追問daily | 游戲成癮，心理問題是因而不是果；OpenAI揭示AI幻覺根源；老年人體重不穩定，加速認知衰退

█腦科學動態

Nature：為什么“求穩”不如“避險”重要？

神經炎癥通過IL-1誘導DNA雙鏈斷裂，導致空間記憶受損

短暫社交隔離顯著增強青少年尋求獎勵的行為

新型超聲頭盔無需手術即可實現高精度深部腦刺激

游戲成癮：心理問題是“因”而非“果”

老年人體重不穩定，加速認知衰退

星形膠質細胞是早期壓力導致行為異常的幕后黑手

█AI行業動態

OpenAI豪擲1150億美元布局未來

█AI驅動科學

Meta新方法讓LLM長上下文處理提速30倍

人類與AI學習機制驚人相似，為開發更直觀AI提供新思路

利用放射科醫生眼動數據提升醫學影像診斷AI的可信度

AEquity：新AI工具通過修正數據源頭偏差，提升醫療算法公平性

AI像人一樣評估社交情境，可加速神經科學研究

社會技術交換理論：重新定義現代工作場所的人機關系

OpenAI揭示AI幻覺根源：現有評估機制獎勵猜測而非誠實

腦科學動態

Nature：為什么“求穩”不如“避險”重要？大腦杏仁核給出答案

為何人類在規避風險時，反而比追求回報時更愿意冒險探索？來自魏茨曼科學研究所的 Tamar Reitich-Stolero 和 Rony Paz 等研究人員，通過記錄人類大腦深處的單神經元活動，發現杏仁核中的兩種獨特神經信號共同調控著這一行為：一種是通用的探索信號，另一種是面對潛在損失時特異性增強的“神經噪聲”。

?得失對立條件下的范式與學習行為。Credit: Nature (2025).

研究團隊招募了17名因治療癲癇而已植入深層電極的患者，讓他們參與一項二選一的概率游戲。游戲中，他們需要在“收益”（獲得積分）和“損失”（扣除積分）兩種不同情境下做出選擇，以爭取最佳結果。在此期間，研究人員同步記錄了他們杏仁核和顳葉皮層神經元的活動。結果顯示，在行為層面，人們在試圖避免損失時，其探索未知選項的傾向明顯高于追求收益時。

神經活動數據揭示了其背后的雙重機制：首先，無論收益或損失，當人們決定探索時，杏仁核的神經放電率都會升高，這是一個通用的“開始探索”信號。更關鍵的發現是，在避免損失的情境下，杏仁核神經活動的變異性，即神經噪聲會顯著增加。這種增強的噪聲與不確定感正相關，并直接導致了更多的探索行為。這表明，大腦在面對潛在威脅時，會通過增加神經系統的“隨機性”來打破常規，促使個體更積極地尋找新的解決方案，這可能是一種深刻的進化適應機制。研究發表在 Nature 上。

閱讀更多：

Reitich-Stolero, Tamar, et al. “Rate and Noise in Human Amygdala Drive Increased Exploration in Aversive Learning.” Nature, Aug. 2025, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-025-09466-1

神經炎癥通過IL-1誘導DNA雙鏈斷裂，導致空間記憶受損

大腦的慢性炎癥為何會導致記憶喪失？來自圖盧茲大學、法國國家健康與醫學研究院和法國國家科學研究院的 Nicolas Blanchard 和 Elsa Suberbielle 等研究人員，通過小鼠模型的研究，首次揭示了其背后的分子機制：炎癥信號通過破壞神經元DNA的表觀遺傳調控，直接引發認知功能障礙。

?未感染對照小鼠海馬齒狀回區域內一種名為顆粒細胞的神經元亞群的放大圖。細胞核染成藍色，星形膠質細胞突起染成綠色。紅色聚集信號表示 DNA 雙鏈斷裂（對照條件下的圖像中不存在）。Credit: Benjamin Schmitt & Elsa Suberbielle.

研究團隊構建了兩種小鼠模型，分別通過感染常見寄生蟲弓形蟲和直接注入炎癥細胞因子白細胞介素-1（interleukin-1, IL-1）來誘發慢性神經炎癥。結果顯示，兩種模型中的小鼠均表現出明顯的空間記憶缺陷。深入研究發現，IL-1是導致記憶損傷的關鍵信號分子，它直接作用于大腦海馬體中的神經元，觸發了細胞內DNA雙鏈斷裂信號的異常激活。正常情況下，DNA的斷裂與修復是記憶鞏固所必需的表觀遺傳過程，但過度的炎癥信號打破了這一平衡，從而損害了記憶功能。最關鍵的證據是，當研究人員通過基因手段阻斷神經元上的IL-1受體，或抑制下游的DNA斷裂信號通路后，即使在嚴重的炎癥狀態下，小鼠的記憶能力也得到了保護。研究發表在 Nature Neuroscience 上。

閱讀更多：

Belloy, Marcy, et al. “Toxoplasma Gondii Infection and Chronic IL-1 Elevation Drive Hippocampal DNA Double-Strand Break Signaling, Leading to Cognitive Deficits.” Nature Neuroscience, Aug. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-025-02041-x

短暫社交隔離顯著增強青少年尋求獎勵的行為

幾個小時的孤獨會對青少年產生什么影響？為探究此問題，來自劍橋大學和卡迪夫大學的 Livia Tomova、Sarah-Jayne Blakemore 及其同事進行了一項實驗研究。他們發現，即使是短暫的社交隔離也會顯著增強青少年尋求獎勵的動機，這一發現揭示了孤獨可能驅使年輕人進行社交或轉向藥物濫用等風險行為的內在機制。

研究團隊招募了40名16至19歲的健康青少年，讓他們經歷兩種不同的隔離情境：一次是完全沒有任何社交互動的隔離，另一次則允許使用社交媒體進行虛擬互動。研究發現在經歷了短短約四小時的隔離后，青少年尋求獎勵的動機顯著增強，他們會更快地做出決定，并更愿意為獲得金錢或積極的社交圖片等獎勵而付出努力。同時，他們的獎勵學習能力也有所提升。這種效應在那些主觀報告在隔離中感到更孤獨的個體身上尤為強烈。

有趣的是，當被允許使用社交媒體時，青少年的孤獨感有所減輕，尋求獎勵的沖動也相對緩和。但這并非萬能解藥，因為虛擬社交并不能阻止因隔離而下降的積極情緒。這一結果表明，孤獨感可能通過激活大腦的獎勵系統來促使個體尋求連接，但當現實社交不可得時，這種強大的驅動力也可能將青少年推向酒精、毒品等不健康的替代性獎勵。研究發表在 Communications Psychology 上。

閱讀更多：

Tomova, Livia, et al. “Acute Isolation Is Associated with Increased Reward Seeking and Reward Learning in Human Adolescents.” Communications Psychology, vol. 3, no. 1, Sept. 2025, p. 135. www.nature.com, https://doi.org/10.1038/s44271-025-00306-6

新型超聲頭盔無需手術即可實現高精度深部腦刺激

如何無需開顱手術就能精準調控大腦深處，以治療帕金森病等頑疾？來自倫敦大學學院和牛津大學的 Bradley Treeby、Eleanor Martin、Ioana Grigoras 等研究人員，成功開發出一款新型超聲波頭盔。

?新型超聲波設備示意圖。Credit: Morgan Roberts

該系統通過一個內置256個獨立超聲元件的頭盔，將聚焦的機械脈沖能量精確傳遞至大腦深處。其創新之處在于極高的精準度，能夠靶向比傳統超聲設備小1000倍的目標區域，且無需侵入性手術。研究團隊在7名健康志愿者身上進行了驗證，目標是丘腦中微小的外側膝狀體核（LGN，一個處理視覺信息的關鍵中繼站）。借助同步功能性磁共振成像的實時監測，研究人員發現，超聲刺激能精確增強與LGN相連的視覺皮層活動。此外，采用一種特定的θ波爆發刺激模式后，視覺皮層的活動被持續抑制了至少40分鐘，顯示出該技術誘發持久性神經調節的潛力。這一成果為深部腦刺激等侵入性療法提供了一種安全、可逆的替代方案，有望變革帕金森病、抑郁癥等神經及精神疾病的治療模式。研究發表在 Nature Communications 上。

閱讀更多：

Martin, Eleanor, et al. “Ultrasound System for Precise Neuromodulation of Human Deep Brain Circuits.” Nature Communications, vol. 16, no. 1, Sept. 2025, p. 8024. www.nature.com, https://doi.org/10.1038/s41467-025-63020-1

游戲成癮：心理問題是“因”而非“果”

青少年沉迷游戲，究竟是游戲的錯，還是另有隱情？針對這一長期爭論，加州大學圣巴巴拉分校的 Kylie Falcione 和 René Weber 進行了一項研究。他們通過一項大規模縱向分析發現，青少年游戲障礙并非憑空產生，而是更可能源于先前已存在的抑郁、焦慮等心理健康問題。

該研究利用了“青少年大腦認知發展研究”的龐大數據，對4,289名美國青少年進行了為期三年的跟蹤調查（從11-12歲到13-14歲）。研究人員采用交叉滯后面板模型（CLPMs，一種能分析不同變量在時間上相互影響方向的統計方法）分析了精神病理學與游戲障礙之間的關系。結果清晰地指出了一條單向路徑：在研究初期表現出更多抑郁、社交問題等癥狀的青少年，在一年后出現游戲障礙的風險顯著更高。然而，反向關聯并不成立，即游戲障礙本身并不會導致青少年在未來出現更多的心理健康問題。這表明，游戲成癮行為在很多情況下是一種不健康的應對機制，是青少年為逃避或緩解現實中的心理痛苦而采取的行動，其根源在于已有的心理困擾。研究發表在 JAMA Network Open 上。

閱讀更多：

Falcione, Kylie, and René Weber. “Psychopathology and Gaming Disorder in Adolescents.” JAMA Network Open, vol. 8, no. 7, July 2025, p. e2528532. Silverchair, https://doi.org/10.1001/jamanetworkopen.2025.28532

老年人體重不穩定，加速認知衰退

老年時期體重的變化如何影響大腦健康？賓夕法尼亞州立大學的Muzi Na及其合作團隊，通過一項長達11年的研究揭示，65歲以上老年人的體重減輕或大幅波動，可能是認知能力加速下降的危險信號。該研究強調，維持穩定的體重對于老年人的認知健康至關重要。

研究團隊分析了4304名65歲以上老年人從2011到2021年的健康數據。他們追蹤了參與者每年的體重、體質指數（BMI）和腰圍，并結合記憶力、執行功能等年度認知測試結果進行綜合評估。結果清晰地表明，體重的穩定性與認知健康密切相關。數據顯示，體重波動最大的老年人，其認知衰退的速度是體重最穩定人群的2到4倍。進一步分析發現，兩種模式的體重變化尤為不利：體重減輕超過5%，以及在增減5%之間反復波動的“體重循環”。這兩種情況都與最快的認知能力下降速度顯著相關。有趣的是，單純的體重增加并未顯示出與認知加速衰退的關聯，但這并不意味著增重有益，因為中年肥胖仍是公認的長期健康風險。這項研究提醒我們，監測老年人體重變化，尤其是避免大幅減輕和劇烈波動，可能是維護大腦功能的重要一環。研究發表在 Obesity 上。

閱讀更多：

Flores, Ashley C., et al. Variability in Body Weight and Body Composition and Cognitive Trajectories in Older Adults in the United States. onlinelibrary.wiley.com, https://doi.org/10.1002/oby.24309. Accessed 8 Sept. 2025

星形膠質細胞是早期壓力導致行為異常的幕后黑手

早期生活壓力為何會增加成年后患抑郁癥的風險？蒙特利爾大學附屬醫院研究中心的Ciaran Murphy-Royal、Lewis R. Depaauw-Holt及其團隊通過小鼠研究揭示了關鍵的細胞機制。他們發現，壓力首先擾亂大腦下丘腦外側的星形膠質細胞，進而以性別差異化的方式改變神經元活動，最終導致成年后的行為異常，為預防和治療相關精神疾病提供了新靶點。

?LH 星形膠質細胞中 Gq 偶聯的鈣離子波動會刺激食欲素神經元，從而擾亂幼年小鼠的晝夜活動節律。Credit: Nature Communications (2025).

研究團隊通過在幼鼠發育關鍵期模擬缺乏母愛的早期生活壓力，發現成年后的小鼠表現出與人類抑郁癥相似的性別差異行為：雄性在白天異常活躍，雌性在夜間活動水平顯著下降。這些行為與大腦下丘腦外側區域中調節覺醒的食欲素神經元的活動模式完全對應。進一步研究發現，作為大腦“管家”的星形膠質細胞是這場變化的始作俑者。在受過壓力的動物中，星形膠質細胞變得更小、分支更少，顯示出功能障礙。尤為關鍵的是，當研究人員通過基因手段特異性地阻斷星形膠質細胞上的應激激素受體——糖皮質激素受體后，早期壓力對神經元和行為的負面影響幾乎被完全逆轉。該研究還揭示了不同性別背后的分子機制，雄性的異常行為與嘌呤能信號增強有關，雌性則與L-乳酸供應減少有關。這一發現顛覆了以往認知，證明星形膠質細胞是應激反應的主要驅動者，先于神經元發生改變。研究發表在 Nature Communications 上。

閱讀更多：

Depaauw-Holt, Lewis R., et al. “A Divergent Astrocytic Response to Stress Alters Activity Patterns via Distinct Mechanisms in Male and Female Mice.” Nature Communications, vol. 16, no. 1, July 2025, p. 6372. www.nature.com, https://doi.org/10.1038/s41467-025-61643-y

AI 行業動態

OpenAI豪擲1150億美元布局未來，2030年營收目標劍指2000億

OpenAI近期向股東披露了其雄心勃勃的戰略規劃，宣布未來五年將投入高達1150億美元的資金，主要用于自建數據中心和算力基礎設施。這一數字較半年前的預估大幅增加了800億美元，凸顯了公司對人工智能領域長期競爭的高強度投入。與此同時，OpenAI預測其年營收將在2030年達到2000億美元，反映出其對商業化前景的極度樂觀。盡管面臨巨額支出壓力，資本市場仍對其保持高度信心，軟銀、Thrive等投資方正以5000億美元估值追加投資。

OpenAI的營收增長主要依賴ChatGPT業務的快速擴張。公司預計ChatGPT在2025年將貢獻近100億美元收入，成為絕對主體，到2030年該項收入有望突破900億美元。為應對持續高企的算力與人力成本，OpenAI正探索電商導購抽傭、廣告等新盈利模式，并計劃將部分API和Agent功能整合至ChatGPT主體以優化資源分配。此外，公司還面臨人才競爭加劇的挑戰，例如Meta為頂尖AI研究人員開出的年薪高達1億美元，迫使OpenAI不得不大幅提高薪酬支出。

巨額資金消耗的背后是算力需求的指數級增長。OpenAI預計2025年現金流出將超80億美元，2025至2029年累計消耗達1150億美元，其中服務器投入占比近1000億美元。推理計算費用同期累計將超1500億美元，而訓練成本也從2025年的90億美元攀升至2030年的持續高位。為降低對英偉達產能的依賴，OpenAI已啟動自研服務器芯片和自有數據中心建設，以保障算力供應鏈的穩定性。

閱讀更多：

https://www.theinformation.com/articles/openai-says-business-will-burn-115-billion-2029

AI 驅動科學

Meta新方法讓LLM長上下文處理提速30倍

大型語言模型處理長文本時的巨大延遲和內存開銷是其應用的主要瓶頸。來自Meta Superintelligence Labs、新加坡國立大學和萊斯大學的Xiaoqiang Lin與Aritra Ghosh等研究人員，共同提出了一種名為REFRAG的高效解碼框架。該框架通過智能壓縮上下文，在不損失精度的前提下，將長文本處理速度提升了高達30倍。

REFRAG框架的核心洞察在于，在檢索增強生成應用中，大部分檢索來的上下文信息是與問題無關的。針對這一特性，REFRAG設計了一個“壓-縮-加-選”四步流程：首先，用輕量級編碼器將tokens高效“壓縮”成信息密度更高的“塊向量”；接著，讓主模型處理這些塊向量，從而將輸入序列“縮短”16倍；輸入變短后，注意力計算和顯存占用大幅降低，實現了“加速”；最后，為了防止關鍵信息丟失，框架通過強化學習策略智能“選擇”并保留最重要的信息片段不被壓縮。實驗結果表明，該框架在大幅提升效率的同時，模型準確率并未下降。具體而言，它將首個詞元生成時間（Time-To-First-Token，衡量模型反應速度的關鍵指標）提速高達30.8倍，并將模型的有效上下文窗口擴展了16倍。在GSM8K數學推理基準測試中，其性能甚至幾乎翻倍。

閱讀更多：

Lin, Xiaoqiang, et al. “REFRAG: Rethinking RAG Based Decoding.” arXiv:2509.01092, arXiv, 1 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.01092

人類與AI學習機制驚人相似，為開發更直觀AI提供新思路

人類和人工智能如何整合快速學習與漸進式學習這兩種模式？布朗大學的Jake Russin、Ellie Pavlick和Michael J. Frank團隊通過訓練AI系統發現，AI的兩種學習模式的互動方式與人類的工作記憶和長期記憶驚人地相似。

研究團隊將人類學習分為兩種：一是快速靈活的“情境化”學習（in-context learning），如同通過幾個例子學會井字棋規則；二是緩慢持續的“漸進式”學習（incremental learning），如同反復練習彈奏鋼琴。在人工智能中，這分別對應于大模型根據當前輸入靈活推理的能力（ICL，情境學習）和通過海量數據訓練調整內部參數的權重學習（IWL，in-weight learning）。研究人員采用元學習的方法訓練AI，發現靈活的ICL能力是在經歷了大量漸進式IWL之后才涌現的，這好比人類在玩過上百種桌游后，能迅速掌握新游戲的規則。更有趣的是，該模型再現了人類學習中的一個經典權衡：需要費力糾錯才能完成的任務（激活IWL），記憶會更牢固；而輕松學會的內容（依賴ICL），雖然應用靈活卻容易遺忘。這表明，AI與人腦可能遵循著共同的計算原理，即錯誤是鞏固長期記憶的關鍵驅動力。研究發表在 PNAS 上。

閱讀更多：

Russin, Jacob, et al. “Parallel Trade-Offs in Human Cognition and Neural Networks: The Dynamic Interplay between in-Context and in-Weight Learning.” Proceedings of the National Academy of Sciences, vol. 122, no. 35, Sept. 2025, p. e2510270122. world, www.pnas.org, https://doi.org/10.1073/pnas.2510270122

利用放射科醫生眼動數據提升醫學影像診斷AI的可信度

當前醫療AI因決策過程不透明而面臨信任危機，如何讓機器像專家一樣思考是關鍵。卡迪夫大學和威爾士大學醫院的Hantao Liu、Richard White等人領導的研究團隊，通過追蹤放射科醫生的眼球運動，成功創建了一個能模仿專家視覺模式的AI系統，有效提升了診斷AI的性能與可信度。

研究團隊首先建立了一個大規模的眼動追蹤數據集，邀請了13位資深放射科醫生，記錄下他們在查看近200張胸部X光片時的超過10萬次眼球運動。這些數據揭示了專家在診斷時會優先關注哪些關鍵區域。基于該數據集，團隊訓練了一個名為CXRSalNet的新型AI模型，專門用于預測圖像中的視覺顯著性（visual saliency，即圖像中最能吸引人類注意力的臨床相關區域）。該模型的核心任務是學習并模仿專家的“火眼金睛”，自動定位出潛在的病灶區域。當研究人員將CXRSalNet作為“導航模塊”與其他負責具體診斷的AI系統結合時，發現診斷系統的綜合性能提升了1.5%。更重要的是，AI的決策焦點變得更像人類專家，增強了其行為的可解釋性。這項工作為構建更值得信賴的醫療AI鋪平了道路。研究發表在 IEEE Transactions on Neural Networks and Learning Systems 上。

閱讀更多：

Lou, Jianxun, et al. “Chest X-Ray Visual Saliency Modeling: Eye-Tracking Dataset and Saliency Prediction Model.” IEEE Transactions on Neural Networks and Learning Systems, vol. 36, no. 9, Sept. 2025, pp. 16920–30. IEEE Xplore, https://doi.org/10.1109/TNNLS.2025.3564292

AEquity：新AI工具通過修正數據源頭偏差，提升醫療算法公平性

醫療AI算法因訓練數據中固有的偏見（如種族、社會經濟地位）而可能加劇健康不平等，導致對特定人群的漏診或不當治療。西奈山伊坎醫學院的Faris Gulamali, Girish N. Nadkarni及同事開發了一款名為AEquity的新工具，能在模型訓練前直接識別并修正數據集中的偏差，旨在提升AI的公平性。

?AEquity 工作流程用于識別和緩解胸部 X 光數據集中的偏差。Credit: Gulamali, et al.

研究團隊開發的新工具AEquity，其核心在于從數據源頭解決偏見問題。該工具通過一種名為子群體可學習性（subgroup learnability）的創新指標，評估AI模型從不同人群（如特定種族或社會經濟地位）數據中學習的難易程度，從而精準定位并量化數據集中存在的偏見。研究人員在多種真實醫療數據上驗證了AEquity的有效性，包括胸部X光片、醫療成本數據和一項大型公共衛生調查。結果顯示，通過AEquity的指導來補充或修正數據，能夠顯著提升算法的公平性。例如，在胸部X光診斷任務中，偏見最高減少了96.5%；在針對接受醫療補助的黑人患者這一交叉群體的分析中，假陰性率偏見降低了33.3%。該工具不僅效果優于現有方法，且能兼容從簡單模型到復雜的視覺Transformer等多種AI架構，為構建更可信、更公平的醫療AI系統提供了關鍵技術。研究發表在 Journal of Medical Internet Research 上。

閱讀更多：

Gulamali, Faris, et al. “Detecting, Characterizing, and Mitigating Implicit and Explicit Racial Biases in Health Care Datasets With Subgroup Learnability: Algorithm Development and Validation Study.” Journal of Medical Internet Research, vol. 27, no. 1, Sept. 2025, p. e71757. www.jmir.org, https://doi.org/10.2196/71757

AI像人一樣評估社交情境，可加速神經科學研究

評估社交場景以研究大腦活動，需要耗費數千小時的人工標注，效率極低。芬蘭圖爾庫大學的Severi Santavirta及其同事進行了一項研究，他們發現，人工智能模型GPT-4V能夠像人類一樣可靠地評估社交互動，為神經科學研究提供了高效的自動化工具。

?本研究的分析工作流程。Credit: Imaging Neuroscience (2025).

研究團隊首先讓GPT-4V評估了數百個描繪社交場景的圖片和視頻，涵蓋了138種社交特征，如合作、敵意等。隨后，他們將AI的評估結果與超過2000名人類觀察者的評估進行比較，發現二者驚人地相似，AI的評估一致性甚至超過了單個普通人。更關鍵的是，研究人員利用這些評估數據來分析大腦活動。他們使用功能性磁共振成像數據，分別基于AI的標注和人類的標注來構建大腦的社會感知網絡。結果顯示，兩種方法生成的大腦活動圖譜幾乎完全相同。這項成果意味著，原先需要上萬個工時的人工標注任務，現在AI只需幾小時即可完成，極大地加速了研究進程。研究發表在 Imaging Neuroscience 上。

閱讀更多：

Santavirta, Severi, et al. “GPT-4V Shows Human-like Social Perceptual Capabilities at Phenomenological and Neural Levels.” Imaging Neuroscience, vol. 3, Sept. 2025, p. IMAG.a.134. Silverchair, https://doi.org/10.1162/IMAG.a.134

社會技術交換理論：重新定義現代工作場所的人機關系

當AI成為工作搭檔，我們與它的關系是純粹的工具使用，還是更復雜的社會互動？堪薩斯大學的Cameron W. Piercy和Reaia Turner-Leatherman通過訪談發現，員工在與機器協作時，會像對待人類同事一樣進行成本與回報的權衡，這為理解人機關系提供了新的社會交換視角。

研究團隊對22名來自不同行業的員工進行了深度訪談，這些員工日常工作都離不開復雜的機器技術（如人工智能、算法系統等）。研究以社會交換理論（Social Exchange Theory，一種認為人際關系建立在成本與回報權衡基礎上的社會心理學理論）為框架，分析員工如何在人類同事與機器伙伴之間做出選擇。結果顯示，員工并非簡單地將機器視為工具，而是將其看作工作生態系統中的一員。他們會根據具體情境發展出獨特的互動策略，例如，當需要快速獲取客觀數據時，他們傾向于使用機器（回報高、社交成本低），而當任務需要創造性或主觀判斷時，則更依賴人類同事。這種權衡過程表明，社會交換理論的核心原則同樣適用于人機互動。研究發表在 Human-Machine Communication 上。

閱讀更多：

Piercy, Cameron, and Reaia Turner-Leatherman. “Socio-Technical Exchange with Machines: Worker Experiences with Complex Work Technologies.” Human-Machine Communication, vol. 10, no. 1, Aug. 2025. COinS, https://doi.org/10.30658/hmc.10.3

OpenAI揭示AI幻覺根源：現有評估機制獎勵猜測而非誠實

大型語言模型為何會自信地編造事實？OpenAI的Adam Tauman Kalai、Ofir Nachum、Edwin Zhang及佐治亞理工學院的Santosh S. Vempala通過理論分析指出，根本原因在于當前AI的訓練和評估機制錯誤地激勵了模型的“猜測”行為，而非在不確定時承認“我不知道”。

研究人員從統計學角度剖析了幻覺的產生機制。他們指出，當前的模型評估普遍采用二元評分體系（binary 0-1 scheme），即答對得滿分，答錯或承認不確定均不得分。這種“應試教育”模式迫使模型像一個急于得分的學生，在不確定時傾向于冒險猜測，從而最大化預期得分，但這直接導致了幻覺的產生。在預訓練階段，幻覺的產生是統計學上的必然結果；對于那些沒有規律可循的任意性事實（arbitrary facts），模型無法通過學習模式來確保回答正確，錯誤便由此而生。即使到了旨在減少幻覺的后訓練階段，由于主流評估排行榜依然被這種錯誤的評分機制主導，幻覺問題也因此頑固地持續存在。研究團隊提出的解決方案并非設計新的幻覺評估工具，而是呼吁改革現有主流基準的評分規則：對自信地犯錯給予負分懲罰，同時對模型承認不確定性的“謙遜”行為給予部分獎勵，以此從根本上引導領域發展更誠實、可信的AI。

閱讀更多：

Kalai, Adam Tauman, et al. “Why Language Models Hallucinate.” arXiv:2509.04664, arXiv, 4 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.04664

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。