追問daily | 深度學(xué)習(xí)的牛頓定律；為什么更快的AI并不總是更好？

█ 腦科學(xué)動態(tài)

Nature：“為母則剛”的神經(jīng)可塑性：哺乳期大腦如何強(qiáng)化攻擊回路

Nature：反向神經(jīng)元群——解碼全腦血容量波動的關(guān)鍵密碼

新型熒光納米抗體技術(shù)實(shí)現(xiàn)高精度、低背景的活細(xì)胞成像

個體大腦的運(yùn)作方式與群體平均結(jié)果截然相反

Cheese3D：AI視覺系統(tǒng)實(shí)現(xiàn)小鼠面部表情高精度3D追蹤

身體運(yùn)動驅(qū)動大腦內(nèi)液體流動

全身超聲斷層掃描技術(shù)可在10秒內(nèi)獲取完整橫截面圖像

無標(biāo)記光學(xué)成像結(jié)合深度學(xué)習(xí)首次量化人腦鉤束微觀結(jié)構(gòu)

激化贏者通吃效應(yīng)！中間神經(jīng)元如何篩選大腦關(guān)鍵信息

█ AI行業(yè)動態(tài)

DeepSeek V4實(shí)測：編程碾壓、推理翻車？

美國批準(zhǔn)首個基因療法，有望治愈罕見遺傳性耳聾

年收入首超OpenAI！Anthropic獲谷歌400億美元天價投資

█ AI驅(qū)動科學(xué)

Nature：評估標(biāo)準(zhǔn)導(dǎo)致AI“胡說八道”

新型人工視網(wǎng)膜不僅恢復(fù)視力，還能賦予近紅外視覺

利用端到端AI框架實(shí)現(xiàn)RNA翻譯可編程控制

AI算法trRosettaRNA2，精準(zhǔn)預(yù)測RNA三維結(jié)構(gòu)與動態(tài)構(gòu)象

智能超材料紡織品實(shí)現(xiàn)無電池連續(xù)血壓監(jiān)測

為什么更快的AI并不總是更好：延遲反而提升用戶感知質(zhì)量

Google DeepMind推出通用視覺基礎(chǔ)模型Vision Banana

蘋果新研究揭示大模型隱私隱患：你的Logits知道些什么？

深度學(xué)習(xí)的牛頓定律：14名頂尖學(xué)者提出學(xué)習(xí)力學(xué)統(tǒng)一理論框架

腦科學(xué)動態(tài)

Nature：“為母則剛”的神經(jīng)可塑性：哺乳期大腦如何強(qiáng)化攻擊回路

“為母則剛”背后的神經(jīng)機(jī)制長期以來是未解之謎。紐約大學(xué)朗格尼醫(yī)學(xué)中心的Dayu Lin團(tuán)隊(duì)通過研究哺乳期小鼠，揭示了一條從后側(cè)杏仁核到下丘腦的關(guān)鍵神經(jīng)通路，并闡明了催產(chǎn)素如何根據(jù)幼崽需求精準(zhǔn)調(diào)控該通路，從而動態(tài)控制母性攻擊行為的開啟與關(guān)閉。

研究團(tuán)隊(duì)首先鎖定了一條關(guān)鍵神經(jīng)通路：從后側(cè)杏仁核（PA）中表達(dá)雌激素受體α的細(xì)胞，投射到腹內(nèi)側(cè)下丘腦的腹外側(cè)區(qū)（VMHvl）中表達(dá)神經(jīng)肽Y受體2（Npy2r）的細(xì)胞。實(shí)驗(yàn)證實(shí)，在哺乳期間，這條通路的突觸連接會增強(qiáng)，下游神經(jīng)元的興奮性也更高，這共同構(gòu)成了母性攻擊升級的生理基礎(chǔ)。更有趣的是，被稱為“愛的激素”的催產(chǎn)素是這一過程的動態(tài)“調(diào)節(jié)閥”。研究發(fā)現(xiàn)，上游的PAEsr1神經(jīng)元富含催產(chǎn)素受體。當(dāng)幼崽在身邊時，它們的吮吸等行為會促使母體釋放催產(chǎn)素，從而激活這條攻擊通路；一旦幼崽被移走，催產(chǎn)素水平下降，攻擊性也隨之減弱。研究人員通過光遺傳學(xué)技術(shù)人為提升催產(chǎn)素水平，成功恢復(fù)了母鼠的攻擊行為，證實(shí)了這一因果關(guān)系。該通路高度特化，不影響交配等其他社會行為，揭示了大腦為保護(hù)后代進(jìn)化出的精密調(diào)控系統(tǒng)。研究發(fā)表在 Nature 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #母性行為 #催產(chǎn)素 #社會行為

閱讀更多：

Yamaguchi, Takashi, et al. “The Neural Mechanisms Supporting the Rise and Fall of Maternal Aggression.” Nature, Apr. 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-026-10354-5

Nature：反向神經(jīng)元群——解碼全腦血容量波動的關(guān)鍵密碼

傳統(tǒng)觀點(diǎn)認(rèn)為腦血流依賴于區(qū)域整體神經(jīng)活動，但這種關(guān)系在不同腦區(qū)和狀態(tài)下似乎存在差異。倫敦大學(xué)的Agnès Landemard團(tuán)隊(duì)通過同步檢測小鼠全腦神經(jīng)元活動與血容量，發(fā)現(xiàn)決定血流的并非整體活動，而是兩類功能相反、廣泛分布于全腦的神經(jīng)群體。

研究團(tuán)隊(duì)創(chuàng)新性地結(jié)合了功能性超聲成像（functional ultrasound imaging, fUSI）和大規(guī)模神經(jīng)記錄技術(shù)（Neuropixels probes），首次在全腦尺度上同步觀測了小鼠的血容量變化和單個神經(jīng)元的活動。他們發(fā)現(xiàn)，以胡須抽動為標(biāo)志的覺醒狀態(tài)變化，會引起全腦血容量的高度同步波動。研究的核心發(fā)現(xiàn)是，大腦中普遍存在兩類與覺醒狀態(tài)完全相反的神經(jīng)元：一類是“覺醒增強(qiáng)型”，在覺醒時活動增強(qiáng)；另一類是“覺醒抑制型”，在覺醒時活動減弱。這兩類神經(jīng)元群體與血流的耦合方式截然不同，擁有各自獨(dú)立的血流動力學(xué)響應(yīng)函數(shù)（hemodynamic response functions）。基于這一發(fā)現(xiàn)，研究人員構(gòu)建了一個雙神經(jīng)元模型，該模型通過整合這兩類神經(jīng)元的貢獻(xiàn)，能夠極其精準(zhǔn)地預(yù)測不同腦區(qū)和不同狀態(tài)下的血容量波動，其預(yù)測能力遠(yuǎn)超依賴于整體神經(jīng)活動的傳統(tǒng)模型。這一結(jié)果表明，不同腦區(qū)血容量看似迥異的波動模式，實(shí)際上是由這兩類神經(jīng)元在各腦區(qū)的不同比例決定的。研究發(fā)表在 Nature 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #神經(jīng)血管耦合 #覺醒狀態(tài)

閱讀更多：

Landemard, Agnès, et al. “Brainwide Blood Volume Reflects Opposing Neural Populations.” Nature, Apr. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-026-10350-9

新型熒光納米抗體技術(shù)實(shí)現(xiàn)高精度、低背景的活細(xì)胞成像

如何清晰地“看清”活細(xì)胞內(nèi)部的微觀世界？傳統(tǒng)熒光成像技術(shù)常因背景噪聲而受限。索爾克研究所的Axel Nimmerjahn、阿爾伯特·愛因斯坦醫(yī)學(xué)院的Vladislav V. Verkhusha及其合作團(tuán)隊(duì)，開發(fā)了一種名為可見光譜抗原穩(wěn)定熒光納米抗體（VIS-Fbs）的新型成像平臺，能夠以極高的信噪比實(shí)時追蹤活體內(nèi)的分子活動。

? 小鼠腦組織顯示抑制性神經(jīng)元，這些神經(jīng)元用紅色熒光標(biāo)記物 VIS-Fb 標(biāo)記，該標(biāo)記物可與綠色鈣生物傳感器結(jié)合。神經(jīng)元以藍(lán)色突出顯示。Credit: Barykina et al.

研究團(tuán)隊(duì)設(shè)計出一種“智能”探針，它由能夠特異性結(jié)合靶蛋白的納米抗體和熒光蛋白構(gòu)成。其核心創(chuàng)新在于，這種探針只有在與目標(biāo)結(jié)合后才會穩(wěn)定并被“點(diǎn)亮”，從而將背景熒光降低了近百倍，使得成像前所未有地清晰。此外，團(tuán)隊(duì)還開發(fā)了一整套覆蓋從藍(lán)色到遠(yuǎn)紅色的多色探針，并設(shè)計出可通過光照“開啟”或“關(guān)閉”的變體，這使得在復(fù)雜生命系統(tǒng)中同時追蹤多個分子并進(jìn)行高時空精度的動態(tài)觀察成為可能。研究人員在小鼠大腦和斑馬魚胚胎等模型中成功驗(yàn)證了該技術(shù)的強(qiáng)大功能，例如，在小鼠行為過程中精確監(jiān)測了神經(jīng)元和星形膠質(zhì)細(xì)胞的鈣活動，并實(shí)時追蹤了斑馬魚發(fā)育過程中的蛋白動態(tài)。這項(xiàng)技術(shù)為細(xì)胞信號傳導(dǎo)、胚胎發(fā)育和疾病進(jìn)展等研究領(lǐng)域提供了強(qiáng)大的新工具。研究發(fā)表在 Nature Methods 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #細(xì)胞成像 #納米抗體

閱讀更多：

Barykina, Natalia V., et al. “Synthetic Multicolor Antigen-Stabilizable Nanobody Platform for Intersectional Labeling and Functional Imaging.” Nature Methods, Apr. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41592-026-03056-3

個體大腦的運(yùn)作方式與群體平均結(jié)果截然相反

大腦研究中常用的“平均法”是否可靠？斯坦福大學(xué)醫(yī)學(xué)院的Vinod Menon, Percy K. Mistry, Nicholas K. Branigan等研究人員對超過4000名兒童的腦成像數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)群體平均結(jié)果會嚴(yán)重誤導(dǎo)我們對個體大腦工作方式的理解。該研究指出，個體在執(zhí)行任務(wù)時的腦活動模式與群體平均模式可能完全相反，揭示了神經(jīng)科學(xué)領(lǐng)域存在的“辛普森悖論”。

研究團(tuán)隊(duì)利用功能性磁共振成像（fMRI）技術(shù)，分析了兒童在執(zhí)行一項(xiàng)抑制性認(rèn)知控制任務(wù)時的腦活動。他們對比了兩種分析方法：一種是傳統(tǒng)的群體平均法，另一種是追蹤每個孩子在多次重復(fù)任務(wù)時的腦活動動態(tài)。結(jié)果顯示出驚人的差異：例如，在群體層面，較慢的反應(yīng)速度與默認(rèn)模式網(wǎng)絡(luò)的活動增強(qiáng)有關(guān)。然而，在個體層面，當(dāng)一個孩子反應(yīng)變慢時，該網(wǎng)絡(luò)的活動反而會減弱——這與群體結(jié)論完全相反。這種個體與群體規(guī)律的背離現(xiàn)象被稱為非遍歷性。此外，通過個體化分析，研究還成功區(qū)分了主動控制（如提前準(zhǔn)備抑制行為）和反應(yīng)控制（如實(shí)際執(zhí)行抑制）的不同神經(jīng)回路，并發(fā)現(xiàn)認(rèn)知策略不同的兒童亞組（例如，犯錯后能調(diào)整策略的兒童與不能調(diào)整的兒童）其大腦動態(tài)也截然不同。這一發(fā)現(xiàn)挑戰(zhàn)了神經(jīng)科學(xué)研究的傳統(tǒng)范式，強(qiáng)調(diào)了“平均大腦”并不存在，對于理解和干預(yù)注意力缺陷/多動障礙（ADHD）等疾病具有重要意義。研究發(fā)表在 Nature Communications 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #心理健康與精神疾病 #認(rèn)知科學(xué)

閱讀更多：

Mistry, Percy K., et al. “Nonergodicity and Simpson’s Paradox in Neurocognitive Dynamics of Cognitive Control.” Nature Communications, vol. 17, no. 1, Apr. 2026, p. 3494. www.nature.com, https://doi.org/10.1038/s41467-026-71404-0

Cheese3D：AI視覺系統(tǒng)實(shí)現(xiàn)小鼠面部表情高精度3D追蹤

如何量化面部表情與大腦活動之間的微妙聯(lián)系？冷泉港實(shí)驗(yàn)室（CSHL）的Xun Helen Hou及其同事Kyle Daruwalla、Irene Nozal Martin等人為此開發(fā)了一個名為Cheese3D的創(chuàng)新平臺。這個結(jié)合了多攝像頭陣列和人工智能的系統(tǒng)，能夠以前所未有的精度捕捉和分析小鼠的全臉動態(tài)，為神經(jīng)科學(xué)和醫(yī)學(xué)研究提供了強(qiáng)大的新工具。

研究團(tuán)隊(duì)構(gòu)建的Cheese3D系統(tǒng)使用六個微型攝像頭從不同角度同步拍攝小鼠，再通過機(jī)器學(xué)習(xí)算法將視頻融合成高精度的三維面部模型。該系統(tǒng)能夠以亞毫米級的精度追蹤耳朵、眼睛、胡須墊和下頜等關(guān)鍵部位的動態(tài)，并將其量化為有解剖學(xué)意義的幾何特征。為了驗(yàn)證其有效性，研究人員進(jìn)行了一系列實(shí)驗(yàn)。最引人注目的是，他們發(fā)現(xiàn)僅通過分析面部肌肉張力的細(xì)微變化，Cheese3D就能非侵入性地預(yù)測小鼠的麻醉深度，其準(zhǔn)確性與黃金標(biāo)準(zhǔn)的腦電圖方法相媲美。該系統(tǒng)還能捕捉到進(jìn)食時的快速動作和由腦干刺激引發(fā)的微小反應(yīng)。這項(xiàng)技術(shù)將小鼠微妙的“臉色”轉(zhuǎn)化為一個高信息密度的窗口，為研究情緒、疾病（如孤獨(dú)癥）和認(rèn)知發(fā)育過程中的大腦活動提供了全新視角。研究發(fā)表在 Nature Neuroscience 上。

#AI驅(qū)動科學(xué) #自動化科研 #神經(jīng)機(jī)制與腦功能解析 #計算機(jī)視覺

閱讀更多：

Daruwalla, Kyle, et al. “Cheese3D Enables Sensitive Detection and Analysis of Whole-Face Movement in Mice.” Nature Neuroscience, Apr. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-026-02262-8

身體運(yùn)動驅(qū)動大腦內(nèi)液體流動

運(yùn)動為何能健腦？賓夕法尼亞州立大學(xué)的Patrick J. Drew和Francesco Costanzo團(tuán)隊(duì)揭示了一種全新的生物力學(xué)機(jī)制。他們發(fā)現(xiàn)，大腦與身體的機(jī)械連接遠(yuǎn)比我們想象的更緊密，腹部肌肉的收縮能像液壓泵一樣，通過血管網(wǎng)絡(luò)直接驅(qū)動大腦在顱骨內(nèi)發(fā)生微小位移，從而促進(jìn)腦脊液流動，為清除大腦代謝廢物提供了物理動力。

? 研究人員利用雙光子顯微鏡（一種能夠?qū)铙w組織進(jìn)行高分辨率成像的技術(shù)）觀察了小鼠在運(yùn)動前、腹部肌肉收緊（促使身體進(jìn)一步運(yùn)動）之后大腦的動態(tài)變化。左圖顯示的是靜止?fàn)顟B(tài)下的大腦（綠色部分），右圖則顯示了運(yùn)動過程中的大腦活動。Credit: Penn State

研究團(tuán)隊(duì)利用雙光子顯微鏡對清醒小鼠進(jìn)行活體成像，發(fā)現(xiàn)大腦的微小運(yùn)動與身體活動（如行走）緊密相關(guān)，且這種運(yùn)動往往在肢體移動之前、伴隨著腹部肌肉的收縮而發(fā)生。為了驗(yàn)證這一因果聯(lián)系，研究人員對麻醉小鼠的腹部施加輕微壓力，也觀察到了同樣的大腦位移。結(jié)合微型計算機(jī)斷層掃描的觀察，他們證實(shí)了這一“液壓”機(jī)制：腹部收縮壓迫椎靜脈叢，使血液被推入脊髓腔，進(jìn)而對大腦施加壓力，導(dǎo)致其輕微移動。隨后，團(tuán)隊(duì)通過建立大腦的“海綿”計算模型進(jìn)行模擬，結(jié)果表明這種由身體運(yùn)動驅(qū)動的腦部“搖擺”，能夠有效促進(jìn)腦脊液的循環(huán)，從而可能加速清除阿爾茨海默病等神經(jīng)退行性疾病相關(guān)的有害廢物。研究發(fā)表在 Nature Neuroscience 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #腦脊液 #運(yùn)動 #神經(jīng)退行性疾病

閱讀更多：

Garborg, C. Spencer, et al. “Brain Motion Is Driven by Mechanical Coupling with the Abdomen.” Nature Neuroscience, Apr. 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-026-02279-z

全身超聲斷層掃描技術(shù)可在10秒內(nèi)獲取完整橫截面圖像

為解決傳統(tǒng)超聲檢查視野窄、依賴操作者等問題，加州理工學(xué)院的Lihong Wang團(tuán)隊(duì)開發(fā)了一套全新的全身超聲斷層掃描系統(tǒng)。該系統(tǒng)實(shí)現(xiàn)了快速、安全且無需操作員干預(yù)的完整人體橫截面成像，其圖像質(zhì)量可與核磁共振（MRI）媲美，為臨床診斷和監(jiān)測提供了強(qiáng)大的新工具。

? 健康成年女性（參與者 1）的橫斷面超聲檢查結(jié)果。Credit: Nature Biomedical Engineering (2026).

研究團(tuán)隊(duì)設(shè)計了一個浸入式成像系統(tǒng)，受試者坐在水箱中，周圍環(huán)繞一個由512個換能器組成的環(huán)形陣列。該設(shè)備可在10秒內(nèi)完成對腹部等部位的360度掃描，獲得完整的橫截面圖像。與傳統(tǒng)超聲僅依賴回聲不同，該系統(tǒng)還測量透射信號，通過分析聲速和聲衰減（signal attenuation，指聲波能量在組織中被吸收或偏轉(zhuǎn)的程度）來更精確地區(qū)分不同組織。在健康志愿者身上的測試證實(shí)，其成像結(jié)果與3T MRI高度一致，但避免了電離輻射和組織壓縮。該技術(shù)在監(jiān)測脂肪肉瘤、評估脂肪分布和引導(dǎo)活檢等方面展現(xiàn)出巨大潛力，未來有望通過改進(jìn)設(shè)計（如水平床式）應(yīng)用于手術(shù)實(shí)時引導(dǎo)。研究發(fā)表在 Nature Biomedical Engineering 上。

#疾病與健康 #疾病預(yù)防 #醫(yī)學(xué)影像 #超聲斷層掃描 #無創(chuàng)診斷

閱讀更多：

Garrett, David C., et al. “Whole Cross-Sectional Human Ultrasound Tomography.” Nature Biomedical Engineering, Apr. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41551-026-01660-4

無標(biāo)記光學(xué)成像結(jié)合深度學(xué)習(xí)首次量化人腦鉤束微觀結(jié)構(gòu)

針對難以在死后人腦組織中精準(zhǔn)觀測白質(zhì)通路微觀結(jié)構(gòu)的問題，Kelly Perlman 等研究人員成功開發(fā)了一種新型的生物光學(xué)成像與分析流程，并利用該技術(shù)平臺首次對人腦鉤束中的軸突大小和髓鞘厚度進(jìn)行了大規(guī)模的定量測量。

? 一種新型的無標(biāo)記成像和分析流程將光譜聚焦相干反斯托克斯拉曼光譜（sf-CARS）與基于深度學(xué)習(xí)的分割技術(shù)相結(jié)合，用于研究死后人腦組織中的髓鞘。使用定制訓(xùn)練的 AxonDeepSeg 模型進(jìn)行分割的示例從原始 sf-CARS 圖像（左上）中區(qū)分出軸突和髓鞘（右上），表明該系統(tǒng)能夠評估人腦組織中的髓鞘（下）。Credit: K. Perlman, V. P. Noel, A. Collin, et al.

傳統(tǒng)的電子顯微鏡在處理存在降解問題的死后腦組織時往往效果不佳。為此，研究團(tuán)隊(duì)采用光譜聚焦相干反斯托克斯拉曼光譜（sf-CARS，一種利用超快激光脈沖檢測組織內(nèi)分子自然振動從而實(shí)現(xiàn)無標(biāo)記成像的高級光學(xué)技術(shù)）來直接捕獲富含脂質(zhì)的髓鞘圖像，而無需使用任何化學(xué)染色劑。為了從高分辨率圖像中大規(guī)模提取定量數(shù)據(jù)，研究人員引入了定制的分割模型。通過主動學(xué)習(xí)策略不斷糾正和重新訓(xùn)練模型，并結(jié)合自動化質(zhì)量控制步驟剔除不合理的幾何形狀，該流程最終成功分析了來自六名健康個體的2600多個有髓軸突。測量結(jié)果顯示，鉤束顳段的軸突平均直徑約為0.93微米，平均髓鞘厚度約為0.48微米。研究還通過分析g比率（g-ratio，衡量髓鞘相對于其包裹的軸突厚度的標(biāo)準(zhǔn)指標(biāo)），發(fā)現(xiàn)鉤束內(nèi)的神經(jīng)纖維比前扣帶回皮層的白質(zhì)具有更厚的髓鞘和更低的比率，這契合了大腦在長距離連接中需要快速傳輸電信號的生物學(xué)特征。該無標(biāo)記方法的建立為未來研究精神或神經(jīng)疾病患者的死后腦組織結(jié)構(gòu)提供了極具價值的實(shí)用基礎(chǔ)。研究發(fā)表在 Biophotonics Discovery 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #無標(biāo)記光學(xué)成像 #白質(zhì)微觀結(jié)構(gòu) #深度學(xué)習(xí)

閱讀更多：

Perlman, Kelly, et al. “Ultrastructural Analysis of Human Uncinate Fasciculus with Coherent Anti-Stokes Raman Spectroscopy.” Biophotonics Discovery, vol. 3, no. 2, Mar. 2026, p. 025002. www.spiedigitallibrary.org, https://doi.org/10.1117/1.BIOS.3.2.025002

激化贏者通吃效應(yīng)！中間神經(jīng)元如何篩選大腦關(guān)鍵信息

抑制性環(huán)路如何調(diào)控海馬信息編碼一直是未解之謎。Thomas Hainmueller與Gy?rgy Buzsáki及其團(tuán)隊(duì)（紐約大學(xué)朗格尼醫(yī)學(xué)中心）首次在自由活動小鼠中揭示，中間神經(jīng)元能通過激化贏者通吃網(wǎng)絡(luò)動態(tài)，篩選出關(guān)鍵的神經(jīng)元集群以支持記憶等核心認(rèn)知功能。

研究團(tuán)隊(duì)結(jié)合了電生理記錄與雙向光遺傳學(xué)技術(shù)，在自由活動的小鼠中收集神經(jīng)活動數(shù)據(jù)。研究利用機(jī)器學(xué)習(xí)算法，基于電生理特征將海馬齒狀回的細(xì)胞劃分為主細(xì)胞和兩類主要的中間神經(jīng)元，即小清蛋白（parvalbumin，一種與快速神經(jīng)信號傳導(dǎo)相關(guān)的鈣結(jié)合蛋白）和生長抑素（somatostatin，一種起抑制性調(diào)節(jié)作用的多肽類激素）表達(dá)神經(jīng)元。結(jié)果表明，這兩類神經(jīng)元展現(xiàn)出不同的突觸連接模式，前者主要調(diào)控反饋抑制，而后者控制內(nèi)嗅皮層輸入的門控。更令人意外的是，當(dāng)激活中間神經(jīng)元時，并未產(chǎn)生單純抑制周圍網(wǎng)絡(luò)的效應(yīng)。相反，這種操作激化了贏者通吃網(wǎng)絡(luò)（winner-take-all network，一種競爭機(jī)制，僅激活程度最高的神經(jīng)元群能產(chǎn)生輸出而其余被抑制）的動態(tài)特性。少數(shù)主細(xì)胞出現(xiàn)矛盾性的多突觸興奮，其放電增加量足以抵消其他細(xì)胞的放電減少量，導(dǎo)致整體神經(jīng)群體平均放電率不降反升。這一機(jī)制使得大腦能在認(rèn)知過程中有效篩選攜帶信息的神經(jīng)集群。研究發(fā)表在 Neuron 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #海馬齒狀回 #光遺傳學(xué) #認(rèn)知機(jī)制

閱讀更多：

Hainmueller, Thomas, et al. “Dentate Gyrus Interneurons Modulate Winner-Take-All Network Dynamics in Freely Behaving Mice.” Neuron, vol. 0, no. 0, Apr. 2026. www.cell.com, https://doi.org/10.1016/j.neuron.2026.03.034

AI 行業(yè)動態(tài)

DeepSeek V4實(shí)測：編程碾壓、推理翻車？

國產(chǎn)AI明星DeepSeek近日發(fā)布新一代開源模型V4系列，包含主打極致性能的V4 Pro和更輕量快速的V4 Flash兩個版本。相比前代V3，V4將上下文窗口從128K大幅擴(kuò)展至1M（百萬），并宣稱其自主代理編程能力已達(dá)到開源模型中的最強(qiáng)水平，推理性能與知識儲備也獲得全面升級。實(shí)測顯示，V4能快速搭建風(fēng)格化的主題網(wǎng)站、生成包含游戲規(guī)則與經(jīng)濟(jì)系統(tǒng)的在線小游戲原型，甚至在“鏡子舉手”這類誤導(dǎo)性推理題中表現(xiàn)優(yōu)于ChatGPT-5.5。不過，在面對“親生父母結(jié)婚”等文字陷阱以及部分遺傳學(xué)邏輯題時，V4的首次反應(yīng)仍顯“真誠”有余而精準(zhǔn)不足，需額外提示才能走上正軌。

此次更新不僅在硬核能力上引發(fā)關(guān)注，還帶來了模型“性格”的顯著變化。此前因一次小版本更新而變得機(jī)械冷漠的DeepSeek（被網(wǎng)友稱為“D老師”），在V4中重新展現(xiàn)出豐富的情感色彩，能夠輸出千字安慰小作文，讓用戶感到熟悉的陪伴感回歸。V4 Flash版本在編程場景中表現(xiàn)不輸Pro版，且提供更經(jīng)濟(jì)快捷的API服務(wù)，適合快速創(chuàng)意驗(yàn)證。盡管在部分知識截止日期和封閉推理上仍有瑕疵，但整體上V4系列憑借強(qiáng)大的開源性能、多模態(tài)前端生成能力以及情感交互的提升，再次證明了DeepSeek攪動AI圈的實(shí)力。

#DeepSeekV4 #開源模型 #Agent編程 #推理能力 #情感AI

閱讀更多：

https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/

ICLR 2026揭曉獲獎?wù)撐模篢ransformer簡潔性研究與多輪對話困境獲杰出獎，DCGAN與DDPG斬獲時間檢驗(yàn)獎

機(jī)器學(xué)習(xí)頂級會議ICLR 2026近日在巴西里約熱內(nèi)盧舉行，公布了本屆獲獎?wù)撐摹Ｔ诩s19000篇有效投稿中，兩篇研究獲“杰出論文獎”（Outstanding Paper Paper Award）。第一篇 Transformers are Inherently Succinct 從理論角度揭示，Transformer架構(gòu)在表示某些概念時具有遠(yuǎn)超有限自動機(jī)或線性時序邏輯（LTL，一種描述系統(tǒng)行為隨時間變化的邏輯語言）等標(biāo)準(zhǔn)方法的簡潔性，但這種強(qiáng)表達(dá)能力也導(dǎo)致對其性質(zhì)的驗(yàn)證在理論上不可處理（EXPSPACE-complete，指數(shù)空間完全問題，即所需計算資源隨問題規(guī)模指數(shù)級增長）。作者為Pascal Bergstr??er、Ryan Cotterell和Anthony Widjaja Lin。第二篇LLMs Get Lost In Multi-Turn Conversation聚焦大語言模型在實(shí)際部署中的短板：訓(xùn)練主要基于單輪文本補(bǔ)全，而真實(shí)場景多為多輪對話。研究發(fā)現(xiàn)，當(dāng)用戶指令不充分時，所有被測試模型在多輪交互中性能平均下降39%，且模型容易在對話早期過早做出錯誤假設(shè)并難以糾正。作者為Philippe Laban、Hiroaki Hayashi、Yingbo Zhou和Jennifer Neville。

本屆會議還頒發(fā)了“時間檢驗(yàn)獎”（Test of Time Award），表彰ICLR 2016上發(fā)表的兩篇經(jīng)久不衰的經(jīng)典工作。第一篇是Alec Radford、Luke Metz和Soumith Chintala合著的 Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks （常稱DCGAN），它最早成功展示了基于學(xué)習(xí)的生成模型能合成多樣且逼真的復(fù)雜圖像，為當(dāng)今活躍的圖像生成領(lǐng)域（雖然后來技術(shù)從生成對抗網(wǎng)絡(luò)GAN轉(zhuǎn)向擴(kuò)散模型）奠定了關(guān)鍵基石。第二篇是Timothy P. Lillicrap、Jonathan J. Hunt、Alexander Pritzel、Nicolas Heess、Tom Erez、Yuval Tassa、David Silver和Daan Wierstra合著的 Continuous control with deep reinforcement learning ，該論文提出的深度確定性策略梯度（DDPG，一種能處理連續(xù)動作空間的深度強(qiáng)化學(xué)習(xí)算法）首次將神經(jīng)網(wǎng)絡(luò)與確定性Actor-Critic架構(gòu)結(jié)合，使智能體能從原始傳感器數(shù)據(jù)直接學(xué)習(xí)精確的連續(xù)物理動作，徹底改變了物理系統(tǒng)控制的研究軌跡，并引發(fā)了強(qiáng)化學(xué)習(xí)在該領(lǐng)域的革命。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #阿爾茨海默病 #觸覺感知 #Tau蛋白

閱讀更多：

https://blog.iclr.cc/2026/04/22/announcing-the-test-of-time-awards-from-iclr-2016/

美國批準(zhǔn)首個基因療法，有望治愈罕見遺傳性耳聾

美國衛(wèi)生官員近日批準(zhǔn)了首個用于治療罕見遺傳性聽力損失的基因療法，為聽力障礙治療領(lǐng)域帶來重大突破。該療法名為Otarmeni，由美國生物技術(shù)公司Regeneron（再生元）開發(fā)，針對因OTOF基因突變導(dǎo)致的聽力損失。OTOF基因負(fù)責(zé)編碼一種關(guān)鍵蛋白質(zhì)，該蛋白質(zhì)對于將聽覺信號從內(nèi)耳傳遞至大腦至關(guān)重要。在美國，每年約有50名新生兒受此罕見病癥影響。臨床試驗(yàn)評估了20名年齡在10個月至16歲之間的兒科患者，結(jié)果顯示至少80%的患者在數(shù)月后聽力得到顯著改善。參與試驗(yàn)的醫(yī)生、波士頓兒童醫(yī)院的耳鼻喉科專家Eliot Shearer表示，F(xiàn)DA的加速批準(zhǔn)“標(biāo)志著遺傳性聽力損失治療進(jìn)入了一個新時代”。

該療法通過外科醫(yī)生單次耳內(nèi)注射完成，已被部分患兒家長譽(yù)為革命性突破。一位名叫Sierra Smith的母親激動地分享，她的兒子Travis在接受治療后，從聽不到自己的名字到如今能夠欣賞音樂、熱愛跳舞和樂器。盡管基因療法通常極其昂貴，在美國每名患者的費(fèi)用可能高達(dá)數(shù)百萬美元，但Regeneron公司表示，將向符合條件的美國患者免費(fèi)提供此療法。這一舉措無疑為受影響的家庭帶來了希望。隨著此次批準(zhǔn)，該療法將適用于因OTOF基因特定突變導(dǎo)致重度至極重度聽力損失的兒童和成人，為未來其他遺傳性聽力損傷的治療鋪平了道路。

#基因療法 #聽力損失 #OTOF基因 #Regeneron #FDA批準(zhǔn)

閱讀更多：

https://www.fda.gov/news-events/press-announcements/fda-approves-first-ever-gene-therapy-treatment-genetic-hearing-loss-under-national-priority-voucher

年收入首超OpenAI！Anthropic獲谷歌400億美元天價投資

人工智能公司Anthropic近日證實(shí)，科技巨頭谷歌已承諾向其投資最高達(dá)400億美元。根據(jù)協(xié)議，谷歌將先期投入100億美元，剩余300億美元將取決于Anthropic能否達(dá)成特定的業(yè)績里程碑。這項(xiàng)投資建立在雙方的深度合作基礎(chǔ)上，Anthropic將使用定制的谷歌芯片和云計算服務(wù)來驅(qū)動其人工智能技術(shù)。就在幾天前，亞馬遜也宣布了類似的加碼計劃，擬向Anthropic追加投資50億美元，并可能在未來根據(jù)業(yè)績目標(biāo)再投200億美元。作為回應(yīng)，Anthropic承諾未來十年將在亞馬遜網(wǎng)絡(luò)服務(wù)技術(shù)上投入超過1000億美元，以支撐其AI發(fā)展。

在巨額資本加持下，Anthropic的財務(wù)表現(xiàn)顯著提升。該公司4月初披露，其年化收入環(huán)比增長了兩倍，首次突破300億美元大關(guān)，超越了競爭對手OpenAI。與此同時，公司也面臨著安全與監(jiān)管的復(fù)雜局面。其首席執(zhí)行官Dario Amodei近期訪問了白宮，雙方就公司拒絕無條件向軍方開放AI模型一事進(jìn)行了友好溝通。此外，Anthropic發(fā)布了最新AI模型Mythos，但因擔(dān)憂其被用于網(wǎng)絡(luò)攻擊等潛在的網(wǎng)絡(luò)安全風(fēng)險，并未向公眾開放，僅限40家主要科技公司提前使用以修復(fù)漏洞。然而，公司本周表示正在調(diào)查對Mythos的未授權(quán)訪問事件，這款強(qiáng)大模型的安全性正受到密切關(guān)注。

#谷歌投資 #Anthropic #AI競賽 #AWS合作 #Mythos模型

閱讀更多：

https://www.bloomberg.com/news/articles/2026-04-24/google-plans-to-invest-up-to-40-billion-in-anthropic

AI 驅(qū)動科學(xué)

Nature：評估標(biāo)準(zhǔn)導(dǎo)致AI“胡說八道”

大語言模型的幻覺問題極大限制了其可靠性。OpenAI的Adam Tauman Kalai等發(fā)現(xiàn)，基于準(zhǔn)確性的現(xiàn)行評估標(biāo)準(zhǔn)在系統(tǒng)性地鼓勵模型盲目猜測，這是加劇虛假信息產(chǎn)生的根源。

研究團(tuán)隊(duì)從兩方面剖析了模型出錯的原因。在預(yù)訓(xùn)練階段，基于下一個詞預(yù)測（next-word prediction，模型根據(jù)上下文推測下一個詞匯的訓(xùn)練機(jī)制）的統(tǒng)計壓力使AI極易記錯罕見事實(shí)。在評估階段，主流基準(zhǔn)測試的二元評分系統(tǒng)（答對得1分，答錯或放棄得0分）本質(zhì)上獎勵了毫無根據(jù)的猜測。為解決該難題，團(tuán)隊(duì)提出開放式評分標(biāo)準(zhǔn)（open-rubric，在提示詞中明確告知答錯扣分等懲罰規(guī)則的新型評估方法）。在對四個前沿大模型（Gemini 3 Pro、GPT-5、Grok 4和Claude Opus 4.5）的測試中發(fā)現(xiàn)，明確告知答錯會受到懲罰后，所有模型均能動態(tài)調(diào)整其猜測傾向。懲罰越重，模型越傾向于放棄回答。這證明優(yōu)化評估機(jī)制能有效引導(dǎo)AI在不確定時保持謹(jǐn)慎，從而顯著提升可靠性。研究發(fā)表在 Nature 上。

#大模型技術(shù) #大模型技術(shù) #模型評估 #幻覺機(jī)制 #人工智能

閱讀更多：

Kalai, Adam Tauman, et al. “Evaluating Large Language Models for Accuracy Incentivizes Hallucinations.” Nature, Apr. 2026, pp. 1–3. www.nature.com, https://doi.org/10.1038/s41586-026-10549-w

新型人工視網(wǎng)膜不僅恢復(fù)視力，還能賦予近紅外視覺

視網(wǎng)膜變性會導(dǎo)致感光細(xì)胞退化進(jìn)而引發(fā)失明，如何恢復(fù)患者視力并拓展視覺感知成為了該領(lǐng)域的重大挑戰(zhàn)。Won Gi Chung、Inhea Jeong等研究人員（韓國延世大學(xué)、基礎(chǔ)科學(xué)研究院等）開發(fā)出一種柔性植入式人工視網(wǎng)膜，該成果不僅能部分恢復(fù)盲鼠喪失的視力，還史無前例地賦予了它們感知近紅外光的能力。

? 近紅外感知人工視網(wǎng)膜示意圖，包含近紅外透射濾波器和光電晶體管陣列。Credit: Nature Electronics (2026).

研究團(tuán)隊(duì)設(shè)計了一種貼附在視網(wǎng)膜前表面的超薄設(shè)備。其底層包含一個近紅外透射濾波器（NIR-transmission filter，一種能夠阻擋可見光并精準(zhǔn)篩選近紅外光的薄膜組件）以及一個光電晶體管陣列（phototransistor array，能探測近紅外光信號并將其轉(zhuǎn)換為電信號的微型光敏網(wǎng)格）。為了將電信號無損傳遞給視網(wǎng)膜神經(jīng)節(jié)細(xì)胞，團(tuán)隊(duì)采用了液態(tài)金屬微柱電極（liquid metal micropillar electrodes，由柔軟且導(dǎo)電的液態(tài)金屬制成的三維微型柱狀結(jié)構(gòu)）。該材料具有極低的楊氏模量（Young's modulus，衡量固體材料抗形變能力或柔軟度的物理力學(xué)指標(biāo)），不僅能緊密貼附于不規(guī)則的視網(wǎng)膜表面以實(shí)現(xiàn)高效電荷注入，還能最大程度減少對眼部組織的硬性損傷。離體實(shí)驗(yàn)證實(shí)了該設(shè)備的出色生物相容性。在活體實(shí)驗(yàn)中，研究人員將設(shè)備成功植入健康小鼠和患有視網(wǎng)膜退行性疾病的盲鼠眼內(nèi)。大腦皮層活動記錄和行為學(xué)測試的結(jié)果清晰顯示，小鼠成功感知到了原本不可見的近紅外光。這一重大發(fā)現(xiàn)表明，該植入設(shè)備不僅有望為失明患者重塑視覺，更能建立感知紅外輻射的全新感知途徑。研究發(fā)表在 Nature Electronics 上。

#疾病與健康 #腦機(jī)接口 #視網(wǎng)膜變性 #人工視網(wǎng)膜 #近紅外視覺

閱讀更多：

Chung, Won Gi, et al. “An Implantable Epiretinal Device for Near-Infrared Light Perception.” Nature Electronics, Apr. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41928-026-01601-8

利用端到端AI框架實(shí)現(xiàn)RNA翻譯可編程控制

精準(zhǔn)控制蛋白質(zhì)表達(dá)是基因療法研發(fā)的重大難題。Le Cong和Mengdi Wang團(tuán)隊(duì)（斯坦福大學(xué)與普林斯頓大學(xué)）構(gòu)建了一個端到端的人工智能框架，成功實(shí)現(xiàn)了核酸翻譯元件的精準(zhǔn)識別、進(jìn)化優(yōu)化與從頭生成，為下一代分子療法擴(kuò)充了核心工具包。

研究團(tuán)隊(duì)開發(fā)了包含三個核心組件的深度學(xué)習(xí)框架。首先，識別系統(tǒng)結(jié)合了擅長非翻譯區(qū)分析的語言模型和非編碼核糖核酸分析模型，在四萬多個標(biāo)記序列上進(jìn)行訓(xùn)練。該系統(tǒng)在線性信使核糖核酸內(nèi)部核糖體進(jìn)入位點(diǎn)（IRES，一段能繞過傳統(tǒng)機(jī)制直接啟動翻譯的特殊RNA序列）的識別上，較現(xiàn)有最佳方法提升了百分之十五的準(zhǔn)確度，并能完全識別已驗(yàn)證的環(huán)狀RNA功能片段。其次，進(jìn)化算法系統(tǒng)通過定向突變誘導(dǎo)序列功能，在三萬多個非功能序列的計算評估中，百分之六十被成功轉(zhuǎn)化為預(yù)測的功能序列。大規(guī)模并行報告實(shí)驗(yàn)驗(yàn)證了一萬兩千個突變序列，其中百分之九十八點(diǎn)四獲得了可檢測的翻譯啟動功能。最后，團(tuán)隊(duì)使用擴(kuò)散模型無需模板從頭生成全新序列。實(shí)驗(yàn)證實(shí)該系統(tǒng)生成的一萬兩千個新序列中百分之九十九點(diǎn)三具備實(shí)質(zhì)功能活性。該平臺發(fā)掘出諸多自然界罕見的高活性序列模式。研究發(fā)表在 Nature Machine Intelligence 上。

#AI驅(qū)動科學(xué) #大模型技術(shù) #RNA療法 #合成生物學(xué) #內(nèi)部核糖體進(jìn)入位點(diǎn)

閱讀更多：

Chu, Yanyi, et al. “Programmable RNA Translation through Deep Learning-Driven IRES Discovery and de Novo Generation.” Nature Machine Intelligence, vol. 8, no. 4, Apr. 2026, pp. 559–74. www.nature.com, https://doi.org/10.1038/s42256-026-01213-z

trRosettaRNA2，精準(zhǔn)預(yù)測RNA三維結(jié)構(gòu)與動態(tài)構(gòu)象

RNA分子的三維結(jié)構(gòu)解析因其高度靈活性和實(shí)驗(yàn)數(shù)據(jù)稀缺性，山東大學(xué)楊建益教授團(tuán)隊(duì)（王文愷博士為論文第一作者）成功開發(fā)出全新的深度學(xué)習(xí)算法trRosettaRNA2，突破了數(shù)據(jù)的限制，不僅實(shí)現(xiàn)了高精度的RNA靜態(tài)三維結(jié)構(gòu)預(yù)測，還能精準(zhǔn)捕捉其復(fù)雜的動態(tài)構(gòu)象。

該研究創(chuàng)新性地采用以二維藍(lán)圖指導(dǎo)三維施工的計算策略。由于真實(shí)的RNA三維結(jié)構(gòu)數(shù)據(jù)非常有限，研究人員利用海量且易獲取的RNA二級結(jié)構(gòu)數(shù)據(jù)，訓(xùn)練出獨(dú)立的預(yù)訓(xùn)練先驗(yàn)?zāi)KtrRNA2-SS。在進(jìn)行最終預(yù)測時，模型引入了二級結(jié)構(gòu)感知注意力（SS-aware attention，一種使神經(jīng)網(wǎng)絡(luò)能夠動態(tài)且有側(cè)重地參考二維藍(lán)圖特征來推演三維空間坐標(biāo)的深度學(xué)習(xí)機(jī)制），結(jié)合一維序列生成最終的三維坐標(biāo)以及構(gòu)象異構(gòu)體（conformers，指同一分子因內(nèi)在物理靈活性而產(chǎn)生的不同三維空間排列狀態(tài)）。數(shù)據(jù)表明，trRosettaRNA2在TS28測試集上的預(yù)測精度較前代模型大幅提升了百分之二十四，物理合理性表現(xiàn)優(yōu)于AlphaFold3。同時，該模型的參數(shù)量僅為約3000萬，顯著降低了計算成本。在嚴(yán)苛的CASP16國際盲測中，基于該算法的服務(wù)器成功奪得自動化組別冠軍。此外，該模型無需借助任何實(shí)驗(yàn)數(shù)據(jù)，便成功推演出核糖核酸酶P的多種動態(tài)構(gòu)象。研究發(fā)表在 Nature Machine Intelligence 上。

#AI驅(qū)動科學(xué) #預(yù)測模型構(gòu)建 #RNA三維結(jié)構(gòu) #計算結(jié)構(gòu)生物學(xué)

閱讀更多：

Wang, Wenkai, et al. “Predicting RNA 3D Structure and Conformers Using a Pre-Trained Secondary Structure Model and Structure-Aware Attention.” Nature Machine Intelligence, Apr. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s42256-026-01223-x

智能超材料紡織品實(shí)現(xiàn)無電池連續(xù)血壓監(jiān)測

目前可穿戴健康設(shè)備面臨頻繁充電和電池笨重的問題，如何實(shí)現(xiàn)連續(xù)無感監(jiān)測？Selman A. Kurt和Kevin Albert Kasper及其團(tuán)隊(duì)（新加坡國立大學(xué)、亞利桑那大學(xué)和清華大學(xué)）開發(fā)了一種新型無電池表皮傳感系統(tǒng)，成功通過超材料衣物實(shí)現(xiàn)了運(yùn)動狀態(tài)下的連續(xù)血壓監(jiān)測。

? 雙模超材料紡織品的照片展示了整體設(shè)計、腕部終端上的無線供電表皮傳感器以及用于無線供電和收集生理信號的智能手機(jī)。Credit: Kurt et al.

該系統(tǒng)由直接貼附在皮膚上的超薄表皮傳感器（epidermal sensors，一種輕薄柔韌且能采集特定生理信號的裝置）組成，完全拋棄了傳統(tǒng)的集成電池。研究人員創(chuàng)新性地設(shè)計出一種雙模超材料紡織品（dual-mode metamaterial textile，一種經(jīng)過特殊結(jié)構(gòu)設(shè)計可引導(dǎo)電磁能量傳輸?shù)拿媪希⑵錈o縫集成到日常衣物中。這種超材料巧妙地將功率傳輸通道（13.56 MHz）和數(shù)據(jù)通信通道（2.4 GHz）隔離開來，有效避免了無線充電與數(shù)據(jù)采集之間的信號干擾。在實(shí)際運(yùn)行中，用戶的智能手機(jī)充當(dāng)系統(tǒng)樞紐，通過衣物上的超材料網(wǎng)絡(luò)向傳感器隔空輸送能量，同時實(shí)時接收生理數(shù)據(jù)。性能評估結(jié)果顯示，無論用戶處于靜息狀態(tài)還是在進(jìn)行劇烈運(yùn)動，該網(wǎng)絡(luò)都能以高保真度準(zhǔn)確測量收縮壓。這一無源設(shè)計徹底打破了以往健康追蹤器的數(shù)據(jù)傳輸與續(xù)航瓶頸，為未來個性化醫(yī)療服裝的普及奠定了基礎(chǔ)。研究發(fā)表在 Nature Electronics 上。

#疾病與健康 #健康管理與壽命延長 #無電池可穿戴設(shè)備 #超材料紡織品 #連續(xù)血壓監(jiān)測

閱讀更多：

Kurt, Selman A., et al. “A Battery-Free Wireless Epidermal Sensor Network for Continuous Systolic Blood Pressure Monitoring.” Nature Electronics, Apr. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41928-026-01597-1

為什么更快的AI并不總是更好：延遲反而提升用戶感知質(zhì)量

大語言模型響應(yīng)越快，用戶體驗(yàn)就越好嗎？紐約大學(xué)坦登工程學(xué)院的Felicia Fang-Yi Tan、Moritz Alexander Messerschmidt、Wen Yin和Oded Nov團(tuán)隊(duì)通過實(shí)驗(yàn)打破了這一傳統(tǒng)認(rèn)知，發(fā)現(xiàn)人為引入的響應(yīng)延遲反而能提升用戶對AI回答的質(zhì)量感知。

研究團(tuán)隊(duì)招募了240名參與者，通過定制界面進(jìn)行了一項(xiàng)受控實(shí)驗(yàn)。參與者被分配執(zhí)行創(chuàng)造類或建議類任務(wù)，并在接收回復(fù)前經(jīng)歷不同的系統(tǒng)響應(yīng)時間（System Response Times，即系統(tǒng)從接收指令到首次輸出結(jié)果的等待期，本實(shí)驗(yàn)設(shè)置為2秒、9秒或20秒）。系統(tǒng)日志顯示，用戶的實(shí)際交互行為不受響應(yīng)速度影響，但在不同任務(wù)間差異顯著，例如創(chuàng)造類任務(wù)促使參與者提交更多輪次的提示。然而在質(zhì)量感知上，經(jīng)歷2秒延遲的參與者對大語言模型的評價普遍較低，認(rèn)為其回答缺乏思考。相反，經(jīng)歷9秒或20秒延遲的參與者對完全相同的回答評價更高，將其視為AI深思熟慮的體現(xiàn)。這種現(xiàn)象與正向摩擦的心理效應(yīng)密切相關(guān)。該發(fā)現(xiàn)表明延遲本身可作為一種重要的交互設(shè)計變量，同時也引發(fā)了有關(guān)AI是否應(yīng)通過人為操控等待時間來獲取用戶信任的倫理反思。研究發(fā)表在 Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems 上。

#認(rèn)知科學(xué) #大模型技術(shù) #人機(jī)交互 #正向摩擦 #用戶感知

閱讀更多：

Tan, Felicia Fang-Yi, et al. “The Impact of Response Latency and Task Type on Human-LLM Interaction and Perception.” Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems [New York, NY, USA], CHI ’26, 2026, pp. 1–17. ACM Digital Library, https://doi.org/10.1145/3772318.3790716

Google DeepMind推出通用視覺基礎(chǔ)模型Vision Banana

生成模型是否能深入理解視覺內(nèi)容長期未有定論。Valentin Gabeur、Shangbang Long和Songyou Peng等（谷歌DeepMind）推出通用視覺模型Vision Banana。該模型不僅保留了原本的圖像生成能力，還在二維與三維視覺理解測試中超越了多款專用模型。研究采用了指令微調(diào)的方法，將圖像生成模型Nano Banana Pro作為底層平臺。

其核心創(chuàng)新在于將不同視覺任務(wù)的輸出統(tǒng)一重構(gòu)成 RGB 圖像。例如在單目度量深度估計（metric depth estimation 僅根據(jù)單張圖像預(yù)測每個像素點(diǎn)到攝像頭物理距離的任務(wù)）中，團(tuán)隊(duì)設(shè)計了可逆的數(shù)值映射機(jī)制，將物理深度值編碼為對應(yīng)的彩色像素。訓(xùn)練時僅需在海量原有數(shù)據(jù)中混入極低比例的視覺理解數(shù)據(jù)。測試結(jié)果顯示，該模型不僅在零樣本條件下展現(xiàn)出強(qiáng)大泛化性，其在城市景觀語義分割任務(wù)中的交并比達(dá)到0.699，還在多項(xiàng)深度測試中平均精度高達(dá)0.929，均優(yōu)于傳統(tǒng)領(lǐng)域的專業(yè)模型。此外在生成能力評測中，該模型與原模型的勝負(fù)率基本持平，證明輕量級微調(diào)有效兼顧了理解與生成。

#大模型技術(shù) #其他 #計算機(jī)視覺 #圖像生成 #指令微調(diào)

閱讀更多：

Gabeur, Valentin, et al. “Image Generators Are Generalist Vision Learners.” arXiv:2604.20329, arXiv, 22 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.20329

蘋果新研究揭示大模型隱私隱患：你的Logits知道些什么？

視覺語言模型在回答簡單問題時是否徹底過濾了無關(guān)的隱私信息？Masha Fedzechkina、Eleonora Gualdoni、Rita Ramos與Sinead Williamson（蘋果公司）探究了模型信息壓縮過程，發(fā)現(xiàn)模型輸出的表層候選詞概率數(shù)據(jù)中殘留大量未提及的敏感細(xì)節(jié)，揭示了潛在的嚴(yán)重隱私安全隱患。

該研究基于信息瓶頸原則（Information Bottleneck Principle，即模型應(yīng)在決策時保留關(guān)鍵指標(biāo)并過濾無效干擾），對視覺語言模型進(jìn)行測試。團(tuán)隊(duì)使用探針監(jiān)測模型內(nèi)部數(shù)據(jù)，并在圖像數(shù)據(jù)集中施加高斯噪聲。對比殘差流與最終的對數(shù)幾率后，研究揭示了嚴(yán)重的安全隱患。底層狀態(tài)保留了圖像全部細(xì)節(jié)，而最終輸出層雖經(jīng)過壓縮，但排名前列的候選詞得分依然會泄露隱私。實(shí)驗(yàn)表明，僅截取前三十到八十個表層候選項(xiàng)，探針就能以極高準(zhǔn)確率預(yù)測出提示詞中未提及的目標(biāo)材質(zhì)及背景物體特征。這證實(shí)獲取表層數(shù)據(jù)的隱私泄露風(fēng)險與獲取深層數(shù)據(jù)的風(fēng)險幾乎完全相當(dāng)。

#大模型技術(shù) #計算模型與人工智能模擬 #視覺語言模型 #隱私泄露 #信息瓶頸原則

閱讀更多：

Fedzechkina, Masha, et al. “What Do Your Logits Know? (The Answer May Surprise You!).” arXiv:2604.09885, arXiv, 10 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.09885

深度學(xué)習(xí)的牛頓定律：14名頂尖學(xué)者提出學(xué)習(xí)力學(xué)統(tǒng)一理論框架

深度學(xué)習(xí)長期以來高度依賴工程直覺與實(shí)驗(yàn)試錯，缺乏解釋其內(nèi)部機(jī)制的基礎(chǔ)科學(xué)理論。加州大學(xué)伯克利分校、哈佛大學(xué)和斯坦福大學(xué)的Jamie Simon、Daniel Kunin和Alexander Atanasov等十四名研究人員梳理了現(xiàn)有的理論碎片，提出了一種名為學(xué)習(xí)力學(xué)（Learning Mechanics，旨在為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程建立第一性原理的科學(xué)框架）的全新基礎(chǔ)理論體系。

研究團(tuán)隊(duì)系統(tǒng)梳理了過去十年的理論成果，提煉出構(gòu)建學(xué)習(xí)力學(xué)的五大核心線索。首先是可解的理想化設(shè)定，如深度線性網(wǎng)絡(luò)（Deep Linear Networks，將激活函數(shù)替換為恒等映射的簡化神經(jīng)網(wǎng)絡(luò)）和神經(jīng)正切核（Neural Tangent Kernel，描述無限寬網(wǎng)絡(luò)在訓(xùn)練中行為的固定核函數(shù)），它們提供了基礎(chǔ)且可精確求解的理論模型。其次是可處理的極限分析，探討網(wǎng)絡(luò)趨于無限寬時的行為演變，例如參數(shù)幾乎不改變的惰性訓(xùn)練狀態(tài)與特征發(fā)生實(shí)質(zhì)改變的豐富狀態(tài)。第三是跨越模型架構(gòu)的經(jīng)驗(yàn)定律，如神經(jīng)縮放律（Neural Scaling Laws，模型測試損失隨計算量增加呈現(xiàn)冪律衰減的普遍規(guī)律）。第四是超參數(shù)理論，例如最大更新參數(shù)化（Maximal Update Parameterization，通過特定縮放規(guī)則實(shí)現(xiàn)超參數(shù)在不同規(guī)模模型間直接遷移的方案）。最后是表征收斂現(xiàn)象，即不同網(wǎng)絡(luò)最終會學(xué)到高度相似的內(nèi)部特征。研究結(jié)果不僅搭建了理論圖景，還梳理出非線性動力學(xué)解析等十項(xiàng)關(guān)鍵難題。

#大模型技術(shù) #其他 #深度學(xué)習(xí)理論 #學(xué)習(xí)力學(xué)

閱讀更多：

Simon, Jamie, et al. “There Will Be a Scientific Theory of Deep Learning.” arXiv:2604.21691, arXiv, 23 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.21691

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)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(jìn)，不斷探索科學(xué)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(fù)哦~

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)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(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)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(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工陳天橋雒芊芊神經(jīng)科學(xué)研究院。

研究院還建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W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。