█ 腦科學動態(tài)

Cell：在計算機上復活生命

成年哺乳動物腦組織首次實現解凍后功能復蘇

學習多門語言防大腦衰老？醫(yī)療與財富比語言更關鍵

聽不到自己的口誤：腦電波揭示中風后失語癥的神經整合缺陷

體能提升顯著增強運動后大腦的“神經激活”效應

小鼠研究揭示大腦如何在變化場景中識別穩(wěn)定模式

新型3D材料實現腦細胞間更真實通訊

為什么有些人更懂察言觀色？

完全根據小鼠腦活動重建的電影

追蹤無意識：視覺工作記憶中無意識信息保留的神經證據

█ AI行業(yè)動態(tài)

微軟Copilot Cowork震撼發(fā)布：Claude入駐Office

LeCun世界模型公司AMI Labs獲10.3億美元融資

█ AI驅動科學

BIOCONNET平臺：在體外構建可控且開放的人腦皮質網絡

拋棄AGI追求SAI：LeCun團隊提出超人類適應性智能新路線

超緊湊型光子神經網絡加速器：以光速運行的人工智能芯片

人類大腦能識破AI語音偽裝，即便你在行為上無法分辨

什么成就了熱門歌曲？TikTok與Spotify的算法偏好揭秘

提升AI模型預測解釋能力：從模型內部提取可理解概念的新方法

AI虛假新聞檢測器：高準確率下的現實失靈與內置偏見

新型參數化記憶模塊提升語言智能體反思能力與推理性能

新方法讓大模型先“畫提綱”再思考，顯著提升文本處理能力

腦科學動態(tài)

Cell：在計算機上復活生命：成功實現最小基因組細胞的4D完整生命周期模擬

靜態(tài)觀察難以揭示細胞生命活動隨時間變化的完整動力學機制。伊利諾伊大學厄巴納-香檳分校的Zane R. Thornburg和Zaida Luthey-Schulten等團隊成功構建了四維全細胞模型，在計算機上從分子層面精準重現了基因最簡生命體JCVI-syn3A完整的生長與分裂周期。

? Credit:Cell.

為了模擬這個微小而復雜的動態(tài)世界，研究人員采用了一種融合多種前沿算法的混合模擬（hybrid computational methods，將不同尺度的物理化學計算模塊整合運行的方法）體系。他們利用反應-擴散主方程處理基因表達過程，利用布朗動力學模擬驅動龐大染色體的復制與分離，并結合常微分方程組計算細胞的新陳代謝。各計算模塊每12.5毫秒同步一次數據，耗費大量算力模擬了五十個虛擬細胞105分鐘的完整生命進程。結果顯示，該模型精確再現了細胞形態(tài)轉變動態(tài)，其預測的染色體復制起點與終點拷貝數比例為1.28，與測序實驗實測的1.21高度吻合。模擬進一步揭示了細胞分裂時蛋白質等大分子分配接近二項分布的特征，展示了生命繁衍過程固有的隨機性與子細胞的異質性。研究發(fā)表在 Cell 上。

#AI驅動科學 #計算模型與人工智能模擬 #系統(tǒng)生物學 #全細胞建模 #生命科學

閱讀更多：

Thornburg, Zane R., et al. “Bringing the Genetically Minimal Cell to Life on a Computer in 4D.” Cell, vol. 0, no. 0, Mar. 2026. www.cell.com, https://doi.org/10.1016/j.cell.2026.02.009

成年哺乳動物腦組織首次實現解凍后功能復蘇

傳統(tǒng)的冷凍方法會形成冰晶并破壞極其敏感的成年腦組織結構，使得長期保存具有功能的神經網絡成為難題。埃爾蘭根-紐倫堡大學和埃爾蘭根大學醫(yī)院的Alexander German、Enes Ya??z Akda?、Cassandra Flügel-Koch和Fang Zheng等研究人員，成功利用優(yōu)化的超低溫玻璃化技術保存了成年小鼠的腦組織，使其在解凍后完全恢復了電信號交換和突觸可塑性。

? 立體顯微鏡圖像顯示的是零下 160 攝氏度下的腦組織切片。左側組織經玻璃化冷凍保存，而右側組織則因結晶和開裂而遭到破壞。Credit: Alexander German

研究人員優(yōu)化了防腐劑的成分與冷卻工藝，使用一種特定化學混合液，將成年小鼠的海馬體切片以及原位全腦冷卻至零下130攝氏度。在此超低溫下，組織內部和細胞間的水分轉變?yōu)闊o冰晶的玻璃態(tài)，分子運動完全停止。研究團隊將樣本在此狀態(tài)下保存數天后進行解凍，并結合電子顯微鏡和膜片鉗記錄評估組織的恢復情況。結果顯示，冷凍過程完全沒有破壞組織的納米結構。解凍后，海馬體內不僅自發(fā)重新形成了電信號，且能在神經網絡中正常傳播。更加關鍵的是，研究證實突觸處能夠被成功觸發(fā)長時程增強。這證明了極度冷凍并未損傷學習和記憶的底層細胞機器，為癲癇切除組織保存以及神經退行性疾病研究提供了全新的保存手段。研究發(fā)表在 PNAS 上。

#神經科學 #神經機制與腦功能解析 #玻璃化冷凍 #長時程增強 #器官保存

閱讀更多：

German, Alexander, et al. “Functional Recovery of the Adult Murine Hippocampus after Cryopreservation by Vitrification.” Proceedings of the National Academy of Sciences, vol. 123, no. 10, Mar. 2026, p. e2516848123. www.pnas.org, https://doi.org/10.1073/pnas.2516848123

學習多門語言防大腦衰老？醫(yī)療與財富比語言更關鍵

多語言環(huán)境是否真的能促進個體大腦的健康老化？休斯頓大學的Arturo E. Hernandez、My V.H. Nguyen和Ferenc Bunta對這一備受關注的觀點提出質疑，發(fā)現此前研究中觀察到的認知優(yōu)勢實際上是由國家結構性差異造成的，而非語言使用本身。

此前有研究分析了27個歐洲國家的數據，認為多語能力可以防止大腦加速衰老。為驗證該結論的可靠性，研究團隊重新審查了這些國家層面的多語現象與個體認知功能之間的關系。通過對比數據發(fā)現，高多語程度國家（如盧森堡和荷蘭）的預期壽命高達82.5歲，而低多語程度國家（如保加利亞和羅馬尼亞）僅為75.8歲和76.3歲，兩者存在近7年的顯著差距。深入分析表明，多語程度高的國家往往也是最富裕的國家，擁有更完善的醫(yī)療保健體系、更優(yōu)的幼兒營養(yǎng)和更低的慢性壓力。當把這些社會經濟因素和結構性力量納入考量后，語言本身帶來的明顯認知保護效應便基本消失。此外，研究還以日本為例指出，這個主要使用單一語言的社會卻擁有84.5歲的極高預期壽命，進一步證實了低不平等和健全的全民醫(yī)療才是長壽與健康老化的關鍵。觀察到的生物行為年齡差距實際上包含了復雜的宏觀資源差異，國家層面的多語模式并不能證明個體層面的因果關系。過度宣傳個人行為干預不僅會削弱公眾對科學的信任，還會轉移對改善公共衛(wèi)生基礎條件的關注。研究發(fā)表在 Brain and Language 上。

#疾病與健康 #健康管理與壽命延長 #多語現象 #認知老化 #社會經濟因素

閱讀更多：

Hernandez, Arturo E., et al. “Multilingualism and Aging: Country-Level Patterns May Not Support Individual-Level Causal Claims.” Brain and Language, vol. 276, May 2026, p. 105735. ScienceDirect, https://doi.org/10.1016/j.bandl.2026.105735

聽不到自己的口誤：腦電波揭示中風后失語癥的神經整合缺陷

中風后失語癥常導致患者無法流暢說話，大腦是如何失去對自身言語監(jiān)控能力的？德克薩斯大學達拉斯分校的Vahid Nejati、Ayoub Daliri和Roozbeh Behroozmand通過記錄中風幸存者的腦電信號，揭示了失語癥患者的大腦感覺運動網絡在處理聽覺反饋時存在顯著缺陷，導致其無法有效識別和糾正言語錯誤。

? 失語癥組（n = 20）的病灶分布疊加圖。數據顯示了 MNI（蒙特利爾神經學研究所）空間中的橫斷面切片，暖色調代表病灶在受試者間的重疊程度更高（深紅色區(qū)域代表至少 N = 15 的重疊區(qū)域）。每張切片上方的數字代表 MNI 坐標，單位為毫米（mm），指示每張軸位切片沿 y 軸的解剖位置。Credit: NeuroImage (2025).

為了探究大腦如何監(jiān)控和糾正語音，研究人員招募了20名中風后失語癥患者和22名健康對照者執(zhí)行單音節(jié)詞發(fā)音任務。實驗采用了改變的聽覺反饋范式，并通過共振峰偏移，將參與者聽到的第一共振峰頻率上移百分之三十，從而人為地在大腦中生成語音錯誤信號。同時，研究團隊使用腦電圖記錄參與者的事件相關電位。結果表明，在發(fā)音開始后，無論聽覺反饋是否被改變，失語癥組的事件相關電位振幅均顯著小于健康對照組。此外，健康對照組在發(fā)音后，大腦前部區(qū)域的神經反應明顯強于后部區(qū)域，但在失語癥組中未觀察到這種區(qū)域差異。兩組均未表現出左右半球的側向性差異。這些神經活動模式的改變證實，中風后失語癥削弱了負責言語產生和運動控制的前部皮層區(qū)域的神經反應性，導致患者無法在聽覺反饋中識別自身錯誤并做出實時調整。研究發(fā)表在 NeuroImage 上。

#疾病與健康 #神經機制與腦功能解析 #失語癥 #聽覺反饋 #感覺運動整合

閱讀更多：

Nejati, Vahid, et al. “Neural Mechanisms of Articulatory Motor Speech Deficit in Post-Stroke Aphasia: An ERP Study.” NeuroImage, vol. 320, Oct. 2025, p. 121483. ScienceDirect, https://doi.org/10.1016/j.neuroimage.2025.121483

體能提升顯著增強運動后大腦的“神經激活”效應

久坐人群如何更好地通過運動改善大腦神經功能？倫敦大學學院（University College London）的Flaminia Ronca和Cian Xu等研究人員發(fā)現，提高人體基礎體能可以顯著放大單次急性運動后大腦功能蛋白的釋放量，進而對前額葉皮層的神經認知活動產生更強的積極調節(jié)作用。

? Credit: Brain Research (2026).

研究團隊招募了23名久坐不動的成年人，并將其隨機分配至進行為期12周自行車訓練的干預組或無干預的對照組。通過每六周一次的最大攝氧量（V?O?max，用于衡量人體在劇烈運動期間能夠消耗和利用的最大氧氣量的有氧適能指標）測試，研究人員追蹤了受試者的體能變化。在測試前后，團隊分別測量了受試者血液中的腦源性神經營養(yǎng)因子水平。此外，受試者還完成了一系列認知測試，同時研究人員采用功能性近紅外光譜密切監(jiān)測其前額葉皮層的活動。結果顯示，12周的訓練并未改變受試者靜息狀態(tài)下的BDNF基線水平，但在進行單次高強度鍛煉后，干預組的血清BDNF水平出現了比訓練前更大幅度的激增，且這種激增與最大攝氧量的提升密切相關。更重要的是，外周BDNF水平的升高顯著影響了注意力和抑制任務期間前額葉特定區(qū)域的神經活動，但在單純的記憶任務中未見此效應。這表明僅需幾周的規(guī)律體能改善，就能讓大腦從短暫的單次運動中獲得成倍的神經生理益處。研究發(fā)表在 Brain Research 上。

#疾病與健康 #神經機制與腦功能解析 #有氧適能 #腦源性神經營養(yǎng)因子 #前額葉皮層

閱讀更多：

Ronca, Flaminia, et al. “BDNF Relates to Prefrontal Cortex Activity in the Context of Physical exercise.” Brain Research, Mar. 2026, p. 150253. ScienceDirect, https://doi.org/10.1016/j.brainres.2026.150253

小鼠研究揭示大腦如何在變化場景中識別穩(wěn)定模式

人類大腦如何在不斷變化的背景中穩(wěn)健地識別出熟悉物體？貝勒醫(yī)學院和斯坦福大學醫(yī)學院等機構的Zhiwei Ding和Dat Tran團隊揭示了這一過程的神經機制，發(fā)現了初級視覺皮層神經元中存在一種全新的二分不變性，該發(fā)現解釋了大腦感覺系統(tǒng)是如何有效提取穩(wěn)定特征并實現視覺泛化的。

? MEI 和 VEI 優(yōu)化示意圖。縱軸表示兩個模型神經元的激活情況，該激活情況是兩個示例圖像特征的函數。左圖：無明顯不變性的神經元；右圖：對其最優(yōu)刺激具有相位不變性的神經元。黑色曲線分別展示了 MEI 從不同初始化開始的優(yōu)化軌跡（左圖）以及 VEI 作為沿不變性脊線從 MEI 開始的擾動的優(yōu)化軌跡（右圖）。Credit: Ding et al.

研究團隊采用了初始循環(huán)（inception loop，一種在大規(guī)模記錄、預測模型和計算機模擬實驗之間不斷迭代的閉環(huán)范式）展開探索。首先，研究人員向清醒小鼠展示自然圖像，并利用雙光子鈣成像記錄其初級視覺皮層的反應。隨后，他們訓練深度神經網絡精準預測神經元的響應，并在計算機中合成了多樣化刺激輸入（VEI，能強烈驅動特定神經元且彼此差異極大的合成圖像），最后在活體小鼠中進行驗證。研究揭示，該皮層神經元的感受野被劃分為兩個互不重疊的子區(qū)：一個負責編碼可變的高頻紋理，另一個負責固定的低頻模式。這種頻率和空間的劃分有助于大腦檢測物體邊界。此外，通過分析大規(guī)模功能連接數據集發(fā)現，第2/3層興奮性神經元呈現明顯的層級結構，突觸后神經元的不變性顯著高于突觸前輸入，而不變性較低的神經元則會形成更多的突觸連接。研究發(fā)表在 Nature Neuroscience 上。

#AI驅動科學 #神經機制與腦功能解析 #計算模型與人工智能模擬 #視覺感知

閱讀更多：

Ding, Zhiwei, et al. “Functional Bipartite Invariance in Mouse Primary Visual Cortex Receptive Fields.” Nature Neuroscience, Feb. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41593-026-02213-3

新型3D材料實現腦細胞間更真實通訊

傳統(tǒng)的細胞培養(yǎng)方法難以真實模擬大腦內部復雜的生理環(huán)境。為了在體外更好地再現腦細胞間的自然通訊，基爾大學的Stefan Schr?der、Torge Hartig和Rainer Adelung聯合牛津大學的Luise Schlotterose以及哈佛醫(yī)學院的研究人員，共同開發(fā)出一種新型三維支架材料。該材料成功讓不同類型的人類腦細胞在更接近真實生理的條件下實現生長與信號交換。

? 顯微鏡下的熒光星形膠質細胞：細胞骨架呈紅色，星形膠質細胞特異性標記物連接蛋白 43 呈綠色，細胞核呈藍色。Credit: Luise Schlotterose

研究團隊首先以四足狀氧化鋅作為基礎骨架，利用引發(fā)化學氣相沉積技術，在骨架上涂覆極薄的水凝膠層。隨后，研究人員將內部的氧化鋅溶解去除，留下了一種超輕的氣相水凝膠。與傳統(tǒng)材料不同，這種新支架的孔徑、剛度等力學特性可以獨立進行精準調節(jié)，以適應不同組織的硬度需求。為驗證其功能，團隊將大腦中的免疫衛(wèi)士小膠質細胞與星形膠質細胞植入支架，并加入脂多糖進行測試。基因分析表明，當有星形膠質細胞共存時，小膠質細胞的炎癥反應出現了明顯下降。這證明了兩種細胞能夠利用該三維網絡結構進行長距離的生化信號傳遞，無需發(fā)生直接的物理接觸。該成果不僅為體外神經科學研究提供了更可靠的載體，還有望在未來大幅減少醫(yī)學研究對動物實驗的依賴。研究發(fā)表在 Chem & Bio Engineering 上。

#疾病與健康 #神經機制與腦功能解析 #生物材料 #氣相水凝膠 #三維細胞培養(yǎng)

閱讀更多：

“3D Aerohydrogel Scaffolds for Brain Tissue Engineering and In Vitro Neuroscience.” Chem & Bio Engineering, Feb. 2026. pubs.acs.org, https://pubs.acs.org/doi/full/10.1021/cbe.5c00104

為什么有些人更懂察言觀色？神經特征揭示人際互動中的認知靈活性差異

在互動中人們如何快速推斷他人意圖并據此調整策略一直是個謎。蘇黎世大學的Niklas Buergi、G?khan Aydogan、Arkady Konovalov和Christian C. Ruff探究了這一適應性心理化過程背后的神經計算機制。研究成功識別出追蹤信念更新的大腦分布式網絡，并發(fā)現了適應性心理化的通用神經特征，能夠準確預測個體在社交博弈中調整策略的程度。

? 適應性心理化的實驗任務和計算模型。Credit: Nature Neuroscience (2026).

研究團隊讓超過570名受試者與人類或人工智能對手進行重復的石頭剪刀布游戲，并開發(fā)了一種名為認知層級評估的新型算法。結合功能性磁共振成像，研究人員量化了受試者評估對手和更新信念的過程。實驗結果顯示，雖然大多數人能根據對手行為的變化靈活應對，但個體間的反應靈活性存在巨大差異。當受試者重新評估對手時，大腦中一個分布式網絡活動顯著增強，這其中包括負責思考他人意圖的顳頂葉皮層、參與評估社會信息的背內側前額葉皮層，以及在預期落空時活躍的前腦島和腹外側前額葉皮層?；诙嘧兞繖C器學習方法，研究人員能以近90%的準確率從這些神經活動模式中預測個體調整策略的程度。這一預測在未提供大腦數據的獨立驗證樣本中依然有效，從而確立了適應性心理化的神經指紋。該發(fā)現將有助于更客觀地評估孤獨癥等神經系統(tǒng)疾病患者的社會認知能力缺陷。研究發(fā)表在 Nature Neuroscience 上。

#認知科學 #意圖與決策 #適應性心理化 #計算模型 #神經影像學

閱讀更多：

Buergi, Niklas, et al. “A Neural Signature of Adaptive Mentalization.” Nature Neuroscience, Mar. 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-026-02219-x

完全根據小鼠腦活動重建的電影

大腦究竟如何將視覺信號轉化為動態(tài)畫面？倫敦大學學院的Joel Bauer團隊聯合帝國理工學院的研究人員，成功僅憑小鼠視覺皮層的神經元單細胞活動記錄，高精度重建了小鼠看到的動態(tài)電影。該成果為探究大腦視覺信息的底層處理機制提供了全新的直接測量手段。

? Credit:Joel Bauer et al.

這項研究利用了雙光子鈣成像技術記錄小鼠觀看視頻時的單細胞活動。研究團隊采用了一種先進的動態(tài)神經編碼模型，該模型不僅基于輸入的視頻預測神經元反應，還納入了小鼠的奔跑速度和瞳孔直徑等行為變量。在重建過程中，算法首先輸入一段空白視頻，通過反向傳播計算預測神經活動與實際記錄數據間的差異，并逐步更新視頻的像素，直到模型輸出的視頻與真實播放的畫面高度吻合。結果顯示，該團隊成功重建了時長10秒、幀率為30 Hz的動態(tài)視頻，真實電影與單次試驗重建結果之間的像素級相關性達到了0.57，遠超以往基于清醒小鼠初級視覺皮層（V1）靜態(tài)圖像重建的0.24。研究發(fā)現，數據集中神經元的數量和模型集成對實現高質量重建至關重要。此外，團隊指出重建視頻與現實畫面之間的微小偏差并非解碼誤差，而是反映了大腦對感官信息的扭曲與加工特征。研究發(fā)表在 eLife 上。

#意識與腦機接口 #大腦信號解析 #視覺處理 #神經編碼模型 #單細胞記錄

閱讀更多：

Bauer, Joel, et al. “Movie Reconstruction from Mouse Visual Cortex Activity.” eLife, edited by Rachel Denison and Yanchao Bi, vol. 14, Mar. 2026, p. RP105081. eLife, https://doi.org/10.7554/eLife.105081

追蹤無意識：視覺工作記憶中無意識信息保留的神經證據

無意識信息能否被大腦的工作記憶保留？為了尋找確鑿的神經證據，Filippo Gambarota、Roy Luria、Antonio Maffei、Roberto Dell’Acqua、Naotsugu Tsuchiya和Paola Sessa發(fā)現，即使個體對視覺刺激毫無主觀意識，大腦依然會通過神經元的主動放電將這些信息保留在視覺工作記憶中，這一結果挑戰(zhàn)了無意識記憶完全依賴神經靜默機制的傳統(tǒng)認知假說。

研究團隊采用了一項改進的變化檢測任務，結合感知覺知量表來區(qū)分個體的意識狀態(tài)。實驗中，受試者需要記憶處于可見度極限邊緣的Gabor斑塊，并在隨后判斷新出現的斑塊方向是否發(fā)生改變。在此過程中，研究人員利用腦電圖記錄大腦電活動，重點提取對側延遲活動的振幅變化。結果表明，即使在受試者主觀報告完全沒有看到刺激的無意識測試中，他們判斷斑塊方向的準確率依然顯著高于隨機猜測水平。更重要的是，在這些無意識且回答正確的測試里，受試者的大腦出現了穩(wěn)定可靠的對側延遲活動振幅，而回答錯誤的測試則沒有此現象。這證實了大腦確實能夠通過神經元的持續(xù)主動放電，將無意識的視覺信息短暫保留在工作記憶中，以供后續(xù)執(zhí)行認知任務調用。研究發(fā)表在 Journal of Cognitive Neuroscience 上。

#意識與腦機接口 #記憶機制 #視覺工作記憶 #無意識信息 #對側延遲活動

閱讀更多：

Gambarota, Filippo, et al. “Tracking the Unconscious: Neural Evidence for the Retention of Unaware Information in Visual Working Memory.” Journal of Cognitive Neuroscience, vol. 38, no. 3, Mar. 2026, pp. 497–508. Silverchair, https://doi.org/10.1162/JOCN.a.100

AI 行業(yè)動態(tài)

微軟Copilot Cowork震撼發(fā)布：Claude入駐Office，全球4.5億辦公族迎來AI執(zhí)行者

微軟近日正式推出全新的AI辦公工具Copilot Cowork，將其深度集成進Word、Excel、PPT、Outlook等“辦公全家桶”。與以往僅提供建議的AI助手不同，Copilot Cowork的核心突破在于“從計劃到行動”的閉環(huán)執(zhí)行能力。用戶僅需通過自然語言下達指令，它便能自動讀取郵件、日程和文件，獨立完成諸如梳理一周日程、準備客戶會議、進行深度公司調研乃至策劃產品發(fā)布等復雜工作流。在后臺，它能同時推進多個任務，遇到不確定之處會主動請示，獲批后便直接操作軟件、生成文檔并交付成果，真正實現了“動嘴干活”。微軟AI-at-Work負責人Jared Spataro表示，這標志著Copilot從輔助工具向真正執(zhí)行者的關鍵轉變。

此次發(fā)布的一個重大轉變是，微軟在Copilot中接入了Anthropic的最強Claude模型，而非其長期合作伙伴OpenAI。這一決策源于今年1月Anthropic發(fā)布類似產品后引發(fā)全球軟件股暴跌，微軟意識到與其讓外部技術顛覆自身生態(tài)，不如將其納入體系。Copilot Cowork采用了與Anthropic版本相同的“智能體框架”，并運行在Microsoft 365嚴格的安全與合規(guī)邊界內，專為企業(yè)級客戶設計。其定價也體現了這一高端定位：需在現有企業(yè)版基礎上額外支付每月30美元的Copilot許可證，或選擇每月99美元、捆綁了更多AI與管理工具的新E7套餐。此舉引發(fā)了市場對打工人生存狀態(tài)的再次討論，也預示著AI正從副駕駛位置，真正把手伸向工作的方向盤。

#CopilotCowork #微軟AI #Claude #辦公自動化 #AI智能體

閱讀更多：

https://www.bloomberg.com/news/articles/2026-03-09/microsoft-launches-new-99-per-month-ai-focused-software-bundle

LeCun世界模型公司AMI Labs獲10.3億美元融資，謝賽寧加盟

由圖靈獎得主Yann LeCun聯合創(chuàng)立的先進機器智能實驗室（AMI Labs）近日宣布完成10.3億美元種子輪融資，公司估值達35億美元，并迎來著名華人科學家謝賽寧作為首席科學官加盟。這家總部位于巴黎的AI研究實驗室致力于開發(fā)能夠真正理解現實世界的“世界模型”（world model），一種區(qū)別于當前主流大語言模型的技術路徑。世界模型的核心在于學習來自攝像頭、傳感器等真實世界的連續(xù)、高維數據，通過聯合嵌入預測架構（JEPA，一種讓模型學習在抽象空間中進行預測的框架）將其壓縮為抽象表示并進行預測和規(guī)劃，旨在實現對可靠性、安全性要求極高的工業(yè)、醫(yī)療、機器人等領域的應用突破。

AMI Labs的團隊陣容堪稱豪華，除了LeCun擔任執(zhí)行董事長外，還匯聚了來自Meta、Google DeepMind等機構的核心人才。謝賽寧作為計算機視覺領域頂尖學者，其提出的Diffusion Transformers架構是OpenAI視頻生成模型Sora的基石，他的加入無疑將極大增強團隊的技術實力。公司CEO Alexandre LeBrun強調，這是一項從基礎研究開始的長期科學事業(yè)，預計至少需要一年研究時間才會推出首個實際應用，這與追求快速商業(yè)回報的典型AI初創(chuàng)公司截然不同。盡管如此，基于其宏偉目標與頂尖團隊，AMI Labs仍吸引了包括貝佐斯探險、英偉達、三星等在內的龐大投資者陣容，并計劃在巴黎、紐約、蒙特利爾和新加坡四地組建團隊，與李飛飛的World Labs等共同推動“世界模型”這一AI新方向的發(fā)展。

#YannLeCun #世界模型 #AMI Labs #謝賽寧 #AI融資

閱讀更多：

https://techcrunch.com/2026/03/09/yann-lecuns-ami-labs-raises-1-03-billion-to-build-world-models/

AI 驅動科學

BIOCONNET平臺：在體外構建可控且開放的人腦皮質網絡

現有神經模型難以兼顧精確結構控制與開放分析環(huán)境。倫敦國王學院的Pacharaporn Suklai和Andrea Serio等開發(fā)了BIOCONNET平臺，成功在體外構建可控人腦皮質神經網絡并實現深度分子解析。

研究團隊利用軟光刻技術在聚二甲基硅氧烷表面制造出10微米見方的平行微溝槽。隨后，研究人員使用可移除的接種導引器作為臨時模具，將人類誘導多能干細胞分化的皮質神經元精準放置在特定節(jié)點上。貼壁48小時后移除導引器，形成完全開放的培養(yǎng)環(huán)境。神經元樹突和軸突自發(fā)沿微溝槽延伸，連接不同節(jié)點形成功能性突觸。實驗顯示，通過表達光敏蛋白進行光遺傳學刺激，能誘發(fā)下游節(jié)點神經元產生鈣瞬變，證實信號定向流動。此外，該系統(tǒng)允許回收特定節(jié)點細胞裂解物進行蛋白質免疫印跡檢測，證明其在多層級分子分析中的可行性。研究發(fā)表在 Advanced Healthcare Materials 上。

#神經科學 #神經機制與腦功能解析 #人腦皮質網絡 #體外模型 #誘導多能干細胞

閱讀更多：

Suklai, Pacharaporn, et al. “Engineering Cortical Networks: An Open Platform for Controlled Human Circuit Formation and Synaptic Analysis In Vitro.” Advanced Healthcare Materials, vol. 14, no. 31, 2025, p. e00857. Wiley Online Library, https://doi.org/10.1002/adhm.202500857

拋棄AGI追求SAI：LeCun團隊提出超人類適應性智能新路線

人工智能界長期將達到人類水平的通用人工智能作為終極目標，但人類智能受限于進化過程，并非真正的通用。哥倫比亞大學與紐約大學的Judah Goldfeder、Philippe Wyder、Yann LeCun和Ravid Shwartz-Ziv提出超人類適應性智能概念，指出人工智能應擁抱專業(yè)化而非通用性。

研究團隊結合生物學進化論與機器學習原理對現有的人工智能發(fā)展路徑進行了重新評估。團隊指出，人類的通用能力僅是為適應生存而進化的結果，存在明顯的認知盲區(qū)。在模型訓練中，盲目追求通用性會導致負遷移。因此，團隊提出超人類適應性智能框架。該框架將衡量智能的核心指標從掌握技能的數量轉變?yōu)閷W習新技能的速度。為了實現這一目標，研究人員建議放棄以人類為中心的任務空間，讓系統(tǒng)在特定關鍵領域超越人類。在技術路線上，團隊主張采用自監(jiān)督學習結合世界模型以及模塊化架構。這種新范式將使系統(tǒng)在沒有明確訓練的情況下快速適應新任務。

#大模型技術 #計算模型與人工智能模擬 #超人類適應性智能 #自監(jiān)督學習 #世界模型

閱讀更多：

Goldfeder, Judah, et al. “AI Must Embrace Specialization via Superhuman Adaptable Intelligence.” arXiv:2602.23643, arXiv, 27 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.23643

超緊湊型光子神經網絡加速器：以光速運行的人工智能芯片

隨著人工智能算力需求的激增，傳統(tǒng)電子計算硬件正面臨計算速度與能源消耗的嚴峻瓶頸。悉尼大學（University of Sydney）的Joel Sved和Xiaoke Yi等研究人員研發(fā)出一種以光速運行的超緊湊型光子人工智能芯片，成功實現了超低能耗的極速計算，為下一代可持續(xù)計算硬件奠定了基礎。

? 逆向設計的納米光子神經網絡加速器。Credit: Nature Communications (2026).

這項研究采用了一種基于三維時域有限差分（3D-FDTD，一種用于模擬電磁波傳播的計算電磁學方法）的逆向設計框架。研究人員利用麥克斯韋方程組的線性特性，通過光學相干性重構空間場。在絕緣體上硅平臺上，芯片的每個亞波長體素都被作為可訓練的自由度，從而實現了高達每平方毫米約4億個參數的計算密度。該設計還將前向傳播過程解耦為線性可分的模擬，使其高度適配現代硬件的并行計算。實驗中，團隊制造了面積僅為20 × 20 μm2和30 × 20 μm2的器件，其寬度大致相當于一根頭發(fā)絲。當光穿過這些納米結構時，僅需皮秒級的時間即可自動完成計算而幾乎不產生熱量。在驗證測試中，該納米光子神經網絡對包含乳房、胸部等部位MRI掃描圖像的MedNIST數據集以及MNIST數據集進行了處理，片上分類準確率分別達到了90%和89%。研究發(fā)表在 Nature Communications 上。

#AI驅動科學 #計算模型與人工智能模擬 #光計算 #納米技術

閱讀更多：

Sved, Joel, et al. “Inverse-Designed Nanophotonic Neural Network Accelerators for Ultra-Compact Optical Computing.” Nature Communications, vol. 17, no. 1, Mar. 2026, p. 1059. www.nature.com, https://doi.org/10.1038/s41467-026-68648-1

人類大腦能識破AI語音偽裝，即便你在行為上無法分辨

人工智能生成的逼真語音加劇了欺詐風險，人類能否準確分辨出真假？天津大學與香港中文大學的Jinghan Yang和Xiangbin Teng等團隊研究發(fā)現，盡管人們在主觀判斷上難以區(qū)分真假語音，但經過短暫訓練，大腦在神經層面上能敏銳捕捉到AI與真人語音的細微差別。

研究團隊招募了30名參與者，讓他們聆聽由真人錄制及AI克隆系統(tǒng)生成的語音。參與者在接受約12分鐘的短期知覺訓練前后，分別判斷所聽語音的來源。實驗中研究人員同步使用腦電圖測量參與者的神經活動。結果表明，在行為層面上，無論是否經過訓練，參與者都極難主觀分辨出AI語音，訓練帶來的改善微乎其微。然而神經數據分析卻呈現截然不同的結果，通過時間響應函數分析發(fā)現，訓練促使大腦對兩類語音產生顯著的分化。在聽覺處理早期（約55毫秒和210毫秒）及晚期（約455毫秒）階段，大腦對真實人類和AI語音表現出不同的神經反應。這種行為表現與神經敏感性之間的分離現象說明，聽覺系統(tǒng)已開始適應并捕捉AI語音的聲學特征。研究發(fā)表在 eNeuro 上。

#神經科學 #神經機制與腦功能解析 #深度偽造語音 #人工智能 #腦電圖

閱讀更多：

Yang, Jinghan, et al. “Short-Term Perceptual Training Modulates Neural Responses to Deepfake Speech but Does Not Improve Behavioral Discrimination.” eNeuro, Mar. 2026. Research Article: New Research. www.eneuro.org, https://doi.org/10.1523/ENEURO.0300-25.2026

什么成就了熱門歌曲？TikTok與Spotify的算法偏好揭秘

Na Ta、Fang Jiao、Cong Lin和Cuihua Shen（中國人民大學、香港中文大學、清華大學、加州大學戴維斯分校）對比發(fā)現，TikTok與Spotify的算法及商業(yè)模式重塑了音樂生產與接收，致使兩平臺的熱歌特征與更迭動態(tài)存在顯著差異。

研究團隊收集并分析了2020年至2022年間兩大平臺每日百強熱門歌曲排行榜的縱向數據集。通過計算分析，他們比較了不同平臺在音樂流派、內容特征以及主流唱片公司占比等方面的分布偏好與上榜動態(tài)。研究結果顯示，兩年間TikTok的百強榜單僅包含321首歌曲，而Spotify高達1707首，且僅有68首歌曲同時出現在雙平臺的榜單中。在TikTok上，得益于平臺對用戶參與度和舞蹈挑戰(zhàn)的重視，舞曲和獨立音樂人更容易走紅；而在Spotify上，情歌、流行和嘻哈音樂占據主導，且該平臺上的熱門歌曲主要由主流唱片公司制作，政治類歌曲極不受歡迎。此外，數據表明Spotify上歌曲的迭代速度更快，且一首歌曲在Spotify上的流行往往先于TikTok。研究認為，Spotify扮演著核心的音樂分發(fā)渠道角色，而TikTok則為音樂的創(chuàng)意再詮釋提供了互動的空間。研究發(fā)表在 Information, Communication & Society 上。

#其他 #音樂產業(yè) #算法推薦 #流媒體平臺

閱讀更多：

“A Computational Analysis of the Platformization of Music: Comparing Hit Songs on TikTok and Spotify.” Information, Communication & Society. www.tandfonline.com, https://www.tandfonline.com/doi/abs/10.1080/1369118X.2025.2539297. Accessed 10 Mar. 2026

提升AI模型預測解釋能力：從模型內部提取可理解概念的新方法

在醫(yī)療診斷等關鍵領域，AI的“黑箱”決策過程常使用戶難以信任。來自麻省理工學院和米蘭理工大學的Antonio De Santis、Lalana Kagal等人開發(fā)了一種名為機械式概念瓶頸模型（M-CBM）的新方法。該方法不再依賴人類專家預先定義的概念，而是直接從AI模型內部提取其為完成任務而自發(fā)學習到的核心概念，從而生成更準確、更忠實于模型原始邏輯的決策解釋。

? Credit: Learning Concept Bottleneck Models From Mechanistic Explanations.

研究團隊設計了一個創(chuàng)新的流程來“解讀”AI的內部工作機制。首先，他們使用一種名為稀疏自編碼器的技術，從一個預訓練好的視覺模型中自動識別出對預測最關鍵的內部特征。隨后，一個多模態(tài)大語言模型介入，將這些抽象的機器特征“翻譯”成人類能夠理解的文字描述，例如“成簇的棕色斑點”。利用這些由AI自己生成的概念，系統(tǒng)會自動標注整個數據集，并基于此訓練一個全新的“概念瓶頸”模塊。最后，該模塊被嵌入原始模型，迫使其所有決策都必須通過這個由少數幾個核心概念構成的通道，從而使其推理過程變得透明。在鳥類識別和皮膚病變診斷等測試中，該方法的準確性超越了其他可解釋AI模型，同時其解釋也更為簡潔、精確。研究發(fā)表在 International Conference on Learning Representations 上。

#AI驅動科學 #計算模型與人工智能模擬 #可解釋AI #概念瓶頸模型

閱讀更多：

https://openreview.net/pdf?id=gdEWoxhb70

AI虛假新聞檢測器：高準確率下的現實失靈與內置偏見

AI虛假新聞檢測器看似準確，但在現實世界中為何頻頻失效？蒙特利爾大學的Dorsaf Sallami、Esma A?meur和Gilles Brassard深入研究了這一問題。他們發(fā)現，這些工具并非真正的事實核查員，而是其訓練數據的“鏡子”，不僅無法應對現實復雜性，還潛藏著嚴重的性別、地域等偏見。研究呼吁建立一個超越單純準確率、兼顧公平、透明和隱私的社會責任評估框架。

研究指出，AI檢測器存在一個根本性誤解：它不進行事實核查，而是基于訓練數據計算概率。這一過程面臨“真實情況問題”，并會忠實地復制數據中存在的偏見，例如某些模型更容易將女性或非西方信源與虛假信息關聯。研究者認為，業(yè)界過于專注于提升準確率，卻忽視了這些系統(tǒng)可能傳播的歧視性問題。此外，大型語言模型的快速發(fā)展使得虛假信息愈發(fā)逼真，讓現有檢測方法很快過時。為此，研究團隊主張采用更全面的社會責任評估標準，并開發(fā)了一款名為Aletheia的瀏覽器擴展程序。該工具不僅給出判斷，更重要的是以通俗語言解釋原因，提供證據來源，賦能用戶自行決策。在初步測試中，Aletheia實現了約85%的可靠性，展示了兼顧技術與社會責任的AI設計新方向。研究發(fā)表在 Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society 上。

#AI驅動科學 #大模型技術 #虛假新聞 #算法偏見 #可解釋AI

閱讀更多：

A?meur, Esma, et al. “Too Focused on Accuracy to Notice the Fallout: Towards Socially Responsible Fake News Detection.” Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, vol. 8, no. 1, Oct. 2025, pp. 55–65. ojs.aaai.org, https://doi.org/10.1609/aies.v8i1.36530

ParamMem：新型參數化記憶模塊提升語言智能體反思能力與推理性能

語言智能體在處理復雜任務時，其自我反思過程常常陷入重復，限制了推理能力的進一步提升。Tianjun Yao、Yongqiang Chen、Yujia Zheng、Pan Li、Zhiqiang Shen、Kun Zhang提出了一種名為ParamMem的新型參數化記憶模塊，并構建了ParamAgent框架，旨在通過增強反思多樣性來解鎖語言智能體更深層次的推理潛力。

該研究的核心是一種創(chuàng)新的參數化記憶模塊，它通過在輔助數據集上進行微調，將豐富的跨樣本反思模式隱式地編碼到模型參數中。與依賴檢索相似案例的傳統(tǒng)方法不同，ParamMem能夠在推理時生成全新的、更多樣化的反思內容。研究團隊將此模塊無縫集成到智能體框架中，提出了ParamAgent。在解決任務時，ParamAgent不僅利用傳統(tǒng)的情景記憶，還會從ParamMem中采樣多樣化的反思信號，以指導其后續(xù)的思考和行動。實驗結果表明，該框架在代碼生成、數學推理和多跳問答等多個基準測試中，性能全面超越了當前最優(yōu)的基線模型。更重要的是，ParamMem展現出極高的數據效率，僅需約500個樣本即可完成訓練。它還支持智能體自我提升，并成功實現了“弱至強”遷移，展示了其作為通用語言智能體增強組件的巨大潛力。

#AI驅動科學 #大模型技術 #語言智能體 #自反思

閱讀更多：

Yao, Tianjun, et al. “ParamMem: Augmenting Language Agents with Parametric Reflective Memory.” arXiv:2602.23320, arXiv, 27 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.23320

模仿人類閱讀：新方法讓大模型先“畫提綱”再思考，顯著提升文本處理能力

大型語言模型在處理復雜文本時常顯不足，如何提升其深度推理能力是一大挑戰(zhàn)。來自杜克大學、德克薩斯大學奧斯汀分校和Meta的研究人員Qinsi Wang、Hancheng Ye、Jinhee Kim等人，受人類閱讀習慣啟發(fā)，提出了一種名為“結構化思維”的提示策略，并構建了首個全面評估文本結構化能力的基準測試T2S-Bench。

研究團隊的核心方法是“結構化思維”（Structure of Thought, SoT），這是一種提示工程技術，它引導模型在生成最終答案前，先像人類一樣提煉文本中的關鍵信息點（節(jié)點）及其相互關系（鏈接），形成一個清晰的中間結構。為系統(tǒng)性地評估并提升這一能力，團隊創(chuàng)建了T2S-Bench基準。該基準包含1800個從高質量學術論文中提取的樣本，覆蓋計算機科學、生命科學等六大學科領域。實驗結果表明，該方法效果顯著。在未使用額外訓練數據的情況下，僅通過SoT提示，Qwen2.5-7B-Instruct模型在八項不同文本處理任務中的性能平均提升了5.7%。對45個主流模型的全面評測發(fā)現，現有模型在該領域潛力巨大，例如在需要多步邏輯的推理任務上，平均準確率僅為52.1%。進一步地，通過在T2S-Bench上微調模型，性能提升可達8.6%，且這種結構化能力能有效遷移到其他真實世界的長文本任務中。

#AI驅動科學 #大模型技術 #計算模型與人工智能模擬 #文本理解

閱讀更多：

Wang, Qinsi, et al. “T2S-Bench & Structure-of-Thought: Benchmarking and Prompting Comprehensive Text-to-Structure Reasoning.” arXiv:2603.03790, arXiv, 4 Mar. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2603.03790

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。