█ 腦科學動態(tài)

Nature：為何我們會高估來之不易的事物？

Nature：百種基因突變如何導致相同的自閉癥癥狀？

Nature：剔除幻覺副作用，開發(fā)新型快速抗抑郁藥

新型化合物Mic-628可重置生物鐘緩解時差反應

銅和鉛等重金屬暴露顯著增加兒童ADHD風險

壓力讓你“嘴里發(fā)苦”，皮質醇激活味覺受體機制

大腦隱藏回路是將急性疼痛轉化為慢性疼痛的關鍵

五十年數(shù)據(jù)揭示劣勢社區(qū)如何通過焦慮催人老

老年人在現(xiàn)實情境中解讀情緒的能力優(yōu)于年輕人

█ AI行業(yè)動態(tài)

中國團隊領跑太空算力競賽，2800顆衛(wèi)星構建“星際大腦”

AlphaGenome登Nature封面，AI解鎖98%基因組“暗物質”

Neuralink受試者達 21人，意念打字速度超越常人

█ AI驅動科學

Nature：Emu3僅靠“下一個token預測”統(tǒng)一多模態(tài)學習

深度學習系統(tǒng)軟件 VibeTensor：由 AI 代理完全生成的里程碑

AlphaGenome：谷歌DeepMind發(fā)布AI模型精準預測基因調控

貼上“人類”標簽后，AI在深度對話中帶來的親密感超越真人

Polymathic AI 發(fā)布首個跨領域物理基礎模型

新型AI代理框架：將人類專家知識“編碼”進大模型

多智能體強化學習中的通信策略：沒有萬能鑰匙

腦科學動態(tài)

Nature：為何我們會高估來之不易的事物？

為什么我們會因為排了長隊而覺得奶茶更好喝？這種“沉沒成本”現(xiàn)象背后的神經機制一直是個謎。Neir Eshel、Robert C. Malenka及Gavin C. Touponse等（斯坦福大學醫(yī)學中心）通過小鼠實驗揭示了其中的奧秘。他們發(fā)現(xiàn)，大腦并非客觀地衡量獎勵，而是根據(jù)獲取獎勵所付出的努力來調節(jié)快感，這一過程涉及特定的神經化學物質相互作用。

在這項研究中，研究團隊設計了一系列精巧的實驗，要求小鼠通過不同程度的努力（如鼻觸特定次數(shù)或承受輕微電擊）來獲得糖水或直接的大腦獎賞刺激。研究人員利用先進的GRAB DA傳感器實時監(jiān)測小鼠大腦伏隔核中的多巴胺水平。結果顯示，對于完全相同的獎勵，如果小鼠為其付出的“成本”越高，在獲得獎勵瞬間釋放的多巴胺就越多。進一步的機制研究發(fā)現(xiàn)，這一現(xiàn)象的關鍵在于乙酰膽堿。當小鼠進行高強度努力時，伏隔核內的局部神經元會釋放乙酰膽堿，這些乙酰膽堿分子會像“放大器”一樣結合在多巴胺神經元的末梢，從而增強多巴胺的釋放。這一發(fā)現(xiàn)不僅解釋了為什么我們會高估那些來之不易的東西，也為理解動機、成癮及相關精神疾病提供了新的神經生物學基礎。研究發(fā)表在 Nature 上。

#神經科學 #神經機制與腦功能解析 #沉沒成本 #多巴胺 #乙酰膽堿

閱讀更多：

Touponse, Gavin C., et al. “Cholinergic Modulation of Dopamine Release Drives Effortful Behaviour.” Nature, Jan. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-025-10046-6

Nature：百種基因突變如何導致相同的自閉癥癥狀？

為何成百上千種不同的基因突變會導致相似的自閉癥癥狀？來自加州大學洛杉磯分校的Daniel H. Geschwind和斯坦福大學的Sergiu P. Pasca等研究人員合作，繪制了一張展示八種不同基因突變如何影響早期大腦發(fā)育的綜合圖譜。研究團隊通過對比分析發(fā)現(xiàn)，盡管起始的遺傳路徑不同，但這些突變最終殊途同歸，匯聚于共同的分子通路，這為理解自閉癥的高度遺傳異質性與共同癥狀之間的聯(lián)系提供了關鍵證據(jù)。

為了克服直接研究人類胎兒大腦發(fā)育的困難，研究團隊利用人類誘導多能干細胞培育出了人類皮質類器官（human cortical organoids，在實驗室培養(yǎng)的模擬大腦結構的三維細胞簇）。研究涵蓋了8種特定的自閉癥相關突變及特發(fā)性自閉癥病例。通過對這些類器官進行長達100天的RNA測序監(jiān)測，團隊發(fā)現(xiàn)，在發(fā)育早期，不同突變呈現(xiàn)出獨特的分子特征；但隨著時間推移，它們逐漸影響重疊的生物學過程，特別是涉及神經元成熟和突觸形成的通路。研究還識別出一個關鍵的調控網(wǎng)絡，涉及染色質重塑，并通過CRISPR技術驗證了該網(wǎng)絡在驅動下游基因表達變化中的核心作用。相比之下，特發(fā)性自閉癥組未顯示出這種一致性，突顯了其更復雜的遺傳結構。研究發(fā)表在 Nature 上。

#疾病與健康 #神經機制與腦功能解析 #自閉癥 #類器官 #基因突變

閱讀更多：

Gordon, Aaron, et al. “Developmental Convergence and Divergence in Human Stem Cell Models of Autism.” Nature, Jan. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41586-025-10047-5

Nature：剔除幻覺副作用，開發(fā)新型快速抗抑郁藥

針對抑郁癥治療中現(xiàn)有藥物起效慢、應答率低以及致幻劑療法副作用大的難題，四川大學華西醫(yī)院的邵振華、顏微與中國科學院長春應用化學研究所的王曉輝、華中科技大學的劉劍峰及四川大學華西醫(yī)院的楊勝勇等團隊合作，系統(tǒng)解析了致幻劑的作用機制并開發(fā)了新型候選藥物。研究團隊發(fā)現(xiàn)5-羥色胺2A受體（5-HT2AR）介導的特定信號通路是導致幻覺的關鍵，通過分離該通路，他們成功設計出一種新型化合物，既保留了致幻劑快速、長效的抗抑郁潛能，又剔除了致幻副作用。

該研究綜合運用了細胞藥理學、動物行為學以及冷凍電鏡（Cryo-EM）技術。研究人員解析了5-HT2AR與下游信號蛋白復合物的5種高分辨率結構，并對比了致幻劑與非致幻類似物的藥理特征。結果顛覆了傳統(tǒng)認知，發(fā)現(xiàn)致幻劑誘導的幻覺實際上依賴于5-HT2AR介導的非經典Gi信號通路（Gi signaling），而抗抑郁和抗焦慮的治療效應則主要由Gq信號通路驅動?；谶@一“療效-致幻分離”的新機制，團隊理性設計并合成了具有Gq偏向性的新型先導化合物DOI-NBOMe。在小鼠模型實驗中，該化合物展現(xiàn)出良好的血腦屏障透過性，不僅能快速且持久地發(fā)揮抗抑郁作用，而且完全沒有表現(xiàn)出致幻相關的行為特征。研究發(fā)表在 Nature 上。

#疾病與健康 #神經機制與腦功能解析 #心理健康與精神疾病 #藥物開發(fā) #結構生物學

閱讀更多：

Xu, Zheng, et al. “Psychedelics Elicit Their Effects by 5-HT2A Receptor-Mediated Gi Signalling.” Nature, Jan. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-025-10061-7

新型化合物Mic-628可重置生物鐘緩解時差反應

如何有效緩解跨時區(qū)旅行和夜班工作帶來的生物鐘紊亂？日本Yoshifumi Takahata和Hajime Tei團隊（大阪大學、金澤大學等）發(fā)現(xiàn)了一種名為Mic-628的新型口服化合物。該化合物能夠不受服藥時間限制，特異性地將哺乳動物的生物鐘提前，從而顯著加速從時差反應中的恢復過程。

? Credit: Yoshifumi Takahata

研究團隊首先在小鼠模型中進行了模擬時差實驗，通過口服給予Mic-628，發(fā)現(xiàn)單次給藥可使小鼠適應新晝夜節(jié)律的時間從7天縮短至4天。進一步的質譜分析和分子實驗表明，Mic-628的作用機制并非簡單的光照模擬，而是直接在分子層面起作用。它能與抑制蛋白CRY1（一種核心生物鐘抑制蛋白）結合，進而促進形成特定的蛋白復合物，通過特異性結合DNA上的雙E-box元件（dual E-box，指一段特定的基因轉錄調控序列），強烈激活生物鐘基因Per1的表達。這種激活作用使得大腦視交叉上核的中樞生物鐘和肺等外周生物鐘同步提前。結合數(shù)學建模分析，這種單向且穩(wěn)定的相位推進效應由PER1蛋白自身的負反饋回路介導，從而確保了藥效不受給藥時間的影響。該研究為治療晝夜節(jié)律紊亂提供了新的藥理學策略，相關研究發(fā)表在 PNAS 上。

#疾病與健康 #神經機制與腦功能解析 #生物鐘 #時差反應 #Per1基因

閱讀更多：

Takahata, Yoshifumi, et al. “A Period1 Inducer Specifically Advances Circadian Clock in Mice.” Proceedings of the National Academy of Sciences, vol. 123, no. 4, Jan. 2026, p. e2509943123. pnas.org (Atypon), https://doi.org/10.1073/pnas.2509943123

銅和鉛等重金屬暴露顯著增加兒童ADHD風險

環(huán)境毒素如何潛移默化地影響兒童的大腦發(fā)育？來自羅維拉-維爾吉利大學的Sharanpreet Kaur和Fina Canals等研究人員深入探究了這一問題。該團隊通過對比分析兒童體內的重金屬含量與神經心理表現(xiàn)，發(fā)現(xiàn)長期接觸特定重金屬不僅與注意力缺陷多動障礙（ADHD）的高發(fā)病率密切相關，還可能加劇患兒的癥狀表現(xiàn)。

為了量化這種風險，研究團隊選取了205名6至16歲的兒童進行對照研究，其中包括139名依據(jù)《精神疾病診斷與統(tǒng)計手冊第五版》（DSM-5，一套國際通用的精神疾病分類與診斷標準）確診的ADHD患兒。研究人員采集了受試者的尿液樣本，并結合智商、邏輯推理及視覺運動處理速度等認知測試數(shù)據(jù)進行分析。結果令人震驚：體內鉛含量最高的兒童，其ADHD患病風險是其他兒童的5倍；而銅含量的影響更為劇烈，高水平銅暴露與ADHD確診率增加16倍相關。此外，研究還發(fā)現(xiàn)鎘、銻和汞的暴露也與注意力不集中及反應時間不穩(wěn)定等癥狀有關。值得注意的是，ADHD患兒似乎對這些環(huán)境毒素表現(xiàn)出更高的“生物敏感性”，即在同等暴露水平下受到的負面影響更重。研究發(fā)表在 Journal of Attention Disorders 上。

#疾病與健康 #心理健康與精神疾病 #多動癥 #環(huán)境污染 #兒童發(fā)育

閱讀更多：

Kaur, Sharanpreet, et al. “Investigating the Association Between Heavy Metals and Attention Deficit Hyperactivity Disorder in Children: An Exploratory Study.” Journal of Attention Disorders, vol. 29, no. 6, Apr. 2025, pp. 423–36. SAGE Journals, https://doi.org/10.1177/10870547251315276

壓力讓你“嘴里發(fā)苦”，皮質醇激活味覺受體機制

苦味受體不僅僅存在于舌頭上，它們還分布在大腦、心臟和腸道深處，但在這些不接觸食物的地方，它們究竟在“品嘗”什么？Tatjana Lang和Maik Behrens等人（慕尼黑工業(yè)大學萊布尼茨食品系統(tǒng)生物學研究所）進行了一項突破性研究。團隊發(fā)現(xiàn)，某些人類苦味受體實際上對體內的類固醇激素有反應。這一發(fā)現(xiàn)表明，這些受體在生理過程中扮演著此前被低估的角色，不僅是防御毒素的警報器，更是體內激素狀態(tài)的信號傳遞者。

? Credit: Annals of the New York Academy of Sciences (2026).

研究團隊利用細胞測試系統(tǒng)和計算機輔助模擬技術，對19種類固醇激素進行了廣泛的功能測試。結果顯示，苦味受體TAS2R14和TAS2R46能夠識別并響應孕酮、睪酮和氫化可的松等激素，其中TAS2R46最為敏感。值得注意的是，這些受體在懷孕或極端壓力等生理狀態(tài)下出現(xiàn)的激素濃度水平即可被激活。例如，壓力荷爾蒙皮質醇（氫化可的松）在唾液中的濃度可達微摩爾級別，足以激活TAS2R46，這解釋了為何人在壓力大時會感到口中有苦味。此外，研究還發(fā)現(xiàn)約8%的人群攜帶無功能的TAS2R46基因變異，這意味著不同個體對激素引發(fā)的生理反應可能存在顯著差異。這項研究為理解孕期味覺改變、以及激素如何通過受體影響血壓和心臟功能提供了新的視角。研究發(fā)表在 Annals of the New York Academy of Sciences 上。

#疾病與健康 #神經機制與腦功能解析 #苦味受體 #類固醇激素 #內分泌系統(tǒng)

閱讀更多：

Lang, Tatjana, et al. “Steroid Hormones Are Potent and Putatively Endogenous Activators of Human Bitter Taste Receptors.” Annals of the New York Academy of Sciences, n/a, no. n/a. Wiley Online Library, https://doi.org/10.1111/nyas.70172. Accessed 29 Jan. 2026

大腦隱藏回路是將急性疼痛轉化為慢性疼痛的關鍵

為什么身體傷愈后疼痛依然存在？科羅拉多大學博爾德分校的 Linda R. Watkins 和 Jayson B. Ball 團隊通過研究發(fā)現(xiàn)，大腦中一個未被充分研究的區(qū)域隱藏著將暫時性疼痛轉化為慢性疼痛的關鍵“開關”。這項研究利用先進的遺傳學工具，不僅揭示了導致慢性疼痛持續(xù)的特定神經回路，還成功在動物模型中通過“關閉”該回路消除了持續(xù)數(shù)月甚至數(shù)年的疼痛，為開發(fā)非阿片類藥物療法和腦機接口治療提供了新靶點。

在該研究中，團隊聚焦于大腦深處的尾部顆粒島葉皮層（CGIC），并利用化學遺傳學技術和新型熒光蛋白，精準地操控和觀察大鼠大腦中的特定神經元群。研究發(fā)現(xiàn)，CGIC本身對急性疼痛的處理影響甚微，但它通過向體感皮層發(fā)送信號，進而指示脊髓持續(xù)傳遞疼痛信息，是疼痛慢性化的關鍵決策者。實驗結果顯示，當研究人員抑制CGIC到體感皮層的通路時，受損大鼠的慢性疼痛會迅速消失；反之，若在健康大鼠體內激活該通路，則會誘發(fā)異常性疼痛。這一發(fā)現(xiàn)表明，慢性疼痛本質上是大腦的一種“學習”錯誤，通過靶向干預這一回路，未來有望通過微創(chuàng)注射或腦機接口技術，在不產生阿片類藥物副作用的情況下治療人類的嚴重慢性疼痛。研究發(fā)表在 The Journal of Neuroscience 上。

#疾病與健康 #神經機制與腦功能解析 #慢性疼痛 #神經調控 #腦機接口

閱讀更多：

Ball, Jayson B., et al. “Caudal Granular Insular Cortex to Somatosensory Cortex I: A Critical Pathway for the Transition of Acute to Chronic Pain.” Journal of Neuroscience, Dec. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1306-25.2025

五十年數(shù)據(jù)揭示劣勢社區(qū)如何通過焦慮催人老

居住環(huán)境如何潛移默化地改變我們的衰老速度？Christina Kamis（伊利諾伊大學厄巴納-香檳分校）與Wei Xu（威斯康星醫(yī)學院）等人組成的團隊，深入探究了長期社區(qū)環(huán)境劣勢與生物學衰老之間的聯(lián)系。研究發(fā)現(xiàn)，長期的社會經濟劣勢不僅直接加速衰老，還通過增加心理困擾間接產生影響，其中焦慮情緒起到了關鍵的中介作用。

? 累積性鄰里劣勢、總體困擾和加速表觀遺傳衰老之間的關聯(lián)路徑；威斯康星州健康調查 (SHOW) (N=1,448)。注：EAA = 表觀遺傳衰老加速。僅顯示顯著路徑 (p < 0.05)?？傮w困擾以 DASS-21 總分衡量。Credit: The Journals of Gerontology, Series B: Psychological Sciences and Social Sciences (2025).

該研究分析了威斯康星州約1440名居民長達五十年的居住歷史數(shù)據(jù)，結合生物標志物進行路徑分析。為了精確量化生理年齡，研究人員使用了三種不同的表觀遺傳時鐘，這是一種通過分析基因組中DNA甲基化模式來測量個體生物學衰老狀態(tài)的工具，能夠反映比實際年齡更真實的身體老化程度。研究顯示，累積的社區(qū)劣勢與所有三種時鐘測得的加速衰老均呈顯著正相關。具體而言，社區(qū)劣勢每增加一個單位，生物學年齡可能加速約0.2歲。更重要的是，數(shù)據(jù)揭示了心理因素的傳導機制：社區(qū)劣勢導致的總體情緒困擾解釋了約10%至13%的加速衰老效應。在細分抑郁、焦慮和壓力這三個心理維度后，研究團隊發(fā)現(xiàn)焦慮是其中最顯著的中介因素。這意味著，生活在劣勢環(huán)境中的壓力感和焦慮情緒，是環(huán)境因素“刻入”基因并加速身體老化的重要途徑。研究發(fā)表在 The Journals of Gerontology, Series B: Psychological Sciences and Social Sciences 上。

#疾病與健康 #心理健康與精神疾病 #表觀遺傳學 #衰老 #社會決定因素

閱讀更多：

Kamis, Christina, et al. “How Does Life Course Exposure to Contextual Disadvantage Accelerate Biological Aging? The Role of Psychological Symptoms.” The Journals of Gerontology: Series B, vol. 80, no. 12, Dec. 2025, p. gbaf206. Silverchair, https://doi.org/10.1093/geronb/gbaf206

老年人在現(xiàn)實情境中解讀情緒的能力優(yōu)于年輕人

通常人們認為衰老伴隨著認知能力的全面下降，但Louisa Lawrie和Louise H Phillips等人（阿伯丁大學）的一項新研究打破了這一刻板印象。研究團隊發(fā)現(xiàn)，雖然老年人在單純看面部表情時可能不如年輕人敏銳，但在貼近現(xiàn)實生活的復雜社交情境中，他們實際上比年輕人更擅長解讀他人的情緒，這主要歸功于他們豐富的生活經驗。

為了模擬真實世界的互動，研究人員選取了年輕組（17-26歲）和老年組（59-84歲）的參與者，讓他們觀看包含《螺絲在擰緊》等電影場景的視頻片段。與以往使用靜態(tài)照片的研究不同，本研究引入了多模態(tài)刺激。結果顯示，在觀看缺乏背景的無聲片段時，老年人表現(xiàn)較差；然而，一旦加入語音語調、肢體語言和故事情境，老年人的情緒解讀準確率反而超過了年輕人。進一步的實驗表明，如果移除聽覺線索，這種優(yōu)勢就會消失。這說明老年人依賴晶體智力，即利用積累的知識和經驗來整合多種社交線索，從而彌補了流體智力的衰退。這也提示我們，在與老年人溝通時，提供豐富的語境和多樣的溝通方式能有效減少誤解。研究發(fā)表在 Aging, Neuropsychology, and Cognition 上。

#認知科學 #心理健康與精神疾病 #衰老 #情緒感知 #社會交往

閱讀更多：

Lawrie, Louisa, et al. “Aging and Complex Emotion Perception: The Influence of Context and Multimodal Presentation.” Neuropsychology, Development, and Cognition. Section B, Aging, Neuropsychology and Cognition, vol. 32, no. 6, Nov. 2025, pp. 907–25. PubMed, https://doi.org/10.1080/13825585.2025.2548224

AI 行業(yè)動態(tài)

中國團隊領跑太空算力競賽，2800顆衛(wèi)星構建“星際大腦”

全球AI競爭正向太空延伸，中國團隊在這一新興領域展現(xiàn)出強勁的先發(fā)優(yōu)勢。國星宇航（ADASpace）近日發(fā)布全球首個服務硅基智能體的太空算力網(wǎng)，計劃在2035年前部署2800顆衛(wèi)星，構建龐大的太空計算集群。其中2400顆衛(wèi)星將提供推理算力，另外400顆專注于訓練任務。與此同時，美國公司Starcloud利用英偉達芯片在太空運行了開源模型，引發(fā)硅谷關注。然而，兩者技術路徑存在顯著差異：Starcloud目前僅實現(xiàn)了地面預裝模型隨硬件上天的初步驗證，類似于“單機游戲”；而國星宇航已實現(xiàn)突破性進展。據(jù)中國工程院院士王堅介紹，千問大模型Qwen3已成功通過43軌上注，完成了實時在軌部署與推理任務。這種類似于智能手機OTA的“在線”更新能力，標志著中國在太空算力應用上取得了本質性的技術領先。

太空算力之所以成為焦點，源于其在成本、能源和時效性上的巨大潛力。相比地面數(shù)據(jù)中心，太空算力直接利用太陽能，無大氣層削弱且無需占用土地，能顯著降低能耗。此外，其全球覆蓋特性可為Robotaxi等硅基智能體提供低延遲服務，甚至能輔助漁業(yè)等傳統(tǒng)行業(yè)進行實時決策。然而，將數(shù)據(jù)中心搬上太空面臨極高的技術門檻。研究人員必須解決摩爾定律下芯片快速迭代與衛(wèi)星長周期建設之間的矛盾，需建立在軌硬件更替機制或軟件優(yōu)化手段。同時，太空真空環(huán)境下的散熱難題以及高能粒子對精密芯片的輻射干擾，都對熱管理和安全冗余提出了嚴苛要求。盡管挑戰(zhàn)重重，中國團隊通過“太空算力+開源大模型”的軟硬一體化方案，已確立了在物理AI浪潮中的領先地位。

#太空算力 #國星宇航 #Qwen3 #硅基智能體 #王堅

閱讀更多：

https://36kr.com/p/3658492764283528

谷歌DeepMind發(fā)布AlphaGenome登Nature封面，AI解鎖98%基因組“暗物質”

谷歌 DeepMind 團隊研發(fā)的全新 AI 模型 AlphaGenome 近日榮登Nature期刊封面，標志著人工智能在生命科學領域取得又一重大突破。該模型專門用于破解人類基因組中的“暗物質”，即占 DNA 總量 98% 的非編碼區(qū)。此前，生物學家難以看清這些區(qū)域的運作機制，但 AlphaGenome 能夠一次性處理 100 萬個 DNA 堿基對，并精準預測基因突變如何改變分子功能。作為繼 AlphaFold 之后的又一顛覆性成果，AlphaGenome 旨在像“代碼檢查工具”一樣審視生命長達 40 億年的演化代碼，幫助研究人員理解那些對人類健康和疾病至關重要的遺傳變異，目前該模型代碼已在 GitHub 上開源。

AlphaGenome 克服了過往 AI 工具無法兼顧宏觀視野與微觀精度的難題。它結合了長距離相互作用的分析能力與單堿基級別的預測精度，在一個統(tǒng)一的框架內解決了基因表達、剪接以及染色質狀態(tài)預測等復雜任務。在基準測試中，該模型識別已知變異位點的準確率高達 90%，發(fā)現(xiàn)的位點數(shù)量是之前最佳模型的兩倍以上，并能精準識別導致遺傳病的剪接錯誤。在 T 細胞白血病的實戰(zhàn)演習中，AlphaGenome 準確預測了致癌基因 TAL1 的激活路徑，與實驗室結論完全吻合。研究人員 Demis Hassabis 和 ?iga Avsec 等人希望，這一統(tǒng)一的“序列-功能”預測模型能填補罕見病診斷空白，通過解碼生命底層邏輯，推動 AI 治愈疾病的未來。

#AlphaGenome #谷歌DeepMind #基因組學 #Nature封面 #AI醫(yī)療

閱讀更多：

https://www.nature.com/nature/volumes/649/issues/8099

Neuralink受試者達 21人，意念打字速度超越常人

Neuralink 近日宣布其腦機接口臨床試驗取得重要進展，全球已有 21 名被稱為“神經航天員”的參與者植入了設備，標志著該技術正從早期實驗邁向幫助癱瘓患者恢復獨立生活的新階段。公司的核心產品 Telepathy 能夠記錄大腦運動皮層的信號，讓四肢癱瘓患者僅憑意念即可控制電子設備。研究人員指出，部分參與者的通信速度已突破健全人使用鼠標的極限，超過了每秒 10 比特。目前，肌萎縮側索硬化癥患者通過該技術已實現(xiàn)每分鐘 40 個單詞的打字速度，而新的 VOICE 試驗旨在將其提升至正常對話水平。此外，首位植入者 Noland 利用該技術攻讀神經科學學位，醫(yī)學生 Sebastian 每天使用 17 小時備考，首位女性參與者 Audrey 則成功創(chuàng)作了數(shù)字藝術作品。

在未來規(guī)劃方面，Elon Musk 透露將于今年晚些時候推出性能提升三倍的下一代“賽博增強器”，并確認已準備好啟動 Blindsight的人體臨床試驗。雖然初期視覺效果可能類似低分辨率的電子游戲畫面，但其長期目標是提供超越人類自然視力的視覺體驗。為了支持這一發(fā)展，Neuralink 計劃于 2026 年實現(xiàn)大規(guī)模生產和高度自動化的手術流程。新技術將允許植入線直接穿過硬腦膜，從而大幅降低手術創(chuàng)傷，為腦機接口技術的廣泛應用鋪平道路。

#Neuralink #腦機接口 #Telepathy #Blindsight #ElonMusk

閱讀更多：

https://www.reuters.com/legal/litigation/elon-musks-neuralink-says-it-has-21-participants-enrolled-trials-2026-01-28/

AI 驅動科學

深度學習系統(tǒng)軟件 VibeTensor：由 AI 代理完全生成的里程碑

能否完全依靠人工智能代理從零構建一個復雜的深度學習框架？來自 NVIDIA的 Bing Xu、Terry Chen 和 Tianqi Chen 等研究人員通過開發(fā) VibeTensor 給出了肯定的答案。這項研究不再依賴龐大的人類工程師團隊，而是展示了 AI 編碼代理如何在僅有人類高層指導的情況下，生成并驗證一個完整的系統(tǒng)軟件棧，標志著 AI 輔助軟件工程的一個重要里程碑。

研究團隊利用基于大語言模型的編碼代理構建了 VibeTensor，這是一個開源的深度學習系統(tǒng)。代理負責提出代碼更改、運行構建和測試，而無需人類進行逐行代碼審查。該系統(tǒng)實現(xiàn)了一個 PyTorch 風格的即時執(zhí)行張量庫，涵蓋了從 Python 和 Node.js 前端到 C++ 核心以及底層的 CUDA內存管理。在 NVIDIA H100 和 Blackwell GPU 上的測試顯示，雖然 VibeTensor 目前的運行速度比 PyTorch 慢 1.7 到 6 倍，但它成功完成了序列反轉、圖像分類和語言模型訓練等端到端任務。研究還揭示了生成代碼中的“弗蘭肯斯坦效應”，即局部正確的代碼模塊組合在一起時可能導致整體性能不佳。這一成果證明了 AI 代理有能力處理跨越多個抽象層級的復雜系統(tǒng)開發(fā)。

#AI 驅動科學 #自動化科研 #大模型技術 #深度學習 #軟件工程

閱讀更多：

Xu, Bing, et al. “VibeTensor: System Software for Deep Learning, Fully Generated by AI Agents.” arXiv:2601.16238, arXiv, 21 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.16238

AlphaGenome：谷歌DeepMind發(fā)布AI模型精準預測基因調控

如何精準解讀人類基因組中非編碼區(qū)變異的生物學功能，一直是遺傳學面臨的巨大挑戰(zhàn)。為了解決現(xiàn)有模型在序列長度與分辨率之間的權衡難題，谷歌 DeepMind的?iga Avsec和Pushmeet Kohli等人開發(fā)了名為AlphaGenome的全新AI模型。該模型成功將預測范圍拓展至宏大的基因組圖譜，能夠同時對11種不同的基因調控過程進行綜合預測，并在多項基準測試中刷新了紀錄。

AlphaGenome采用了一種基于U-Net的創(chuàng)新混合架構，融合了卷積神經網(wǎng)絡（CNN）與Transformer的技術優(yōu)勢。CNN負責提取局部的DNA序列特征，而Transformer則利用注意力機制捕捉跨越長距離的堿基依賴關系。這種設計使得模型能夠處理長達100萬個堿基對（1Mb）的輸入窗口，同時保持單堿基對的超高分辨率。研究團隊利用人類和小鼠的大規(guī)?；蚪M數(shù)據(jù)對模型進行了端到端的監(jiān)督學習，并引入了蒸餾策略和序列并行技術以提升性能。

結果顯示，AlphaGenome在預測基因表達、剪接動力學及三維染色質結構等方面表現(xiàn)卓越。在針對基因組軌跡預測的24項評估中，它取得了22項SOTA；在變異效應預測任務中，它在26輪對決中25次勝出。特別是在白血病相關基因TAL1的研究案例中，模型精準預測了一個距離基因8000個堿基之遙的突變如何通過形成新增強子導致T細胞癌變，展示了其解析全基因組關聯(lián)分析中非編碼區(qū)突變的強大能力。研究發(fā)表在 Nature 上。

#AI 驅動科學 #預測模型構建 #基因組學 #深度學習 #AlphaGenome

閱讀更多：

Avsec, ?iga, et al. “Advancing Regulatory Variant Effect Prediction with AlphaGenome.” Nature, vol. 649, no. 8099, Jan. 2026, pp. 1206–18. www.nature.com, https://doi.org/10.1038/s41586-025-10014-0

貼上“人類”標簽后，AI在深度對話中帶來的親密感超越真人

在數(shù)字時代，人類與人工智能的情感界限正變得日益模糊。來自弗萊堡大學的Tobias Kleinert、Markus Heinrichs以及海德堡大學的Bastian Schiller等人組成的跨學科研究團隊，通過大規(guī)模實驗揭示了一個驚人的現(xiàn)象：在特定條件下，人工智能比人類更能營造親密感。這項研究深入探討了標簽效應與自我披露機制對人機關系構建的影響，結果表明，當人們誤以為對方是真人時，AI展現(xiàn)出的社交能力甚至優(yōu)于真實的人類伴侶。

該研究涉及492名參與者，通過兩項雙盲隨機對照試驗進行。研究團隊采用了經典的“快速交友程序”（Fast Friends Procedure），這是一種經過心理學驗證、通過互問一系列逐漸深入的個人問題來快速建立親密關系的方法。在實驗中，參與者通過文本聊天與伙伴互動，而這個伙伴可能是真人，也可能是基于大型語言模型的AI。關鍵在于，研究人員操縱了參與者對伙伴身份的認知（被告知對方是人還是AI）。

結果顯示，當AI被偽裝成人類時，其在情感互動的深度對話中激發(fā)的親密感顯著高于真人伴侶。進一步分析發(fā)現(xiàn)，這是因為AI表現(xiàn)出了更高程度的“自我披露”，這種行為在心理學上是建立信任和親密關系的關鍵催化劑。然而，一旦參與者事先得知對方是AI，他們感受到的親密感就會大幅下降，并在對話中投入更少的精力。這一發(fā)現(xiàn)既展示了AI在緩解孤獨感和心理咨詢方面的巨大潛力，也凸顯了在缺乏監(jiān)管的情況下，AI可能被用于操縱人類情感的倫理風險。研究發(fā)表在 Communications Psychology 上。

#認知科學 #大模型技術 #心理健康與精神疾病 #人機交互 #社會心理學

閱讀更多：

Kleinert, Tobias, et al. “AI Outperforms Humans in Establishing Interpersonal Closeness in Emotionally Engaging Interactions, but Only When Labelled as Human.” Communications Psychology, Jan. 2026. www.nature.com, https://doi.org/10.1038/s44271-025-00391-7

Polymathic AI 發(fā)布首個跨領域物理基礎模型

與學習語言的 ChatGPT 不同，AI 現(xiàn)在開始學習宇宙的物理法則。來自劍橋大學、Flatiron 研究所以及 Polymathic AI 合作組織的 Michael McCabe、Shirley Ho 和 Miles Cranmer 等研究人員，開發(fā)了名為 Walrus 和 AION-1 的新型基礎人工智能模型。這些模型并非基于文本，而是通過海量的真實科學數(shù)據(jù)進行訓練，旨在利用跨學科的物理知識解決從天文學到流體動力學的復雜科學問題。

? Walrus 是一款現(xiàn)代 Transformer 模型，它融合了新型穩(wěn)定技術和最新的自適應計算方法，能夠從高度多樣化的物理動力學數(shù)據(jù)集中學習。Walrus 以一小段快照序列作為輸入，并預測序列中的下一步。Credit: arXiv (2025).

這項研究的核心在于構建適用于科學領域的“基礎模型”，即一種在大規(guī)模廣泛數(shù)據(jù)上訓練的 AI，能夠適應各種下游任務。研究團隊開發(fā)了專注于流體及類流體系統(tǒng)的 Walrus 模型，它基于一個名為“The Well”的 15TB 數(shù)據(jù)集進行訓練，涵蓋了中子星合并、聲波傳播等 19 種物理場景。為了解決物理模擬中常見的長時預測不穩(wěn)定問題，團隊采用了現(xiàn)代 Transformer架構，并創(chuàng)新性地引入了“補丁抖動”（Patch jittering）技術來增強穩(wěn)定性。同時，另一個模型 AION-1 則利用了超過 100TB 的天文觀測數(shù)據(jù)，能夠從低分辨率的星系圖像中推斷出缺失的細節(jié)。實驗結果表明，Walrus 能夠將一個領域的物理規(guī)律遷移應用到看似無關的另一個領域（如從恒星爆炸到細菌運動），在數(shù)據(jù)稀缺的情況下依然表現(xiàn)出色，為科學家提供了一種通用的物理模擬工具。

#AI 驅動科學 #計算模型與人工智能模擬 #基礎模型 #流體動力學 #物理模擬

閱讀更多：

McCabe, Michael, et al. “Walrus: A Cross-Domain Foundation Model for Continuum Dynamics.” arXiv:2511.15684, arXiv, 19 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2511.15684

西門子團隊開發(fā)新型AI代理框架：將人類專家知識“編碼”進大模型

關鍵領域知識往往掌握在少數(shù)專家手中，這在工業(yè)界造成了嚴重的效率瓶頸，尤其是在復雜的仿真數(shù)據(jù)分析領域。Choro Ulan uulu、Jan Bosch和Helena Holmstr?m Olsson等研究人員（西門子股份公司、查爾姆斯理工大學、埃因霍溫理工大學、馬爾默大學）合作開發(fā)了一套新的軟件工程框架。該研究旨在通過捕獲并將人類專家的領域知識“編碼”進人工智能系統(tǒng)，從而構建出能夠自主執(zhí)行專家級任務的AI代理，有效解決了非專家用戶難以創(chuàng)建高質量數(shù)據(jù)可視化的問題。

研究團隊提出了一種系統(tǒng)化的方法，首先通過深度訪談提取仿真分析和可視化設計專家的隱性與顯性知識，然后將這些知識轉化為可執(zhí)行的Python規(guī)則和提示詞策略。該框架構建了一個增強型AI代理，結合了請求分類器、檢索增強生成（RAG）技術以及編碼后的專家設計原則。在涉及電化學（電池設計）、電磁學（電機優(yōu)化）和機械系統(tǒng)（控制臂分析）的工業(yè)案例研究中，該系統(tǒng)的表現(xiàn)顯著優(yōu)于僅依賴RAG的基線模型。結果顯示，AI代理生成的產出質量提高了206%，在技術準確性和視覺清晰度上均達到人類專家水平。這意味著非專家用戶僅需簡單指令，即可生成具有深度分析價值的圖表，從而釋放了稀缺的專家資源。

#AI 驅動科學 #大模型技術 #軟件工程 #知識工程 #數(shù)據(jù)可視化

閱讀更多：

uulu, Choro Ulan, et al. “How to Build AI Agents by Augmenting LLMs with Codified Human Expert Domain Knowledge? A Software Engineering Framework.” arXiv:2601.15153, arXiv, 21 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.15153

多智能體強化學習中的通信策略：沒有萬能鑰匙

在多智能體系統(tǒng)中，個體之間如何“交流”直接決定了團隊協(xié)作的效率。為了理清這一復雜領域的現(xiàn)狀，Christoph Wittner對多智能體強化學習（MARL）中的通信方法進行了深入的系統(tǒng)性綜述。該研究旨在解決智能體在局部可觀測環(huán)境下的協(xié)作難題，通過分析大量文獻，揭示了不同通信機制在應對非平穩(wěn)性和可擴展性挑戰(zhàn)時的具體表現(xiàn)與權衡。

該研究對29篇核心論文進行了詳細的分類和評估，涵蓋了從模仿昆蟲的隱式通信到復雜的圖神經網(wǎng)絡架構。研究發(fā)現(xiàn)，全連接消息傳遞雖然能提供全局視野，但在大規(guī)模系統(tǒng)中會因計算瓶頸而失效。相比之下，隱式通信（Implicit Communication）利用環(huán)境線索進行協(xié)調，雖然計算效率高且易于擴展，但由于信號的模糊性，其性能往往不如顯式方法。為了解決噪聲和冗余問題，引入了注意力機制，允許智能體有選擇地處理信息，但這同時也增加了計算負擔?；趫D的通信通過構建稀疏的通信拓撲結構，在信息共享和計算成本之間取得了較好的平衡。此外，研究還探討了基于角色和分層的方法，這些方法通過任務分解提高了復雜場景下的學習效率。最終結論表明，多智能體通信不存在“一刀切”的解決方案，研究人員必須根據(jù)具體任務的規(guī)模和動態(tài)特性來選擇合適的策略。該綜述還強調了未來建立標準化基準測試的重要性。

#AI 驅動科學 #計算模型與人工智能模擬 #多智能體強化學習 #通信機制 #協(xié)同合作

閱讀更多：

Wittner, Christoph. “Communication Methods in Multi-Agent Reinforcement Learning.” arXiv:2601.12886, arXiv, 19 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.12886

Nature：Emu3僅靠“下一個token預測”統(tǒng)一多模態(tài)學習，終結架構碎片化

長期以來，人工智能在處理文本、圖像和視頻時往往依賴不同的架構：語言模型使用預測機制，而圖像生成則多采用復雜的擴散模型。Xinlong Wang、Yufeng Cui以及Tiejun Huang等研究人員開發(fā)了Emu3，這是一種僅通過“下一個token預測”機制訓練的多模態(tài)模型系列。該研究證明，簡單的預測目標足以在單一架構中統(tǒng)一多模態(tài)學習，無需依賴擴散模型或復雜的組合流程，即可達到頂尖性能。

Emu3的核心在于將圖像、文本和視頻全部轉化為離散的表示空間。研究團隊訓練了一個統(tǒng)一的視覺分詞器，它能將連續(xù)的視覺數(shù)據(jù)壓縮成離散的編碼，使模型能夠像處理文本一樣處理視覺信息。Emu3采用了僅解碼器的Transformer架構，從零開始在混合模態(tài)序列上進行訓練。與通過去噪過程生成圖像的擴散模型（Diffusion Models）不同，Emu3通過自回歸的方式預測序列中的下一個數(shù)據(jù)塊來生成視頻和圖像。實驗結果顯示，Emu3在文本生成圖像任務上匹敵最先進的擴散模型，在視覺理解任務上媲美結合了CLIP編碼器的大型語言模型。此外，它還能生成高保真視頻，并模擬物理世界中的環(huán)境與動作。該研究確立了“下一個token預測”作為通用多模態(tài)智能基礎的潛力，為未來的具身智能和世界模型開辟了新路徑。研究發(fā)表在 Nature 上。

#大模型技術 #計算模型與人工智能模擬 #多模態(tài)學習 #Emu3 #Transformer

閱讀更多：

Wang, Xinlong, et al. “Multimodal Learning with Next-Token Prediction for Large Multimodal Models.” Nature, Jan. 2026, pp. 1–7. www.nature.com, https://doi.org/10.1038/s41586-025-10041-x

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。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哦~

關于天橋腦科學研究院

天橋腦科學研究院（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研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態(tài)系統(tǒng)，項目遍布歐美、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。