█ 腦科學(xué)動態(tài)

Science揭示共情的神經(jīng)基礎(chǔ)：食欲素如何讓我們懂得安慰同伴

免疫細(xì)胞保留組織位置的分子記憶：AI算法重構(gòu)單細(xì)胞空間坐標(biāo)

前腦島活動揭示酒精成癮者偏愛酒精的神經(jīng)機制

新冠后遺癥：味蕾內(nèi)的分子缺陷導(dǎo)致長期味覺喪失

AI分析未發(fā)現(xiàn)年輕人大腦結(jié)構(gòu)與導(dǎo)航能力存在明顯關(guān)聯(lián)

記憶編碼并非持續(xù)恒定，而是隨大腦 Theta 節(jié)律波動

低劑量鋰可能延緩輕度認(rèn)知障礙患者的語言記憶衰退

細(xì)胞譜系被證實是大腦自我組織的“隱形導(dǎo)航圖”

10分鐘數(shù)字干預(yù)課程可緩解抑郁癥狀

█ AI驅(qū)動科學(xué)

AI驅(qū)動的高通量全腦細(xì)胞圖譜繪制

CATS Net框架實現(xiàn)類人概念形成、理解與交流

序列模型智能體可通過上下文推理自然涌現(xiàn)合作行為

大語言模型是否暗中知道何時停止思考？

基于強化學(xué)習(xí)的多智能體拓?fù)溲莼?，實現(xiàn)競賽級代碼生成

混合強化學(xué)習(xí)框架利用記憶機制，顯著提升大語言模型智能體的探索能力

腦科學(xué)動態(tài)

Science揭示共情的神經(jīng)基礎(chǔ)：食欲素如何讓我們懂得安慰同伴

情感共情如何轉(zhuǎn)化為親社會行為？斯坦福大學(xué)的Jae Gon Kim和Jin Hyung Lee團(tuán)隊以小鼠為模型，揭示了下丘腦到前扣帶回皮層的食欲素能神經(jīng)通路是關(guān)鍵。該通路通過驅(qū)動特定腦區(qū)振蕩來調(diào)控共情與親社會行為。

研究團(tuán)隊首先構(gòu)建了無經(jīng)驗觀察恐懼和依賴經(jīng)驗的觀察恐懼兩種小鼠模型，以對比共同經(jīng)歷對共情的影響。行為學(xué)分析顯示，擁有共同恐懼經(jīng)歷的小鼠表現(xiàn)出更強的觀察恐懼反應(yīng)，并在重聚時展現(xiàn)出更多社交梳理（allogrooming，即安慰行為）。隨后，研究人員結(jié)合OxLight1探針與光纖記錄技術(shù)，發(fā)現(xiàn)小鼠前扣帶回皮層（ACC）內(nèi)的食欲素能神經(jīng)元在共情期間被選擇性激活。為驗證因果關(guān)系，團(tuán)隊采用光遺傳學(xué)技術(shù)，實時抑制從下丘腦外側(cè)區(qū)（LHA）投射至前扣帶回皮層的神經(jīng)輸入，同時記錄局部場電位。結(jié)果表明，這種特異性抑制不僅降低了目標(biāo)腦區(qū)特定頻率的θ波功率，還顯著減少了小鼠的凝視僵住和親社會行為。這證實了下丘腦食欲素能輸入通過驅(qū)動皮層θ振蕩實現(xiàn)了情感共情向行動的轉(zhuǎn)化。研究發(fā)表在 Science 上。

#神經(jīng)科學(xué) #神經(jīng)機制與腦功能解析 #食欲素 #親社會行為 #共情

閱讀更多：

Kim, Jae Gon, et al. “Empathy and Prosocial Behavior Powered by Orexin-Driven Theta Oscillations.” Science, vol. 391, no. 6787, Feb. 2026, pp. 800–06. science.org (Atypon), https://doi.org/10.1126/science.aea7140

免疫細(xì)胞保留組織位置的分子記憶：AI算法重構(gòu)單細(xì)胞空間坐標(biāo)

單細(xì)胞測序雖能揭示單個免疫細(xì)胞的基因活性，但在細(xì)胞分離時會丟失關(guān)鍵的空間位置信息，這阻礙了對復(fù)雜器官疾病機制的理解。波恩大學(xué)醫(yī)院和波恩大學(xué)的Junping Yin、Jian Li和Christian Kurts團(tuán)隊開發(fā)了名為MERLIN的人工智能算法，成功從離體巨噬細(xì)胞中提取出位置信息，精準(zhǔn)重建了其在器官內(nèi)的原始空間坐標(biāo)。

? 基于人工智能的腎臟免疫細(xì)胞定位多項式分類工作流程示意圖及其應(yīng)用。Credit: Advanced Science (2026).

該研究融合了免疫學(xué)與生物信息學(xué)，團(tuán)隊利用來自腎臟皮質(zhì)、外髓質(zhì)和內(nèi)髓質(zhì)的多個獨立單細(xì)胞RNA測序數(shù)據(jù)集對MERLIN算法進(jìn)行訓(xùn)練。該算法采用改進(jìn)的多層感知器機器學(xué)習(xí)框架，通過識別受局部缺氧或鹽濃度等組織微環(huán)境影響的特異性基因表達(dá)模式來預(yù)測細(xì)胞來源。數(shù)據(jù)表明，MERLIN預(yù)測小鼠和人類腎臟中駐留巨噬細(xì)胞空間位置的準(zhǔn)確率均超過75%，并且成功跨器官應(yīng)用于大腦，重建了小膠質(zhì)細(xì)胞的空間分布。在分析急性腎損傷和糖尿病腎病等已發(fā)表數(shù)據(jù)集時，MERLIN揭示了外髓質(zhì)巨噬細(xì)胞在促炎反應(yīng)中的主導(dǎo)地位，其預(yù)測的區(qū)域特異性免疫反應(yīng)與臨床已知的藥物療效高度吻合，為研究微環(huán)境與疾病進(jìn)展的關(guān)系提供了強大工具。研究發(fā)表在 Advanced Science 上。

#神經(jīng)科學(xué) #神經(jīng)機制與腦功能解析 #技術(shù)創(chuàng)新 #單神經(jīng)元重建 #全腦成像

閱讀更多：

Yin, Junping, et al. “Predicting Macrophage Spatial Localization from Single-Cell Transcriptomes to Uncover Disease Mechanisms.” Advanced Science, n/a, no. n/a, p. e10924. Wiley Online Library, https://doi.org/10.1002/advs.202410924

前腦島活動揭示酒精成癮者偏愛酒精的神經(jīng)機制

成癮者為何更偏愛酒精而非社交？阿姆斯特丹醫(yī)科大學(xué)中心的Nathan J. Marchant團(tuán)隊開展研究，證實前腦島區(qū)域在決策過程中的活動偏差是促使個體優(yōu)先選擇酒精的關(guān)鍵所在。

? 左圖：軌跡圖描繪了大鼠按下杠桿獲得酒精或社交獎勵時前島葉的活動情況。右圖：大鼠按下杠桿獲得獎勵后的平均活動值（±標(biāo)準(zhǔn)誤）。Credit: van Mourik et al., 2026

研究團(tuán)隊訓(xùn)練大鼠在交替階段按壓杠桿，以分別獲得酒精或社交獎勵。研究人員在大鼠的前腦島皮層轉(zhuǎn)染了鈣指示劑，并利用光纖光度法記錄腦區(qū)活動。同時，團(tuán)隊引入線性彈道累積器模型（Linear Ballistic Accumulator modelling，一種用于解析認(rèn)知決策中證據(jù)積累速度的數(shù)學(xué)模型）來分析行為數(shù)據(jù)。

結(jié)果顯示大鼠逐漸形成了強烈的酒精偏好。在面臨選擇時，前腦島皮層在酒精相關(guān)行為中的活躍度顯著高于社交行為，尤其在做出決定前的提示期最為明顯。模型表明，該腦區(qū)的活動差異與決策偏差高度正相關(guān)，即該腦區(qū)活動加快了傾向酒精的證據(jù)積累。當(dāng)對選擇酒精施加懲罰時，大鼠偏好逆轉(zhuǎn)，該腦區(qū)活動偏差不再與決策相關(guān)。這證實了前腦島在酒精渴求機制中的關(guān)鍵作用，為成癮干預(yù)提供了新的潛在治療靶點。研究發(fā)表在 Journal of Neuroscience 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #成癮機制 #前腦島皮層 #決策偏差

閱讀更多：

Mourik, Yvar van, et al. “Anterior Insula Activity during Alcohol and Social Reward Self-Administration and Choice in Male and Female Rats.” Journal of Neuroscience, Feb. 2026. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1180-25.2026

新冠后遺癥：味蕾內(nèi)的分子缺陷導(dǎo)致長期味覺喪失

新冠引發(fā)的長期味覺喪失機制亟待闡明。科羅拉多大學(xué)安舒茨醫(yī)學(xué)院等機構(gòu)的Hanna Morad與Thomas E Finger等人合作，首次發(fā)現(xiàn)長新冠患者味蕾內(nèi)的分子異常，揭示了特定味覺喪失的生物學(xué)原因。

研究團(tuán)隊招募了28名在感染新冠病毒一年后仍報告持續(xù)味覺障礙的非住院患者。研究人員首先使用WETT味覺測試客觀評估受試者對甜、鮮、苦、酸、咸五種基本味覺的感知能力。隨后，團(tuán)隊對其中20名受試者的菌狀乳頭進(jìn)行了活體組織檢查。通過組織學(xué)分析和定量聚合酶鏈?zhǔn)椒磻?yīng)（qPCR，一種用于放大并定量檢測特定遺傳物質(zhì)片段的技術(shù)），研究人員檢測了味蕾的整體結(jié)構(gòu)、神經(jīng)支配情況以及不同味覺受體細(xì)胞標(biāo)志物的信使核糖核酸表達(dá)水平。

結(jié)果顯示，11名患者出現(xiàn)了一種或多種味覺的完全喪失，主要集中在甜味、鮮味和苦味上。這些受影響的味覺均依賴于一種名為PLCβ2的蛋白質(zhì)，該蛋白質(zhì)作為受體細(xì)胞內(nèi)的分子放大器，對味覺感知至關(guān)重要?；颊邩颖局胸?fù)責(zé)產(chǎn)生PLCβ2的mRNA水平顯著降低導(dǎo)致信號減弱，且部分患者顯微鏡下可見味蕾結(jié)構(gòu)紊亂。這表明長期味覺喪失并非外周神經(jīng)整體破壞，而是由特定分子功能障礙和局部結(jié)構(gòu)改變所致。研究發(fā)表在 Chemical Senses 上。

#疾病與健康 #其他 #長新冠 #味覺喪失 #分子病理

閱讀更多：

Morad, Hanna, et al. “Taste Dysfunction in Long COVID.” Chemical Senses, vol. 51, Jan. 2026, p. bjaf068. Silverchair, https://doi.org/10.1093/chemse/bjaf068

AI分析未發(fā)現(xiàn)年輕人大腦結(jié)構(gòu)與導(dǎo)航能力存在明顯關(guān)聯(lián)

長期以來，人們常引用“倫敦出租車司機”的研究，認(rèn)為擅長認(rèn)路的人擁有更發(fā)達(dá)的大腦特定區(qū)域。然而，這一觀點在普通年輕人身上可能并不適用。來自德克薩斯大學(xué)阿靈頓分校的史蒂文·韋斯伯格（Steven M. Weisberg）與佛羅里達(dá)大學(xué)的阿什什·薩胡（Ashish K. Sahoo）等人組成的研究團(tuán)隊，利用先進(jìn)的人工智能技術(shù)向這一傳統(tǒng)觀念發(fā)起了挑戰(zhàn)。他們發(fā)現(xiàn)，在健康年輕人群體中，大腦結(jié)構(gòu)與導(dǎo)航能力之間并沒有明顯的聯(lián)系。

該研究招募了90名平均年齡為23.1歲的參與者，要求他們在虛擬環(huán)境中學(xué)習(xí)路線并繪制地圖，以測試其空間記憶和導(dǎo)航能力。隨后，研究團(tuán)隊利用圖卷積神經(jīng)網(wǎng)絡(luò)（GCNN）和3D卷積神經(jīng)網(wǎng)絡(luò)（3DCNN）等深度學(xué)習(xí)模型，對參與者的磁共振成像（MRI）數(shù)據(jù)進(jìn)行分析。這些先進(jìn)的模型能夠檢測出傳統(tǒng)測量方法（如單純的體積測量）無法捕捉的細(xì)微結(jié)構(gòu)模式。研究重點對比了傳統(tǒng)上與記憶和導(dǎo)航密切相關(guān)的海馬體以及作為對照區(qū)域的丘腦。結(jié)果顯示，盡管AI模型能夠很好地擬合訓(xùn)練數(shù)據(jù)，但在預(yù)測新數(shù)據(jù)的導(dǎo)航表現(xiàn)時效果微弱。這意味著，對于健康的年輕成年人而言，大腦宏觀結(jié)構(gòu)的差異（如海馬體的大小或形狀）并不能有效預(yù)測其認(rèn)路能力的強弱。這一發(fā)現(xiàn)提示我們需要重新審視大腦結(jié)構(gòu)與行為功能之間的映射關(guān)系，未來的研究可能需要更大的樣本量或更全面的行為指標(biāo)。研究發(fā)表在 Neuropsychologia 上。

#AI驅(qū)動科學(xué) #神經(jīng)機制與腦功能解析 #海馬體 #空間導(dǎo)航 #深度學(xué)習(xí)

閱讀更多：

Sahoo, Ashish K., et al. “Deep Learning Approaches to Map Individual Differences in Macroscopic Neural Structure with Variations in Spatial Navigation Behavior.” Neuropsychologia, vol. 222, Feb. 2026, p. 109352. PubMed, https://doi.org/10.1016/j.neuropsychologia.2025.109352

記憶編碼并非持續(xù)恒定，而是隨大腦 Theta 節(jié)律波動

為什么有些瞬間我們能清晰記住，而另一些則轉(zhuǎn)瞬即逝？Thomas M. Biba、Katherine Duncan 等來自多倫多大學(xué)、麻省理工學(xué)院的研究團(tuán)隊發(fā)現(xiàn)，人類的學(xué)習(xí)和記憶能力并非每時每刻都保持穩(wěn)定，而是以每秒數(shù)次的頻率進(jìn)行節(jié)律性波動。這項研究證實了記憶編碼效率會隨著大腦的特定節(jié)律起伏，揭示了大腦捕捉信息的“最佳時刻”。

該研究采用了通常用于注意力研究的密集采樣方法，對125名參與者進(jìn)行了毫秒級精度的測試。在實驗中，研究人員微調(diào)了提示線索與記憶目標(biāo)出現(xiàn)的時間間隔，從而重建了記憶編碼的時間進(jìn)程。結(jié)果顯示，記憶的形成呈現(xiàn)出明顯的 Theta 節(jié)律，即在3-10 Hz的頻率范圍內(nèi)波動。這意味著大腦每秒鐘大約有3到10次“快門”開啟的機會，處于這些時間窗口內(nèi)的信息更容易被記住。此外，研究還發(fā)現(xiàn)這種節(jié)律受到乙酰膽堿相關(guān)因素的調(diào)節(jié)，乙酰膽堿是一種對注意力和學(xué)習(xí)至關(guān)重要的神經(jīng)遞質(zhì)。符合編碼與提取獨立階段模型（Separate Phases for Encoding and Retrieval (SPEAR) model）的預(yù)測，那些擁有更好持續(xù)注意力或受尼古?。ㄒ阴Ｄ憠A激動劑）影響的個體，其記憶節(jié)律表現(xiàn)出不同的特征。這表明我們的記憶系統(tǒng)并非持續(xù)在線，而是通過快速的振蕩機制來優(yōu)化信息的編碼。

#認(rèn)知科學(xué) #記憶機制 #神經(jīng)機制與腦功能解析 #生理節(jié)律

閱讀更多：

Biba, Thomas M., et al. “Episodic Memory Encoding Fluctuates at a Theta Rhythm from 3-10 Hz.” s8nda_v2, PsyArXiv, 14 Jan. 2026. OSF Preprints, https://osf.io/preprints/psyarxiv/s8nda_v2/

低劑量鋰可能延緩輕度認(rèn)知障礙患者的語言記憶衰退

鋰作為治療雙相情感障礙的老藥，是否能跨界延緩阿爾茨海默病的進(jìn)程？來自匹茲堡大學(xué)醫(yī)學(xué)院的Ariel G. Gildengers及其同事的一項最新臨床試驗表明，這種情緒穩(wěn)定劑可能具有神經(jīng)保護(hù)潛力。研究團(tuán)隊發(fā)現(xiàn)，雖然低劑量鋰未能全面阻止輕度認(rèn)知障礙患者的病情惡化，但在特定的記憶領(lǐng)域顯示出了減緩衰退的積極信號，且在老年群體中表現(xiàn)出良好的安全性。

在這項為期兩年的隨機雙盲對照試驗中，研究人員招募了80名患有輕度認(rèn)知障礙的老年人，對比了每日服用低劑量碳酸鋰與安慰劑的效果。研究重點關(guān)注了參與者的加州言語學(xué)習(xí)測試-II成績及腦部影像學(xué)變化。結(jié)果顯示，雖然主要終點未達(dá)統(tǒng)計學(xué)顯著性，但在語言記憶這一阿爾茨海默病早期受損的關(guān)鍵領(lǐng)域，鋰劑組的年均評分下降幅度（0.73分）僅為安慰劑組（1.42分）的約一半。此外，腦成像分析顯示，盡管兩組參與者的海馬體均隨時間萎縮，但在β-淀粉樣蛋白檢測呈陽性的患者亞組中，鋰劑似乎提供了更強的保護(hù)作用。這一發(fā)現(xiàn)提示，未來的研究若能利用生物標(biāo)志物篩選特定患者群體，可能會觀察到更明確的療效。研究證實了該療法的安全性，為后續(xù)更大規(guī)模的驗證性試驗奠定了基礎(chǔ)。研究發(fā)表在 JAMA Neurology 上。

#疾病與健康 #個性化醫(yī)療 #神經(jīng)調(diào)控 #阿爾茨海默病

閱讀更多：

Gildengers, Ariel G., et al. “Low-Dose Lithium for Mild Cognitive Impairment: A Pilot Randomized Clinical Trial.” JAMA Neurology, Mar. 2026. Silverchair, https://doi.org/10.1001/jamaneurol.2026.0072

細(xì)胞譜系被證實是大腦自我組織的“隱形導(dǎo)航圖”

大腦如何從單細(xì)胞發(fā)育成擁有千億神經(jīng)元的復(fù)雜網(wǎng)絡(luò)？來自冷泉港實驗室、哈佛大學(xué)和蘇黎世聯(lián)邦理工學(xué)院的 Stan Kerstjens、Anthony M. Zador、Florian Engert 和 Rodney J. Douglas 等研究人員提出了顛覆性的新理論。他們發(fā)現(xiàn)，細(xì)胞的位置命運不僅僅依賴外部化學(xué)信號，更取決于其“家族血統(tǒng)”。該研究揭示了細(xì)胞譜系如何作為一種可擴展的位置信息機制，指導(dǎo)大腦在大尺度上的精確組裝。

? 神經(jīng)科學(xué)家追蹤了斑馬魚大腦中兩個相鄰區(qū)域（分別用紅色和藍(lán)色標(biāo)出）數(shù)千個基因的表達(dá)模式。Credit: Zador lab/CSHL

長期以來，科學(xué)家認(rèn)為發(fā)育中的細(xì)胞主要通過擴散的化學(xué)信號來“導(dǎo)航”。然而，這種信號隨距離衰減，難以解釋大型大腦的精確構(gòu)建。研究團(tuán)隊構(gòu)建了一種基于譜系的模型，并在小鼠和斑馬魚的發(fā)育大腦中進(jìn)行了驗證。他們發(fā)現(xiàn)，主要特征基因——即數(shù)千個基因的共表達(dá)模式——在發(fā)育過程中表現(xiàn)出驚人的穩(wěn)定性，并且跨物種保守。研究表明，細(xì)胞像人類家族繁衍定居一樣，傾向于停留在祖先附近，這種“基于譜系”的信息傳遞方式解決了長距離定位的難題，與化學(xué)信號機制形成互補，共同確保了大腦結(jié)構(gòu)的正確發(fā)育。這一發(fā)現(xiàn)不僅解開了生物學(xué)基礎(chǔ)謎題，也可能為理解自我復(fù)制AI模型的代際信息傳遞提供新視角。研究發(fā)表在 Neuron 上。

#神經(jīng)科學(xué) #神經(jīng)機制與腦功能解析 #發(fā)育生物學(xué) #細(xì)胞譜系

閱讀更多：

Kerstjens, Stan, et al. “A Lineage-Based Model of Scalable Positional Information in Vertebrate Brain Development.” Neuron, vol. 0, no. 0, Mar. 2026. www.cell.com, https://doi.org/10.1016/j.neuron.2025.12.043

10分鐘數(shù)字干預(yù)課程可緩解抑郁癥狀

針對抑郁癥治療門檻高、資源緊缺的全球性難題，Benjamin T. Kaveladze、Jessica L. Schleider 等研究人員開展了一項大規(guī)模眾包研究，旨在探索簡短的數(shù)字化手段對改善心理健康的作用。該團(tuán)隊通過篩選與測試，發(fā)現(xiàn)精心設(shè)計的簡短在線課程能為抑郁癥患者提供實質(zhì)性幫助。

這項研究是有史以來規(guī)模最大的心理健康干預(yù)隨機對照試驗之一。研究團(tuán)隊首先眾包征集了66個干預(yù)方案，最終篩選出12個時長在10分鐘以內(nèi)的單次干預(yù)（SSIs）課程，內(nèi)容涵蓋從人工智能輔助寫作到改編自勵志廣告的各種形式。7,505名患有抑郁癥狀的美國成年人被隨機分配接受其中一種干預(yù)，或進(jìn)入學(xué)習(xí)鱒魚知識的對照組。結(jié)果顯示，雖然幾乎所有干預(yù)都能帶來即時的積極情緒，但在一個月后，僅有“互動認(rèn)知重評”（Interactive Cognitive Reappraisal，一種引導(dǎo)用戶重新解讀負(fù)面想法的技巧）和“尋找焦點”（Finding Focus，一種注意力訓(xùn)練）這兩種方法顯示出顯著的持續(xù)效果。與對照組相比，這兩項干預(yù)使抑郁癥狀進(jìn)一步減輕了約4%。盡管效應(yīng)量較小，但考慮到這些課程完全免費且易于大規(guī)模推廣，其公共衛(wèi)生意義重大。值得注意的是，數(shù)據(jù)顯示參與者在四周后的改變意愿平均略有下降，這提示未來的研究需關(guān)注如何利用即時收益來促進(jìn)長期的行為改變。研究發(fā)表在 Nature Human Behaviour 上。

#疾病與健康 #心理健康與精神疾病 #健康管理與壽命延長 #數(shù)字療法 #公共衛(wèi)生

閱讀更多：

Kaveladze, Benjamin T., et al. “A Crowdsourced Megastudy of 12 Digital Single-Session Interventions for Depression in US Adults.” Nature Human Behaviour, Mar. 2026, pp. 1–17. www.nature.com, https://doi.org/10.1038/s41562-026-02415-6

AI 驅(qū)動科學(xué)

AI驅(qū)動的高通量全腦細(xì)胞圖譜繪制

為了打破器官整體成像與細(xì)胞細(xì)節(jié)研究之間的壁壘，來自洛克菲勒大學(xué)的 Tatsuya C. Murakami 和 Nathaniel Heintz 等研究人員開發(fā)了一項突破性的整合技術(shù)。針對全器官成像中難以同時標(biāo)記大量分子以及缺乏高效細(xì)胞定量分析方法的痛點，該團(tuán)隊推出了一套結(jié)合了高多重全組織染色與人工智能分析的全新框架，成功實現(xiàn)了在完整組織樣本中對復(fù)雜細(xì)胞生態(tài)系統(tǒng)的系統(tǒng)性解析。

研究團(tuán)隊首先開發(fā)了名為 mFISH3D 的技術(shù)，通過系統(tǒng)優(yōu)化組織處理流程，包括利用甲醇脫脂、特定的雜交緩沖液以及光漂白技術(shù)去除自發(fā)熒光，實現(xiàn)了在完整小鼠大腦中對多達(dá) 10 種信使核糖核酸進(jìn)行高信噪比的三維成像。為了處理產(chǎn)生的海量三維數(shù)據(jù)，研究人員開發(fā)了名為 ZenCell 的人工智能分析工具。ZenCell 基于視覺Transformer架構(gòu)，采用自監(jiān)督學(xué)習(xí)策略，僅需極少量的人工標(biāo)注數(shù)據(jù)即可完成高精度的全腦三維細(xì)胞分割。實驗結(jié)果顯示，該策略不僅精準(zhǔn)繪制了小鼠大腦中抑制性神經(jīng)元的亞型分布，糾正了關(guān)于丘腦細(xì)胞類型的傳統(tǒng)認(rèn)知，還成功應(yīng)用于小鼠胚胎、腎臟、魷魚腦以及人腦皮層樣本，證明了其在跨物種、多組織類型研究中的廣泛適用性。研究發(fā)表在 Neuron 上。

#AI驅(qū)動科學(xué) #自動化科研 #全腦成像 #原位雜交 #細(xì)胞圖譜

閱讀更多：

Murakami, Tatsuya C., et al. “Artificial Intelligence-Driven Whole-Brain Cell Mapping with Highly Multiplexed in Situ Hybridization.” Neuron, vol. 0, no. 0, Feb. 2026. www.cell.com, https://doi.org/10.1016/j.neuron.2025.12.027

CATS Net框架實現(xiàn)類人概念形成、理解與交流

當(dāng)前AI系統(tǒng)在從感知經(jīng)驗中自發(fā)形成概念方面仍存在局限。中國科學(xué)院自動化研究所的Shan Yu團(tuán)隊與北京大學(xué)的Yanchao Bi團(tuán)隊合作，提出了一種新型神經(jīng)網(wǎng)絡(luò)框架CATS Net。該研究不僅再現(xiàn)了類人的概念生成與理解過程，還揭示了其背后的計算原理，為構(gòu)建具有類人概念智能的系統(tǒng)提供了新思路。

CATS Net包含概念抽象（CA）模塊和任務(wù)求解（TS）模塊。在處理視覺任務(wù)時，CA模塊將高維輸入壓縮為低維概念向量，這些向量如同“鑰匙”，通過分層門控機制產(chǎn)生“開關(guān)”信號，動態(tài)調(diào)節(jié)TS模塊以完成特定任務(wù)。研究團(tuán)隊利用功能磁共振成像（fMRI）的表征相似性分析（RSA）發(fā)現(xiàn)，CATS Net生成的概念空間與人類認(rèn)知語義模型高度一致，且其表征模式與人腦腹側(cè)枕顳皮層的活動顯著相關(guān)。此外，CA模塊的運作機制也與人腦語義控制網(wǎng)絡(luò)相吻合。更重要的是，該框架允許不同網(wǎng)絡(luò)間通過直接傳遞概念向量來實現(xiàn)知識共享，模擬了人類的語言交流過程。研究成果已發(fā)表在 Nature Computational Science 上。

#認(rèn)知科學(xué) #計算模型與人工智能模擬 #神經(jīng)機制與腦功能解析 #跨學(xué)科整合

閱讀更多：

Guo, Liangxuan, et al. “A Neural Network for Modeling Human Concept Formation, Understanding and Communication.” Nature Computational Science, Feb. 2026, pp. 1–15. www.nature.com, https://doi.org/10.1038/s43588-026-00956-4

序列模型智能體可通過上下文推理自然涌現(xiàn)合作行為

在多智能體系統(tǒng)中，如何讓自利的個體自發(fā)達(dá)成合作一直是人工智能領(lǐng)域的一大難題。Google Paradigms of Intelligence Team 的研究人員 Marissa A. Weis、Maciej Wo?czyk 和 Alexander Meulemans 等人的一項最新研究表明，通過讓基于序列模型的智能體與多樣化的對手進(jìn)行博弈，可以自然地誘導(dǎo)出穩(wěn)健的合作行為，而無需像過去那樣依賴復(fù)雜的元學(xué)習(xí)機制或人為設(shè)定的層級結(jié)構(gòu)。這一發(fā)現(xiàn)為利用標(biāo)準(zhǔn)序列建模和強化學(xué)習(xí)技術(shù)構(gòu)建可擴展的協(xié)作多智能體系統(tǒng)提供了新路徑。

這項研究聚焦于經(jīng)典的迭代囚徒困境（Iterated Prisoner’s Dilemma）博弈。研究團(tuán)隊提出了一種“混合池訓(xùn)練”的方法，即讓正在學(xué)習(xí)的智能體不僅與同類互動，還與一系列策略各異的靜態(tài)表格型智能體進(jìn)行博弈。關(guān)鍵在于，智能體不知道對手是誰，必須依靠歷史交互數(shù)據(jù)進(jìn)行實時推斷。實驗結(jié)果顯示，這種環(huán)境迫使智能體掌握了上下文學(xué)習(xí)能力，即在單次互動中快速識別對手并做出最佳響應(yīng)。有趣的是，這種快速適應(yīng)能力使智能體表現(xiàn)得像一個容易被利用的“天真學(xué)習(xí)者”，這反而成為了合作的催化劑：為了避免雙輸，智能體之間產(chǎn)生了相互勒索（Mutual extortion）的動態(tài)壓力，最終在長期的權(quán)重更新中演化出了互利共贏的合作策略。研究團(tuán)隊還提出了一種名為預(yù)測策略改進(jìn)（PPI）的新算法，利用序列模型的自監(jiān)督學(xué)習(xí)進(jìn)一步提升了這一過程的效率。

#大模型技術(shù) #意圖與決策 #多智能體強化學(xué)習(xí) #博弈論 #上下文學(xué)習(xí)

閱讀更多：

Weis, Marissa A., et al. “Multi-Agent Cooperation through in-Context Co-Player Inference.” arXiv:2602.16301, arXiv, 18 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.16301

大語言模型是否暗中知道何時停止思考？

大型推理模型在解決復(fù)雜問題時常產(chǎn)生冗長且低效的“思維鏈”，但它們是否知道何時應(yīng)該“見好就收”？來自北京航空航天大學(xué)和字節(jié)跳動公司的Zixuan Huang、Deqing Wang等人通過研究揭示，模型其實隱式地具備判斷最佳停止時機的能力，只是這種能力被現(xiàn)有技術(shù)范式所掩蓋。他們?yōu)榇碎_發(fā)了名為SAGE的新方法，成功解鎖了模型高效推理的潛力。

研究團(tuán)隊發(fā)現(xiàn)，盡管模型表面上會生成大量冗余的推理步驟，但其內(nèi)部對簡短且正確的推理路徑抱有更高的“自信心”。這種自信心并非通過常規(guī)的下一個詞預(yù)測概率來體現(xiàn)，而是通過整個思考路徑的平均累積對數(shù)概率（Φ，一種衡量全局連貫性的指標(biāo)）來衡量?；谶@一洞察，團(tuán)隊提出了SAGE（Self-Aware Guided Efficient Reasoning）解碼策略。該策略在推理時會探索多條可能的路徑，并優(yōu)先選擇那些讓模型整體上最自信的路徑，尤其是當(dāng)模型高度自信地生成一個“思考結(jié)束”的信號時。進(jìn)一步地，他們將SAGE融入強化學(xué)習(xí)框架（SAGE-RL），讓模型能夠?qū)W習(xí)并內(nèi)化這種高效的推理模式。實驗結(jié)果表明，經(jīng)過SAGE-RL優(yōu)化的模型在多個高難度數(shù)學(xué)推理基準(zhǔn)測試中，不僅推理過程更簡潔，準(zhǔn)確率也得到顯著提升。

#大模型技術(shù) #計算模型與人工智能模擬 #強化學(xué)習(xí) #推理效率

閱讀更多：

Huang, Zixuan, et al. “Does Your Reasoning Model Implicitly Know When to Stop Thinking?” arXiv:2602.08354, arXiv, 27 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.08354

AgentConductor：基于強化學(xué)習(xí)的多智能體拓?fù)溲莼?，實現(xiàn)競賽級代碼生成

當(dāng)前用于代碼生成的多智能體系統(tǒng)因其固定的協(xié)作模式而面臨效率瓶頸。針對此問題，Siyu Wang, Ruotian Lu, Zhihao Yang等人提出了一種名為AgentConductor的新型框架。該框架引入一個“指揮家”智能體，通過強化學(xué)習(xí)動態(tài)生成和演化智能體之間的交互拓?fù)洌赐ㄐ啪W(wǎng)絡(luò)），使其能根據(jù)任務(wù)的難易度和實時反饋進(jìn)行自適應(yīng)調(diào)整，從而高效解決競賽級編程問題。

AgentConductor的核心是一個基于大語言模型的“指揮家”智能體，它通過兩階段訓(xùn)練而成：首先進(jìn)行監(jiān)督微調(diào)，使其掌握生成有效拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)知識；隨后采用強化學(xué)習(xí)進(jìn)一步優(yōu)化。在解決問題時，“指揮家”會評估任務(wù)難度，并生成一個與之匹配的分層有向無環(huán)圖（layered Directed Acyclic Graph，一種允許并行處理和靈活通信的圖結(jié)構(gòu)）。系統(tǒng)根據(jù)該拓?fù)鋱?zhí)行任務(wù)，若失敗則會利用執(zhí)行反饋進(jìn)行多輪迭代，重新生成更優(yōu)的拓?fù)?。?xùn)練過程采用了一種創(chuàng)新的多目標(biāo)獎勵函數(shù)，它不僅獎勵代碼的正確性，還考慮了拓?fù)浣Y(jié)構(gòu)的合理性和一個與任務(wù)難度掛鉤的密度指標(biāo)，以此平衡性能與資源消耗。實驗結(jié)果顯示，在APPS等五個公開代碼生成數(shù)據(jù)集上，AgentConductor的性能全面超越現(xiàn)有方法，pass@1準(zhǔn)確率最高提升了14.6%，同時將令牌消耗降低了68%，實現(xiàn)了更優(yōu)的效能與成本控制。

#AI驅(qū)動科學(xué) #機器人及其進(jìn)展 #多智能體系統(tǒng) #強化學(xué)習(xí)

閱讀更多：

Wang, Siyu, et al. “AgentConductor: Topology Evolution for Multi-Agent Competition-Level Code Generation.” arXiv:2602.17100, arXiv, 19 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.17100

混合強化學(xué)習(xí)框架利用記憶機制，顯著提升大語言模型智能體的探索能力

如何解決大語言模型智能體在強化學(xué)習(xí)中探索能力不足的瓶頸？微軟研究院和韓國科學(xué)技術(shù)院的Zeyuan Liu、Jeonghye Kim、Xufang Luo等人提出了一種名為EMPO2的新型混合強化學(xué)習(xí)框架，通過融合外部記憶與策略優(yōu)化，顯著增強了智能體的自主探索與泛化能力。

該團(tuán)隊提出的EMPO2（Exploratory Memory-Augmented On- and Off-Policy Optimization）框架獨創(chuàng)性地結(jié)合了參數(shù)化與非參數(shù)化更新。在訓(xùn)練中，智能體能通過自我反思，將過去的失敗經(jīng)驗總結(jié)為“提示”存入外部記憶，用于指導(dǎo)后續(xù)探索。更關(guān)鍵的是，該框架采用了一種混合策略優(yōu)化方法，通過一種類似知識蒸餾的離策略（off-policy）更新機制，將記憶帶來的探索優(yōu)勢“內(nèi)化”為模型自身的參數(shù)。這使得智能體最終即使脫離記憶模塊也能保持出色的性能。為進(jìn)一步提升探索效率，研究還引入了狀態(tài)新穎度的內(nèi)在獎勵機制。在ScienceWorld和WebShop兩個復(fù)雜任務(wù)環(huán)境中的測試表明，EMPO2的性能相較于基線算法GRPO分別提升了128.6%和11.3%。在分布外測試中，該智能體也展現(xiàn)出強大的泛化能力，無需更新參數(shù)即可快速適應(yīng)新任務(wù)。

#AI驅(qū)動科學(xué) #機器人及其進(jìn)展 #強化學(xué)習(xí) #大語言模型智能體

閱讀更多：

Liu, Zeyuan, et al. “Exploratory Memory-Augmented LLM Agent via Hybrid On- and Off-Policy Optimization.” arXiv:2602.23008, arXiv, 26 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.23008

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。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(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10億美元創(chuàng)建的世界最大私人腦科學(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，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)前沿實驗室、人工智能與精神健康前沿實驗室；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)生獎勵計劃、、、科普視頻媒體「大圓鏡」等。