█ 腦科學動態(tài)

Cell：阿爾茨海默病并非一種病，蛋白質(zhì)圖譜揭示其三種分子亞型

小鼠與人類大腦老化模式相似

全球數(shù)億人受困擾，國際專家團隊全面解讀“長新冠”

咖啡因精準修復大腦記憶回路

新工具利用簡短測驗繪制學生知識圖譜

觀眾決定表演質(zhì)量：蜜蜂搖擺舞的精準度取決于聽眾

意外獲得的空閑時間為何感覺更長？

社交媒體成精神健康信息雷區(qū)：TikTok誤導性內(nèi)容比例最高

█ AI行業(yè)動態(tài)

定義分布式Attention性能新標桿：Sand.ai推出MagiAttention v1.1.0

█ AI驅(qū)動科學

AI精準定制Ras亞型特異性結(jié)合劑攻克癌癥靶向難題

仿昆蟲機器人實現(xiàn)單側(cè)傳感器受損下的穩(wěn)健氣味追蹤

突破靜態(tài)限制：人工神經(jīng)網(wǎng)絡(luò)成功重現(xiàn)四足動物動態(tài)步態(tài)

利用壓電材料開發(fā)無電機類鳥機器人

結(jié)合多模態(tài)數(shù)據(jù)的人工智能準確預測高風險駕駛員

語境連貫但用詞相異：GPT-4o在結(jié)構(gòu)化心理治療對話中的對齊度測試

腦科學動態(tài)

Cell：阿爾茨海默病并非一種病，蛋白質(zhì)圖譜揭示其三種分子亞型

神經(jīng)退行性疾病的分子機制為何如此復雜難解？為了厘清其背后錯綜復雜的蛋白質(zhì)網(wǎng)絡(luò)，由圣裘德兒童研究醫(yī)院的 Junmin Peng 和西奈山伊坎醫(yī)學院的 Bin Zhang 領(lǐng)導的多機構(gòu)團隊，構(gòu)建了一個名為泛神經(jīng)退行性疾病圖譜（PanNDA）的綜合蛋白質(zhì)數(shù)據(jù)庫。該圖譜首次系統(tǒng)性地揭示了多種神經(jīng)退行性疾病內(nèi)部的分子亞型，并為精準診斷和治療提供了新的靶點。

? 流程圖展示了本研究的計算和實驗工作流程。Credit: Cell (2026).

研究團隊通過整合多種蛋白質(zhì)組學策略，對來自六種主要神經(jīng)退行性疾病的2279份人腦樣本進行了前所未有的深度分析，構(gòu)建了一個覆蓋超過10,000種蛋白質(zhì)的泛神經(jīng)退行性疾病圖譜。該圖譜揭示了疾病內(nèi)部存在過去未知的分子亞型，例如，阿爾茨海默病被分為三種，路易體癡呆分為四種。研究還識別出超過20種潛在的生物標志物，可用于區(qū)分不同的阿爾茨海默病亞型，為精準診斷提供了依據(jù)。通過構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)，團隊不僅發(fā)現(xiàn)了不同疾病間共享和特有的病理通路，還識別出可能驅(qū)動疾病發(fā)展的關(guān)鍵蛋白，這些蛋白有望成為新的治療靶點。研究發(fā)表在 Cell 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #個性化醫(yī)療 #蛋白質(zhì)組學 #阿爾茨海默病

閱讀更多：

Shrestha, Him K., et al. “Pan-Neurodegeneration Proteomics Reveals Disease Subtypes and Molecular Signatures.” Cell, vol. 0, no. 0, Mar. 2026. www.cell.com, https://doi.org/10.1016/j.cell.2026.02.026

小鼠與人類大腦老化模式相似

人類大腦如何衰老，其復雜的網(wǎng)絡(luò)結(jié)構(gòu)如何隨時間變化？來自哥倫比亞大學祖克曼研究所的 Itamar Kahn 和德克薩斯大學達拉斯分校的 Gagan S. Wig 團隊通過研究小鼠，發(fā)現(xiàn)其大腦在網(wǎng)絡(luò)層面的老化模式與人類驚人地相似，這一發(fā)現(xiàn)為加速理解和干預人類大腦衰老提供了寶貴的動物模型。

? 人類（左）和小鼠（右）大腦的功能磁共振成像掃描顯示，連接模式（圓圈）會隨著年齡而變化。 Credit Ezra Winter-Nelson.

研究團隊利用先進的功能磁共振成像（fMRI）技術(shù)，在小鼠3至20個月（約相當于人類18至70歲）的生命周期中對其進行多次腦部掃描。為確保數(shù)據(jù)可比性，他們克服了巨大技術(shù)挑戰(zhàn)，在小鼠清醒狀態(tài)下完成了高質(zhì)量的成像。分析結(jié)果顯示，和人類一樣，衰老小鼠的大腦功能模塊的特化程度也顯著下降。然而，研究也揭示了關(guān)鍵差異：人類大腦網(wǎng)絡(luò)具有更高的整合度，但其模塊特化性的衰退速度也比小鼠更快，這表明人類大腦為獲得高級認知能力付出的代價可能是對衰老過程更加敏感。這項研究首次在宏觀網(wǎng)絡(luò)層面證實了小鼠作為人類大腦老化模型的有效性，使科學家未來能夠在動物身上測試飲食、基因或藥物干預對延緩認知衰退的影響。研究發(fā)表在 PNAS 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #腦老化 #比較神經(jīng)科學 #fMRI

閱讀更多：

http://dx.doi.org/10.1073/pnas.2527522123

全球數(shù)億人受困擾，國際專家團隊全面解讀“長新冠”

為系統(tǒng)梳理新冠長期癥狀（長新冠）對大腦和心理健康的多重影響，一個由Jo Ellen Wilson, Clarissa Lin Yasuda, E. Wesley Ely等14位國際專家組成的團隊，綜合分析了其流行病學、生物學機制、診斷及治療現(xiàn)狀，發(fā)表了一篇權(quán)威綜述，為理解這一復雜的感染后慢性病提供了全面的科學視角。

該綜述指出，全球有數(shù)千萬至數(shù)億人正受長新冠困擾，其神經(jīng)精神癥狀尤為突出，包括認知功能障礙（cognitive dysfunction，俗稱“腦霧”）、記憶喪失、焦慮和抑郁等。文章深入探討了其復雜的生物學根源，認為可能涉及SARS-CoV-2病毒持續(xù)存在、潛伏的皰疹病毒被再激活、慢性免疫激活、腸道菌群失調(diào)以及大腦結(jié)構(gòu)和功能連接的異常。目前，長新冠的診斷完全依賴于臨床評估，即在感染后出現(xiàn)持續(xù)至少三個月的癥狀，尚無獲批的生物標志物。研究強調(diào)，除了健康損害，長新冠還帶來了嚴重的社會經(jīng)濟后果，包括生產(chǎn)力下降和醫(yī)療負擔加重，患者也時常面臨社會污名。鑒于尚無特效療法，專家組強調(diào)避免病毒感染是唯一的預防手段，并呼吁采用多學科團隊為患者提供個性化護理。研究發(fā)表在 Nature Reviews Disease Primers 上。

#疾病與健康 #心理健康與精神疾病 #新冠后遺癥 #綜述 #公共衛(wèi)生

閱讀更多：

Wilson, Jo Ellen, et al. “COVID-19-Associated Neurological and Psychological Manifestations.” Nature Reviews Disease Primers, vol. 11, no. 1, Dec. 2025, p. 91. www.nature.com, https://doi.org/10.1038/s41572-025-00674-7

咖啡因精準修復大腦記憶回路

睡眠不足如何損害社交記憶？咖啡因能否逆轉(zhuǎn)這種損傷？新加坡國立大學楊潞齡醫(yī)學院的Sreedharan Sajikumar和Lik-Wei Wong團隊研究發(fā)現(xiàn)，咖啡因能夠通過靶向海馬體CA2區(qū)域的特定通路，精準修復睡眠剝奪導致的社交記憶缺陷，而不是簡單地提神醒腦。該研究揭示了咖啡因在分子和行為層面恢復特定神經(jīng)回路功能的精確機制。

研究團隊首先通過讓小鼠經(jīng)歷5小時的睡眠剝奪，發(fā)現(xiàn)這種短暫的睡眠缺失足以破壞海馬體CA2區(qū)（大腦中對社交記憶至關(guān)重要的區(qū)域）的神經(jīng)元通訊。電生理記錄顯示，神經(jīng)元之間連接強度的可塑性受到顯著抑制，這直接導致了小鼠在行為測試中無法區(qū)分熟悉與陌生的同類，表現(xiàn)出社交記憶障礙。然而，當研究人員在小鼠睡眠剝奪前讓其攝入咖啡因后，這些損傷被完全逆轉(zhuǎn)?？Х纫虿粌H恢復了CA2區(qū)的突觸可塑性至正常水平，也修復了小鼠的社交記憶。更重要的是，研究證實咖啡因的作用具有高度特異性。它并非全局性地刺激大腦，而是像一把“分子鑰匙”一樣，精確作用于因睡眠不足而功能失調(diào)的腺苷受體信號通路，從而選擇性地修復受損的神經(jīng)回路，而未對正常狀態(tài)下的大腦產(chǎn)生過度興奮。研究發(fā)表在 Neuropsychopharmacology 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #睡眠剝奪 #咖啡因 #社交記憶

閱讀更多：

Wong, Lik-Wei, et al. “Caffeine Reverses Sleep Deprivation-Induced Synaptic and Social Memory Deficits via Adenosine Receptor Modulation in the Male Mouse Hippocampal CA2 Region.” Neuropsychopharmacology, Feb. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41386-026-02362-w

新工具利用簡短測驗繪制學生知識圖譜

傳統(tǒng)的測驗分數(shù)如何揭示學生真正的理解程度？針對這一教育領(lǐng)域的長期挑戰(zhàn)，達特茅斯學院的Jeremy R. Manning、Paxton C. Fitzpatrick和Andrew C. Heusser團隊報告了一種創(chuàng)新的數(shù)學框架。該框架能夠?qū)⒑唵蔚亩囗椷x擇測驗結(jié)果，轉(zhuǎn)化為一幅精細的學生個人知識地形圖，為實現(xiàn)真正的個性化教育和開發(fā)下一代AI輔導系統(tǒng)鋪平了道路。

研究的核心方法是利用驅(qū)動現(xiàn)代AI的文本嵌入模型，將每一個知識概念表示為高維空間中的一個坐標點。在這個空間里，概念間的關(guān)聯(lián)性由它們的距離決定。研究團隊對50名本科生在觀看在線物理課程前后的測驗數(shù)據(jù)進行了分析。通過將學生的回答與概念坐標相結(jié)合，該框架為每位學生生成了一張動態(tài)的“知識地圖”，清晰地標示出他們已經(jīng)掌握的知識領(lǐng)域（高峰）和尚存不足的區(qū)域（山谷）。實驗結(jié)果表明，這些地圖不僅能有效追蹤學生學習過程中知識結(jié)構(gòu)的演變，還能精準預測他們在特定問題上的表現(xiàn)。這項技術(shù)突破了傳統(tǒng)評分的局限，它讓教育者能自動化地識別每個學生的知識盲點，并為AI tutors提供深入理解學生認知狀態(tài)的能力，從而提供量身定制的反饋。研究發(fā)表在 Nature Communications 上。

#AI驅(qū)動科學 #預測模型構(gòu)建 #個性化教育 #知識圖譜

閱讀更多：

Fitzpatrick, Paxton C., et al. “Text Embedding Models Yield Detailed Conceptual Knowledge Maps Derived from Short Multiple-Choice Quizzes.” Nature Communications, vol. 17, no. 1, Mar. 2026, p. 2055. www.nature.com, https://doi.org/10.1038/s41467-026-69746-w

觀眾決定表演質(zhì)量：蜜蜂搖擺舞的精準度取決于聽眾

蜜蜂的搖擺舞一直被視為單向信息傳遞的典范，但這種交流是否會受到觀眾的影響？中國科學院西雙版納熱帶植物園的DONG Shihao、TAN Ken及其合作者通過一系列精巧的實驗揭示，搖擺舞實際上是一種動態(tài)的雙向互動，其信息精準度會根據(jù)“觀眾”的數(shù)量和構(gòu)成進行實時調(diào)整。

研究團隊通過兩種方式操縱蜂巢內(nèi)的“觀眾”環(huán)境：一是在實驗中直接減少潛在的追隨者數(shù)量；二是在保持蜂巢總數(shù)不變的情況下，增加大量無法跟隨舞蹈的幼蜂。結(jié)果明確顯示，當適齡的追-隨者稀少時，即使舞池因幼蜂存在而顯得擁擠，舞者傳遞信息的精準度也會顯著下降。具體表現(xiàn)為，它們編碼食物方向和距離的動作變得更加多變。研究人員發(fā)現(xiàn)，缺乏觀眾的舞者在舞蹈的返回階段會花費更多時間移動，覆蓋更廣的范圍，仿佛在積極尋找能夠接收信息的同伴。這種“尋找觀眾”的行為干擾了其維持精確舞蹈動作的能力，從而導致信息傳遞的“失真”。這項研究首次直接證明了蜜蜂搖擺舞中存在“觀眾效應”，挑戰(zhàn)了其作為單向廣播的傳統(tǒng)觀點。研究發(fā)表在 PNAS 上。

#認知科學 #神經(jīng)機制與腦功能解析 #動物行為 #社會反饋 #蜜蜂

閱讀更多：

Lin, Tao, et al. “The Audience Shapes the Information Content of the Honey Bee Waggle Dance.” Proceedings of the National Academy of Sciences, vol. 123, no. 14, Apr. 2026, p. e2518687123. www.pnas.org, https://doi.org/10.1073/pnas.2518687123

意外獲得的空閑時間為何感覺更長？

工作安排意外取消為何讓人感到無比自由？Gabriela Tonietto（羅格斯大學）及俄亥俄州立大學、多倫多大學與北京大學的團隊發(fā)現(xiàn)，意外獲得的空閑時間會引發(fā)主觀時間膨脹，進而改變?nèi)藗兊男袨闆Q策和活動選擇。

研究團隊招募超2300名參與者開展了七項調(diào)查。前四項調(diào)查讓受訪者對比意外獲得的空閑時間與常規(guī)預期空閑時間。分析表明，由于與原本無空閑的預期形成對比效應，意外獲得的一小時主觀感覺比普通一小時更長。后三項調(diào)查觀察了這種時間膨脹感對行為的影響。結(jié)果顯示，時間充裕感使人們傾向選擇耗時更長的活動，例如員工會用45分鐘任務(wù)替代30分鐘任務(wù)，或步行去買咖啡而非在休息室速飲。無論活動是否有生產(chǎn)力，人們均偏好更耗時選項。此外，空閑出現(xiàn)得越突然，人們越可能將其用于休閑而非高效工作。這項研究發(fā)表在 Journal of the Association for Consumer Research 上。

#認知科學 #意圖與決策 #時間管理 #心理學效應

閱讀更多：

Tonietto, Gabriela, et al. “Gained Time Is Expanded: Examining the Psychological and Behavioral Consequences of Gaining Time.” Journal of the Association for Consumer Research, Jan. 2026. journals.uchicago.edu (Atypon), https://doi.org/10.1086/740288

社交媒體成精神健康信息雷區(qū)：TikTok誤導性內(nèi)容比例最高

社交媒體上的心理健康科普真的可靠嗎？Alice Carter等（東安格利亞大學等機構(gòu)）評估了多個平臺上相關(guān)信息的質(zhì)量。研究揭示各大平臺充斥著大量缺乏依據(jù)的誤導性內(nèi)容，其中TikTok表現(xiàn)最差，有關(guān)孤獨癥和ADHD的內(nèi)容誤導率極高。

研究團隊通過系統(tǒng)性回顧評估了27項研究，涵蓋TikTok、YouTube等平臺上的5057條帖子，涉及神經(jīng)多樣性和抑郁癥等主題。結(jié)果顯示，社交媒體誤導信息比例最高達56.9%。TikTok表現(xiàn)最差，52%的ADHD視頻和41%的孤獨癥視頻不準確；YouTube平均誤導率為22%，F(xiàn)acebook低于15%。此外，專業(yè)人員發(fā)布的內(nèi)容準確性遠勝普通創(chuàng)作者。在TikTok的ADHD視頻中，僅3%的專業(yè)內(nèi)容存在誤導，而非專業(yè)內(nèi)容的誤導率達55%。受嚴格審核機制影響，YouTube Kids平臺表現(xiàn)優(yōu)異，抑郁焦慮內(nèi)容零誤導。研究指出算法推薦極大加速了虛假信息的傳播，呼吁專業(yè)醫(yī)生積極參與內(nèi)容創(chuàng)作，并敦促平臺加強審核以防延誤患者診治。研究發(fā)表在 Journal of Social Media Research 上。

#疾病與健康 #心理健康與精神疾病 #社交媒體 #誤導信息 #神經(jīng)多樣性

閱讀更多：

Carter, Alice, et al. “Quality, Reliability and Misinformation in Mental Health and Neurodivergence Content on Social Media: A Systematic Review.” Journal of Social Media Research, vol. 3, no. 1, Mar. 2026, pp. 30–47. jsomer.org, https://doi.org/10.29329/jsomer.84

AI 行業(yè)動態(tài)

定義分布式Attention性能新標桿：Sand.ai推出MagiAttention v1.1.0

人工智能基礎(chǔ)設(shè)施公司Sand.ai近日宣布，其核心組件MagiAttention迎來v1.1.0版本的重大更新。作為專為超長序列訓練設(shè)計的分布式注意力系統(tǒng)，此次升級重點針對英偉達Hopper與Blackwell兩代GPU架構(gòu)進行深度優(yōu)化。研發(fā)團隊引入了基于Flash-Attention 4的FFA_FA4后端，通過靈活掩碼支持、高效分塊稀疏生成以及寄存器到謂詞（R2P）指令級加速等創(chuàng)新技術(shù)，在實現(xiàn)任意掩碼無縫兼容的同時，將性能損耗控制在5%以內(nèi)。這些改進使得在處理超長上下文時，顯存占用和計算延遲均達到極致水平，為大規(guī)模多模態(tài)模型的訓練提供了底層算力保障。

在分布式擴展層面，MagiAttention v1.1.0構(gòu)建了原生Group Collective通信內(nèi)核，徹底重塑了節(jié)點間與節(jié)點內(nèi)的數(shù)據(jù)交換范式。通過將數(shù)據(jù)重排直接融合進通信算子，并采用“NVLink替代冗余RDMA”的傳輸策略，團隊顯著降低了跨機通信量和內(nèi)存拷貝開銷，性能遠超傳統(tǒng)AlltoAll-v方案。配合基于最小堆貪心算法的負載均衡調(diào)度器（Dispatch Solver）與自適應多階段流水線重疊（Adaptive Multi-Stage Overlap）技術(shù)，該系統(tǒng)能在任意掩碼條件下實現(xiàn)線性擴展。目前，該版本已在Magi-1等大規(guī)模視頻生成模型訓練中得到實證，并被多家科技公司應用于多模態(tài)大模型的實際生產(chǎn)環(huán)境中。

#MagiAttention #分布式AI訓練 #GPU算力優(yōu)化 #Blackwell架構(gòu) #長上下文模型

閱讀更多：

https://sand.ai

AI 驅(qū)動科學

AI精準定制Ras亞型特異性結(jié)合劑攻克癌癥靶向難題

針對Ras蛋白各亞型難以被精確區(qū)分的痛點，Jason Z Zhang和David Baker等團隊利用深度學習技術(shù)，從頭設(shè)計出特異性結(jié)合劑。該工具成功實現(xiàn)了對特定Ras亞型的精準追蹤與活性抑制。

該研究利用先進的深度學習算法，針對Ras蛋白高度無序且?guī)Ц唠姾傻腃端（C-terminus，蛋白質(zhì)多肽鏈的末端區(qū)域）展開從頭設(shè)計。研究人員探索了多種計算策略，應用RFDiffusion（一種基于擴散模型的蛋白質(zhì)主鏈生成算法）和ProteinMPNN（一種用于優(yōu)化蛋白質(zhì)序列的深度學習網(wǎng)絡(luò)）生成候選庫。隨后結(jié)合AlphaFold2進行結(jié)構(gòu)驗證與篩選。體外實驗顯示，這些被稱為RIBs的特異性結(jié)合劑親和力極高，且在細胞內(nèi)追蹤內(nèi)源性Ras亞型的分辨率遠超現(xiàn)有傳統(tǒng)抗體。研究進一步發(fā)現(xiàn)，表達RIBs會促使靶向的Ras亞型從細胞膜轉(zhuǎn)移至細胞質(zhì)，顯著降低其GTP（Guanosine triphosphate，一種參與細胞能量與信號傳導的分子）負載活性，進而阻斷下游信號級聯(lián)反應。在細胞模型中，靶向NRAS亞型的結(jié)合劑有效抑制了表達突變NRAS的白血病細胞系的增殖。這項研究不僅印證了定位在Ras功能活化中的決定性作用，更為未來的靶向癌癥干預開辟了新路徑。研究發(fā)表在 Cell chemical biology 上。

#疾病與健康 #預測模型構(gòu)建 #分子靶向治療 #深度學習 #計算生物學

閱讀更多：

Zhang, Jason Z., et al. “De Novo Design of Ras Isoform Selective Binders.” bioRxiv, Feb. 2025, p. 2024.08.29.610300. PubMed Central, https://doi.org/10.1101/2024.08.29.610300

仿昆蟲機器人實現(xiàn)單側(cè)傳感器受損下的穩(wěn)健氣味追蹤

傳統(tǒng)的嗅覺引導機器人通常依賴對稱且完好的雙側(cè)傳感器，一旦部分傳感器在復雜環(huán)境中受損便會導致定位失敗。Shunsuke Shigaki、Keisuke Yokota、Ryoko Sekiwa、Daisuke Kurabayashi和Dai Owaki等（日本國立信息學研究所、東京理科大學工學部和東北大學工學研究生院）提出了一種基于家蠶單側(cè)觸角導航機制的新型仿生策略，成功開發(fā)出即使在單側(cè)傳感器失效時也能精準追蹤氣味源的機器人系統(tǒng)。

? 闡明昆蟲的適應性氣味追蹤機制：生物分析與工程重建相結(jié)合的方法。Credit: NII

研究團隊以成年雄性家蠶（Bombyx mori）為模式生物，去除了它們的一側(cè)觸角以觀察其對性信息素的追蹤行為。實驗揭示，家蠶能夠動態(tài)整合剩余單側(cè)觸角上探測到氣味的空間位置信息以及當前的飛行航向角，從而靈活調(diào)整行為決策，高精度地抵達氣味源。基于這一生物學發(fā)現(xiàn)，研究人員構(gòu)建了一個模擬單側(cè)觸角氣味位置估計功能的系統(tǒng)，并將這種感覺運動策略植入一臺配備嗅覺傳感器的四足機器人中。在室內(nèi)受控環(huán)境和存在顯著風力干擾的室外復雜環(huán)境中進行的測試表明，即使人為關(guān)閉機器人的一側(cè)傳感器，該系統(tǒng)依然能保持與傳感器完好時相當?shù)亩ㄎ恍阅芎透叱晒β?。這種受昆蟲啟發(fā)的自適應行為補償策略，克服了傳統(tǒng)氣味定位算法在感覺功能受損時極易失效的缺陷，為開發(fā)適用于災害響應等長期任務(wù)的穩(wěn)健自主系統(tǒng)提供了重要指導。研究發(fā)表在 npj Robotics 上。

#認知科學 #機器人及其進展 #仿生學 #嗅覺導航 #自適應行為

閱讀更多：

Shigaki, Shunsuke, et al. “Insect-Inspired Adaptive Behavioral Compensation Strategy against Olfactory Sensory Deficiency for Robotic Odor Source Localization.” Npj Robotics, vol. 4, no. 1, Feb. 2026, p. 12. www.nature.com, https://doi.org/10.1038/s44182-026-00080-5

突破靜態(tài)限制：人工神經(jīng)網(wǎng)絡(luò)成功重現(xiàn)四足動物動態(tài)步態(tài)

如何讓靜態(tài)模型生成動態(tài)行為節(jié)律是一個長期存在的計算難題。布朗大學與北科羅拉多大學的 Juliana Londono Alvarez 、 Katherine Morrison 和 Carina Curto 開發(fā)出一種人工神經(jīng)網(wǎng)絡(luò)，成功重現(xiàn)了四足動物的多種步態(tài)模式及其無縫轉(zhuǎn)換。

長期以來，神經(jīng)科學家多利用吸引子網(wǎng)絡(luò)來模擬靜態(tài)大腦行為，如提取記憶信息。為了突破這一限制，研究團隊利用閾值線性網(wǎng)絡(luò)構(gòu)建了一個僅包含24個人工神經(jīng)元的精簡動態(tài)模型。該模型創(chuàng)造性地分為兩個模塊：一個是負責接收外部輸入信號的計數(shù)器網(wǎng)絡(luò)，另一個是將跳躍、踱步、小跑、行走和彈跳等五種步態(tài)編碼為極限環(huán)（limit cycles，動力系統(tǒng)中的一種閉合軌跡）的運動網(wǎng)絡(luò)。研究人員引入了一種全新的分層融合架構(gòu)，將這兩個模塊結(jié)合起來。結(jié)果顯示，該網(wǎng)絡(luò)能夠在無需調(diào)整任何參數(shù)的情況下，自主生成這五種截然不同的四足動物步態(tài)，并能精準捕捉它們之間的快速轉(zhuǎn)換，例如從小跑到行走的瞬間切換。這表明控制記憶編碼的底層原理同樣適用于生成復雜的動態(tài)節(jié)律。此外，與當前依賴龐大算力和互聯(lián)網(wǎng)連接的控制程序相比，這種小型且高效的神經(jīng)網(wǎng)絡(luò)為機器人領(lǐng)域提供了新思路，有望使未來的四足機器人實現(xiàn)完全離線運行。研究發(fā)表在 Neural Computation 上。

#神經(jīng)科學 #計算模型與人工智能模擬 #吸引子網(wǎng)絡(luò) #步態(tài)模式 #四足機器人

閱讀更多：

Alvarez, Juliana Londono, et al. “Attractor-Based Models for Sequences and Pattern Generation in Neural Circuits.” Neural Computation, vol. 38, no. 3, Feb. 2026, pp. 257–91. Silverchair, https://doi.org/10.1162/NECO.a.1492

利用壓電材料開發(fā)無電機類鳥機器人

傳統(tǒng)無人機依賴電機與齒輪傳動，難以媲美鳥類的高效飛行。羅格斯大學的Xin Shan與Onur Bilgen提出了固態(tài)撲翼機設(shè)計方案，成功利用智能材料的形變直接驅(qū)動機翼拍打，大幅提升了飛行器的靈活性。

? 奧努爾·比爾根教授（圖中）正與羅格斯大學工程系學生合作，研發(fā)一種由電壓驅(qū)動智能材料驅(qū)動的類鳥機器人原型。（從左至右）研究生艾漢·奧澤爾、達里奧·戈塞夫斯基、貝扎維特·格布雷和巴圖漢·耶爾德勒姆展示了即將進行風洞試驗的模型。Credit: Bilgen Lab

該研究摒棄了傳統(tǒng)的電機驅(qū)動機制，轉(zhuǎn)而利用壓電效應開發(fā)新型撲翼機。研究人員將宏觀纖維復合材料直接粘貼在柔性碳纖維機翼上。當施加電流時，機翼無需任何額外的關(guān)節(jié)或連接件即可產(chǎn)生拍動與扭轉(zhuǎn)。為了解決這種無齒輪復雜系統(tǒng)的設(shè)計難題，團隊開發(fā)了一個強大的多物理場有限狀態(tài)全耦合模型。該模型結(jié)合了瑞利-里茲法（Rayleigh-Ritz method，一種用于求解復雜結(jié)構(gòu)變形及自振頻率的近似計算數(shù)學方法）和經(jīng)驗狀態(tài)空間西奧多森函數(shù)（empirical state space Theodorsen function，用于計算非定?？諝鈩恿W氣動力響應的函數(shù)模型），將機翼形變、多體動力學、流固耦合以及機電耦合緊密結(jié)合在一起。結(jié)果表明，這種固態(tài)設(shè)計消除了機械部件的摩擦與重量負擔，系統(tǒng)可以借助通電材料直接在真實環(huán)境中高效響應。模型幫助工程師在軟件中虛擬測試并優(yōu)化了機身慣性、壓電裝置位置及激發(fā)電壓頻率等關(guān)鍵變量，證明了無機構(gòu)設(shè)計在微型航空系統(tǒng)領(lǐng)域的巨大潛力。研究發(fā)表在 Aerospace Science and Technology 上。

#其他 #機器人及其進展 #壓電效應 #多物理場仿真 #撲翼機

閱讀更多：

Shan, Xin, and Onur Bilgen. “Multi-Physics Finite State Fully Coupled Modeling of Mechanism-Free Induced-Strain Actuated Ornithopters.” Aerospace Science and Technology, vol. 166, Nov. 2025, p. 110573. ScienceDirect, https://doi.org/10.1016/j.ast.2025.110573

結(jié)合多模態(tài)數(shù)據(jù)的人工智能準確預測高風險駕駛員

道路交通事故常源于人為失誤，傳統(tǒng)基于經(jīng)驗的駕駛員篩選方法難以有效預警風險。Malek Masmoudi與Imad Alsyouf等人（沙迦大學）開發(fā)出一種整合心理、生理及人口統(tǒng)計學特征的機器學習框架，成功在上路前精準分類并預測高風險駕駛員。

? 城市汽車駕駛模擬軟件駕駛員視角。Credit: Engineering Applications of Artificial Intelligence (2025).

該研究構(gòu)建了一個數(shù)據(jù)驅(qū)動的多模態(tài)評估框架。研究團隊招募了80名參與者，首先通過結(jié)構(gòu)化問卷收集包括尋求刺激、盡責性在內(nèi)的9項心理特征及人口統(tǒng)計學數(shù)據(jù)。隨后參與者在高度還原迪拜擁堵路況的駕駛模擬器中完成10分鐘測試。測試期間系統(tǒng)利用可穿戴設(shè)備追蹤心率、眨眼頻率、瞳孔直徑以及視線偏移等生理與視覺指標。結(jié)合模擬測試中記錄的客觀事故結(jié)果，研究采用K近鄰算法等進行風險預測。結(jié)果表明K近鄰算法表現(xiàn)最佳，預測準確率達百分之九十三點七五，且假陰性率為零。特征分析證實視線偏移、尋求刺激傾向、盡責性以及性別是預測安全風險的最佳指標。天性自律者傾向謹慎駕駛，而頻繁視線游離的駕駛員發(fā)生事故的概率顯著攀升。這項研究發(fā)表在 Engineering Applications of Artificial Intelligence 上。

#AI驅(qū)動科學 #預測模型構(gòu)建 #交通安全 #機器學習 #心理特征

閱讀更多：

Masmoudi, Malek, et al. “Driver Risk Classification for Transportation Safety: A Machine Learning Approach Using Psychological, Physiological, and Demographic Factors with Driving Simulator.” Engineering Applications of Artificial Intelligence, vol. 162, Dec. 2025, p. 112585. ScienceDirect, https://doi.org/10.1016/j.engappai.2025.112585

語境連貫但用詞相異：GPT-4o在結(jié)構(gòu)化心理治療對話中的對齊度測試

大語言模型在心理健康領(lǐng)域的廣泛應用引發(fā)了關(guān)于其能否遵循循證心理治療原則的擔憂。Bazen Gashaw Teferra、Sandra Huang和Nabil Johny等評估了模型在動機訪談中的表現(xiàn)，發(fā)現(xiàn)大模型能夠生成符合語境的響應，但在語義對齊和長對話連貫性上仍存在明顯局限。

該研究交叉分析了154次高保真動機訪談（Motivational Interviewing，一種旨在促進患者行為改變的協(xié)作式結(jié)構(gòu)化溝通方法）記錄中的3706次對話。研究團隊使用GPT-4o模型生成回復，并通過兩種自動化指標進行評估。結(jié)果顯示，基于深度學習的上下文連貫性指標平均得分為0.72，顯著高于平均得分為0.29的余弦相似度。這表明模型生成的回復在語境上是恰當?shù)?，但遣詞造句與人類不同。此外，當人類治療師的主題一致性較高時，模型的表現(xiàn)也隨之提升。然而，隨著對話延長，模型表現(xiàn)輕微下降，回復變得冗長。研究還發(fā)現(xiàn)，模型偏向共情反饋，而人類更注重對話節(jié)奏。研究發(fā)表在 JAMA Netw Open 上。

#大模型技術(shù) #心理健康與精神疾病 #動機訪談 #自然語言處理 #人工智能評估

閱讀更多：

Teferra, Bazen Gashaw, et al. “Alignment of Large Language Model Responses With Human Therapists in Motivational Interviewing.” JAMA Network Open, vol. 9, no. 3, Mar. 2026, p. e262750. PubMed, https://doi.org/10.1001/jamanetworkopen.2026.2750

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)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(guān)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(gòu)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(shè)立了應用神經(jīng)技術(shù)前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經(jīng)科學研究院。

研究院還建成了支持腦科學和人工智能領(lǐng)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。