█ 腦科學(xué)動(dòng)態(tài)

早期腦區(qū)在決策中扮演重要角色

大腦可能利用多巴胺來(lái)扭曲時(shí)間和塑造記憶

大腦依賴感覺而非運(yùn)動(dòng)指令存儲(chǔ)新發(fā)音模式

新型問(wèn)卷精準(zhǔn)描繪精神障礙的七種緊張模式

孤獨(dú)癥診斷的性別鴻溝隨年齡增長(zhǎng)而彌合

魚類睡眠狀態(tài)展現(xiàn)出四種不同的特征，其中三種伴有眼球運(yùn)動(dòng)

感覺網(wǎng)絡(luò)共享世界，默認(rèn)模式網(wǎng)絡(luò)編織個(gè)人故事

800名男性囚犯大腦結(jié)構(gòu)研究：高精神病態(tài)與皮質(zhì)表面積增大有關(guān)

單脈沖刺激揭示大腦在內(nèi)部與外部處理間的快速切換機(jī)制

█ AI行業(yè)動(dòng)態(tài)

馬斯克解散xAI：22萬(wàn)張GPU算力轉(zhuǎn)租Anthropic

讓AI玩“太空狼人殺”？DeepMind入股硬核網(wǎng)游EVE研究智能進(jìn)化

Claude新功能讓機(jī)器在睡眠中自己梳理記憶、總結(jié)規(guī)律

中科院發(fā)布類腦大模型瞬悉2.0

█ AI驅(qū)動(dòng)科學(xué)

QIMR團(tuán)隊(duì)首創(chuàng)可解釋AI篩查模型，精準(zhǔn)鎖定隱藏癌細(xì)胞特征

外科醫(yī)生的新搭檔：因果AI驅(qū)動(dòng)下的半自主醫(yī)療機(jī)器人圖景

AI為AI造工具：自動(dòng)研究循環(huán)演化出智能體專屬的機(jī)器學(xué)習(xí)庫(kù)

新AI算法賦予機(jī)器人無(wú)縫技能遷移能力

AHE讓編程智能體實(shí)現(xiàn)線束全自動(dòng)進(jìn)化

從單步預(yù)測(cè)到自主進(jìn)化：跨學(xué)科視角下的世界模型演進(jìn)路線圖

減少47%無(wú)效調(diào)用，新型框架讓大型推理模型學(xué)會(huì)適時(shí)檢索

協(xié)同進(jìn)化的大模型決策與技能庫(kù)智能體突破長(zhǎng)期任務(wù)瓶頸

突破文本長(zhǎng)度瓶頸：OCR-Memory實(shí)現(xiàn)智能體長(zhǎng)周期視覺記憶提取

腦科學(xué)動(dòng)態(tài)

早期腦區(qū)在決策中扮演重要角色

大腦如何做出決策？伊利諾伊大學(xué)厄巴納-香檳分校的Yurii Vlasov及其團(tuán)隊(duì)通過(guò)研究發(fā)現(xiàn)，決策過(guò)程并非純粹自下而上地逐級(jí)傳遞，早期感官腦區(qū)通過(guò)反饋回路深度參與其中，這一發(fā)現(xiàn)挑戰(zhàn)了傳統(tǒng)的神經(jīng)科學(xué)觀點(diǎn)，并可能為下一代人工智能的設(shè)計(jì)提供新思路。

? 一只老鼠在自然逼真的虛擬現(xiàn)實(shí)環(huán)境中，利用胡須做出感知決策，從而實(shí)現(xiàn)向左或向右的轉(zhuǎn)向。與傳統(tǒng)的腦組織結(jié)構(gòu)觀點(diǎn)相反，感知決策在初級(jí)皮層皮層計(jì)算的早期階段就已得到充分體現(xiàn)。Credit: The Grainger College of Engineering at the University of Illinois Urbana-Champaign

傳統(tǒng)觀點(diǎn)認(rèn)為，決策是一個(gè)層級(jí)過(guò)程，感官信息從初級(jí)腦區(qū)流向高級(jí)腦區(qū)。為驗(yàn)證這一模型，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)實(shí)驗(yàn)，讓小鼠在虛擬現(xiàn)實(shí)環(huán)境中僅憑胡須觸覺來(lái)決定向左或向右導(dǎo)航。通過(guò)高密度電生理記錄，他們驚訝地發(fā)現(xiàn)，在被認(rèn)為是感官信息中繼站的初級(jí)體感皮層（primary somatosensory cortex, S1）中，就已存在強(qiáng)烈的決策信號(hào)。研究顯示，S1的神經(jīng)活動(dòng)并非單向流動(dòng)，而是受到來(lái)自高級(jí)腦區(qū)的“自上而下”的動(dòng)態(tài)調(diào)控，形成了雙向反饋回路。在決策期間，S1中復(fù)雜的高維神經(jīng)活動(dòng)會(huì)“塌縮”成一個(gè)單一變量，其活動(dòng)強(qiáng)度會(huì)逐漸累積，直至達(dá)到?jīng)Q策閾值。這一“自然智能”模型不僅解釋了大腦的高效決策機(jī)制，也為開發(fā)能耗更低、性能更強(qiáng)的AI提供了生物學(xué)藍(lán)圖。研究發(fā)表在 PNAS 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #決策 #計(jì)算模型與人工智能模擬 #神經(jīng)回路

閱讀更多：

Armstrong, Alex G., and Yurii Vlasov. “Neural Correlates of Perceptual Decision-Making in the Primary Somatosensory Cortex.” Proceedings of the National Academy of Sciences, vol. 123, no. 18, May 2026, p. e2514107123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2514107123

大腦可能利用多巴胺來(lái)扭曲時(shí)間和塑造記憶

為什么有些記憶感覺轉(zhuǎn)瞬即逝，而另一些卻仿佛被拉長(zhǎng)？加州大學(xué)洛杉磯分校的Erin Morrow和David Clewett等人通過(guò)研究揭示，大腦中的多巴胺系統(tǒng)可能正是這位“時(shí)間魔術(shù)師”，它通過(guò)在不同經(jīng)歷之間制造時(shí)間上的距離感，幫助我們將連續(xù)的生活流分割成獨(dú)立的記憶章節(jié)。

? 事件序列編碼任務(wù)和時(shí)間距離記憶測(cè)試。Credit: Nature Communications (2026).

研究團(tuán)隊(duì)讓志愿者在進(jìn)行功能性磁共振成像掃描時(shí)觀看圖像序列，并通過(guò)切換聲音的來(lái)源和音高來(lái)人為制造“事件邊界”（event boundaries，即標(biāo)志著一個(gè)情境結(jié)束和另一個(gè)開始的節(jié)點(diǎn)）。結(jié)果發(fā)現(xiàn)，每當(dāng)參與者感知到事件邊界時(shí)，大腦中負(fù)責(zé)產(chǎn)生多巴胺的關(guān)鍵區(qū)域——腹側(cè)被蓋區(qū)（ventral tegmental area，簡(jiǎn)稱VTA）——便會(huì)顯著激活。這種激活帶來(lái)了奇妙的心理效應(yīng)：在隨后的記憶測(cè)試中，盡管所有圖像對(duì)的實(shí)際呈現(xiàn)間隔完全相同，但那些恰好跨越了事件邊界的圖像對(duì)，被參與者普遍回憶為時(shí)間上相隔更遠(yuǎn)。VTA激活越強(qiáng)烈，這種時(shí)間被“拉長(zhǎng)”的感覺就越明顯。此外，研究還發(fā)現(xiàn)眨眼行為與多巴胺信號(hào)密切相關(guān)，在事件邊界處，參與者的眨眼頻率也顯著增加，進(jìn)一步佐證了多巴胺系統(tǒng)在標(biāo)記和分割體驗(yàn)中的作用。研究發(fā)表在 Nature Communications 上。

#神經(jīng)科學(xué) #記憶機(jī)制 #多巴胺 #時(shí)間知覺

閱讀更多：

Morrow, Erin, et al. “Dopaminergic Processes Predict Temporal Distortions in Event Memory.” Nature Communications, vol. 17, no. 1, Mar. 2026, p. 3971. www.nature.com, https://doi.org/10.1038/s41467-026-69950-8

大腦依賴感覺而非運(yùn)動(dòng)指令存儲(chǔ)新發(fā)音模式

我們?nèi)绾螌W(xué)會(huì)并記住新的口音或發(fā)音方式？長(zhǎng)期以來(lái)，科學(xué)家們爭(zhēng)論這究竟是肌肉的運(yùn)動(dòng)記憶還是感官的記憶。由Nishant Rao、David J. Ostry等麥吉爾大學(xué)研究人員組成的一項(xiàng)新研究揭示，言語(yǔ)記憶的存儲(chǔ)關(guān)鍵在于感覺系統(tǒng)，而非運(yùn)動(dòng)系統(tǒng)。

? 用于研究語(yǔ)音動(dòng)作記憶是否具有感覺基礎(chǔ)的實(shí)驗(yàn)裝置。Credit: Proceedings of the National Academy of Sciences (2026).

研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)巧妙的實(shí)驗(yàn)，讓參與者在聽到自己聲音被實(shí)時(shí)改變（元音音調(diào)升高）的情況下說(shuō)話，從而誘導(dǎo)他們學(xué)習(xí)一種新的發(fā)音模式。學(xué)習(xí)結(jié)束后，研究人員使用經(jīng)顱磁刺激（Transcranial Magnetic Stimulation, TMS）技術(shù)，分別對(duì)不同組參與者處理聲音的聽覺皮層、處理觸覺和運(yùn)動(dòng)感的體感皮層，以及控制肌肉運(yùn)動(dòng)的初級(jí)運(yùn)動(dòng)皮層進(jìn)行短暫干擾。24小時(shí)后的記憶測(cè)試結(jié)果出人意料：當(dāng)聽覺或體感皮層受到干擾時(shí)，參與者無(wú)法很好地記住所學(xué)的發(fā)音調(diào)整；而干擾初級(jí)運(yùn)動(dòng)皮層卻對(duì)記憶毫無(wú)影響。這表明，大腦并非記憶了一套“如何動(dòng)嘴”的運(yùn)動(dòng)指令，而是建立并存儲(chǔ)了一個(gè)“聲音應(yīng)該是什么樣”的感覺目標(biāo)。正是這個(gè)基于聽覺和體感的目標(biāo)，在指導(dǎo)我們的發(fā)音器官運(yùn)動(dòng)。研究發(fā)表在 PNAS 上。

#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #語(yǔ)言學(xué)習(xí) #感覺皮層 #經(jīng)顱磁刺激

閱讀更多：

Rao, Nishant, et al. “Sensory Basis of Speech Motor Learning and Memory.” Proceedings of the National Academy of Sciences, vol. 123, no. 17, Apr. 2026, p. e2525468123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2525468123

新型問(wèn)卷精準(zhǔn)描繪精神障礙的七種緊張模式

過(guò)度喚醒是多種精神障礙的核心癥狀，但其構(gòu)成維度一直不明確，妨礙了精準(zhǔn)診療。為解決此問(wèn)題，荷蘭神經(jīng)科學(xué)研究所的 Tom Bresser 及其團(tuán)隊(duì)通過(guò)大規(guī)模問(wèn)卷調(diào)查與因子分析，首次揭示了過(guò)度喚醒的七個(gè)不同維度，并開發(fā)了首個(gè)用于快速評(píng)估的跨診斷問(wèn)卷（THDQ）。

研究團(tuán)隊(duì)對(duì)467名有不同精神健康狀況的成年人進(jìn)行了綜合評(píng)估，讓他們完成了包含18份不同問(wèn)卷的221個(gè)條目。通過(guò)探索性因子分析，研究人員識(shí)別出過(guò)度喚醒的七個(gè)獨(dú)立維度：焦慮型（anxious hyperarousal，對(duì)未來(lái)充滿憂慮）、軀體型（somatic hyperarousal，如心悸、呼吸急促等身體癥狀）、敏感型（sensitive hyperarousal，情緒脆弱）、睡眠相關(guān)型（sleep-related hyperarousal，睡前思慮過(guò)多）、易怒型（irritable hyperarousal）、警覺型（vigilant hyperarousal，在公共場(chǎng)所過(guò)度警惕）以及出汗/血管舒縮型（sudomotor hyperarousal，如冷熱汗和臉紅）。研究發(fā)現(xiàn)，雖然幾乎每種過(guò)度喚醒維度都或多或少地存在于各種障礙中，但不同疾?。ㄈ缡?、抑郁癥、創(chuàng)傷后應(yīng)激障礙等）表現(xiàn)出各自獨(dú)特的嚴(yán)重程度組合模式?；谶@些發(fā)現(xiàn)，團(tuán)隊(duì)開發(fā)并驗(yàn)證了一份包含27個(gè)條目的跨診斷過(guò)度喚醒維度問(wèn)卷（Transdiagnostic Hyperarousal Dimensions Questionnaire, THDQ），該問(wèn)卷能夠快速、可靠地評(píng)估每個(gè)維度。該問(wèn)卷在第二個(gè)592人的樣本中得到驗(yàn)證，并且研究還表明，英國(guó)生物樣本庫(kù)的部分現(xiàn)有數(shù)據(jù)可用于估算其中的焦慮、易怒和睡眠相關(guān)三個(gè)維度，為利用大型隊(duì)列數(shù)據(jù)進(jìn)行深入研究提供了可能。研究發(fā)表在 eClinicalMedicine 上。

#疾病與健康 #心理健康與精神疾病 #過(guò)度喚醒 #跨診斷

閱讀更多：

Bresser, Tom, et al. “Hyperarousal Transdiagnostically Dissected: Different Dimensions Characterize Mood, Anxiety, Insomnia, Posttraumatic Stress and Attention Deficit Hyperactivity Disorders.” eClinicalMedicine, vol. 94, Apr. 2026. www.thelancet.com, https://doi.org/10.1016/j.eclinm.2026.103810

孤獨(dú)癥診斷的性別鴻溝隨年齡增長(zhǎng)而彌合

孤獨(dú)癥是“男性病”嗎？瑞典卡羅林斯卡學(xué)院的Caroline Fyfe及其同事對(duì)瑞典近280萬(wàn)人的大規(guī)模數(shù)據(jù)進(jìn)行分析，挑戰(zhàn)了這一傳統(tǒng)觀念。研究發(fā)現(xiàn)，盡管男孩在幼年期的診斷率遠(yuǎn)高于女孩，但這種性別差異會(huì)隨年齡增長(zhǎng)而顯著縮小，至成年期幾乎消失，這提示女性孤獨(dú)癥患者可能在兒童期被大量漏診。

該研究分析了1985年至2020年間出生的近280萬(wàn)瑞典兒童的醫(yī)療數(shù)據(jù)。結(jié)果顯示，在10歲之前，男孩獲得孤獨(dú)癥譜系障礙（autism spectrum disorder，簡(jiǎn)稱ASD）診斷的比例是女孩的三倍。然而，此后性別差距開始穩(wěn)步縮小。在近兩年（2020-2022年）的數(shù)據(jù)中，到15歲時(shí)，診斷率已無(wú)明顯性別差異。數(shù)據(jù)還揭示了診斷高峰年齡的性別差異：男性為10至15歲，而女性則推遲到15至19歲。研究團(tuán)隊(duì)推測(cè)，診斷延遲可能與多種因素有關(guān)。一種可能是女孩更擅長(zhǎng)在幼年“偽裝”或模仿同齡人的社交行為，使得癥狀更難被發(fā)現(xiàn)。另一種可能是她們的孤獨(dú)癥癥狀常被誤歸因于其他共存的精神健康問(wèn)題，導(dǎo)致診斷被延誤。這一發(fā)現(xiàn)強(qiáng)調(diào)了優(yōu)化現(xiàn)有篩查和診斷實(shí)踐的必要性，以確保女性能夠得到及時(shí)識(shí)別和支持。研究發(fā)表在 BMJ 上。

#疾病與健康 #心理健康與精神疾病 #孤獨(dú)癥 #性別差異 #診斷延遲

閱讀更多：

Fyfe, Caroline, et al. “Time Trends in the Male to Female Ratio for Autism Incidence: Population Based, Prospectively Collected, Birth Cohort Study.” BMJ, vol. 392, Feb. 2026, p. e084164. Research. www.bmj.com, https://doi.org/10.1136/bmj-2025-084164

魚類睡眠狀態(tài)展現(xiàn)出四種不同的特征，其中三種伴有眼球運(yùn)動(dòng)

魚類是否像人類一樣擁有復(fù)雜的睡眠階段？德國(guó)馬克斯·普朗克生物控制論研究所的Vikash Choudhary、Charles R. Heller、Jennifer M. Li及Drew N. Robson等人通過(guò)對(duì)斑馬魚的研究給出了肯定答案。他們首次發(fā)現(xiàn)魚類存在一個(gè)由四種不同狀態(tài)組成的復(fù)雜睡眠結(jié)構(gòu)，并且這些狀態(tài)的分布受到生物鐘和光照的精細(xì)調(diào)控。

? 馬克斯·普朗克生物控制論研究所系統(tǒng)神經(jīng)科學(xué)與神經(jīng)工程研究組的追蹤顯微鏡。Credit: Jo?rg Abendroth / MPI for Biological Cybernetics

研究團(tuán)隊(duì)利用一種特制的追蹤顯微鏡，對(duì)自由游動(dòng)的透明斑馬魚幼魚進(jìn)行了長(zhǎng)達(dá)24小時(shí)的連續(xù)觀察，同步記錄了它們的行為、眼動(dòng)和全腦神經(jīng)活動(dòng)。通過(guò)分析眼球運(yùn)動(dòng)的運(yùn)動(dòng)學(xué)特征，他們將魚類的睡眠（長(zhǎng)時(shí)間靜止）劃分為四種不同的子狀態(tài)：一種完全沒有眼球運(yùn)動(dòng)的睡眠（QNEM），以及三種具有獨(dú)特眼動(dòng)模式的睡眠（QEM-1、QEM-2和QEM-3）。研究揭示了這些睡眠狀態(tài)驚人的晝夜節(jié)律組織性：QNEM主要發(fā)生在夜間；QEM-2在清晨時(shí)段增多；而最令人意外的是，QEM-1作為一種難以喚醒的深度睡眠狀態(tài)，幾乎只在白天出現(xiàn)，類似于一種“午睡”。進(jìn)一步的實(shí)驗(yàn)表明，這種精細(xì)的睡眠結(jié)構(gòu)是由內(nèi)部生物鐘和外部光照共同決定的，并且在其他兩種近緣?mèng)~類中也同樣存在，證明這是一種古老的、在演化上保守的特征。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 #睡眠 #晝夜節(jié)律 #斑馬魚

閱讀更多：

Choudhary, Vikash, et al. “Eye Movement Kinematics Reveal Novel Circadian Organization of Sleep Substates.” Nature Communications, vol. 17, no. 1, May 2026, p. 4068. www.nature.com, https://doi.org/10.1038/s41467-026-72222-0

感覺網(wǎng)絡(luò)共享世界，默認(rèn)模式網(wǎng)絡(luò)編織個(gè)人故事

人類的內(nèi)在世界為何千差萬(wàn)別且獨(dú)一無(wú)二？Peter Coppola和Emmanuel A. Stamatakis等揭示了大腦復(fù)雜網(wǎng)絡(luò)在處理共享信息與個(gè)人體驗(yàn)時(shí)的不同運(yùn)作模式，證實(shí)了大腦深層的默認(rèn)模式網(wǎng)絡(luò)是承載高度個(gè)人化意識(shí)流并決定個(gè)體獨(dú)特性的核心基礎(chǔ)。

? Credit: Communications Biology (2026).

研究團(tuán)隊(duì)讓16名成年志愿者聆聽一段電影音頻片段，并使用功能磁共振成像分別記錄他們?cè)谇逍押腿砺樽頎顟B(tài)下的腦電活動(dòng)。分析過(guò)程中采用了時(shí)間相似性矩陣來(lái)追蹤各個(gè)大腦區(qū)域通訊模式的轉(zhuǎn)變。結(jié)果顯示，當(dāng)參與者清醒時(shí)，其默認(rèn)模式網(wǎng)絡(luò)（DMN）的活動(dòng)變得異常復(fù)雜，且不同個(gè)體間的模式差異極大。相反，負(fù)責(zé)處理視覺和聽覺的注意力與感覺網(wǎng)絡(luò)在不同個(gè)體間表現(xiàn)出高度一致性。當(dāng)失去意識(shí)時(shí)，這些顯著的個(gè)體神經(jīng)特征隨之減弱并趨向相同。這表明大腦利用感覺網(wǎng)絡(luò)來(lái)共享世界體驗(yàn)，而深層網(wǎng)絡(luò)則時(shí)刻重塑以反映個(gè)人的私密記憶和思想。研究發(fā)表在 Communications Biology 上。

#意識(shí)與腦機(jī)接口 #神經(jīng)機(jī)制與腦功能解析 #默認(rèn)模式網(wǎng)絡(luò) #個(gè)體意識(shí) #功能磁共振成像

閱讀更多：

Coppola, Peter, et al. “The Neural Correlates of Shared and Individual Experience.” Communications Biology, vol. 9, no. 1, Jan. 2026, p. 95. www.nature.com, https://doi.org/10.1038/s42003-025-09355-3

800名男性囚犯大腦結(jié)構(gòu)研究：高精神病態(tài)與皮質(zhì)表面積增大有關(guān)

以往研究認(rèn)為具有精神病態(tài)特征的人腦容量較小，但缺乏區(qū)分皮質(zhì)厚度與表面積的大規(guī)模映射分析。Marcin A. Radecki和J. Michael Maurer等研究人員通過(guò)對(duì)被監(jiān)禁男性的研究發(fā)現(xiàn)，高度精神病態(tài)者的大腦皮質(zhì)表面積不僅沒有縮小，反而出現(xiàn)顯著擴(kuò)張，尤其是在處理社會(huì)與情感信息的區(qū)域。

這項(xiàng)研究招募了804名成年男性囚犯，以探究同理心缺失、精神病態(tài)與大腦物理結(jié)構(gòu)的關(guān)系。研究采用標(biāo)準(zhǔn)精神病態(tài)量表修訂版（Psychopathy Checklist-Revised，用于評(píng)估個(gè)體人際關(guān)系、情感特征及反社會(huì)生活方式的標(biāo)準(zhǔn)化臨床評(píng)估工具）與人際反應(yīng)指針問(wèn)卷（Interpersonal Reactivity Index，用于多維評(píng)估個(gè)體共情能力的自評(píng)量表）進(jìn)行行為學(xué)評(píng)估，并結(jié)合磁共振成像技術(shù)測(cè)量受試者的皮質(zhì)厚度、表面積以及不同腦區(qū)間的結(jié)構(gòu)協(xié)方差梯度。

數(shù)據(jù)分析表明，精神病態(tài)的情感特征與同情和關(guān)心他人的能力降低緊密相關(guān)，而反社會(huì)行為特征則與換位思考能力受損有關(guān)。引人注目的是，在比較高低精神病態(tài)水平男性的腦部結(jié)構(gòu)時(shí)，兩者的皮質(zhì)厚度并無(wú)顯著差異。然而，精神病態(tài)程度較高的男性在65個(gè)大腦區(qū)域表現(xiàn)出更大的皮質(zhì)表面積。此外，宏觀組織分析揭示，正常大腦從基礎(chǔ)感覺腦區(qū)到復(fù)雜社交推理腦區(qū)的結(jié)構(gòu)梯度，在高度精神病態(tài)的男性中被顯著壓縮且分化程度降低。這意味著他們大腦各區(qū)域間的界限變得更加模糊，結(jié)構(gòu)相似性更高。研究發(fā)表在 Biological Psychiatry Global Open Science 上。

#疾病與健康 #心理健康與精神疾病 #神經(jīng)機(jī)制與腦功能解析 #共情 #精神病態(tài)

閱讀更多：

Radecki, Marcin A., et al. “Cortical Structure in Relation to Empathy and Psychopathy in 800 Incarcerated Men.” Biological Psychiatry Global Open Science, vol. 6, no. 3, May 2026, p. 100695. ScienceDirect, https://doi.org/10.1016/j.bpsgos.2026.100695

單脈沖刺激揭示大腦在內(nèi)部與外部處理間的快速切換機(jī)制

大腦在處理記憶等內(nèi)部信息與感官等外部信息時(shí)需要頻繁切換，但長(zhǎng)期以來(lái)科學(xué)界尚不清楚宏觀腦網(wǎng)絡(luò)能否支撐如此快速的轉(zhuǎn)換。香港大學(xué)的 Ed X. Wu 、 Alex T. L. Leong 、 Linshan Xie 和 Xunda Wang 團(tuán)隊(duì)結(jié)合非侵入性成像與精準(zhǔn)神經(jīng)刺激技術(shù)，發(fā)現(xiàn)大腦在接收到極其短暫的神經(jīng)信號(hào)后數(shù)秒內(nèi)即可完成全腦網(wǎng)絡(luò)的重塑。

? 利用單脈沖光遺傳學(xué)方法激活體感腹后內(nèi)側(cè)丘腦（VPM）內(nèi)的興奮性神經(jīng)元，同時(shí)進(jìn)行靜息態(tài)功能磁共振成像（rsfMRI）和全腦神經(jīng)活動(dòng)電生理測(cè)量，并采用數(shù)據(jù)驅(qū)動(dòng)的分析策略，以檢驗(yàn) rsfMRI 網(wǎng)絡(luò)是否能夠適應(yīng)快速神經(jīng)信息處理。Credit: Adapted from Nature Communications (2025).

該研究采用單脈沖光遺傳學(xué)（optogenetics，一種利用光脈沖精確控制特定活體神經(jīng)元活動(dòng)的技術(shù)）方法，在大鼠模型中對(duì)體感丘腦腹后內(nèi)側(cè)核（VPM，大腦中負(fù)責(zé)將感覺信息傳遞并整合到皮層的關(guān)鍵區(qū)域）的興奮性神經(jīng)元進(jìn)行僅10毫秒的瞬間刺激。同時(shí)，研究人員實(shí)施了靜息態(tài)功能磁共振成像與皮層腦電圖（ECoG）的同步測(cè)量。隨后通過(guò)數(shù)學(xué)模型分析網(wǎng)絡(luò)狀態(tài)的演變，結(jié)果顯示這極其短暫的刺激在短短兩秒內(nèi)就觸發(fā)了全腦網(wǎng)絡(luò)的重組。此時(shí)，大腦迅速抑制了負(fù)責(zé)內(nèi)部信息處理的網(wǎng)絡(luò)狀態(tài)，并將信號(hào)通過(guò)基底前腦和下丘腦等關(guān)鍵神經(jīng)調(diào)節(jié)樞紐進(jìn)行轉(zhuǎn)移，以強(qiáng)化對(duì)外部環(huán)境信息的處理。此外，同步采集的電生理數(shù)據(jù)證實(shí)，這種宏觀網(wǎng)絡(luò)的變化是由特定區(qū)域內(nèi)和區(qū)域間神經(jīng)活動(dòng)的同步化直接驅(qū)動(dòng)的。這項(xiàng)研究顛覆了以往認(rèn)為宏觀腦網(wǎng)絡(luò)變化極其緩慢的傳統(tǒng)觀點(diǎn)，揭示了大腦應(yīng)對(duì)外界突發(fā)刺激的底層邏輯。研究發(fā)表在 Nature Communications 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #靜息態(tài)功能磁共振成像 #光遺傳學(xué) #腦網(wǎng)絡(luò)動(dòng)態(tài)

閱讀更多：

Xie, Linshan, et al. “Brain-Wide Resting-State fMRI Network Dynamics Elicited by Activation of Single Thalamic Input.” Nature Communications, vol. 16, no. 1, Dec. 2025, p. 11247. www.nature.com, https://doi.org/10.1038/s41467-025-66104-0

AI 行業(yè)動(dòng)態(tài)

馬斯克解散xAI：22萬(wàn)張GPU算力轉(zhuǎn)租Anthropic

馬斯克近日正式確認(rèn)，其創(chuàng)立的人工智能公司xAI將宣告解散。xAI及其大語(yǔ)言模型Grok全部并入SpaceX新成立的子部門SpaceXAI，合并后實(shí)體估值高達(dá)1.25萬(wàn)億美元。伴隨這一重組，xAI最初的11位聯(lián)合創(chuàng)始人已全部離職。分析認(rèn)為，此舉旨在將AI研發(fā)與太空基礎(chǔ)設(shè)施整合，并將AI相關(guān)的監(jiān)管與訴訟風(fēng)險(xiǎn)納入SpaceX更龐大的治理框架內(nèi)。馬斯克表示，SpaceX已將其AI訓(xùn)練工作轉(zhuǎn)移到新一代超算集群Colossus 2上，并計(jì)劃像發(fā)射衛(wèi)星一樣，向其他“造福人類”的AI公司公平提供算力。

作為重組的關(guān)鍵一環(huán)，SpaceX與AI公司Anthropic達(dá)成重磅算力協(xié)議。全球最大的AI集群之一Colossus 1所擁有的超過(guò)22萬(wàn)塊英偉達(dá)GPU，將全部用于提升Anthropic旗下Claude模型的代碼生成能力。Anthropic由此獲得超過(guò)300兆瓦的計(jì)算能力，并立即提高了其付費(fèi)用戶（Claude Pro、Max等）和API的速率限制，大幅緩解了因算力緊張導(dǎo)致的Claude Code服務(wù)限制問(wèn)題。雙方還表示將探索合作開發(fā)數(shù)吉瓦級(jí)的軌道人工智能算力，利用太空近乎無(wú)限的可持續(xù)能源和散熱能力，突破地面電力與土地對(duì)下一代AI算力擴(kuò)張的物理限制。

#xAI解散 #馬斯克 #Anthropic算力合作 #太空計(jì)算 #GPU租用

閱讀更多：

https://x.ai/news/anthropic-compute-partnership

讓AI玩“太空狼人殺”？DeepMind入股硬核網(wǎng)游EVE研究智能進(jìn)化

人工智能前沿機(jī)構(gòu)Google DeepMind近日宣布了一項(xiàng)獨(dú)特的跨界合作：通過(guò)收購(gòu)股權(quán)的方式，與著名硬核太空沙盒網(wǎng)游《EVE Online》（星戰(zhàn)前夜）的開發(fā)商結(jié)成研究伙伴關(guān)系。此舉正值該游戲迎來(lái)上線23周年，其開發(fā)商CCP Games（后更名為Fenris Creations）以1.2億美元從韓國(guó)發(fā)行商Pearl Abyss手中完成管理層收購(gòu)，實(shí)現(xiàn)獨(dú)立運(yùn)營(yíng)。DeepMind表示，將利用EVE Online極其龐大、復(fù)雜且完全由玩家驅(qū)動(dòng)的虛擬經(jīng)濟(jì)與政治生態(tài)，作為研究“復(fù)雜、動(dòng)態(tài)、玩家驅(qū)動(dòng)系統(tǒng)中的智能”的理想試驗(yàn)場(chǎng)。研究人員計(jì)劃在本地服務(wù)器的離線版本中，對(duì)其人工智能模型進(jìn)行涉及長(zhǎng)遠(yuǎn)規(guī)劃、記憶和持續(xù)學(xué)習(xí)的受控實(shí)驗(yàn)，同時(shí)探索由此衍生的全新游戲體驗(yàn)。

選擇EVE Online并非偶然。這款以單服務(wù)器宇宙（Single-shard universe）架構(gòu)著稱的游戲，擁有超過(guò)7000個(gè)星系和由全球玩家完全自主運(yùn)行的完整經(jīng)濟(jì)體系，其復(fù)雜性與真實(shí)世界高度相似，曾被戲稱為“太空模擬器”。DeepMind總監(jiān)Alexandre Moufarek表示，這是一個(gè)測(cè)試通用人工智能的安全沙盒環(huán)境。事實(shí)上，EVE社區(qū)早有與科研跨界合作的先例，其“探索計(jì)劃”（Project Discovery）曾讓玩家通過(guò)游戲內(nèi)小游戲?yàn)榈鞍踪|(zhì)圖譜、系外行星搜尋和癌細(xì)胞數(shù)據(jù)分析等真實(shí)科研項(xiàng)目貢獻(xiàn)了上億級(jí)的數(shù)據(jù)標(biāo)注。此次合作延續(xù)并升華了這一傳統(tǒng)，旨在讓人工智能模仿人類在極端復(fù)雜、充滿博弈與不確定性的“黑暗森林”般的系統(tǒng)中，演化出更高層次的規(guī)劃與適應(yīng)能力。

#DeepMind #EVEOnline #通用人工智能 #沙盒模擬 #跨界科研

閱讀更多：

https://www.eveonline.com/news/view/a-new-era

Claude新功能讓機(jī)器在睡眠中自己梳理記憶、總結(jié)規(guī)律

人工智能公司Anthropic為其Claude Managed Agents推出了一項(xiàng)名為“夢(mèng)境”（Dreaming）的創(chuàng)新功能，讓AI能夠在工作間隙進(jìn)行“睡眠反思”。與人類大腦在睡眠中整理記憶、沉淀經(jīng)驗(yàn)的機(jī)制類似，Dreaming會(huì)在對(duì)話間隙異步運(yùn)行，自動(dòng)掃描AI的記憶庫(kù)及最近100條歷史會(huì)話，執(zhí)行三項(xiàng)核心任務(wù)：合并重復(fù)與清理冗余信息、用最新知識(shí)替換過(guò)時(shí)規(guī)則、以及通過(guò)交叉分析多個(gè)智能體的經(jīng)歷來(lái)挖掘隱藏的規(guī)律與最優(yōu)工作流。所有經(jīng)過(guò)整理的成果會(huì)輸出至全新的記憶庫(kù)，用戶可安全驗(yàn)證，無(wú)需擔(dān)心原始數(shù)據(jù)受損。目前，已有法律科技公司Harvey在接入后，其長(zhǎng)文法律文書起草完成率提升了約6倍。

與此同時(shí)，Anthropic還同步推出了另外兩項(xiàng)功能，與Dreaming形成互補(bǔ)。名為“成果”（Outcomes）的自我質(zhì)檢員模塊，通過(guò)一個(gè)獨(dú)立的評(píng)分智能體在隔離環(huán)境中對(duì)AI的產(chǎn)出進(jìn)行客觀打分，不達(dá)標(biāo)則自動(dòng)觸發(fā)修改，據(jù)稱能將任務(wù)成功率最高提升10個(gè)百分點(diǎn)。而“多智能體編排”（Multi-Agent Orchestration）則讓一個(gè)“隊(duì)長(zhǎng)”智能體負(fù)責(zé)拆解復(fù)雜任務(wù)，指揮多個(gè)配備不同模型與工具的“專家”智能體并行處理，有效過(guò)濾干擾信息。這三項(xiàng)功能共同構(gòu)建了一套讓AI能獨(dú)立、高效完成復(fù)雜工作的基礎(chǔ)設(shè)施。結(jié)合與SpaceX的合作及用戶調(diào)用限額的提升，Anthropic正致力于推動(dòng)AI從輔助工具向自主工作主體的轉(zhuǎn)變。

#Claude夢(mèng)境反思 #AI自我升級(jí) #多智能體協(xié)作 #自主工作流 #Anthropic

閱讀更多：

https://claude.com/blog/new-in-claude-managed-agents

中科院發(fā)布類腦大模型瞬悉2.0

中國(guó)科學(xué)院自動(dòng)化研究所李國(guó)齊、徐波團(tuán)隊(duì)近日推出類腦脈沖大模型“瞬悉2.0”（SpikingBrain2.0-5B），旨在破解傳統(tǒng)Transformer模型在長(zhǎng)序列處理和高能耗部署上的核心瓶頸。該模型引入了雙空間混合稀疏注意力（Dual-Space Sparse Attention, DSSA，一種結(jié)合塊級(jí)稀疏計(jì)算與壓縮狀態(tài)表征的類腦記憶機(jī)制）和雙路徑激活值編碼策略（支持工業(yè)GPU的FP8低比特路徑與面向神經(jīng)形態(tài)芯片的INT8-脈沖路徑）。僅需32張A100顯卡、9天時(shí)間（訓(xùn)練數(shù)據(jù)量從上一代的1500億token降至140億token），瞬悉2.0即可完成對(duì)主流模型（如Qwen3）的持續(xù)預(yù)訓(xùn)練，綜合性能與強(qiáng)基線比肩，且超過(guò)上一代7B版本。

在長(zhǎng)序列效率方面，瞬悉2.0在400萬(wàn)token長(zhǎng)度下首token生成時(shí)延（Time to First Token，模型輸出第一個(gè)字符的等待時(shí)間）相比Qwen3提升10.13倍，F(xiàn)P8量化路徑下提速達(dá)15.13倍。同時(shí)，其整數(shù)-脈沖化編碼路徑精度損失僅0.69%，脈沖稀疏度高達(dá)64.3%，有望使類腦芯片面積減小70.6%、功耗降低近50%。該模型還支持長(zhǎng)達(dá)1000萬(wàn)token的推理（8卡A100），并兼容多模態(tài)版本（瞬悉2.0-VL）。團(tuán)隊(duì)為低功耗端側(cè)部署和神經(jīng)形態(tài)計(jì)算提供了高性價(jià)比方案，驗(yàn)證了類腦機(jī)制與高效架構(gòu)結(jié)合的廣闊前景。

#類腦大模型 #瞬悉2.0 #長(zhǎng)序列AI #低功耗部署 #脈沖神經(jīng)網(wǎng)絡(luò)

閱讀更多：

https://arxiv.org/abs/2604.22575

AI 驅(qū)動(dòng)科學(xué)

QIMR團(tuán)隊(duì)首創(chuàng)可解釋AI篩查模型，精準(zhǔn)鎖定隱藏癌細(xì)胞特征

常規(guī)病理染色法無(wú)法揭示組織分子活性，現(xiàn)有深度學(xué)習(xí)模型亦缺乏可解釋性。Xiao Tan和Quan Nguyen等（QIMR Berghofer醫(yī)學(xué)研究所等）開發(fā)了人工智能篩查工具STimage，能從標(biāo)準(zhǔn)病理圖像中準(zhǔn)確預(yù)測(cè)空間基因表達(dá)和細(xì)胞類型，為診斷提供透明且可靠的分析結(jié)果。

? 組織樣本空間分析（左圖）和標(biāo)準(zhǔn) H&E 染色圖像（右圖）。Credit: QIMR Berghofer Medical Research Institute

該研究構(gòu)建了一種名為STimage的概率深度學(xué)習(xí)框架。該模型首先對(duì)組織學(xué)圖像進(jìn)行預(yù)處理和特征提取，隨后利用負(fù)二項(xiàng)式層輸出預(yù)測(cè)結(jié)果。為提高工具的魯棒性，研究引入了不確定性量化機(jī)制，能夠同時(shí)評(píng)估數(shù)據(jù)固有和模型自身的誤差幅度。此外，系統(tǒng)還集成了局部可解釋模型無(wú)關(guān)解釋（LIME，一種使機(jī)器學(xué)習(xí)預(yù)測(cè)過(guò)程可視化的技術(shù)）算法，在單細(xì)胞分辨率級(jí)別提供直觀的病理學(xué)依據(jù)。研究人員使用包含乳腺癌、皮膚癌、腎癌以及原發(fā)性硬化性膽管炎的去標(biāo)識(shí)化數(shù)據(jù)集對(duì)工具進(jìn)行驗(yàn)證。結(jié)果顯示，STimage在預(yù)測(cè)準(zhǔn)確度上顯著優(yōu)于現(xiàn)有的多種空間分析模型。它不僅能根據(jù)組織微環(huán)境中的分子模式生成具有生物學(xué)支撐的疾病預(yù)測(cè)，還能準(zhǔn)確評(píng)估患者的生存風(fēng)險(xiǎn)，并預(yù)測(cè)其對(duì)各類現(xiàn)有藥物的臨床反應(yīng)。研究發(fā)表在 Nature Communications 上。

#疾病與健康 #預(yù)測(cè)模型構(gòu)建 #數(shù)字病理學(xué) #空間轉(zhuǎn)錄組學(xué) #人工智能

閱讀更多：

Tan, Xiao, et al. “Robust and Interpretable Prediction of Gene Markers and Cell Types from Spatial Transcriptomics Data.” Nature Communications, vol. 17, no. 1, Jan. 2026, p. 1781. www.nature.com, https://doi.org/10.1038/s41467-026-68487-0

外科醫(yī)生的新搭檔：因果AI驅(qū)動(dòng)下的半自主醫(yī)療機(jī)器人圖景

人工智能手術(shù)機(jī)器人能否徹底改變外科手術(shù)并在手術(shù)室中安全發(fā)揮作用？Alejandro Granados和Prokar Dasgupta等研究人員（倫敦國(guó)王學(xué)院等）深入分析了人工智能增強(qiáng)型手術(shù)機(jī)器人的發(fā)展及其對(duì)臨床實(shí)踐的深遠(yuǎn)影響，指出該技術(shù)有望實(shí)現(xiàn)個(gè)性化手術(shù)并重塑團(tuán)隊(duì)角色，但前提是必須解決伴隨而來(lái)的倫理與監(jiān)管等關(guān)鍵挑戰(zhàn)。

研究團(tuán)隊(duì)全面評(píng)估了下一代具身人工智能手術(shù)機(jī)器人的發(fā)展現(xiàn)狀與未來(lái)趨勢(shì)。結(jié)果表明，未來(lái)整合了視覺-語(yǔ)言-動(dòng)作模型和因果AI的機(jī)器人系統(tǒng)，不僅能進(jìn)行空間理解和自適應(yīng)學(xué)習(xí)，還能在手術(shù)中途為團(tuán)隊(duì)提供實(shí)時(shí)決策支持。隨著機(jī)器人的自主性不斷提升，它們將從單純的手術(shù)工具轉(zhuǎn)變?yōu)槿祟愒诃h(huán)（human-in-the-loop，系統(tǒng)在自主運(yùn)行過(guò)程中始終保留人類監(jiān)督與干預(yù)節(jié)點(diǎn)的控制機(jī)制）的半自主伙伴。這使得外科團(tuán)隊(duì)的角色發(fā)生重大重塑，外科醫(yī)生的職責(zé)將逐漸向監(jiān)督、協(xié)調(diào)與高層決策傾斜，護(hù)士和助理需掌握監(jiān)督機(jī)器人系統(tǒng)的新技能，團(tuán)隊(duì)中還將新增臨床數(shù)據(jù)科學(xué)家等角色。研究強(qiáng)調(diào)，盡管人工智能潛力巨大，但外科醫(yī)生仍必須是最終決策者。此外，由于自適應(yīng)系統(tǒng)具有獲批后持續(xù)學(xué)習(xí)和改變的能力，研究呼吁對(duì)現(xiàn)有的醫(yī)療技術(shù)監(jiān)管路徑進(jìn)行全面改革，建立標(biāo)準(zhǔn)化的臨床試驗(yàn)指標(biāo)以及全球化的合作框架，從而防范數(shù)據(jù)集偏見并確保技術(shù)安全有效。研究發(fā)表在 Frontiers in Science 上。

#疾病與健康 #機(jī)器人及其進(jìn)展 #具身智能 #外科團(tuán)隊(duì)重塑 #監(jiān)管與倫理

閱讀更多：

Granados, Alejandro, et al. “Evolving Surgical Teams in the Age of Artificial Intelligence and Robotics.” Frontiers in Science, vol. 4, May 2026. Frontiers, https://doi.org/10.3389/fsci.2026.1783803

AI為AI造工具：自動(dòng)研究循環(huán)演化出智能體專屬的機(jī)器學(xué)習(xí)庫(kù)

隨著智能體數(shù)據(jù)科學(xué)系統(tǒng)的發(fā)展，現(xiàn)有的為人類設(shè)計(jì)的統(tǒng)計(jì)分析工具已成為人工智能理解數(shù)據(jù)的瓶頸。為解決這種工具不匹配問(wèn)題，微軟研究院和新加坡國(guó)立大學(xué)的Chandan Singh團(tuán)隊(duì)開發(fā)了名為AGENTIC-IMODELS的自動(dòng)研究循環(huán)框架，成功演化出專為大模型智能體設(shè)計(jì)的可解釋數(shù)據(jù)科學(xué)工具，顯著提升了系統(tǒng)的端到端分析能力。

研究團(tuán)隊(duì)提出了一種自動(dòng)研究循環(huán)（autoresearch loop），利用代碼智能體不斷迭代生成處理表格數(shù)據(jù)的回歸模型。評(píng)估環(huán)節(jié)引入了創(chuàng)新的基于大語(yǔ)言模型的可解釋性指標(biāo)，重點(diǎn)測(cè)試模型字符串表示的“可模擬性”（simulatability，即大語(yǔ)言模型能否僅通過(guò)讀取文本輸出就準(zhǔn)確推斷其行為）。實(shí)驗(yàn)在65個(gè)數(shù)據(jù)集上展開，結(jié)果表明演化出的模型在預(yù)測(cè)性能和智能體可解釋性方面實(shí)現(xiàn)了帕累托改進(jìn)（Pareto improvements，即在不犧牲某一指標(biāo)的情況下全面提升其他指標(biāo)），打破了傳統(tǒng)模型在兩者間的權(quán)衡困境。在BLADE基準(zhǔn)測(cè)試中，配備這些新工具的智能體在處理真實(shí)數(shù)據(jù)分析任務(wù)時(shí)性能最高提升了73%。分析發(fā)現(xiàn)，這些模型之所以能被人工智能更好地理解，是因?yàn)槠洳捎昧擞残约軜?gòu)上限（如限制樹的深度）和獨(dú)立優(yōu)化的文本顯示策略。

#大模型技術(shù) #自動(dòng)化科研 #智能體 #可解釋機(jī)器學(xué)習(xí)

閱讀更多：

Singh, Chandan, et al. “Agentic-Imodels: Evolving Agentic Interpretability Tools via Autoresearch.” arXiv:2605.03808, arXiv, 5 May 2026. arXiv.org, https://doi.org/10.48550/arXiv.2605.03808

新AI算法賦予機(jī)器人無(wú)縫技能遷移能力

機(jī)器人在仿真環(huán)境與復(fù)雜多變的現(xiàn)實(shí)世界之間存在難以逾越的性能差距，這種不一致性嚴(yán)重制約了自動(dòng)化系統(tǒng)的可靠部署。伯明翰大學(xué)的Jamie Hathaway與阿斯頓大學(xué)的Alireza Rastegarpanah等研究人員合作，成功開發(fā)出一種基于人工智能的新型訓(xùn)練框架，使機(jī)器人能夠僅依賴極少的真實(shí)數(shù)據(jù)，將虛擬環(huán)境中學(xué)習(xí)到的復(fù)雜技能可靠地遷移并應(yīng)用于現(xiàn)實(shí)任務(wù)中。

? 本文提出的框架概述如下。第一階段，利用切削力學(xué)仿真生成專家策略，并在仿真軌跡窗口上訓(xùn)練變分自編碼器（VAE）。第二階段，利用 VAE 編碼的表示生成仿真數(shù)據(jù)集和真實(shí)數(shù)據(jù)集之間的配對(duì)，這些配對(duì)用作風(fēng)格目標(biāo)。最后，利用專家軌跡和生成的觀測(cè)窗口訓(xùn)練學(xué)習(xí)器目標(biāo)域策略。Credit: Scientific Reports (2026).

研究團(tuán)隊(duì)將圖像處理領(lǐng)域中的神經(jīng)風(fēng)格遷移（neural style transfer，一種通過(guò)提取和融合不同數(shù)據(jù)源的內(nèi)容與風(fēng)格特征來(lái)合成新數(shù)據(jù)的生成技術(shù)）概念創(chuàng)新性地應(yīng)用于機(jī)器人軌跡處理。研究人員首先利用變分自編碼器在仿真軌跡窗口上進(jìn)行特征學(xué)習(xí)。隨后，利用該模型在無(wú)標(biāo)簽的仿真數(shù)據(jù)集與真實(shí)數(shù)據(jù)集之間生成配對(duì)，并將其作為風(fēng)格目標(biāo)合成新的訓(xùn)練觀測(cè)窗口。這種方法無(wú)需真實(shí)環(huán)境提供直接獎(jiǎng)勵(lì)信號(hào)即可高效訓(xùn)練強(qiáng)化學(xué)習(xí)策略。在機(jī)器人切割未知材料的實(shí)驗(yàn)中，結(jié)果顯示，與傳統(tǒng)的基線模型相比，該框架僅需極少量現(xiàn)實(shí)數(shù)據(jù)便顯著縮短了任務(wù)完成時(shí)間并大幅提升了機(jī)器人的行為穩(wěn)定性。該技術(shù)對(duì)材料和幾何形狀的物理變化展現(xiàn)出強(qiáng)大的魯棒性，未來(lái)有望廣泛應(yīng)用于核設(shè)施退役以及廢舊電池拆解等充滿高度不確定性的危險(xiǎn)自動(dòng)化任務(wù)中。研究發(fā)表在 Scientific Reports 上。

#AI驅(qū)動(dòng)科學(xué) #機(jī)器人及其進(jìn)展 #強(qiáng)化學(xué)習(xí) #神經(jīng)風(fēng)格遷移 #自動(dòng)化系統(tǒng)

閱讀更多：

Hathaway, Jamie, et al. “End-to-End Example-Based Sim-to-Real RL Policy Transfer Based on Neural Stylisation with Application to Robotic Cutting.” Scientific Reports, vol. 16, no. 1, Mar. 2026, p. 13240. www.nature.com, https://doi.org/10.1038/s41598-026-41735-5

AHE讓編程智能體實(shí)現(xiàn)線束全自動(dòng)進(jìn)化

編程智能體在復(fù)雜軟件工程任務(wù)中的表現(xiàn)高度依賴外部線束（harness，輔助模型與環(huán)境交互的系統(tǒng)組件），但純?nèi)斯ぴO(shè)計(jì)線束不僅耗時(shí)且難以跟上語(yǔ)言模型的迭代速度。為解決智能體線束難以自動(dòng)進(jìn)化的問(wèn)題，Jiahang Lin、Shichun Liu、Chengjun Pan等人（復(fù)旦大學(xué)、北京大學(xué)、上海期智研究院等）提出了一種名為代理線束工程（Agentic Harness Engineering，簡(jiǎn)稱AHE）的方法，成功實(shí)現(xiàn)了編程智能體線束的自動(dòng)化與穩(wěn)定進(jìn)化。

研究團(tuán)隊(duì)將線束優(yōu)化轉(zhuǎn)化為一個(gè)由另一智能體驅(qū)動(dòng)的閉環(huán)過(guò)程，并基于三大可觀測(cè)性支柱進(jìn)行設(shè)計(jì)。首先，組件可觀測(cè)性將復(fù)雜的線束解耦為七種文件級(jí)別的可編輯組件；其次，經(jīng)驗(yàn)可觀測(cè)性通過(guò)軌跡蒸餾技術(shù)，將海量的原始運(yùn)行數(shù)據(jù)提煉為結(jié)構(gòu)化的證據(jù)語(yǔ)料，供進(jìn)化智能體讀??；最后，決策可觀測(cè)性要求每次修改都附帶預(yù)測(cè)聲明，并在下一輪評(píng)估中進(jìn)行驗(yàn)證，一旦無(wú)效即在文件級(jí)別回滾。實(shí)驗(yàn)結(jié)果顯示，AHE在Terminal-Bench 2基準(zhǔn)測(cè)試中經(jīng)過(guò)10次迭代，將首選通過(guò)率（pass@1，指模型首次嘗試即成功完成任務(wù)的比率）從69.7%提升至77.0%，顯著超越了人類設(shè)計(jì)的基線以及其他自動(dòng)化方法。此外，凍結(jié)后的AHE線束無(wú)需重新進(jìn)化，即可直接遷移至SWE-bench-verified任務(wù)中，且能跨越三種不同的語(yǔ)言模型家族實(shí)現(xiàn)廣泛的性能提升。消融實(shí)驗(yàn)進(jìn)一步證實(shí)，性能提升主要源于工具、中間件和長(zhǎng)期記憶等非文本層面的結(jié)構(gòu)優(yōu)化，而非單純的系統(tǒng)提示詞修改。

#大模型技術(shù) #自動(dòng)化科研 #智能體系統(tǒng) #自動(dòng)進(jìn)化 #線束工程

閱讀更多：

Lin, Jiahang, et al. “Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses.” arXiv:2604.25850, arXiv, 30 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.25850

從單步預(yù)測(cè)到自主進(jìn)化：跨學(xué)科視角下的世界模型演進(jìn)路線圖

隨著人工智能系統(tǒng)從文本生成向目標(biāo)驅(qū)動(dòng)交互演進(jìn)，環(huán)境動(dòng)態(tài)建模即世界模型成為核心瓶頸，但各學(xué)科對(duì)其定義存在嚴(yán)重分歧。Meng Chu和Xuan Billy Zhang等（香港科技大學(xué)、新加坡國(guó)立大學(xué)等）提出了一種全新的能力交叉法則的二維分類框架，成功將自然語(yǔ)言處理、計(jì)算機(jī)視覺、強(qiáng)化學(xué)習(xí)與科學(xué)發(fā)現(xiàn)等孤立研究領(lǐng)域的四百余項(xiàng)相關(guān)研究進(jìn)行了概念統(tǒng)一。

研究團(tuán)隊(duì)為代理世界模型建立了一個(gè)獨(dú)立于具體實(shí)例化形式的理論框架。在橫向上，研究者將模型運(yùn)作環(huán)境抽象為物理、數(shù)字、社會(huì)和科學(xué)四大法則體系。在縱向上，團(tuán)隊(duì)基于部分可觀察馬爾可夫決策過(guò)程（POMDP，一種模擬代理在不完全信息下進(jìn)行決策的數(shù)學(xué)概率模型）嚴(yán)格定義了三個(gè)能力層級(jí)：L1預(yù)測(cè)器（Predictor，僅依靠隱狀態(tài)推理和觀測(cè)解碼實(shí)現(xiàn)單步局部預(yù)測(cè)）；L2模擬器（Simulator，支持多步且以動(dòng)作為條件的軌跡展開，并滿足長(zhǎng)期一致性與特定領(lǐng)域的法則約束）；L3進(jìn)化者（Evolver，具備完整的閉環(huán)診斷機(jī)制，能在預(yù)測(cè)持續(xù)失效時(shí)基于新收集的真實(shí)環(huán)境證據(jù)自主修正模型的底層架構(gòu)與運(yùn)行規(guī)則）。研究結(jié)果揭示了現(xiàn)有生成式系統(tǒng)多停留在L1或L2階段，并指出未來(lái)實(shí)現(xiàn)L3級(jí)系統(tǒng)不僅需要隱空間動(dòng)態(tài)模型作為基礎(chǔ)腳手架，更依賴明確且可自主修改的符號(hào)或結(jié)構(gòu)化表征。該綜述還提出了以決策為中心的評(píng)估原則，為評(píng)估多模態(tài)代理系統(tǒng)的長(zhǎng)期規(guī)劃能力指明了方向。

#大模型技術(shù) #跨學(xué)科整合 #代理人工智能 #世界模型 #強(qiáng)化學(xué)習(xí)

閱讀更多：

Chu, Meng, et al. “Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond.” arXiv:2604.22748, arXiv, 24 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.22748

減少47%無(wú)效調(diào)用，新型框架讓大型推理模型學(xué)會(huì)適時(shí)檢索

針對(duì)推理模型極易產(chǎn)生長(zhǎng)鏈?zhǔn)聦?shí)幻覺且難以適配現(xiàn)有檢索系統(tǒng)的問(wèn)題，Dongxin Guo、Jikun Wu與Siu Ming Yiu（香港大學(xué)等）開發(fā)出ReaLM-Retrieve框架，成功實(shí)現(xiàn)動(dòng)態(tài)知識(shí)注入。

研究團(tuán)隊(duì)設(shè)計(jì)了名為ReaLM-Retrieve的自適應(yīng)框架，其核心創(chuàng)新在于推理步級(jí)別的不確定性檢測(cè)。相較于傳統(tǒng)的詞元級(jí)觸發(fā)，該方法引入了推理步不確定性得分（Reasoning Step Uncertainty Score，一種結(jié)合口語(yǔ)化置信度、實(shí)體熵和一致性信號(hào)以精準(zhǔn)定位邏輯推演知識(shí)缺口的綜合度量）。隨后，團(tuán)隊(duì)通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練出干預(yù)策略，以自主決定檢索時(shí)機(jī)與查詢構(gòu)建。為降低長(zhǎng)文本交互開銷，研究采用隱式壓縮（implicit compression，提取高相關(guān)性句子縮減上下文）與推測(cè)性緩存（speculative caching，基于已檢出實(shí)體預(yù)測(cè)并提前執(zhí)行下一步檢索）機(jī)制，并在開源模型中保留鍵值緩存。實(shí)驗(yàn)表明，在三個(gè)多跳問(wèn)答基準(zhǔn)測(cè)試中，該方法相較標(biāo)準(zhǔn)檢索平均絕對(duì)提升了10.1%的F1得分；在極具挑戰(zhàn)的MuSiQue數(shù)據(jù)集中，單題平均僅需1.8次檢索即可達(dá)71.2%的F1得分，比固定頻率檢索減少47%的調(diào)用，單次檢索耗時(shí)更降低3.2倍。研究發(fā)表在 Proceedings of the 49th International ACM SIGIR Conference on Research and Development in Information Retrieval 上。

#大模型技術(shù) #意圖與決策 #檢索增強(qiáng)生成 #信息檢索 #自適應(yīng)檢索

閱讀更多：

Guo, Dongxin, et al. “When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models.” 29 Apr. 2026. arXiv.org, https://doi.org/10.1145/3805712.3809722

協(xié)同進(jìn)化的大模型決策與技能庫(kù)智能體突破長(zhǎng)期任務(wù)瓶頸

針對(duì)大語(yǔ)言模型在長(zhǎng)期交互任務(wù)中難以自主發(fā)現(xiàn)和復(fù)用技能從而導(dǎo)致決策不連貫的問(wèn)題，馬里蘭大學(xué)和南加州大學(xué)等機(jī)構(gòu)的Xiyang Wu和Zongxia Li等研究團(tuán)隊(duì)提出了一種名為COS-PLAY的協(xié)同進(jìn)化框架。該成果成功讓大語(yǔ)言模型在單人游戲中實(shí)現(xiàn)了超過(guò)百分之二十五點(diǎn)一的性能提升，并顯著增強(qiáng)了技能的長(zhǎng)效復(fù)用能力。

為了探究決策模型與技能庫(kù)聯(lián)合學(xué)習(xí)的效果，研究團(tuán)隊(duì)構(gòu)建了包含決策智能體（Decision Agent，即負(fù)責(zé)環(huán)境交互與動(dòng)作生成的大模型模塊）和技能庫(kù)智能體（Skill Bank Agent，即負(fù)責(zé)處理經(jīng)驗(yàn)并提煉可復(fù)用模塊的后臺(tái)程序）的雙軌框架。在執(zhí)行任務(wù)時(shí)，決策智能體會(huì)根據(jù)當(dāng)前狀態(tài)和內(nèi)部意圖狀態(tài)（intention state，即智能體對(duì)環(huán)境的內(nèi)部戰(zhàn)略解釋與戰(zhàn)術(shù)聚焦）從動(dòng)態(tài)技能庫(kù)中檢索合適的結(jié)構(gòu)化技能（structured skills，即包含前提條件和執(zhí)行計(jì)劃的可復(fù)用行為模塊），并據(jù)此生成具體操作。同時(shí)，技能庫(kù)智能體會(huì)對(duì)未標(biāo)注的交互軌跡進(jìn)行無(wú)監(jiān)督的分割，提取新的可復(fù)用技能，并學(xué)習(xí)技能契約（skill contracts，即執(zhí)行特定技能后預(yù)期的環(huán)境狀態(tài)變化規(guī)律）。通過(guò)組相對(duì)策略優(yōu)化，兩個(gè)智能體形成閉環(huán)協(xié)同進(jìn)化。實(shí)驗(yàn)在六個(gè)需要多步推理的游戲環(huán)境中展開，結(jié)果表明，使用8B參數(shù)基礎(chǔ)模型的COS-PLAY框架在單人游戲中比四種前沿大語(yǔ)言模型基線的平均獎(jiǎng)勵(lì)大幅提高，并在多人社交推理任務(wù)中保持了極強(qiáng)的競(jìng)爭(zhēng)力。這種從自身經(jīng)驗(yàn)中自動(dòng)提煉并維護(hù)技能庫(kù)的機(jī)制，極大改善了模型在復(fù)雜環(huán)境中的長(zhǎng)期控制和適應(yīng)能力。

#大模型技術(shù) #意圖與決策 #智能體開發(fā) #強(qiáng)化學(xué)習(xí) #長(zhǎng)期決策

閱讀更多：

Wu, Xiyang, et al. “Co-Evolving LLM Decision and Skill Bank Agents for Long-Horizon Tasks.” arXiv:2604.20987, arXiv, 22 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.20987

突破文本長(zhǎng)度瓶頸：OCR-Memory實(shí)現(xiàn)智能體長(zhǎng)周期視覺記憶提取

針對(duì)智能體難以無(wú)損存儲(chǔ)海量歷史文本的瓶頸，香港大學(xué)、北得克薩斯大學(xué)等機(jī)構(gòu)的Jinze Li、Yang Zhang等人提出基于視覺模態(tài)的記憶框架。該系統(tǒng)將文本軌跡轉(zhuǎn)為圖像提取，大幅提升了任務(wù)成功率。

此項(xiàng)研究采用光學(xué)上下文檢索記憶（OCR-Memory，將文本歷史轉(zhuǎn)為視覺圖像以節(jié)省空間的高效存儲(chǔ)系統(tǒng)）架構(gòu)。研究者運(yùn)用定位并轉(zhuǎn)錄（locate-and-transcribe，掃描圖像預(yù)測(cè)錨點(diǎn)索引直接提取原文而非生成文本）范式，從渲染圖像中精確檢索信息。系統(tǒng)引入動(dòng)態(tài)策略模擬人類記憶衰退，將舊記錄壓縮為低分辨率縮略圖，并在命中時(shí)觸發(fā)主動(dòng)回憶升采樣（Active Recall Upscaling，命中檢索時(shí)自動(dòng)恢復(fù)圖像高保真細(xì)節(jié)）機(jī)制。實(shí)驗(yàn)顯示，在AppWorld智能體基準(zhǔn)測(cè)試中，該方法取得58.1%的平均成功率。在極嚴(yán)格的1024詞元限制下性能依然穩(wěn)健，并徹底消除幻覺現(xiàn)象。在高達(dá)32000詞元的上下文大海撈針測(cè)試中，檢索準(zhǔn)確率維持在94.1%，視覺詞元壓縮率超十倍。

#大模型技術(shù) #意圖與決策 #長(zhǎng)周期智能體 #多模態(tài)記憶

閱讀更多：

Li, Jinze, et al. “OCR-Memory: Optical Context Retrieval for Long-Horizon Agent Memory.” arXiv:2604.26622, arXiv, 29 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.26622

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問(wèn)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(wèn)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(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。您也可以在后臺(tái)提問(wèn)，我們將基于追問(wèn)知識(shí)庫(kù)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?jiǎng)?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(jiǎng)勵(lì)計(jì)劃、、科普視頻媒體「大圓鏡」等。