追問daily | 身體越累學得越快？壓力通過殺死神經元來減少大腦供血；記憶與推理功能分離，可精準編輯記憶

█腦科學動態

通過看小鼠“面相”，揭示其認知功能

從行為建模到意識理論：主動推理框架中隱含的最小意識理論

壓力通過殺死1%的特定神經元來減少大腦供血

聽力損失重塑嬰兒大腦網絡，早期語言干預刻不容緩

癡呆癥早期預警新線索：言語中的停頓成關鍵指標

越累學得越快？新研究發現大腦在疲勞時更具可塑性

勝則獎賞，敗則失控：神經影像學揭示球迷大腦的極端反應

█AI行業動態

扎克伯格夫婦千億豪賭AI+生物學，誓言在本世紀末根治所有疾病

AI制藥獨角獸Iambic再獲超1億美元融資

AI驅動生物科技革命：20年護膚品研發周期縮短至10個月

圖靈獎得主Yann LeCun告別Meta，傳將創立新公司

█AI驅動科學

拓撲感知深度學習模型增強了基于腦電圖的運動想象解碼能力

AI大腦新圖譜：記憶與推理功能分離，可精準“編輯”記憶

“讀心”的秘密：大語言模型如何通過極稀疏參數編碼心智理論

AI假臉防不勝防？研究發現五分鐘訓練即可擦亮雙眼

微小的數字摩擦可以減緩虛假信息的傳播

腦科學動態

通過看小鼠“面相”，揭示其認知功能

大腦活動在控制行為時會產生無意識的伴隨動作，這些動作是否能揭示潛在的認知狀態？葡萄牙尚帕里莫基金會的Fanny Cazettes和Zachary F. Mainen等人研究發現，小鼠的面部表情能夠同時編碼多個決策變量，甚至包括當前未被使用的變量，并揭示了這些表情部分起源于次級運動皮層的神經活動。

研究團隊設計了一個概率性覓食任務，讓小鼠在舔舐糖水時，需要根據不同策略（例如計算連續失敗次數或累計獎勵）來決定是否切換位置。通過高分辨率視頻和奇異值分解分析，研究人員發現小鼠的面部表情而非身體動作，能夠同時且精確地編碼多個決策變量，即使某些變量在當前決策中并未被采納。這些面部模式在不同小鼠間具有驚人的一致性，如同刻板的“表情包”。為探究其神經起源，團隊同步記錄了多個腦區的神經活動。結果顯示，次級運動皮層（M2）對決策變量的編碼在時間上略早于面部表情的出現，而面部表情的出現又早于眶額皮層等其他腦區。這一發現表明，M2的神經活動是這些認知性面部表情的驅動源頭之一，證明了通過非侵入性的面部監測，可以揭示大腦中原本潛在的認知計算過程。研究發表在 Nature Neuroscience 上。

閱讀更多：

Cazettes, Fanny, et al. “Facial Expressions in Mice Reveal Latent Cognitive Variables and Their Neural Correlates.” Nature Neuroscience, vol. 28, no. 11, Nov. 2025, pp. 2310–18. www.nature.com, https://doi.org/10.1038/s41593-025-02071-5

從行為建模到意識理論：主動推理框架中隱含的最小意識理論

意識研究領域長期存在理論碎片化問題，不同理論難以相互比較和驗證。Christopher J. Whyte, Karl J. Friston, Anil K. Seth 等研究人員另辟蹊徑，提出不應從意識的某個特定方面出發，而應從一個普適性的行為建模框架——主動推理中，自下而上地構建一個最小且可檢驗的意識理論。

該理論的核心基于主動推理框架，它將大腦視為一個預測機器，其根本目標是最小化“意外”，即預測與感官輸入之間的誤差。研究者指出，這一過程通過最小化一個稱為變分自由能的目標函數來實現。在感知層面，大腦需要在最大化預測準確性與最小化模型復雜性之間取得平衡，以形成對外部世界的穩定認知。在行動層面，大腦通過最小化預期自由能來規劃未來，這要求智能體在追求偏好目標（降低風險）、減少對世界狀態的不確定性（降低模糊性）以及探索新信息（最大化新穎性）之間進行權衡。研究團隊認為，這個統一的數學框架本身就隱含了一套關于意識的理論承諾。通過將主動推理模型應用于意識科學的各種現象——從基本的知覺意識到復雜的自我意識——可以發現它們背后共通的計算原理。這種方法有望超越現有理論的局限，為意識研究提供一種統一的數學語言和可檢驗的理論基礎。研究發表在 Physics of Life Reviews 上。

閱讀更多：

Whyte, Christopher J., et al. “On the Minimal Theory of Consciousness Implicit in Active Inference.” Physics of Life Reviews, Nov. 2025. ScienceDirect, https://doi.org/10.1016/j.plrev.2025.11.002

壓力通過殺死1%的特定神經元來減少大腦供血

壓力如何具體損害大腦并可能增加神經退行性疾病風險？賓夕法尼亞州立大學的 Kevin Turner, Patrick J. Drew 等研究人員聚焦于一類對壓力極其敏感的罕見神經元，發現其對于維持正常的腦血流和神經活動至關重要，其缺失可能是連接壓力與腦功能下降的關鍵環節。

?研究團隊的目標神經元類型是 1 型 nNOS（上圖中黃色部分），與其他腦神經元相比，這種神經元較為罕見。通過注射法，研究團隊能夠系統性地清除腦中的這類神經元，從而深入了解它們所發揮的作用。Credit: Patrick Drew / Penn State

研究團隊開創了一種新方法，通過向小鼠的體感皮層（somatosensory cortex，處理觸覺等感覺輸入的區域）精準注射一種名為皂苷（saporin）的毒性蛋白，特異性地清除了數量稀少（占大腦神經元不足1%）的I型nNOS神經元（type-one nNOS neurons）。隨后，他們利用高分辨率成像和電極監測發現，缺少了這些神經元的小鼠，其腦血管規律性的擴張和收縮，即自發振蕩（spontaneous oscillation），幅度顯著減小，導致整體腦血流量下降。同時，大腦的電活動也普遍減弱。有趣的是，這些負面影響在睡眠期間比清醒時更為嚴重，暗示了這類神經元對大腦在睡眠中的恢復和支持功能可能尤為重要。此外，大腦兩個半球之間的神經信號協調性也隨之降低。這項研究表明，這一小群對壓力脆弱的神經元在協調全腦范圍的血流和神經活動中扮演著“指揮官”的角色，它們的喪失可能是慢性壓力導致大腦健康惡化的一個此前未被探明的重要原因。研究發表在 eLife 上。

閱讀更多：

Turner, Kevin, et al. “Type-I nNOS Neurons Orchestrate Cortical Neural Activity and Vasomotion.” eLife, edited by Mark T Nelson and Laura L Colgin, vol. 14, Nov. 2025, p. RP105649. eLife, https://doi.org/10.7554/eLife.105649

聽力損失重塑嬰兒大腦網絡，早期語言干預刻不容緩

生命早期聽覺輸入對大腦發育至關重要，但聽力損失如何影響嬰兒大腦功能網絡的建立尚不明確。加州大學默塞德分校的Heather Bortfeld和北京師范大學的Haijing Niu等人通過研究揭示，患有先天性聽力損失的嬰兒未能形成正常的語言優勢半球（左腦）功能特化，這凸顯了早期干預的緊迫性。

?典型發育 (TD) 和先天性感覺神經性聽力損失 (SNHL) 嬰兒半球網絡發育差異。( A ) 全局效率人工智能 ( E glob ) 的發育比較。( B ) 局部效率人工智能 ( E loc ) 的發育比較。Credit: Science Advances (2025).

研究團隊利用功能性近紅外光譜對112名3至9個月大的嬰兒進行了研究，其中包括52名患有先天性感覺神經性聽力損失（SNHL）的嬰兒。研究發現，雖然所有嬰兒的大腦網絡都具備高效的“小世界”結構，但其發育軌跡出現了顯著差異。正常發育的嬰兒隨著年齡增長，其大腦左半球的網絡效率會逐漸增強，形成處理語言等高級認知功能所必需的大腦不對稱模式。然而，患有聽力損失的嬰兒并未表現出這種關鍵的左側化發展趨勢。這種發育差異的程度與聽力損失的嚴重性直接相關，聽力受損越嚴重，大腦左半球功能特化的缺失就越明顯。這一發現將聽力損失重新定義為一個大腦發育問題，而不僅僅是耳朵的問題，并強調了早期干預的必要性，即通過助聽器、人工耳蝸或手語等方式，在嬰兒大腦可塑性最強的時期提供豐富的語言環境，以促進關鍵神經通路的正常建立。研究發表在 Science Advances 上。

閱讀更多：

Liu, Guangfang, et al. “Developmental Alterations in Brain Network Asymmetry in 3- to 9-Month Infants with Congenital Sensorineural Hearing Loss.” Science Advances, vol. 11, no. 42, Oct. 2025, p. eadx1327. science.org (Atypon), https://doi.org/10.1126/sciadv.adx1327

癡呆癥早期預警新線索：言語中的停頓成關鍵指標

我們日常說話的方式能否揭示大腦健康狀況？為解決傳統認知測試的局限性，來自貝克雷斯特研究所、多倫多大學和約克大學的 Hsi T. Wei, Jed A. Meltzer 等研究人員利用人工智能分析自然言語，發現說話時的停頓、填充詞（如“呃”、“嗯”）等不流暢特征，是衡量執行功能（支持記憶、計劃等高級思維能力）的敏感指標。

研究團隊通過兩項實驗，共招募了241名年齡從18歲到90歲的健康成年人。參與者被要求口頭描述復雜的圖片，同時完成標準的執行功能測試。研究人員利用人工智能技術對錄音進行分析，從中提取了數百個細微的言語特征。結果明確顯示，言語的不流暢性，特別是反映找詞困難的停頓和填充詞，與執行功能測試的表現密切相關。這一關聯不僅存在于老年人中，而且貫穿整個成年期，并且在控制了年齡、性別和教育程度等因素后依然顯著。這表明，說話時的“卡頓”并非簡單的語言習慣，而可能反映了大腦處理信息的速度和效率。這項研究證實了自然言語分析作為一種便捷、無創且可重復的認知評估工具的巨大潛力，未來有望用于大規模篩查，幫助早期識別認知下降速度超常的癡呆癥高風險人群。研究發表在 Journal of Speech, Language, and Hearing Research 上。

閱讀更多：

Wei, Hsi T., et al. “Natural Speech Analysis Can Reveal Individual Differences in Executive Function Across the Adult Lifespan.” Journal of Speech, Language, and Hearing Research. pubs.asha.org (Atypon), https://doi.org/10.1044/2025_JSLHR-24-00268. Accessed 12 Nov. 2025

越累學得越快？新研究發現大腦在疲勞時更具可塑性

大腦對外界的反應并非恒定，其功能狀態受晝夜節律的深刻影響，但其神經機制尚不清晰。日本東北大學的Yuki Donen, Yoko Ikoma, 和 Ko Matsui研究團隊通過對大鼠的研究，揭示了大腦皮層的興奮性和學習能力在一天內會發生節律性變化，并發現神經遞質腺苷是關鍵的調控分子，其研究成果為優化學習和康復治療提供了新的視角。

?記錄皮層神經信號的晝夜節律。(A) 在 Thy1-ChR2 大鼠中，通過光遺傳學方法激活皮層神經元，并在視覺皮層記錄局部場電位 (LFP)。(B) 日落時第三負 LFP 相位的斜率大于日出時，表明傍晚的反應更強。(C) 三天平均信號顯示出與光暗周期同步的約 24 小時正弦模式。Credit: Yuki Donen, Yoko Ikoma, Ko Matsui

研究人員利用光遺傳學技術，在不同時間點精確激活夜行性大鼠視覺皮層中的神經元，并記錄其電活動。結果顯示，神經元的興奮性存在明顯的晝夜節律：在日落時（大鼠剛睡醒，準備開始活動）神經反應最強，而在日出時（活動一夜后，準備休息）反應則顯著減弱。進一步的機制研究發現，這種變化由腺苷（adenosine，一種在清醒期間積累并導致困倦的分子）調控。當研究者在日出時阻斷腺苷受體的作用，神經元的反應強度便恢復到了日落時的高水平。更令人意外的是，研究發現大腦的可塑性也遵循晝夜節律。長期增強作用（long-term potentiation, LTP，被認為是學習和記憶的細胞基礎）在日出時更容易被誘導，此時大鼠最為疲勞，睡眠壓力最大；而在日落時則無法誘導。這表明大腦在疲勞狀態下反而更具“元可塑性”（metaplasticity，指可塑性本身的可塑性），更容易發生持久的改變。這一發現暗示大腦存在進行學習和適應的“黃金窗口”，或有助于未來優化康復訓練和刺激療法的時間安排。研究發表在 Neuroscience Research 上。

閱讀更多：

Donen, Yuki, et al. “Diurnal Modulation of Optogenetically Evoked Neural Signals.” Neuroscience Research, vol. 221, Dec. 2025, p. 104981. ScienceDirect, https://doi.org/10.1016/j.neures.2025.104981

勝則獎賞，敗則失控：神經影像學揭示球迷大腦的極端反應

為何球迷在觀看比賽時會表現出極端的情緒和行為？為探究競爭環境中社會認同的神經機制，來自智利圣地亞哥阿萊馬納診所和圣塞巴斯蒂安大學的 Francisco Zamorano 及其團隊，利用神經影像學技術揭示了足球迷在觀看宿敵對決時大腦活動的劇烈變化，發現了一種“獎勵增強，控制減弱”的神經模式。

?重大失敗的負面影響示意圖。在重大失敗期間，顯著性網絡會被抑制。色條代表 Z 值（暖色表示較高的正 Z 值，冷色表示負值/相對抑制）。A = 前側，L = 左側，S = 上方。Credit: Radiological Society of North America (RSNA)

研究團隊采用功能性磁共振成像，對60名健康男性足球迷進行了掃描。參與者在掃描期間觀看了包含其主隊、宿敵及中立球隊的比賽進球片段。研究結果顯示，當球迷目睹自己的主隊戰勝宿敵時，大腦中與獎賞和愉悅感相關的區域，如腹側紋狀體（ventral striatum），被顯著激活，這強化了他們的群體歸屬感和社會認同。相反，當球隊被宿敵擊敗時，負責認知控制和決策的關鍵腦區——背側前扣帶回皮層（dorsal anterior cingulate cortex, dACC）的活動卻出現矛盾性的抑制。這種控制能力的下降，可能正是導致球迷在遭遇重大失敗時表現出非理性甚至攻擊性行為的神經基礎。研究者指出，這種神經反應模式在生命早期就已形成，并可能延伸到體育之外的政治狂熱等領域。研究發表在 Radiology 上。

閱讀更多：

Zamorano, Francisco, et al. “Brain Mechanisms across the Spectrum of Engagement in Football Fans: A Functional Neuroimaging Study.” Radiology, vol. 317, no. 2, Nov. 2025, p. e242595. pubs.rsna.org (Atypon), https://doi.org/10.1148/radiol.242595

AI 行業動態

扎克伯格夫婦千億豪賭AI+生物學，誓言在本世紀末根治所有疾病

隨著 Meta 股價飆升，Mark Zuckerberg 和 Priscilla Chan 夫婦旗下的慈善機構 CZI (Chan Zuckerberg Initiative，陳-扎克伯格倡議) 承諾投入的資金已從最初的 450 億美元增長至超過 2000 億美元。CZI 正在進行戰略重心調整，幾乎停止了所有非科學領域的資助，并將原定目標“在本世紀末治愈、預防或管理所有疾病”升級為更具雄心的“在本世紀末治愈、預防所有疾病”。為實現這一目標，CZI 宣布在接下來的十年將對基礎科學研究的投入增加一倍以上，達到至少 100 億美元，年度投入規模已與霍華德·休斯醫學研究所（HHMI）等老牌生物醫學慈善巨頭相當。研究人員指出，此次投入的重點在于加大對 AI 與生物學結合領域的押注，旨在利用尖端人工智能技術大幅加速新療法的探索，推動醫學前沿發展。

CZI 對 AI 的加碼主要體現在兩個方面：人才引進和核心項目構建。CZI 旗下的非盈利機構科研機構 Biohub（CZI 整合旗下的三個實驗室和成像中心重新設立的科研機構）已收購了 EvolutionaryScale 公司，并任命該公司創始人、麻省理工學院/哈佛大學博德研究所（Broad Institute of MIT and Harvard）的計算機科學家 Alex Rives 為科學主管。Alex Rives 曾在 Meta 基礎人工智能研究實驗室領導開發了蛋白質語言模型，其團隊后創立 EvolutionaryScale 并推出了 ESM-3（EvolutionaryScale Model 3，第一個同時對蛋白質的序列、結構和功能進行推理的生成式人工智能模型）。重組后的 Biohub 將由 Alex Rives 領導，致力于構建一個通用的虛擬細胞模型。此外，CZI 在一份預印本論文中闡述了一項重大 AI 計劃，目標是構建人類免疫系統虛擬模型，推動免疫學從描述性科學向能夠動態模擬和干預的預測性工程化科學轉變。研究人員將其稱為“第三次免疫學革命”，核心是“預測免疫學循環”（Predictive Immunology Loop），旨在通過融合大規模因果實驗數據與生成式 AI 模型，最終構建出具有如物理學“標準模型”般解釋力的“虛擬免疫系統”。

+Biology

閱讀更多：

https://arxiv.org/abs/2511.03041

AI制藥獨角獸Iambic再獲超1億美元融資，攜手Jazz攻克HER2難治性癌癥

AI 制藥公司 Iambic Therapeutics 近期宣布完成一輪超額認購融資，金額超過 1 億美元。此次融資陣容強大，包括紅杉、雷杰納榮投資（Regeneron Ventures）和卡塔爾投資局等知名機構的新老投資者共同支持，顯示出資本市場對其技術平臺的高度認可。這筆新資金將主要用于加速其由 AI 驅動的治療管線（Pipeline，即正在研發中的藥物項目）進入臨床階段，重點是 KIF18A 和 CDK2/4 項目，并尋求更多的商業合作。Iambic 聯合創始人兼首席執行官 Tom Miller 博士強調，此次融資是對團隊卓越工作的肯定，并期待繼續推動臨床進展。

該公司的核心競爭力在于其 AI 藥物發現平臺，該平臺能夠利用蛋白質結構預測模型 NeuralPLexer 快速預測藥物分子與靶點蛋白質的結合方式，并智能設計出更優、更安全的候選藥物分子，從而大幅縮短臨床前研究時間。該平臺首個成功范例是主打候選藥物 IAM1363，這款能穿透血腦屏障的 HER2 小分子酪氨酸激酶抑制劑（Tyrosine Kinase Inhibitor, TKI，一類阻斷特定信號通路的小分子抗癌藥）近期在歐洲腫瘤內科學會（ESMO）年會上公布了早期臨床數據，顯示出在對現有療法耐藥的多種癌癥中具有抗腫瘤活性。基于這一亮眼表現，Iambic 上個月與制藥巨頭 Jazz Therapeutics 達成合作，共同研究 IAM1363 與其 HER2 靶向雙特異性抗體 Ziihera 的聯合療法，旨在挑戰難治性 HER2 陽性乳腺癌。這標志著 Iambic 正加速從技術平臺公司轉型為擁有多條臨床管線、具備強大商業化潛力的生物制藥公司，預示著 AI 制藥正逐步進入收獲期。

閱讀更多：

https://www.fiercebiotech.com/biotech/busy-ai-driven-iambic-therapeutics-raises-over-100m-oversubscribed-funding-round

AI驅動生物科技革命：Debut Biotech將20年護膚品研發周期縮短至10個月

Debut Biotech 是一家專注于利用先進生物技術和人工智能加速皮膚健康領域新成分發現的公司。有別于傳統生物科技公司僅注重技術橫向發展，Debut 致力于將前沿研究成果快速商業化并推向市場，目前已與 Image Skincare 等品牌合作，其最新成果將于明年上市。公司開發了醫藥級、基于基因組學的 AI 技術平臺 BeautyORB?，顯著加速了新成分的研發流程。研究人員指出，借助 AI 的強大能力，他們能夠以前所未有的速度和效率篩選超過 500 億種潛在成分。這一突破性技術將原本需要 20 年才能通過傳統方法完成的分子篩選和發現工作，壓縮至短短 10 個月左右的計算即可實現，成功發現了新的分子途徑，并創造出高性能的護膚配方。

BeautyORB? 平臺的核心在于其 AI/ML模型，這些模型從專有的大規模功能基因組學數據中學習，能夠預測新分子對基因表達特征的影響，從而創建出具有靶向功效的成分。該平臺依賴于高通量 RNA 測序平臺，能夠在自動化、受控的生物相關細胞培養模型中，測試小分子對多達 30,000 個人類基因的響應。此外，BeautyORB? 還集成了定量結構活性關系（QSAR，Quantitative Structure-Activity Relationship，一種僅基于分子結構預測其生物活性的模型）模型，使得平臺能夠快速從數十億個可合成的小分子集合中發現生物活性物質。在制造環節，Debut 科學家利用工程化微生物菌株（如酵母或細菌）和優化酶，通過迭代的設計-構建-測試-學習（DBTL，Design-Build-Test-Learn）循環，在無細胞反應中高效生產高性能分子，降低了下一代成分的生產成本，標志著 AI 與生物技術正從傳統的制藥實驗室走向更貼近大眾生活的消費領域。

閱讀更多：

https://www.cnbc.com/2025/10/29/debut-biotech-image-skincare.html

圖靈獎得主Yann LeCun告別Meta，傳將創立新公司

據《金融時報》援引知情人士報道，Meta 首席人工智能研究人員Yann LeCun 計劃離開公司，并正就籌集資金進行早期洽談，以創辦自己的初創公司。這一消息緊隨 PyTorch 之父 Soumith Chintala 宣布離職數天后傳來，雖然突然但并不令人意外。LeCun 的離開反映了 Meta 內部在 AI 戰略上的巨大動蕩和新舊沖突。自今年 6 月 Mark Zuckerberg斥資收購 Scale AI 并任命 Alexandr Wang領導超級智能實驗室以來，Meta 內部進行了大刀闊斧的調整和裁員，十月底裁減了大約 600 個職位，波及到 FAIR（Facebook AI Research，臉書人工智能研究院）等多個團隊。這種內部矛盾和對學術自由的限制，使得這位堅持開放研究模式的圖靈獎得主感到尷尬，并最終選擇了離開。

Yann LeCun 在 Meta 的歷史始于 2013 年，當時 Mark Zuckerberg 親自邀請他加入，并同意了 LeCun 堅持的條件：FAIR 必須采用開放的研究模式，像學術界一樣公開發表論文，這對于吸引和留住頂尖人才至關重要。此后，FAIR 為 Meta 提供了核心技術和開源工具（如 PyTorch），并在大模型競爭初期，憑借其 Llama 系列模型確立了 Meta 在開放人工智能生態中的獨特地位。然而，在如今競爭日益殘酷的環境下，隨著 Meta 對 FAIR 實驗室施加鎖緊論文發表的新政策，以及內部組織文化的混亂，FAIR 早期所代表的“理想主義”正在退潮。研究人員認為，正是這種學術自由受限的環境，加速了 LeCun 的辭職意愿。目前，LeCun 尚未正式離職，但他即將開啟的創業新征程，無疑將為人工智能領域帶來新的期待。

閱讀更多：

https://www.ft.com/content/c586eb77-a16e-4363-ab0b-e877898b70de

AI 驅動科學

拓撲感知深度學習模型增強了基于腦電圖的運動想象解碼能力

解碼大腦中的運動想象（MI）信號是腦機接口技術的關鍵，但信號的低信噪比和復雜性使其極具挑戰。為解決此問題，日本千葉大學的 Chaowen Shen 和 Akio Namiki 提出了一種創新的拓撲感知多尺度特征融合（TA-MFF）網絡，通過深度整合腦電信號的多維度信息，顯著提升了解碼的準確性和魯棒性。

傳統深度學習模型在處理運動想象腦電圖（MI-EEG）信號時，常忽略頻譜與拓撲特征間的深層依賴。為此，研究團隊構建了拓撲感知多尺度特征融合網絡（TA-MFF network），該網絡包含一個時空網絡（ST-Net）和一個頻譜網絡（S-Net）。其核心創新在于三個新模塊的協同工作：首先，頻譜拓撲數據分析處理（S-TDA-P）模塊利用持久同調（persistent homology，一種分析數據拓撲結構的數學工具）來捕捉電極之間穩定、深層的空間關系。同時，跨頻譜遞歸注意力（ISRA）模塊對不同頻段間的相關性進行建模，自適應地增強關鍵頻譜特征。最后，創新的頻譜拓撲與時空特征融合（SS-FF）單元采用兩步式策略，先融合拓撲與頻譜信息，再將其與時空特征整合，從而有效捕捉跨域依賴。在BCIC-IV-2a等三個公開數據集上的測試表明，該模型的分類準確率分別達到85.87%、90.2%和80.5%，全面超越了現有先進方法，為開發更精確、魯棒的腦機接口應用奠定了基礎。研究發表在 Knowledge-Based Systems 上。

閱讀更多：

Shen, Chaowen, and Akio Namiki. “A Topology-Aware Multiscale Feature Fusion Network for EEG-Based Motor Imagery Decoding.” Knowledge-Based Systems, vol. 330, Nov. 2025, p. 114540. ScienceDirect, https://doi.org/10.1016/j.knosys.2025.114540

AI大腦新圖譜：記憶與推理功能分離，可精準“編輯”記憶

大型AI模型如何區分記憶與推理？長期以來，這兩種核心功能的內部機制尚不明確。為了繪制AI的“大腦”圖譜，初創公司Goodfire.ai的研究人員Jack Merullo、Srihita Vatsavaya等人進行了一項研究，他們成功證明AI的記憶和推理能力位于其內部架構的不同部分，并開發出一種可以精準“編輯”模型記憶的方法。

?我們的方法概述。我們從訓練數據樣本中收集激活值和梯度（a），這使我們能夠使用 K-FAC 近似權重矩陣的損失曲率（b）。我們將這些權重矩陣分解為分量（每個分量的大小與矩陣相同），并按曲率從高到低排序。在語言模型中，我們展示了來自不同任務的數據與分量譜的不同部分之間的交互方式不同（c）。Credit: arXiv (2025).

研究團隊使用一種名為K-FAC（克羅內克因子近似曲率）的數學技術，分析了Transformer模型的內部權重。他們發現，模型權重可以根據損失曲率（loss curvature）分解為不同部分：負責機械記憶（rote memorization）的部分呈現出較低的曲率，而負責通用推理的部分則具有較高的曲率。基于此，研究人員進行了一項“剪枝”實驗，即選擇性地關閉與記憶相關的低曲率組件。結果顯示，模型的通用邏輯推理能力幾乎不受影響，但其算術運算和回憶孤立事實等依賴記憶的能力卻大幅下降。這一發現證實了記憶與推理在模型內部是物理分離的，為精準移除AI中的有害記憶（如隱私數據或偏見內容）提供了可能，而不會損害其核心智能。

閱讀更多：

Merullo, Jack, et al. “From Memorization to Reasoning in the Spectrum of Loss Curvature.” arXiv:2510.24256, arXiv, 3 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.24256

“讀心”的秘密：大語言模型如何通過極稀疏參數編碼心智理論

大型語言模型如何像人類一樣理解他人想法？針對這一問題，史蒂文斯理工學院的Zhaozhuo Xu、Denghui Zhang及其合作者們，從模型的內部機制出發，揭示了LLM實現“心智理論”能力的關鍵。他們發現，這種復雜的社會推理能力并非依賴整個龐大的神經網絡，而是由一個極度稀疏的參數子集所編碼。

?這是一個心智理論（ToM）任務。在問題 (a) 中，邏輯學習模型（LLM）應在空格處填寫“爆米花”。在問題 (b) 中，空格處應填寫“巧克力”。Credit: npj Artificial Intelligence (2025).

研究團隊首先提出了一種新穎的方法，用于精確定位LLM中對心智理論（Theory of Mind，簡稱ToM，即推斷他人心理狀態的能力）敏感的參數。令人驚訝的是，即使只擾動這些參數中不到0.001%的部分，模型的ToM性能就會急劇下降。這表明LLM的社會推理能力集中在這些極少數的關鍵連接上，這與人腦處理類似任務時的高效節能模式有相似之處。進一步的機制分析發現，這些“ToM敏感參數”與模型的位置編碼模塊，特別是旋轉位置嵌入（Rotary Position Embedding，一種追蹤詞語位置和關系的技術）緊密相連。當這些參數被擾動時，模型處理上下文信息的核心頻率激活會遭到破壞，進而影響其注意力機制，改變了模型內部對信息的關注方式，最終損害了其形成連貫語義表征和進行社會推理的能力。這項研究為理解AI的“思維”過程提供了新視角，也為開發更高效、更可解釋的AI系統指明了方向。研究發表在 npj Artificial Intelligence 上。

閱讀更多：

Wu, Yuheng, et al. “How Large Language Models Encode Theory-of-Mind: A Study on Sparse Parameter Patterns.” Npj Artificial Intelligence, vol. 1, no. 1, Aug. 2025, p. 20. www.nature.com, https://doi.org/10.1038/s44387-025-00031-9

AI假臉防不勝防？研究發現五分鐘訓練即可擦亮雙眼

隨著人工智能生成的面孔日益逼真并帶來安全隱患，人類的識別能力面臨嚴峻挑戰。為解決此問題，來自雷丁大學、格林威治大學、利茲大學和林肯大學的 Katie L. H. Gray 等人進行研究，發現僅需五分鐘的針對性訓練，即可顯著提升普通人乃至“超級識別者”（super-recognizers）辨別AI假臉的準確率。

?參與者被要求辨別真人面孔和合成面孔。上面兩行是人工智能生成的面孔，下面兩行是真實面孔。Credit: Dr. Katie Gray

研究團隊招募了664名參與者，并使用先進AI軟件StyleGAN3生成的面孔進行測試。結果顯示，在未經訓練時，所有人都難以分辨真假，即便是人臉識別能力超群的超級識別者，其正確識別假臉的準確率也僅為41%，而普通參與者更是只有31%，均低于隨機猜測水平（50%）。然而，在接受了一項僅五分鐘的簡短訓練后（該訓練重點指出了常見的計算機渲染錯誤，如不尋常的發型或牙齒數量），參與者的表現得到顯著改善。超級識別者的準確率躍升至64%，普通參與者的準確率也達到了51%。有趣的是，訓練對兩組人的提升效果幅度相當，這暗示超級識別者可能并非簡單地更擅長發現渲染瑕疵，而是利用了其他更深層次的視覺線索來完成識別。研究發表在 Royal Society Open Science 上。

閱讀更多：

Gray, Katie L. H., et al. “Training Human Super-Recognizers’ Detection and Discrimination of AI-Generated Faces.” Royal Society Open Science, vol. 12, no. 11, Nov. 2025, p. 250921. royalsocietypublishing.org (Atypon), https://doi.org/10.1098/rsos.250921

微小的數字摩擦可以減緩虛假信息的傳播

社交媒體平臺使得高參與度但低質量內容以前所未有的速度泛濫，對社會信任構成威脅。為探索遏制虛假信息傳播的有效策略，哥本哈根大學的博士生 Laura Jahn、Professor Vincent F. Hendricks, 以及 Rasmus K. Rendsvig, Alessandro Flammini, Filippo Menczer 等研究人員提出，通過行為設計引入“數字摩擦”來改善網絡信息質量。

研究團隊利用基于代理模型（Agent-Based Model, ABM）進行了概念驗證模擬，該模型旨在模擬信息在社交媒體（如 X、Bluesky、Mastodon）上的共享行為。研究的核心策略是引入數字摩擦，即在用戶分享內容時設置一個輕微的阻礙，例如彈出一條提示信息，要求用戶在點擊分享前稍作停頓反思。模擬結果顯示，單獨的數字摩擦雖然能夠減少帖子的分享數量，但并不能提高被分享內容的平均質量。為了解決這一局限，研究團隊在摩擦環節中加入了“質量識別學習”（quality-recognition learning）組件，例如一個詢問用戶關于平臺社區規范的簡短測試。模型結果表明，當少量的數字摩擦與學習元素相結合時，分享帖子的平均質量顯著提高。研究人員總結道，這種結合學習的摩擦干預措施，是一種有效且對用戶干擾最小（minimally invasive）的方式，可以啟發科技巨頭們在打擊虛假信息方面進行創新思考。研究發表在 npj Complexity 上。

閱讀更多：

Jahn, Laura, et al. “A Perspective on Friction Interventions to Curb the Spread of Misinformation.” Npj Complexity, vol. 2, no. 1, Nov. 2025, p. 31. www.nature.com, https://doi.org/10.1038/s44260-025-00051-1

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、、、科普視頻媒體「大圓鏡」等。