█腦科學(xué)動(dòng)態(tài)

通過(guò)看小鼠“面相”，揭示其認(rèn)知功能

從行為建模到意識(shí)理論：主動(dòng)推理框架中隱含的最小意識(shí)理論

壓力通過(guò)殺死1%的特定神經(jīng)元來(lái)減少大腦供血

聽(tīng)力損失重塑嬰兒大腦網(wǎng)絡(luò)，早期語(yǔ)言干預(yù)刻不容緩

癡呆癥早期預(yù)警新線索：言語(yǔ)中的停頓成關(guān)鍵指標(biāo)

越累學(xué)得越快？新研究發(fā)現(xiàn)大腦在疲勞時(shí)更具可塑性

勝則獎(jiǎng)賞，敗則失控：神經(jīng)影像學(xué)揭示球迷大腦的極端反應(yīng)

█AI行業(yè)動(dòng)態(tài)

扎克伯格夫婦千億豪賭AI+生物學(xué)，誓言在本世紀(jì)末根治所有疾病

AI制藥獨(dú)角獸Iambic再獲超1億美元融資

AI驅(qū)動(dòng)生物科技革命：20年護(hù)膚品研發(fā)周期縮短至10個(gè)月

圖靈獎(jiǎng)得主Yann LeCun告別Meta，傳將創(chuàng)立新公司

█AI驅(qū)動(dòng)科學(xué)

拓?fù)涓兄疃葘W(xué)習(xí)模型增強(qiáng)了基于腦電圖的運(yùn)動(dòng)想象解碼能力

AI大腦新圖譜：記憶與推理功能分離，可精準(zhǔn)“編輯”記憶

“讀心”的秘密：大語(yǔ)言模型如何通過(guò)極稀疏參數(shù)編碼心智理論

AI假臉?lè)啦粍俜溃垦芯堪l(fā)現(xiàn)五分鐘訓(xùn)練即可擦亮雙眼

微小的數(shù)字摩擦可以減緩虛假信息的傳播

腦科學(xué)動(dòng)態(tài)

通過(guò)看小鼠“面相”，揭示其認(rèn)知功能

大腦活動(dòng)在控制行為時(shí)會(huì)產(chǎn)生無(wú)意識(shí)的伴隨動(dòng)作，這些動(dòng)作是否能揭示潛在的認(rèn)知狀態(tài)？葡萄牙尚帕里莫基金會(huì)的Fanny Cazettes和Zachary F. Mainen等人研究發(fā)現(xiàn)，小鼠的面部表情能夠同時(shí)編碼多個(gè)決策變量，甚至包括當(dāng)前未被使用的變量，并揭示了這些表情部分起源于次級(jí)運(yùn)動(dòng)皮層的神經(jīng)活動(dòng)。

研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)概率性覓食任務(wù)，讓小鼠在舔舐糖水時(shí)，需要根據(jù)不同策略（例如計(jì)算連續(xù)失敗次數(shù)或累計(jì)獎(jiǎng)勵(lì)）來(lái)決定是否切換位置。通過(guò)高分辨率視頻和奇異值分解分析，研究人員發(fā)現(xiàn)小鼠的面部表情而非身體動(dòng)作，能夠同時(shí)且精確地編碼多個(gè)決策變量，即使某些變量在當(dāng)前決策中并未被采納。這些面部模式在不同小鼠間具有驚人的一致性，如同刻板的“表情包”。為探究其神經(jīng)起源，團(tuán)隊(duì)同步記錄了多個(gè)腦區(qū)的神經(jīng)活動(dòng)。結(jié)果顯示，次級(jí)運(yùn)動(dòng)皮層（M2）對(duì)決策變量的編碼在時(shí)間上略早于面部表情的出現(xiàn)，而面部表情的出現(xiàn)又早于眶額皮層等其他腦區(qū)。這一發(fā)現(xiàn)表明，M2的神經(jīng)活動(dòng)是這些認(rèn)知性面部表情的驅(qū)動(dòng)源頭之一，證明了通過(guò)非侵入性的面部監(jiān)測(cè)，可以揭示大腦中原本潛在的認(rèn)知計(jì)算過(guò)程。研究發(fā)表在 Nature Neuroscience 上。

閱讀更多：

Cazettes, Fanny, et al. “Facial Expressions in Mice Reveal Latent Cognitive Variables and Their Neural Correlates.” Nature Neuroscience, vol. 28, no. 11, Nov. 2025, pp. 2310–18. www.nature.com, https://doi.org/10.1038/s41593-025-02071-5

從行為建模到意識(shí)理論：主動(dòng)推理框架中隱含的最小意識(shí)理論

意識(shí)研究領(lǐng)域長(zhǎng)期存在理論碎片化問(wèn)題，不同理論難以相互比較和驗(yàn)證。Christopher J. Whyte, Karl J. Friston, Anil K. Seth 等研究人員另辟蹊徑，提出不應(yīng)從意識(shí)的某個(gè)特定方面出發(fā)，而應(yīng)從一個(gè)普適性的行為建?？蚣堋鲃?dòng)推理中，自下而上地構(gòu)建一個(gè)最小且可檢驗(yàn)的意識(shí)理論。

該理論的核心基于主動(dòng)推理框架，它將大腦視為一個(gè)預(yù)測(cè)機(jī)器，其根本目標(biāo)是最小化“意外”，即預(yù)測(cè)與感官輸入之間的誤差。研究者指出，這一過(guò)程通過(guò)最小化一個(gè)稱為變分自由能的目標(biāo)函數(shù)來(lái)實(shí)現(xiàn)。在感知層面，大腦需要在最大化預(yù)測(cè)準(zhǔn)確性與最小化模型復(fù)雜性之間取得平衡，以形成對(duì)外部世界的穩(wěn)定認(rèn)知。在行動(dòng)層面，大腦通過(guò)最小化預(yù)期自由能來(lái)規(guī)劃未來(lái)，這要求智能體在追求偏好目標(biāo)（降低風(fēng)險(xiǎn)）、減少對(duì)世界狀態(tài)的不確定性（降低模糊性）以及探索新信息（最大化新穎性）之間進(jìn)行權(quán)衡。研究團(tuán)隊(duì)認(rèn)為，這個(gè)統(tǒng)一的數(shù)學(xué)框架本身就隱含了一套關(guān)于意識(shí)的理論承諾。通過(guò)將主動(dòng)推理模型應(yīng)用于意識(shí)科學(xué)的各種現(xiàn)象——從基本的知覺(jué)意識(shí)到復(fù)雜的自我意識(shí)——可以發(fā)現(xiàn)它們背后共通的計(jì)算原理。這種方法有望超越現(xiàn)有理論的局限，為意識(shí)研究提供一種統(tǒng)一的數(shù)學(xué)語(yǔ)言和可檢驗(yàn)的理論基礎(chǔ)。研究發(fā)表在 Physics of Life Reviews 上。

閱讀更多：

Whyte, Christopher J., et al. “On the Minimal Theory of Consciousness Implicit in Active Inference.” Physics of Life Reviews, Nov. 2025. ScienceDirect, https://doi.org/10.1016/j.plrev.2025.11.002

壓力通過(guò)殺死1%的特定神經(jīng)元來(lái)減少大腦供血

壓力如何具體損害大腦并可能增加神經(jīng)退行性疾病風(fēng)險(xiǎn)？賓夕法尼亞州立大學(xué)的 Kevin Turner, Patrick J. Drew 等研究人員聚焦于一類對(duì)壓力極其敏感的罕見(jiàn)神經(jīng)元，發(fā)現(xiàn)其對(duì)于維持正常的腦血流和神經(jīng)活動(dòng)至關(guān)重要，其缺失可能是連接壓力與腦功能下降的關(guān)鍵環(huán)節(jié)。

?研究團(tuán)隊(duì)的目標(biāo)神經(jīng)元類型是 1 型 nNOS（上圖中黃色部分），與其他腦神經(jīng)元相比，這種神經(jīng)元較為罕見(jiàn)。通過(guò)注射法，研究團(tuán)隊(duì)能夠系統(tǒng)性地清除腦中的這類神經(jīng)元，從而深入了解它們所發(fā)揮的作用。Credit: Patrick Drew / Penn State

研究團(tuán)隊(duì)開(kāi)創(chuàng)了一種新方法，通過(guò)向小鼠的體感皮層（somatosensory cortex，處理觸覺(jué)等感覺(jué)輸入的區(qū)域）精準(zhǔn)注射一種名為皂苷（saporin）的毒性蛋白，特異性地清除了數(shù)量稀少（占大腦神經(jīng)元不足1%）的I型nNOS神經(jīng)元（type-one nNOS neurons）。隨后，他們利用高分辨率成像和電極監(jiān)測(cè)發(fā)現(xiàn)，缺少了這些神經(jīng)元的小鼠，其腦血管規(guī)律性的擴(kuò)張和收縮，即自發(fā)振蕩（spontaneous oscillation），幅度顯著減小，導(dǎo)致整體腦血流量下降。同時(shí)，大腦的電活動(dòng)也普遍減弱。有趣的是，這些負(fù)面影響在睡眠期間比清醒時(shí)更為嚴(yán)重，暗示了這類神經(jīng)元對(duì)大腦在睡眠中的恢復(fù)和支持功能可能尤為重要。此外，大腦兩個(gè)半球之間的神經(jīng)信號(hào)協(xié)調(diào)性也隨之降低。這項(xiàng)研究表明，這一小群對(duì)壓力脆弱的神經(jīng)元在協(xié)調(diào)全腦范圍的血流和神經(jīng)活動(dòng)中扮演著“指揮官”的角色，它們的喪失可能是慢性壓力導(dǎo)致大腦健康惡化的一個(gè)此前未被探明的重要原因。研究發(fā)表在 eLife 上。

閱讀更多：

Turner, Kevin, et al. “Type-I nNOS Neurons Orchestrate Cortical Neural Activity and Vasomotion.” eLife, edited by Mark T Nelson and Laura L Colgin, vol. 14, Nov. 2025, p. RP105649. eLife, https://doi.org/10.7554/eLife.105649

聽(tīng)力損失重塑嬰兒大腦網(wǎng)絡(luò)，早期語(yǔ)言干預(yù)刻不容緩

生命早期聽(tīng)覺(jué)輸入對(duì)大腦發(fā)育至關(guān)重要，但聽(tīng)力損失如何影響嬰兒大腦功能網(wǎng)絡(luò)的建立尚不明確。加州大學(xué)默塞德分校的Heather Bortfeld和北京師范大學(xué)的Haijing Niu等人通過(guò)研究揭示，患有先天性聽(tīng)力損失的嬰兒未能形成正常的語(yǔ)言優(yōu)勢(shì)半球（左腦）功能特化，這凸顯了早期干預(yù)的緊迫性。

?典型發(fā)育 (TD) 和先天性感覺(jué)神經(jīng)性聽(tīng)力損失 (SNHL) 嬰兒半球網(wǎng)絡(luò)發(fā)育差異。( A ) 全局效率人工智能 ( E glob ) 的發(fā)育比較。( B ) 局部效率人工智能 ( E loc ) 的發(fā)育比較。Credit: Science Advances (2025).

研究團(tuán)隊(duì)利用功能性近紅外光譜對(duì)112名3至9個(gè)月大的嬰兒進(jìn)行了研究，其中包括52名患有先天性感覺(jué)神經(jīng)性聽(tīng)力損失（SNHL）的嬰兒。研究發(fā)現(xiàn)，雖然所有嬰兒的大腦網(wǎng)絡(luò)都具備高效的“小世界”結(jié)構(gòu)，但其發(fā)育軌跡出現(xiàn)了顯著差異。正常發(fā)育的嬰兒隨著年齡增長(zhǎng)，其大腦左半球的網(wǎng)絡(luò)效率會(huì)逐漸增強(qiáng)，形成處理語(yǔ)言等高級(jí)認(rèn)知功能所必需的大腦不對(duì)稱模式。然而，患有聽(tīng)力損失的嬰兒并未表現(xiàn)出這種關(guān)鍵的左側(cè)化發(fā)展趨勢(shì)。這種發(fā)育差異的程度與聽(tīng)力損失的嚴(yán)重性直接相關(guān)，聽(tīng)力受損越嚴(yán)重，大腦左半球功能特化的缺失就越明顯。這一發(fā)現(xiàn)將聽(tīng)力損失重新定義為一個(gè)大腦發(fā)育問(wèn)題，而不僅僅是耳朵的問(wèn)題，并強(qiáng)調(diào)了早期干預(yù)的必要性，即通過(guò)助聽(tīng)器、人工耳蝸或手語(yǔ)等方式，在嬰兒大腦可塑性最強(qiáng)的時(shí)期提供豐富的語(yǔ)言環(huán)境，以促進(jìn)關(guān)鍵神經(jīng)通路的正常建立。研究發(fā)表在 Science Advances 上。

閱讀更多：

Liu, Guangfang, et al. “Developmental Alterations in Brain Network Asymmetry in 3- to 9-Month Infants with Congenital Sensorineural Hearing Loss.” Science Advances, vol. 11, no. 42, Oct. 2025, p. eadx1327. science.org (Atypon), https://doi.org/10.1126/sciadv.adx1327

癡呆癥早期預(yù)警新線索：言語(yǔ)中的停頓成關(guān)鍵指標(biāo)

我們?nèi)粘Ｕf(shuō)話的方式能否揭示大腦健康狀況？為解決傳統(tǒng)認(rèn)知測(cè)試的局限性，來(lái)自貝克雷斯特研究所、多倫多大學(xué)和約克大學(xué)的 Hsi T. Wei, Jed A. Meltzer 等研究人員利用人工智能分析自然言語(yǔ)，發(fā)現(xiàn)說(shuō)話時(shí)的停頓、填充詞（如“呃”、“嗯”）等不流暢特征，是衡量執(zhí)行功能（支持記憶、計(jì)劃等高級(jí)思維能力）的敏感指標(biāo)。

研究團(tuán)隊(duì)通過(guò)兩項(xiàng)實(shí)驗(yàn)，共招募了241名年齡從18歲到90歲的健康成年人。參與者被要求口頭描述復(fù)雜的圖片，同時(shí)完成標(biāo)準(zhǔn)的執(zhí)行功能測(cè)試。研究人員利用人工智能技術(shù)對(duì)錄音進(jìn)行分析，從中提取了數(shù)百個(gè)細(xì)微的言語(yǔ)特征。結(jié)果明確顯示，言語(yǔ)的不流暢性，特別是反映找詞困難的停頓和填充詞，與執(zhí)行功能測(cè)試的表現(xiàn)密切相關(guān)。這一關(guān)聯(lián)不僅存在于老年人中，而且貫穿整個(gè)成年期，并且在控制了年齡、性別和教育程度等因素后依然顯著。這表明，說(shuō)話時(shí)的“卡頓”并非簡(jiǎn)單的語(yǔ)言習(xí)慣，而可能反映了大腦處理信息的速度和效率。這項(xiàng)研究證實(shí)了自然言語(yǔ)分析作為一種便捷、無(wú)創(chuàng)且可重復(fù)的認(rèn)知評(píng)估工具的巨大潛力，未來(lái)有望用于大規(guī)模篩查，幫助早期識(shí)別認(rèn)知下降速度超常的癡呆癥高風(fēng)險(xiǎn)人群。研究發(fā)表在 Journal of Speech, Language, and Hearing Research 上。

閱讀更多：

Wei, Hsi T., et al. “Natural Speech Analysis Can Reveal Individual Differences in Executive Function Across the Adult Lifespan.” Journal of Speech, Language, and Hearing Research. pubs.asha.org (Atypon), https://doi.org/10.1044/2025_JSLHR-24-00268. Accessed 12 Nov. 2025

越累學(xué)得越快？新研究發(fā)現(xiàn)大腦在疲勞時(shí)更具可塑性

大腦對(duì)外界的反應(yīng)并非恒定，其功能狀態(tài)受晝夜節(jié)律的深刻影響，但其神經(jīng)機(jī)制尚不清晰。日本東北大學(xué)的Yuki Donen, Yoko Ikoma, 和 Ko Matsui研究團(tuán)隊(duì)通過(guò)對(duì)大鼠的研究，揭示了大腦皮層的興奮性和學(xué)習(xí)能力在一天內(nèi)會(huì)發(fā)生節(jié)律性變化，并發(fā)現(xiàn)神經(jīng)遞質(zhì)腺苷是關(guān)鍵的調(diào)控分子，其研究成果為優(yōu)化學(xué)習(xí)和康復(fù)治療提供了新的視角。

?記錄皮層神經(jīng)信號(hào)的晝夜節(jié)律。(A) 在 Thy1-ChR2 大鼠中，通過(guò)光遺傳學(xué)方法激活皮層神經(jīng)元，并在視覺(jué)皮層記錄局部場(chǎng)電位 (LFP)。(B) 日落時(shí)第三負(fù) LFP 相位的斜率大于日出時(shí)，表明傍晚的反應(yīng)更強(qiáng)。(C) 三天平均信號(hào)顯示出與光暗周期同步的約 24 小時(shí)正弦模式。Credit: Yuki Donen, Yoko Ikoma, Ko Matsui

研究人員利用光遺傳學(xué)技術(shù)，在不同時(shí)間點(diǎn)精確激活夜行性大鼠視覺(jué)皮層中的神經(jīng)元，并記錄其電活動(dòng)。結(jié)果顯示，神經(jīng)元的興奮性存在明顯的晝夜節(jié)律：在日落時(shí)（大鼠剛睡醒，準(zhǔn)備開(kāi)始活動(dòng)）神經(jīng)反應(yīng)最強(qiáng)，而在日出時(shí)（活動(dòng)一夜后，準(zhǔn)備休息）反應(yīng)則顯著減弱。進(jìn)一步的機(jī)制研究發(fā)現(xiàn)，這種變化由腺苷（adenosine，一種在清醒期間積累并導(dǎo)致困倦的分子）調(diào)控。當(dāng)研究者在日出時(shí)阻斷腺苷受體的作用，神經(jīng)元的反應(yīng)強(qiáng)度便恢復(fù)到了日落時(shí)的高水平。更令人意外的是，研究發(fā)現(xiàn)大腦的可塑性也遵循晝夜節(jié)律。長(zhǎng)期增強(qiáng)作用（long-term potentiation, LTP，被認(rèn)為是學(xué)習(xí)和記憶的細(xì)胞基礎(chǔ)）在日出時(shí)更容易被誘導(dǎo)，此時(shí)大鼠最為疲勞，睡眠壓力最大；而在日落時(shí)則無(wú)法誘導(dǎo)。這表明大腦在疲勞狀態(tài)下反而更具“元可塑性”（metaplasticity，指可塑性本身的可塑性），更容易發(fā)生持久的改變。這一發(fā)現(xiàn)暗示大腦存在進(jìn)行學(xué)習(xí)和適應(yīng)的“黃金窗口”，或有助于未來(lái)優(yōu)化康復(fù)訓(xùn)練和刺激療法的時(shí)間安排。研究發(fā)表在 Neuroscience Research 上。

閱讀更多：

Donen, Yuki, et al. “Diurnal Modulation of Optogenetically Evoked Neural Signals.” Neuroscience Research, vol. 221, Dec. 2025, p. 104981. ScienceDirect, https://doi.org/10.1016/j.neures.2025.104981

勝則獎(jiǎng)賞，敗則失控：神經(jīng)影像學(xué)揭示球迷大腦的極端反應(yīng)

為何球迷在觀看比賽時(shí)會(huì)表現(xiàn)出極端的情緒和行為？為探究競(jìng)爭(zhēng)環(huán)境中社會(huì)認(rèn)同的神經(jīng)機(jī)制，來(lái)自智利圣地亞哥阿萊馬納診所和圣塞巴斯蒂安大學(xué)的 Francisco Zamorano 及其團(tuán)隊(duì)，利用神經(jīng)影像學(xué)技術(shù)揭示了足球迷在觀看宿敵對(duì)決時(shí)大腦活動(dòng)的劇烈變化，發(fā)現(xiàn)了一種“獎(jiǎng)勵(lì)增強(qiáng)，控制減弱”的神經(jīng)模式。

?重大失敗的負(fù)面影響示意圖。在重大失敗期間，顯著性網(wǎng)絡(luò)會(huì)被抑制。色條代表 Z 值（暖色表示較高的正 Z 值，冷色表示負(fù)值/相對(duì)抑制）。A = 前側(cè)，L = 左側(cè)，S = 上方。Credit: Radiological Society of North America (RSNA)

研究團(tuán)隊(duì)采用功能性磁共振成像，對(duì)60名健康男性足球迷進(jìn)行了掃描。參與者在掃描期間觀看了包含其主隊(duì)、宿敵及中立球隊(duì)的比賽進(jìn)球片段。研究結(jié)果顯示，當(dāng)球迷目睹自己的主隊(duì)?wèi)?zhàn)勝宿敵時(shí)，大腦中與獎(jiǎng)賞和愉悅感相關(guān)的區(qū)域，如腹側(cè)紋狀體（ventral striatum），被顯著激活，這強(qiáng)化了他們的群體歸屬感和社會(huì)認(rèn)同。相反，當(dāng)球隊(duì)被宿敵擊敗時(shí)，負(fù)責(zé)認(rèn)知控制和決策的關(guān)鍵腦區(qū)——背側(cè)前扣帶回皮層（dorsal anterior cingulate cortex, dACC）的活動(dòng)卻出現(xiàn)矛盾性的抑制。這種控制能力的下降，可能正是導(dǎo)致球迷在遭遇重大失敗時(shí)表現(xiàn)出非理性甚至攻擊性行為的神經(jīng)基礎(chǔ)。研究者指出，這種神經(jīng)反應(yīng)模式在生命早期就已形成，并可能延伸到體育之外的政治狂熱等領(lǐng)域。研究發(fā)表在 Radiology 上。

閱讀更多：

Zamorano, Francisco, et al. “Brain Mechanisms across the Spectrum of Engagement in Football Fans: A Functional Neuroimaging Study.” Radiology, vol. 317, no. 2, Nov. 2025, p. e242595. pubs.rsna.org (Atypon), https://doi.org/10.1148/radiol.242595

AI 行業(yè)動(dòng)態(tài)

扎克伯格夫婦千億豪賭AI+生物學(xué)，誓言在本世紀(jì)末根治所有疾病

隨著 Meta 股價(jià)飆升，Mark Zuckerberg 和 Priscilla Chan 夫婦旗下的慈善機(jī)構(gòu) CZI (Chan Zuckerberg Initiative，陳-扎克伯格倡議) 承諾投入的資金已從最初的 450 億美元增長(zhǎng)至超過(guò) 2000 億美元。CZI 正在進(jìn)行戰(zhàn)略重心調(diào)整，幾乎停止了所有非科學(xué)領(lǐng)域的資助，并將原定目標(biāo)“在本世紀(jì)末治愈、預(yù)防或管理所有疾病”升級(jí)為更具雄心的“在本世紀(jì)末治愈、預(yù)防所有疾病”。為實(shí)現(xiàn)這一目標(biāo)，CZI 宣布在接下來(lái)的十年將對(duì)基礎(chǔ)科學(xué)研究的投入增加一倍以上，達(dá)到至少 100 億美元，年度投入規(guī)模已與霍華德·休斯醫(yī)學(xué)研究所（HHMI）等老牌生物醫(yī)學(xué)慈善巨頭相當(dāng)。研究人員指出，此次投入的重點(diǎn)在于加大對(duì) AI 與生物學(xué)結(jié)合領(lǐng)域的押注，旨在利用尖端人工智能技術(shù)大幅加速新療法的探索，推動(dòng)醫(yī)學(xué)前沿發(fā)展。

CZI 對(duì) AI 的加碼主要體現(xiàn)在兩個(gè)方面：人才引進(jìn)和核心項(xiàng)目構(gòu)建。CZI 旗下的非盈利機(jī)構(gòu)科研機(jī)構(gòu) Biohub（CZI 整合旗下的三個(gè)實(shí)驗(yàn)室和成像中心重新設(shè)立的科研機(jī)構(gòu)）已收購(gòu)了 EvolutionaryScale 公司，并任命該公司創(chuàng)始人、麻省理工學(xué)院/哈佛大學(xué)博德研究所（Broad Institute of MIT and Harvard）的計(jì)算機(jī)科學(xué)家 Alex Rives 為科學(xué)主管。Alex Rives 曾在 Meta 基礎(chǔ)人工智能研究實(shí)驗(yàn)室領(lǐng)導(dǎo)開(kāi)發(fā)了蛋白質(zhì)語(yǔ)言模型，其團(tuán)隊(duì)后創(chuàng)立 EvolutionaryScale 并推出了 ESM-3（EvolutionaryScale Model 3，第一個(gè)同時(shí)對(duì)蛋白質(zhì)的序列、結(jié)構(gòu)和功能進(jìn)行推理的生成式人工智能模型）。重組后的 Biohub 將由 Alex Rives 領(lǐng)導(dǎo)，致力于構(gòu)建一個(gè)通用的虛擬細(xì)胞模型。此外，CZI 在一份預(yù)印本論文中闡述了一項(xiàng)重大 AI 計(jì)劃，目標(biāo)是構(gòu)建人類免疫系統(tǒng)虛擬模型，推動(dòng)免疫學(xué)從描述性科學(xué)向能夠動(dòng)態(tài)模擬和干預(yù)的預(yù)測(cè)性工程化科學(xué)轉(zhuǎn)變。研究人員將其稱為“第三次免疫學(xué)革命”，核心是“預(yù)測(cè)免疫學(xué)循環(huán)”（Predictive Immunology Loop），旨在通過(guò)融合大規(guī)模因果實(shí)驗(yàn)數(shù)據(jù)與生成式 AI 模型，最終構(gòu)建出具有如物理學(xué)“標(biāo)準(zhǔn)模型”般解釋力的“虛擬免疫系統(tǒng)”。

+Biology

閱讀更多：

https://arxiv.org/abs/2511.03041

AI制藥獨(dú)角獸Iambic再獲超1億美元融資，攜手Jazz攻克HER2難治性癌癥

AI 制藥公司 Iambic Therapeutics 近期宣布完成一輪超額認(rèn)購(gòu)融資，金額超過(guò) 1 億美元。此次融資陣容強(qiáng)大，包括紅杉、雷杰納榮投資（Regeneron Ventures）和卡塔爾投資局等知名機(jī)構(gòu)的新老投資者共同支持，顯示出資本市場(chǎng)對(duì)其技術(shù)平臺(tái)的高度認(rèn)可。這筆新資金將主要用于加速其由 AI 驅(qū)動(dòng)的治療管線（Pipeline，即正在研發(fā)中的藥物項(xiàng)目）進(jìn)入臨床階段，重點(diǎn)是 KIF18A 和 CDK2/4 項(xiàng)目，并尋求更多的商業(yè)合作。Iambic 聯(lián)合創(chuàng)始人兼首席執(zhí)行官 Tom Miller 博士強(qiáng)調(diào)，此次融資是對(duì)團(tuán)隊(duì)卓越工作的肯定，并期待繼續(xù)推動(dòng)臨床進(jìn)展。

該公司的核心競(jìng)爭(zhēng)力在于其 AI 藥物發(fā)現(xiàn)平臺(tái)，該平臺(tái)能夠利用蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)模型 NeuralPLexer 快速預(yù)測(cè)藥物分子與靶點(diǎn)蛋白質(zhì)的結(jié)合方式，并智能設(shè)計(jì)出更優(yōu)、更安全的候選藥物分子，從而大幅縮短臨床前研究時(shí)間。該平臺(tái)首個(gè)成功范例是主打候選藥物 IAM1363，這款能穿透血腦屏障的 HER2 小分子酪氨酸激酶抑制劑（Tyrosine Kinase Inhibitor, TKI，一類阻斷特定信號(hào)通路的小分子抗癌藥）近期在歐洲腫瘤內(nèi)科學(xué)會(huì)（ESMO）年會(huì)上公布了早期臨床數(shù)據(jù)，顯示出在對(duì)現(xiàn)有療法耐藥的多種癌癥中具有抗腫瘤活性?；谶@一亮眼表現(xiàn)，Iambic 上個(gè)月與制藥巨頭 Jazz Therapeutics 達(dá)成合作，共同研究 IAM1363 與其 HER2 靶向雙特異性抗體 Ziihera 的聯(lián)合療法，旨在挑戰(zhàn)難治性 HER2 陽(yáng)性乳腺癌。這標(biāo)志著 Iambic 正加速?gòu)募夹g(shù)平臺(tái)公司轉(zhuǎn)型為擁有多條臨床管線、具備強(qiáng)大商業(yè)化潛力的生物制藥公司，預(yù)示著 AI 制藥正逐步進(jìn)入收獲期。

閱讀更多：

https://www.fiercebiotech.com/biotech/busy-ai-driven-iambic-therapeutics-raises-over-100m-oversubscribed-funding-round

AI驅(qū)動(dòng)生物科技革命：Debut Biotech將20年護(hù)膚品研發(fā)周期縮短至10個(gè)月

Debut Biotech 是一家專注于利用先進(jìn)生物技術(shù)和人工智能加速皮膚健康領(lǐng)域新成分發(fā)現(xiàn)的公司。有別于傳統(tǒng)生物科技公司僅注重技術(shù)橫向發(fā)展，Debut 致力于將前沿研究成果快速商業(yè)化并推向市場(chǎng)，目前已與 Image Skincare 等品牌合作，其最新成果將于明年上市。公司開(kāi)發(fā)了醫(yī)藥級(jí)、基于基因組學(xué)的 AI 技術(shù)平臺(tái) BeautyORB?，顯著加速了新成分的研發(fā)流程。研究人員指出，借助 AI 的強(qiáng)大能力，他們能夠以前所未有的速度和效率篩選超過(guò) 500 億種潛在成分。這一突破性技術(shù)將原本需要 20 年才能通過(guò)傳統(tǒng)方法完成的分子篩選和發(fā)現(xiàn)工作，壓縮至短短 10 個(gè)月左右的計(jì)算即可實(shí)現(xiàn)，成功發(fā)現(xiàn)了新的分子途徑，并創(chuàng)造出高性能的護(hù)膚配方。

BeautyORB? 平臺(tái)的核心在于其 AI/ML模型，這些模型從專有的大規(guī)模功能基因組學(xué)數(shù)據(jù)中學(xué)習(xí)，能夠預(yù)測(cè)新分子對(duì)基因表達(dá)特征的影響，從而創(chuàng)建出具有靶向功效的成分。該平臺(tái)依賴于高通量 RNA 測(cè)序平臺(tái)，能夠在自動(dòng)化、受控的生物相關(guān)細(xì)胞培養(yǎng)模型中，測(cè)試小分子對(duì)多達(dá) 30,000 個(gè)人類基因的響應(yīng)。此外，BeautyORB? 還集成了定量結(jié)構(gòu)活性關(guān)系（QSAR，Quantitative Structure-Activity Relationship，一種僅基于分子結(jié)構(gòu)預(yù)測(cè)其生物活性的模型）模型，使得平臺(tái)能夠快速?gòu)臄?shù)十億個(gè)可合成的小分子集合中發(fā)現(xiàn)生物活性物質(zhì)。在制造環(huán)節(jié)，Debut 科學(xué)家利用工程化微生物菌株（如酵母或細(xì)菌）和優(yōu)化酶，通過(guò)迭代的設(shè)計(jì)-構(gòu)建-測(cè)試-學(xué)習(xí)（DBTL，Design-Build-Test-Learn）循環(huán)，在無(wú)細(xì)胞反應(yīng)中高效生產(chǎn)高性能分子，降低了下一代成分的生產(chǎn)成本，標(biāo)志著 AI 與生物技術(shù)正從傳統(tǒng)的制藥實(shí)驗(yàn)室走向更貼近大眾生活的消費(fèi)領(lǐng)域。

閱讀更多：

https://www.cnbc.com/2025/10/29/debut-biotech-image-skincare.html

圖靈獎(jiǎng)得主Yann LeCun告別Meta，傳將創(chuàng)立新公司

據(jù)《金融時(shí)報(bào)》援引知情人士報(bào)道，Meta 首席人工智能研究人員Yann LeCun 計(jì)劃離開(kāi)公司，并正就籌集資金進(jìn)行早期洽談，以創(chuàng)辦自己的初創(chuàng)公司。這一消息緊隨 PyTorch 之父 Soumith Chintala 宣布離職數(shù)天后傳來(lái)，雖然突然但并不令人意外。LeCun 的離開(kāi)反映了 Meta 內(nèi)部在 AI 戰(zhàn)略上的巨大動(dòng)蕩和新舊沖突。自今年 6 月 Mark Zuckerberg斥資收購(gòu) Scale AI 并任命 Alexandr Wang領(lǐng)導(dǎo)超級(jí)智能實(shí)驗(yàn)室以來(lái)，Meta 內(nèi)部進(jìn)行了大刀闊斧的調(diào)整和裁員，十月底裁減了大約 600 個(gè)職位，波及到 FAIR（Facebook AI Research，臉書人工智能研究院）等多個(gè)團(tuán)隊(duì)。這種內(nèi)部矛盾和對(duì)學(xué)術(shù)自由的限制，使得這位堅(jiān)持開(kāi)放研究模式的圖靈獎(jiǎng)得主感到尷尬，并最終選擇了離開(kāi)。

Yann LeCun 在 Meta 的歷史始于 2013 年，當(dāng)時(shí) Mark Zuckerberg 親自邀請(qǐng)他加入，并同意了 LeCun 堅(jiān)持的條件：FAIR 必須采用開(kāi)放的研究模式，像學(xué)術(shù)界一樣公開(kāi)發(fā)表論文，這對(duì)于吸引和留住頂尖人才至關(guān)重要。此后，F(xiàn)AIR 為 Meta 提供了核心技術(shù)和開(kāi)源工具（如 PyTorch），并在大模型競(jìng)爭(zhēng)初期，憑借其 Llama 系列模型確立了 Meta 在開(kāi)放人工智能生態(tài)中的獨(dú)特地位。然而，在如今競(jìng)爭(zhēng)日益殘酷的環(huán)境下，隨著 Meta 對(duì) FAIR 實(shí)驗(yàn)室施加鎖緊論文發(fā)表的新政策，以及內(nèi)部組織文化的混亂，F(xiàn)AIR 早期所代表的“理想主義”正在退潮。研究人員認(rèn)為，正是這種學(xué)術(shù)自由受限的環(huán)境，加速了 LeCun 的辭職意愿。目前，LeCun 尚未正式離職，但他即將開(kāi)啟的創(chuàng)業(yè)新征程，無(wú)疑將為人工智能領(lǐng)域帶來(lái)新的期待。

閱讀更多：

https://www.ft.com/content/c586eb77-a16e-4363-ab0b-e877898b70de

AI 驅(qū)動(dòng)科學(xué)

拓?fù)涓兄疃葘W(xué)習(xí)模型增強(qiáng)了基于腦電圖的運(yùn)動(dòng)想象解碼能力

解碼大腦中的運(yùn)動(dòng)想象（MI）信號(hào)是腦機(jī)接口技術(shù)的關(guān)鍵，但信號(hào)的低信噪比和復(fù)雜性使其極具挑戰(zhàn)。為解決此問(wèn)題，日本千葉大學(xué)的 Chaowen Shen 和 Akio Namiki 提出了一種創(chuàng)新的拓?fù)涓兄喑叨忍卣魅诤希═A-MFF）網(wǎng)絡(luò)，通過(guò)深度整合腦電信號(hào)的多維度信息，顯著提升了解碼的準(zhǔn)確性和魯棒性。

傳統(tǒng)深度學(xué)習(xí)模型在處理運(yùn)動(dòng)想象腦電圖（MI-EEG）信號(hào)時(shí)，常忽略頻譜與拓?fù)涮卣鏖g的深層依賴。為此，研究團(tuán)隊(duì)構(gòu)建了拓?fù)涓兄喑叨忍卣魅诤暇W(wǎng)絡(luò)（TA-MFF network），該網(wǎng)絡(luò)包含一個(gè)時(shí)空網(wǎng)絡(luò)（ST-Net）和一個(gè)頻譜網(wǎng)絡(luò)（S-Net）。其核心創(chuàng)新在于三個(gè)新模塊的協(xié)同工作：首先，頻譜拓?fù)鋽?shù)據(jù)分析處理（S-TDA-P）模塊利用持久同調(diào)（persistent homology，一種分析數(shù)據(jù)拓?fù)浣Y(jié)構(gòu)的數(shù)學(xué)工具）來(lái)捕捉電極之間穩(wěn)定、深層的空間關(guān)系。同時(shí)，跨頻譜遞歸注意力（ISRA）模塊對(duì)不同頻段間的相關(guān)性進(jìn)行建模，自適應(yīng)地增強(qiáng)關(guān)鍵頻譜特征。最后，創(chuàng)新的頻譜拓?fù)渑c時(shí)空特征融合（SS-FF）單元采用兩步式策略，先融合拓?fù)渑c頻譜信息，再將其與時(shí)空特征整合，從而有效捕捉跨域依賴。在BCIC-IV-2a等三個(gè)公開(kāi)數(shù)據(jù)集上的測(cè)試表明，該模型的分類準(zhǔn)確率分別達(dá)到85.87%、90.2%和80.5%，全面超越了現(xiàn)有先進(jìn)方法，為開(kāi)發(fā)更精確、魯棒的腦機(jī)接口應(yīng)用奠定了基礎(chǔ)。研究發(fā)表在 Knowledge-Based Systems 上。

閱讀更多：

Shen, Chaowen, and Akio Namiki. “A Topology-Aware Multiscale Feature Fusion Network for EEG-Based Motor Imagery Decoding.” Knowledge-Based Systems, vol. 330, Nov. 2025, p. 114540. ScienceDirect, https://doi.org/10.1016/j.knosys.2025.114540

AI大腦新圖譜：記憶與推理功能分離，可精準(zhǔn)“編輯”記憶

大型AI模型如何區(qū)分記憶與推理？長(zhǎng)期以來(lái)，這兩種核心功能的內(nèi)部機(jī)制尚不明確。為了繪制AI的“大腦”圖譜，初創(chuàng)公司Goodfire.ai的研究人員Jack Merullo、Srihita Vatsavaya等人進(jìn)行了一項(xiàng)研究，他們成功證明AI的記憶和推理能力位于其內(nèi)部架構(gòu)的不同部分，并開(kāi)發(fā)出一種可以精準(zhǔn)“編輯”模型記憶的方法。

?我們的方法概述。我們從訓(xùn)練數(shù)據(jù)樣本中收集激活值和梯度（a），這使我們能夠使用 K-FAC 近似權(quán)重矩陣的損失曲率（b）。我們將這些權(quán)重矩陣分解為分量（每個(gè)分量的大小與矩陣相同），并按曲率從高到低排序。在語(yǔ)言模型中，我們展示了來(lái)自不同任務(wù)的數(shù)據(jù)與分量譜的不同部分之間的交互方式不同（c）。Credit: arXiv (2025).

研究團(tuán)隊(duì)使用一種名為K-FAC（克羅內(nèi)克因子近似曲率）的數(shù)學(xué)技術(shù)，分析了Transformer模型的內(nèi)部權(quán)重。他們發(fā)現(xiàn)，模型權(quán)重可以根據(jù)損失曲率（loss curvature）分解為不同部分：負(fù)責(zé)機(jī)械記憶（rote memorization）的部分呈現(xiàn)出較低的曲率，而負(fù)責(zé)通用推理的部分則具有較高的曲率?；诖?，研究人員進(jìn)行了一項(xiàng)“剪枝”實(shí)驗(yàn)，即選擇性地關(guān)閉與記憶相關(guān)的低曲率組件。結(jié)果顯示，模型的通用邏輯推理能力幾乎不受影響，但其算術(shù)運(yùn)算和回憶孤立事實(shí)等依賴記憶的能力卻大幅下降。這一發(fā)現(xiàn)證實(shí)了記憶與推理在模型內(nèi)部是物理分離的，為精準(zhǔn)移除AI中的有害記憶（如隱私數(shù)據(jù)或偏見(jiàn)內(nèi)容）提供了可能，而不會(huì)損害其核心智能。

閱讀更多：

Merullo, Jack, et al. “From Memorization to Reasoning in the Spectrum of Loss Curvature.” arXiv:2510.24256, arXiv, 3 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.24256

“讀心”的秘密：大語(yǔ)言模型如何通過(guò)極稀疏參數(shù)編碼心智理論

大型語(yǔ)言模型如何像人類一樣理解他人想法？針對(duì)這一問(wèn)題，史蒂文斯理工學(xué)院的Zhaozhuo Xu、Denghui Zhang及其合作者們，從模型的內(nèi)部機(jī)制出發(fā)，揭示了LLM實(shí)現(xiàn)“心智理論”能力的關(guān)鍵。他們發(fā)現(xiàn)，這種復(fù)雜的社會(huì)推理能力并非依賴整個(gè)龐大的神經(jīng)網(wǎng)絡(luò)，而是由一個(gè)極度稀疏的參數(shù)子集所編碼。

?這是一個(gè)心智理論（ToM）任務(wù)。在問(wèn)題 (a) 中，邏輯學(xué)習(xí)模型（LLM）應(yīng)在空格處填寫“爆米花”。在問(wèn)題 (b) 中，空格處應(yīng)填寫“巧克力”。Credit: npj Artificial Intelligence (2025).

研究團(tuán)隊(duì)首先提出了一種新穎的方法，用于精確定位LLM中對(duì)心智理論（Theory of Mind，簡(jiǎn)稱ToM，即推斷他人心理狀態(tài)的能力）敏感的參數(shù)。令人驚訝的是，即使只擾動(dòng)這些參數(shù)中不到0.001%的部分，模型的ToM性能就會(huì)急劇下降。這表明LLM的社會(huì)推理能力集中在這些極少數(shù)的關(guān)鍵連接上，這與人腦處理類似任務(wù)時(shí)的高效節(jié)能模式有相似之處。進(jìn)一步的機(jī)制分析發(fā)現(xiàn)，這些“ToM敏感參數(shù)”與模型的位置編碼模塊，特別是旋轉(zhuǎn)位置嵌入（Rotary Position Embedding，一種追蹤詞語(yǔ)位置和關(guān)系的技術(shù)）緊密相連。當(dāng)這些參數(shù)被擾動(dòng)時(shí)，模型處理上下文信息的核心頻率激活會(huì)遭到破壞，進(jìn)而影響其注意力機(jī)制，改變了模型內(nèi)部對(duì)信息的關(guān)注方式，最終損害了其形成連貫語(yǔ)義表征和進(jìn)行社會(huì)推理的能力。這項(xiàng)研究為理解AI的“思維”過(guò)程提供了新視角，也為開(kāi)發(fā)更高效、更可解釋的AI系統(tǒng)指明了方向。研究發(fā)表在 npj Artificial Intelligence 上。

閱讀更多：

Wu, Yuheng, et al. “How Large Language Models Encode Theory-of-Mind: A Study on Sparse Parameter Patterns.” Npj Artificial Intelligence, vol. 1, no. 1, Aug. 2025, p. 20. www.nature.com, https://doi.org/10.1038/s44387-025-00031-9

AI假臉?lè)啦粍俜溃垦芯堪l(fā)現(xiàn)五分鐘訓(xùn)練即可擦亮雙眼

隨著人工智能生成的面孔日益逼真并帶來(lái)安全隱患，人類的識(shí)別能力面臨嚴(yán)峻挑戰(zhàn)。為解決此問(wèn)題，來(lái)自雷丁大學(xué)、格林威治大學(xué)、利茲大學(xué)和林肯大學(xué)的 Katie L. H. Gray 等人進(jìn)行研究，發(fā)現(xiàn)僅需五分鐘的針對(duì)性訓(xùn)練，即可顯著提升普通人乃至“超級(jí)識(shí)別者”（super-recognizers）辨別AI假臉的準(zhǔn)確率。

?參與者被要求辨別真人面孔和合成面孔。上面兩行是人工智能生成的面孔，下面兩行是真實(shí)面孔。Credit: Dr. Katie Gray

研究團(tuán)隊(duì)招募了664名參與者，并使用先進(jìn)AI軟件StyleGAN3生成的面孔進(jìn)行測(cè)試。結(jié)果顯示，在未經(jīng)訓(xùn)練時(shí)，所有人都難以分辨真假，即便是人臉識(shí)別能力超群的超級(jí)識(shí)別者，其正確識(shí)別假臉的準(zhǔn)確率也僅為41%，而普通參與者更是只有31%，均低于隨機(jī)猜測(cè)水平（50%）。然而，在接受了一項(xiàng)僅五分鐘的簡(jiǎn)短訓(xùn)練后（該訓(xùn)練重點(diǎn)指出了常見(jiàn)的計(jì)算機(jī)渲染錯(cuò)誤，如不尋常的發(fā)型或牙齒數(shù)量），參與者的表現(xiàn)得到顯著改善。超級(jí)識(shí)別者的準(zhǔn)確率躍升至64%，普通參與者的準(zhǔn)確率也達(dá)到了51%。有趣的是，訓(xùn)練對(duì)兩組人的提升效果幅度相當(dāng)，這暗示超級(jí)識(shí)別者可能并非簡(jiǎn)單地更擅長(zhǎng)發(fā)現(xiàn)渲染瑕疵，而是利用了其他更深層次的視覺(jué)線索來(lái)完成識(shí)別。研究發(fā)表在 Royal Society Open Science 上。

閱讀更多：

Gray, Katie L. H., et al. “Training Human Super-Recognizers’ Detection and Discrimination of AI-Generated Faces.” Royal Society Open Science, vol. 12, no. 11, Nov. 2025, p. 250921. royalsocietypublishing.org (Atypon), https://doi.org/10.1098/rsos.250921

微小的數(shù)字摩擦可以減緩虛假信息的傳播

社交媒體平臺(tái)使得高參與度但低質(zhì)量?jī)?nèi)容以前所未有的速度泛濫，對(duì)社會(huì)信任構(gòu)成威脅。為探索遏制虛假信息傳播的有效策略，哥本哈根大學(xué)的博士生 Laura Jahn、Professor Vincent F. Hendricks, 以及 Rasmus K. Rendsvig, Alessandro Flammini, Filippo Menczer 等研究人員提出，通過(guò)行為設(shè)計(jì)引入“數(shù)字摩擦”來(lái)改善網(wǎng)絡(luò)信息質(zhì)量。

研究團(tuán)隊(duì)利用基于代理模型（Agent-Based Model, ABM）進(jìn)行了概念驗(yàn)證模擬，該模型旨在模擬信息在社交媒體（如 X、Bluesky、Mastodon）上的共享行為。研究的核心策略是引入數(shù)字摩擦，即在用戶分享內(nèi)容時(shí)設(shè)置一個(gè)輕微的阻礙，例如彈出一條提示信息，要求用戶在點(diǎn)擊分享前稍作停頓反思。模擬結(jié)果顯示，單獨(dú)的數(shù)字摩擦雖然能夠減少帖子的分享數(shù)量，但并不能提高被分享內(nèi)容的平均質(zhì)量。為了解決這一局限，研究團(tuán)隊(duì)在摩擦環(huán)節(jié)中加入了“質(zhì)量識(shí)別學(xué)習(xí)”（quality-recognition learning）組件，例如一個(gè)詢問(wèn)用戶關(guān)于平臺(tái)社區(qū)規(guī)范的簡(jiǎn)短測(cè)試。模型結(jié)果表明，當(dāng)少量的數(shù)字摩擦與學(xué)習(xí)元素相結(jié)合時(shí)，分享帖子的平均質(zhì)量顯著提高。研究人員總結(jié)道，這種結(jié)合學(xué)習(xí)的摩擦干預(yù)措施，是一種有效且對(duì)用戶干擾最小（minimally invasive）的方式，可以啟發(fā)科技巨頭們?cè)诖驌籼摷傩畔⒎矫孢M(jìn)行創(chuàng)新思考。研究發(fā)表在 npj Complexity 上。

閱讀更多：

Jahn, Laura, et al. “A Perspective on Friction Interventions to Curb the Spread of Misinformation.” Npj Complexity, vol. 2, no. 1, Nov. 2025, p. 31. www.nature.com, https://doi.org/10.1038/s44260-025-00051-1

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。

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(jiǎng)勵(lì)計(jì)劃、、、科普視頻媒體「大圓鏡」等。