追問daily | 用橡皮筋教會機器人思考；童年創傷如何編程大腦？Nature：AI助力科學家精確定位大腦決策瞬間

█腦科學動態

Nature：星形膠質細胞是穩定長期記憶的關鍵

不同大腦如何通過共同的神經語法看見同一個世界

記憶的分子開關：Rab4激活與Rab10抑制協同強化神經連接

找到“夜宵開關”：大腦計時器中的神經元可能控制夜間饑餓

大腦如何應對恐懼并學會適應

冒名頂替的“假病人”正威脅健康研究的真實性

童年創傷如何“編程”大腦？新研究發現關鍵化學物質SGK1與抑郁及自殺風險相關

█AI行業動態

歐洲首例：慕尼黑團隊為四肢癱瘓患者植入腦機接口

FDA批準羅氏新血液測試：助力初級保健排除阿爾茨海默病

谷歌旗艦視頻模型Veo 3.1深夜重磅升級，邁入“導演級”精控時代

螞蟻開源萬億級思考模型，AI推理能力大突破

蘋果M5問世：AI算力暴增6倍

Claude Haiku 4.5發布：性能比肩頂尖模型，價格僅三分之一

█AI驅動科學

Nature：AI助力神經科學家精確定位大腦決策瞬間

眼動追蹤結合AI，有望在AD癥狀出現前數年實現精準檢測

AI賦能日常物品，訂書機也能主動“遞”給你

AI新工具MetaSeg大幅提升醫學圖像分割效率

哈佛團隊用橡皮筋教會機器人思考

利用遷移學習，新腦機接口可解碼不同患者的語音

腦科學動態

Nature：星形膠質細胞是穩定長期記憶的關鍵

為什么有些記憶能長久保存，而另一些則會淡忘？日本理化學研究所的 Jun Nagai 及其團隊研究發現，穩定記憶的關鍵角色并非神經元，而是過去被低估的星形膠質細胞。它們通過一種獨特的“標記-再激活”機制，在反復回憶中穩定和鞏固情緒性記憶。

?在初始體驗和幾天后回憶時，測量了全腦中 Fos? 星形膠質細胞的數量。實驗表明，Fos? 星形膠質細胞和回憶對于穩定記憶并使其長期保持至關重要。Credit: RIKEN

研究團隊首先開發了一種創新的全腦標記技術，能夠精準追蹤在特定行為（如學習或回憶）中被激活的星形膠質細胞。在小鼠恐懼記憶實驗中，他們觀察到一個令人驚訝的現象：與神經元在學習和回憶時都會被激活不同，星形膠質細胞只在幾天后的“回憶”階段才表現出強烈的活性。深入研究揭示了其背后的兩步機制。第一步，強烈的情緒體驗（如恐懼）會給一小群星形膠質細胞打上“生物學標記”，促使它們在數天內增加去甲腎上腺素受體的數量。第二步，當小鼠再次被置于恐懼場景中進行回憶時，這些被標記的細胞能夠同時接收來自神經元記憶印跡和去甲腎上腺素能神經元的雙重信號，從而被激活。正是這種在回憶過程中的反復激活，最終將不穩定的短期記憶固化為長期記憶。實驗證明，當抑制這些星形膠質細胞的活動時，小鼠的記憶變得不穩定；而人為激活它們，則會夸大并泛化恐懼記憶。這一機制的闡明或有助于開發針對創傷后應激障礙（PTSD）等記憶相關疾病的新療法。研究發表在 Nature 上。

閱讀更多：

Dewa, Ken-ichi, et al. “The Astrocytic Ensemble Acts as a Multiday Trace to Stabilize Memory.” Nature, Oct. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-025-09619-2

不同大腦如何通過共同的神經語法看見同一個世界

為何不同個體的大腦能對世界產生相似的感知？來自以色列賴希曼大學和魏茨曼科學研究所的 Ofer Lipman, Rafael Malach 及其同事，通過研究發現，個體間神經活動的原始模式雖不同，但這些活動模式之間的“關系結構”高度一致，這可能是共享感知的基礎。

?實驗步驟和接觸點定位。Credit: Nature Communications (2025).

該研究采用了一種極為罕見且高精度的方法，通過分析19名癲癇患者大腦中植入的電極，直接記錄了他們在觀看圖片時的高階視覺皮層神經活動。研究人員發現，當不同的人觀看同一張圖片（例如一只貓）時，其大腦中被激活的神經元集群，即原始的激活模式，是因人而異、獨一無二的。然而，研究的突破性發現并非在于這些差異，而在于它們背后隱藏的共同規律。當研究團隊不再關注單個激活模式，轉而分析不同模式之間的相互關系時，一個跨所有個體保持不變的通用結構浮現了。這個結構被稱為關系編碼（relational coding，即大腦不依賴單個激活模式，而是通過不同模式之間的相似性或差異性關系來表征信息）。舉例來說，如果你的大腦對“貓”的神經響應模式，與對“狗”的模式比對“大象”的模式更相似，那么這種相對的“遠近親疏”關系在另一個人的大腦中也會同樣存在。正是這種抽象的關系網絡，而非具體的神經活動，構成了我們共享感知世界的基礎。研究發表在 Nature Communications 上。

閱讀更多：

Lipman, Ofer, et al. “Invariant Inter-Subject Relational Structures in High Order Human Visual Cortex.” Nature Communications, vol. 16, no. 1, Aug. 2025, p. 8015. www.nature.com, https://doi.org/10.1038/s41467-025-62551-x

記憶的分子開關：Rab4激活與Rab10抑制協同強化神經連接

大腦形成記憶時如何在細胞內進行精準的“物資”調配？來自馬克斯·普朗克佛羅里達神經科學研究所和威爾康奈爾醫學院的Jie Wang、Ryohei Yasuda及同事發現，兩種名為Rab4和Rab10的蛋白像鐵路道岔一樣，通過相反的作用精確引導物資流向，從而強化神經連接。

?Rab4 和 Rab10 介導的 AMPAR 轉運和 sLTP 的模型。Credit: eLife (2025).

研究團隊將神經元中強化連接的過程比作一場復雜的后勤行動。為了實時觀察這場行動，他們開發了新型生物傳感器，能夠監測單個樹突棘（dendritic spines，神經元接收信號的微小結構）中Rab蛋白的動態。通過在實驗中模擬記憶形成的關鍵過程——長時程增強（long-term potentiation），他們發現Rab4和Rab10蛋白扮演了截然相反的角色。當一個神經連接需要被強化時，Rab4會被短暫激活，像一個打開的“入口”開關，將更多的AMPA受體（AMPARs，一種決定神經連接強度的關鍵蛋白）運送到連接點。與此同時，Rab10蛋白則被持續抑制，像一個關閉的“出口”開關。正常情況下，Rab10負責將這些受體運走進行回收或降解，而抑制它則保證了這些寶貴的“物資”能夠留在原地，從而有效地鞏固記憶。實驗證明，人為抑制Rab10能夠增強神經連接的強化效果。這項發現不僅揭示了記憶形成的精妙分子機制，也為神經退行性疾病的研究提供了新方向，因為先前研究已發現Rab10基因與阿爾茨海默病的抵抗力有關。研究發表在 eLife 上。

閱讀更多：

Wang, Jie, et al. “Rab10 Inactivation Promotes AMPAR Trafficking and Spine Enlargement during Long-Term Potentiation.” eLife, edited by Sacha B Nelson, vol. 13, Sept. 2025, p. RP103879. eLife, https://doi.org/10.7554/eLife.103879

找到“夜宵開關”：大腦計時器中的神經元可能控制夜間饑餓

為什么深夜“加餐”更容易長胖？美國德克薩斯大學西南醫學中心的 Jeffrey Zigman 和 Omprakash Singh 等人，通過小鼠實驗發現，大腦生物鐘內的一小群特定神經元，專門負責在身體休息時段“掌管”饑餓感和進食行為。

?這張圖片展示了小鼠大腦中部的薄切片，其中被稱為視交叉上核 (SCN) 的區域被一個白色方框包圍。圖中綠色小點標記了對饑餓激素生長素釋放肽 (ghrelin) 作出反應的腦細胞。當 SCN 中對生長素釋放肽敏感的細胞在小鼠正常休息時間關閉時，小鼠的進食量會減少，體重也會減輕。Credit: UT Southwestern Medical Center

研究團隊聚焦于大腦中被稱為身體主時鐘的視交叉上核（suprachiasmatic nucleus, SCN）。他們利用化學遺傳學技術，對小鼠SCN中能響應饑餓激素生長素釋放肽的神經元進行精準操控。實驗發現，在小鼠本應休息的白天（小鼠為夜行動物），如果人為激活這群神經元，小鼠的進食量會激增至正常水平的兩倍以上。相反，如果在休息時段持續抑制這些神經元的活性，小鼠不僅吃得更少，并且在連續15天后，體重減輕了約4.3%，而對照組小鼠的體重則增加了2.5%。這一調控效應具有高度的時間特異性，因為在小鼠活躍的夜晚操控同樣的神經元，并不會影響其進食或體重。該發現首次明確了一組專門在休息時段調控進食與代謝的神經元，為理解夜班工作者等群體肥胖風險較高的原因提供了關鍵線索，并可能為開發針對性的減肥策略開辟新途徑。研究發表在 Cell Reports 上。

閱讀更多：

Singh, Omprakash, et al. “Temporal Control of Eating and Body Weight by GHSR-Expressing Suprachiasmatic Nucleus Neurons.” Cell Reports, vol. 44, no. 9, Sept. 2025. www.cell.com, https://doi.org/10.1016/j.celrep.2025.116213

大腦如何應對恐懼并學會適應

大腦如何學會區分真實危險與“虛驚一場”？科羅拉多大學博爾德分校的 Elora W. Williams 和 Susanna Molas 團隊通過研究小鼠發現了一個名為腳間核（IPN）的關鍵腦區。該區域不僅啟動了本能的“僵住-逃跑”反應，更重要的是，它能通過學習抑制這種反應，這一發現為理解和治療焦慮癥及創傷后應激障礙（PTSD）提供了新思路。

研究團隊構建了一個“小鼠鬼屋”場景，連續三天向小鼠投射一個類似捕食者的陰影。第一天，小鼠如預期般表現出強烈的恐懼，立即僵住并逃往庇護所。通過光纖光度法記錄發現，此時小鼠中腦的腳間核（interpeduncular nucleus, IPN）活動急劇增強。然而到了第三天，小鼠意識到陰影并無實際危險，便不再僵住，IPN的活動也顯著降低，表明大腦已經學會適應。為驗證IPN的因果作用，研究人員利用光遺傳學對IPN內的GABA能神經元進行干預。當這些神經元被抑制時，小鼠的初始恐懼反應減弱；而當它們被持續激活時，小鼠無法學會適應，始終對無害的陰影表現出恐懼。這一結果明確指出，IPN不僅是啟動恐懼警報的“開關”，更是負責在確認安全后關閉警報的“調節器”。這一適應性調節功能的失常，可能正是焦慮癥和PTSD患者難以擺脫恐懼的神經基礎。研究發表在 Molecular Psychiatry 上。

閱讀更多：

Williams, Elora W., et al. “Interpeduncular GABAergic Neuron Function Controls Threat Processing and Innate Defensive Adaptive Learning.” Molecular Psychiatry, vol. 30, no. 11, Nov. 2025, pp. 5427–36. www.nature.com, https://doi.org/10.1038/s41380-025-03131-9

冒名頂替的“假病人”正威脅健康研究的真實性

隨著在線招募成為健康研究的主流，如何確保數據的真實性成為巨大挑戰。來自牛津大學的 Eileen Morrow 及其同事發表分析指出，大量“冒名頂替者”（impostor participants）——包括提供虛假信息的人和自動機器人程序——正系統性地污染研究數據，其結論可能誤導臨床實踐并危及患者。

研究人員通過綜合分析現有文獻指出，冒名頂替者問題已相當普遍。他們引述一項2025年的綜述，該綜述發現在進行篩查的23項研究中，有18項發現了冒名者，污染率從3%到高達94%不等。一個觸目驚心的案例是一項關于卵巢癌治療溝通的在線調查，研究者判斷其中94%的回復是欺詐性的。同樣，在一個評估酒精干預手機應用的隨機對照試驗中，高達76%的在線注冊者被識別為機器人程序（bots）。為應對這一挑戰，研究者常采用身份驗證或驗證碼測試（CAPTCHA tests，一種用于區分計算機和人類的自動化程序）等方法。然而，這些措施的有效性尚未得到充分檢驗，有時甚至連機器人程序也能繞過，并且可能對文化水平較低或因疾病污名化而對身份驗證敏感的邊緣群體造成參與障礙。作者強調，冒名頂替者的動機復雜，不僅限于金錢，還可能源于好奇心或惡意破壞。他們強烈呼吁科研界正視此問題，在研究中透明地報告所用的防范措施及其局限性，從而共同捍衛指導臨床決策的數據真實性。研究發表在 The BMJ 上。

閱讀更多：

Morrow, Eileen, et al. “Threat of Imposter Participants in Health Research.” BMJ, vol. 391, Oct. 2025, p. r2128. Editorial. www.bmj.com, https://doi.org/10.1136/bmj.r2128

童年創傷如何“編程”大腦？新研究發現關鍵化學物質SGK1與抑郁及自殺風險相關

童年創傷為何會增加成年后抑郁和自殺的風險，且患者對常規藥物反應不佳？哥倫比亞大學與麥吉爾大學的 Christoph Anacker, Amira Millette 等研究人員通過一項跨物種研究發現，大腦海馬區一種名為SGK1的化學物質是連接早期逆境與后期精神健康問題的關鍵分子，并可能成為新型抗抑郁藥物的靶點。

?在應激動物中，抑制 SGK1 可能通過增加大腦海馬體中新生神經元（粉色）的數量來預防抑郁和自殺行為。Credit: Anacker lab, Columbia University Irving Medical Center

該研究采用了一種結合人類與動物模型的轉化醫學方法。研究人員首先分析了人類死后的大腦組織，發現在因抑郁癥自殺身亡且有童年創傷史的個體中，其海馬體內的血清和糖皮質激素調節激酶1（Serum and Glucocorticoid-regulated Kinase 1, SGK1）水平異常升高。同時，對大規模青少年隊列的遺傳數據分析也證實，與SGK1高表達相關的基因變異會顯著增加經歷童年逆境的個體在青春期出現抑郁癥狀的風險。為了驗證SGK1在其中的因果作用，團隊轉向了小鼠模型。實驗顯示，模擬童年逆境或慢性壓力的確會提高小鼠海馬區的SGK1水平。關鍵的是，當研究人員通過基因技術或直接注射SGK1抑制劑來阻斷其功能后，小鼠在面對壓力時表現出了更強的心理韌性，其抑郁樣行為得到了有效預防。進一步的機制研究表明，抑制SGK1能夠促進大腦海馬區新生神經元的生成，并糾正因壓力導致的神經環路異常活動。這項研究不僅揭示了童年創傷影響大腦的長效機制，也為開發針對這一特殊患者群體的精準治療藥物指明了新方向。研究發表在 Molecular Psychiatry 上。

閱讀更多：

Millette, Amira, et al. “Hippocampal SGK1 Promotes Vulnerability to Depression: The Role of Early Life Adversity, Stress, and Genetic Risk.” Molecular Psychiatry, Oct. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41380-025-03269-6

AI 行業動態

歐洲首例：慕尼黑團隊為四肢癱瘓患者植入腦機接口，助力意念控制

慕尼黑工業大學附屬醫院的一個研究團隊近期完成了一項具有里程碑意義的手術，首次在歐洲為一位頸部以下癱瘓的患者植入了定制的腦機接口。這項耗時五個多小時的手術，旨在幫助患者恢復獨立生活并提高生活質量。研究參與者 Michael Mehringer 在 16 歲時因一場嚴重的摩托車事故而四肢癱瘓，他在接受采訪時表達了希望能夠再次獨立進食飲水，并在日常生活中減少對他人幫助的愿望。研究團隊希望該設備有朝一日能使這位 25 歲的患者僅憑意念控制智能手機和機械臂。神經外科主任 Bernhard Meyer 教授解釋道，手術最大的挑戰在于絕對精確地植入擁有 256 個微電極（microelectrodes — 捕捉神經信號的微型傳感器）的設備，以確保腦信號記錄的準確性和可靠性。

轉化神經技術教授 Simon Jacob 介紹，這標志著歐洲首次為四肢癱瘓患者植入腦機接口，同時也是慕尼黑工業大學附屬醫院第二次成功植入此類設備（2022 年曾為一名中風語言障礙患者植入）。手術后，研究階段正式開始。研究人員每周與 Michael Mehringer 在實驗室會面兩次，通過連接到植入物的系統提取神經元活動。這些數據隨后被用于訓練人工智能算法，以識別和關聯特定的腦活動模式與 Michael Mehringer 打算進行的動作。慕尼黑工業大學慕尼黑機器人與機器智能研究所（MIRMI）的團隊參與了算法訓練。團隊負責人 Dr. Melissa Zavaglia 指出，研究的重點在于設計能夠識別“人類意圖”的系統，而不是讓人類去適應機器人操作。經過幾周的訓練，團隊已取得了初步成果：通過 Michael Mehringer 追蹤屏幕光標時的腦信號，研究人員已經能夠判斷他意圖移動的方向。

Simon Jacob 教授認為，在為重度肢體殘疾人士開發新解決方案方面，慕尼黑的研究人員正與美國的研究中心展開直接競爭。他指出，美國在過去 20 年中對腦機接口的研究投入了大量資金。慕尼黑工業大學的目標是通過開展其他任何地方都無法實現的項目來縮小歐洲與美國之間的差距。這需要將醫學、神經科學（包括人工智能）和工程學這三個關鍵學科有效地整合在一起。Jacob 教授強調，在全球范圍內，很少有大學能夠像慕尼黑工業大學這樣有效地將這三大學科結合起來，這是該機構在激烈的競爭中保持領先地位的獨特優勢，有助于推動未來神經技術的發展。

閱讀更多：

https://www.tum.de/en/news-and-events/all-news/press-releases/details/brain-computer-interface-for-a-patient-with-quadriplegia

FDA批準羅氏新血液測試：助力初級保健排除阿爾茨海默病

美國食品藥品監督管理局（FDA）近日批準了由羅氏診斷公司（Roche Diagnostics）與禮來公司（Eli Lilly）合作開發的 Elecsys pTau181 血液檢測，旨在幫助臨床醫生判斷年齡在 55 歲及以上、出現早期認知能力下降跡象的成年人，其記憶問題是否由阿爾茨海默病引起。該測試通過測量血漿中 pTau181 蛋白質的水平來運作。研究人員指出，pTau181 是一種生物標志物，其較高水平與阿爾茨海默病和其他腦部疾病相關。羅氏診斷北美公司總裁兼首席執行官 Brad Moore 強調，通過將基于血液的阿爾茨海默病生物標志物檢測引入初級保健，能夠使患者及其臨床醫生更快地獲得答案，并支持更早期的干預治療。

根據羅氏公司提供的數據，在一項涉及 312 名受試者的研究中，Elecsys pTau181 測試在排除阿爾茨海默病方面表現出高度的準確性，排除率達到了 97.9%。羅氏診斷公司醫學和科學事務總監 Laura Parnas 表示，當檢測結果為陰性時，患者極大概率未患有阿爾茨海默病相關的病理。不過，研究人員同時提醒，該測試主要作為一種初步的“排除”工具。Laura Parnas 補充道，對于檢測結果呈陽性的患者，仍需要進行進一步的臨床調查以及針對淀粉樣蛋白病理的確認測試，才能最終確診為阿爾茨海默病。值得注意的是，這是繼今年五月 FDA 批準 Fujirebio 公司的 Lumipulse 檢測后，該機構批準的第二項用于阿爾茨海默病評估的血液檢測。

阿爾茨海默病專家普遍認為此次批準是向前邁出的重要一步，尤其對于擴大早期診斷工具的應用具有重大意義。阿爾茨海默病協會主席兼首席執行官 Joanne Pike 認為，在初級保健環境中使用這種排除性工具，有助于未患病者迅速找到認知癥狀的根源，同時確保潛在患者能夠被轉介進行明確診斷和早期治療。然而，預防神經病學家和阿爾茨海默病研究員 Dr. Richard Isaacson 博士提醒，盡管多種檢測選擇能夠提供更廣泛的腦健康理解，但在大規模采用這些血液檢測時必須保持謹慎，以應對潛在的假陽性。他強調，臨床實踐中通常需要一系列檢測指標的綜合評估，而非依賴單一的生物標志物，且醫學界仍在學習如何更好地使用并將這些檢測結果應用于臨床。

閱讀更多：

https://diagnostics.roche.com/us/en/news-listing/2025/fda-cleared-ptau181-alzheimers-blood-test.html

谷歌旗艦視頻模型Veo 3.1深夜重磅升級，邁入“導演級”精控時代

谷歌近日推出了其旗艦視頻生成模型Veo的3.1版本更新，此次迭代的核心目標在于實現更強的“導演級”精控。研究人員指出，Veo 3.1聚焦于兩大核心能力：顯著增強的敘事與音頻控制，以及更豐富的輸入與編輯功能，如首尾幀與多圖參考。這些升級使得生成的視頻在畫質、音畫同步和整體電影質感方面都有所提升。Veo 3.1目前已全面接入谷歌的人工智能開發接口和人工智能開發平臺（Vertex AI），用戶可以直接通過谷歌的AI電影制作工具Flow或者多模態大模型Gemini中，體驗這些精細化的視頻生成能力。

Veo 3.1在技術規格上實現了多項關鍵突破。模型支持高達1080p分辨率和24幀/秒（fps）的視頻輸出，基礎片段雖然仍為8秒，但通過“延長”功能（Extend），視頻長度最長可擴展至148秒。該版本大幅提升了故事的連續性，能夠通過繼承前一個片段的最后一秒，確保背景、人物和動作在連續鏡頭中的高度一致性。此外，新功能允許用戶僅提供起始和結束畫面，Veo即可自動生成帶有宏大轉場的無縫視頻。Flow作為Veo驅動的平臺，在短短五個月內，用戶已生成超過2.75億個視頻，此次更新還推出了Flow TV等頻道化功能，用于展示用戶制作的創意短片和微電影（Short Films）。

盡管Veo 3.1引入了精細的控制功能，例如首尾幀和多圖參考，但研究人員認為這次更新更偏向于一次功能性的小幅調整（微調），而非顛覆性的大版本迭代。雖然基礎物理表現相較于Veo 3有所改善，但成片質感上的進步依然有限，尤其在處理復雜的人物表演或精細的場景調度時，仍存在不足之處。專業評價指出，原生視頻時長仍偏短，且音頻提升效果并不顯著。不過，這次對精控能力的加強為未來的發展奠定了基礎，業界普遍期待谷歌能在今年年底，配合其下一代多模態大模型（Gemini 3）系列發布時，推出更具突破性的旗艦版本。

閱讀更多：

https://deepmind.google/models/veo/

螞蟻開源萬億級思考模型，AI推理能力大突破

螞蟻集團正式發布了萬億參數思考模型Ring-1T，標志著開源AI領域正式邁入了萬億參數時代。Ring-1T基于同集團此前發布的萬億參數通用大模型Ling-1T的架構，并使用了超過20T高質量語料進行預訓練，重點針對推理能力進行了強化學習訓練。該模型在多項權威基準測試中迅速取得開源領先地位，包括數學競賽（AIME 25、HMMT 25）、代碼生成、邏輯推理（ARC-AGI-v1）和醫療問答（HealthBench）。尤其值得注意的是，在衡量高難度真實用戶查詢能力的Arena-Hard V2基準測試中，Ring-1T的成功率高達81.59%，這一成績已經與閉源巨頭OpenAI的GPT-5-Thinking(High)的得分十分接近，顯示出其強大的通用與推理潛力。

為了驗證Ring-1T的深度推理上限，研究人員將其集成至多智能體框架AWorld中，并在頂級國際競賽中進行了測試。在國際數學奧賽（IMO）2025測試中，Ring-1T成功達到了銀牌水平，解決了6道題中的4道；在國際大學生程序設計競賽（ICPC）2025世界總決賽中，Ring-1T解決了5個問題，表現超越了Gemini 2.5 Pro。模型在實際應用演示中，也展現出強大的復雜任務處理能力，例如生成可交互的3D動畫網頁和進行精確的物理模擬。在解決數字密碼算術謎題等需要長時間、多變量邏輯枚舉的任務時，Ring-1T的思考過程不僅迅速，而且邏輯清晰，進一步證明了其思考引擎的卓越性能。

Ring-1T的成功得益于螞蟻集團在萬億級模型訓練和系統工程方面的創新。該模型采用了基于Ling 2.0架構的高度稀疏Mixture of Experts (MoE)（混合專家模型，一種通過激活模型特定部分來高效處理數據的架構），并通過“LongCoT-SFT+RLVR+RLHF”多階段訓練顯著提升了推理能力。為應對如此龐大模型在強化學習訓練中固有的不穩定挑戰，研究人員研發了專有的IcePop（棒冰算法）（一種通過雙向遮罩和剪裁來減輕訓練精度差異，確保長周期穩定訓練的算法）。此外，螞蟻集團自研的高性能強化學習系統ASystem，以及已開源的全異步強化學習訓練系統AReaL，共同保障了MoE架構能平穩地從百億參數擴展到萬億參數規模。

-1T

閱讀更多：

https://modelscope.cn/models/inclusionAI/Ring-1T

蘋果M5問世：AI算力暴增6倍

蘋果公司近日正式發布了新一代自研芯片 M5，該芯片基于第三代 3 納米制程（N3P，臺積電的先進制造工藝節點）打造，并在人工智能計算、圖形處理和能效方面實現了全面升級。M5 芯片將率先搭載于新款 14 英寸 MacBook Pro、iPad Pro 和 Apple Vision Pro 等設備。其核心亮點在于AI性能的顯著提升，每個圖形處理器（GPU）核心首次集成了專屬的神經加速器（Neural Accelerator，用于加速人工智能工作負載）。研究人員指出，M5的峰值 GPU AI 計算性能相較于前代 M4 提升了四倍以上，相比 M1 芯片更是達到了六倍以上。這一架構革新極大地提高了在設備本地運行大型語言模型或擴散模型的效率和響應速度，例如在 Draw Things 或 webAI 等本地 AI 應用中，用戶將體驗到更快的生成速度。

除了強大的 AI 算力外，M5 的圖形處理能力也實現顯著躍升。新款 GPU 架構相較 M4 帶來了最高 30% 的圖形性能提升，并配備了第三代光線追蹤引擎（Ray Tracing Engine，一種渲染技術，用于生成逼真的光影效果），使其在啟用光追場景下的性能提升高達 45%。同時，第二代動態緩存架構（Dynamic Caching Architecture，優化 GPU 資源分配的機制）的使用，確保了更流暢的游戲畫面和更逼真的 3D 渲染效果。在 Apple Vision Pro 上，M5 還提升了 micro-OLED 顯示性能。在中央處理器（CPU）方面，M5 采用 10 核設計，多線程性能比 M4 提升最高 15%，且其全新的 16 核神經引擎進一步與 CPU、GPU 內的神經加速器協同工作，提升了 Apple Intelligence 等系統級 AI 功能的運行效率。

M5的統一內存（Unified Memory，CPU 和 GPU 共享的內存池）帶寬大幅提升至 153GB/s，比 M4 高出約 30%，比 M1 高出兩倍多。更高的內存帶寬能支持在本地設備上運行更大規模的 AI 模型，也顯著提高了多線程應用和專業創意軟件的運行效率。值得注意的是，蘋果在官方宣傳中頻繁將 M5 的性能指標與 M1 芯片進行對比，研究人員認為這暗示了 M5 的主要目標升級群體正是那些仍在使用 M1 系列設備的現有用戶。盡管 M5 實現了多項飛躍，但研究人員提醒，對于追求更高性能、需要 M4 Pro/Max 級別性能的用戶，可能需要繼續等待尚未發布的 M5 Pro/Max 版本，或者期待網傳將采用 2 納米制程（2nm process）的 M6 芯片系列，預計這些高端芯片版本將在未來一年內陸續發布。

閱讀更多：

https://www.apple.com/newsroom/2025/10/apple-unleashes-m5-the-next-big-leap-in-ai-performance-for-apple-silicon/

Claude Haiku 4.5發布：性能比肩頂尖模型，價格僅三分之一

最新的小型模型Claude Haiku 4.5已向所有用戶開放。研究人員指出，該模型在編碼性能方面已達到先前尖端模型Claude Sonnet 4的水平，并在衡量真實世界編碼任務的SWE-bench Verified基準測試中有所超越。Haiku 4.5實現了性能的極大提升與成本的顯著下降。其使用成本僅為Sonnet 4的三分之一，處理速度則提升了一倍以上，使其成為聊天助理和結對編程（Pair Programming，兩名程序設計師共同編程）等低延遲實時任務的理想選擇。

Claude Haiku 4.5提供了極具成本效益的近前沿性能選項。該模型支持與功能更強大的前沿模型Claude Sonnet 4.5協同工作，實現高效的多智能體系統架構。Sonnet 4.5可負責分解復雜問題，隨后調度多個Haiku 4.5實例并行處理子任務。開發者可通過API、Amazon Bedrock以及Google Cloud的Vertex AI等平臺訪問該模型，以最經濟的價格點替代了舊版本模型，滿足快速原型設計等需求。

在安全性評估方面，研究人員對Haiku 4.5進行了詳細的對齊性評估。結果顯示，該模型在錯位行為（Misaligned Behaviors）的總發生率上統計學顯著低于更強大的Sonnet 4.5和Opus 4.1，被認為是迄今為止最安全的模型。因此，Haiku 4.5被發布在AI安全等級2（ASL-2）標準之下，相較于Sonnet 4.5和Opus 4.1的ASL-3更為寬松，這反映了該模型在產生化學、生物、放射性及核（CBRN）武器相關風險方面的有限性。

.5 -2

閱讀更多：

https://www.anthropic.com/news/claude-haiku-4-5

AI 驅動科學

Nature：AI助力神經科學家精確定位大腦決策瞬間

大腦如何以及何時最終做出決定并忽略新信息？普林斯頓大學的 Thomas Zhihao Luo、Timothy Doyeon Kim 和 Carlos D. Brody 團隊借助人工智能，通過分析大鼠的神經活動，首次精確定位了決策“承諾時刻”的神經生物標志物，揭示了大腦從信息處理轉向內部決斷的動態轉變過程。

?刺激抵消后神經反應的變化與運動起始的相關性比刺激抵消后更密切。Credit: Nature (2025).

研究中，團隊首先訓練大鼠完成一項聽覺任務，即判斷哪側揚聲器發出的咔噠聲更多以獲得獎勵。在此期間，他們同步記錄了大鼠額葉皮層中數百個神經元的活動。為了解析這些復雜的數據，研究人員開發了一種無監督的深度學習工具，該工具可以在沒有任何預設指令的情況下，自主識別神經活動中的顯著模式。AI分析揭示，大腦的決策過程分為兩個截然不同的階段。在第一階段，神經活動主要由外部聲音信號驅動，忠實地處理傳入信息。然而在某個關鍵點，神經系統會發生一次急劇的動態轉變，進入第二階段。在這一階段，大腦的活動模式變得“自主”，仿佛已經“鎖定”了選擇，不再受新的外部信息影響。研究者將這個轉變點定義為神經推斷的承諾時刻（neurally inferred time of commitment, nTc）。進一步的行為分析證實了這一發現：在nTc之前出現的聲音線索會影響大鼠的最終選擇，而在此之后出現的線索則幾乎被完全忽略。這一發現不僅為理解決策的神經基礎提供了新視角，也可能為研究注意力缺陷多動癥（ADHD）或精神分裂癥等疾病提供線索。研究發表在 Nature 上。

閱讀更多：

Luo, Thomas Zhihao, et al. “Transitions in Dynamical Regime and Neural Mode during Perceptual Decisions.” Nature, Sept. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-025-09528-4

眼動追蹤結合AI，有望在阿爾茨海默病癥狀出現前數年實現精準檢測

如何能在阿爾茨海默病癥狀出現前就發現它？針對當前診斷方法昂貴且滯后的問題，英國思克萊德大學（University of Strathclyde）的 Mario Parra Rodriguez 及其合作者 Gerardo Fernández, Francisco Lopera 等人開發了一種創新方案。他們結合眼動追蹤與人工智能，成功實現了對遺傳性阿爾茨海默病無癥狀攜帶者的高精度識別。

?Credit: Brain Communications (2025).

研究團隊采用了一種名為視覺短期記憶綁定任務（Visual Short-Term Memory Binding Task，一種評估認知功能的測試），并利用 ViewMind Atlas 系統同步追蹤參與者完成任務時的細微眼球運動。研究對象是來自哥倫比亞的一個特殊家族隊列，這些成員攜帶一種會導致100%發病的阿爾茨海默病基因突變。通過運用隨機森林模型對眼動數據進行深度分析，系統能夠學習并識別出與疾病相關的獨特眼動模式。結果顯示，該技術在識別已出現癥狀的患者時，準確率達到了100%；更重要的是，在識別那些攜帶致病基因但尚未出現任何臨床癥狀的個體時，準確率也高達96%。這一表現顯著優于傳統的認知測試方法，后者在識別無癥狀攜帶者方面準確率僅為73%。這表明，眼球運動中包含了大腦功能變化的早期微妙信號，而AI能夠有效捕捉這些信號，從而提供了一種強大、無創的數字生物標志物，有望徹底改變阿爾茨海默病的早期篩查和預防策略。研究發表在 Brain Communications 上。

閱讀更多：

Fernández, Gerardo, et al. “Eye Movements Powered by Artificial Intelligence Identify Asymptomatic Carriers of Familial Alzheimer’s Disease.” Brain Communications, vol. 7, no. 5, Sept. 2025. academic.oup.com, https://doi.org/10.1093/braincomms/fcaf370

AI賦能日常物品，訂書機也能主動“遞”給你

如何讓AI助手從數字屏幕走向物理現實，并無縫融入生活？卡內基梅隆大學人機交互研究所的 Alexandra Ion, Violet Han 及其同事開發了一套創新系統。他們利用人工智能和機器人技術，成功將訂書機、刀具等日常物品轉變為能夠觀察、預測并主動滿足用戶需求的智能助手。

該研究的核心是一種“非侵入式物理AI”框架，它遵循“感知-推理-行動”的邏輯。首先，系統通過頂置攝像頭進行感知，并利用視覺語言模型將用戶所處的環境和活動實時翻譯成文字描述。接著，這些描述被送入一個大型語言模型，由它進行推理，分析用戶的行為并預測其下一步可能的目標，例如“用戶正準備整理文件，需要訂書機”。最后，系統將指令發送給被改造的日常物品，使其行動。這些物品被安裝在微型輪式機器人平臺上，能夠根據指令在桌面上自主移動，從而在恰當的時機提供幫助——比如訂書機自動滑到用戶手邊，或是一把刀在檢測到危險時悄悄移開。團隊通過多個場景驗證了系統的有效性，并評估了其預測用戶意圖的準確性，結果與人類判斷高度一致。這項工作展示了將智能分布于日常物品中的巨大潛力，讓物理世界的輔助變得和數字世界一樣智能和自然。研究成果在 2025年 ACM 用戶界面軟件和技術研討會（ACM Symposium on User Interface Software and Technology）上發表。

閱讀更多：

Han, Violet Yinuo, et al. “Towards Unobtrusive Physical AI: Augmenting Everyday Objects with Intelligence and Robotic Movement for Proactive Assistance.” Proceedings of the 38th Annual ACM Symposium on User Interface Software and Technology [New York, NY, USA], UIST ’25, 2025, pp. 1–16. ACM Digital Library, https://doi.org/10.1145/3746059.3747726

AI新工具MetaSeg大幅提升醫學圖像分割效率

醫學圖像分割是精準醫療的關鍵，但主流AI模型U-Nets訓練成本高昂。萊斯大學的Kushal Vyas、Ashok Veeraraghavan和Guha Balakrishnan團隊開發了一種名為MetaSeg的新型AI框架，它在實現同等精度的前提下，將模型效率提升了90%，為醫學成像領域帶來了變革性方案。

傳統上，醫學圖像分割（medical image segmentation）嚴重依賴像U-nets這樣的深度學習架構，但其龐大的參數量和數據需求限制了應用。MetaSeg則另辟蹊徑，它基于兩大核心技術：隱式神經表征（implicit neural representation, INR）和元學習。INR將一張復雜的醫學圖像視為一個連續的數學函數，能用極少的參數精確表示圖像中每個像素的細節。然而，單個INR模型通常難以泛化到新圖像上。為克服此局限，研究團隊引入了元學習（一種讓模型“學會如何學習”的策略）。通過這種訓練，MetaSeg能夠快速適應一張全新的、從未見過的腦部MRI圖像，并直接解碼出其中不同解剖結構的標簽。實驗結果表明，MetaSeg的分割準確率與U-Nets相當，但模型參數量卻驚人地減少了90%。這項成果不僅大幅降低了AI輔助診斷的計算成本，也為資源有限的醫療環境提供了高性能的解決方案。研究發表在 Lecture Notes in Computer Science 上。

閱讀更多：

Vyas, Kushal, et al. “Fit Pixels, Get Labels: Meta-Learned Implicit Networks for Image Segmentation.” Medical Image Computing and Computer Assisted Intervention – MICCAI 2025, edited by James C. Gee et al., Springer Nature Switzerland, 2026, pp. 194–203. Springer Link, https://doi.org/10.1007/978-3-032-04947-6_19

哈佛團隊用橡皮筋教會機器人思考

哈佛大學約翰·A·保爾森工程與應用科學學院的 Leon M. Kamp 和 Katia Bertoldi 等研究人員，提出了一種全新的機器人設計理念。他們成功展示了如何將智能直接“編織”進機器人的物理結構中，創造出一種僅靠橡皮筋和機械原理就能自主導航的機器人。

?一個簡單的機器人，其機械結構中嵌入了智能編程。Credit: Harvard John A. Paulson School of Engineering and Applied Sciences

研究團隊的核心理念是實現物理智能，即讓機器人的形態和材料本身具備計算和決策能力。他們構建了一個極簡的欠驅動（underactuated，即驅動器數量少于其自由度）機器人，它由幾個塑料塊和杠桿組成，唯一的動力源是一個電機，而連接部件的“程序”則是一組精心布置的橡皮筋。這些橡皮筋的拉伸狀態為機器人的每一種可能動作都設定了不同的能量成本。在單一電機的驅動下，整個機械結構會自發地沿著總能量成本最低的路徑運動，從而形成一套預設的動作序列。更巧妙的是，這個“程序”是可被環境被動修改的。當機器人前端的天線碰到障礙物時，物理接觸產生的力會改變系統的能量平衡，迫使機器人切換到另一套能量最低的動作序列，比如轉向。通過這種方式，機器人無需任何電子傳感器或軟件算法，就能自主地在迷宮中穿行并避開障礙。團隊還利用相同原理設計了一個能按質量自動分揀物體的裝置，進一步驗證了這種設計的潛力。研究發表在 PNAS 上。

閱讀更多：

Kamp, Leon M., et al. “Reprogrammable Sequencing for Physically Intelligent Underactuated Robots.” Proceedings of the National Academy of Sciences, vol. 122, no. 38, Sept. 2025, p. e2508310122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2508310122

利用遷移學習，新腦機接口可解碼不同患者的語音

如何讓腦機接口幫助因腦損傷而失語的患者開口說話？傳統技術因需大量個體化訓練而受限。德克薩斯大學健康休斯頓分校的 Nitin Tandon 及其團隊開發了一種新方法，通過遷移學習技術，創建了一個能“共享”大腦信號的通用語音解碼器，顯著提高了腦機接口的效率和適用性。

該研究摒棄了為每位患者從零開始訓練模型的傳統模式，轉而采用一種更高效的跨受試者遷移學習方法。研究團隊首先利用微創立體腦電圖（sEEG）記錄了25名癲癇患者在念繞口令時的大腦活動，這種復雜任務能最大化地激活語音相關的神經信號。接著，他們使用一個序列到序列模型，將這些復雜的腦電波解碼成構成語音的最小單位——音素（phonemes）。研究的核心突破在于，團隊利用來自多名參與者的數據構建了一個共享的群體模型，這個模型學習到了人類說話時共通的神經活動模式。當應用于一名新患者時，解碼器只需少量該患者的數據進行微調，便能快速適應并實現準確解碼。結果表明，這種基于群體訓練的解碼器性能遠超僅依賴個體數據的傳統模型，并且即便在新患者大腦信號覆蓋不全或數據量有限的情況下，依然能保持穩健的解碼能力。這一進展為開發通用神經假體邁出了關鍵一步，有望讓那些因大腦語言區受損而無法使用現有技術的失語癥患者重獲溝通能力。研究發表在 Nature Communications 上。

閱讀更多：

Singh, Aditya, et al. “Transfer Learning via Distributed Brain Recordings Enables Reliable Speech Decoding.” Nature Communications, vol. 16, no. 1, Oct. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41467-025-63825-0

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。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

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。

Chen Institute與華山醫院、上海市精神衛生中心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天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。