上海
█ 腦科學動態(tài)
特定“炎癥”狀態(tài)下的免疫細胞竟能促進大腦神經再生
15000小時修行背后：腦磁圖解密高僧的特殊神經振蕩
大腦物理壓力觸發(fā)神經元自毀程序
為何有些教師更抗壓？認知重評在危機中的緩沖作用
眼球運動積極參與大腦對過往經歷的重構
新冠后遺癥患者大腦能量代謝受損
掌控夢境治愈心靈：清醒夢療法有望緩解PTSD與慢性噩夢
駁斥“一孕傻三年”：孕期大腦并未“變傻”，而是變得更具愛意
數(shù)學模型揭示大腦微血管網絡如何精準調控血流
█ AI行業(yè)動態(tài)
阿里達摩院開源RynnBrain“具身大腦”，機器人首獲時空記憶與物理推理能力
█ AI驅動科學
視覺語言模型在神經心理學測試中表現(xiàn)出廣泛的視覺缺陷
AI決策輔助工具并非中立：對AI持積極態(tài)度者更易被誤導
微米級鋅空氣電池問世，為微型機器提供片上電源
警惕AI排行榜陷阱：兩個投票即可改變AI冠軍
機器人群將音樂轉化為動態(tài)光畫
AI精準追蹤腦干白質通路，助力神經疾病診斷與預后評估
拋棄全局視野，聚焦局部信息：Transformer如何學會物理定律
考試滿分實戰(zhàn)不及格：大模型無法提升公眾醫(yī)療決策質量
腦科學動態(tài)
特定“炎癥”狀態(tài)下的免疫細胞竟能促進大腦神經再生
大腦中的免疫細胞如何影響新神經元的生成？來自辛辛那提大學的Yu (Agnes) Luo、Kierra Ware、Joshua Peter以及辛辛那提兒童醫(yī)院的Krishna Roskin等人組成的研究團隊，揭示了免疫細胞在調節(jié)成人大腦神經發(fā)生中的關鍵作用。他們發(fā)現(xiàn)，改變小膠質細胞的特定信號通路，不僅能促進新神經元的生成，還能減輕焦慮行為。
? 敲除小鼠海馬小膠質細胞中的 Alk5 基因后，新生成年神經元的存活率顯著提高。Credit: Nature Communications (2026).
該研究通過基因編輯技術，培育了小膠質細胞中缺乏TGF-β信號通路的小鼠模型。通常認為，免疫細胞的激活對神經生成有害，但研究人員驚訝地發(fā)現(xiàn)，這些失去TGF-β信號的“反應性”小膠質細胞反而刺激了海馬區(qū)的成人神經發(fā)生（adult neurogenesis，成年期大腦生成新神經元的過程）。通過單細胞RNA測序分析，團隊發(fā)現(xiàn)這是一種復雜的細胞間信號串擾：小膠質細胞的變化導致新生神經母細胞中PTEN信號下降，進而激活了mTOR通路。行為學實驗進一步證實，這些神經發(fā)生增強的小鼠表現(xiàn)出更少的焦慮樣行為。這一發(fā)現(xiàn)挑戰(zhàn)了傳統(tǒng)觀點，表明特定狀態(tài)下的免疫激活可能有益于大腦可塑性，并為未來治療阿爾茨海默病和情緒障礙提供了新的潛在靶點。研究發(fā)表在 Nature Communications 上。
#疾病與健康 #心理健康與精神疾病 #神經發(fā)生 #免疫調節(jié) #腦科學
閱讀更多：
Ware, Kierra, et al. “Inhibition of TGF-β Signaling in Microglia Stimulates Hippocampal Adult Neurogenesis and Reduces Anxiety-like Behavior in Adult Mice.” Nature Communications, vol. 17, no. 1, Feb. 2026, p. 1440. www.nature.com, https://doi.org/10.1038/s41467-026-68885-4
15000小時修行背后：腦磁圖解密高僧的特殊神經振蕩
與大眾普遍認為的“大腦放空”相反，冥想實際上是一種大腦高度活躍且有序的狀態(tài)。蒙特利爾大學的Karim Jerbi、意大利國家研究委員會的Annalisa Pascarella以及基耶蒂-佩斯卡拉加布里埃萊·鄧南遮大學和羅馬大學的研究人員展開了一項國際合作。他們對12位平均擁有超過15,000小時修行經驗的泰國森林傳統(tǒng)佛教僧侶進行了研究，深入探索了冥想如何重塑大腦的動力學特征。
? t 值圖和基于聚類的置換檢驗結果，用于分析兩種冥想狀態(tài)與 RS 狀態(tài)下復雜度特征（LZC、HFD 和 SpecEn）。Credit: Neuroscience of Consciousness (2025).
研究團隊利用腦磁圖（MEG）技術，以毫秒級的時間分辨率記錄了僧侶們在休息、薩瑪塔（Samatha，止禪）和內觀（Vipassana，觀禪）三種狀態(tài)下的大腦磁場活動。研究引入了物理學中的“臨界性”（criticality）概念，即系統(tǒng)處于有序與混亂之間的最佳平衡狀態(tài)。分析結果顯示，冥想顯著增加了大腦活動的復雜性，并調節(jié)了神經振蕩。特別是內觀冥想，它使大腦更接近“臨界點”，這種狀態(tài)下神經網絡既足夠穩(wěn)定以傳遞信息，又足夠靈活以適應新情況，被認為是處理信息和學習的“最佳狀態(tài)”。相比之下，強調專注的薩瑪塔冥想則產生了一種更為穩(wěn)定的神經模式。
此外，通過先進的信號分析分離非周期性成分后，研究發(fā)現(xiàn)冥想實際上降低了伽馬波段的振蕩功率，修正了以往關于高頻波增強的認知。這項研究不僅揭示了冥想提升大腦靈活性和情緒調節(jié)能力的神經機制，也為治療焦慮和抑郁提供了科學依據(jù)。研究發(fā)表在 Neuroscience of Consciousness 上。
#神經科學 #神經機制與腦功能解析 #心理健康與精神疾病 #跨學科整合
閱讀更多：
Pascarella, Annalisa, et al. “Meditation Induces Shifts in Neural Oscillations, Brain Complexity, and Critical Dynamics: Novel Insights from MEG.” Neuroscience of Consciousness, vol. 2025, no. 1, Feb. 2025, p. niaf047. Silverchair, https://doi.org/10.1093/nc/niaf047
大腦物理壓力觸發(fā)神經元自毀程序
大腦腫瘤如何通過物理手段“壓垮”神經元？來自圣母大學的Maksym Zarodniuk、Anna Wenninger、Meenal Datta和Christopher Patzke組成的跨學科團隊，結合工程力學與神經科學，揭示了慢性物理壓迫導致大腦損傷的深層機制。研究發(fā)現(xiàn)，腫瘤生長產生的機械力會直接觸發(fā)神經元的程序性死亡，而不僅僅是簡單的物理破壞。這一發(fā)現(xiàn)有助于解釋腦腫瘤患者為何常伴隨嚴重的認知與運動功能衰退。
? Credit: Proceedings of the National Academy of Sciences (2026).
為了解開這一謎題，研究團隊采用了一種創(chuàng)新的實驗方法。他們利用誘導多能干細胞（iPSCs）在實驗室中培育出模擬大腦神經網絡的神經元和膠質細胞系統(tǒng)，并對該系統(tǒng)施加精確控制的物理壓力，以模擬膠質母細胞瘤對周圍組織的慢性壓迫。通過對受壓細胞進行信使RNA測序，研究人員發(fā)現(xiàn)，物理壓力激活了特定的分子通路：HIF-1分子的增加雖然旨在幫助細胞適應壓力，卻引發(fā)了腦部炎癥；同時，AP-1基因表達的上調進一步促進了神經炎癥反應。這種“自毀程序”導致神經元凋亡和突觸功能喪失。團隊還通過小鼠體內模型和人類患者數(shù)據(jù)驗證了這一結果，證實了機械力是導致神經退行性病變的關鍵因素。研究發(fā)表在 PNAS 上。
#疾病與健康 #神經機制與腦功能解析 #跨學科整合 #腫瘤 #腦損傷
閱讀更多：
Zarodniuk, Maksym, et al. “Mechanical Compression Induces Neuronal Apoptosis, Reduces Synaptic Activity, and Promotes Glial Neuroinflammation in Mice and Humans.” Proceedings of the National Academy of Sciences, vol. 123, no. 1, Jan. 2026, p. e2513172122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2513172122
為何有些教師更抗壓？認知重評在危機中的緩沖作用
戰(zhàn)爭帶來的長期壓力嚴重威脅著教育工作者的職業(yè)生涯。為了探究為何部分教師能在危機中保持韌性，來自耶路撒冷希伯來大學的 Demetria Hila Neustadter、Dana Lassri、Dana Rose Cohen 以及海法大學的 Joy Benatov 和 Noga Cohen 組成的團隊進行了一項研究。他們發(fā)現(xiàn)，通過特定的心理調節(jié)策略，可以有效緩解戰(zhàn)爭環(huán)境對教師造成的職業(yè)倦怠。
? 認知重評調節(jié)了戰(zhàn)爭經歷與高中教師職業(yè)倦怠之間的關聯(lián)。Credit: Psychiatry Research (2026).
研究團隊在戰(zhàn)爭爆發(fā)八個月后，對329名以色列高中教師（包括猶太裔和阿拉伯裔）進行了在線調查。研究并未僅僅關注教師經歷了多少戰(zhàn)爭事件（如疏散或目睹受傷），而是重點考察了他們的主觀壓力感受以及情緒調節(jié)方式。研究引入了認知重評這一概念，即個體通過重新構建對困境的認知解讀來改變其情緒影響的策略。
結果顯示，導致職業(yè)倦怠的關鍵并非客觀的戰(zhàn)爭暴露程度，而是主觀的情緒困擾和無助感。數(shù)據(jù)分析表明，認知重評起到了關鍵的心理緩沖作用：那些習慣于使用該策略的教師，其職業(yè)倦怠水平顯著較低。更重要的是，認知重評削弱了戰(zhàn)爭暴露與身心疲憊之間的聯(lián)系，證明了韌性并非固定特質，而是可以通過后天培養(yǎng)的技能。這項發(fā)現(xiàn)強調了關注教師內在情緒狀態(tài)的重要性，并建議通過專業(yè)培訓推廣這一簡單有效的策略。研究發(fā)表在 Psychiatry Research 上。
#AI驅動科學 #計算模型與人工智能模擬 #認知科學 #神經縮放定律 #理論神經科學
閱讀更多：
Neustadter, Demetria Hila, et al. “The Effects of War on Teachers’ Burnout: The Moderating Role of Emotion Regulation.” Psychiatry Research, vol. 357, Mar. 2026, p. 116942. ScienceDirect, https://doi.org/10.1016/j.psychres.2026.116942
眼球運動積極參與大腦對過往經歷的重構
眼睛不僅是接收信息的窗口，更是回溯記憶的關鍵線索。來自貝克雷斯特老年護理中心羅特曼研究所的Ryan M. Barker、Brian Levine等人組成的團隊，通過一項創(chuàng)新研究揭示了眼球運動在記憶提取中的核心作用。他們發(fā)現(xiàn)，眼動并非記憶過程的被動副產品，而是積極參與了大腦對過去事件視覺和空間記憶的重建與處理。這一發(fā)現(xiàn)為理解人類記憶運作機制提供了新視角，并可能為相關腦部疾病的診斷提供依據(jù)。
在該研究中，研究人員邀請了91名健康年輕成人參觀博物館式的藝術展覽，并在一周后讓參與者在面對空白屏幕時自由回憶參觀經歷。利用高精度的眼動追蹤技術，團隊將參與者的眼球運動與口頭回憶內容在毫秒級精度上進行了同步分析。結果顯示，當人們準備回憶具體的情景細節(jié)時，其眼球掃視頻率會在細節(jié)說出前約半秒顯著增加，而在細節(jié)被回憶出來后立即減少。這種特定的眼動模式在回憶一般性事實或非情景信息時并未出現(xiàn)。這表明視覺探索機制直接服務于現(xiàn)實生活經驗的重建。研究人員指出，由于眼動測量具有非侵入性且易于重復，未來有望用于阿爾茨海默病等神經退行性疾病的早期篩查，或幫助優(yōu)化創(chuàng)傷后應激障礙（PTSD）的干預療法。研究發(fā)表在 Cognition 上。
#認知科學 #神經機制與腦功能解析 #眼動追蹤 #情景記憶 #阿爾茨海默病
閱讀更多：
Barker, Ryan M., et al. “Remembrance with Gazes Passed: Eye Movements Precede Continuous Recall of Episodic Details of Real-Life Events.” Cognition, vol. 268, Mar. 2026, p. 106380. ScienceDirect, https://doi.org/10.1016/j.cognition.2025.106380
新冠后遺癥患者大腦能量代謝受損
針對新冠后遺癥（PCCo）患者常見的腦霧、注意力不集中等認知障礙問題，來自中央心理健康研究所（CIMH）的 Wolfgang Weber-Fahr、Gabriele Ende 和 Claudia Schilling 等研究人員發(fā)現(xiàn)，這些癥狀與大腦能量代謝的顯著改變有關。這項研究揭示了患者大腦特定區(qū)域的能量供應異常，為理解新冠后遺癥的病理機制提供了新的生物學證據(jù)。
? PCCo 患者扣帶回皮質的 ATP/PCr 區(qū)域性改變。Credit: Biological Psychiatry (2026).
研究團隊利用磷磁共振波譜（31P-MRS）技術，對27名新冠后遺癥患者和23名完全康復的對照組進行了對比分析。31P-MRS 能夠無創(chuàng)地檢測活體大腦中的關鍵能量物質，包括被稱為“細胞燃料”的三磷酸腺苷（ATP）和作為短期能量儲備的磷酸肌酸（PCr）。結果顯示，患者大腦扣帶回皮層區(qū)域的 ATP/PCr 比率顯著降低，表明該區(qū)域細胞能量代謝受損。特別是在前扣帶回皮層，較低的能量水平與患者在認知測試中的較差表現(xiàn)密切相關。此外，同時患有肌痛性腦脊髓炎/慢性疲勞綜合征（ME/CFS）的患者亞組也表現(xiàn)出類似的代謝模式。研究人員指出，這支持了線粒體功能障礙可能是導致新冠后遺癥認知癥狀的關鍵機制。研究發(fā)表在 Biological Psychiatry 上。
#疾病與健康 #神經機制與腦功能解析 #新冠后遺癥 #線粒體功能障礙 #腦能量代謝
閱讀更多：
Weber-Fahr, Wolfgang, et al. “Reduced ATP-to-Phosphocreatine Ratios in Neuropsychiatric Post-COVID Condition: Evidence from 31P Magnetic Resonance Spectroscopy.” Biological Psychiatry, vol. 0, no. 0, Jan. 2026. www.biologicalpsychiatryjournal.com, https://doi.org/10.1016/j.biopsych.2026.01.004
閱讀如何“教會”大腦聽懂陌生的聲音
學習閱讀是否會改變我們“聽”世界的方式？Mariana P. Nucci 和 Jed A. Meltzer 等人（圣保羅大學、貝克雷斯特羅特曼研究所）通過研究發(fā)現(xiàn)，識字能力不僅關乎閱讀文字，更從根本上重塑了大腦處理口語的機制。即便在沒有文字出現(xiàn)的純聽覺環(huán)境中，受過閱讀訓練的大腦也展現(xiàn)出了截然不同的神經活動模式。
? Credit: Cortex (2026).
為了揭示閱讀對大腦聽覺處理的影響，研究團隊在巴西招募了兩組老年人：一組是受過教育的終身閱讀者，另一組是僅能識別字母但無法理解文本的功能性文盲。研究人員利用功能性磁共振成像（fMRI）技術，監(jiān)測參與者在執(zhí)行“單詞監(jiān)測任務”時的大腦活動。參與者需要聆聽故事，并在聽到特定目標詞（如“水”）時按鍵。故事分為兩種：一種是母語葡萄牙語，另一種是完全陌生的日語。
結果顯示，兩組人在聆聽母語時表現(xiàn)相當，但在處理陌生的日語時，識字者的表現(xiàn)顯著優(yōu)于文盲。腦部掃描揭示，識字者在處理陌生語言時，大腦右側額下回被強烈激活，而文盲組則未能激活這一區(qū)域。這表明，閱讀訓練培養(yǎng)了一種名為音素意識（phonemic awareness）的能力，使大腦能夠獨立于語義去分析語音的細微結構。右側額下回的參與反映了這種后天習得的高級語音處理技能，它幫助人們在面對復雜的聽覺挑戰(zhàn)時具備更強的認知韌性。研究發(fā)表在 Cortex 上。
#疾病與健康 #其他 #細胞死亡 #癌癥治療 #免疫代謝
閱讀更多：
Nucci, Mariana P., et al. “Literacy Modulates Engagement of the Right Inferior Frontal Gyrus in Phonological Processing of Spoken Language.” Cortex, vol. 196, Mar. 2026, pp. 19–40. ScienceDirect, https://doi.org/10.1016/j.cortex.2025.12.007
掌控夢境治愈心靈：清醒夢療法有望緩解PTSD與慢性噩夢
清醒夢（Lucid Dreaming）即在睡眠中意識到自己在做夢的狀態(tài)，是人類意識中迷人的一部分。Tirath Patel 等研究人員針對清醒夢在心理健康治療中的應用進行了大規(guī)模綜述研究。團隊通過匯總分析現(xiàn)有文獻，旨在填補長期健康影響證據(jù)的空白。研究發(fā)現(xiàn)，這種獨特的意識狀態(tài)可能成為治療慢性噩夢和創(chuàng)傷后應激障礙（PTSD）的有效手段。
該研究分析了38項經同行評審的論文，涵蓋健康人群及PTSD或帕金森病患者，并嚴格篩選了具備客觀生理數(shù)據(jù)支持的研究。研究結果顯示，當人們進入清醒夢時，大腦的前額葉皮層活動顯著增強，該區(qū)域負責決策與沖動控制；同時，額葉區(qū)域會出現(xiàn)增強的伽馬波段活動，這種約40赫茲的快速腦電波與高級思維相關，幫助做夢者意識到“我在做夢”?；谶@種機制，患者可以在夢中獲得主導權，主動面對并修改夢境內容，將恐懼場景轉化為無害場景，從而阻斷創(chuàng)傷記憶的反復重演。盡管目前證據(jù)仍屬初步階段，但研究人員認為未來結合可穿戴技術，患者有望在家中通過誘導清醒夢來進行自我療愈。研究發(fā)表在 Annals of Medicine & Surgery 上。
#疾病與健康 #心理健康與精神疾病 #神經機制與腦功能解析 #認知科學
閱讀更多：
Patel, Tirath, et al. “A Narrative Review on the Neurobiology of Lucid Dreaming: Mechanisms and Therapeutic Potential.” Annals of Medicine and Surgery, vol. 88, no. 2, Feb. 2026, p. 1680. journals.lww.com, https://doi.org/10.1097/MS9.0000000000004741
駁斥“一孕傻三年”：孕期大腦并未“變傻”，而是變得更具愛意
懷孕不僅改變女性的身體，也在重塑她們的大腦嗎？為了探究懷孕期間女性在情感和認知上如何為母職做準備，來自哥本哈根大學和哥本哈根精神病中心的 Anne Juul Bjertrup、Kamilla Woznica Miskowiak 和 Catrine Sejer 等研究人員開展了一項對比研究。結果發(fā)現(xiàn)，懷孕會在心理上幫助女性更好地適應嬰兒的信號，這種積極的適應性變化不僅駁斥了“一孕傻三年”的說法，還能預測產后母嬰關系的質量。
該研究比較了44名孕婦和34名非孕婦對包含嬰兒的圖像、視頻、聲音及虛擬現(xiàn)實場景的反應。研究團隊通過監(jiān)測參與者的生理反應、面部表情以及自我報告的情緒感受，發(fā)現(xiàn)兩組人群存在顯著差異。與非孕婦相比，孕婦在聽到嬰兒哭聲時表現(xiàn)出的壓力較小，而在看到嬰兒微笑時則感到更快樂，并表現(xiàn)出更強烈的想要抱起嬰兒的沖動。此外，研究人員并未發(fā)現(xiàn)孕婦在記憶力或注意力等“冷認知”（cold cognition）任務上的表現(xiàn)劣于非孕婦，這表明盡管孕婦普遍睡眠質量較差，但并沒有證據(jù)支持所謂的“孕傻”或“媽媽腦”導致的認知衰退。
隨訪數(shù)據(jù)顯示，孕婦在懷孕期間對嬰兒刺激的反應越積極，她在分娩六個月后報告的與孩子的關系就越好。研究指出，這種情感認知的適應性調整對于建立健康的母嬰紐帶至關重要。相反，如果在實驗情境中對嬰兒信號表現(xiàn)出過度消極或壓力的反應，可能預示著產后抑郁癥的風險增加。這一發(fā)現(xiàn)為早期識別和干預產后心理健康問題提供了新的視角。研究發(fā)表在 Infant Mental Health Journal 上。
#疾病與健康 #心理健康與精神疾病 #認知科學 #母嬰關系 #懷孕
閱讀更多：
Sejer, Catrine, et al. “Emotional-Cognitive Differences during Pregnancy: Adaptations for Motherhood.” Infant Mental Health Journal: Infancy and Early Childhood, vol. 47, no. 1, 2026, p. e70046. Wiley Online Library, https://doi.org/10.1002/imhj.70046
數(shù)學模型揭示大腦微血管網絡如何精準調控血流
大腦血管網絡極其復雜，如何在其中實現(xiàn)精準的血流控制一直是個謎。加州大學圣地亞哥分校的 Xiang Ji 和 David Kleinfeld 等人，聯(lián)合上海神經科學研究所的 Kai Wang，結合理論物理與生物實驗數(shù)據(jù)進行了深入研究。他們構建了數(shù)學模型并分析了大規(guī)模微血管網絡數(shù)據(jù)，揭示了大腦微血管看似隨機的連接背后隱藏的血流控制組織原則。
? 小鼠大腦皮層直徑 0.7 毫米區(qū)域內的血管系統(tǒng)，圖中紅色標記區(qū)域突出顯示了血流控制可靠的區(qū)域。Credit: Kleinfeld lab / UC San Diego
研究團隊首先建立了一個數(shù)學模型，用于預測單根血管的變化如何影響整個網絡的血流。他們利用共聚焦光場顯微鏡技術，在極高時空分辨率下追蹤了超過100萬個血細胞在3000多個血管分支中的運動，以此驗證理論預測。研究發(fā)現(xiàn)，并非所有血管都能同等調節(jié)血流，只有位于穿透性小動脈分支處的“過渡區(qū)毛細血管”（位于分叉節(jié)點/diverging nodes）才是關鍵的“控制器”。理論與數(shù)據(jù)均表明，只有這些特定位置的血管擴張，才能可靠地增加下游血流。此外，由于單根血管擴張的效果微弱，大腦必須通過協(xié)調血管舒張來確保有效的調節(jié)。研究還發(fā)現(xiàn)，這些關鍵節(jié)點通常被周細胞包裹，這為血管的精細調節(jié)提供了結構基礎。這一發(fā)現(xiàn)對于理解功能性磁共振成像（fMRI）信號以及腦血管疾病的病理機制具有重要意義。研究結果發(fā)表在 PNAS 上。
#神經科學 #神經機制與腦功能解析 #微循環(huán) #生物物理學
閱讀更多：
Ji, Xiang, et al. “Microvascular Architecture and Physiological Fluctuations Constrain the Control of Cerebral Microcirculation.” Proceedings of the National Academy of Sciences, vol. 123, no. 3, Jan. 2026, p. e2521872123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2521872123
AI 行業(yè)動態(tài)
阿里達摩院開源RynnBrain“具身大腦”，機器人首獲時空記憶與物理推理能力
在全球具身智能競賽白熱化之際，阿里巴巴達摩院近日開源了其通用具身智能模型RynnBrain，為機器人裝上了能夠進行復雜時空推理的“大腦”。該模型的核心突破在于首次讓機器人具備了“全局時空記憶”與“文本-空間交錯推理”能力，有效解決了長期困擾行業(yè)的“物理幻覺”（模型描述與物理現(xiàn)實不符）和任務中斷后“健忘”兩大難題。這意味著機器人能在執(zhí)行任務被打斷后無縫回溯銜接，并能將語言指令與物理空間中的具體位置精準綁定，實現(xiàn)“言必有據(jù)”的可靠操作。在涵蓋物體認知、空間規(guī)劃等16項權威評測中，RynnBrain性能全面超越Gemini Robotics ER 1.5等前沿模型。
RynnBrain采用了一種仿生學的分層架構思路，其基礎是達摩院此前開發(fā)的精準視覺理解模型RynnEC（可視為“眼睛”）。在此之上，RynnBrain作為“大腦”負責高階規(guī)劃和決策。它基于高效的混合專家架構，僅激活30億參數(shù)便達到了超越720億參數(shù)模型的性能，兼顧了能力與效率。尤為關鍵的是，其訓練全部采用真實世界數(shù)據(jù)，通過“AI生成+人工清洗”方式構建了高達2000萬對的高質量數(shù)據(jù)集。此次開源包含從20億到300億參數(shù)的完整模型系列、訓練代碼及全新評測基準RynnBrain-Bench。達摩院的長期目標是構建統(tǒng)一的機器人操作系統(tǒng)（OS），此次開源是其構建從感知模型到控制協(xié)議完整技術棧的關鍵一步。
#RynnBrain #具身智能 #機器人OS #阿里達摩院 #開源
閱讀更多：
https://github.com/alibaba-damo-academy/RynnBrain
AI 驅動科學
視覺語言模型在神經心理學測試中表現(xiàn)出廣泛的視覺缺陷
人工智能領域常存在“莫拉維克悖論”，即AI往往先掌握復雜的抽象推理，卻難以勝任人類覺得簡單的感知任務。為了探究這一現(xiàn)象在視覺領域的表現(xiàn)，來自奧克蘭大學的 Gene Tangtartharakul 和 Katherine R. Storrs 借用人類臨床評估工具，系統(tǒng)地對比了最先進的視覺語言模型（VLMs）與人類的視覺能力，揭示了AI在視覺基礎層面的驚人短板。
研究團隊采用了神經心理學評估作為核心方法，這是臨床醫(yī)生通常用于評估人類感知和認知能力的標準化工具。研究人員選取了三個頂尖的商用視覺語言模型，利用來自六個臨床及實驗測試組的51項測試對其進行全面“體檢”，其中包括用于評估不同視覺處理階段的伯明翰物體識別測試組（BORB）和側重于空間感知的視覺物體和空間感知測試組（VOSP）。通過將AI的表現(xiàn)與健康成年人的規(guī)范數(shù)據(jù)進行直接對比，研究發(fā)現(xiàn)了一個顯著的感知分離現(xiàn)象：雖然這些模型在面部識別和復雜物體分類等高級任務上表現(xiàn)出色，但在處理方向、位置、遮擋和連續(xù)性等低級和中級視覺任務時，卻表現(xiàn)出廣泛的缺陷。在人類醫(yī)學標準下，這些缺陷被視為具有臨床意義。這一結果表明，與人類必須基于基礎視覺概念構建復雜認知不同，人工系統(tǒng)可以在缺乏基礎視覺能力的情況下實現(xiàn)高級識別，凸顯了兩者在視覺機制上的本質差異。研究發(fā)表在 Nature Machine Intelligence 上。
#認知科學 #計算模型與人工智能模擬 #跨學科整合 #機器視覺 #深度學習
閱讀更多：
Tangtartharakul, Gene, and Katherine R. Storrs. “Visual Language Models Show Widespread Visual Deficits on Neuropsychological Tests.” arXiv:2504.10786, arXiv, 16 Apr. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2504.10786
AI決策輔助工具并非中立：對AI持積極態(tài)度者更易被誤導
人工智能輔助工具通常被認為能消除人為偏見，但事實可能恰恰相反。Sophie Nightingale（蘭卡斯特大學）、Joe Pearson、Itiel E. Dror（認知咨詢國際公司）以及Emma Jayes、Georgina Mason、Grace-Rose Whordley（英國國防科技實驗室）組成的團隊發(fā)現(xiàn)，基于AI的指導可能反而助長人類的偏見。研究表明，對人工智能持積極態(tài)度的人群，在使用AI輔助工具時，不僅未能提升決策質量，反而面臨更高的被誤導風險，導致決策效率降低。
? 示例刺激材料中的面部圖像以輪廓形式呈現(xiàn)：上圖 = 合成面孔，人工智能條件；下圖 = 真實面孔，人類條件。真實面孔來自 Flickr-Faces-HQ 數(shù)據(jù)集，由 NVIDIA 公司根據(jù)知識共享署名-非商業(yè)性使用-相同方式共享 4.0 國際許可協(xié)議 (CC BY-NC-SA 4.0) 提供。Credit: Lancaster University
該研究招募了295名參與者進行面孔真實性判斷任務，要求區(qū)分真實面孔與合成面孔。實驗的關鍵在于，參與者會收到據(jù)稱來自“人類專家”或“AI算法”的建議，但這些建議實際上只有50%的準確率。研究人員利用人工智能總體態(tài)度量表（GAAIS）測量了參與者對AI的看法。結果顯示，那些對AI持高度積極態(tài)度的參與者，在接受AI指導時，辨別真假面孔的能力顯著下降；而接受“人類指導”的對照組則未出現(xiàn)受信任度影響的情況。這揭示了一種特定的自動化偏見，即人類傾向于過度信賴技術系統(tǒng)給出的建議。研究指出，盲目相信技術能消除偏見的觀念，反而可能導致用戶在AI出錯時失去判斷力，從而損害而非提升決策水平。研究發(fā)表在 Scientific Reports 上。
#認知科學 #意圖與決策 #心理學 #人機交互
閱讀更多：
Pearson, Joe, et al. “Examining Human Reliance on Artificial Intelligence in Decision Making.” Scientific Reports, vol. 16, no. 1, Feb. 2026, p. 5345. www.nature.com, https://doi.org/10.1038/s41598-026-34983-y
微米級鋅空氣電池問世，為微型機器提供片上電源
為解決微型機器人和植入式傳感器等設備的供電難題，來自印度塔塔基礎研究所的 Subhra R. Pattanayak, T. N. Narayanan 和英國倫敦大學學院的 Yujia Fan, Yijia Zhu 等研究人員合作，成功開發(fā)了一種可直接集成在芯片上的平面微米級鋅空氣電池。該電池設計新穎，在微米尺度下實現(xiàn)了前所未有的高能量密度和循環(huán)穩(wěn)定性，為自主微型設備的發(fā)展鋪平了道路。
? 上圖：分別采用 Zn 和 Co/Ni 電沉積法制備陽極和陰極的 CN-ZAMB（圖中插圖展示了陽極處可逆的 Zn?ZnO 轉化以及陰極處由 NH?? 、 Zn?? 、 Cl? 等電解質離子和 H?O 分子促進的雙功能 ORR/OER 過程）。下圖：（左）Au 叉指電極芯片（總面積 2.25 cm × 0.75 cm，活性面積 1.15 cm × 0.6 cm）、CN-ZAMB 和 Pt-ZAMB 的數(shù)碼照片。（右）三個串聯(lián)的 Pt-ZAMB 有效地為室內外溫濕度計供電。Credit: S. R. Pattanayak, et al.
研究團隊采用了一種創(chuàng)新的平面設計，在單個芯片上利用微加工技術制造出寬度僅為200微米的叉指電極（interdigitated electrodes），將陽極和陰極并列于同一平面，極大地縮小了電池厚度。電池的陽極由沉積在多孔銀骨架上的鋅構成，陰極則采用了高效的雙功能催化劑，如鉑碳或電沉積的鈷鎳層狀雙氫氧化物（Co-Ni layered double hydroxide）。一個關鍵突破是使用了近中性的凝膠電解質，替代了傳統(tǒng)鋅空氣電池中的強堿性電解液，使其生物相容性更好，更適合植入式設備。測試結果顯示，該微型電池性能卓越，其面容量在2毫安/平方厘米的高電流下超過20微安時/平方厘米，體積容量達到85毫安時/立方厘米，并能穩(wěn)定循環(huán)超過100次。研究團隊還成功用三個串聯(lián)的微型電池點亮了一個數(shù)字溫濕度計，直觀地證明了其為微型電子設備供電的實際能力。研究發(fā)表在 Small Methods 上。
#其他 #機器人及其進展 #微型電池 #鋅空氣電池
閱讀更多：
Pattanayak, Subhra R., et al. “Microscale Near-Neutral Zinc–Air Battery on Interdigitated Electrode Chips for High Current Operation.” Small Methods, vol. 9, no. 12, 2025, p. e01562. Wiley Online Library, https://doi.org/10.1002/smtd.202501562
警惕AI排行榜陷阱：兩個投票即可改變AI冠軍
大型語言模型排行榜的可靠性有多高？來自麻省理工學院（MIT）和IBM研究院的Jenny Y. Huang、Yunyi Shen、Tamara Broderick等人開發(fā)了一種快速評估方法，發(fā)現(xiàn)這些廣泛使用的排行榜對極少量的數(shù)據(jù)擾動異常敏感，少數(shù)用戶的偏好投票就可能顛覆最終排名。
研究團隊開發(fā)了一種高效的近似評估技術，用于測試LLM排名系統(tǒng)的數(shù)據(jù)魯棒性。該方法能精準定位到那些對排名結果影響最大的“關鍵投票”，并模擬移除這些投票后的排名變化。他們將此方法應用于多個基于成對比較模型（例如Bradley–Terry model）的流行排行榜，結果令人驚訝：在一個擁有超過57,000條用戶偏好數(shù)據(jù)的平臺上，僅需移除兩個投票（占比0.0035%）就能讓排名第一的模型易主。即便是在一個采用專家標注、數(shù)據(jù)質量更高的平臺上，移除大約3%的數(shù)據(jù)后，頂級模型的排名同樣發(fā)生了翻轉。研究人員指出，許多這類具有決定性影響的投票可能源于用戶誤操作或隨機噪聲，這意味著排行榜的頭名并不能保證其在所有場景下都具備普適的優(yōu)越性。
#AI驅動科學 #大模型技術 #數(shù)據(jù)魯棒性 #排行榜穩(wěn)定性
閱讀更多：
Huang, Jenny Y., et al. Dropping Just a Handful of Preferences Can Change Top Large Language Model Rankings. 2026, https://arxiv.org/abs/2508.11847
機器人群將音樂轉化為動態(tài)光畫
如何讓機器人將音樂的感性轉化為視覺藝術？滑鐵盧大學的Gennaro Notomista和Jingde Cheng開發(fā)了一套系統(tǒng)，利用機器人集群將音樂實時“繪制”成動態(tài)光繪作品，并允許人類參與共同創(chuàng)作，將音樂、繪畫與機器人技術創(chuàng)新性地結合起來。
研究團隊構建了一個由多個足球大小的輪式機器人組成的集群。這些機器人通過算法“聆聽”音樂，實時提取節(jié)奏與和弦等情感特征，并將其轉化為具體的視覺元素。機器人的移動速度、在地面畫布上的位置，以及其拖曳光跡的顏色、強度和寬度，都會隨著音樂的情感變化而動態(tài)調整。一臺攝像機從上方捕捉這些光跡，最終融合成一幅流動的光影畫作。該系統(tǒng)不僅是機器人的單向表演，更是一個開放的協(xié)作平臺。人類創(chuàng)作者可以通過控制器實時調整光跡寬度等參數(shù)，與機器人群共同完成藝術品，實現(xiàn)人機之間的靈感互補。這項技術背后的多機器人協(xié)調控制算法，未來還有望應用于環(huán)境監(jiān)測、精準農業(yè)和搜救任務等領域。
#AI驅動科學 #機器人及其進展 #人機協(xié)作 #藝術創(chuàng)作
閱讀更多：
Cheng, Jingde, and Gennaro Notomista. “Music-Driven Robot Swarm Painting.” 2025 IEEE International Conference on Advanced Robotics and Its Social Impacts (ARSO) [Osaka, Japan], July 2025, pp. 335–40. Semantic Scholar, https://doi.org/10.1109/ARSO64737.2025.11124982
AI精準追蹤腦干白質通路，助力神經疾病診斷與預后評估
腦干是人體的“生命中樞”，其內部微小的白質通路受損與多種神經系統(tǒng)疾病密切相關，但傳統(tǒng)影像技術難以清晰呈現(xiàn)。來自麻省理工學院、哈佛大學和麻省總醫(yī)院的Mark Olchanyi、Emery N. Brown等人，開發(fā)了一款名為“腦干束工具”（BSBT）的人工智能軟件，首次實現(xiàn)了對腦干內八個關鍵白質束的自動化精準分割，為相關疾病的診斷和預后評估開辟了新途徑。
? Credit: Mark Olchanyi/MIT Picower Institute
該研究的核心是一種為識別微小解剖結構而優(yōu)化的卷積神經網絡。研究團隊首先利用健康志愿者的擴散磁共振成像（diffusion MRI）數(shù)據(jù)對該網絡進行訓練，并通過與尸檢人腦的“真實”解剖結構比對來驗證其準確性。訓練完成后，BSBT能夠自動分析患者的MRI掃描數(shù)據(jù)，量化每個白質束的體積和結構完整性指標——各向異性分數(shù)（fractional anisotropy, FA，反映水分子沿神經纖維擴散的方向一致性，是評估白質健康度的常用指標）。研究團隊將該工具應用于阿爾茨海默病、帕金森病、多發(fā)性硬化癥和創(chuàng)傷性腦損傷患者的數(shù)據(jù)集，發(fā)現(xiàn)了與特定疾病相關的獨特損傷模式。尤為引人注目的是，該工具還成功追蹤了一名昏迷患者長達七個月的康復過程，清晰地展示了其受損腦干束的愈合情況，證實了其巨大的臨床應用潛力。研究發(fā)表在 PNAS 上。
#疾病與健康 #預測模型構建 #AI驅動科學 #神經影像
閱讀更多：
Olchanyi, Mark D., et al. “Probabilistic Mapping and Automated Segmentation of Human Brainstem White Matter Bundles.” Proceedings of the National Academy of Sciences, vol. 123, no. 6, Feb. 2026, p. e2509321123. www.pnas.org, https://doi.org/10.1073/pnas.2509321123
拋棄全局視野，聚焦局部信息：Transformer如何學會物理定律
通用AI模型能否不止步于預測，而去發(fā)現(xiàn)宇宙的物理定律？針對當前Transformer等模型在科學任務中僅能“擬合數(shù)據(jù)”而無法構建“世界模型”的難題，來自麻省理工學院、貝勒醫(yī)學院和斯坦福大學的Ziming Liu、Sophia Sanborn、Surya Ganguli和Andreas Tolias等研究人員發(fā)現(xiàn)，只需引入三個簡單的歸納偏置，就能引導AI從學習開普勒的幾何模型，轉變?yōu)榘l(fā)現(xiàn)牛頓的力學定律。
研究團隊通過實驗證明，通用Transformer之所以無法自發(fā)學習牛頓定律，是因為缺少了關鍵的先驗假設。他們系統(tǒng)地引入了三個歸納偏置：首先，通過將預測任務從離散分類變?yōu)檫B續(xù)回歸，保證了空間的平滑性；其次，通過在訓練中加入噪聲，解決了回歸模型中常見的誤差累積問題，確保了穩(wěn)定性。僅這兩步就足以讓模型學會一個連貫的開普勒世界模型，即根據(jù)行星歷史軌跡擬合出橢圓軌道。然而，實現(xiàn)從幾何擬合到物理洞察的飛躍，需要第三個偏置：時間局域性。通過將模型的注意力窗口限制在極短的過去，研究人員迫使模型放棄依賴全局歷史信息的“曲線擬合”策略，轉而學習如何僅根據(jù)局部狀態(tài)（當前位置和速度）計算作用力，并以此預測未來，從而成功發(fā)現(xiàn)了牛頓的動力學表征。這項工作清晰地表明，簡單的架構選擇可以決定AI是成為數(shù)據(jù)擬合者還是物理學家。
#AI驅動科學 #計算模型與人工智能模擬 #歸納偏置 #世界模型 #Transformer
閱讀更多：
Liu, Ziming, et al. “From Kepler to Newton: Inductive Biases Guide Learned World Models in Transformers.” 2026. Semantic Scholar, https://www.semanticscholar.org/paper/From-Kepler-to-Newton%3A-Inductive-Biases-Guide-World-Liu-Sanborn/4eeb778f159d6c5e758d718da4410b180b454a1c
考試滿分實戰(zhàn)不及格：大模型無法提升公眾醫(yī)療決策質量
盡管大語言模型在醫(yī)學執(zhí)業(yè)考試中屢獲高分，但在真實世界中它們真的能成為合格的“AI醫(yī)生”嗎？Andrew M. Bean、Rebecca Elizabeth Payne 和 Guy Parsons 等（牛津大學）團隊通過一項大規(guī)模研究對這一問題給出了否定的答案。研究人員發(fā)現(xiàn)，盡管AI擁有海量的醫(yī)學知識，但在實際協(xié)助普通人進行醫(yī)療決策時，其表現(xiàn)并不比傳統(tǒng)的互聯(lián)網搜索更好，這揭示了當前AI醫(yī)療應用中被忽視的“交互鴻溝”。
該研究是一項針對1298名參與者的隨機對照試驗，旨在評估大語言模型作為公眾醫(yī)療助手的可靠性。研究團隊設計了10種不同的醫(yī)療情景（如感冒、貧血、膽結石等），并讓參與者分別使用GPT-4o、Llama 3、Command R+或傳統(tǒng)搜索引擎來輔助判斷病情及決定后續(xù)行動（如是否呼叫救護車）。結果顯示，當LLM“獨自”應對這些考題時，表現(xiàn)堪稱完美，疾病識別準確率高達94.9%。然而，當這些“超級學霸”作為助手與人類互動時，效果卻大打折扣：人類參與者的疾病識別率暴跌至34.5%以下，行動決策正確率也不足45%，甚至沒有超過使用谷歌搜索的對照組。
研究團隊指出，核心問題在于“人類-LLM交互”的失敗。普通用戶往往無法向AI提供完整、準確的病情描述，而AI回復中充斥的專業(yè)術語或模棱兩可的建議（如籠統(tǒng)地區(qū)分緊急與非緊急情況）往往讓用戶感到困惑或誤解。這一發(fā)現(xiàn)表明，目前的醫(yī)學基準測試無法預測AI在真實應用中的表現(xiàn)，單純堆砌醫(yī)學知識并不能解決實際醫(yī)療場景中的溝通難題。研究發(fā)表在 Nature Medicine 上。
#疾病與健康 #大模型技術 #人機交互 #醫(yī)療決策 #公共衛(wèi)生
閱讀更多：
Bean, Andrew M., et al. “Reliability of LLMs as Medical Assistants for the General Public: A Randomized Preregistered Study.” Nature Medicine, Feb. 2026, pp. 1–7. www.nature.com, https://doi.org/10.1038/s41591-025-04074-y
整理｜ChatGPT
編輯｜丹雀、存源
關于追問nextquestion
天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~
關于天橋腦科學研究院
天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。
研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。
研究院還建成了支持腦科學和人工智能領域研究的生態(tài)系統(tǒng)，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
