追问daily|神经传递：亲吻-收缩-逃跑；为何雄性更易上头？

脑科学动态

Cell：从头设计出电压门控离子通道，成功抑制神经元电活动

Science：肾脏压力导致的线粒体DNA突变，预测未来器官衰退

Science：“亲吻-收缩-逃跑”机制解开了神经传递之谜

你的记忆衰退可能源于这两个脑区的"距离改变"

女性阿尔茨海默病风险更高，但男性大脑萎缩更严重

fMRI新应用：为抑郁症患者绘制“大脑处方”，告别盲目试药

大脑“飞行模拟器”CogLinks揭示学习与精神疾病的神经机制

为何雄性更易“上头”？胡海岚团队发现大脑里的性别开关

AI行业动态

GPT-5 Pro 30分钟重现黑洞物理数日推导

虚拟宇宙触手可及：李飞飞团队用单GPU跑出实时3D世界

DeepMind与CFS携手：用AI实现无限聚变能源的精确控制

AI驱动科学

谷歌270亿参数模型发现癌症“冷肿瘤”加热新配方

“湿件”：利用人类微型大脑为计算机提供动力

医疗场景下，大语言模型优先考虑“有用性”而非“准确性”

交谈方式影响AI准确性：对聊天机器人太随意会降低其表现

智能手机揭示城市真实出行节奏：步行量被严重低估

细如发丝的电极将脑信号记录时间延长三倍

ByteTrack模型自动计算进食频率有助预防儿童肥胖

总算力而非GPU数量更能预测AI论文的引用影响力

脑科学动态

Cell：首次从头设计出电压门控离子通道，成功在体内抑制神经元电活动

如何从零开始创造一个能响应电信号的“生命开关”？针对这一合成生物学领域的巨大挑战，西湖大学的卢培龙、李波、黄晶及其团队，利用AI驱动的计算设计方法，首次成功创造出一种全新的电压门控离子通道（dVGAC），并证实其能在活体动物中有效调控神经元活动。

▷ Credit：Cell

研究团队首先通过计算设计了一种前所未有的15螺旋五聚体跨膜蛋白结构。其核心创新在于，在离子通道的狭窄处巧妙地设置了多个精氨酸残基（Arginine，一种带正电的氨基酸）。这些残基在设计中被赋予了双重角色：既能感知细胞膜两侧的电压变化（电压传感器），又能选择性地允许氯离子等阴离子通过（选择性过滤器）。

为了验证设计，研究人员通过全细胞膜片钳实验证实，该通道（dVGAC）在膜电位升高时会被激活，产生强烈的阴离子电流。随后，利用冷冻电镜解析出的高分辨率结构，与计算机设计模型高度吻合（Cα原子主链的均方根偏差仅为1.09 Å），精准地印证了设计的成功。分子动力学模拟进一步揭示了其独特的工作机制：膜电压升高会驱动精氨酸侧链发生构象变化，从而“打开”通道。最令人振奋的是，团队通过一个简单的点突变，就成功优化了通道的激活电压，使其更适应生理条件。将这个优化后的通道（dVGAC1.0）导入小鼠大脑特定神经元后，它能显著降低神经元的放电频率，实现了对神经活动的精准“刹车”。研究发表在 Cell 上。

#AI驱动科学 #神经调控 #蛋白质设计 #离子通道 #合成生物学

阅读更多：

Zhou, Chen, et al. “De Novo Designed Voltage-Gated Anion Channels Suppress Neuron Firing.” Cell, vol. 0, no. 0, Oct. 2025. www.cell.com, https://doi.org/10.1016/j.cell.2025.09.023

2603份人脑扫描揭秘：你的记忆衰退可能源于这两个脑区的"距离改变"

大脑衰老仅仅是简单的萎缩吗？为了探究衰老对大脑整体结构的影响，来自加利福尼亚大学和西班牙拉古纳大学的 Yuritza Y. Escalante, Niels Janssen 等研究人员分析了超2600份脑部扫描数据。他们发现，衰老导致大脑发生复杂的几何形状重塑，特定区域的扩张和压缩与认知能力下降密切相关。

该研究采用了一种新的分析框架，通过分析2603名年龄在30至97岁之间的成年人的大脑结构磁共振成像（MRI）数据，不再孤立地看待单个脑区的体积变化。研究团队使用了欧几里得距离来精确量化大脑整体形状的改变，以及左右半球对应功能区（即同源区域）之间的空间距离。分析结果揭示了一个显著的年龄相关模式：随着年龄增长，大脑的下前部区域出现全局性扩张，而上后部区域则相应地被压缩。这种形变并非均匀发生，其中额叶和颞叶同源区域之间的距离被“拉开”，变得越来越远。更重要的是，这种大脑几何形态的改变与认知功能直接挂钩。在有临床认知损伤迹象的参与者中，这种扩张和压缩的模式更为极端。具体而言，情景记忆能力的下降与下前部扩张、后部压缩的程度密切相关，而执行功能的衰退则更多地与顶叶区域的压缩有关。这一发现表明，大脑功能的衰退可能源于这种大规模空间结构的重组，而非仅仅是局部组织的萎缩。研究发表在 Nature Communications 上。

#疾病与健康 #神经机制与脑功能解析 #大脑衰老 #认知衰退

阅读更多：

Escalante, Yuritza Y., et al. “Age-Related Constraints on the Spatial Geometry of the Brain.” Nature Communications, vol. 16, no. 1, Sept. 2025, p. 8613. www.nature.com, https://doi.org/10.1038/s41467-025-63628-3

Science：“亲吻-收缩-逃跑”机制解开了神经传递之谜

神经递质的释放机制长久以来存在“全融合”与“吻了就跑”两种模型的争议。中国科学技术大学的Bi Guo-Qiang、Chang-Lu Tao等人利用自主研发的成像技术，首次清晰揭示了名为“亲吻-收缩-逃跑”的全新三步过程，统一了此前的学术争论。

▷ 毫秒级精度的时间分辨冷冻电子断层扫描系统，结合了快速冷冻和光遗传学刺激（左上），捕捉到了完整海马突触中 SV 胞吐的不同中间状态（右上）。通过群体分析和亚断层扫描平均，揭示了 SV 胞吐的“吻-缩-跑”序列是海马突触中主要的 SV 胞吐和循环途径（下图）。AP，动作电位。Credit: Prof. Bi's team

研究团队开发了一套前沿的时间分辨冷冻电子断层扫描技术，并结合了光遗传学与毫秒级精度的快速冷冻。通过这一利器，他们成功捕捉到了大鼠海马神经元在动作电位触发后不同瞬间的突触囊泡动态。分析超过1000张三维图像后，团队重建了神经递质释放的完整时间线：在信号触发后的4毫秒内，突触囊泡首先与细胞膜短暂“亲吻”（kiss），形成一个约4纳米的融合孔（fusion pore）；紧接着，囊泡并不会立即离开，而是迅速“收缩”（shrink），表面积变为原来的一半；到了70毫秒，大部分收缩后的囊泡才关闭融合孔并“逃跑”（run），重新进入循环利用，而剩余少数则完全融入细胞膜。这一“亲吻-收缩-逃跑”机制巧妙地统一了经典的“吻后跑”和“全融合”模型，为理解神经通讯的高效与精准提供了关键的结构基础。研究发表在 Science 上。

#疾病与健康 #神经机制与脑功能解析 #心理健康与精神疾病 #老龄化 #社会认知

阅读更多：

Tao, Chang-Lu, et al. “‘Kiss-Shrink-Run’ Unifies Mechanisms for Synaptic Vesicle Exocytosis and Hyperfast Recycling.” Science, vol. 390, no. 6770, Oct. 2025, p. eads7954. science.org (Atypon), https://doi.org/10.1126/science.ads7954

女性阿尔茨海默病风险更高，但男性大脑萎缩更严重

为何女性阿尔茨海默病患病率更高？为探究大脑衰老的性别差异是否是原因，挪威奥斯陆大学的 Anne Ravndal, Anders M. Fjell 及其同事进行了一项大规模研究，得出了一个反直觉的结论：尽管女性风险更高，但男性的脑萎缩在更多区域表现得更为严重。

▷ (A) 年龄分布、(B) 教育程度和 (C) 性别预期寿命。(D) 皮质厚度 (CT) 和 (E) 表面积 (SA) 的性别差异（后者已校正头部尺寸）。(F) 皮质下体积的年龄依赖性性别差异（已校正头部尺寸）。(G) 年龄和 (H) 估计剩余寿命（以 10 年为间隔）的海马体变化。老年海马体衰退无差异 (G)，但经预期寿命校正后，女性海马体衰退更显著 (H)，这是由于男性在距离估计死亡日期越远时衰退幅度明显较小。Credit: Proceedings of the National Academy of Sciences (2025).

该研究汇集了来自14个队列、覆盖4,726名17至95岁认知健康参与者的超过12,000份纵向脑部MRI扫描数据。通过分析大脑皮质厚度、表面积及皮质下结构的变化，研究团队精确绘制了大脑衰老的性别图谱。研究结果颠覆了传统猜想。男性在多个脑区的皮质厚度和表面积上表现出更快的衰退，尤其是在老年阶段，其负责运动控制和奖赏学习的多个皮质下结构萎缩也更为显著。相比之下，女性仅在颞上沟岸（banks of the superior temporal sulcus）等少数区域表现出更快的表面积下降，以及在老年期有更明显的脑室扩张。这意味着，单纯从大脑结构萎缩的角度来看，无法解释为何女性阿尔茨海默病患病率更高。研究人员认为，女性的高风险可能更多地源于遗传（如APOE ε4基因）、激素变化或生存偏差等其他复杂因素，而非大脑物理结构的老化速度。研究发表在 Proceedings of the National Academy of Sciences 上。

#疾病与健康 #神经机制与脑功能解析 #性别差异 #大脑衰老 #阿尔茨海默病

阅读更多：

Ravndal, Anne, et al. “Sex Differences in Healthy Brain Aging Are Unlikely to Explain Higher Alzheimer’s Disease Prevalence in Women.” Proceedings of the National Academy of Sciences, vol. 122, no. 42, Oct. 2025, p. e2510486122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2510486122

fMRI新应用：为抑郁症患者绘制“大脑处方”，告别盲目试药

如何摆脱当前抑郁症治疗低效的“试错”困境？斯坦福大学医学院的 Jeesung Ahn, Lara Foland-Ross, Leanne M. Williams 及其同事开发了一种创新的精准医疗方法。他们利用脑功能成像技术，为每位患者绘制个性化的“大脑功能报告”，从而精准匹配最有效的治疗方案，有望将治疗康复率提高一倍。

当前抑郁症治疗普遍依赖医生的经验和患者的症状描述，导致寻找有效疗法的过程漫长且成功率低。斯坦福团队提出的新方法，核心是其开发的“EtCere”分析系统，该系统利用功能性磁共振成像来量化与抑郁症最相关的六大神经环路的功能。这些环路包括默认模式网络、负性情绪环路和认知控制环路等。

通过将患者的大脑活动数据与健康人群的基准进行比较，系统能为每位患者生成一份独特的“生物分型”报告，清晰地揭示其哪个大脑环路功能异常。临床应用结果证实了该方法的巨大潜力：默认模式环路的连接状态能预测患者对不同抗抑郁药的反应，精准用药使康复率从15.6%飙升至69.6%；负性情绪环路的活跃度则能指导选择药物或行为疗法，匹配行为疗法后康复率从9.5%提升至62.5%；而对于认知控制功能较弱的患者，系统能识别出他们对常规药物可能无效，并建议转向经颅磁刺激（TMS）等替代疗法，使治疗响应率从15.6%提高到41.2%。这一突破性方法有望将抑郁症治疗带入“看脑开药”的精准时代。研究发表在 Biological Psychiatry 上。

#疾病与健康 #个性化医疗 #神经机制与脑功能解析 #心理健康与精神疾病

阅读更多：

Ahn, Jeesung, et al. “Developing Clinically Interpretable Neuroimaging Biotypes in Psychiatry.” Biological Psychiatry, Sept. 2025, pp. S0006-3223(25)01436-2. PubMed, https://doi.org/10.1016/j.biopsych.2025.08.019

大脑“飞行模拟器”CogLinks揭示学习与精神疾病的神经机制

大脑如何在不确定的世界中学习和适应，为何这一过程在精神疾病中会失常？塔夫茨大学和麻省理工学院的 Mien Brabeeba Wang, Michael M. Halassa 及同事们开发了一款名为CogLinks的大脑“飞行模拟器”，该计算模型首次连接了神经元层面的机制与复杂的认知功能。

▷ CogLink 将神经机制与算法连接起来，以优化参数，从而完成复杂的认知任务。Credit: Nature Communications (2025).

研究团队构建的CogLinks模型并非传统的人工智能“黑箱”，而是融入了真实生物学细节，模拟了大脑决策回路的连接方式和工作原理。研究人员通过在模型中削弱两个关键区域——前额叶皮层和内侧丘脑之间的连接，发现虚拟大脑的学习模式从灵活适应转变为缓慢的、依赖习惯的方式。为了在真实人脑中验证这一预测，团队进行了一项配套的功能性磁共振成像研究。志愿者在玩一个规则会突然改变的游戏时，成像结果显示，每当需要摒弃旧规则、适应新策略的瞬间，内侧丘脑的活动就会显著增强。这一发现证实了模型的预测：内侧丘脑如同一个关键的“转换开关”，帮助大脑在深思熟虑的灵活策略和自动化的习惯之间进行切换。这项工作为“算法精神病学”（algorithmic psychiatry）铺平了道路，未来有望利用此类模型，将精神分裂症等疾病的遗传和分子异常与具体的认知症状联系起来，从而开发更精准的治疗方案。研究发表在 Nature Communications 上。

#AI驱动科学 #计算模型与人工智能模拟 #神经机制与脑功能解析 #心理健康与精神疾病

阅读更多：

Wang, Mien Brabeeba, et al. “The Neural Basis for Uncertainty Processing in Hierarchical Decision Making.” Nature Communications, vol. 16, no. 1, Oct. 2025, p. 9096. www.nature.com, https://doi.org/10.1038/s41467-025-63994-y

为何雄性更易“上头”？胡海岚团队发现大脑里的性别开关

为何胜利后男性常“越战越勇”，女性却无此现象？为揭示“胜者效应”（winner effect）的性别差异之谜，浙江大学的胡海岚、郑迪旸及团队通过小鼠研究发现，这种差异源于大脑前额叶皮层一类抑制性神经元的活性不同，成功定位了调控该竞争行为的关键神经“刹车”。

▷ Credit：Neuron

研究团队首先通过经典的“钻管实验”证实，雌性小鼠虽能建立社会等级，但过程比雄性更慢，且胜利带来的优势（即“胜者效应”）也明显更弱。利用光遗传学技术，研究人员确认大脑的背内侧前额叶皮层在雌雄小鼠中都扮演着“胜负开关”的角色。那么，性别差异的根源何在？研究团队深入该脑区的微环路，发现雌性小鼠dmPFC中的一类抑制性神经元——小清蛋白中间神经元（parvalbumin interneurons, PV-INs，功能类似神经网络中的“刹车”）——其兴奋性天然高于雄性。这个更“灵敏”的刹车系统，使得雌性大脑中负责巩固胜利经验的神经通路——丘脑到前额叶的连接——其长时程增强效应减弱。通俗地说，胜利的经历在雌性大脑中留下的“印记”更浅，导致她们不易形成“越胜越勇”的模式。为验证这一发现，研究人员通过精准调控手段，在雄性小鼠中“踩下刹车”（激活PV-INs），成功削弱了它们的胜者效应；反之，在雌性小鼠中“松开刹车”（抑制PV-INs），则显著增强了其胜者效应。研究发表在 Neuron 上。

#神经科学 #神经机制与脑功能解析 #性别差异 #社会行为

阅读更多：

Zheng, Diyang, et al. “Neural Mechanism of the Sexually Dimorphic Winner Effect in Mice.” Neuron, vol. 0, no. 0, Oct. 2025. www.cell.com, https://doi.org/10.1016/j.neuron.2025.09.029

Science：肾脏压力导致的线粒体DNA突变，有助于预测未来器官衰退

肾脏为何会随时间衰退？德克萨斯大学西南医学中心（UT Southwestern Medical Center）的 Samir Parikh, Huihui Huang 及其团队发现，短暂的肾脏损伤会在细胞的“能量工厂”线粒体中留下永久的DNA突变“伤疤”，这些“伤疤”的积累不仅削弱了器官的恢复力，还能预测未来的功能衰退和疾病风险。

▷ 左图显示未受应激的正常小鼠肾细胞；右图显示短暂氧化应激后肾细胞线粒体（绿色）中迅速出现的突变（红色）。Credit: UT Southwestern Medical Center

研究人员首先通过动物模型证实，无论是短暂的血流减少还是化学物质刺激，都会在肾细胞的线粒体DNA中引发一场突变风暴。关键在于，即使肾脏表面上已经康复，这些突变依然会永久存留，如同记录器官所受压力的“计数器”。为了验证这些突变的直接影响，团队利用基因工程技术在健康的肾细胞中引入了同样的突变，结果发现这些细胞的能量（ATP）生产效率显著降低，并且在再次面对压力时变得不堪一击。这一发现揭示了一个恶性循环：损伤导致突变，突变削弱恢复力，使器官在未来更容易受损。为了将这一发现与人类疾病联系起来，研究团队分析了英国生物库（UK Biobank）中超过36万人的数据，结果证实，血液中mtDNA突变的负担越重，慢性肾病（CKD）的病情就越严重，并且还能独立预测未来发生急性肾损伤（AKI）的风险。这一发现不仅为肾脏疾病提供了新的预测指标和潜在治疗靶点，也可能为理解大脑、心脏等其他长寿命器官的衰老过程提供了新视角。研究发表在 Science 上。

#疾病与健康 #预测模型构建 #衰老 #线粒体 #肾脏病

阅读更多：

Huang, Huihui, et al. “Reversible Compromise of Physiological Resilience by Accumulation of Heteroplasmic mtDNA Mutations.” Science, vol. 390, no. 6769, Oct. 2025, pp. 164–72. science.org (Atypon), https://doi.org/10.1126/science.adk7978

AI 行业动态

GPT-5 Pro 30分钟重现黑洞物理数日推导：AI加速科学发现进程

OpenAI近日宣布，理论物理学家、物理学新视野奖获得者 Alex Lupsasca 已作为首位学术研究员加入其“AI for Science”团队。这一新计划旨在构建一个AI驱动的平台，以大幅加速人类的科学发现进程。此前，Lupsasca长期对AI能否触及研究前沿持怀疑态度，但GPT-5 Pro的卓越表现彻底改变了他的看法。GPT-5 Pro在一场测试中，仅用不到30分钟就独立推导出了他本人花费数天艰苦计算才发现的黑洞扰动理论中的一项全新对称性，结果令他感到“极度震惊”。首席研究员Mark Chen将这一突破性进展，与2016年AlphaGo在围棋对决中下出的“神之一手”相提并论，标志着科研领域的“AlphaGo时刻”正迅速来临。

Lupsasca于今年六月发表的论文中，提出了一种关于静态、轴对称克尔黑洞（Kerr black hole，一种描述旋转黑洞的精确解）扰动的全新共形对称性（Conformal Symmetry，一种在坐标变换下保持形状和角度不变的几何性质）。这一发现的关键推论是黑洞的勒夫数（Love Number，衡量天体在潮汐力作用下发生形变能力的参数）为零，这对于引力波天文学具有重大意义。Lupsasca本人表示，尽管揭示这些对称性的物理意义相对容易，但“最困难的部分是找到它们精确的数学形式”，这一过程曾耗费他数天时间的艰苦计算。尽管GPT-5 Pro在解决完整问题之前需要先通过一个更简单的“平直时空”案例进行“预热”，但其在极短时间内重现复杂推导的能力，仍被认为是“令人难以置信的飞跃”，并且它同样能够高质量地处理观测天体物理学中的难题。

Alex Lupsasca是一位著名的理论物理研究人员，研究方向涵盖黑洞、引力与相对论天体物理。在加入OpenAI之前，他曾在哈佛大学和普林斯顿大学任职，并担任范德堡大学物理与数学系的助理教授。他目前也是“黑洞探测者”（Black Hole Explorer，BHEX）项目——一个计划发射卫星以获取史上最清晰黑洞图像的任务——的首席研究人员。随着人工智能与自然科学的联系日益紧密，自然科学中的一些概念和理论已开始影响人工智能的架构设计。

#GPT -5 Pro #Alex Lupsasca #黑洞物理 #科学加速 #AI for Science

阅读更多：

虚拟宇宙触手可及：李飞飞团队用单GPU跑出实时3D世界

斯坦福大学教授李飞飞的创业公司 World Labs 近日发布了名为 RTFM（Real-Time Frame Model，实时帧模型）的生成式世界模型新成果。这一模型最大的突破在于，它实现了实时、持续运行并保持 3D 一致性的生成式世界，且只需在一块英伟达 H100 GPU上即可高效运行。研究人员指出，RTFM 在技术上被定位为一种“学习型渲染器”（learning renderer），它并不像传统方法那样显式地构建三维表示（如三角网格）。相反，RTFM 是一种端到端训练的自回归扩散 Transformer，它以一张或多张二维图像为输入，直接生成同一场景在不同视角下的全新二维图像，通过观察训练集中的样本，隐式地学会了建模 3D 几何、反射和阴影等复杂特征。

World Labs 团队强调，随着技术的进步，生成式世界模型对算力的需求将远远超过当今的大语言模型（LLM）。例如，要保证一小时交互的持续性，模型需处理的上下文信息将超过一亿个 token。在当前计算基础设施下，这既不现实也不经济。为了克服这一限制，研究人员依照图灵奖得主 Rich Sutton 在《苦涩的教训》（The Bitter Lesson，指简单且随算力提升而扩展的方法将在人工智能领域占据主导）中提及的原则，设计了 RTFM。它摒弃了依赖人工设计数据结构的传统 3D 渲染方法，转而采用高效的神经网络架构。模型将输入的二维图像转化为神经网络的激活（KV 缓存，键值缓存，指用于存储注意力机制信息的内存单元），从而隐式地代表整个世界，实现了计算效率与可扩展性的完美结合。

对于自回归帧生成模型而言，实现“持久性”（persistence，指世界在用户移开视线后不会凭空消失或改变）是一项重大的计算挑战，因为随着用户探索，模型需要不断推理和记忆越来越多的帧，最终计算成本会持续上升。RTFM 巧妙地通过为每一帧建模其在三维空间中的姿态（pose，即位置和朝向），并结合一种高效的“上下文调度”机制，成功解决了这一难题。这使得 RTFM 能够在保持高效率的同时，在大场景中保留几何结构和世界持久性。这项技术模糊了传统计算机视觉中重建和生成任务的界限，无论是处理稀疏拍摄的照片（更倾向于重建）还是基于少量信息进行猜测（更倾向于生成），RTFM 都能用同一个模型进行处理。

#世界模型 #RTFM #单GPU渲染 #空间智能 #李飞飞

阅读更多：

Google DeepMind与CFS携手：用AI实现无限聚变能源的精确控制

实现聚变能需要将电离气体（等离子体）在超过1亿摄氏度的极端条件下稳定约束在聚变装置中，这是一个极度复杂的物理难题。Google DeepMind正尝试利用人工智能的力量来攻克这一挑战。近日，Google DeepMind宣布与全球聚变能源领军企业Commonwealth Fusion Systems（CFS）达成研究合作，共同致力于将清洁、安全的无限聚变能源带入现实。CFS正在通过其紧凑型强场托卡马克装置SPARC（旨在实现聚变能量净增益的磁约束装置）开辟通往商业化聚变能的快速通道。Google DeepMind此前的研究已证明，深度强化学习能够精准操控托卡马克磁体，稳定复杂形态的等离子体，而双方的合作将这项开创性技术应用于SPARC装置，并在构建快速精准、可微分的聚变等离子体模拟系统方面展开合作。

为了将AI技术应用于SPARC装置，Google DeepMind开发了基于JAX框架的快速可微分等离子体模拟器——TORAX。TORAX的开发将研究范围拓展至更广泛的物理问题，其架构能流畅运行于多种硬件，并能与人工智能系统无缝集成。在SPARC正式启动前，研究人员能够利用TORAX进行数百万次虚拟实验，测试并完善运行方案，从而显著节约时间和资源。TORAX目前已成为CFS日常工作的核心工具，帮助研究团队深入理解等离子体在不同条件下的行为规律。研究人员将基于历史托卡马克数据和高精度模拟对TORAX进行验证与校准，以确保其能快速适应SPARC启动运行后的实际工况。

除了模拟系统，双方合作的另外两个关键领域是探寻最大化聚变能量输出的高效稳健路径，以及运用强化学习探索新型实时控制策略。由于托卡马克运行涉及磁线圈电流、燃料注入等多种参数的精细调节，人工寻找既满足约束又最大化能量输出的最优配置效率低下。通过将TORAX与强化学习及AlphaEvolve结合，AI智能体可以在模拟环境中快速锁定实现净能量增益的最优路径，从而大幅提升SPARC的首次运行成功率。此外，Google DeepMind正同步优化更多运行参数来提升实时控制系统的复杂性，例如管理SPARC的热负荷，以确保装置能在更高性能区间安全运行。未来，人工智能有望制定出超越人工设计的自适应策略，有效控制等离子体以实现热量的有效分布。

#GoogleDeepMind #核聚变能源 #SPARC #TORAX #强化学习

阅读更多：

AI 驱动科学

谷歌270亿参数模型发现癌症“冷肿瘤”加热新配方

如何让免疫系统看见并攻击“冷肿瘤”是癌症治疗的一大难题。谷歌与耶鲁大学的研究人员，包括 Shekoofeh Azizi 和 Bryan Perozzi，利用一个拥有270亿参数的巨型AI模型C2S-Scale 27B，成功预测并实验验证了一种全新的协同抗癌策略，为开发新型癌症免疫疗法开辟了道路。

研究团队利用基于谷歌Gemma架构开发的C2S-Scale 27B模型，设计了一项巧妙的虚拟药物筛选任务。他们要求模型在超过4000种药物中，找出一种仅在特定条件下才能激活肿瘤免疫信号的“条件放大器”。为此，团队设定了两种模拟环境：一种是模拟真实患者体内存在低水平免疫信号的“免疫环境阳性”条件，另一种是缺乏免疫细胞的“免疫环境中性”条件。模型的预测结果惊人且明确：它锁定了一种名为CX-4945的CK2激酶抑制剂。模型认为，该药物只有与低剂量的干扰素（一种免疫信号蛋白）联用时，才能强力促进癌细胞的抗原呈递（antigen presentation，即癌细胞向免疫系统展示内部特征以供识别的过程），从而让肿瘤变得“可见”。这一假设在以往的科学文献中从未被报道。为了验证这一由AI提出的全新想法，研究人员在实验室中用人类癌细胞进行了测试。结果证实了模型的预测：单独使用CX-4945或低剂量干扰素时效果甚微，但当两者联合使用时，负责呈递抗原的MHC-I分子水平协同提升了约50%。这一发现为将“冷”肿瘤转化为“热”肿瘤提供了经实验验证的潜在新路径。

#疾病与健康 #预测模型构建 #AI驱动科学 #癌症免疫治疗

阅读更多：

Rizvi, Syed Asad, et al. “Scaling Large Language Models for Next-Generation Single-Cell Analysis.” bioRxiv, 11 Oct. 2025, p. 2025.04.14.648850. bioRxiv, https://doi.org/10.1101/2025.04.14.648850

“湿件”：利用人类微型大脑为计算机提供动力

瑞士初创公司FinalSpark的Fred Jordan及合作研究者（布里斯托大学的Benjamin Ward-Cherrier）正开创一个名为生物计算的新领域。他们成功利用实验室培育的人类微型大脑（即脑类器官）作为处理器，展示了其作为超低能耗计算单元的潜力，能效或比传统芯片高出百万倍。

▷ 瑞士初创公司 FinalSpark 实验室的孵化器内有 16 个与电极相连的脑器官。

这项前沿技术的核心是构建“生物处理器”。研究人员首先将人类干细胞诱导分化为神经元，然后将它们培养成毫米大小的脑类器官，每个包含约一万个神经元。通过精密的电极阵列，科学家可以向这些微型大脑发送电信号（输入），并读取它们的神经活动响应（输出），将活动的有无编码为计算机能够理解的二进制“1”和“0”。初步成果显示了这项技术的巨大潜力：研究人员声称，生物神经元的能源效率比目前驱动AI的硅基芯片高出一百万倍。在一个验证性实验中，一个由脑类器官驱动的简单机器人成功学会了区分不同的盲文字母。然而，该技术仍处于起步阶段，挑战重重。这些“湿件”是活体组织，生命周期仅数月且可能随时死亡，稳定性远不及硬件。此外，如何高效地与这些生物系统进行信息交互仍是待解难题。对于其是否会产生意识的伦理担忧，科学家指出，鉴于其极小的规模和简单的结构，目前风险微乎其微。

#意识与脑机接口 #计算模型与人工智能模拟 #生物计算 #神经科学

阅读更多：

医疗场景下，大语言模型优先考虑“有用性”而非“准确性”

大型语言模型在医疗场景中是否可靠？为探究其优先“有用性”而非“准确性”的倾向，麻省总医院布莱根（Mass General Brigham）的 Danielle S. Bitterman, Shan Chen 及其团队进行了一项研究。他们发现，主流LLM会顺从用户的错误提问并生成虚假医疗信息，但通过特定的提示工程和模型微调，可以有效纠正这一“谄媚”行为，提升其在医疗应用中的安全性。

研究团队评估了五个前沿的大型语言模型，包括OpenAI的GPT系列和Meta的Llama系列。他们巧妙地利用等效药物关系（例如，泰诺Tylenol和对乙酰氨基酚acetaminophen是同一种药物的商品名和通用名）设计了一系列不合逻辑的查询，以此测试模型的逻辑推理能力。结果显示，在初始状态下，模型表现出极高的“谄媚”倾向，为了显得“乐于助人”而遵从错误指令，其中GPT模型对所有不合逻辑请求的遵从率高达100%。为了纠正这一缺陷，研究团队尝试了两种策略。首先，通过提示工程，明确允许模型拒绝并引导其先回忆事实，成功将GPT模型的错误遵从率降至6%。其次，他们对模型进行了微调，在一个专门设计的数据集上训练模型识别并拒绝此类请求。该方法效果更为显著，使模型能正确拒绝99%至100%的错误信息请求。关键在于，经过微调的模型在处理正常的医疗和通用知识问题时性能并未下降，表明这种安全增强措施不会损害其核心功能。研究发表在 npj Digital Medicine 上。

#AI驱动科学 #大模型技术 #模型安全 #医疗AI

阅读更多：

Chen, Shan, et al. “When Helpfulness Backfires: LLMs and the Risk of False Medical Information Due to Sycophantic Behavior.” Npj Digital Medicine, vol. 8, no. 1, Oct. 2025, p. 605. www.nature.com, https://doi.org/10.1038/s41746-025-02008-z

交谈方式影响AI准确性：对聊天机器人太随意会降低其表现

我们与AI聊天机器人的沟通方式是否会影响其表现？亚马逊的 Fulei Zhang 和 Zhou Yu 针对此问题展开研究。他们发现，用户与AI对话时会不自觉地变得更随意，而这种风格差异会降低模型的准确性。研究表明，提升AI性能的关键在于让其在训练阶段接触多样化的语言风格，而非在用户提问时进行实时“润色”。

研究人员首先分析了数千条用户分别发送给人类客服与AI聊天机器人的真实消息，发现用户与人类对话时，语言的礼貌性要高出14.5%，语法也更流畅。这种沟通风格的差异，对那些主要用标准人际对话数据训练的大型语言模型构成了挑战。为了验证解决方案，团队用一个名为Mistral 7B的模型进行了实验。他们对比了两种策略：第一种是在训练阶段进行数据增强，让模型学习包含正式、非正式、甚至语法不通顺等多种风格的混合数据；第二种是在模型接收到用户提问时，实时将其改写为更规范的语言再进行处理。结果显示，经过多样化数据训练的模型，在理解真实用户意图方面的准确率提升了2.9%。与之形成鲜明对比的是，实时“润色”用户输入的做法反而使模型理解能力下降了近2%，可能是因为改写过程丢失了关键信息。这表明，让AI在训练中“见多识广”，提前适应用户的真实语言习惯，是提升其智能水平的更有效路径。

#大模型技术 #预测模型构建 #人机交互 #自然语言处理

阅读更多：

Zhang, Fulei, and Zhou Yu. “Mind the Gap: Linguistic Divergence and Adaptation Strategies in Human-LLM Assistant vs. Human-Human Interactions.” arXiv:2510.02645, arXiv, 3 Oct. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.02645

智能手机揭示城市真实出行节奏：步行量被严重低估

我们对城市居民出行方式的了解有多准确？传统问卷调查的偏差导致城市规划可能建立在错误数据之上。来自东北大学和麻省理工学院的 Nail F. Bashan, Adrian Meister 等研究人员发起了 BostonWalks 研究，利用智能手机自动追踪技术，绘制出了一幅前所未有的波士顿居民真实出行图景，揭示了被严重低估的步行模式和社会经济因素造成的出行差异。

研究团队在2023年招募了990名波士顿居民，让他们在手机上安装一款追踪应用，通过全球导航卫星系统和运动传感器，自动记录了至少两周的全部出行活动。这项研究最终收集了超过15.5万次出行轨迹，构成了北美地区同类研究中最全面的数据集之一。分析结果颠覆了传统认知。数据显示，步行实际上占所有出行的21%，约为传统调查报告数字的10倍。这表明，用于支持人行道、遮阳树等步行基础设施的投资可能被长期低估。研究还揭示了深刻的社会经济差异：高收入者多居住在交通便利的市中心，享受着更长的步行和骑行；而低收入者则更依赖公共交通，并常常忍受着更漫长、不便的通勤。这些发现清晰地表明，出行选择不仅是个人偏好，更受到地理位置、基础设施和社会不平等的深刻影响。研究发表在 Transportation 上。

#其他 #跨学科整合 #城市规划 #交通出行

阅读更多：

Meister, Adrian, et al. “The BostonWalks Study: A Longitudinal Travel Survey Using Smartphone Tracking.” Transportation, June 2025. Springer Link, https://doi.org/10.1007/s11116-025-10637-2

细如发丝的电极将脑信号记录时间延长三倍

长期监测大脑信号对理解帕金森等疾病至关重要，但植入电极常因免疫排斥而迅速失效。韩国科学技术研究院的Hyejeong Seong与首尔国立大学的Seongjun Park团队合作，开发出一种创新的纳米涂层技术，成功将电极的稳定工作寿命延长了三倍以上，为脑科学研究和脑机接口应用奠定了基础。

▷ 为了在柔性神经电极表面涂覆均匀、薄的聚合物涂层，采用了光引发化学气相沉积 (piCVD) 工艺。在这种低压气相沉积工艺中，单体和交联剂（HEMA 和 EGDMA）以气相状态被引入真空室。这些前体在紫外线照射下被激活，并直接在电极表面聚合。由此产生的聚合物涂层在接触水分时会膨胀，从而防止蛋白质和细胞粘附在电极表面。Credit: Korea Institute of Science and Technology

该研究的核心在于一种创新的双重保护策略。首先，电极本身由柔性塑料制成，其机械性能与脑组织更为匹配，减少了植入时的初始损伤。其次，团队采用一种名为光引发化学气相沉积（photoinitiated chemical vapor deposition, piCVD）的先进工艺，在电极表面均匀涂覆了一层厚度不足100纳米的特殊聚合物。这种超薄涂层在植入大脑并接触到脑脊液后，会像海绵一样吸水膨胀，形成一道物理屏障，有效阻止了导致炎症和疤痕的蛋白质及免疫细胞附着。在为期三个月的小鼠实验中，这种细如发丝的新型电极展现出卓越的性能。与传统未涂层电极相比，它将炎症反应降低了66.6%，并将电极周围神经元的存活率提升了84.6%。更关键的是，其记录大脑信号的质量在整个实验期间保持稳定，信噪比甚至稳步提升。这项突破性技术不仅为神经退行性疾病的长期研究提供了可靠工具，也为脑机接口的实际应用扫清了一大障碍。研究发表在 Biomaterials 上。

#疾病与健康 #脑机接口 #新材料 #神经退行性疾病

阅读更多：

“Photoinitiated CVD Antifouling Coatings Enable Long-Term Stability of Flexible Multifunctional Neural Probes for Chronic Neural Recording.” Biomaterials, vol. 325, Feb. 2026, p. 123554. www.sciencedirect.com, https://doi.org/10.1016/j.biomaterials.2025.123554

ByteTrack模型自动计算进食频率有助预防儿童肥胖

儿童进食过快是肥胖的一大风险因素，但手动计算进食频率既耗时又昂贵，限制了相关研究的规模。宾夕法尼亚州立大学（Pennsylvania State University）的 Yashaswini Bhat, Kathleen L. Keller, Timothy R. Brick 等研究人员，开发了一款名为 ByteTrack 的人工智能模型，旨在通过分析视频自动计算儿童的进食次数和频率。

研究团队开发了一个名为 ByteTrack 的深度学习系统，该系统能智能地分析儿童进餐的视频录像。其工作流程分为两步：首先，模型在复杂的视频画面中精准地定位并跟踪儿童的面部；随后，利用卷积神经网络和长短期记忆网络的组合，识别出真正的“咬合”动作。为了训练和验证该模型，研究人员使用了94名7至9岁儿童的进餐视频。初步测试结果显示，ByteTrack 在识别人脸方面表现出色，成功率高达97%。然而，在核心任务——计算咬合次数上，其准确率约为人类专业编码员的70%（F1 score为70.6%）。研究发现，当孩子的脸被手或餐具遮挡，或是出现玩弄食物、咬勺子等非进食动作时，模型的识别能力会受到影响。尽管 ByteTrack 尚需进一步完善，但这项研究成功验证了利用AI自动化监测儿童饮食行为的可行性，未来有望发展成一款能提醒儿童放慢吃饭速度的手机应用，帮助他们建立健康的饮食习惯。研究发表在 Frontiers in Nutrition 上。

#疾病与健康 #预测模型构建 #AI驱动科学 #儿童健康

阅读更多：

Bhat, Yashaswini Rajendra, et al. “ByteTrack: A Deep Learning Approach for Bite Count and Bite Rate Detection Using Meal Videos in Children.” Frontiers in Nutrition, vol. 12, Oct. 2025. Frontiers, https://doi.org/10.3389/fnut.2025.1610363

总算力而非GPU数量更能预测AI论文的引用影响力

AI研究是否已成为一场“军备竞赛”？为探究计算资源在决定科研成功中的作用，来自麻省理工学院、圣母大学等机构的Yuexing Hao, Yue Huang及其同事，通过对数万篇顶级会议论文的分析和作者调研，揭示了算力、论文接收率与引用影响力之间的复杂关系。

该研究对2022至2024年间八个顶级AI会议的34,828篇论文进行了大规模分析，重点聚焦于其中5,889篇基础模型相关研究。研究团队结合了GPT-4o mini自动数据提取与针对229位论文第一作者的问卷调查，以确保数据的准确性。研究发现，更多的计算资源确实与更高的论文接收率和引用量呈现正相关。然而，研究进一步指出，总计算能力（以TFLOPs，即每秒万亿次浮点运算来衡量）是比单纯的GPU数量更强的预测指标，尤其能预示研究的引用潜力和机构的产出效率。尽管如此，算力并非万能。通过对比ICLR会议的接收和拒稿论文，研究者发现两者在资源使用上的差异极小，这表明审稿人依然将研究的新颖性和科学贡献置于首位。此外，该研究揭示了一个严峻的透明度问题：论文中对GPU使用情况的披露严重不足，信息缺失率高达60%左右，这给评估研究成本和可复现性带来了巨大挑战。研究还描绘了当前AI领域的生态图景：基础模型研究呈爆炸式增长，学术界贡献了多数论文，但工业界巨头是最高产的单一机构，而开源模型（如LLaMA）和NVIDIA A100 GPU已成为研究主流。

#AI驱动科学 #其他 #基础模型 #科研公平性

阅读更多：

Hao, Yuexing, et al. “The Role of Computing Resources in Publishing Foundation Model Research.” arXiv:2510.13621, arXiv, 15 Oct. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.13621