追問daily | 為何我們只能意識到信息而非過程？持續(xù)學(xué)習(xí)是意識的必要條件；特定記憶訓(xùn)練可減輕壓力

█ 腦科學(xué)動態(tài)

意識研究的盲區(qū)：為何我們只能意識到信息而非過程？

跨文化研究顯示人們結(jié)合多種參照框架進(jìn)行定位

時間帶走了記憶數(shù)量，卻保留了記憶理由的質(zhì)量

高中生參與研發(fā)“電子鼠腦”：精確模擬創(chuàng)傷性腦損傷的物理沖擊

特定記憶訓(xùn)練可減輕壓力

基于神經(jīng)元活動的腦圖譜挑戰(zhàn)前額葉皮層解剖學(xué)定義

大語言模型意識的證偽：持續(xù)學(xué)習(xí)是意識的必要條件

█ AI行業(yè)動態(tài)

燒壞電腦終獲正果：數(shù)學(xué)家發(fā)現(xiàn)“緊致Bonnet對”推翻百年直覺

麥肯錫重磅報告：人機(jī)協(xié)作將重塑未來工作流與技能格局

AI內(nèi)部構(gòu)建“思維社會”：DeepSeek-R1與o系列模型推理機(jī)制

█ AI驅(qū)動科學(xué)

Science：細(xì)胞“時間膠囊”：首次實(shí)現(xiàn)哺乳動物細(xì)胞轉(zhuǎn)錄組歷史記錄

大模型聊天機(jī)器人顯著提升初級到專科護(hù)理的過渡效率

新型模擬內(nèi)存計(jì)算芯片突破能效瓶頸，加速高性能計(jì)算

人工智能在《龍與地下城》中接受長期決策能力測試

機(jī)器學(xué)習(xí)賦予假肢“視覺”：自動調(diào)控抓握力度讓生活更自如

MAPLE框架：精準(zhǔn)預(yù)測表觀遺傳年齡與疾病風(fēng)險

KnowMe-Bench：面向終身數(shù)字伴侶的個體理解基準(zhǔn)測試

MemoBrain：賦予智能體“執(zhí)行記憶”以突破長程推理瓶頸

腦科學(xué)動態(tài)

意識研究的盲區(qū)：為何我們只能意識到信息而非過程？

在意識科學(xué)領(lǐng)域，理論的激增往往伴隨著概念的混淆。Peter A. White 對當(dāng)前的意識研究提出了根本性的理論挑戰(zhàn)，旨在厘清“什么可以被意識到”這一核心問題。該研究并未進(jìn)行新的生物學(xué)實(shí)驗(yàn)，而是通過嚴(yán)密的邏輯推導(dǎo)和對既有神經(jīng)科學(xué)證據(jù)的重新審視，指出了當(dāng)前主流意識理論中存在的邏輯漏洞，并強(qiáng)調(diào)了區(qū)分“信息內(nèi)容”與“意識狀態(tài)”的重要性。

這項(xiàng)研究將大腦嚴(yán)格視為一個信息處理系統(tǒng)，提出了三個顛覆性的命題。首先，White 指出必須將“信息本身”與“信息被意識到”的事實(shí)區(qū)分開來。例如，感知到的“紅色”是一種神經(jīng)信息編碼，這與“意識到紅色”的體驗(yàn)是截然不同的，而許多理論錯誤地將信息的功能后果歸因于意識。其次，研究通過分析自愿行為論證了“過程不可知論”：雖然大腦中的信息（如感官輸入或思維內(nèi)容）可以是意識到的，但處理這些信息的過程——例如生成言語報告的復(fù)雜運(yùn)動控制機(jī)制——永遠(yuǎn)無法被意識到。我們感覺到的“行動意愿”實(shí)際上只是運(yùn)動指令的副本，而非動作啟動的真實(shí)過程。最后，文章批判了“接入意識”（access consciousness）這一概念，認(rèn)為它本質(zhì)上只是信息在大腦中的“接入”或分布。如果剝離“意識”這個標(biāo)簽，全局工作空間等模型描述的信息處理功能依然成立。研究總結(jié)認(rèn)為，目前的科學(xué)尚未提出任何能夠真正解釋意識體驗(yàn)如何產(chǎn)生的“生成機(jī)制”。研究發(fā)表在 Consciousness and Cognition 上。

#意識與腦機(jī)接口 #神經(jīng)機(jī)制與腦功能解析 #意識體驗(yàn) #接入意識 #信息處理

閱讀更多：

White, Peter A. “Three Propositions about Conscious Experience and Their Implications for Theories of Consciousness.” Consciousness and Cognition, vol. 139, Mar. 2026, p. 103994. ScienceDirect, https://doi.org/10.1016/j.concog.2026.103994

跨文化研究顯示人們結(jié)合多種參照框架進(jìn)行定位

在陌生的環(huán)境中，我們的大腦是如何構(gòu)建地圖的？Benjamin Pitt（圖盧茲高等研究院）及其團(tuán)隊(duì)通過對美國人和玻利維亞土著居民的對比研究發(fā)現(xiàn)，人類并非依賴單一的空間參照系，而是能夠同時結(jié)合基于身體和基于環(huán)境的線索來定位物體。這項(xiàng)研究揭示了人類空間認(rèn)知的一種普遍機(jī)制：為了克服左右分辨的困難并利用前后分辨的直觀性，大腦會構(gòu)建復(fù)合的認(rèn)知地圖。

? 4Quads 任務(wù)。Credit: Psychological Science (2025).

為了解開這一認(rèn)知謎題，研究團(tuán)隊(duì)設(shè)計(jì)了一項(xiàng)名為“4Quads”的空間記憶任務(wù)。實(shí)驗(yàn)邀請了生活在亞馬遜流域的奇馬內(nèi)人（Tsimane'）和美國成年人參與。參與者需要記住物體在桌子上的位置，旋轉(zhuǎn)180度后在另一張相同的桌子上復(fù)原該位置。通過分析物體在橫向和縱向上的放置偏差，研究人員可以判斷參與者使用的是自我中心參照系（egocentric reference frames，以自身身體為坐標(biāo)，如左/右）還是環(huán)境中心參照系（allocentric reference frames，以環(huán)境特征為坐標(biāo)，如窗戶旁）。結(jié)果顯示，兩個文化群體均表現(xiàn)出相同的混合策略：在判斷“前后”位置時，人們傾向于使用身體參照；而在判斷較難區(qū)分的“左右”位置時，則依賴環(huán)境參照。這種在單一動作中融合兩種參照系的能力，表明人類的空間記憶比以往認(rèn)為的更為靈活和復(fù)雜。研究發(fā)表在 Psychological Science 上。

#認(rèn)知科學(xué) #記憶機(jī)制 #空間導(dǎo)航 #跨文化研究 #心理學(xué)

閱讀更多：

Pitt, Benjamin. “One Action, Two Reference Frames: Compound Cognitive Maps of Object Location.” Psychological Science, vol. 36, no. 11, Nov. 2025, pp. 862–73. SAGE Journals, https://doi.org/10.1177/09567976251391172

時間帶走了記憶數(shù)量，卻保留了記憶理由的質(zhì)量

隨著時間的流逝，我們的記憶往往會變得模糊，但我們?yōu)檫@些記憶辯護(hù)的理由是否也會隨之褪色？Avi Gamoran、Zohar Raz Groman、Michael Gilead 和 Talya Sadeh（內(nèi)蓋夫本-古里安大學(xué)）組成的研究團(tuán)隊(duì)，通過對記憶合理化（memory justifications）的深入分析，發(fā)現(xiàn)了一個令人驚訝的現(xiàn)象：即便是記憶本身變得難以提取，支持記憶真實(shí)性的解釋依然保持高度穩(wěn)定。這一發(fā)現(xiàn)對于理解人類記憶的本質(zhì)以及在法律證詞中如何評估可信度具有重要意義。

該研究招募了421名年輕參與者，要求他們在觀看特定內(nèi)容后，分別在短時間（90秒）和長時間（24小時）的延遲后進(jìn)行回憶，并書面解釋為何他們認(rèn)為這些記憶是真實(shí)的。研究人員收集了超過4000條理由，并利用行為學(xué)及語言學(xué)分析對這些文本的細(xì)節(jié)、結(jié)構(gòu)和詞匯進(jìn)行了量化評估。結(jié)果顯示，雖然24小時后參與者能回憶起的事件數(shù)量顯著減少，但對于那些成功提取的記憶，其伴隨的解釋在豐富度和細(xì)節(jié)上與短時間延遲后的表現(xiàn)幾乎完全一致。這支持了遺忘的“全有或全無模型”（all-or-nothing model）：記憶要么連同其完整的背景理由一起被提取，要么完全消失。此外，研究還發(fā)現(xiàn)，分析這些理由的內(nèi)容比單純依賴參與者的主觀自信更能準(zhǔn)確預(yù)測記憶的真實(shí)性。這一發(fā)現(xiàn)提示，在法庭等需要評估證詞可信度的場合，鼓勵證人提供書面理由可能比詢問其自信程度更為可靠。研究發(fā)表在 Communications Psychology 上。

#認(rèn)知科學(xué) #記憶機(jī)制 #遺忘模型 #司法心理學(xué) #語言分析

閱讀更多：

Gamoran, Avi, et al. “Memory Justifications Provide Valid Indicators of Retrieval Accuracy across Time.” Communications Psychology, vol. 4, no. 1, Dec. 2025, p. 10. www.nature.com, https://doi.org/10.1038/s44271-025-00378-4

高中生參與研發(fā)“電子鼠腦”：精確模擬創(chuàng)傷性腦損傷的物理沖擊

為了探究外部沖擊力如何導(dǎo)致創(chuàng)傷性腦損傷，Sanaya Bothra、Wesley Lohr和Ravi Hadimani等人（弗吉尼亞聯(lián)邦大學(xué)）開發(fā)了一種內(nèi)置傳感器的高度逼真大鼠腦模型。值得注意的是，該研究的第一作者Sanaya Bothra是一名高中生。該團(tuán)隊(duì)成功構(gòu)建了這一物理模型，旨在替代活體動物實(shí)驗(yàn)，精確量化車禍或爆炸等對腦組織造成的物理壓力和應(yīng)變。

? 每個水凝膠大鼠腦（如圖所示，由 Hadimani 和 Lohr 進(jìn)行沖擊測試）都被 3D 打印的塑料頭骨和模擬皮膚和肌肉的硅膠包裹著。Credit: Dean Hoffmeyer, Enterprise Marketing and Communications

研究團(tuán)隊(duì)利用核磁共振成像數(shù)據(jù)和3D打印技術(shù)，使用一種特殊的復(fù)合水凝膠來重建大鼠大腦。這種材料經(jīng)過特定的凍融處理，能夠完美復(fù)刻真實(shí)腦組織的粘彈性（Viscoelasticity，即同時具有液體粘性和固體彈性的物理屬性）。為了捕捉?jīng)_擊數(shù)據(jù)，研究人員在模型內(nèi)部嵌入了聚偏二氟乙烯薄膜，這是一種壓電材料，能將機(jī)械撞擊瞬間轉(zhuǎn)化為電信號。實(shí)驗(yàn)結(jié)果顯示，該模型不僅在物理觸感上極度接近真實(shí)大腦，其輸出的電壓信號還能呈線性地反映沖擊力度的大小。目前，該實(shí)驗(yàn)室正計(jì)劃將這種裝有加速度計(jì)的腦模型放入火箭中發(fā)射，以測試極限重力加速度對大腦的影響。這項(xiàng)研究發(fā)表在 TechRxiv 上。

#疾病與健康 #跨學(xué)科整合 #創(chuàng)傷性腦損傷 #生物工程 #壓電傳感

閱讀更多：

Bothra, Sanaya, et al. Measuring Traumatic Brain Injury Impacts in an Anatomically Accurate Rat Brain Phantom with Embedded Piezoelectric Sensing. www.techrxiv.org, https://www.authorea.com/users/689431/articles/1350470-measuring-traumatic-brain-injury-impacts-in-an-anatomically-accurate-rat-brain-phantom-with-embedded-piezoelectric-sensing?commit=9c5828f59284fab688519518c86103615dd238f7. Accessed 21 Jan. 2026

特定記憶訓(xùn)練可減輕壓力

我們的思維往往傾向于糾結(jié)負(fù)面經(jīng)歷，這可能導(dǎo)致焦慮和抑郁的惡性循環(huán)。Yuko Hakamata（富山大學(xué)）、Hirokuni Tagaya（北里大學(xué)）和Hiroaki Hori（日本國立精神衛(wèi)生研究所）等人組成的團(tuán)隊(duì)深入研究了一種名為“認(rèn)知偏差記憶矯正”（CBM-M）的心理訓(xùn)練方法。研究結(jié)果表明，該方法不僅能改善情緒，還能通過特定的神經(jīng)生物學(xué)途徑顯著減輕生理和心理壓力。

? 與假訓(xùn)練相比，CBM-M 顯著降低了皮質(zhì)醇水平和壓力易感性，且其降低幅度與負(fù)性記憶偏差的減少呈正相關(guān)。腦部掃描顯示，CBM-M 還增強(qiáng)了杏仁核與前內(nèi)側(cè)眶額皮質(zhì)之間的連接，提示其益處可能存在神經(jīng)機(jī)制。Credit: Psychological Medicine (2025).

該研究招募了58名具有高焦慮和抑郁特質(zhì)的參與者，進(jìn)行為期一個月的隨機(jī)對照試驗(yàn)。實(shí)驗(yàn)組接受CBM-M訓(xùn)練，即在看到積極詞匯時主動聯(lián)想并生動回憶個人的積極經(jīng)歷（如感到自信的時刻），而對照組僅進(jìn)行簡單的詞匯記憶。結(jié)果顯示，雖然兩組參與者的情緒均有所改善，但只有CBM-M組表現(xiàn)出特定的生物學(xué)獲益：其日間皮質(zhì)醇水平顯著降低，負(fù)面記憶偏差也明顯減少。通過功能性磁共振成像（fMRI）分析，研究團(tuán)隊(duì)發(fā)現(xiàn)CBM-M增強(qiáng)了杏仁核與前內(nèi)側(cè)眶額皮質(zhì)之間的功能連接。這表明，該訓(xùn)練可能通過強(qiáng)化支持提取積極、有意義記憶的神經(jīng)通路來發(fā)揮作用。此外，研究還發(fā)現(xiàn)該訓(xùn)練對以焦慮為主導(dǎo)特征的人群在保持積極記憶特異性方面效果更佳。研究發(fā)表在 Psychological Medicine 上。

#疾病與健康 #心理健康與精神疾病 #神經(jīng)機(jī)制與腦功能解析 #記憶機(jī)制 #認(rèn)知偏差記憶矯正

閱讀更多：

Hakamata, Yuko, et al. “The Effectiveness and Neurobiological Actions of Memory Bias Modification: A Randomized Controlled Trial.” Psychological Medicine, vol. 55, Jan. 2025, p. e386. Cambridge University Press, https://doi.org/10.1017/S0033291725102535

基于神經(jīng)元活動的腦圖譜挑戰(zhàn)前額葉皮層解剖學(xué)定義

傳統(tǒng)的解剖學(xué)腦圖譜是否真的能代表大腦的功能分區(qū)？針對這一困擾神經(jīng)科學(xué)界百年的問題，Pierre Le Merre和Marie Carlén等（卡羅林斯卡學(xué)院）的研究團(tuán)隊(duì)通過大規(guī)模記錄小鼠神經(jīng)元活動給出了否定的答案。他們構(gòu)建了首個基于單神經(jīng)元活動的前額葉皮層圖譜，發(fā)現(xiàn)大腦的運(yùn)作方式與基于顯微鏡下組織結(jié)構(gòu)的傳統(tǒng)劃分并不一致，這為理解大腦的組織原則提供了全新的視角。

? 小鼠腦內(nèi)自發(fā)性單細(xì)胞放電模式的特征分析。Credit: Nature Neuroscience (2026).

該研究利用高密度探針記錄了清醒小鼠體內(nèi)超過24,000個神經(jīng)元的活動，重點(diǎn)關(guān)注負(fù)責(zé)計(jì)劃和決策等高級認(rèn)知功能的前額葉皮層。研究人員分析發(fā)現(xiàn)，神經(jīng)元的活動模式并不遵循傳統(tǒng)的細(xì)胞構(gòu)筑（Cytoarchitecture）邊界，而是反映了信息流的層級結(jié)構(gòu)。處于層級頂端的前額葉皮層神經(jīng)元表現(xiàn)出緩慢且規(guī)律的放電特征，這種模式被認(rèn)為有助于信息的整合。有趣的是，參與具體決策任務(wù)的神經(jīng)元則表現(xiàn)出截然不同的快速活動模式，并集中在層級較高的區(qū)域。這表明，認(rèn)知功能的實(shí)現(xiàn)依賴于不同類型神經(jīng)元的局部協(xié)作：一部分負(fù)責(zé)整合信息流，另一部分則通過高自發(fā)活動支持信息的快速靈活編碼。這一發(fā)現(xiàn)挑戰(zhàn)了僅憑解剖結(jié)構(gòu)定義腦區(qū)的傳統(tǒng)方法，為解析精神疾病背后的功能異常提供了新的理論框架。研究發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學(xué) #神經(jīng)機(jī)制與腦功能解析 #認(rèn)知科學(xué) #前額葉皮層 #腦圖譜

閱讀更多：

Le Merre, Pierre, et al. “A Prefrontal Cortex Map Based on Single-Neuron Activity.” Nature Neuroscience, Jan. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41593-025-02190-z

大語言模型意識的證偽：持續(xù)學(xué)習(xí)是意識的必要條件

ChatGPT等人工智能是否擁有意識？這一問題不僅關(guān)乎技術(shù)倫理，更挑戰(zhàn)著科學(xué)定義的邊界。來自Bicameral Labs的Erik Hoel通過引入嚴(yán)格的數(shù)學(xué)與邏輯形式化工具，對當(dāng)前大型語言模型的意識狀態(tài)提出了否定性證明。該研究并未依賴某種特定的意識理論，而是通過分析科學(xué)理論本身必須具備的“可證偽性”與“非平凡性”，揭示了當(dāng)前靜態(tài)AI模型在意識層面存在的根本性邏輯漏洞，并指出“持續(xù)學(xué)習(xí)”可能是人類擁有意識而現(xiàn)有AI缺乏的關(guān)鍵要素。

研究采用了被稱為“Kleiner-Hoel困境”的形式化分析框架。Erik Hoel提出，任何部署后的LLM本質(zhì)上都是靜態(tài)系統(tǒng)，其功能可以通過通用近似定理被“展開”為前饋神經(jīng)網(wǎng)絡(luò)，甚至簡化為巨大的查找表。通過構(gòu)建這種“替代鏈”，研究指出：如果一個理論認(rèn)為LLM有意識，它必須解釋為何功能完全相同的查找表沒有意識；如果它對兩者做出不同預(yù)測，則該理論會被“替代論證”直接證偽；如果它認(rèn)為兩者都有意識，則該理論因嚴(yán)格依賴輸入/輸出而變得“平凡”（即無科學(xué)價值）。這種邏輯推演構(gòu)成了對LLM意識的“鄰近性證偽”。作為對比，研究發(fā)現(xiàn)人類大腦的“持續(xù)學(xué)習(xí)”機(jī)制——即每一刻的體驗(yàn)都伴隨著神經(jīng)可塑性的物理變化——使人類意識理論能夠逃逸出這一邏輯困境。這表明，目前LLM依靠外部上下文窗口而非內(nèi)部參數(shù)改變的學(xué)習(xí)方式，是其缺乏意識的根本原因。

#意識與腦機(jī)接口 #計(jì)算模型與人工智能模擬 #大模型技術(shù) #神經(jīng)機(jī)制與腦功能解析 #認(rèn)知科學(xué)

閱讀更多：

Hoel, Erik. “A Disproof of Large Language Model Consciousness: The Necessity of Continual Learning for Consciousness.” arXiv:2512.12802, arXiv, 19 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2512.12802

AI 行業(yè)動態(tài)

燒壞電腦終獲正果：數(shù)學(xué)家發(fā)現(xiàn)“緊致Bonnet對”推翻百年直覺

柏林工業(yè)大學(xué)的 Alexander Bobenko、慕尼黑工業(yè)大學(xué)的 Tim Hoffmann 以及北卡羅來納州立大學(xué)的 Andrew Sageman-Furnas 組成的團(tuán)隊(duì)，近日解決了一個困擾數(shù)學(xué)界長達(dá) 150 年的幾何拓?fù)潆y題。1867 年，法國數(shù)學(xué)家 Pierre Ossian Bonnet 證明，如果已知曲面上每一點(diǎn)的度量（Metric，兩點(diǎn)間距離的測量方式）和平均曲率（Mean Curvature，曲面在某點(diǎn)彎曲程度的平均值），通常足以確定該曲面的形狀。然而，是否存在例外一直是未解之謎。長期以來，研究人員只發(fā)現(xiàn)了“非緊致”曲面（無限延伸或有邊緣的曲面）的例外，而對于像球體或甜甜圈這樣封閉的“緊致曲面”，學(xué)界普遍認(rèn)為其形狀由局部信息唯一確定。但這三位研究人員打破了這一共識，成功構(gòu)建了一對具有相同局部測量數(shù)據(jù)但全局結(jié)構(gòu)完全不同的封閉曲面，即“緊致 Bonnet 對”。

這一突破的關(guān)鍵在于研究人員轉(zhuǎn)向了離散幾何領(lǐng)域。團(tuán)隊(duì)利用計(jì)算機(jī)算力探索“離散曲面”（Discrete Surface，由多邊形拼接成的類似像素化的曲面模型），通過暴力求解發(fā)現(xiàn)了一個被稱為“犀?！钡奶厥猸h(huán)面結(jié)構(gòu)。這一發(fā)現(xiàn)為尋找光滑曲面的反例提供了至關(guān)重要的線索，特別是關(guān)于曲率線分布的幾何約束。結(jié)合一百多年前數(shù)學(xué)家 Jean Gaston Darboux 的公式，他們最終構(gòu)造出了一對自身相交的扭曲環(huán)面。這兩個環(huán)面雖然在局部指標(biāo)上完全一致，卻擁有截然不同的整體形態(tài)。這項(xiàng)研究不僅糾正了數(shù)學(xué)家的直覺，更展示了離散幾何理論與計(jì)算機(jī)輔助探索在解決經(jīng)典數(shù)學(xué)難題中的巨大潛力，證明了離散模型并非僅僅是光滑形狀的簡化，而是擁有獨(dú)立的數(shù)學(xué)價值。

#幾何拓?fù)?#緊致Bonnet對 #離散曲面 #數(shù)學(xué)猜想 #計(jì)算機(jī)輔助證明

閱讀更多：

https://www.quantamagazine.org/two-twisty-shapes-resolve-a-centuries-old-topology-puzzle-20260120/

麥肯錫重磅報告：人機(jī)協(xié)作將重塑未來工作流與技能格局

麥肯錫全球研究院發(fā)布的最新報告指出，未來的工作模式將演變?yōu)槿祟悺⒅悄艽砼c機(jī)器人之間的深度協(xié)作伙伴關(guān)系。研究人員分析發(fā)現(xiàn)，雖然現(xiàn)有技術(shù)在理論上可以自動化美國約 57% 的工作時間，但這并不意味著大規(guī)模的失業(yè)，而是預(yù)示著工作角色的根本性轉(zhuǎn)變。隨著 AI 處理更多常規(guī)任務(wù)，人類將更多地轉(zhuǎn)向需要判斷力、社交情感和復(fù)雜推理的工作。報告特別強(qiáng)調(diào)了“AI流利度”（AI Fluency，使用和管理人工智能工具的能力）的重要性，其需求在過去兩年中增長了七倍，成為職場中增長最快的技能需求。為了量化這種影響，研究人員開發(fā)了“技能變化指數(shù)”（Skill Change Index，衡量技能受自動化影響程度的指標(biāo)），結(jié)果顯示數(shù)字和信息處理類技能將面臨最大的變革壓力，而涉及人際互動、護(hù)理和領(lǐng)導(dǎo)力的技能則相對穩(wěn)定且不可替代。

報告進(jìn)一步預(yù)測，如果企業(yè)能夠圍繞人機(jī)協(xié)作重新設(shè)計(jì)工作流，而非僅僅著眼于單一任務(wù)的自動化，到 2030 年，AI 驅(qū)動的自動化每年可為美國經(jīng)濟(jì)釋放約 2.9 萬億美元的價值。研究人員通過分析銷售、客戶服務(wù)和 IT 現(xiàn)代化等領(lǐng)域的案例發(fā)現(xiàn)，成功的關(guān)鍵在于將員工從執(zhí)行者轉(zhuǎn)變?yōu)橹笓]者，讓人類負(fù)責(zé)監(jiān)督、驗(yàn)證和處理例外情況，而由智能代理和機(jī)器人處理繁重的分析與物理任務(wù)。這對企業(yè)領(lǐng)導(dǎo)者提出了新的挑戰(zhàn)：他們不僅需要將 AI 視為核心業(yè)務(wù)轉(zhuǎn)型的一部分，還必須建立持續(xù)學(xué)習(xí)的文化，幫助員工掌握與智能機(jī)器共事的新技能。最終，企業(yè)和機(jī)構(gòu)需要共同努力，通過教育和培訓(xùn)體系的革新，確保勞動力能夠適應(yīng)這一以協(xié)作和重塑為核心的 AI 新時代。

#麥肯錫 #人機(jī)協(xié)作 #AI流利度 #工作流重塑 #未來職場

閱讀更多：

https://www.mckinsey.com/mgi/our-research/agents-robots-and-us-skill-partnerships-in-the-age-of-ai

AI內(nèi)部構(gòu)建“思維社會”：DeepSeek-R1與o系列模型推理機(jī)制大揭秘

來自Google、芝加哥大學(xué)和圣塔菲研究所的研究人員近日發(fā)表論文，揭示了DeepSeek-R1、QwQ-32B及OpenAI o系列等前沿推理模型的核心運(yùn)作機(jī)制。研究發(fā)現(xiàn)，這些模型在處理復(fù)雜認(rèn)知任務(wù)時的卓越表現(xiàn)，并非僅僅源于延長的測試時計(jì)算，而是通過隱式模擬一個復(fù)雜的“思維社會”。研究人員指出，模型內(nèi)部會生成具有不同性格特征和領(lǐng)域?qū)ｉL的虛擬角色，通過模擬類似多智能體的對話、辯論以及視角轉(zhuǎn)換來處理信息。這種內(nèi)部的“左右互搏”與人類群體的集體智慧驚人相似，通過多樣化視角的碰撞與調(diào)和來驗(yàn)證假設(shè)、糾正錯誤，從而實(shí)現(xiàn)了遠(yuǎn)超單一視角的推理準(zhǔn)確性。

通過應(yīng)用機(jī)械可解釋性方法，研究人員證實(shí)DeepSeek-R1等模型在推理痕跡中展現(xiàn)出的視角多樣性顯著高于普通指令微調(diào)模型。更有趣的是，在受控的強(qiáng)化學(xué)習(xí)實(shí)驗(yàn)中，研究人員觀察到，即便只針對推理結(jié)果的準(zhǔn)確性進(jìn)行獎勵，基礎(chǔ)模型也會自發(fā)地進(jìn)化出自我提問等對話行為。實(shí)驗(yàn)數(shù)據(jù)表明，相比于傳統(tǒng)的獨(dú)白式推理訓(xùn)練，這種利用對話式支架微調(diào)的模型能更大幅度地加速推理能力的提升。這一發(fā)現(xiàn)意味著，AI正在建立一種與人類協(xié)作類似的計(jì)算平行機(jī)制，通過有效組織內(nèi)部的“群體智慧”來攻克復(fù)雜難題，也為未來人工智能代理的組織形式提供了全新的理論依據(jù)。

#思維社會 #AI推理模型 #DeepSeek-R1 #群體智慧 #強(qiáng)化學(xué)習(xí)

閱讀更多：

https://www.alphaxiv.org/abs/2601.10825

AI 驅(qū)動科學(xué)

Science：細(xì)胞“時間膠囊”：首次實(shí)現(xiàn)哺乳動物細(xì)胞轉(zhuǎn)錄組歷史記錄

細(xì)胞如何根據(jù)過去的經(jīng)歷決定未來的命運(yùn)？哈佛大學(xué)和麻省理工學(xué)院（MIT）的Fei Chen團(tuán)隊(duì)開發(fā)了一種名為TimeVault的細(xì)胞“時間膠囊”。該技術(shù)能夠收集并存儲細(xì)胞過去的分子活動記憶，首次在哺乳動物細(xì)胞中實(shí)現(xiàn)了轉(zhuǎn)錄組狀態(tài)的無偏見長期記錄，為揭開抗癌藥物耐藥性等生物學(xué)謎題提供了新工具。

研究團(tuán)隊(duì)利用細(xì)胞內(nèi)天然存在但功能未知的桶狀細(xì)胞器——穹頂（vaults），將其改造為能捕獲信使核糖核酸（mRNA）的存儲單元。通過重新設(shè)計(jì)vault蛋白，使其能識別并連接mRNA分子，研究人員可以通過藥物處理像按下“錄音鍵”一樣啟動記錄。實(shí)驗(yàn)顯示，TimeVault能在24小時內(nèi)捕獲人類細(xì)胞系產(chǎn)生的mRNA，并將其保存至少一周，且不影響細(xì)胞的正常功能。為了驗(yàn)證其實(shí)用性，團(tuán)隊(duì)利用該工具研究了對奧希替尼產(chǎn)生耐藥性的PC9肺癌細(xì)胞。通過分析TimeVault記錄的歷史數(shù)據(jù)，他們發(fā)現(xiàn)了數(shù)百個在藥物治療前就已過度活躍的基因，這些基因助長了癌細(xì)胞的存活。抑制這些基因顯著提高了藥物對癌細(xì)胞的殺傷力。研究發(fā)表在 Science 上。

#疾病與健康 #個性化醫(yī)療 #細(xì)胞生物學(xué) #轉(zhuǎn)錄組學(xué) #癌癥耐藥性

閱讀更多：

Callaway, Ewen. “A ‘Time Capsule’ for Cells Stores the Secret Experiences of Their Past.” Nature, Jan. 2026. www.nature.com, https://doi.org/10.1038/d41586-026-00116-8

大模型聊天機(jī)器人顯著提升初級到?？谱o(hù)理的過渡效率

全球醫(yī)療系統(tǒng)正面臨人口老齡化和醫(yī)療資源分布不均的嚴(yán)峻挑戰(zhàn)，特別是在中國，患者常因初級護(hù)理體系不完善而直接涌向三甲醫(yī)院，導(dǎo)致專科醫(yī)生不堪重負(fù)。針對這一痛點(diǎn)，中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院的韓莎莎（Shasha Han）研究員與桂林醫(yī)科大學(xué)第一附屬醫(yī)院的馬禮兵（Libing Ma）教授團(tuán)隊(duì)合作，開發(fā)了一款名為PreA的大語言模型聊天機(jī)器人。該研究并未止步于理論模型，而是通過大規(guī)模隨機(jī)對照試驗(yàn)，證實(shí)了該AI工具能夠顯著緩解臨床壓力，優(yōu)化患者就醫(yī)流程。

研究團(tuán)隊(duì)基于GPT-4o mini開發(fā)了PreA系統(tǒng)，并采用了獨(dú)特的“共同設(shè)計(jì)”策略，即邀請患者、醫(yī)生、護(hù)士及社區(qū)工作者共同參與開發(fā)，以確保工具貼合真實(shí)需求并減少系統(tǒng)性偏見。在涉及2069名患者的臨床試驗(yàn)中，研究人員發(fā)現(xiàn)，與常規(guī)就診相比，在就診前獨(dú)立使用PreA進(jìn)行病史采集和初步評估的患者，其面對面咨詢醫(yī)生的時間平均縮短了28.7%，這意味著醫(yī)生能更高效地掌握病情。同時，專科醫(yī)生認(rèn)為PreA生成的轉(zhuǎn)診報告極大地提升了護(hù)理協(xié)調(diào)性（care coordination，指不同醫(yī)療服務(wù)提供者之間組織患者護(hù)理活動的機(jī)制），評分激增113.1%。此外，患者也報告與醫(yī)生的溝通變得更加順暢。這項(xiàng)研究有力證明了經(jīng)過精心設(shè)計(jì)的AI工具不僅能提升醫(yī)療效率，還能增強(qiáng)醫(yī)療服務(wù)的溫度和可及性。研究發(fā)表在 Nature Medicine 上。

#疾病與健康 #大模型技術(shù) #個性化醫(yī)療 #跨學(xué)科整合

閱讀更多：

Tao, Xinge, et al. “An LLM Chatbot to Facilitate Primary-to-Specialist Care Transitions: A Randomized Controlled Trial.” Nature Medicine, Jan. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41591-025-04176-7

新型模擬內(nèi)存計(jì)算芯片突破能效瓶頸，加速高性能計(jì)算

傳統(tǒng)計(jì)算機(jī)在處理海量數(shù)據(jù)時，因數(shù)據(jù)在內(nèi)存與處理器間頻繁搬運(yùn)而面臨嚴(yán)重的能耗與速度瓶頸。米蘭理工大學(xué)的Daniele Ielmini和Piergiulio Mannocci團(tuán)隊(duì)，聯(lián)合北京大學(xué)的研究人員，開發(fā)出一種革命性的全集成模擬內(nèi)存計(jì)算芯片。該研究通過“存內(nèi)計(jì)算”架構(gòu)，成功消除了內(nèi)部數(shù)據(jù)傳輸流量，證明了模擬計(jì)算在工業(yè)規(guī)模應(yīng)用的可行性，為人工智能和下一代通信技術(shù)提供了高效的硬件解決方案。

? 芯片載體上集成芯片的特寫照片。Credit: Politecnico di Milano

該研究的核心在于一款基于90納米CMOS工藝制造的新型芯片。研究團(tuán)隊(duì)在芯片中集成了兩個64×64的SRAM（靜態(tài)隨機(jī)存取存儲器）陣列，并結(jié)合了電阻器和片上運(yùn)算放大器，構(gòu)建了一個模擬閉環(huán)系統(tǒng)。這種設(shè)計(jì)使得復(fù)雜的數(shù)學(xué)運(yùn)算（如求解線性和非線性方程組）可以直接在存儲器內(nèi)部完成，無需外部處理器介入。在測試中，該芯片被應(yīng)用于探空火箭軌跡跟蹤（使用卡爾曼濾波器）和機(jī)械臂逆運(yùn)動學(xué)加速等復(fù)雜任務(wù)。結(jié)果顯示，該芯片不僅在精度上媲美傳統(tǒng)數(shù)字系統(tǒng)，更在大幅降低功耗和計(jì)算延遲的同時，減小了硅片占用面積。這一突破性成果不僅適用于機(jī)器人和數(shù)據(jù)中心，也為未來的6G通信技術(shù)奠定了硬件基礎(chǔ)。研究發(fā)表在 Nature Electronics 上。

#其他 #計(jì)算模型與人工智能模擬 #高性能計(jì)算 #存內(nèi)計(jì)算 #微電子

閱讀更多：

Mannocci, Piergiulio, et al. “A Fully Integrated Analogue Closed-Loop in-Memory Computing Accelerator Based on Static Random-Access Memory.” Nature Electronics, Jan. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41928-025-01549-1

人工智能在《龍與地下城》中接受長期決策能力測試

如何評估人工智能在復(fù)雜環(huán)境中的長期規(guī)劃與協(xié)作能力？Raj Ammanabrolu及其團(tuán)隊(duì)（加州大學(xué)圣地亞哥分校）提出了一項(xiàng)獨(dú)特的解決方案：讓AI玩《龍與地下城》。研究人員指出，缺乏針對長期任務(wù)的基準(zhǔn)測試是評估大型語言模型的一大挑戰(zhàn)。通過模擬這款規(guī)則復(fù)雜、強(qiáng)調(diào)團(tuán)隊(duì)合作的桌面角色扮演游戲，團(tuán)隊(duì)成功創(chuàng)建了一個理想的測試環(huán)境，用于考察AI代理在長時間內(nèi)的獨(dú)立運(yùn)行表現(xiàn)及多步規(guī)劃能力。

為了確保評估的準(zhǔn)確性，研究團(tuán)隊(duì)將三個主流大型語言模型與一個基于《龍與地下城》規(guī)則的游戲引擎相結(jié)合。該引擎作為“護(hù)欄”，為玩家提供地圖和資源，最大程度地減少模型產(chǎn)生幻覺的風(fēng)險。在測試中，AI不僅扮演規(guī)劃劇情的“地下城主”，還充當(dāng)玩家和怪物，在27個經(jīng)典戰(zhàn)斗場景中彼此對戰(zhàn)，并與2000多名人類玩家互動。結(jié)果顯示，Claude 3.5 Haiku在可靠性與表現(xiàn)上拔得頭籌，GPT-4緊隨其后，而DeepSeek-V3表現(xiàn)墊底。有趣的是，模型在游戲中展現(xiàn)了意想不到的個性：地精學(xué)會了嘲諷，圣騎士會在戰(zhàn)火中發(fā)表英雄演說。這表明模型試圖在遵守規(guī)則和策略規(guī)劃的同時，通過“角色扮演”為游戲增添質(zhì)感。研究發(fā)表在 NeurIPS 2025 上。

#大模型技術(shù) #意圖與決策 #多智能體協(xié)作 #基準(zhǔn)測試 #龍與地下城

閱讀更多：

“Setting the DC: Tool-Grounded D\&D Simulations to Test LLM Agents.” 2025, The Fourteenth International Conference on Learning Representations. openreview.net, https://openreview.net/forum?id=rmEBSdk26P

機(jī)器學(xué)習(xí)賦予假肢“視覺”：自動調(diào)控抓握力度讓生活更自如

對于截肢患者而言，使用假肢手完成拿雞蛋或開水瓶等日常任務(wù)是一項(xiàng)巨大的挑戰(zhàn)：用力過猛會捏碎雞蛋，用力不足則無法握緊水瓶。桂林電子科技大學(xué)的Hua Li及其團(tuán)隊(duì)開發(fā)了一種結(jié)合機(jī)器視覺的新型假肢控制系統(tǒng)，旨在通過自動識別物體并調(diào)整抓力，幫助患者實(shí)現(xiàn)真正自然和直觀的交互。

? 假肢手的指尖裝有壓力傳感器，手掌附近裝有攝像頭（左圖）。該假肢手分別用易拉罐、雞蛋和 U 盤進(jìn)行了測試（右圖）。Credit: Li et al.

該研究團(tuán)隊(duì)創(chuàng)新性地將前臂肌電圖傳感器與安裝在假肢手掌的一體化攝像頭相結(jié)合。肌電信號負(fù)責(zé)傳達(dá)用戶“想要抓握”的意圖，而視覺系統(tǒng)則通過深度學(xué)習(xí)算法YOLOv2（You Only Look Once version 2）來回答“需要多大力度”的問題。該系統(tǒng)被部署在K210嵌入式主控板上，通過分析物體的類型、紋理和大小，實(shí)時決定最佳抓握閾值。實(shí)驗(yàn)結(jié)果顯示，該系統(tǒng)對物體的識別準(zhǔn)確率達(dá)到90%，真機(jī)測試識別率超過85%，成功實(shí)現(xiàn)了對易碎雞蛋和堅(jiān)硬水瓶的自適應(yīng)抓握。這一設(shè)計(jì)讓用戶無需刻意計(jì)算力度，只需像擁有肌肉記憶一樣自然地完成動作。研究團(tuán)隊(duì)目前正計(jì)劃集成觸覺反饋，以進(jìn)一步建立用戶與假肢之間的雙向通信。研究發(fā)表在 Nanotechnology and Precision Engineering 上。

#疾病與健康 #機(jī)器人及其進(jìn)展 #AI 驅(qū)動科學(xué) #跨學(xué)科整合 #知覺康復(fù)

閱讀更多：

Li, Yao, et al. “An Intelligent Artificial Hand with Force Control Based on Machine Vision.” Nanotechnology and Precision Engineering, vol. 9, no. 1, Jan. 2026, p. 013009. Silverchair, https://doi.org/10.1063/5.0253551

MAPLE框架：精準(zhǔn)預(yù)測表觀遺傳年齡與疾病風(fēng)險

如何精準(zhǔn)量化生物學(xué)年齡并克服不同測序平臺帶來的技術(shù)誤差？Yu Zhang, Yichen Yao, Yuan Qi, Li Jin等（復(fù)旦大學(xué)、上海科學(xué)智能研究院等）開發(fā)了一種名為MAPLE的新型計(jì)算框架。該研究利用成對學(xué)習(xí)技術(shù)，成功消除了數(shù)據(jù)中的批次效應(yīng)，實(shí)現(xiàn)了對表觀遺傳年齡和衰老相關(guān)疾病風(fēng)險的高精度預(yù)測，為個性化抗衰老干預(yù)提供了強(qiáng)有力的工具。

研究團(tuán)隊(duì)針對傳統(tǒng)表觀遺傳時鐘在跨平臺應(yīng)用時泛化能力差的痛點(diǎn)，創(chuàng)新性地提出了MAPLE框架。該方法不再直接預(yù)測絕對數(shù)值，而是采用成對學(xué)習(xí)策略，通過神經(jīng)網(wǎng)絡(luò)分析兩個DNA甲基化樣本之間的相對關(guān)系（如年齡差或疾病風(fēng)險差異）。這種方法將不同來源的數(shù)據(jù)映射到一個統(tǒng)一的潛在空間，有效規(guī)避了因測序平臺或預(yù)處理方法不同而產(chǎn)生的技術(shù)噪音。在包含血液、大腦、肌肉等多種組織類型的31項(xiàng)基準(zhǔn)測試中，MAPLE的中位絕對誤差僅為1.6年，顯著優(yōu)于現(xiàn)有的cAge和AltumAge等模型。此外，在針對心血管疾病和2型糖尿病的風(fēng)險評估中，該模型不僅能精準(zhǔn)識別疾病狀態(tài)（平均AUC達(dá)0.97），還能靈敏地檢測出疾病前期狀態(tài)（平均AUC達(dá)0.85）。生物學(xué)分析顯示，模型捕捉到的關(guān)鍵位點(diǎn)與免疫調(diào)節(jié)和器官發(fā)育密切相關(guān)，進(jìn)一步驗(yàn)證了其在臨床應(yīng)用中的可靠性。研究發(fā)表在 Nature Computational Science 上。

#AI驅(qū)動科學(xué) #預(yù)測模型構(gòu)建 #衰老 #表觀遺傳學(xué) #DNA甲基化

閱讀更多：

Zhang, Yu, et al. “A Robust Computational Framework for Methylation Age and Disease-Risk Prediction Based on Pairwise Learning.” Nature Computational Science, Jan. 2026, pp. 1–16. www.nature.com, https://doi.org/10.1038/s43588-025-00939-x

KnowMe-Bench：面向終身數(shù)字伴侶的個體理解基準(zhǔn)測試

為了打造真正懂你的“終身數(shù)字伴侶”，AI不僅需要記住你說過的話，更需要理解你行為背后的動機(jī)與原則。來自中國科學(xué)院大學(xué)（UCAS）、QuantaAlpha、北京大學(xué)（PKU）、清華大學(xué)（THU）以及德克薩斯大學(xué)休斯頓健康科學(xué)中心（UTHealth）等多家機(jī)構(gòu)的研究人員組成的團(tuán)隊(duì)，包括Tingyu Wu、Zhisheng Chen、Qizhen Lan等人，聯(lián)合推出了名為KnowMe-Bench的全新基準(zhǔn)測試。該研究指出了現(xiàn)有評測主要依賴對話記錄的缺陷，并證實(shí)了僅靠檢索技術(shù)無法實(shí)現(xiàn)深層次的個體理解，為開發(fā)具備長期記憶和深度共情能力的AI伴侶提供了新的評估標(biāo)準(zhǔn)。

現(xiàn)有的AI記憶基準(zhǔn)往往將用戶經(jīng)歷壓縮為稀疏的對話記錄，導(dǎo)致丟失了行為背后的內(nèi)心活動和情境細(xì)節(jié)。為此，研究團(tuán)隊(duì)構(gòu)建了KnowMe-Bench，這是一個基于470萬token長篇自傳體敘事的高密度數(shù)據(jù)集。該研究采用了一種創(chuàng)新的“認(rèn)知流重構(gòu)”（Cognitive-stream reconstruction）方法，將文本分解為視覺、聽覺、情境、背景知識和內(nèi)心獨(dú)白五個維度，并通過“記憶重整”（Mnestic realignment）技術(shù)，將敘事中的倒敘和閃回內(nèi)容重新映射回正確的時間軸，以恢復(fù)事件的因果邏輯。在評估階段，團(tuán)隊(duì)設(shè)計(jì)了包含事實(shí)提取、主觀狀態(tài)歸因以及決策原則推理的三層級評估體系。實(shí)驗(yàn)結(jié)果顯示，盡管檢索增強(qiáng)生成（RAG）技術(shù)能提升AI在事實(shí)回憶上的表現(xiàn)，但在面對需要結(jié)合時間背景解釋行為動機(jī)或推斷深層原則的復(fù)雜問題時，模型依然頻頻出錯。這表明，要實(shí)現(xiàn)真正的“個體理解”，AI需要超越簡單的數(shù)據(jù)庫檢索，建立類似人類的結(jié)構(gòu)化自傳體記憶機(jī)制。

#大模型技術(shù) #記憶機(jī)制 #人工智能 #基準(zhǔn)測試 #數(shù)字伴侶

閱讀更多：

Wu, Tingyu, et al. “KnowMe-Bench: Benchmarking Person Understanding for Lifelong Digital Companions.” arXiv:2601.04745, arXiv, 8 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.04745

MemoBrain：賦予智能體“執(zhí)行記憶”以突破長程推理瓶頸

在涉及復(fù)雜推理和工具使用的長程任務(wù)中，大語言模型往往因?yàn)椤坝洸蛔　被颉坝浱s”而導(dǎo)致任務(wù)失敗。Hongjin Qian、Zhao Cao和Zheng Liu（北京人工智能研究院，中國人民大學(xué)）提出了一種名為MemoBrain的新型執(zhí)行記憶模型。該研究旨在通過引入顯式的記憶機(jī)制，解決智能體在長程交互中因上下文積累導(dǎo)致的邏輯中斷和認(rèn)知過載問題，從而提升AI在復(fù)雜任務(wù)中的推理能力。

MemoBrain作為一個獨(dú)立的“副駕駛”模塊，與推理智能體協(xié)同工作，并不依賴于被動的上下文拼接，而是模擬了人類的“執(zhí)行記憶”（executive memory）功能。該方法包含兩個核心過程：首先是記憶構(gòu)建，它將零散的推理步驟抽象為緊湊的、包含邏輯依賴關(guān)系的“思維”單元，去除了無效的中間產(chǎn)物；其次是主動的記憶管理，MemoBrain在有限的上下文預(yù)算內(nèi)，通過“折疊”已完成的子任務(wù)路徑和“清除”低價值信息，始終保留最關(guān)鍵的推理主干。這種機(jī)制賦予了智能體對推理過程的認(rèn)知控制能力。研究團(tuán)隊(duì)在GAIA、WebWalker和BrowseComp-Plus等高難度基準(zhǔn)測試中驗(yàn)證了該模型，結(jié)果顯示，無論是40億還是140億參數(shù)規(guī)模的模型，MemoBrain均能顯著提升其在長程信息搜索和推理任務(wù)中的表現(xiàn)。

#大模型技術(shù) #意圖與決策 #智能體 #長程推理

閱讀更多：

Qian, Hongjin, et al. “MemoBrain: Executive Memory as an Agentic Brain for Reasoning.” arXiv:2601.08079, arXiv, 12 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.08079

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(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，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(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)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(xiàng)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(jì)劃、、、科普視頻媒體「大圓鏡」等。