█腦科學動態

科學家首次繪制視網膜"剎車系統"圖譜，揭示視覺調控新機制

炎癥可能是慢性疼痛和抑郁癥之間的聯系

大腦如何學會"自動屏蔽"高頻干擾

右額葉受損，你的邏輯思維會下降15%

野火過后，他們的大腦被"卡"在了災難時刻

名詞比形容詞更好記？重復閱讀時學習速度的加快

告別"數字癡呆"焦慮：老年人用科技反而更清醒

"聽見"世界的形狀：AI眼鏡為視障者打造三維感知

█AI行業動態

開源模型HiDream-I1，挑戰圖像生成霸主地位

Gamma 2.0，AI一鍵搞定PPT、網站和社媒

Google AI Studio免費開放Veo 2

OpenAI發布開源本地編碼代理Codex CLI

OpenAI發布其最新推理模型o3和o4-mini

█AI驅動科學

比AlphaFold更懂"壞蛋白"，新AI工具預測老年癡呆元兇結構

大腦視覺通路新發現：腹側流可能兼具空間感知功能

人類如何在沒有數字的情況下做出決策

訓練LLMs自我凈化語言

社交網絡易受AI操縱加劇極化現象

AI做加法也"作弊"？科學家戳破大模型的數學泡沫

MineWorld：基于Minecraft的實時交互式世界模型

腦科學動態

科學家首次繪制視網膜"剎車系統"圖譜，揭示視覺調控新機制

視覺如何實現精準調控？DANDRITE研究所的Keisuke Yonehara團隊與美國合作者利用新型GABA傳感器，首次完整繪制了視網膜中44種抑制性神經元的功能圖譜，發現它們通過精密的空間組織調控視覺信號處理，為理解先天性眼球震顫等疾病提供新視角。

?左：視網膜圖片；右：通過 GFP 可視化的 GABA 能細胞類型。Credit: Nature Neuroscience (2025).

研究團隊采用iGABASnFR2傳感器（實時監測GABA釋放的熒光標記），對小鼠視網膜內叢狀層進行雙光子成像。通過設計多種光刺激模式，他們捕捉到44種GABA能無長突細胞（amacrine cells，視網膜內抑制性中間神經元）的動態響應，其中部分細胞類型此前從未被描述。這些神經元展現出驚人的系統性：其突觸輸入和輸出位點沿特定視網膜方向精確排列，形成類似"高效交通網"的結構。例如，某些細胞專門編碼垂直運動，另一些則偏好水平運動，這種分工使大腦能精準解析視野中的運動方向。

實驗還顯示，不同類型的GABA釋放時間存在顯著差異，從毫秒級到秒級不等，這種"多時間尺度調控"使視網膜能同時處理快速移動和靜態物體。該發現不僅解釋了視覺信號的并行處理機制，更揭示了先天性眼球震顫（一種與GABA失衡相關的眼疾）可能的神經基礎。研究發表在 Nature Neuroscience 上。

#神經科學 #神經機制與腦功能解析 #視覺科學 #神經調控 #視網膜疾病

閱讀更多：

Matsumoto, Akihiro, et al. “Functionally Distinct GABAergic Amacrine Cell Types Regulate Spatiotemporal Encoding in the Mouse Retina.” Nature Neuroscience, Apr. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-025-01935-0

炎癥可能是慢性疼痛和抑郁癥之間的聯系

慢性疼痛與抑郁癥為何常相伴而生？耶魯大學醫學院的Rongtao Jiang、Dustin Scheinost團隊通過分析43萬人數據發現，身體疼痛部位越多，抑郁風險越高，而C反應蛋白等炎癥標志物是連接二者的關鍵"橋梁"。

?研究工作流程概述。 Credit: Science Advances (2025).

研究團隊利用英國生物樣本庫（UK Biobank）14年追蹤數據，首次構建復合疼痛評分系統，量化頭部、背部等8個部位的急/慢性疼痛影響。結果顯示，相比無痛者，單部位疼痛者抑郁風險增加1.4倍，而4處以上疼痛者風險飆升至3.2倍。通過孟德爾隨機化（Mendelian randomization，一種利用遺傳變異推斷因果關系的方法）證實疼痛可能直接導致抑郁。血液分析發現，C反應蛋白（CRP，肝臟在炎癥反應中產生的蛋白質）水平升高可解釋12.7%的關聯強度，其影響超過血小板和白細胞等指標。進一步腦成像顯示，疼痛患者的前扣帶皮層（與情緒調控相關的腦區）活動異常。該發現為"抗炎療法預防抑郁"提供了理論依據，未來或可通過監測CRP篩查高危人群。研究發表在 Science Advances 上。

#疾病與健康 #心理健康與精神疾病 #疼痛 #炎癥機制 #腦身連接

閱讀更多：

Jiang, Rongtao, et al. “The Inflammatory and Genetic Mechanisms Underlying the Cumulative Effect of Co-Occurring Pain Conditions on Depression.” Science Advances, vol. 11, no. 14, Apr. 2025, p. eadt1083. science.org (Atypon), https://doi.org/10.1126/sciadv.adt1083

大腦如何學會"自動屏蔽"高頻干擾

為什么我們會對頻繁出現的廣告"視而不見"？萊比錫大學的Norman Forschack與阿姆斯特丹自由大學的Dock H. Duncan團隊發現，大腦視覺系統能在100毫秒內自動抑制熟悉干擾，這種"神經過濾器"可提高21%的任務表現。

?一位戴著允許在頭皮上 64 個位置同時測量電壓的腦電圖帽的受試者。Credit: Peter Valckx, Vrije Universiteit Amsterdam

研究采用腦電圖（EEG）技術中的穩態視覺誘發電位（SSVEP，通過特定頻率閃爍刺激誘發可追蹤的腦電信號）和事件相關電位（ERP）雙指標，記錄了24名參與者在完成視覺搜索任務時的神經活動。實驗中，紅色菱形干擾物75%概率出現在固定位置，要求被試在綠色圖形中定位目標圓圈。數據分析顯示，僅經過20分鐘訓練，大腦就能在視覺處理最初100毫秒內開始抑制高頻干擾位置，SSVEP振幅在該位置顯著降低37%。

更令人驚訝的是，當目標意外出現在"干擾習慣位置"時，其神經響應也會減弱15%，證明這種抑制具有空間特異性而非特征選擇性。行為數據證實，干擾物出現在學習位置時，被試搜索準確率比隨機位置提高21%。研究為理解注意力自動化機制提供了新證據，對交通標志設計等現實場景具有啟示意義。研究發表在 The Journal of Neuroscience 上。

#神經科學 #神經機制與腦功能解析 #注意力機制 #視覺處理 #腦電圖技術

閱讀更多：

Duncan, Dock H., et al. “Learning Modulates Early Encephalographic Responses to Distracting Stimuli: A Combined SSVEP and ERP Study.” Journal of Neuroscience, Apr. 2025. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1973-24.2025

右額葉受損，你的邏輯思維會下降15%

倫敦大學學院皇后廣場神經病學研究所和UCLH神經心理學系的Joseph Mole、James K Ruffle等團隊通過研究247名腦損傷患者發現，右額葉是推理能力的核心區域，其損傷會導致錯誤率顯著上升15%，并開發出兩種新型臨床檢測工具。

研究采用損傷-缺陷映射（lesion-deficit mapping，通過分析腦損傷部位與認知缺陷的對應關系）技術，對比247名單側腦損傷患者與81名健康人的表現。團隊特別設計了口頭類比推理測試（ART，如"如果A比B聰明，A比C聰明，那么B比C聰明嗎？"）和非言語演繹推理測試（DRT，如"1,2,3最類似5,6,7還是6,5,7？"）。通過非參數貝葉斯隨機塊模型（一種能識別腦網絡社區結構的先進算法）分析發現，右額葉構成獨立的功能網絡，該網絡損傷會同時影響推理和流體智力（Gf，解決新問題的能力）。新測試對臨床診斷右額葉功能障礙具有重要價值，計劃在NHS推廣。研究發表在 Brain 上。

#神經科學 #神經機制與腦功能解析 #認知科學 #計算模型與人工智能模擬

閱讀更多：

Mole, Joseph, et al. “A Right Frontal Network for Analogical and Deductive Reasoning.” Brain, Apr. 2025, p. awaf062. Silverchair, https://doi.org/10.1093/brain/awaf062

野火過后，他們的大腦被"卡"在了災難時刻

火災幸存者為何更難做出明智選擇？加州大學圣地亞哥分校的Jyoti Mishra團隊發現，直接經歷2018年加州坎普大火的幸存者大腦后扣帶回皮層（PCC）活動異常增強，導致其長期決策能力受損，即使災后一年仍無法優先選擇高收益選項。

研究團隊通過貨幣獎勵決策任務結合腦電圖（EEG）技術，對比分析75名參與者（直接暴露組27人、間接暴露組21人、對照組27人）。結果發現，直接暴露組在任務中表現出顯著的"贏-留"（Win-Stay）行為缺陷——選擇長期高收益選項的概率比對照組低23%。腦電溯源分析揭示，這種決策障礙與后扣帶回皮層（PCC，負責深度思考的腦區）的過度激活相關，表明幸存者陷入"反復思考卻無法行動"的認知僵局。僅目睹災害的間接暴露組認知功能基本正常，提示氣候創傷對大腦的影響需要直接身體接觸性暴露。該研究首次為氣候相關的心理健康干預提供了可量化的神經認知標志物，建議通過正念訓練抑制PCC過度活動。研究發表在 Scientific Reports 上。

#疾病與健康 #心理健康與精神疾病 #神經機制與腦功能解析 #氣候創傷 #決策障礙

閱讀更多：

Nan, Jason, et al. “Climate Trauma from Wildfire Exposure Impacts Cognitive Decision-Making.” Scientific Reports, vol. 15, no. 1, Apr. 2025, p. 11992. www.nature.com, https://doi.org/10.1038/s41598-025-94672-0

名詞比形容詞更好記？重復閱讀時學習速度的加快

重復閱讀時速度加快，是加速學習，還是一種厭倦？查爾斯大學藝術學院的Jan Chromy和Fabian Tomaschek團隊通過1,500人實驗證明，這種"任務適應"現象本質是大腦的策略性學習——參與者不僅讀得更快，還能更精準抓取關鍵信息。

研究設計6項創新性自定步調閱讀實驗（self-paced reading，參與者按鍵逐詞閱讀），摒棄傳統填充句和選擇題，采用開放式問題捕捉真實學習效果。數據顯示，隨著試驗推進，參與者閱讀速度提升35%，對名詞的回憶準確率（recall accuracy）比形容詞高28%，尤其擅長抓取高頻被提問的信息類型。通過線性混合模型（linear mixed-effects model）分析發現，大腦會像優化算法般重新分配注意力資源，對任務關鍵信息投入更多認知資源。這種學習效應在無外部激勵時依然存在，證實速度提升并非源于動機下降。研究為教育領域的刻意練習（deliberate practice）提供了神經認知依據。研究發表在 Open Mind 上。

#認知科學 #神經機制與腦功能解析 #任務適應 #閱讀理解 #注意力分配

閱讀更多：

Chromy, Jan, and Fabian Tomaschek. “Learning or Boredom? Task Adaptation Effects in Sentence Processing Experiments.” Open Mind, vol. 8, Dec. 2024, pp. 1447–68. Silverchair, https://doi.org/10.1162/opmi_a_00173

告別"數字癡呆"焦慮：老年人用科技反而更清醒

數字技術是否損害老年認知？德克薩斯大學的Jared F. Benge和貝勒大學的Michael K. Scullin團隊通過分析41.1萬人的數據發現，50歲以上人群使用數字技術反而與58%的認知衰退風險降低相關，推翻了"數字癡呆"的流行假說。

研究團隊對57項縱向研究進行薈萃分析，涵蓋來自8個數據庫的41.1萬名50歲以上成年人數據，平均跟蹤6.2年。通過計算綜合風險比（odds ratio）發現，經常使用電腦、智能手機和互聯網的老年人認知衰退風險顯著降低（OR=0.42），相當于風險下降58%。這種保護作用獨立于社會經濟地位和健康狀況，且效果優于已知的保護因素——比體育鍛煉（約35%風險降低）和血壓控制（約13%）更顯著。研究提出"技術儲備"假說，認為適應新軟件、學習使用智能設備等行為可能像"大腦體操"一樣維持認知活力。不過研究者強調，該結果不適用于被動屏幕時間（如刷社交媒體），且中低收入國家數據不足。研究發表在 Nature Human Behaviour 上。

#疾病與健康 #健康管理與壽命延長 #認知科學 #數字技術 #老齡化

閱讀更多：

Benge, Jared F., and Michael K. Scullin. “A Meta-Analysis of Technology Use and Cognitive Aging.” Nature Human Behaviour, Apr. 2025, pp. 1–15. www.nature.com, https://doi.org/10.1038/s41562-025-02159-9

"聽見"世界的形狀：AI眼鏡為視障者打造三維感知

全球超10億視障者面臨輔助設備適配難題，上海交通大學顧磊磊團隊開發出融合柔性電子與AI的可穿戴系統，通過聽覺觸覺替代視覺，顯著提升導航效率并降低認知負荷。

?攝像頭目前安裝在眼鏡上，但該團隊正在努力使這些設備更輕便、更隱蔽。

研究團隊設計了一款集成深度攝像頭（D435i）的智能眼鏡，配合骨傳導耳機和柔性電子皮膚（A-skin，含ToF傳感器和磁致動器），將視覺信息轉化為三維空間提示音（3D spatial audio）和振動反饋。獨創的元宇宙訓練平臺（VR training system）通過Unity構建虛擬場景，配合自供電智能鞋墊（利用摩擦發電原理）實現虛實運動同步。在20名視障者測試中，系統使迷宮導航效率提升25%，碰撞率降低40%，可用性評分達79.6分（超過85%商業設備）。柔性電子皮膚采用PDMS基底和銀顆粒電路，兼具透氣性與高靈敏度，而模塊化設計支持開源適配。研究發表在 Nature Machine Intelligence 上。

#疾病與健康 #跨學科整合 #個性化醫療 #可穿戴技術 #人機交互

閱讀更多：

Tang, Jian, et al. “Human-Centred Design and Fabrication of a Wearable Multimodal Visual Assistance System.” Nature Machine Intelligence, Apr. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s42256-025-01018-6

AI 行業動態

開源模型HiDream-I1，挑戰GPT-4o與Midjourney圖像生成霸主地位

近日，智象未來推出的開源圖像生成模型HiDream-I1引發全球科技圈關注。該模型基于自研的Sparse DiT（稀疏擴散變換器）架構，結合混合專家（MoE）機制，能夠高效處理復雜文本指令并生成高質量圖像。其開源的三個版本（Full/Dev/Fast）分別針對畫質與速度優化，最快5秒即可出圖。在多項基準測試中，HiDream-I1表現亮眼，尤其在寫實風格、亞洲人物特征還原及材質細節處理上優勢顯著。

在實際測試中，HiDream-I1與GPT-4o、Midjourney V7同臺競技。結果顯示，HiDream在場景構圖、光影層次和本土化審美（如亞洲女性形象）上更勝一籌，但在創意延展性和動態表現上稍遜。例如，它能精準呈現股票交易員的悲傷神態，卻難以完全捕捉運動場景的活力感。此外，模型對中文提示詞的理解優于英文，偶爾會出現誤譯問題。

技術層面，HiDream通過“擴散模型+GAN增強”技術提升圖像銳度與細節，并采用知識蒸餾壓縮模型體積。未來，智象未來計劃推出支持語音修圖的HiDream-E1和多模態交互的HiDream-A1。盡管目前HiDream在藝術創造力上不及對手，但其在商業設計、廣告視覺等務實場景中已展現出強大潛力，為開源生態提供了新的高性能選擇。

#開源模型 #圖像生成 #AI繪畫 #多模態 #中國科技

閱讀更多：

https://huggingface.co/collections/HiDream-ai/hidream-i1-67f3e90dd509fed088a158b3

Gamma 2.0來了！AI一鍵搞定PPT、網站和社媒，設計小白也能秒變大神

Gamma近日正式推出升級版Gamma 2.0平臺，這是一款集網站構建、演示文稿制作和社交媒體設計于一體的AI工具。用戶僅需輸入簡單描述，平臺便能在幾十秒內生成高質量內容，無需切換多個工具。Gamma 2.0支持演示文稿、網站、社交媒體內容及文檔的快速生成，并能智能識別品牌元素、編輯圖像、生成圖表，同時提供多種導出格式，成為多場景創作的利器。

該平臺功能強大且操作簡便。用戶可通過提示詞或對話方式創建內容，上傳品牌文件后自動識別顏色和字體，無需手動設置規范。圖像編輯功能支持更換主體、變換風格及去除背景，圖表和排版工具則能根據數據或提示詞生成專業效果。Gamma 2.0還支持導出為PDF、PowerPoint等格式，或直接發布至LinkedIn，大幅縮短內容制作時間，從數小時縮減至幾分鐘。

數據顯示，Gamma用戶已突破5000萬，每天生成70萬份演示文稿和400萬張AI圖片。新版本還優化了團隊協作功能，并推出全新UI界面。付費Pro版提供無限AI生成、自定義域名等高級功能，而免費版適合個人用戶嘗鮮。

#AI工具 #內容生成 #演示文稿 #品牌設計 #多場景創作

閱讀更多：

https://gamma.app/

Google AI Studio免費開放Veo 2！手把手教你用提示詞生成高質量視頻

Google AI Studio近日宣布免費開放Veo 2的訪問權限，這意味著開發者和創作者可以零成本體驗這一先進的視頻生成工具。用戶能夠直接在平臺上測試提示詞、調整視頻寬高比和持續時間等參數，并實時查看生成效果，極大簡化了調試流程。Google還貼心地提供了詳細的提示詞編寫建議，幫助用戶快速上手并提升視頻質量。

為了生成更精準的視頻內容，Google建議提示詞應注重清晰度和細節。例如，明確描述視頻主題、主體動作、背景環境、鏡頭角度、燈光效果以及整體風格或情緒。避免使用模糊的術語，而是通過具體描述讓AI更準確地理解創作意圖。這種結構化提示方法不僅能提高視頻的豐富度，還能讓生成內容更符合預期。

#GoogleAI #Veo2 #視頻生成 #提示詞技巧 #AI工具

閱讀更多：

https://developers.googleblog.com/en/veo-2-video-generation-now-generally-available/

OpenAI發布開源本地編碼代理Codex CLI

OpenAI發布了Codex CLI，這是一款開源的本地編碼代理，旨在將自然語言指令直接轉換為可執行的代碼。該工具支持多種編程語言，包括Python、JavaScript、Go、Perl、PHP、Ruby、Swift、TypeScript和Shell等，允許開發者在本地環境中使用自然語言進行編程操作。Codex CLI的推出，標志著自然語言與編程語言之間的界限進一步模糊，為開發者提供了更加直觀和高效的編碼方式。

在實際應用中，Codex CLI允許用戶通過簡單的自然語言指令，完成代碼的生成、編輯和執行等操作。例如，用戶可以輸入“創建一個包含側邊菜單和頂部標題的頁面”，Codex CLI將自動生成相應的HTML和CSS代碼，構建出符合要求的網頁結構。此外，Codex CLI還支持語音輸入，使得用戶可以通過語音指令進行編程操作，進一步提升了工具的易用性和交互性。值得注意的是，Codex CLI在執行過程中，能夠根據用戶的指令，實時生成并執行代碼，實現了從自然語言到代碼的無縫轉換。這一特性，使得非專業開發者也能通過簡單的自然語言指令，完成復雜的編程任務，降低了編程的門檻。

#OpenAI #人工智能 #自然語言處理 #代碼生成 #開源工具

閱讀更多：

https://www.marktechpost.com/2025/04/16/openai-releases-codex-cli-an-open-source-local-coding-agent-that-turns-natural-language-into-working-code/

OpenAI發布其最新推理模型o3和o4-mini

OpenAI于2025年4月16日發布了其最新的推理模型o3和o4-mini，標志著在人工智能多模態理解和工具自主使用方面邁出了關鍵一步。這兩款模型不僅在編程、數學和視覺任務中表現出色，還能自主調用ChatGPT內的各種工具，如網頁搜索、Python代碼執行、圖像分析與生成以及文件解讀等，顯著提升了復雜任務的處理能力。其中，o3被譽為OpenAI迄今最強大的推理系統，而o4-mini則以更小的體積和更低的成本，在數學、編碼和視覺任務上展現出卓越性能。這兩款模型已向ChatGPT Plus、Pro和Team用戶開放，未來還將擴展至更多用戶群體。

在研究方法上，o3模型通過引入圖像理解能力，能夠分析圖像、圖表和圖形等視覺輸入，提升了在復雜任務中的表現。在多個基準測試中，o3在Codeforces、SWE-bench和MMMU等評估中設定了新的標準，尤其在編程、商業咨詢和創意構思等領域表現突出。專家評估顯示，o3在處理復雜現實任務時，重大錯誤率比前代模型o1減少了20%。o4-mini則作為一款優化了速度和成本的小型模型，在數學、編碼和視覺任務上展現出卓越性能。在AIME 2024和2025的評估中，o4-mini取得了優異成績，專家評估也顯示其在非STEM任務和數據科學等領域優于前代模型o3-mini。得益于其高效性，o4-mini支持比o3更高的使用限制，成為高容量、高吞吐量任務的理想選擇。

#OpenAI #人工智能 #圖像理解 #工具自主使用 #智能代理

閱讀更多：

https://openai.com/index/introducing-o3-and-o4-mini/

AI 驅動科學

比AlphaFold更懂"壞蛋白"，新AI工具預測老年癡呆元兇結構

淀粉樣蛋白錯誤折疊如何導致神經退行性疾病？長平實驗室的Mingchen Chen和萊斯大學的Peter Wolynes團隊開發了AI工具RibbonFold，成功預測淀粉樣蛋白多形態結構，揭示了疾病進展的關鍵機制。

?RibbonFold 的示意圖。 Credit: Proceedings of the National Academy of Sciences (2025).

研究團隊改造AlphaFold2框架，新增針對淀粉樣纖維的平行排列約束（蛋白質鏈對齊規則）和多態性損失函數，使RibbonFold能捕捉錯誤折疊蛋白的復雜構象。通過分析能量景觀（蛋白質穩定性圖譜），發現淀粉樣纖維會隨時間從可溶態轉變為不溶態，這種動態過程解釋了為何癥狀常在晚年出現。在獨立測試中，RibbonFold的TM-score達0.5，遠超現有工具。該成果不僅為靶向治療提供精確結構模板，還可能啟發新型生物材料設計。研究發表在 PNAS 上。

#疾病與健康 #預測模型構建 #AI驅動科學 #神經退行性疾病 #蛋白質折疊

閱讀更多：

Guo, Liangyue, et al. “Generating the Polymorph Landscapes of Amyloid Fibrils Using AI: RibbonFold.” Proceedings of the National Academy of Sciences, vol. 122, no. 16, Apr. 2025, p. e2501321122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2501321122

大腦視覺通路新發現：腹側流可能兼具空間感知功能

傳統認為專司物體識別的大腦腹側視覺通路可能另有玄機。麻省理工學院Yudi Xie、James J. DiCarlo團隊通過人工智能模型發現，該通路對空間任務同樣敏感，顛覆了持續40年的神經科學經典理論。

?模型在如圖所示的合成圖像數據集上進行了訓練，圖像中包含茶壺或計算器等物體，這些物體被疊加在不同的背景上。研究人員訓練模型識別物體的一個或多個空間特征，包括旋轉、位置和距離。Credit: Massachusetts Institute of Technology

研究團隊使用3D圖形引擎創建合成圖像數據集（含茶壺、計算器等物體），分別訓練卷積神經網絡（CNN）完成物體分類和空間特征（旋轉/位置/距離）預測。令人驚訝的是，僅訓練空間任務的模型在神經對齊（neuro-alignment，衡量模型與生物大腦活動相似度的指標）測試中表現優異，與物體識別模型相當。通過中心核對齊（CKA）技術分析發現，兩類模型在早期至中層的內部表征相似度高達87%，僅在后期網絡層因任務需求產生分化。進一步實驗表明，訓練數據中的非目標特征變異促使模型學習更通用的視覺表征，而非特定任務專屬模式。這一發現挑戰了"腹側流=物體識別"的傳統分區理論，為理解視覺系統進化提供了新視角。

#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

閱讀更多：

Xie, Yudi, et al. Vision CNNs Trained to Estimate Spatial Latents Learned Similar Ventral-Stream-Aligned Representations. arXiv:2412.09115, arXiv, 17 Feb. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2412.09115

人類如何在沒有數字的情況下做出決策

當面臨"手術成功率50%"和"可能恢復行走能力"兩種描述時，人腦如何權衡？耶魯大學的Nachshon Korem和Ifat Levy團隊開發出首個能處理定性決策的計算模型，該模型不僅適用于醫療選擇，甚至能量化"更喜歡蘋果還是香蕉"這類純主觀偏好。

?風險與模糊性任務。設計：參與者被呈現四種情境下的不確定選項和確定結果的選擇：風險性貨幣決策（A）、模糊性貨幣決策（B）、風險性醫療決策（C）和模糊性醫療決策（D）。在風險情境（A、C）中，結果概率以紅色和藍色矩形進行視覺表示，并且這些概率完全向參與者公開。Credit: PLOS Computational Biology (2025).

研究設計包含風險（已知概率）和模糊性（未知概率）兩類不確定性，參與者需在確定結果與可能更好的結果間選擇。醫療場景采用文字描述效果（如"中等改善"對應"需助行器短距離行走"），而非具體數字。通過分層貝葉斯模型=，研究者將"完全康復"等定性結果轉化為可比數值。令人驚訝的是，這種非數值框架在傳統貨幣決策測試中，預測準確率反而超過基于數字的效用函數模型。數據還顯示，個體對模糊性的態度在醫療和財務決策中具有跨領域一致性（相關性r=0.42）。該模型未來可用于研究情緒（如恐懼）對醫療決策的影響。研究發表在 PLOS Computational Biology 上。

#認知科學 #計算模型與人工智能模擬 #跨學科整合 #決策機制 #行為經濟學

閱讀更多：

Korem, Nachshon, et al. “Modeling Decision-Making under Uncertainty with Qualitative Outcomes.” PLOS Computational Biology, vol. 21, no. 3, Mar. 2025, p. e1012440. PLoS Journals, https://doi.org/10.1371/journal.pcbi.1012440

訓練LLMs自我凈化語言

如何讓AI語言模型自動過濾有害內容？麻省理工學院Ching-Yun Ko與Luca Daniel團隊聯合IBM研究院開發了SASA算法，使大型語言模型能在生成過程中自我檢測并修正毒性內容，無需額外訓練或外部工具。該技術有望解決AI聊天機器人的內容安全問題。

研究團隊提出的自律自回歸采樣（SASA）技術，通過分析模型內部表示建立"毒性邊界"。當模型生成每個新詞時，SASA會評估當前句子在向量空間中的位置——若接近"有毒區域"，則降低相關詞匯的采樣概率。測試顯示，在Llama 3.1-8b模型上，SASA將毒性響應率從26.4%降至14.2%，同時保持語句流暢性。特別值得注意的是，該系統成功糾正了模型對女性相關提示的偏見響應，使其毒性水平與男性相關提示趨于一致。相比需要額外訓練數據的方法，SASA僅增加約7%的計算開銷，且兼容不同架構的LLMs。研究團隊計劃將該技術擴展至真實性、忠誠度等多維度價值觀對齊。

#大模型技術 #預測模型構建 #AI倫理 #自然語言處理 #內容安全

閱讀更多：

Ko, Ching-Yun, et al. Large Language Models Can Be Strong Self-Detoxifiers. arXiv:2410.03818, arXiv, 4 Oct. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2410.03818

社交網絡易受AI操縱加劇極化現象

社交網絡如何被AI輕易操縱？康考迪亞大學的Mohamed N. Zareer和Rastko R. Selmic團隊開發了一種新型算法，僅需兩個簡單參數就能顯著加劇網絡極化，揭示了社交媒體平臺在AI攻擊面前的脆弱性。

研究團隊分析了Twitter（現X平臺）上約400萬討論疫苗話題的賬戶數據，開發出基于雙重深度Q學習（Double Deep Q-Learning，一種能自主優化決策的AI技術）的對抗智能體。令人驚訝的是，這些AI操縱者僅需知道賬戶的當前觀點和粉絲數量兩個參數，就能精準識別最具影響力的攻擊目標。通過在20個智能體組成的合成網絡中測試，算法成功將網絡分歧最大化。研究還發現，該方法適用于不同類型的社交網絡結構，能有效模擬現實中的機器人攻擊和協同虛假信息傳播。這些發現為平臺防御系統開發提供了重要參考，同時也敲響了AI倫理使用的警鐘。研究發表在 IEEE Xplore 上。

#AI驅動科學 #預測模型構建 #社交媒體 #信息操縱 #網絡安全

閱讀更多：

Zareer, Mohamed N., and Rastko R. Selmic. “Maximizing Disagreement and Polarization in Social Media Networks Using Double Deep Q-Learning.” 2024 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2024, pp. 2311–17. IEEE Xplore, https://doi.org/10.1109/SMC54092.2024.10831299

AI做加法也"作弊"？科學家戳破大模型的數學泡沫

大語言模型是否真正理解數學原理？浙江大學與西湖大學的Yang Yan、Yu Lu、Renjun Xu和Zhenzhong Lan團隊通過簡單加法測試發現，這些"博士級"AI實際上依賴記憶而非真正學習運算規則，在符號轉換測試中準確率暴跌至個位數。

研究團隊設計了兩整數加法（0-2^64范圍）的"照妖鏡"測試：首先讓模型計算常規數字加法（如123+456），此時準確率達73.8-99.8%；但當數字被替換為抽象符號（如x+y）時，性能斷崖式下跌至≤7.5%，暴露其無法實現組合泛化。更驚人的是，模型在1,700多個案例中違反加法交換律（A+B≠B+A），且數字位數增加時表現波動（非單調變化），完全不符合人類執行算法時的穩定模式。最具啟示性的發現是：當研究者明確提供加法規則時，模型表現反而平均下降81.2%，而讓模型自我解釋（self-explanation）卻能保持基準準確率，說明LLM的"數學思維"與人類認知存在根本性錯位。

#大模型技術 #計算模型與人工智能模擬 #跨學科整合 #數學認知

閱讀更多：

Yan, Yang, et al. Do PhD-Level LLMs Truly Grasp Elementary Addition? Probing Rule Learning vs. Memorization in Large Language Models. arXiv:2504.05262, arXiv, 7 Apr. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2504.05262

MineWorld：基于Minecraft的實時交互式世界模型

如何讓AI像人類一樣實時理解并改變虛擬世界？微軟研究院的Junliang Guo、Yang Ye等團隊開發了MineWorld，這是首個在Minecraft游戲中實現每秒4-7幀實時交互的世界模型，為游戲開發和機器人訓練提供了新工具。

研究團隊將游戲畫面和玩家動作統一編碼為離散token，通過視覺-動作自回歸Transformer學習兩者關聯。為解決傳統自回歸推理速度慢的問題，他們開發了并行解碼算法——通過分析空間相鄰token的依賴關系，讓模型能同步預測多個token，速度提升3倍以上。評估階段，團隊提出"逆動力學指標"：用AI反向解析生成視頻中的動作，與真實輸入動作對比驗證可控性。結果顯示，MineWorld在畫面質量和動作跟隨性上均超越現有開源擴散模型，且能實時響應玩家操作。該技術未來可應用于游戲NPC開發、機器人虛擬訓練等場景。

#大模型技術 #計算模型與人工智能模擬 #大模型技術 #跨學科整合

閱讀更多：

Guo, Junliang, et al. MineWorld: A Real-Time and Open-Source Interactive World Model on Minecraft. arXiv:2504.08388, arXiv, 11 Apr. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2504.08388

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。