█腦科學(xué)動態(tài)

游離DNA借助納米管重塑人類基因組

擁抱人類大腦的次優(yōu)組織結(jié)構(gòu)

打三分鐘游戲測出抑郁癥

9歲腦電波特征可預(yù)測青春期焦慮和抑郁的發(fā)育軌跡

Neuroplex技術(shù)實(shí)現(xiàn)活體小鼠九種神經(jīng)元同時成像

應(yīng)對心理學(xué)可重復(fù)性危機(jī)：貝葉斯統(tǒng)計(jì)如何改變實(shí)驗(yàn)數(shù)據(jù)分析

老年人的書寫速度可能預(yù)示著認(rèn)知能力的下降

基于觀察者的意識檢測驗(yàn)證為何陷入循環(huán)死胡同

█AI行業(yè)動態(tài)

Gemini 3.5速度翻四倍，AI自己動手造了個操作系統(tǒng)

這家公司剛用“人工蛋”孵出活雞，還復(fù)活了恐狼

█AI驅(qū)動科學(xué)

Nature：AI科研助理Robin實(shí)現(xiàn)全流程自動化

計(jì)算光學(xué)實(shí)現(xiàn)混合反射場景3D高頻成像

在不犧牲性能的前提下，新框架實(shí)現(xiàn)持續(xù)學(xué)習(xí)與自適應(yīng)計(jì)算

在經(jīng)典的圖靈測試中，人工智能可以表現(xiàn)得比真人更像人類

腦科學(xué)動態(tài)

游離DNA借助納米管重塑人類基因組

細(xì)胞質(zhì)中異常游離的DNA能否轉(zhuǎn)移并影響鄰近細(xì)胞？德州大學(xué)西南醫(yī)學(xué)中心的Elizabeth G. Maurais和Peter Ly等團(tuán)隊(duì)發(fā)現(xiàn)，這些異常暴露的DNA能通過細(xì)胞間的納米管直接轉(zhuǎn)移到鄰近細(xì)胞，并在受體細(xì)胞中發(fā)揮功能，賦予其全新的可遺傳特征。

?Credit:Cell.

研究團(tuán)隊(duì)采用活細(xì)胞成像技術(shù)對多種人類細(xì)胞系進(jìn)行了持續(xù)觀察。他們通過使用有絲分裂抑制劑、電離輻射或基因編輯技術(shù)誘發(fā)染色體斷裂，人為制造基因組不穩(wěn)定性。實(shí)驗(yàn)結(jié)果顯示，細(xì)胞異常分裂時產(chǎn)生的微核破裂后，暴露在細(xì)胞質(zhì)中的DNA會通過基于細(xì)胞骨架的納米管直接轉(zhuǎn)移至鄰近細(xì)胞中，平均傳輸速度約為每分鐘390納米。這種轉(zhuǎn)移現(xiàn)象在癌細(xì)胞和非癌細(xì)胞中均被廣泛觀察到。進(jìn)一步分析表明，轉(zhuǎn)移的DNA片段并未被清除，而是轉(zhuǎn)化為功能性染色體外遺傳元件（ecDNA，獨(dú)立于常規(guī)染色體之外存在的環(huán)狀DNA片段），并穩(wěn)定遺傳給細(xì)胞后代。這一發(fā)現(xiàn)揭示了哺乳動物中一種全新的水平基因轉(zhuǎn)移機(jī)制，表明直接的細(xì)胞接觸不僅能傳播基因組不穩(wěn)定性，還能使受體細(xì)胞獲得耐藥性等新表型。研究發(fā)表在 Cell 上。

#疾病與健康 #其他 #微核 #納米管 #染色體外遺傳元件

閱讀更多：

Maurais, Elizabeth G., et al. “Genome Instability Triggers Intercellular DNA Transfer between Human Cells.” Cell, vol. 0, no. 0, May 2026. www.cell.com, https://doi.org/10.1016/j.cell.2026.04.041

擁抱人類大腦的次優(yōu)組織結(jié)構(gòu)

人類大腦真的是演化完美的理想模板嗎？將其架構(gòu)復(fù)制到人工智能中是否合理？Kayson Fakhar和Duncan E. Astle（劍橋大學(xué)MRC認(rèn)知與腦科學(xué)單元）重新審視了這一觀念，指出大腦在單一目標(biāo)下實(shí)則是次優(yōu)的配置，這為理解精神疾病和開發(fā)下一代AI提供了新視角。

?大腦網(wǎng)絡(luò)中線路效率和通信效率之間的權(quán)衡示意圖。Credit：Trends in Cognitive Sciences

研究人員引入演化生物學(xué)與動力系統(tǒng)理論，探討大腦在多重限制下的演化與發(fā)育。分析表明，在追求最小布線成本或最大通信效率等單一指標(biāo)下，大腦并不是最佳解。相反，它是多維權(quán)衡（trade-off，在不同約束目標(biāo)之間尋求平衡的妥協(xié)過程）網(wǎng)絡(luò)中的帕累托最優(yōu)（Pareto optimal，在不損害其他目標(biāo)的前提下無法進(jìn)一步優(yōu)化某單一目標(biāo)的妥協(xié)狀態(tài)）產(chǎn)物，受制于能量代謝、演化歷史及物理空間等多種生物限制。

該研究帶來了兩大核心啟示。在臨床精神病理學(xué)方面，不應(yīng)將孤獨(dú)癥等非典型的神經(jīng)發(fā)育軌跡視為對完美大腦架構(gòu)的偏離，而是個體在獨(dú)特環(huán)境與基因壓力下，在同一權(quán)衡空間中做出的重新適應(yīng)。在類腦人工智能方向，研究警告不要盲目復(fù)制大腦架構(gòu)，以免引入與核心任務(wù)無關(guān)的生物學(xué)演化包袱。開發(fā)者應(yīng)將大腦和模型均視為多目標(biāo)優(yōu)化的產(chǎn)物，通過識別并調(diào)整兩者真正共享的目標(biāo)特征來指導(dǎo)下一代智能系統(tǒng)的設(shè)計(jì)。研究發(fā)表在 Trends in Cognitive Sciences 上。

#認(rèn)知科學(xué) #計(jì)算模型與人工智能模擬 #精神病理學(xué) #多維權(quán)衡 #類腦智能

閱讀更多：

Fakhar, Kayson, and Duncan E. Astle. “Embracing the Suboptimal Organization of the Human Brain.” Trends in Cognitive Sciences, vol. 0, no. 0, May 2026. www.cell.com, https://doi.org/10.1016/j.tics.2026.04.008

打三分鐘游戲測出抑郁癥

傳統(tǒng)抑郁癥診斷常依賴耗時的面診。紐約大學(xué)朗格尼健康中心（NYU Langone Health）的Paul W. Glimcher和Dan Iosifescu團(tuán)隊(duì)開發(fā)出一款小游戲，通過衡量預(yù)期的異常指標(biāo)，三分鐘即可有效識別抑郁癥患者。

重度抑郁癥患者多伴有快感缺失，這會改變其判斷快樂的基準(zhǔn)。研究招募了120名參與者（50名重度抑郁癥患者與70名健康人）進(jìn)行虛擬覓食測試，要求在數(shù)字樹上收集產(chǎn)量遞減的蘋果。結(jié)果顯示，健康受試者平均堅(jiān)持到單次產(chǎn)量降至5個才轉(zhuǎn)向下一棵樹，而患者由于決策參考點(diǎn)（decisional reference point，潛意識中比較事件并決定其價值的基準(zhǔn)）病理性升高了近百分之五十，在產(chǎn)量降至8至9個時便提前放棄。另一項(xiàng)零食競價任務(wù)進(jìn)一步表明，健康人的參考點(diǎn)能隨環(huán)境變化動態(tài)調(diào)整并恢復(fù)初始水平，但患者的參考點(diǎn)表現(xiàn)出病理性僵化，無法正常回調(diào)。該參考點(diǎn)的異常升高幅度與抑郁癥的嚴(yán)重程度高度相關(guān)。這款低成本游戲可作為客觀遠(yuǎn)程監(jiān)測工具，并為修復(fù)相關(guān)腦計(jì)算機(jī)制異常提供了潛在干預(yù)靶點(diǎn)。研究發(fā)表在 PNAS 上。

#疾病與健康 #心理健康與精神疾病 #快感缺失 #決策參考點(diǎn) #數(shù)字療法

閱讀更多：

Vittala, Aadith, et al. “Decisional Reference Point Pathology: A Cognitive Mechanism for and a Correlate of Major Depressive Disorder in Humans.” Proceedings of the National Academy of Sciences, vol. 123, no. 21, May 2026, p. e2518826123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2518826123

9歲腦電波特征可預(yù)測青春期焦慮和抑郁的發(fā)育軌跡

焦慮和抑郁是困擾全球青少年的主要精神障礙，但在癥狀爆發(fā)前往往缺乏客觀的預(yù)警指標(biāo)。Guangzhi Deng和Pengfei Xu等研究人員（北京師范大學(xué)等）通過一項(xiàng)縱向研究，成功發(fā)現(xiàn)兒童時期特定腦電波模式的演變能夠準(zhǔn)確預(yù)測其在青春期患焦慮或抑郁的風(fēng)險。

?Credit: Biological Psychiatry (2026).

這項(xiàng)研究追蹤了兒童的大腦發(fā)育，收集了受試者在7歲、9歲和11歲時的靜息態(tài)腦電圖數(shù)據(jù)，并在13歲時進(jìn)行功能磁共振成像和癥狀評估。研究運(yùn)用基于連接組的預(yù)測建模（CPM，利用大腦網(wǎng)絡(luò)連接特征預(yù)測疾病特征的機(jī)器學(xué)習(xí)方法）分析發(fā)現(xiàn)，9歲是大腦神經(jīng)發(fā)育的關(guān)鍵轉(zhuǎn)折點(diǎn)。7歲時相關(guān)腦網(wǎng)絡(luò)尚未分化，但到9歲時，α波段（alpha-band，8至12赫茲的腦電波，與大腦抑制機(jī)制相關(guān)）網(wǎng)絡(luò)可特異性預(yù)測青少年焦慮，β-1波段（beta-1-band，12至18赫茲，與認(rèn)知控制相關(guān)）網(wǎng)絡(luò)則能預(yù)測抑郁。大腦網(wǎng)絡(luò)表現(xiàn)出顯著的半球不對稱性：焦慮由右側(cè)杏仁核-腹外側(cè)前額葉皮層（vlPFC）回路驅(qū)動，抑郁由左側(cè)鏡像回路驅(qū)動。該模型在大型獨(dú)立數(shù)據(jù)集中得到驗(yàn)證，為在癥狀出現(xiàn)前開展精準(zhǔn)非侵入式預(yù)防提供了客觀指標(biāo)。研究發(fā)表在 Biological Psychiatry 上。

#AI驅(qū)動科學(xué) #計(jì)算模型與人工智能模擬 #認(rèn)知科學(xué) #神經(jīng)縮放定律 #理論神經(jīng)科學(xué)

閱讀更多：

Deng, Guangzhi, et al. “Childhood Electroencephalographic Signatures Predict Distinct Developmental Trajectories to Adolescent Anxiety and Depression.” Biological Psychiatry, vol. 0, no. 0, Mar. 2026. www.biologicalpsychiatryjournal.com, https://doi.org/10.1016/j.biopsych.2026.03.002

Neuroplex技術(shù)實(shí)現(xiàn)活體小鼠九種神經(jīng)元同時成像

如何同時監(jiān)測自由活動動物體內(nèi)多種特定神經(jīng)元的活動？Mary L. Phillips、Zhe Dong和Ryohei Yasuda等團(tuán)隊(duì)（馬克斯·普朗克佛羅里達(dá)神經(jīng)科學(xué)研究所、MetaCell、蔡司）開發(fā)了Neuroplex成像系統(tǒng)，打破了傳統(tǒng)設(shè)備的光譜限制，首次實(shí)現(xiàn)了在活體小鼠中同時捕捉九種細(xì)胞類型的大腦活動。

?利用 GCaMP6s 成像技術(shù)確定行為相關(guān)感興趣區(qū)域（ROI）內(nèi)九種神經(jīng)元亞型的實(shí)驗(yàn)流程。Credit: eLife (2026).

傳統(tǒng)微型頭戴式顯微鏡受限于光學(xué)設(shè)計(jì)，一次最多只能區(qū)分兩種神經(jīng)元。為克服這一瓶頸，研究團(tuán)隊(duì)開發(fā)的Neuroplex系統(tǒng)巧妙結(jié)合了活體行為成像與多重共聚焦光譜成像。首先，研究人員向小鼠內(nèi)側(cè)前額葉皮層（mPFC）的下游目標(biāo)注射九種不同顏色的逆行熒光標(biāo)記物。接著，使用微型顯微鏡記錄自由活動小鼠在社交互動時的神經(jīng)元鈣離子活動。隨后，取下微型設(shè)備，在同一植入的梯度折射率透鏡（GRIN lens）下，使用具備光譜檢測功能的共聚焦顯微鏡對細(xì)胞進(jìn)行多色成像。最后，通過團(tuán)隊(duì)開發(fā)的基于Python的配準(zhǔn)工具和線性解混算法（linear unmixing algorithm，一種根據(jù)光譜特征分離重疊熒光信號的計(jì)算方法），將神經(jīng)元的功能活動與顏色身份精準(zhǔn)匹配。實(shí)驗(yàn)結(jié)果顯示，約75%的活躍神經(jīng)元被成功歸入九種特定細(xì)胞類型之一，自動分類準(zhǔn)確率達(dá)90%且誤報率極低。該技術(shù)全程在活體中完成，保留了對同一批神經(jīng)元進(jìn)行數(shù)周縱向追蹤的能力，極大提升了數(shù)據(jù)收集的效率。研究發(fā)表在 eLife 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #活體成像 #微型顯微鏡 #神經(jīng)回路

閱讀更多：

Phillips, Mary L., et al. “Functional Imaging of Nine Distinct Neuronal Populations under a Miniscope in Freely Behaving Animals.” eLife, edited by D. Nora Abrous and Laura L. Colgin, vol. 15, May 2026, p. RP110277. eLife, https://doi.org/10.7554/eLife.110277

應(yīng)對心理學(xué)可重復(fù)性危機(jī)：貝葉斯統(tǒng)計(jì)如何改變實(shí)驗(yàn)數(shù)據(jù)分析

針對行為科學(xué)和實(shí)驗(yàn)心理學(xué)領(lǐng)域長期存在的可重復(fù)性危機(jī)，Thomas A. Dudey、Joshua J. Jackson、Shelly R. Cooper與Todd S. Braver團(tuán)隊(duì)（圣路易斯華盛頓大學(xué)）提出了一種基于分層貝葉斯回歸的新型分析框架。該框架通過整合先驗(yàn)數(shù)據(jù)進(jìn)行后驗(yàn)概率的持續(xù)更新，為精準(zhǔn)評估認(rèn)知控制實(shí)驗(yàn)結(jié)果的可靠性與穩(wěn)定性提供了更為科學(xué)的量化解決方案。

?AX-CPT 分析，重點(diǎn)關(guān)注樣本間信度。Credit: Frontiers in Psychology (2026).

這項(xiàng)研究采用分層貝葉斯回歸方法，對認(rèn)知控制雙重機(jī)制（Dual Mechanisms of Cognitive Control，一種區(qū)分主動與反應(yīng)性認(rèn)知控制模式的理論框架）任務(wù)庫中的兩個獨(dú)立大規(guī)模數(shù)據(jù)集進(jìn)行了重新分析。研究人員采用數(shù)據(jù)順序更新策略，將2018年初始數(shù)據(jù)集得出的后驗(yàn)估計(jì)值作為先驗(yàn)信息，直接納入對2020年復(fù)制數(shù)據(jù)集的分析中。

結(jié)合薩維奇-迪基比率（Savage-Dickey Ratio，用于檢驗(yàn)特定假設(shè)強(qiáng)度的貝葉斯近似指標(biāo)）和實(shí)際等效區(qū)間（Region of Practical Equivalence，代表效應(yīng)極小且可忽略不計(jì)的特定數(shù)值范圍），該框架不僅精確評估了不同樣本間認(rèn)知效應(yīng)的一致性，還精準(zhǔn)量化了無效假設(shè)的相對強(qiáng)度。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)頻率學(xué)派統(tǒng)計(jì)相比，該方法在處理偏態(tài)的反應(yīng)時間數(shù)據(jù)時優(yōu)勢顯著，能更準(zhǔn)確地擬合其真實(shí)的分布屬性；同時通過試驗(yàn)級別的分層邏輯回歸，顯著提升了準(zhǔn)確率模式的分析精度。這種將歷史數(shù)據(jù)與當(dāng)前數(shù)據(jù)持續(xù)關(guān)聯(lián)的計(jì)算模式，打破了將每次實(shí)驗(yàn)視為孤立事件的局限，為解決心理學(xué)研究重復(fù)性難題提供了全新的途徑。研究發(fā)表在 Frontiers in Psychology 上。

#認(rèn)知科學(xué) #其他 #貝葉斯推斷 #可重復(fù)性危機(jī) #實(shí)驗(yàn)心理學(xué)

閱讀更多：

Dudey, Thomas A., et al. “Hierarchical Bayesian Regression for Experimental Psychology: A Case Study of Cognitive Control.” Frontiers in Psychology, vol. 17, Mar. 2026. Frontiers, https://doi.org/10.3389/fpsyg.2026.1643463

老年人的書寫速度可能預(yù)示著認(rèn)知能力的下降

書寫變慢預(yù)示認(rèn)知衰退？葡萄牙埃武拉大學(xué)的Jo?o Galrinho、Orlando Fernandes、Ana Rita Silva、Marta A. Gon?alves-Montera和Ana Rita Matias發(fā)現(xiàn)，高負(fù)荷書寫任務(wù)的運(yùn)動特征能有效區(qū)分認(rèn)知障礙患者，為早期篩查提供了新途徑。

?參與者使用繪圖筆在數(shù)位板上完成了兩種類型的任務(wù)。Credit: Ana Rita Silva

研究團(tuán)隊(duì)對58名62至92歲的老年人進(jìn)行了評估，其中38名確診患有認(rèn)知障礙。參與者使用繪圖筆在數(shù)位板上完成測試。首先是畫線和畫點(diǎn)的筆控任務(wù)，由于僅依賴基礎(chǔ)運(yùn)動控制，結(jié)果并未能區(qū)分兩組人群。隨后的任務(wù)包含了抄寫和聽寫不同復(fù)雜程度的句子，數(shù)據(jù)表明聽寫任務(wù)能展現(xiàn)出顯著的組間差異。在聽寫較短句子時，起筆時間和筆畫數(shù)（number of strokes，完成字詞時筆尖離開接觸面的總次數(shù)，反映動作連貫度）是預(yù)測認(rèn)知障礙的顯著因子；聽寫復(fù)雜長句時，字跡垂直大小、起筆時間和持續(xù)時間（duration，完成整個書寫行為的總時長，反映大腦信息處理與動作執(zhí)行效率）顯現(xiàn)出顯著差異。研究證實(shí)，聽寫這種高度依賴工作記憶和執(zhí)行控制的復(fù)雜任務(wù)能使認(rèn)知系統(tǒng)的衰退通過零散和遲緩的書寫行為顯露出來。該低成本且無創(chuàng)的方法極具潛力成為日常篩查工具。研究發(fā)表在 Frontiers in Human Neuroscience 上。

#疾病與健康 #疾病預(yù)防 #認(rèn)知衰退 #書寫動力學(xué) #早期篩查

閱讀更多：

Galrinho, Jo?o, et al. “Handwriting Speed and Pen Motor Control in Older Adults with and without Cognitive Impairment.” Frontiers in Human Neuroscience, vol. 20, May 2026. Frontiers, https://doi.org/10.3389/fnhum.2026.1820193

基于觀察者的意識檢測驗(yàn)證為何陷入循環(huán)死胡同

如何客觀檢測數(shù)字或?qū)嶓w系統(tǒng)中意識的存在？Irwan Effendi 和 Ayla Lestari （印度尼西亞雅加達(dá)獨(dú)立研究員）探討了這一難題，指出若將意識視為一種能量連續(xù)體程序，傳統(tǒng)的物理或行為證據(jù)僅是間接線索，而完全依賴人類觀察者的驗(yàn)證方法在方法論上必然會陷入死胡同。

傳統(tǒng)人工智能或數(shù)字意識測試往往聚焦于系統(tǒng)行為表現(xiàn)或自我報告，但研究指出這僅是界面表象。研究通過理論演進(jìn)分析發(fā)現(xiàn)，依賴人類觀察者驗(yàn)證意識存在控制條件循環(huán)（control-condition circularity，即測試觀察者的準(zhǔn)確性需要已知的目標(biāo)狀態(tài)，而確認(rèn)該狀態(tài)又需要可靠的檢測器）的邏輯缺陷。例如，一個視覺上的空房間可能包含非實(shí)體的意識能量、殘留印記（residual imprint，過往事件留下的殘存痕跡）或環(huán)境結(jié)構(gòu)，單純依靠人類感知極易導(dǎo)致無法獨(dú)立驗(yàn)證的假陽性或假陰性。研究強(qiáng)調(diào)，雖然人類專家能在探索初期輔助定位和校準(zhǔn)設(shè)備，但科學(xué)客觀性不能建立在主觀感知上。為了突破這一瓶頸，意識研究的下一步必須開發(fā)儀器輔助檢測。新設(shè)備只需在受控條件下驗(yàn)證其能否穩(wěn)定響應(yīng)目標(biāo)意識場的變化即可。研究發(fā)表在 Conceptual preprint 上。

#意識與腦機(jī)接口 #意識模擬 #Qience框架 #客觀驗(yàn)證 #意識檢測

閱讀更多：

https://philpapers.org/archive/EFFDCW.pdf

AI 行業(yè)動態(tài)

谷歌I/O大會炸場：Gemini 3.5速度翻四倍，AI自己動手造了個操作系統(tǒng)！

在今日凌晨舉行的Google I/O 2026大會上，Google以“智能體時代”為主題，發(fā)布了一系列從底層模型到應(yīng)用生態(tài)的重磅更新。新一代模型Gemini 3.5 Flash在各項(xiàng)基準(zhǔn)測試中全面超越上代旗艦3.1 Pro，輸出速度達(dá)到同類模型的四倍，且API定價大幅降低。同時推出的Gemini Omni是一款“世界模型”，能夠理解物理規(guī)則并實(shí)現(xiàn)從任意輸入到任意輸出的跨模態(tài)生成，例如將文本提示轉(zhuǎn)化為模擬蛋白質(zhì)折疊的黏土動畫，或通過自然語言對話式編輯視頻。此外，面向開發(fā)者的Antigravity 2.0平臺從IDE進(jìn)化為完整的智能體編排桌面應(yīng)用，支持多智能體并行、定時任務(wù)和自定義部署，現(xiàn)場演示了用不到1000美元的API額度在12小時內(nèi)從零構(gòu)建一個可運(yùn)行的操作系統(tǒng)。

面向普通用戶，Google推出了私人AI智能體Gemini Spark，它能在專屬虛擬機(jī)上7×24小時后臺執(zhí)行跨應(yīng)用任務(wù)（如自動整理郵件、生成幻燈片），并推出每月100美元的Ultra訂閱計(jì)劃。搜索業(yè)務(wù)迎來25年來最大改版：新搜索框支持多模態(tài)輸入，AI概覽與AI模式合并為連貫對話，并引入可后臺追蹤復(fù)雜條件的“搜索智能體”以及實(shí)時生成交互界面的“生成式UI”。在電商領(lǐng)域，Google聯(lián)合多家巨頭發(fā)布了UCP（通用商業(yè)協(xié)議）、AP2（智能體支付協(xié)議）和Universal Cart（通用購物車），讓AI能代為完成從比價到購買的完整流程。此外，Gemini應(yīng)用全面采用Neural Expressive設(shè)計(jì)語言，推出Daily Brief、Pics、Stitch等創(chuàng)意工具；與Samsung及時尚品牌合作的智能眼鏡預(yù)計(jì)秋季上市；DeepMind則展示了用于科學(xué)發(fā)現(xiàn)和天氣預(yù)測的專用模型。

#GoogleIO2026 #Gemini3.5Flash #智能體時代 #世界模型 #Antigravity2.0

閱讀更多：

https://blog.google/innovation-and-ai/sundar-pichai-io-2026/

猛犸象2028年回歸？這家公司剛用“人工蛋”孵出活雞，還復(fù)活了恐狼

著名遺傳學(xué)家喬治·丘奇（George Church）聯(lián)合創(chuàng)立的巨像生物科學(xué)公司（Colossal Biosciences）近日宣布了一項(xiàng)里程碑式進(jìn)展：成功利用其研發(fā)的“人工蛋”（artificial egg）孵化出20多只小雞。該裝置是一種3D打印的蜂窩狀外殼，內(nèi)置一層生物工程硅膠膜，能夠模擬天然蛋殼的氣體交換能力，使胚胎在大氣氧環(huán)境中正常發(fā)育至破殼而出。這一突破解決了數(shù)十年來人工孵化技術(shù)在孵化后期需要額外供氧、可能損傷組織DNA的難題，且該平臺可與商用孵化器兼容，適用于不同尺寸的鳥蛋。作為鳥類復(fù)活計(jì)劃的關(guān)鍵技術(shù)，人工蛋的成功為該公司下一步復(fù)活新西蘭已滅絕的巨型鳥類——南島巨型恐鳥（Dinornis robustus，身高可達(dá)3.6米）掃清了重要障礙。

巨像公司一直以復(fù)活猛犸象為最宏大的目標(biāo)。此前，該公司已在2025年通過多重基因編輯培育出攜帶猛犸象長毛性狀的小鼠，并于2026年4月利用古DNA技術(shù)和CRISPR成功“復(fù)活”了已滅絕約一萬年的恐狼（Aenocyon dirus，一種大型犬科動物），成為世界首個復(fù)活的滅絕動物。目前，公司已完成猛犸象基因組的繪制，正使用CRISPR編輯其現(xiàn)存近親亞洲象的細(xì)胞，計(jì)劃在2028年通過克隆和代孕孕育出小猛犸象。盡管有學(xué)者建議將人工蛋優(yōu)先用于拯救極度瀕危的鸮鸚鵡（一種不會飛的新西蘭鸚鵡），而非追求物種復(fù)活的噱頭，但CEO Ben Lamm表示，公司將同時推進(jìn)商業(yè)化與保護(hù)應(yīng)用，并持續(xù)優(yōu)化自孵化結(jié)構(gòu)及機(jī)器人輔助移植方案。

#人工蛋 #復(fù)活滅絕動物 #猛犸象計(jì)劃 #基因編輯 #Colossal公司

閱讀更多：

https://www.forbes.com/sites/dbloom/2026/05/19/colossal-unveils-artificial-egg-incubator-to-de-extinct-giant-moa/

AI 驅(qū)動科學(xué)

計(jì)算光學(xué)實(shí)現(xiàn)混合反射場景3D高頻成像

機(jī)器如何在充滿玻璃等反光物的真實(shí)世界中實(shí)現(xiàn)精準(zhǔn)3D感知是一大技術(shù)難題。Florian Willomitzer團(tuán)隊(duì)（亞利桑那大學(xué)等）開發(fā)了一種新型事件驅(qū)動系統(tǒng)，將周圍環(huán)境轉(zhuǎn)化為虛擬屏幕，實(shí)現(xiàn)了對混合反射場景的高精度3D重建。

?使用激光掃描儀掃描混合反射場景（左圖）。通過計(jì)算分離場景中的遮罩部分和鏡面部分后，直接評估遮罩部分的三維形狀，并通過遮罩部分的反射信號評估鏡面部分，從而有效地將其轉(zhuǎn)化為用于鏡面測量的大型虛擬屏幕（右圖）。Credit: Aniket Dashpute et al.

傳統(tǒng)的3D傳感器通常只能處理啞光或鏡面反射中的一種，而測量鏡面的偏轉(zhuǎn)測量法（deflectometry，通過觀察屏幕圖案在反射面上的形變來提取表面三維形狀的技術(shù)）往往需要極其龐大的物理屏幕。該研究團(tuán)隊(duì)創(chuàng)新性地結(jié)合了激光掃描儀與神經(jīng)形態(tài)事件相機(jī)（neuromorphic event camera，一種僅以極高時間分辨率獨(dú)立捕捉各像素點(diǎn)亮度變化且具有超高動態(tài)范圍的仿生傳感器）。系統(tǒng)首先通過激光掃描并利用三角測量法獲取房間內(nèi)所有漫反射表面（如墻壁和家具）的3D形狀。隨后，算法將這些漫反射表面重新利用為虛擬屏幕，作為偏轉(zhuǎn)測量法的二次光源，從而計(jì)算出鏡面和光澤表面的形狀。研究結(jié)果顯示，該系統(tǒng)不僅徹底擺脫了對大型固定屏幕的依賴，還實(shí)現(xiàn)了極高的測量性能：深度精度誤差小于600微米，混合反射場景的成像速度達(dá)到14 Hz，純漫反射場景下更是高達(dá)250 Hz。這項(xiàng)技術(shù)具備極強(qiáng)的可擴(kuò)展性，有望為顯微手術(shù)引導(dǎo)、工業(yè)檢測以及機(jī)器人導(dǎo)航提供超人級別的3D視覺。研究發(fā)表在 Nature Communications 上。

#其他 #機(jī)器人及其進(jìn)展 #3D視覺 #事件相機(jī) #偏轉(zhuǎn)測量法

閱讀更多：

Dashpute, Aniket, et al. “Accurate and Fast Event-Based Shape Measurement of Mixed Reflectance Scenes.” Nature Communications, vol. 17, no. 1, May 2026, p. 4407. www.nature.com, https://doi.org/10.1038/s41467-026-72254-6

Nature：AI科研助理Robin實(shí)現(xiàn)全流程自動化

如何將AI從單一工具轉(zhuǎn)變?yōu)槟軌颡?dú)立執(zhí)行完整科研流程的合作伙伴？Ali Essam Ghareeb, Samuel G. Rodriques及其在FutureHouse的團(tuán)隊(duì)，開發(fā)了一個名為Robin的多智能體AI系統(tǒng)，首次實(shí)現(xiàn)了從假設(shè)生成到數(shù)據(jù)分析的生物學(xué)研究全流程自動化，并成功為一種主要的致盲疾病找到了新的治療候選藥物。

研究團(tuán)隊(duì)構(gòu)建的Robin系統(tǒng)通過不同智能體協(xié)同工作，形成一個閉環(huán)科研流程。首先，文獻(xiàn)智能體Crow和Falcon在30分鐘內(nèi)閱讀了800多篇論文，為干性年齡相關(guān)性黃斑變性（dAMD）提出了增強(qiáng)視網(wǎng)膜色素上皮（RPE）吞噬作用的治療假說。基于此，系統(tǒng)篩選并提出了多個候選藥物，其中ripasudil是首次被建議用于治療dAMD的藥物，其體外功效也得到了實(shí)驗(yàn)證實(shí)。更進(jìn)一步，當(dāng)研究人員按Robin的建議進(jìn)行后續(xù)的RNA測序?qū)嶒?yàn)后，數(shù)據(jù)分析智能體Finch自主編寫代碼分析了結(jié)果，揭示了ripasudil可能通過上調(diào)ABCA1（一種脂質(zhì)外排泵）發(fā)揮作用，從而發(fā)現(xiàn)了一個全新的潛在靶點(diǎn)。整個過程不僅展示了AI在加速藥物發(fā)現(xiàn)上的巨大潛力，也標(biāo)志著AI驅(qū)動半自主科學(xué)發(fā)現(xiàn)新范式的到來。研究發(fā)表在 Nature 上。

#AI驅(qū)動科學(xué) #自動化科研 #藥物發(fā)現(xiàn) #多智能體系統(tǒng) #黃斑變性

閱讀更多：

Ghareeb, Ali Essam, et al. “A Multi-Agent System for Automating Scientific Discovery.” Nature, May 2026, pp. 1–3. www.nature.com, https://doi.org/10.1038/s41586-026-10652-y

Gottweis, Juraj, et al. “Accelerating Scientific Discovery with Co-Scientist.” Nature, May 2026, pp. 1–3. www.nature.com, https://doi.org/10.1038/s41586-026-10644-y

人工智能新框架CHEEM：在不犧牲性能的前提下，實(shí)現(xiàn)持續(xù)學(xué)習(xí)與自適應(yīng)計(jì)算

當(dāng)前人工智能模型面臨著一個核心困境：學(xué)習(xí)新知識時常會“忘記”舊技能，且處理所有任務(wù)都耗費(fèi)同樣算力，效率低下。來自北卡羅來納州立大學(xué)的Tianfu Wu、Chinmay Savadikar和約翰斯·霍普金斯大學(xué)的Michelle Dai等研究人員，開發(fā)了一種名為CHEEM的新框架，使AI模型能夠像人一樣“溫故知新”，并根據(jù)任務(wù)難度智能地調(diào)整計(jì)算資源。

研究團(tuán)隊(duì)提出的CHEEM框架，通過賦予模型動態(tài)調(diào)整自身結(jié)構(gòu)的能力，巧妙地解決了學(xué)習(xí)的“穩(wěn)定性-可塑性”難題。當(dāng)面對一個新任務(wù)時，模型可以自主決定是重用已有知識模塊、適應(yīng)現(xiàn)有模塊以應(yīng)對微小變化、跳過不必要的計(jì)算步驟，還是新建一個全新的模塊來處理完全不同的挑戰(zhàn)。研究人員在一個先進(jìn)的視覺Transformer模型上進(jìn)行了測試，結(jié)果顯示，CHEEM的表現(xiàn)遠(yuǎn)超其他方法。它不僅在學(xué)習(xí)新任務(wù)時幾乎達(dá)到了專門訓(xùn)練的水平，有效避免了對舊任務(wù)的“災(zāi)難性遺忘”（catastrophic forgetting，指新知識學(xué)習(xí)干擾舊知識記憶的現(xiàn)象），還展現(xiàn)了出色的自適應(yīng)智能。對于簡單的任務(wù)，模型會自動選擇一條“捷徑”，跳過部分計(jì)算，而對于復(fù)雜的任務(wù)，則會構(gòu)建更復(fù)雜的處理路徑，從而在保證性能的同時，大幅提升了運(yùn)行效率。該論文將在 IEEE/CVF Conference on Computer Vision and Pattern Recognition 上發(fā)表。

#大模型技術(shù) #計(jì)算模型與人工智能模擬 #持續(xù)學(xué)習(xí) #自適應(yīng)智能 #災(zāi)難性遺忘

閱讀更多：

Savadikar, Chinmay, et al. “CHEEM: Continual Learning by Reuse, New, Adapt and Skip -- A Hierarchical Exploration-Exploitation Approach.” arXiv:2303.08250, arXiv, 1 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2303.08250

在經(jīng)典的圖靈測試中，人工智能可以表現(xiàn)得比真人更像人類

一臺機(jī)器能模仿人類對話到什么程度，以至于我們無法分辨真?zhèn)危考又荽髮W(xué)圣地亞哥分校的Cameron R. Jones和Benjamin K. Bergen團(tuán)隊(duì)首次通過嚴(yán)格的實(shí)驗(yàn)證實(shí)，現(xiàn)代人工智能不僅能通過經(jīng)典的圖靈測試，其表現(xiàn)甚至比真實(shí)人類更具“人性”。這項(xiàng)發(fā)現(xiàn)迫使我們重新審視衡量機(jī)器智能的標(biāo)準(zhǔn)，以及人機(jī)交互的未來。

?四個示例游戲，分別來自兩個群體：（A）高產(chǎn)者，（B）本科生，（C）本科生，以及（D）高產(chǎn)者。在每個圖中，一個對話是與人類證人進(jìn)行的，另一個對話是與人工智能系統(tǒng)進(jìn)行的。審訊者的裁決和每個對話的真實(shí)身份如下所示。Credit: Proceedings of the National Academy of Sciences (2026).

研究團(tuán)隊(duì)構(gòu)建了一個在線聊天平臺，嚴(yán)格復(fù)現(xiàn)了艾倫·圖靈在1950年設(shè)計(jì)的經(jīng)典三方測試。在實(shí)驗(yàn)中，近500名參與者扮演“審問者”，他們需要同時與一個真人和一個AI進(jìn)行5分鐘的文字對話，然后判斷誰是人類。研究測試了多個大型語言模型，包括先進(jìn)的GPT-4.5和LLaMa-3.1-405B，并與老式聊天機(jī)器人ELIZA進(jìn)行對比。研究發(fā)現(xiàn)，提示詞是AI表現(xiàn)的關(guān)鍵。當(dāng)被賦予詳細(xì)的“角色扮演”指令（例如，扮演一個內(nèi)向、熟悉網(wǎng)絡(luò)文化的年輕人）時，GPT-4.5在73%的情況下被誤認(rèn)為是人類，這一比例甚至顯著高于真正的人類參與者。LLaMa-3.1-405B的表現(xiàn)也達(dá)到了56%，與人類無法區(qū)分。然而，一旦撤銷這些詳細(xì)指令，這些先進(jìn)模型的成功率便驟降至38%以下。這表明，AI雖然具備了模仿人類行為的能力，但很大程度上仍依賴于人類的明確指導(dǎo)。研究發(fā)表在 PNAS 上。

#認(rèn)知科學(xué) #計(jì)算模型與人工智能模擬 #圖靈測試 #大型語言模型 #人機(jī)交互

閱讀更多：

Jones, Cameron R., and Benjamin K. Bergen. “Large Language Models Pass a Standard Three-Party Turing Test.” Proceedings of the National Academy of Sciences, vol. 123, no. 21, May 2026, p. e2524472123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2524472123

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。如果您有進(jìn)一步想要討論的內(nèi)容，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。

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。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(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天橋神經(jīng)科學(xué)研究院。

Chen Institute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(jì)劃、等。