性一直是医学领域的挑战。加州理工学院的研究团队利用双光子聚合技术，开发了一种基于水凝胶的微型机器人平台。这些机器人能够在复杂生物流体中运动，并实现高效药物递送与实时成像。研究表明，这种技术可以显著减少小鼠膀胱肿瘤体积。

研究采用了双光子聚合（Two-photon Polymerization，TPP）光刻技术，这是一种利用激光脉冲精准构建复杂微结构的技术。微型机器人外部亲水，内部疏水（hydrophilic and hydrophobic），通过化学修饰实现这种表面特性，使其能够捕获并稳定气泡，从而提高运动和超声成像效果。

机器人内含磁性纳米颗粒和治疗药物，可以通过外部磁场引导至目标部位。超声波振动使气泡产生推动力，同时增强成像对比度，便于实时监控。在动物实验中，微型机器人通过多次药物递送显著减少了小鼠膀胱肿瘤的体积。这种技术为精准药物递送和微创治疗提供了新思路。研究发表在 Science Robotics 上。

传统机器学习模型因数据分布差异难以泛化到新数据集。为解决这一问题，来自哥伦比亚大学、加州大学尔湾分校的 Seyedmehdi Orouji、Martin C. Liu、Tal Korem 和 Megan A. K. Peters 分析了领域适应（Domain Adaptation, DA）的潜力，提出其在小规模生物数据集中整合和转移知识的应用。研究结果揭示了如何在数据不足的情况下挖掘生物学规律。

领域适应是一种迁移学习技术，能够通过对数据分布的对齐，找到跨数据集的通用特征。该技术在孤独症数据集（ABIDE）和肿瘤微生物组研究中显示了潜力。具体而言，DA能够通过整合不同来源的数据集，缓解单个数据集样本不足的问题。研究指出，通过将成年人体脑部MRI的知识迁移到新生儿的脑部研究，或将细胞系的注释迁移到临床数据集，DA能够有效扩展模型的应用范围。此外，DA还能够减少数据统计偏差的影响，确保模型更关注生物学意义而非统计偶然性。

尽管如此，生物数据的异质性（如特征缺失、样本-特征比不平衡）仍为DA的应用带来挑战。团队建议未来开发更加适合小规模生物数据的定制化DA方法，以更好地服务于生物学发现和健康研究。这一综述为领域适应在生物学中的应用提供了全面视角，发表在 Science Advances 期刊。

近年来，生物医学领域的研究面临数据缺失的挑战。患者的医疗数据通常由分子（如基因测序）、影像（如MRI扫描）、传感器（如心率监测）等多种模态组成，但这些模态的数据获取昂贵且不易实现。针对这一问题，斯坦福大学等机构的研究团队提出了一种创新方法——合成多模态数据建模，利用基础模型补全缺失数据并生成真实感的合成样本。

合成多模态数据建模的核心是通过大规模预训练模型整合多模态数据的信息，提升数据补全的质量。这种方法不仅可以解决单模态和跨模态数据补全的局限性，还能够支持in silico假设测试——在模拟环境中通过调整数据模态研究其对疾病状态的影响。此外，该模型可以动态更新患者的数据状态，为个性化治疗提供精准支持。例如，在不进行侵入性活检的情况下，模型可基于放射影像和临床数据预测肿瘤的基因信息，为诊断和治疗决策提供依据。

尽管前景广阔，这一方法仍需解决多个挑战，包括生成数据质量的评估、数据隐私的保护以及应对数据偏差的问题。研究团队强调，全球范围内建立标准化、多样化的医学数据集将是未来的关键一步。

随着精准生物医学工程的发展，如何实时监测微小的生物力学信号成为一个关键挑战。首尔国立大学材料科学与工程系的Seung-Kyun Kang教授领导的研究小组，与檀国大学、亚洲大学和普渡大学的研究人员合作，开发了一种新型超灵敏、可拉伸的应变传感器，旨在通过微裂纹与元结构的结合，检测极其微小的变形，从而为疾病的早期诊断开辟新天地。

这项研究介绍了通过创新的“元裂纹”传感器检测极小应变（如10−5应变），比传统传感器的灵敏度高出1000倍。该传感器通过控制微裂纹的扩展，放大电阻变化，使其能够检测到极为细微的变形。这项技术可以实时监测血流变化，有助于早期诊断脑血管疾病，如脑出血和缺血等。此外，研究团队还成功将该传感器应用于监测脑血管表面，进行实时血流监测，展示了其在生物医学领域的巨大潜力。值得一提的是，传感器使用的材料是可生物降解的，避免了体内的长期残留，确保了患者的安全。这项研究在 Science Advances 上发表，展示了超灵敏传感器在精准医疗中的应用前景。

医学图像在医疗中的重要性不言而喻，但如何准确解读这些图像仍然是一项挑战。为了推动医学视觉问答（MedVQA）系统的发展，来自Xiaoman Zhang、Chaoyi Wu、Ziheng Zhao、Weixiong Lin、Ya Zhang、Yanfeng Wang和Weidi Xie的团队开发了一个新的生成型模型，并构建了一个名为PMC-VQA的大规模医学图像问答数据集。该模型通过结合视觉信息和语言模型，能够更灵活地回答关于医学图像的问题。

研究团队首先构建了PMC-VQA数据集，包含227,000个问题-答案对，涵盖149,000张医学图像。该数据集包含80%的放射学图像，涉及多种医学成像模式和疾病。研究人员设计了一种生成型模型MedVInT，能够生成自由形式的答案，而非传统的选项式回答。通过在PMC-VQA数据集上的训练以及在公开基准数据集上的微调，MedVInT在多项选择任务中的准确率超过了80%。与现有模型相比，MedVInT在解答医学图像相关问题时表现出更高的准确性和灵活性。研究还提出了一个更加具有挑战性的测试集，以推动该领域的发展。该研究为医学图像问答系统的未来研究提供了新的方向。研究发表在 Communications Medicine 上。

材料科学领域面临着大量数据分散在文献中的问题，尤其是聚合物领域的属性数据。Sonakshi Gupta、Akhlak Mahmood、Pranav Shetty、Aishat Adeboye 和 Rampi Ramprasad 组成的研究团队，结合了GPT-3.5、LlaMa 2等大语言模型（LLM）与MaterialsBERT（基于命名实体识别的模型），提出了一种自动提取聚合物属性数据的新框架，成功从240万篇期刊全文中提取了大量聚合物数据。

研究团队首先筛选出681,000篇与聚合物相关的文章，并通过一套双阶段过滤机制（包括启发式过滤和NER过滤）识别出最相关的段落。然后，他们利用MaterialsBERT和GPT-3.5模型分别提取聚合物的24种属性数据，最终从这些文章中提取了超过100万个聚合物属性记录。研究团队还评估了使用这些模型进行数据提取的性能，并对比了它们与传统NER模型的优缺点。结果显示，大语言模型在数据提取中具有显著的优势，尤其是在节省成本和提高效率方面。为支持后续研究，所有提取的数据已通过Polymer Scholar网站公开。研究还提出了一些优化方法，特别是在推理时利用少样本学习来降低成本并提高效率。研究发表在 Communications Materials 上。

随着人工智能在医疗领域应用的不断拓展，如何在确保数据隐私的前提下使用人工智能分析患者数据成为了一个重要问题。布法罗大学的研究团队通过创新性的方法，提出了一种新的解决方案，采用完全同态加密（FHE）技术来保护医疗数据的隐私。

该研究的核心创新在于使用完全同态加密（FHE）技术保护从云平台传输的心电图（ECG）数据，确保患者隐私不被泄露。FHE技术能够在不解密数据的情况下，允许对加密数据进行深度学习计算。为了应对加密数据在深度学习中处理效率低下的问题，研究团队开发了多种优化技术，涵盖了卷积层、池化层、激活函数和全连接层等深度学习网络中的关键部分。通过这些创新，研究人员成功提高了处理加密数据的速度和效率。实验结果显示，采用该方法在加密的心电图数据上进行睡眠呼吸暂停的诊断时，准确率达到了99.56%，几乎与传统的未加密数据相当。该方法的成功不仅能加速睡眠呼吸暂停的诊断和治疗，也为其他医疗数据处理提供了更安全的解决方案。研究发表在国际模式识别会议（ICPR 2024）上。

蛋白质-蛋白质相互作用是许多生物过程的核心，尤其与疾病的发生发展密切相关。然而，传统方法因高成本、复杂性等问题难以广泛应用。多伦多大学的研究团队开发了一种名为 SIMPL2 的新型检测平台，该平台基于分裂荧光素酶，优化了检测精度和流程效率。通过 SIMPL2，研究人员不仅能更好地理解这些相互作用，还为药物研发提供了关键技术支持。

研究团队改进了早期的 SIMPL 方法，采用三部分荧光素酶（tripart nanoluciferase, tNLuc）生成光信号，结合全液相操作极大地提高了检测灵敏度和操作简便性。SIMPL2 的检测流程仅需一步，可手动操作或自动化，适合高通量研究。实验显示，在一个参考蛋白质相互作用集的测试中，SIMPL2 的灵敏度和特异性均优于传统方法。

研究还表明，SIMPL2 可用于测量多种分子调节剂对蛋白质相互作用的调控，包括抑制剂、分子胶和 PROTAC。该平台能够高效检测弱相互作用，并支持快速验证新药物的有效性。研究团队还计划将其用于癌症等重大疾病的蛋白质相互作用研究，并结合量子计算和人工智能进一步优化药物设计。研究成果发表在 Molecular Systems Biology 期刊上。

注意力缺陷多动障碍（ADHD）患者的后续护理管理在医疗实践中常常存在疏漏。斯坦福大学医学院的研究团队使用人工智能分析了大量电子病历中的医生记录，以发现这些护理管理中的潜在问题。研究显示，人工智能能够高效分析数据，为医生提供改善患者随访的策略建议。

研究选取了 1201 名 6 至 11 岁 ADHD 患儿的电子病历，分析了他们用药后三个月内医生记录中是否提及副作用。研究团队训练了大型语言模型，使用了 501 条手动标注的医生笔记，其中 411 条用于训练，90 条用于测试。最终，模型在分类任务中达到约 90% 的准确率。

利用这一模型，研究者在短时间内完成了对 15,628 条医疗记录的分析，发现某些诊所在用药后随访中的一致性不足。例如，部分诊所在电话随访中频繁询问副作用，而另一些则忽视此问题。此外，针对非兴奋剂类药物（如抗焦虑药物）的随访较少，这为进一步改善 ADHD 的医疗护理提供了启示。

尽管研究发现了人工智能在快速分类和趋势分析中的强大能力，但也指出其局限性。例如，模型可能遗漏未记录的对话内容或将其他处方的注释误分类。这些结果为未来医疗管理中的人工智能应用提供了宝贵经验。研究发表在 Hospital Pediatrics 杂志上。

侵入性脑刺激（DBS）技术近年来在精神疾病治疗中的应用引发了广泛关注。Amanda van Beinum及其团队，通过结合批判性残障研究和后人类理论，探讨了DBS作为一种新兴神经技术的社会与伦理意义。研究分析了社会对“正常性”的偏好如何影响患者对该技术的接受与感知，并提出了DBS技术对个体和社会的潜在影响。

研究采用历史叙述和理论分析相结合的方法，重点考察了DBS的社会背景与用户体验。DBS是一种通过植入脑部电极，施加电刺激来治疗疾病的技术。目前，DBS已被用于治疗帕金森病和原发性震颤，并正在进行重度抑郁症、成瘾等领域的临床试验。研究指出，DBS不仅是技术设备与患者交互的工具，更是人类与技术持续关系的体现。

通过批判性残障研究，团队探讨了社会对“正常性”要求如何影响患者对DBS的安全性和有效性判断。例如，患者可能因对“恢复正常”的期望而忽视治疗潜在的长期风险。此外，研究从后人类角度揭示了DBS可能引发的伦理问题，如设备对患者自主性的潜在侵蚀。论文强调，应从社会文化和政治背景的整体视角，重新审视DBS等技术的应用及其带来的社会变化。研究发表在 Humanities and Social Sciences Communications 上。

AI能否超越人类智能是人工智能领域长期争论的核心问题。来自东南大学、哈佛医学院、新加坡国立大学、清华大学等15家全球顶尖机构的研究人员，利用新型“AI孪生”技术模拟人脑神经元和突触功能，证明了AI在无约束条件下必然超越人类智能的可能性。研究结果表明，这种AI技术能够实现近似人脑功能的极小误差模拟，并为多学科研究开辟新方向。

研究采用“AI孪生”（AI twins）技术，通过统一数学模型表示神经元（neuron）和突触（synapse）的功能，重点分析了其输入输出信号的分段连续特性。研究指出，AI模型能够精确近似单个神经元的信号传递函数和突触的神经递质传递关系，误差可无限接近于零。研究团队还探讨了AI在脑功能分析和大脑疾病解决中的应用潜力，例如低能耗AI技术的开发和跨学科研究的全球合作。研究表明，AI具有潜力发现自然界新原理，并在无约束情况下分化为具有自成体系的新学科。这项研究发表在 Neurocomputing 上。

科学家长期受病毒独特结构的启发，设计用于基因治疗的人造蛋白。然而，现有的纳米笼设计在容量和功能性方面存在局限性。浦项科技大学的 Sangmin Lee 和华盛顿大学的 David Baker 团队通过人工智能（AI）技术，设计出新型纳米笼。这种纳米笼不仅比传统载体容量大，还展示了类似病毒的多功能性。研究结果发表在 Nature 上。

研究团队利用伪对称化（pseudosymmetrization），以三聚体蛋白为基本模块，设计出四面体（tetrahedral）、八面体（octahedral）和二十面体（icosahedral）形状的纳米笼。这些结构具有 48、96 和 240 个亚单位，直径分别为 33 纳米、43 纳米和 75 纳米。尤其是二十面体结构，可以容纳比传统腺相关病毒（AAV）多三倍的遗传物质，显著提升了基因治疗载体的潜力。

电子显微镜（electron microscopy）验证了这些设计的精确结构。功能性实验显示，新型纳米笼能够高效将治疗基因递送到靶细胞，并且多抗原显示能力为疫苗开发提供了新方向。研究还指出，这种设计策略可推广到更广泛的医疗领域，为下一代生物医学创新提供基础。

人工智能（AI）在评估和决策中可能继承偏差，影响结果公平性。为解决这一问题，来自斯坦福大学应用物理系的Atsushi Yamamura和Surya Ganguli提出一种系统化方法，研究通过对抗性输入操控AI评估系统的可能性。他们的研究揭示了大型语言模型（LLM）评分中的隐性偏差，并提出了有效的缓解策略。

研究通过分析一个开放源代码LLM的神经活动模式（neural activation patterns），发现模型在阅读评估材料时会形成初步的评分判断，即使要求其在详细分析后再评分。这表明评分偏差可能源于模型的内在激活机制。基于这一发现，研究团队开发了一种优化方法，生成对抗性输入后缀（adversarial input suffixes），利用这些后缀可以放大与高评分相关的内部表示，使模型无视评分标准，给出更高分数。

实验中，这种对抗性输入在“白盒攻击”（white-box attacks）中对开源LLM表现出显著操控能力，并在“黑盒攻击”（black-box attacks）中对闭源模型（如Gemini）也展现了较高的攻击效果。进一步分析表明，一个“魔法词”（magic word）显著提高了攻击成功率，其来源与监督微调中的对话模板设计有关。研究提出通过调整模板结构可以有效减少这种偏差。

在有限算力下，如何高效训练超大规模模型始终是人工智能领域的难题。DeepSeek团队基于混合专家模型（Mixture of Experts, MOE）和多令牌预测（Multi-Token Prediction, MTP），通过一系列技术协同优化，成功训练了671B参数的DeepSeek V3模型，其训练成本仅为此前同类模型的1/10。研究团队进一步在论文中全面公开了模型的训练细节和关键创新，研究成果具有重要的理论与应用价值。

DeepSeek V3的训练展现了显著的技术创新。模型架构上，采用了256个路由专家和1个共享专家的混合专家模型，并通过sigmoid路由和引入偏置项（bias term）解决专家负载不均问题。该模型还首次引入了多令牌预测目标（Multi-Token Prediction, MTP），不仅提高了模型性能，还显著加速了推理速度。

在训练阶段，团队设计了基于FP8的混合精度训练框架，验证了FP8在极大规模模型上的可行性与高效性。跨节点通信问题则通过DualPipe高效流水线并行算法解决，实现了几乎零开销的all-to-all通信。整个模型的训练仅耗费了不到280万GPU小时，成本为约557.6万美元，相较于Llama 3 405B模型的训练成本大幅降低。

在性能测试中，DeepSeek V3在多个开源和闭源模型基准测试中达到了SOTA（开创性最佳表现），表现甚至媲美GPT-4o和Claude 3.5 Sonnet等顶尖模型。在生成速度上，新模型每秒可生成60个tokens，响应速度提升了3倍，同时API价格仅为Claude 3.5 Sonnet的1/53，成为性价比的绝对赢家。

此外，团队还开源了FP8权重和BF16转换工具，并支持多个推理框架，包括SGLang、TensorRT-LLM等，极大简化了模型部署的难度。

DeepSeek V3的预训练阶段仅耗时不到两个月，表明通过协同优化算法、框架与硬件，可以在有限算力预算下高效训练超大规模AI模型。

在信息检索中，处理长文本是一个计算资源密集的挑战。KAIST与DeepAuto的研究团队，提出了一种名为CoLoR的创新方法，通过对文本进行压缩，大幅提高了长上下文语言模型（LCLMs）的检索效率，同时减少了计算成本。

CoLoR的核心是通过生成和评价压缩文本样本来优化检索性能。研究人员采用偏好优化（Preference Optimization）技术，对生成的多种压缩文本进行评价，选择表现最佳的版本。为了进一步减少文本长度，团队引入了长度正则化损失（length regularization loss），鼓励生成更短但高效的文本。

实验在九个数据集上进行，包括单文档和多文档检索场景，结果表明CoLoR显著提升了检索效率和准确性。具体而言，CoLoR将检索性能提高了6%，并将上下文长度缩短至原来的约一半（1.91倍）。与传统的压缩方法相比，CoLoR的表现更加优越，展现了出色的通用性，适用于未见过的数据集。这项研究为未来信息检索任务提供了新方向。

当前医学人工智能评估多依赖多选题，但无法反映真实临床场景的复杂性。为此，来自贝斯以色列女执事医疗中心、哈佛医学院、斯坦福大学等机构的研究人员对OpenAI的o1-preview模型进行了深入评估，探讨其在医生推理任务上的能力。研究表明，该模型在差异诊断生成和复杂推理任务上表现超越以往。

研究设置了五个实验，评估o1-preview在以下方面的能力：差异诊断生成（differential diagnosis generation，基于症状提供可能的诊断列表）、诊断推理展示（display of diagnostic reasoning，逻辑清晰地解释诊断过程）、分诊差异诊断（triage differential diagnosis，评估紧急医疗状况）、概率推理（probabilistic reasoning，基于统计学推断可能性）和管理推理（management reasoning，制定治疗方案）。研究团队利用经过验证的心理测量工具对模型表现进行评分。

结果显示，在差异诊断生成和诊断、管理推理任务上，o1-preview的表现显著优于之前的LLMs和人类医生，特别是在复杂诊断任务中展现了强大的链式推理能力。然而，模型在概率推理和分诊差异诊断任务中的表现与之前的模型类似。

个性化视觉任务因其数据稀缺和细粒度需求而极具挑战性。麻省理工学院、OpenAI 的研究人员 Shobhita Sundaram、Julia Chae 和 Yonglong Tian 等通过结合生成数据与对比学习方法，探索如何从少量实例图像中生成有效的个性化表示数据。他们的研究显著提升了个性化模型在多任务下的性能，提供了新的研究工具和评估标准。

研究提出了一种新的对比学习方法，结合文本到图像生成（T2I diffusion models），利用少量真实图像生成多样化的个性化合成数据来增强模型的表示能力。研究团队引入了一个全新的数据集 PODS（Personal Object Discrimination Suite），用于评估生成数据在分类（classification）、检索（retrieval）、检测（detection）和分割（segmentation）等任务中的表现。

实验结果显示，与传统方法相比，这种个性化表示在多种任务中均取得突破性进展。在分类任务中，基于三张真实图像生成的合成数据训练的模型准确率提升了约30%，而分割任务的性能也显著超过主流基准。这一方法特别强调了生成数据的质量与多样性对于提升模型性能的重要性。此外，研究还揭示了不同生成器的偏差在个性化任务中的具体影响，提供了重要的优化思路。

中医按摩在缓解疼痛和促进康复中具有显著疗效，但手法复杂，对技师经验要求高。上海交通大学与上海理工大学的研究团队通过机器人技术模拟传统中医按摩，为医疗保健和康复治疗带来了新工具。研究利用自适应导纳控制算法，从运动学和动力学角度解析按摩技法，并开发出多功能机械手，有效再现了四种典型按摩手法。

研究团队采用动作捕捉系统Optitrack和按摩强度测量仪ZTC-II（用于记录按摩手法和力道的设备），收集了专业中医按摩师的操作数据，并以此训练机器人控制算法。机器人系统由两个机械臂组成，末端配备模拟人手的机械按摩手，具有掌击（Palm-punch）、振动（Vibration）、揉捏（Kneading）和指法（Finger technique）四种模式。实验结果显示，该系统能够成功复制敲打、按压、推压和振动四种中医按摩技术，按摩过程舒适且安全。

自监督学习（SSL）在机器学习领域广泛应用，但传统方法依赖固定数据增强策略，限制了模型在不同任务中的适应能力。来自麻省理工学院计算机科学与人工智能实验室（CSAIL）和慕尼黑工业大学的研究人员，开发了一种名为情境自监督学习（ContextSSL）的新算法。该方法通过融入上下文记忆模块，实现了灵活的任务调整，大幅提升了模型的泛化性能和公平性。

ContextSSL的核心方法是通过Transformer模块编码上下文信息，包括状态-动作-下一个状态的三元组。这里，“动作”表示数据增强的类型，当前状态和未来状态分别表示增强前后的输入表示。通过这种设计，模型能够在特定任务中动态调整其表示的对称性，适应不变性（invariance）和等变性（equivariance）的要求。

实验表明，ContextSSL在多个计算机视觉基准任务中表现出显著优势。例如，在CIFAR-10数据集上，其准确性相比传统方法提升了约10%。在医疗领域，ContextSSL在MIMIC-III数据集上成功实现了性别敏感任务的改进，同时在公平性指标（如均等赔率和机会均等）上取得更高分数。