童年困境，终身烙印；用AI重塑教科书；听懂婴儿哭声靠的是经验

脑科学动态

学习物体操控规律并未加速其进入视觉意识

煤气灯操纵新解：你的大脑是如何被“训练”来怀疑自己的？

童年困境，终身烙印：社会经历如何在大脑中留下痕迹

揭示运动后代谢物Lac-Phe抑制食欲的神经机制

45%的痴呆风险可控！专家呼吁将生活方式干预纳入公共卫生核心

听懂婴儿哭声靠的是经验，而非天性

大脑节律揭示了大脑如何选择处理信息的路线

挚友与手足：青少年应对家庭压力的“情绪缓冲垫”

AI行业动态

AI重塑教科书，让每个学生拥有专属学习路径

李飞飞团队：单张图片生成可无限探索的3D世界

谷歌DeepMind预警：一个由AI主导的“沙盒经济”正在形成

AI赋能长寿科技，首款“大脑返老还童药”将迎临床试验

AI驱动科学

人工智能从学生面部表情中发现抑郁症的隐藏迹象

解码“吞咽”：数学模型首次模拟食管运动全过程

用光控制神经肌肉驱动机器人爬行

AI训练遭遇“数据荒”？新框架可筛选高质量合成数据

AI能耗难题新解：康奈尔大学“双重任务”芯片架构可节能20%

模拟人形机器人学会自主穿越崎岖地形

教AI懂规矩：新算法让机器在逻辑与学习中掌握道德准则

脑科学动态

学习物体操控规律并未加速其进入视觉意识

我们的身体运动如何影响我们能有意识地看见什么？来自萨塞克斯大学（University of Sussex）等机构的 Paweł Motyka, Anil K. Seth 及其同事，利用虚拟现实技术进行了探索。他们的研究结果表明，仅仅学会一个物体的运动规律，并不能让这个物体更快地突破抑制、进入我们的意识。

研究团队设计了一套沉浸式虚拟现实实验。参与者首先在“感觉运动掌握任务”中学习手动控制陌生的3D物体，这些物体会根据四种不同规则响应参与者的动作：运动方向与操作一致、相反、呈90度（新奇），或完全随机。随后，研究人员使用连续闪光抑制（continuous flash suppression, CFS，一种通过向一只眼睛呈现高对比度动态图像来压制另一只眼睛看到的静态图像，使其无法进入主观意识的技术）范式，来测试参与者对这些物体的“意识突破”速度。

根据感觉运动理论，研究者假设，那些遵循可学习规律（无论是一致、相反还是新奇）的物体，会比运动完全随机的物体更快地被意识到。然而，实验结果出乎意料。尽管参与者在控制任务中的表现确实随着规律的复杂性增加而下降，证明了他们正在学习这些规则，但在关键的意识测试中，所有条件下物体的“突破”时间并无显著差异。这一结果表明，动作与视觉结果之间的空间对应关系（空间一致性），在决定一个物体能否进入意识方面，其作用可能微乎其微，远不如两者在时间上的紧密耦合（时间偶然性）重要。研究发表在 Consciousness and Cognition 上。

#认知科学 #意识模拟 #虚拟现实 #感觉运动理论 #意识

阅读更多：

“Investigating the Role of Sensorimotor Spatial Dependencies in Shaping Conscious Access to Virtual 3D Objects.” Consciousness and Cognition, vol. 135, Oct. 2025, p. 103934. www.sciencedirect.com, https://doi.org/10.1016/j.concog.2025.103934

煤气灯操纵新解：你的大脑是如何被“训练”来怀疑自己的？

煤气灯效应（Gaslighting）是一种持续性的心理操控，指操纵者通过否定、歪曲事实、提供错误信息等方式，让受害者质疑自己的记忆力、感知能力、判断力和精神状态，从而失去自我，最终达到控制和操纵的目的。但其背后的科学机制仍是谜团。来自麦吉尔大学和多伦多大学的 Willis Klein, Suzanne Wood, Jennifer A. Bartz 等研究人员，提出了一个理论模型，指出这种心理操纵本质上是利用并扭曲了大脑的基本学习过程。

该研究摒弃了传统的心理动力学视角，引入了认知科学中的核心概念——预测误差最小化（prediction error minimization，简称PEM，指大脑通过不断预测外部世界、并根据预期与现实的差异来更新自身认知的过程）来解释煤气灯操纵。研究团队构建的理论模型指出，操纵者首先通过违反常规的行为，在受害者大脑中制造出强烈的“预测误差”。关键在于，操纵者随后会引导受害者相信，产生这种误差的原因并非操纵者的行为异常，而是受害者自身的记忆、感知或判断出了问题，即让受害者感到“认知能力不足”（epistemically incompetent）。

在一段充满信任的亲密关系中，我们通常会依赖对方来确认和理解现实。操纵者正是利用了这种信任，获得了扭曲受害者现实感的强大杠杆。通过一次又一次地重复这种模式，受害者的大脑会逐渐“学会”一个灾难性的结论：自己的感觉和记忆是不可靠的。这个被扭曲的学习过程最终会导致受害者丧失自信，怀疑自己的心智健全，陷入情感和精神的不稳定中。该模型强调，任何人只要信任了错误的对象，都可能成为受害者，因为它利用的是人类共通的社会认知机制。研究发表在 Personality and Social Psychology Review 上。

#疾病与健康 #心理健康与精神疾病 #认知模型 #煤气灯效应

阅读更多：

Klein, Willis, et al. “A Theoretical Framework for Studying the Phenomenon of Gaslighting.” Personality and Social Psychology Review, June 2025. Sage CA: Los Angeles, CA, journals.sagepub.com, https://doi.org/10.1177/10888683251342291

童年困境，终身烙印：社会经历如何在大脑中留下痕迹

生命中的社会经历如何累积并影响大脑健康与痴呆风险？来自都柏林圣三一学院（Trinity College Dublin）全球脑健康研究所的 Joaquin Migeot 和 Agustin Ibanez 领导的国际团队，通过对拉丁美洲人群的研究，系统揭示了不良社会生活经历的累积效应对认知、心理及大脑结构的持久损害。

▷ 研究设计和分析流程。Credit: Nature Communications (2025).

该研究对来自六个拉丁美洲国家的2,211名参与者进行了评估，其中包括健康老人以及阿尔茨海omer病和额颞叶变性患者。研究团队首创了一个名为“多维社会暴露组”（multidimensional social exposome，指个体一生中经历的教育、经济压力、童年逆境、医疗可及性等社会因素的总和）的综合评估工具，旨在量化社会环境的累积影响。研究发现，社会暴露组越不利，参与者的认知能力和日常生活功能就越差，同时精神健康问题也更严重。脑影像分析进一步揭示，这些社会层面的逆境确实在大脑中留下了“烙印”，与额叶、颞叶等关键脑区的结构和功能连接改变显著相关。尤其值得注意的是，这种贯穿一生的累积效应，比任何单一因素（如受教育年限）更能准确地预测大脑的健康状况。研究强调，食物不安全、经济压力和医疗资源匮乏是影响大脑健康的关键社会因素，并提出预防痴呆的措施应从改善儿童和青年的社会环境开始。研究发表在 Nature Communications 上。

#疾病与健康 #神经机制与脑功能解析 #心理健康与精神疾病 #疾病预防

阅读更多：

Migeot, Joaquin, et al. “Social Exposome and Brain Health Outcomes of Dementia across Latin America.” Nature Communications, vol. 16, no. 1, Sept. 2025, p. 8196. www.nature.com, https://doi.org/10.1038/s41467-025-63277-6

揭示运动后代谢物Lac-Phe抑制食欲的神经机制

运动为何能抑制食欲？来自贝勒医学院（Baylor College of Medicine）、南佛罗里达大学（University of South Florida）和斯坦福大学医学院的 Yang He, Yong Xu, Jonathan Long 及同事们，发现运动后产生的一种名为Lac-Phe的分子，能直接作用于大脑的“饥饿中枢”，从而有效降低食欲。

▷ Lac-Phe 激活的 PVH 神经元进行狂犬病追踪。Credit: Nature Metabolism (2025).

该研究聚焦于大脑下丘脑中两种功能相反的神经元：促进饥饿的刺鼠相关蛋白神经元（AgRP neurons）和抑制饥饿的室旁核神经元（PVH neurons）。在正常情况下，AgRP神经元会抑制PVH神经元，使我们产生饥饿感。研究团队在小鼠实验中发现，运动后产生的代谢物Lac-Phe能够直接作用于AgRP神经元，使其活性降低。这一抑制作用解除了对PVH神经元的束缚，导致后者被激活，最终达到抑制食欲、减少进食的效果。为了探究更深层的分子机制，研究人员发现Lac-Phe是通过激活AgRP神经元表面的一种名为ATP敏感性钾通道（KATP channel，一种调节细胞电活动的离子通道）来发挥作用的。当这个通道被激活，AgRP神经元就会变得“沉默”。作为验证，当研究者使用药物或基因技术阻断该通道后，Lac-Phe便无法再抑制小鼠的食欲，这证实了KATP通道是其发挥作用的关键靶点。这项研究不仅清晰地描绘了运动抑制食欲的神经通路，也为开发模拟运动减肥效果的新疗法提供了潜在靶点。研究发表在 Nature Metabolism 上。

#疾病与健康 #神经机制与脑功能解析 #肥胖 #新陈代谢

阅读更多：

Liu, Hailan, et al. “Lac-Phe Induces Hypophagia by Inhibiting AgRP Neurons in Mice.” Nature Metabolism, Sept. 2025, pp. 1–14. www.nature.com, https://doi.org/10.1038/s42255-025-01377-9

45%的痴呆风险可控！专家呼吁将生活方式干预纳入公共卫生核心

面对日益严峻的认知衰退公共卫生危机，我们能否主动预防？美国佛罗里达大西洋大学（Florida Atlantic University）的 John Dunn 和 Charles H. Hennekens 等研究人员发表评论指出，高达45%的痴呆症风险与生活方式相关，通过系统回顾大规模临床试验证据，他们强调了健康习惯在保护大脑方面的巨大潜力。

该评论文章综合分析了包括美国POINTER试验和芬兰FINGER试验在内的多项大规模随机对照研究。这些研究将认知衰退高风险的老年人随机分为两组，一组接受高强度的多领域生活方式干预，包括规律体育锻炼、遵循地中海饮食与DASH饮食相结合的健康膳食模式、积极参与认知刺激和社交活动；另一组则接受常规健康指导。结果显示，经过两年的干预，接受高强度生活方式干预的参与者在整体认知能力，特别是记忆力、注意力和计划决策等执行功能方面，表现出具有统计学意义和临床意义的显著改善。

研究者进一步探讨了其背后的生物学机制。例如，体育活动能增加脑源性神经营养因子（brain-derived neurotrophic factor, BDNF，一种支持神经元生长的关键蛋白），促进负责记忆的海马体健康；而健康的饮食模式则能降低体内的氧化应激和炎症水平。这些发现共同证明，改变生活方式是一种低风险、低成本且高效的策略，不仅能降低心血管疾病风险，同样对维护大脑健康、延缓认知衰退具有变革性潜力。研究发表在 The American Journal of Medicine 上。

#疾病与健康 #疾病预防 #阿尔茨海默病 #生活方式干预

阅读更多：

Dunn, John, et al. “Prospects for Clinicians to Reduce Cognitive Decline in Elderly Patients.” The American Journal of Medicine, vol. 0, no. 0, Aug. 2025. www.amjmed.com, https://doi.org/10.1016/j.amjmed.2025.08.042

听懂婴儿哭声靠的是经验，而非天性

理解婴儿哭声是靠直觉还是经验？针对社会上流传的“母性本能”说法，生物声学研究者 Nicolas Mathevon 及其同事进行了一系列研究，颠覆了传统认知。他们的研究表明，任何尽职的照顾者都能通过学习成为解读哭声的专家，这一能力并非母亲独有的天赋。

研究团队首先挑战了“哭声语言”假说。他们收集了3600小时的婴儿哭声音频，并让机器学习算法和人类听众尝试分辨哭声背后的具体原因（例如饥饿或不适）。结果显示，两者的准确率都仅在36%左右，与随机猜测无异，这证明仅凭声音无法解读婴儿的具体需求，情境信息至关重要。那么，哭声到底传递了什么？

研究发现，哭声可靠地编码了两类信息：一是婴儿独特的声学身份，二是其痛苦的紧急程度。后者并非通过音高或音量，而是通过一种名为声学粗糙度（acoustic roughness，指因声带不规则振动产生的混乱、刺耳的声音特质）的指标来传达。一个和谐的哭声可能仅表示轻微不快，而一个粗糙刺耳的哭声则是严重痛苦的警报。更重要的是，研究彻底否定了“母性本能”的存在。实验证明，父亲与母亲在识别自己孩子哭声方面的能力没有差异，唯一的决定因素是与孩子相处的时间。神经影像研究进一步揭示了其背后机制：经验会重塑大脑。听到哭声时，父母的大脑会激活一个专门的“婴儿哭声脑连接组”（baby-cry brain connectome），且相较于非父母的原始情感反应，父母的大脑更倾向于激活与解决问题相关的脑区。这些发现强调，育儿是一项可以通过实践习得的技能，而非天生的本能。

#认知科学 #神经机制与脑功能解析 #心理健康与精神疾病 #育儿科学

阅读更多：

https://www.nature.com/articles/s44271-023-00022-z

大脑节律揭示了大脑如何选择处理信息的路线

大脑如何根据情境（如熟悉或新奇）灵活切换信息处理模式？西班牙跨学科物理与复杂系统研究所的 Claudio Mirasso 和神经科学研究所的 Santiago Canals 及其团队发现，大脑通过精巧地平衡两种抑制性神经回路，来调控不同频率脑电波的相互作用，从而决定是优先处理来自外部环境的新信息，还是调用已有的记忆。

▷ 快慢脑活动频率之间的耦合。暖色区域表示相互作用较强，在本例中，γ波段频率（Y 轴）和θ波段频率（X 轴）之间相互作用较强。颅内记录的脑活动以白色覆盖。Credit: Instituto de Neurociencias UMH-CSIC

研究团队结合了计算模型与大鼠在不同环境中导航的真实脑电数据，深入探究了大脑信息处理的“路由”机制。他们发现，大脑中慢速的θ波（theta rhythms）和快速的γ波（gamma rhythms）之间的相互作用并非一成不变，而是通过一种名为跨频耦合（cross-frequency coupling，指不同频率的脑电波活动相互协调的现象）的机制进行双向调控。这一调控的关键在于两种不同的神经抑制回路：前馈抑制（feedforward inhibition）和反馈抑制（feedback inhibition）。当大脑处理熟悉信息时，反馈抑制回路占据主导地位，此时θ波会组织和调控γ波的活动，这有助于从海马体等脑区高效地提取和激活已有的记忆。相反，当面对一个全新的环境或刺激时，前馈抑制回路则会增强，使得γ波能够反过来影响θ波的节律，这种模式更利于大脑整合新的感官输入，从而更新或形成新的记忆。研究表明，这两种模式之间的转换是平滑且动态的，完全取决于神经元之间连接强度的微小变化，这赋予了大脑极高的计算灵活性，使其能够根据认知需求，无缝地在“回忆模式”与“学习模式”之间切换。研究发表在 PLOS Computational Biology 上。

#神经科学 #神经机制与脑功能解析 #计算模型与人工智能模拟 #记忆机制

阅读更多：

Chalkiadakis, Dimitrios, et al. “The Role of Feedforward and Feedback Inhibition in Modulating Theta-Gamma Cross-Frequency Interactions in Neural Circuits.” PLOS Computational Biology, vol. 21, no. 8, Aug. 2025, p. e1013363. PLoS Journals, https://doi.org/10.1371/journal.pcbi.1013363

挚友与手足：青少年应对家庭压力的“情绪缓冲垫”

青春期早期是心理健康的关键期，家庭环境如何与同伴关系共同影响孩子成长？多伦多城市大学的 Ryan J. Persram, Melissa Commisso 和 William M. Bukowski 团队研究发现，与挚友和兄弟姐妹建立的稳固关系，能有效缓冲家庭功能失调带来的负面影响，成为青少年重要的情绪“安全网”。

该研究对335名10至13岁的青少年及其父母进行了长达数年的纵向跟踪。研究人员通过问卷调查，评估了家庭功能的多个维度，如家庭凝聚力（family cohesion，指家庭成员间的情感联系）和家庭混乱度（family chaos，指家庭环境的组织性和可预测性），并收集了青少年关于自身抑郁情绪、以及与挚友和兄弟姐妹关系安全感的报告。分析结果清晰地表明，家庭混乱是预测青少年未来抑郁情绪增加的一个重要风险因素。然而，这种负面影响并非不可改变。研究发现，高质量的同伴关系起到了关键的缓冲作用。当青少年与挚友的关系稳固且充满安全感时，家庭混乱带来的负面影响会显著减弱。反之，缺乏安全友谊的青少年在混乱的家庭环境中更容易出现抑郁情绪。同样，稳固的兄弟姐妹关系也能增强家庭积极因素的作用；在凝聚力强的家庭中，与手足关系亲密的青少年表现出最低水平的抑郁情绪。这项研究强调，家庭之外的亲密关系对于青少年应对压力、维持心理健康至关重要。研究发表在 Journal of Applied Developmental Psychology 上。

#疾病与健康 #心理健康与精神疾病 #青少年发展 #家庭功能

阅读更多：

“Family Functioning and Youth Adjustment: The Role of Sibling and Friend Security.” Journal of Applied Developmental Psychology, vol. 99, July 2025, p. 101829. www.sciencedirect.com, https://doi.org/10.1016/j.appdev.2025.101829

AI 行业动态

谷歌Learn Your Way：AI重塑教科书，让每个学生拥有专属学习路径

谷歌研究团队近日推出了一项名为Learn Your Way的实验性项目，旨在利用生成式AI ，彻底改变传统教材的呈现方式。传统教材因其“千人一面”的固定内容，难以满足不同学习背景和兴趣学生的个性化需求。而Learn Your Way则将静态的教材转变为一个动态的、可交互的学习平台，能够根据每个学生的年级、兴趣偏好和学习进度，量身定制学习内容与形式，从而实现真正的个性化教育。

该项目的核心技术是一个名为LearnLM的专用AI模型，它深度融合了教育学原理，并集成在Gemini 1.5 Pro中。其工作流程分为两大步骤。首先是“个性化处理”，系统会根据学生输入的年级和兴趣，自动调整教材的语言难度，并将通用示例替换为与学生兴趣相关的内容。在此基础上，系统进入“多模态表示”阶段，将个性化后的文本生成为多种学习形式，包括带有小问题的沉浸式文本、用于即时反馈的测验、附带语音讲解的幻灯片课程以及模拟师生对话的音频课程，让学生可以选择最适合自己的方式进行学习。

为了验证这一方法的有效性，谷歌的研究人员在芝加哥进行了一项小型对照实验。结果显示，使用Learn Your Way的高中生在短期理解和长期记忆测试中的平均成绩，分别比使用传统PDF教材的对照组高出9%和11%。学生反馈也极为积极，几乎所有体验者都表示该工具增强了他们应对考试的信心，并愿意继续使用。这项研究不仅证明了技术在提升学习效果上的潜力，更预示着教育的未来图景：学习将不再是千篇一律的过程，而是转变为一个支持多样化学习方式、提供即时反馈并最终实现因材施教的个性化旅程。

#个性化学习 #生成式AI #教育科技 #谷歌 #LearnLM

阅读更多：

https://research.google/blog/learn-your-way-reimagining-textbooks-with-generative-ai

李飞飞团队发布世界模型新成果：单张图片生成可无限探索的3D世界

李飞飞的初创公司World Labs近日公布了其在世界模型研究上的最新突破，推出了一款能够从单一图像或文本提示生成可无限探索的3D虚拟世界的先进模型。用户只需提供一个简单的输入，该模型便能构建出一个具备持久存在性、风格统一且几何结构清晰的宏大世界。这一进展被视为空间智能领域的一大步，尤其在游戏开发、虚拟现实和数字内容创作等领域展现出巨大的变革潜力。目前，该模型已通过其全新平台Marble发布了beta预览版，并开放用户申请试用。

与以往的模型相比，World Labs的这项新成果在多个维度实现了显著提升。首先，它生成了更完整、更复杂的几何结构，用户不仅可以在场景中自由漫游，甚至可以探索输入视角之外的“隐藏”空间。其次，该模型在风格多样性上表现出色，无论是卡通渲染还是写实主义风格，都能精准转换并保持整个世界的一致性。更重要的是，研究人员实现了将多个独立生成的场景无缝拼接的能力，从而构建出远超单个房间规模的宏大环境，为创作者提供了前所未有的想象空间。用户还可以将生成的世界导出为高斯点云，以便在网页或VR等下游项目中继续使用。

在被问及与谷歌Genie等其他世界模型的区别时，李飞飞强调其模型生成的虚拟世界具有“永久持续性”。这意味着用户创建的世界可以被随时访问、保存并通过链接分享，没有时间限制，为长期项目和协作创作提供了坚实基础。这项技术不仅在技术上令人瞩目，其免费开放试用的策略也获得了早期用户的高度评价。通过解决此前生成式3D技术在规模、一致性和持久性上的痛点，World Labs的研究成果正为我们开启一个“一切想象皆可成为现实”的新时代。

#GoogleVeo3 #AI视频生成 #成本降低 #原生音频 #DeepMind

阅读更多：

https://x.com/drfeifei/status/1967988112673632594

谷歌DeepMind预警：一个由AI主导的“沙盒经济”正在形成

Google DeepMind与多伦多大学的研究人员联合发布报告指出，一个由AI智能体独立创造价值的新经济层正在悄然形成。研究人员将这一新兴系统命名为沙盒经济 （Sandbox Economy: 指一个受控的虚拟环境，旨在让AI智能体在其中安全可靠地进行经济交互与协作），并认为当前的发展趋势正导向一个自发涌现且与人类经济高度渗透的体系。DeepMind高级研究科学家Nenad Tomasev表示，随着智能体系统以前所未有的规模和速度进行交易与协作，这一新经济形态的出现已不可避免。

这个新兴经济已在多个领域初现端倪。在科学研究领域，名为Gauss的AI智能体仅用三周便解决了复杂的数学难题；在机器人领域，智能体已能承担家务劳动和工业分拣等工作；而在个人助理方面，它们可以帮助用户处理订餐、整理资料等日常事务。然而，当多个智能体为不同用户争夺同一资源时，冲突便会产生。为此，研究人员提出建立虚拟市场机制，通过让智能体使用“虚拟货币”竞标资源，以市场化方式实现公平高效的资源分配，确保用户的利益不会因其智能体的能力差异而受损。

为确保这一新兴经济的健康发展，研究人员强调了在法律、技术和政策层面建立有效监管的重要性。这包括突破传统的追责模式，建立多智能体协作下的“集体责任实体”；推广如MCP协议等互操作标准，以避免形成封闭的技术孤岛；并搭建一个由AI实时监控、自动化协议快速响应和人类专家最终裁决的“三级监督”体系。随着全球首个AI智能体交易市场MuleRun的上线，这一概念正加速变为现实，预示着社会需要在教育体系和社会保障方面做出相应调整，以迎接人机协作的新时代。

#OpenAI #ChatGPT #语音交互 #实时翻译 #AI升级

阅读更多：

https://arxiv.org/abs/2509.10147

奥特曼的“续命”豪赌：AI赋能长寿科技，首款“大脑返老还童药”将迎临床试验

OpenAI首席执行官Sam Altman正将其雄厚的财力和对前沿科技的信念，投入到延长人类健康寿命的宏伟事业中。他已向生物技术初创公司Retro Biosciences注入了全部1.8亿美元的种子轮资金，支持该公司实现将人类健康寿命延长十年的目标。这家公司不仅在传统生物医药领域进行探索，更与Altman的本行——人工智能——紧密结合。此前，Retro Biosciences就曾与OpenAI合作，开发了一款名为GPT-4b-micro的AI模型，专门用于蛋白质工程，并在将普通细胞转化为干细胞的实验中展现出惊人的效率。

Retro Biosciences的首席执行官Joe Betts-LaCroix透露，公司计划于2025年底启动首个人体临床试验，测试其代号为RTR242的实验性药物。这款药物的核心目标是逆转阿尔茨海默病，其作用机制是通过重启人体的自噬 (Autophagy: 细胞处理和回收自身受损部件的机制，如同一个细胞内部的垃圾回收系统)过程。研究人员认为，随着年龄增长，这一关键的细胞“清洁”功能会减弱甚至停滞，导致有害物质在脑细胞中积聚。RTR242旨在重新激活这一系统，清除与阿尔茨海默病和帕金森病相关的“细胞垃圾”，从而修复损伤，这与当前主流药物清除大脑斑块的思路有所不同。

在CEO Joe Betts-LaCroix的领导下，Retro Biosciences正试图平衡稳健的药物开发与激进的“登月式”构想。一方面，像RTR242这样的项目代表了其针对特定疾病的谨慎策略；另一方面，通过GPT-4b-micro等AI工具，公司正探索颠覆性的疗法，希望将人体的生物状态“重置”到更年轻的阶段。除了神经退行性疾病，该公司还在开发针对血液疾病和中枢神经系统疾病的疗法。在众多由科技巨头支持的长寿公司中，如亚马逊创始人Jeff Bezos投资的Altos Labs，Retro Biosciences凭借其独特的AI融合策略和明确的临床试验路线图，正成为该领域备受瞩目的参与者。

#SamAltman #长寿科技 #生物技术 #人工智能 #阿尔茨海默病

阅读更多：

https://www.businessinsider.com/retro-biosciences-sam-altman-antiaging-brain-pill-longevity-healthspan-2025-9?IR=T

AI 驱动科学

人工智能从学生面部表情中发现抑郁症的隐藏迹象

如何及早发现抑郁症的苗头？日本早稻田大学的 Eriko Sugimori 和 Mayu Yamaguchi 针对这一问题，开发并验证了一种新方法。他们利用人工智能发现，亚阈值抑郁症（一种轻微的抑郁状态）患者的面部表情存在人眼无法察觉的特定模式，这为无创的早期心理健康筛查开辟了新途径。

▷ 研究人员现已开发出一种基于人工智能的新型面部分析工具，用于发现与亚阈值抑郁症相关的眼部和口部运动的细微差异。这些肉眼无法察觉的非语言线索，有助于在学校、大学和工作场所进行早期、非侵入性的心理健康筛查。Credit: Dr. Eriko Sugimori from Waseda University, Japan

研究团队让64名大学生录制简短的自我介绍视频，并由另一组同龄人对其进行印象评分。同时，他们使用名为OpenFace 2.0的人工智能工具，对视频中每一个面部肌肉的微小运动进行量化分析，这些微运动被称为动作单元（Action Units）。结果显示，被诊断为亚阈值抑郁症（subthreshold depression，简称StD，指症状轻微但未达到临床诊断标准的抑郁状态）的学生，在同龄人眼中显得不那么友好和富有表现力。更重要的是，人工智能的分析揭示了肉眼无法察觉的秘密：StD学生的特定面部微表情，如内眉上提、上眼睑抬起和嘴唇伸展等动作，其发生频率和强度显著更高。这些细微的肌肉运动与抑郁症的严重程度密切相关。这项研究证明，人工智能可以捕捉到反映潜在心理健康问题的非语言线索，有望应用于学校、大学和工作场所，作为一种高效、便捷的心理健康早期预警工具。研究发表在 Scientific Reports 上。

#AI驱动科学 #心理健康与精神疾病 #面部表情识别

阅读更多：

Sugimori, Eriko, and Mayu Yamaguchi. “Subthreshold Depression Is Associated with Altered Facial Expression and Impression Formation via Subjective Ratings and Action Unit Analysis.” Scientific Reports, vol. 15, no. 1, Aug. 2025, p. 30761. www.nature.com, https://doi.org/10.1038/s41598-025-15874-0

解码“吞咽”：数学模型首次模拟食管运动全过程

吞咽困难为何发生？其复杂的肌肉运动机制仍是未解之谜。日本九州大学的 Takashi Miura 与城西大学、北海道大学的研究人员合作，开发了一个创新的数学模型，首次成功模拟了从健康到病理状态下食管的完整运动过程。

▷ 人类食管蠕动。Credit: Royal Society Open Science (2025).

研究团队利用数学方程式，并结合来自临床高分辨率测压（high-resolution manometry，一种精确测量食管内部压力的技术）的数据，构建了一个能够模拟食管蠕动的计算模型。该模型不仅包含了大脑和局部神经的信号调控，还精确描绘了下食道括约肌如同开关一般的开合行为。该模型成功再现了正常吞咽中的复杂现象，例如吞咽抑制（deglutitive inhibition，当人们连续快速吞咽时，只有最后一次吞咽会触发完整的蠕动波）。更重要的是，通过调整神经信号强度或肌肉收缩力等关键参数，研究人员能够准确模拟出芝加哥分类（Chicago Classification，国际公认的食管动力障碍诊断标准）中定义的多种疾病模式。这一突破意味着该模型可以作为一个强大的理论工具，帮助探索不同吞咽障碍的根本原因，为开发个性化治疗方案和筛选新药提供了全新的思路。研究发表在 Royal Society Open Science 上。

#疾病与健康 #计算模型与人工智能模拟 #吞咽障碍 #数学模型

阅读更多：

Miura, Takashi, et al. “A Mathematical Model of Human Oesophageal Motility Function.” Royal Society Open Science, Aug. 2025. world, royalsocietypublishing.org, https://doi.org/10.1098/rsos.250491

用光控制神经肌肉驱动机器人爬行

如何让机器人像生物一样，通过神经信号驱动肌肉运动？为解决这一挑战，伊利诺伊大学厄巴纳-香槟分校的 Rashid Bashir, Hyegi Min 及同事们，联合西北大学等机构的研究人员，成功开发出一款集成了活体神经和肌肉组织的生物混合爬行器，并首次利用光遗传学技术实现了对其运动的无线、精准控制。

▷ 生物混合机器人的光学图像——由聚合物支架、骨骼肌组织、神经元和无线微电子芯片制成。Credit: Min et al.

研究团队首先通过3D打印技术构建了一个柔性水凝胶骨架，随后将源自小鼠干细胞的骨骼肌组织和运动神经元整合其上，形成了功能性的神经肌肉接头（neuromuscular junction, NMJ，即神经元与肌肉细胞传递信号的连接点）。关键创新在于，这些神经元经过基因改造，能够对特定波长的光做出反应。研究人员为机器人装配了微型无线LED芯片，使其能接收外部指令，通过发射光脉冲来激活神经元。 实验证明，通过改变光刺激的频率，可以精确调控机器人的爬行速度。研究还发现了一种类似“肌肉记忆”的现象：仅需1分钟的2赫兹光刺激，就能诱发长达20分钟的持续肌肉收缩。这一生物混合系统表现出优异的稳定性，其机械功能可维持超过两周。这项工作不仅为理解生物运动控制提供了新平台，也为开发具备学习、适应能力的智能生物机器开辟了道路。研究发表在 Science Robotics 上。

#神经科学 #机器人及其进展 #神经调控 #跨学科整合

阅读更多：

Min, Hyegi, et al. “Optogenetic Neuromuscular Actuation of a Miniature Electronic Biohybrid Robot.” Science Robotics, vol. 10, no. 106, Sept. 2025, p. eadu5830. science.org (Atypon), https://doi.org/10.1126/scirobotics.adu5830

AI训练遭遇“数据荒”？新框架可筛选高质量合成数据

AI模型面临真实数据枯竭的困境，合成数据虽能解“量”之渴，但质量参差不齐可能反噬模型性能。针对这一问题，匹兹堡大学的Wei Gao与北京大学的Chen Gong, Bo Liang, Chenren Xu等研究人员合作，开发了一套评估合成数据质量的新指标，并提出名为SynCheck的框架，能够自动筛选并高效利用高质量合成数据，显著提升AI模型的性能。

研究团队首先定义了评估合成数据质量的两个关键维度：亲和力（affinity，指数据与真实数据的相似度）和多样性（diversity，指数据的丰富程度）。他们通过系统评估发现，现有的生成模型在创造无线信号数据时，往往多样性充足但亲和力有限，这意味着数据虽然五花八门，但很多并不真实，直接使用这类“假”数据训练会导致模型性能严重下降。为此，团队开发了SynCheck框架。该框架创新地采用半监督学习方法，它不直接信任生成模型给出的标签，而是将所有合成数据当作“待检产品”。在模型训练的迭代过程中，SynCheck会自动滤除那些与真实数据分布差异过大的低亲和力样本，并为筛选出的高质量样本分配可靠的伪标签，再投入训练。实验数据显示，在某些情况下，不加选择地使用合成数据会导致模型性能下降13.4%，而经过SynCheck框架的质量引导后，模型性能反而能提升4.3%，实现了从“拖后腿”到“助推器”的转变。研究成果在 MobiSys 2025 国际会议上荣获最佳论文奖。

#AI驱动科学 #预测模型构建 #生成式AI #无线传感

阅读更多：

Gong, Chen, et al. “Data Can Speak for Itself: Quality-Guided Utilization of Wireless Synthetic Data.” arXiv:2506.23174, arXiv, 29 June 2025. arXiv.org, https://doi.org/10.48550/arXiv.2506.23174

AI能耗难题新解：康奈尔大学“双重任务”芯片架构可节能20%

来自康奈尔大学的 Mohamed Abdelfattah, Xilai Dai, Junius Pun 等研究人员设计了一种名为“双重任务”（Double Duty）的新型芯片架构，显著提升了FPGA芯片在AI任务中的能源效率。

研究的核心聚焦于一种可重编程芯片——现场可编程门阵列（Field-Programmable Gate Array，FPGA，因其灵活性而广泛用于AI加速）。传统FPGA的内部计算单元中，负责通用逻辑运算的查找表（Lookup Tables, LUTs）和负责高速算术运算的加法器链被紧密绑定，导致无法同时独立工作，造成资源浪费。为解决此问题，团队提出了“双重任务”（Double Duty）架构。该设计巧妙地修改了芯片内部的电路连接，解除了查找表和加法器链的强制绑定，使其能在同一逻辑块内并行处理不同任务。这相当于让芯片在同样的空间内能做更多的事。测试结果表明，新架构在执行AI等算术密集型任务时，所需芯片面积减少了超过20%，整体电路性能提升近10%，而关键处理速度并未下降。综合性能指标（面积-延迟积）提升了9.7%，这意味着未来AI应用可以部署在更小、更节能的芯片上。研究发表在 International Conference on Field-Programmable Logic and Applications (FPL 2025) 会议上。

#AI驱动科学 #计算模型与人工智能模拟 #芯片设计 #FPGA

阅读更多：

Pun, Junius, et al. “Double Duty: FPGA Architecture to Enable Concurrent LUT and Adder Chain Usage.” arXiv:2507.11709, arXiv, 15 July 2025. arXiv.org, https://doi.org/10.48550/arXiv.2507.11709

模拟人形机器人学会自主穿越崎岖地形

当前人形机器人面对复杂地形时步履维艰，因为导航与行动被割裂处理。为解决此问题，密歇根大学的 Kwan-Yee Lin 和 Stella X. Yu 开发了一个名为 LEGO-H 的人工智能框架，首次让模拟人形机器人能够仅凭视觉自主决策和行动，成功穿越复杂山路。

▷ 名为 LEGO-H 的全新人工智能框架能够训练人形机器人徒步穿越复杂的路径，将视觉感知、决策和运动执行能力融为一体。该机器人利用视觉自主预测短期目标，并引导其沿着路径移动。气泡大小从大到小表示预期方向，颜色则表示顺序：橙色、绿色、灰色。Credit: Lin and Yu, 2025.

研究团队提出的 LEGO-H 框架，旨在将高级导航与低级运动控制融为一体。在模拟实验中，配备摄像头的机器人在完全陌生的虚拟山路上，仅被告知一个大致的目标方向。不同于传统方法，LEGO-H 利用分层强化学习让机器人能够像人一样思考：通过视觉感知前方地形，自主预测并设定一系列短期的局部目标，然后决策系统会生成相应的动作指令，如行走、跳跃、跨步或侧身移动来达成这些目标。该框架的核心创新之一是，通过特权学习（Privileged Learning）的机制进行训练。一个“全知”的教师策略在拥有完整环境信息的情况下学习最高效、最安全的动作，然后将其核心运动技巧“提炼”并传授给只能依靠自身摄像头的学生策略。结果表明，通过这种方式训练的机器人表现出色，不仅能灵活适应各种地形和障碍，其行动效率和安全性甚至不亚于那些预先掌握了完美地图的机器人。最令人惊奇的是，机器人还“无师自通”地学会了一项关键技能——在意外绊倒后能自主恢复平衡，这是一种在学习与环境互动中自然涌现（emergent）的能力，而非人为编程。

#AI驱动科学 #机器人及其进展 #具身智能 #强化学习

阅读更多：

Lin, Kwan-Yee, and Stella X. Yu. “Let Humanoids Hike! Integrative Skill Development on Complex Trails.” arXiv:2505.06218, arXiv, 9 May 2025. arXiv.org, https://doi.org/10.48550/arXiv.2505.06218

教AI懂规矩：新算法让机器在逻辑与学习中掌握道德准则

如何让AI在执行任务时遵守复杂的社会、法律和道德规范？维也纳科技大学的 Agata Ciabattoni, Emery A. Neufeld 和 Radu Florin Tulcan 针对此问题，开发出一种创新框架，通过将逻辑规则与机器学习相结合，使AI能够灵活地学习并遵守具有优先级的复杂规则体系。

传统上训练AI如同训练宠物，通过奖励与惩罚进行，但这对于复杂的道德或法律规范效果不佳，AI可能会为了获得奖励而故意拖延任务。研究团队为此提出了一种名为有序规范约束螺栓（Ordered Normative Restraining Bolts, ONRBs）的新方法。该方法的核心是将问题转化为多目标强化学习（Multi-Objective Reinforcement Learning, MORL，一种让AI同时追求多个目标的学习范式）。具体而言，AI的主要任务是一个目标，而每一条社会规范（如“不得超速”）则被视为一个独立的、由逻辑公式定义的新目标。当AI违反规范时，会受到相应的惩罚。这种设计允许系统通过算法自动为每个目标分配权重，从而建立起规则的层级结构，让AI明白哪些规范更重要。该方法最大的突破在于其灵活性：当规则需要更新或调整优先级时，无需从头重新训练整个模型，只需调整相应目标的权重即可。案例研究证明，该框架能够确保AI在高效完成任务的同时，严格遵守各类规范。研究发表在 IJCAI 2025 会议上。

#大模型技术 #意图与决策 #人工智能伦理 #强化学习