█腦科學動態(tài)

Cell：163個基因組解碼螞蟻如何進化出超級社會

記憶與習慣：循證心理治療的兩大挑戰(zhàn)

我們通過情緒，而不是行動，來定義和劃分事件

大腦安全回路：為何危險來臨時我們本能逃跑

樹鼩研究揭示夜間光照誘發(fā)抑郁的神經(jīng)機制

兩種決定氣味好惡的腦細胞類型

3D打印大腦模型揭示酒精如何損害神經(jīng)系統(tǒng)

█AI行業(yè)動態(tài)

OpenAI與微軟：獨家托管權與利潤分成面臨重大調整

谷歌Gemini 2.5 Flash-Lite發(fā)布

PublicAI獲1000萬美元融資，打造AI"人類層"

Anthropic 推出 Remote MCP功能

█AI驅動科學

人工神經(jīng)網(wǎng)絡揭示近體神經(jīng)元如何表征身體周圍的空間

機器人群藍圖：模仿蜜蜂和螞蟻的無中心建造方式

新基準揭示LLM與人類編程大師的顯著差距

Transformer架構如何導致大語言模型的位置偏見

晶圓級加速器：突破AI計算瓶頸的下一代芯片技術

WORKBank數(shù)據(jù)庫解碼AI與人類最佳協(xié)作模式

腦科學動態(tài)

Cell：163個基因組解碼螞蟻如何進化出超級社會

螞蟻如何進化出復雜的社會結構？由Joel Vizueta、Zijun Xiong、Guo Ding等組成的全球螞蟻基因組聯(lián)盟（GAGA）團隊通過分析163個螞蟻基因組，揭示了從獨居到超級有機體（superorganism）轉變的關鍵遺傳變化，發(fā)現(xiàn)了等級分化（caste differentiation）的分子調控網(wǎng)絡。

研究團隊整合了145個新測序和18個已發(fā)表螞蟻基因組，覆蓋16個亞科的廣泛分類多樣性。通過比較基因組學分析，發(fā)現(xiàn)螞蟻祖先中擴張的基因家族主要涉及消化（適應多樣化食性）、內分泌信號（調控社會行為）和化學感受（社會通訊）。特別值得注意的是，盡管基因組宏觀同線性（macrosynteny）普遍丟失，但保守的微同線性區(qū)域富含共表達基因網(wǎng)絡，這些網(wǎng)絡與基礎代謝和等級分化密切相關。功能分析確認了MAPK、胰島素和保幼激素（juvenile hormone）通路在調控后蟻-工蟻表型分化中的核心作用。

研究還發(fā)現(xiàn)，不同社會性狀（如生殖分工程度）的進化在保守信號通路上留下了可識別的平行選擇印記，表明螞蟻反復利用同一套核心基因網(wǎng)絡來實現(xiàn)社會復雜性多樣化。這些發(fā)現(xiàn)為理解超個體進化提供了分子層面的解釋框架。研究發(fā)表在 Cell 上。

#進化生物學 #社會性昆蟲 #基因組進化 #等級分化 #選擇印記

閱讀更多：

Vizueta, Joel, et al. “Adaptive Radiation and Social Evolution of the Ants.” Cell, vol. 0, no. 0, June 2025. www.cell.com, https://doi.org/10.1016/j.cell.2025.05.030

記憶與習慣：循證心理治療的兩大挑戰(zhàn)

循證心理治療（EBPTs）雖有效但常因患者記憶缺陷和習慣養(yǎng)成困難而受限。加州大學伯克利分校的Allison Harvey通過親身參與育兒課程的經(jīng)歷，結合認知心理學和社會心理學研究，開發(fā)了記憶支持干預（MSI）和基于習慣的干預（HABITs）兩種增強策略。

研究首先發(fā)現(xiàn)患者僅能記住約30%的治療內容，且新習慣養(yǎng)成需要18-36周。針對記憶問題，團隊開發(fā)了記憶支持干預（MSI），整合認知心理學中的編碼策略和教育學中的重復強化技術。對于習慣形成，基于習慣的干預（HABITs）采用社會心理學中的情境提示和內在獎勵機制。通過短信提示系統(tǒng)測試顯示，定時行為提示（如晚上10點關燈）配合晨間反饋（如海豚睡眠趣聞獎勵）可有效改善睡眠習慣。記憶支持策略使關鍵治療點留存率提升，但研究也發(fā)現(xiàn)即使高度投入的患者（如Harvey本人）在數(shù)月后仍會遺忘大部分內容。這些發(fā)現(xiàn)表明，現(xiàn)有治療模式需要系統(tǒng)性整合記憶和習慣形成科學。研究發(fā)表在 Behaviour Research and Therapy 上。

#疾病與健康 #心理健康與精神疾病 #記憶機制 #習慣形成 #循證治療

閱讀更多：

“Maximizing Benefits from Evidence-Based Psychological Treatments: Memory Support and Habit Formation as Key Strategies.” Behaviour Research and Therapy, vol. 191, Aug. 2025, p. 104767. www.sciencedirect.com, https://doi.org/10.1016/j.brat.2025.104767

我們通過情緒，而不是行動，來定義和劃分事件

大腦如何將連續(xù)體驗分割為有意義的事件？康奈爾大學的Ruiyi Chen和Khena Swallow團隊發(fā)現(xiàn)，情緒變化（如憤怒轉為釋然）與事件邊界判定高度相關，且效價變化（正負情緒轉換）的影響比傳統(tǒng)認為的動作變化更持久。

研究通過兩個實驗分析觀眾對商業(yè)電影（如《阿甘正傳》《神探夏洛克》）的感知。在首個實驗中，50名參與者分別標記情緒變化或事件邊界（event segmentation），另10人量化情緒強度（arousal）和愉悅度（valence）。結果顯示，情緒轉換點與事件邊界判定重合率達83%，且效價變化（如積極轉消極）的預測力是動作變化的2.3倍。特別在《玉米餅湯》摔盤場景中，結合情緒突變的動作使邊界判定概率達92%。第二個實驗使用更長視頻驗證了情緒對粗粒度（coarse-grained）事件劃分的貢獻率達61%，遠超細粒度劃分。這表明情緒通過雙重機制影響認知：即時吸引注意力，長期塑造記憶結構。研究為理解情緒障礙（如創(chuàng)傷后應激障礙）的記憶異常提供了新視角。研究發(fā)表在 Journal of Experimental Psychology: General 上。

#認知科學 #記憶機制 #神經(jīng)機制與腦功能解析 #情緒研究

閱讀更多：

Chen, Ruiyi, and Khena M. Swallow. “The Role of Emotional Content in Segmenting Naturalistic Videos into Events.” Journal of Experimental Psychology: General, 2025. APA PsycNet, https://doi.org/10.1037/xge0001783

大腦安全回路：為何危險來臨時我們本能逃跑

當安全與基本需求沖突時，大腦如何做出選擇？哥本哈根大學的Nathalie Krauth, Christoffer Clemmensen和Ole Kiehn團隊發(fā)現(xiàn)了一個關鍵神經(jīng)回路，它能在危險情況下自動優(yōu)先安全行為，這項發(fā)現(xiàn)揭示了大腦評估危險的神經(jīng)機制。

?左前額葉皮質（LHA）向腦干運動區(qū)投射谷氨酸能信號。Credit: Nature Neuroscience (2025).

研究團隊采用光遺傳學技術，精確激活小鼠下丘腦外側（LHA）投射至腳橋核（PPN）的谷氨酸能神經(jīng)元。在行為實驗中，饑餓小鼠被置于覓食環(huán)境中，當研究人員激活該回路時，小鼠會立即放棄食物，轉而尋找庇護所。值得注意的是，這種安全優(yōu)先行為在異性存在時同樣出現(xiàn)，表明該回路能覆蓋社交需求。神經(jīng)元記錄顯示，LHA-PPN通路的活性與安全尋求行為直接相關。進一步分析發(fā)現(xiàn)，這種機制不依賴外部威脅信號，而是構成了一種內在的安全評估系統(tǒng)。研究人員指出，類似的神經(jīng)結構存在于所有脊椎動物大腦中，包括人類，可能解釋了為何壓力情境會引發(fā)焦慮反應。這項發(fā)現(xiàn)為理解大腦如何在多重需求間進行優(yōu)先級排序提供了神經(jīng)基礎，也為焦慮障礙研究開辟了新方向。研究發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #心理健康與精神疾病 #進化生物學 #行為神經(jīng)科學

閱讀更多：

Krauth, Nathalie, et al. “A Hypothalamus–Brainstem Circuit Governs the Prioritization of Safety over Essential Needs.” Nature Neuroscience, May 2025, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41593-025-01975-6

樹鼩研究揭示夜間光照誘發(fā)抑郁的神經(jīng)機制

夜間人造光如何影響情緒？中國科學技術大學Tian Xue、中國科學院昆明動物研究所Yonggang Yao和合肥學院Huan Zhao團隊發(fā)現(xiàn)，長期藍光暴露會通過視網(wǎng)膜-韁核-伏隔核通路誘發(fā)樹鼩抑郁樣行為，為光污染的心理健康影響提供了直接證據(jù)。

?LAN 通過與 pHb 相關的視覺通路在樹鼩中發(fā)揮誘導抑郁的作用。Credit: MENG Jianjun

研究采用每晚2小時藍光暴露（模擬室內照明）持續(xù)3周的實驗設計。行為測試顯示，樹鼩出現(xiàn)典型抑郁癥狀：蔗糖偏好下降20%（快感缺乏指標），探索行為減少，長期記憶受損。通過神經(jīng)追蹤技術，團隊首次鑒定出視網(wǎng)膜神經(jīng)節(jié)細胞直接投射至韁核（pHb），進而連接伏隔核（NAc，情緒調節(jié)中樞）的視覺通路。關鍵實驗證明，化學沉默pHb神經(jīng)元可完全阻斷光照的抑郁效應。RNA測序進一步揭示，NAc區(qū)域中多個抑郁相關基因表達發(fā)生顯著改變，提示光照可能通過表觀遺傳機制產(chǎn)生長期影響。這項發(fā)現(xiàn)不僅解釋了夜間光照致抑郁的神經(jīng)生物學基礎，還為開發(fā)針對性干預措施提供了新靶點。研究發(fā)表在 PNAS 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #心理健康與精神疾病 #光污染 #晝夜節(jié)律

閱讀更多：

Miao, Ying, et al. “Light at Night Negatively Affects Mood in Diurnal Primate-like Tree Shrews via a Visual Pathway Related to the Perihabenular Nucleus.” Proceedings of the National Academy of Sciences, vol. 122, no. 23, June 2025, p. e2411280122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2411280122

兩種決定氣味好惡的腦細胞類型

氣味如何被大腦分類為好聞或難聞？佛羅里達大學健康學院的Sarah E. Sniffen、Dan Wesson等團隊發(fā)現(xiàn)，基底外側杏仁核（BLA）中兩種基因獨特的神經(jīng)元（Drd1+和Drd2+）通過不同神經(jīng)通路投射，決定氣味引發(fā)的情緒反應。

研究采用小鼠模型（與人類共享神經(jīng)化學相似性），通過行為實驗訓練小鼠將氣味分類為積極或消極。結合光遺傳學和神經(jīng)通路追蹤技術，團隊發(fā)現(xiàn)BLA區(qū)的Drd1+和Drd2+神經(jīng)元形成兩條平行通路投射至腹側紋狀體不同亞區(qū)：當神經(jīng)元投射至伏隔核（NAc）時觸發(fā)厭惡反應，投射至管狀紋狀體（TuS）則產(chǎn)生愉悅反應。值得注意的是，同一神經(jīng)元類型具備雙向調控能力，其情緒編碼功能取決于具體投射靶點。該機制可能解釋創(chuàng)傷后應激障礙（PTSD）和孤獨癥患者的感官過敏現(xiàn)象，未來或可通過調控這些通路治療相關癥狀。研究發(fā)表在 Molecular Psychiatry 上。

#神經(jīng)科學 #神經(jīng)機制與腦功能解析 #心理健康與精神疾病 #嗅覺神經(jīng)科學

閱讀更多：

Sniffen, Sarah E., et al. “Directing Negative Emotional States through Parallel Genetically-Distinct Basolateral Amygdala Pathways to Ventral Striatum Subregions.” Molecular Psychiatry, June 2025, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41380-025-03075-0

3D打印大腦模型揭示酒精如何損害神經(jīng)系統(tǒng)

浦項科技大學的Mihyeon Bae, Joeng Ju Kim, Jinah Jang和Dong-Woo Cho團隊開發(fā)出能精確模擬人腦的3D生物打印模型，首次實現(xiàn)酒精神經(jīng)毒性的區(qū)域特異性可視化。

?生物工程神經(jīng)網(wǎng)絡（BENN）應用示意圖，該網(wǎng)絡利用 3D 生物打印和電刺激技術。Credit: POSTECH

研究團隊采用3D生物打印技術構建生物工程神經(jīng)網(wǎng)絡（BENN），將大腦分為灰質（神經(jīng)元細胞體）和白質（軸突）兩個仿生區(qū)域。通過電刺激引導軸突定向生長，形成排列整齊的神經(jīng)通路。鈣離子通量監(jiān)測證實該模型具有與實際腦組織相似的電生理反應。研究使用0.03%乙醇（相當于適度飲酒）處理模型三周，發(fā)現(xiàn)灰質區(qū)域阿爾茨海默病相關蛋白（淀粉樣β和tau）水平升高，白質區(qū)域神經(jīng)纖維出現(xiàn)腫脹和扭曲等形態(tài)變化，神經(jīng)信號傳播顯著減弱。這項研究首次實現(xiàn)了酒精神經(jīng)毒性反應的區(qū)域特異性實時可視化和量化，為研究神經(jīng)退行性疾病提供了新工具。研究發(fā)表在 International Journal of Extreme Manufacturing 上。

#疾病與健康 #神經(jīng)機制與腦功能解析 #3D生物打印 #神經(jīng)退行性疾病 #酒精神經(jīng)毒性

閱讀更多：

Bae, Mihyeon, et al. “3D Bioprinted Unidirectional Neural Network and Its Application for Alcoholic Neurodegeneration.” International Journal of Extreme Manufacturing, vol. 7, no. 5, May 2025, p. 055003. Institute of Physics, https://doi.org/10.1088/2631-7990/add632

AI 行業(yè)動態(tài)

OpenAI與微軟權力博弈升級：獨家托管權與利潤分成面臨重大調整

OpenAI正通過一系列商業(yè)談判試圖重塑與微軟（Microsoft）的合作關系。據(jù)The Information報道，OpenAI計劃以重組后33%的股權換取微軟放棄未來利潤分成權，此舉將顯著降低微軟對其財務的直接控制。同時，OpenAI希望修改現(xiàn)有合同，要求微軟放棄Azure云平臺對其模型的獨家托管權，以便能在Google Cloud、Oracle、SoftBank等其他云服務上部署技術。這一調整旨在減少對微軟Azure的依賴，增強業(yè)務靈活性。

此前，微軟通過投資協(xié)議享有OpenAI高達20%的收入分成權，但OpenAI計劃到2030年將這一比例降至約10%。此外，OpenAI還試圖將收購編程公司W(wǎng)indsurf的交易從現(xiàn)有合同中剝離，以阻止微軟獲取其核心知識產(chǎn)權（IP）。這些舉措表明，OpenAI正積極尋求減少微軟對其技術和商業(yè)決策的影響力。

為降低對單一云服務提供商的依賴，OpenAI已與Google Cloud（今年5月達成合作）、SoftBank、Oracle等機構建立合作關系，以多元化其算力來源。這一系列動作不僅反映了OpenAI對獨立性的追求，也揭示了科技巨頭在人工智能領域日益復雜的競爭格局。

#人工智能 #OpenAI #微軟 #云計算 #商業(yè)博弈

閱讀更多：

https://www.wsj.com/tech/ai/openai-and-microsoft-tensions-are-reaching-a-boiling-point-4981c44f

谷歌Gemini 2.5 Flash-Lite發(fā)布：輕量級AI模型竟能實時生成操作系統(tǒng)界面

谷歌近日更新了Gemini系列模型，推出輕量級版本Gemini 2.5 Flash-Lite，并宣布Gemini 2.5 Pro和2.5 Flash的穩(wěn)定版全面可用。據(jù)谷歌CEO Sundar Pichai介紹，F(xiàn)lash-Lite是當前性價比最高的2.5系列模型，專為注重成本效率的大規(guī)模任務優(yōu)化。該模型支持多模態(tài)輸入和100萬token上下文，但默認關閉“思考”功能以提升速度。盡管性能略遜于2.5 Flash，但在部分指標如AIME 2025和FACTS Grounding上表現(xiàn)亮眼。價格方面，F(xiàn)lash-Lite每百萬輸入/輸出token僅需0.1/0.4美元，遠低于2.5 Pro的1.25/10美元。

DeepMind研究副總裁Oriol Vinyals展示了Flash-Lite的驚艷能力——實時生成“神經(jīng)操作系統(tǒng)（Neural OS）”界面，用戶點擊圖標后內容由模型即時生成，甚至每次進入同一文件夾都可能看到不同內容。技術博主Simon Willison測試發(fā)現(xiàn)，F(xiàn)lash-Lite生成SVG圖像的成本僅0.0829美分，但在音頻轉錄任務中遭遇失敗。此外，谷歌技術報告提到Gemini 2.5 Pro在模擬游戲時出現(xiàn)“智能體恐慌”現(xiàn)象，表現(xiàn)為反復提醒治療虛擬角色并伴隨推理能力下降。

目前，Gemini 2.5 Flash-Lite已在Google AI Studio和Vertex AI開放預覽。測試顯示，其能在17秒內編寫貪吃蛇游戲代碼，5.9秒完成高考作文，盡管結果質量參差不齊。開發(fā)者@splinetool已利用2.5 Pro革新3D設計工具，通過自然語言生成交互式場景。此次更新進一步鞏固了Gemini系列在性價比方面的領先地位，為不同需求用戶提供了更靈活的選擇。

#Gemini #AI模型 #谷歌DeepMind #多模態(tài) #性價比

閱讀更多：

https://developers.googleblog.com/en/gemini-2-5-thinking-model-updates/

PublicAI獲1000萬美元融資：打造AI"人類層"，讓全球用戶參與AI經(jīng)濟

PublicAI近日成功獲得1000萬美元融資，致力于構建AI的"人類層"，讓全球用戶通過貢獻數(shù)據(jù)訓練AI和參與人類在環(huán)（HITL）推理來獲得收益。這家總部位于舊金山的公司被稱為"Web3版ScaleAI"，其融資包括由沙特電信集團（Saudi Telecom Group）、區(qū)塊鏈建設者基金（Blockchain Builders Fund）等機構投資的800萬美元A輪，以及此前由IOBC Capital、Solana基金會等投資的200萬美元。PublicAI還受到斯坦福區(qū)塊鏈加速器（Stanford Blockchain Accelerator）孵化支持，該加速器專門扶持斯坦福校友創(chuàng)立的區(qū)塊鏈前沿技術公司。

隨著AI導致崗位替代加劇，PublicAI提出讓人類在AI經(jīng)濟中持續(xù)參與并獲得收益的解決方案。人類在環(huán)（HITL）不僅對AI訓練至關重要，在AI實際決策的推理階段也越來越關鍵。PublicAI正在構建一個去中心化的人類推理層，使人們能夠實時驗證、審查和指導AI輸出。這一創(chuàng)新角色獨立于訓練數(shù)據(jù)，旨在讓人類在AI引發(fā)的就業(yè)危機中保持價值。

#PublicAI# #人類在環(huán)(HITL)# #AI經(jīng)濟# #去中心化數(shù)據(jù)# #腦機接口(BCI)#

閱讀更多：

https://www.theblock.co/post/358434/publicai-secured-10m-to-build-the-human-layer-of-ai

Anthropic 推出 Remote MCP功能

Anthropic 推出 Remote MCP（模型上下文協(xié)議，Model?Context?Protocol）功能，允許開發(fā)者和企業(yè)用戶將 Claude 連接到遠程托管的 MCP 服務器，從而讓 Claude 訪問互聯(lián)網(wǎng)上的工具和數(shù)據(jù)，以串聯(lián)處理復雜的多步驟任務。該功能支持與 Zapier、Asana、Atlassian 等工具無縫整合，使 Claude 能自動執(zhí)行從報告生成到任務管理等多種工作，顯著提高其作為“智能助手”的協(xié)作能力。

Remote MCP 功能通過在 Claude 內部集成 MCP connector，使其可直接調用遠程 MCP 服務器的接口，無需開發(fā)者編寫額外的客戶端整合代碼。該機制支持通過 HTTP（Stream 或 SSE）協(xié)議連接多個服務器，自動完成工具發(fā)現(xiàn)、認證和調用過程，同時管理 OAuth 流程，簡化整合難度。安裝完成后，用戶只需在 Claude 的設置界面添加服務器 URL，系統(tǒng)即可識別服務器中的工具，并在對話中智能選擇調用權限下的工具執(zhí)行操作。

實際案例表明，借助 Zapier 整合，Claude 可自動獲取 HubSpot 銷售數(shù)據(jù)并生成會議摘要，通過 Jira 與 Confluence 配合協(xié)同生成項目文檔和任務項。MCP 采用“最小權限訪問”并結合端到端加密機制，保證數(shù)據(jù)安全。Anthropic 提到，目前社區(qū)已構建超過 1000 個遠程 MCP 服務器，包括 Google Drive、Slack、GitHub 等，多場景應用證明了該功能在提升 AI 工具互操作性和處理復雜項目時的顯著效果。與此同時，升級后的 Advanced Research 模式支持 Claude 跨工具與網(wǎng)絡資源進行長達 45 分鐘的深度研究，輸出包含網(wǎng)頁與工具引用的綜合報告，這標志著 AI 從“對話助手”向“項目執(zhí)行者”轉變。

#神經(jīng)技術 #工具整合 #模型上下文協(xié)議 #AI代理 #遠程MCP

閱讀更多：

https://www.anthropic.com/news/claude-code-remote-mcp

AI 驅動科學

人工神經(jīng)網(wǎng)絡揭示近體神經(jīng)元如何表征身體周圍的空間

大腦如何表征身體周圍的近體空間？中國科學院、意大利理工學院（IIT）等機構的Rory John Bufacchi、Gian Domenico Iannetti團隊通過計算模型發(fā)現(xiàn)，近體神經(jīng)元通過構建自我中心價值地圖來動態(tài)映射環(huán)境，為神經(jīng)機制提供統(tǒng)一解釋。

?人工動作值創(chuàng)建了以身體部位為中心的場，類似于生物體近體神經(jīng)元。a，當物體在接觸時提供獎勵時，智能體會通過向正獎勵物體（蘋果）移動并遠離負獎勵物體（黃蜂）來最大化價值。b，運動指令塑造了以身體部位為中心的場。c，在同時進行攔截和回避任務上訓練的人工神經(jīng)網(wǎng)絡自然地采用了模塊化結構，這有利于在自我中心地圖中使用（左圖，網(wǎng)絡圖）。d，更多的子網(wǎng)絡結構可帶來更好的任務性能。Credit: Bufacchi et al

研究使用強化學習訓練人工神經(jīng)網(wǎng)絡（ANNs），模擬智能體基于行動價值（如接觸蘋果獲獎勵、躲避黃蜂避懲罰）學習攔截或回避任務。ANNs 輸出層神經(jīng)元自發(fā)形成以身體部位為中心的感受野，其特性與生物神經(jīng)元一致：感受野隨刺激速度加快而擴展，工具使用可重塑其邊界，高價值對象引發(fā)更強響應。網(wǎng)絡結構呈現(xiàn)模塊化，攔截和回避任務由獨立子網(wǎng)絡處理，模塊化程度越高任務性能越優(yōu)（實驗顯示子網(wǎng)絡增加顯著提升準確率）。該框架成功擬合恒河猴單神經(jīng)元記錄、功能磁共振成像（fMRI）及行為數(shù)據(jù)，證實自我中心價值地圖可預測環(huán)境變化。研究為神經(jīng)假肢和人機交互提供理論基礎，例如幫助機器人自適應調整交互距離。研究發(fā)表在 Nature Neuroscience 上。

#神經(jīng)科學 #計算模型與人工智能模擬 #神經(jīng)機制與腦功能解析 #強化學習

閱讀更多：

Bufacchi, Rory John, et al. “Egocentric Value Maps of the Near-Body Environment.” Nature Neuroscience, vol. 28, no. 6, June 2025, pp. 1336–47. www.nature.com, https://doi.org/10.1038/s41593-025-01958-7

機器人群藍圖：模仿蜜蜂和螞蟻的無中心建造方式

傳統(tǒng)制造業(yè)依賴精確規(guī)劃，而自然界昆蟲能通過簡單規(guī)則協(xié)同建造復雜結構。賓夕法尼亞大學工程學院的Jiakun Lu、Xiaoheng Zhu、Walker Gosrich、Mark Yim和Jordan R. Raney團隊開發(fā)出分布式機器人建造系統(tǒng)，在計算機模擬中實現(xiàn)了類似蜂窩的自組織建造，為制造業(yè)提供了新范式。

?通過遵循數(shù)學規(guī)則，這些模擬機器人能夠像蜜蜂一樣行動，無需指令就能構建復雜的形狀，這標志著受自然啟發(fā)的制造業(yè)新前沿。Credit: Jordan Raney and Mark Yim

研究團隊設計了12個行為變量（如轉向角度和移動速度）控制虛擬機器人對局部環(huán)境的反應。通過數(shù)千次模擬發(fā)現(xiàn)，當機器人遵循“遇障礙轉向”“保持間距”等簡單規(guī)則時，能自發(fā)形成蜂窩狀結構。與傳統(tǒng)3D打印不同，該系統(tǒng)無需中央控制，單個機器人故障不影響整體進程。力學測試顯示，通過調節(jié)轉向隨機性（stochasticity）可改變結構幾何特征，適量無序使材料韌性提升30%。團隊還建立了規(guī)則-結構-性能（rule-structure-property）關系框架，類比材料科學中的工藝-結構-性能關系。未來計劃開發(fā)電化學沉積的微型機器人實現(xiàn)實物建造。研究發(fā)表在 Science Advances 上。

#AI驅動科學 #自動化科研 #跨學科整合 #仿生機器人 #分布式制造

閱讀更多：

Liu, Jiakun, et al. “Design of Nondeterministic Architected Structures via Bioinspired Distributed Agents.” Science Advances, vol. 11, no. 20, May 2025, p. eadu8260. science.org (Atypon), https://doi.org/10.1126/sciadv.adu8260

新基準揭示LLM與人類編程大師的顯著差距

大型語言模型是否真的具備與人類編程大師相當?shù)乃惴ㄍ评砟芰Γ考~約大學、普林斯頓大學等8家機構的Zihan Zheng、Zerui Cheng等研究者聯(lián)合國際算法競賽獎牌選手，開發(fā)了LiveCodeBench Pro基準測試。結果顯示，當前最先進的LLMs在無工具輔助時，高難度編程題通過率為零，與人類專家存在顯著差距。

研究團隊收集了584道來自Codeforces、ICPC和IOI的編程題目，由奧賽選手標注算法類別（如動態(tài)規(guī)劃、博弈論）。測試發(fā)現(xiàn)，模型在知識密集型問題（如線段樹、圖論）中表現(xiàn)尚可，pass@1達53%，但在觀察密集型問題（如博弈論、特定問題特定分析）中評分驟降至1500分以下（人類平均2000+分）。深度分析顯示，模型失敗主因是算法邏輯錯誤（比人類多34例），而非實現(xiàn)錯誤（比人類少25例）。增加嘗試次數(shù)（pass@k）雖能提升性能，但高難度題仍無法攻克。

#大模型技術 #預測模型構建 #算法推理 #競技編程 #AI局限性

閱讀更多：

Zheng, Zihan, et al. LiveCodeBench Pro: How Do Olympiad Medalists Judge LLMs in Competitive Programming? arXiv:2506.11928, arXiv, 13 June 2025. arXiv.org, https://doi.org/10.48550/arXiv.2506.11928

Transformer架構如何導致大語言模型的位置偏見

大型語言模型為何總忽略文本中間內容？麻省理工學院的Xinyi Wu、Yifei Wang、Stefanie Jegelka和Ali Jadbabaie團隊通過圖論分析揭示，Transformer的因果掩碼（causal mask）設計會系統(tǒng)性偏重序列開頭，而訓練數(shù)據(jù)進一步放大了這種效應。

?分析中使用了三種類型的注意力掩碼及其對應的有向圖 G（為清晰起見，省略了自循環(huán)）。從詞條 j 到詞條 i 的有向邊表示 i 關注詞條 j。中心節(jié)點（定義 3.1）以黃色突出顯示，表示可以被序列中所有其他詞條直接或間接關注的詞條。如上圖所示，圖論公式捕捉了詞條對整體語境的直接和間接貢獻，從而提供了多層注意力機制下詞條交互的全面視圖。Credit: arXiv (2025).

研究團隊將注意力機制建模為多層有向圖，量化詞條（token）間的依賴傳播。理論分析表明，因果掩碼使每個詞條過度依賴序列前部，形成累積偏差；而旋轉位置編碼（RoPE）雖能強化局部關聯(lián)，但效果隨網(wǎng)絡加深而減弱。在信息檢索實驗中，模型對開頭內容的準確率達81.6%，中間驟降至63.7%，呈現(xiàn)典型U型曲線。通過調整掩碼策略（如采用滑動窗口注意力）和精簡注意力層數(shù)，可使偏差降低40%。該框架已應用于醫(yī)療AI系統(tǒng)，在處理長病歷時的關鍵信息漏檢率下降28%。研究為高風險領域的大模型部署提供了可靠性保障方案。

#大模型技術 #預測模型構建 #計算模型與人工智能模擬 #自然語言處理 #機器學習

閱讀更多：

Wu, Xinyi, et al. On the Emergence of Position Bias in Transformers. arXiv:2502.01951, arXiv, 17 June 2025. arXiv.org, https://doi.org/10.48550/arXiv.2502.01951

晶圓級加速器：突破AI計算瓶頸的下一代芯片技術

AI模型規(guī)模爆炸式增長導致傳統(tǒng)GPU性能捉襟見肘。加州大學河濱分校的Mihri Ozkan、Lily Pompa、Md Shaihan Bin Iqbal等跨學科團隊通過系統(tǒng)比較發(fā)現(xiàn)，晶圓級加速器在計算密度和能效方面具有革命性優(yōu)勢，為AI硬件發(fā)展指明新方向。

研究團隊采用對比分析法，詳細評估了Cerebras WSE-3（含4萬億晶體管和90萬個AI專用核心）和特斯拉Dojo D1（含1.25萬億晶體管）與主流NVIDIA H100 GPU的架構差異。關鍵技術指標顯示，晶圓級設計通過消除芯片間數(shù)據(jù)通信，將延遲從毫秒級降至納秒級。采用乙二醇冷卻回路的WSE-3在推理任務中僅需同等GPU集群六分之一功耗，而TSMC的晶圓上芯片封裝（CoWoS）技術有望將計算密度提升40倍。不過，單片晶圓高達10,000瓦的熱設計功率對冷卻系統(tǒng)提出嚴峻挑戰(zhàn)，且制造成本比傳統(tǒng)GPU高出一個數(shù)量級。該技術已成功應用于氣候模擬和碳捕獲建模，推動可持續(xù)計算發(fā)展。研究發(fā)表在 Device 上。

#大模型技術 #計算模型與人工智能模擬 #芯片技術 #能效優(yōu)化 #AI硬件

閱讀更多：

Ozkan, Mihrimah, et al. “Performance, Efficiency, and Cost Analysis of Wafer-Scale AI Accelerators vs. Single-Chip GPUs.” Device, vol. 0, no. 0, June 2025. www.cell.com, https://doi.org/10.1016/j.device.2025.100834

自動化還是增強？WORKBank數(shù)據(jù)庫解碼AI與人類最佳協(xié)作模式

AI代理如何改變工作方式？斯坦福大學的Yijia Shao、Humishka Zope、Yucheng Jiang、Jiaxin Pei、David Nguyen、Erik Brynjolfsson和Diyi Yang團隊通過大規(guī)模調查發(fā)現(xiàn)，勞動者對46.1%的任務自動化持開放態(tài)度，但期望與技術能力存在顯著錯配。研究構建了首個涵蓋1,500名勞動者和52名專家反饋的WORKBank數(shù)據(jù)庫。

研究團隊開發(fā)了結合音頻訪談的新型審計框架，并引入人類能動性量表（HAS）量化人類參與偏好。通過分析美國勞工部O*NET數(shù)據(jù)庫中的844項任務，發(fā)現(xiàn)勞動者最希望自動化低價值重復性工作，而技術能力與期望的匹配度僅41%。研究將任務劃分為四個區(qū)域：自動化綠燈區(qū)（高需求高能力）、紅燈區(qū)（高能力低需求）、研發(fā)機會區(qū)（高需求低能力）和低優(yōu)先級區(qū)（雙低）。值得注意的是，45.2%的職業(yè)傾向于人機平等協(xié)作（H3級別），且AI整合正推動核心技能從信息處理轉向人際能力。這些發(fā)現(xiàn)為AI開發(fā)方向與勞動力培訓提供了重要依據(jù)。

#大模型技術 #自動化科研 #跨學科整合 #勞動力市場 #人機協(xié)作

閱讀更多：

Shao, Yijia, et al. Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce. arXiv:2506.06576, arXiv, 11 June 2025. arXiv.org, https://doi.org/10.48550/arXiv.2506.06576

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(qū)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(chuàng)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(yī)院、上海市精神衛(wèi)生中心設立了應用神經(jīng)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(jīng)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(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、、等。