追問daily | 為何我們更容易相信朋友的謊言？用康德哲學重塑意識科學；頭發中的壓力信號

█ 腦科學動態

Nature：短肽利用機械應力實現tau蛋白纖維的無源降解

數字認知測試結合一滴血或改變阿爾茨海默病診斷格局

頭發中的壓力信號：皮質醇可作為慢性病兒童心理健康預警指標

為何我們更容易相信朋友的謊言？神經科學揭示信任的“盲點”

情感支持有助于預防晚年抑郁癥

用康德哲學重塑意識科學：整合信息論的核心身份

█ AI行業動態

OpenAI發布GPT-5-Codex，自主審查重構大型項目

罕見失明癥迎來曙光：首款線粒體疾病藥物獲英國官方批準

AI巨頭報告：ChatGPT成寫作助手，Claude主攻代碼自動化

█ AI驅動科學

神經細胞自動機實現目標導向的形態生成與自修復

Scaling Law已死？新研究反駁：微小進步可帶來指數級回報

多感官腦機接口可重塑卒中后大腦網絡

神經語言接口新突破：當腦電波情緒識別遇上生成式對話系統

機器學習工具為醫生提供更詳細的胎兒健康3D圖像

DeepMind提出“沙盒經濟”框架，應對AI智能體經濟的崛起

機器為何難以應對未知：探索人類與人工智能學習的泛化差距

腦科學動態

Nature：短肽利用機械應力實現tau蛋白纖維的無源降解

如何清除阿爾茨海默病患者大腦中頑固的tau蛋白纏結？加州大學洛杉磯分校的 Ke Hou, David S. Eisenberg 及其團隊帶來了一項顛覆性發現：他們設計出一種短肽，能利用純粹的物理力量扭斷這些致病蛋白纖維。

該研究的核心在于一種特殊設計的D型多肽（D-peptide，一種結構穩定、不易被降解的短鏈氨基酸）。研究團隊發現，其中效果最佳的D-TLKIVWI肽段能夠自發地組裝成一種“模擬”纖維。這種模擬纖維天然呈右手螺旋結構，而阿爾茨海默病中的tau蛋白纖維則是左手螺旋。當這兩種結構相反的纖維相遇并結合時，D型多肽纖維被迫改變自身扭轉方向，從而在其內部積聚了巨大的物理應力。

通過高速原子力顯微鏡的實時觀察，研究人員捕捉到了關鍵一幕：當內部應力達到臨界點，D型多肽纖維會瞬間釋放扭矩，這股強大的機械力量足以掙斷tau蛋白纖維內部的化學鍵，使其斷裂成無害的小片段。整個過程就像一把“分子扳手”，僅依靠環境熱能驅動，無需任何外部能量或生物酶參與。這項技術不僅為阿爾茨海默病帶來了希望，其開發的D型多肽還具有穿過血腦屏障且不引發免疫反應的優良特性，為帕金森病等其他蛋白錯誤折疊疾病的治療提供了有力工具。研究發表在 Nature 上。

閱讀更多：

Hou, Ke, et al. “How Short Peptides Disassemble Tau Fibrils in Alzheimer’s Disease.” Nature, vol. 644, no. 8078, Aug. 2025, pp. 1020–27. www.nature.com, https://doi.org/10.1038/s41586-025-09244-z

準確率達90%！數字認知測試結合一滴血或改變阿爾茨海默病診斷格局

如何讓阿爾茨海默病的早期篩查在資源有限的基層診所成為可能？瑞典隆德大學（Lund University）的 Oskar Hansson 和 Pontus Tideman 等研究人員開發并驗證了一款名為BioCog的數字認知測試。研究表明，這款由患者自行操作的測試工具，能顯著提升初級保健醫生識別認知障礙的準確性。

研究團隊設計了一款可在平板電腦上獨立完成的數字認知測試BioCog，它不僅評估記憶力、注意力和處理速度等多個認知維度，還能捕捉傳統紙筆測試無法記錄的反應時間等精細數據。該研究在一個由403名初級保健就診者組成的隊列中驗證了BioCog的有效性。結果顯示，BioCog識別認知障礙的準確率達到85%，顯著優于初級保健醫生的常規評估（準確率73%）以及簡易精神狀態檢查（Mini-Mental State Examination）等標準工具。更重要的是，當BioCog與血液檢測（用于測量大腦中阿爾茨海默病病理變化的生物標志物，如磷酸化tau蛋白）相結合時，識別臨床阿爾茨海默病的準確率飆升至90%。這一組合策略的診斷效能遠超當前的標準診療流程（準確率70%），也優于單獨使用血液檢測（準確率80%）。這意味著，通過簡單的十分鐘數字測試，醫生可以更精準地篩選出需要進行血液檢測的高風險患者，從而大大提高診斷效率，并確保真正需要新療法的患者能被及時發現。研究發表在 Nature Medicine 上。

閱讀更多：

Tideman, Pontus, et al. “Primary Care Detection of Alzheimer’s Disease Using a Self-Administered Digital Cognitive Test and Blood Biomarkers.” Nature Medicine, Sept. 2025, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41591-025-03965-4

頭發中的壓力信號：皮質醇可作為慢性病兒童心理健康預警指標

如何及早發現慢性病兒童的心理健康風險？滑鐵盧大學（University of Waterloo）和麥克馬斯特大學（McMaster University）的 Emma A. L. Littler 與 Mark A. Ferro 等研究人員，通過一項為期四年的研究發現，頭發中長期累積的皮質醇水平可以作為一個有效的生物標志物，幫助識別那些最有可能出現抑郁、焦慮等心理問題的兒童。

該研究對244名患有慢性身體疾病的加拿大兒童進行了為期四年的跟蹤。研究人員通過分析頭發樣本中的皮質醇濃度，來客觀評估兒童的長期壓力狀況。結果顯示，這些兒童的壓力水平變化可分為三種主要模式：68%兒童的皮質醇水平持續偏高，而約23%的兒童其皮質醇水平則隨時間推移呈現下降趨勢。

研究發現，壓力水平的變化軌跡與兒童的心理健康狀況密切相關。與皮質醇水平持續居高不下的兒童相比，那些皮質醇水平逐漸下降的兒童，其表現出的內化癥狀（internalising symptoms，如焦慮和抑郁）和外化癥狀（externalising symptoms，如行為和品行問題）顯著更少。這一結果有力地證明，長期的高壓力狀態是導致或加劇慢性病兒童心理問題的重要風險因素。由于頭發樣本無創且易于采集，這項發現為開發新的心理健康篩查工具提供了可能，有助于醫生和家庭更早地識別高危兒童并采取支持措施。研究發表在 Stress and Health 上。

閱讀更多：

Littler, Emma A. L., et al. Association Between Hair Cortisol and Psychopathology in Children With a Chronic Physical Illness. onlinelibrary.wiley.com, https://doi.org/10.1002/smi.70087. Accessed 16 Sept. 2025

為何我們更容易相信朋友的謊言？神經科學揭示信任的“盲點”

人們為何會相信謊言，尤其當對方是朋友時？為了解答這個問題，華北理工大學的 Yingjie Liu, Rui Huang 及其團隊利用神經影像學技術發現，當謊言承諾潛在收益時，人們更容易上當。此外，朋友之間大腦活動的同步性可以準確預測欺騙是否會成功，揭示了信任背后的神經機制。

研究團隊招募了66對參與者（包括朋友和陌生人組合），并使用功能性近紅外光譜超掃描技術，在他們進行交流時同步記錄雙方的大腦活動。實驗設置了兩種情境：一種是可能為雙方帶來好處的“收益”情境，另一種是帶來壞處的“損失”情境。研究發現，在“收益”情境中，人們明顯更傾向于相信謊言。這一行為與大腦中負責獎勵處理的眶額皮質（Orbitofrontal Cortex, OFC）和負責風險評估的背外側前額皮質（Dorsolateral Prefrontal Cortex, DLPFC）等區域的活動密切相關。

更重要的是，研究首次揭示了“人際神經同步”（Interpersonal Neural Synchrony, INS，指互動中兩人大腦活動的耦合現象）在欺騙過程中的關鍵作用。朋友組合的大腦同步性顯著高于陌生人，并且這種同步模式隨情境而變：在“收益”情境下，朋友間的獎勵腦區（OFC）高度同步；而在“損失”情境下，則是風險評估腦區（DLPFC）的活動趨于一致。基于這種大腦同步性，研究團隊構建的模型預測欺騙能否成功的準確率高達86.66%。這表明，與朋友間的信任關系降低了我們的認知警惕性，使我們的大腦更容易被“同步”，從而影響了對真相的判斷。研究發表在 Journal of Neuroscience 上。

閱讀更多：

Huang, Rui, et al. “Forewarned Is Forearmed: The Single- and Dual-Brain Mechanisms in Detectors from Dyads of Varying Social Distance During Deceptive Outcomes Evaluation.” Journal of Neuroscience, Sept. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.2129-24.2025

情感支持有助于預防晚年抑郁癥

晚年抑郁癥是全球性的健康挑戰，但有效的預防策略尚不明確。為了探究社會支持在其中的具體作用，新南威爾士大學（UNSW）健康腦老化中心（CHeBA）的 Suraj Samtani 及其國際合作團隊，通過一項大規模研究發現，情感上的連接與傾聽，而非物質上的幫助，才是保護老年人免受抑郁困擾的關鍵因素。

這項大規模薈萃分析整合了來自全球11個國家、近24,000名54至99歲中老年人的數據。研究人員區分了兩種社會支持類型：情感支持（emotional support，指有人可以傾訴和獲得理解）與工具性支持（instrumental support，指在購物、交通等日常事務上獲得的實際幫助）。通過對參與者進行橫斷面分析和平均近兩年的縱向追蹤，研究團隊評估了這兩種支持與抑郁癥狀之間的關系。

分析結果清晰地表明，獲得更多情感支持的參與者，其抑郁癥狀水平顯著更低，并且這種保護效應是長期持續的。令人意外的是，工具性支持并未顯示出同樣的心理健康益處。研究者認為，對于一些老年人來說，需要他人在日常事務上提供幫助，反而可能強化其無助感或對喪失獨立性的擔憂。這項研究最引人注目的發現之一是，情感支持的積極作用具有強大的跨文化一致性，從澳大利亞到韓國再到巴西，結論都同樣適用。研究發表在 American Journal of Epidemiology 上。

閱讀更多：

Samtani, Suraj, et al. “Emotional and Instrumental Social Support and Older Adults’ Depressive Symptoms: Collaborative Individual Participant Data Meta-Analysis of 11 Population-Based Studies of Aging.” American Journal of Epidemiology. academic.oup.com, https://doi.org/10.1093/aje/kwaf137. Accessed 16 Sept. 2025

用康德哲學重塑意識科學：整合信息論的核心身份

當前沿的意識科學理論（整合信息論）面臨哲學根基不穩的挑戰時，我們該如何應對？Robert Chis-Ciure 通過一項理論研究，引入了康德哲學中的“先驗建構原則”，為整合信息論的核心論斷——即主觀體驗與特定數學結構等同——提供了堅實的哲學辯護，從而加強了整個理論的解釋力。

整合信息論（ IIT）主張，任何一次主觀體驗都等同于一個特定的、不可分割的因果結構，這個結構可以通過一個名為Φ（Phi）的數學量來度量。然而，這個核心的“等同”論斷常常被批評為缺乏根據。該研究并未直接進行實驗，而是采用了一種哲學分析的方法，將這一核心論斷重新定義為一種“先驗建構原則”（constitutive a priori principle，即構建科學知識體系所必需的、先于經驗的 foundational rule）。

作者認為，這個原則并非一個等待被經驗證偽的假說，而是使得IIT成為一門科學的邏輯前提。就像物理學中的基本定律（如光速不變原理）為整個理論框架奠定了基礎一樣，〈體驗 = Φ-結構〉這一原則在IIT中扮演著類似的角色。它賦予了主觀體驗的各種屬性（如整體性、特定性）可供數學描述和操作的經驗意義，使得理論的數學形式能夠與真實世界的現象學聯系起來，從而讓理論的預測變得可以檢驗。簡而言之，該原則是連接主觀世界與客觀科學描述的橋梁，沒有它，IIT的數學公式將是空洞的，無法解釋任何實際的意識現象。這項工作倡導將哲學思辨工具更廣泛地應用于意識科學，以構建更嚴謹、更具可操作性的理論。研究發表在 Philosophical Psychology 上。

閱讀更多：

Chis-Ciure, Robert. “Consciousness Science and Constitutive a Priori Principles: On the Fundamental Identity of Integrated Information Theory.” Philosophical Explorations, pp. 1–25. PhilPapers, https://doi.org/10.1080/13869795.2025.2550245

AI 行業動態

OpenAI發布GPT-5-Codex，自主審查重構大型項目

OpenAI于今日凌晨發布了其專為軟件工程任務深度優化的新模型——GPT-5-Codex。該模型旨在革新開發者與AI的協作方式，它不僅能在短時交互中快速響應，更能像一位初級工程師一樣，獨立執行長達數小時的復雜任務。據OpenAI介紹，在內部測試中，GPT-5-Codex曾自主工作超過7小時，持續進行代碼實現、測試修復和功能迭代。該模型的發布迅速引發熱烈反響，OpenAI首席執行官Sam Altman透露，上線僅兩個半小時，其流量就已占據Codex總流量的40%，顯示出開發者社區對其的高度期待和快速接納。

GPT-5-Codex的核心優勢在于其卓越的自主軟件工程能力和代碼質量。相較于通用的GPT-5，它在SWE-bench Verified 和代碼重構任務上表現更優，且更善于遵循指令。該模型具備強大的代碼審查能力，能通過分析整個代碼庫、依賴關系乃至運行代碼和測試來發現關鍵漏洞，其審查意見的精準度高，能有效幫助開發團隊在代碼上線前規避風險。此外，它還能根據任務復雜度動態調整投入的計算資源，處理簡單請求時消耗更少，面對大型重構等復雜任務時則會投入更多時間進行深度推理。

為了配合新模型的發布，OpenAI還對整個Codex生態進行了升級，推出了全新設計的Codex CLI 和支持VS Code等主流編輯器的IDE 插件。這些工具打通了本地與云端環境，允許開發者無縫切換，并支持上傳截圖、設計圖等視覺信息作為上下文。在安全方面，OpenAI為Codex設計了默認的沙箱環境和權限審批機制，以防范潛在風險。目前，GPT-5-Codex已集成在ChatGPT的各項訂閱計劃中，并計劃很快通過API向更多開發者開放。

-5-Codex

閱讀更多：

https://openai.com/index/introducing-upgrades-to-codex/

罕見失明癥迎來曙光：首款線粒體疾病藥物獲英國官方批準

近日，一項針對萊伯氏遺傳性視神經病變 （Leber's Hereditary Optic Neuropathy, LHON: 一種罕見的遺傳性疾病，會損害視神經細胞導致視力突然喪失）的創新療法在英國取得了里程碑式的進展。經過一項由倫敦大學學院和摩爾菲爾德眼科醫院（Moorfields Eye Hospital）研究人員共同領導的臨床試驗成功后，名為艾地苯醌（idebenone）的藥物已被英國國家健康與臨床優化研究所（NICE）批準用于國民醫療服務體系（NHS），為12歲及以上的LHON患者提供標準治療。這項批準意義重大，因為它標志著NICE首次為任何類型的線粒體疾病治療方案開綠燈。

LHON疾病的根源在于細胞線粒體功能異常，主要影響將視覺信息傳遞給大腦的視神經細胞，導致患者在數周內視力迅速惡化至法定失明，且此前無有效治愈方法。此次獲批的艾地苯醌是一種每日三次的口服藥物，其作用機理是通過支持視神經細胞內的線粒體功能，促進能量生產，從而減少細胞損傷并改善視力。由眼科教授Dr. Patrick Yu-Wai-Man領導的一項大型國際臨床試驗證實了該藥物的長期療效，其研究成果是NICE做出批準決定的關鍵證據。不過，研究人員也指出，該療法并非對所有患者都有效，目前數據顯示其有效率約為50%。

盡管如此，這一進展仍然為英國約2500名LHON患者及其家庭帶來了巨大的希望。正如Dr. Yu-Wai-Man所言，這為遭受嚴重視力喪失的患者帶來了曙光。NICE的藥物評估總監Helen Knight也強調，該藥物能切實改善患者的視力與生活質量。患者Lily的親身經歷生動地證明了這一點：她在視力嚴重受損后通過服用艾地苯醌，不僅恢復了部分視力，能夠獨立完成大學學業和日常生活，甚至還與家人一同完成了馬拉松比賽，重獲了寶貴的獨立與自信。

閱讀更多：

https://www.sciencedirect.com/science/article/pii/S2666379124000600?via%3Dihub

AI巨頭報告：ChatGPT成寫作助手，Claude主攻代碼自動化

近期，OpenAI與Anthropic兩大人工智能巨頭相繼發布重磅報告，首次系統性地揭示了旗下產品ChatGPT和Claude的全球用戶行為圖譜。由OpenAI聯合杜克大學和哈佛大學發布的研究顯示，ChatGPT已成為現象級應用，周活躍用戶超7億，每周處理高達180億條消息。報告指出，該平臺的主流用途集中在實用建議、信息查詢和文書寫作三大領域，占據了近八成對話量。值得注意的是，曾被視為核心場景的編程輔助功能使用率大幅下滑，表明用戶正將ChatGPT更多地視為一個通用的知識顧問和高效的寫作助理，而非專業開發工具。

與此同時，Anthropic發布的最新AI經濟指數報告則描繪了另一番景象。數據顯示，用戶正將完整的任務“外包”給Claude，指令式自動化任務占比在八個月內從27%飆升至39%。與ChatGPT不同，代碼編寫是Claude最核心的應用場景之一，占比高達36%，且呈增長趨勢。報告還揭示了一個有趣的現象：在人均Claude使用率更高的富裕地區，用戶更傾向于與AI進行協作；而在使用率較低的地區，用戶則更偏愛直接讓AI自動化完成任務。

兩份報告共同勾勒出當前AI應用的分化趨勢和人機關系的演進。ChatGPT憑借其易用性，正深度融入數億人的日常生活與非技術性工作，成為全民化的“寫作外腦”。而Claude則在專業領域，尤其是在軟件開發和企業應用中，扮演著越來越重要的自動化引擎角色。企業級用戶在使用Claude時表現得更為激進，其API調用中高達77%呈現自動化模式。

閱讀更多：

https://openai.com/index/how-people-are-using-chatgpt/

AI 驅動科學

AI逆向設計“生命游戲”：神經細胞自動機實現目標導向的形態生成與自修復

如何讓一堆無序的單元自發組裝成預設的復雜結構，甚至像生物一樣自我修復？谷歌研究院的 Alexander Mordvintsev 與塔夫茨大學的 Michael Levin 等人合作，通過將深度學習與經典的細胞自動機概念相結合，成功開發出一種名為神經細胞自動機（NCAs）的系統，實現了從目標形態出發，反向推導出自組織規則的突破。

這項研究顛覆了傳統“生命游戲”的玩法。研究人員不再預設規則觀察結果，而是先設定一個目標，比如一只蜥蜴的圖案，然后讓系統自行學習生成規則。其核心是一種神經網絡，它充當每個像素細胞的“大腦”，僅根據周圍鄰居的狀態決定自身下一步的變化。通過類似深度學習的訓練過程，系統從一個單細胞種子開始，不斷迭代、調整規則，直至能穩定地“生長”出完整的蜥蜴。該模型的驚人之處在于其涌現出的生物學特性。這些數字“有機體”不僅能生長，還具備強大的自修復能力。如果在生成的蜥蜴身上用鼠標抹去一塊，剩余的細胞會自發協調，重新長出缺失的部分，這一過程完美模擬了生物學中的形態發生。研究人員發現，這種再生能力部分源于訓練中引入的隨機性，迫使系統學會應對各種意外擾動。該模型不僅為理解生物發育和再生提供了新工具，也為設計能夠自我修復的材料和無需中央控制的機器人集群開辟了新路徑。

閱讀更多：

https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/

Scaling Law已死？新研究反駁：微小進步可帶來指數級回報

隨著大模型規模持續擴大，其在標準測試上的收益遞減引發了對Scaling Law未來的質疑。來自劍橋大學、斯圖加特大學等機構的 Akshit Sinha, Arvindh Arun 等研究人員，通過新方法發現，即使單步準確率的微小提升，也能復合增長為模型完成長程任務能力的指數級躍升，揭示了Scaling Law的潛在價值并未耗盡。

研究團隊設計了一種創新的實驗框架，將模型的規劃、知識和執行能力進行解耦。通過直接向模型提供完整的計劃和所需知識，他們得以精確評估其在長程任務中的純粹執行能力。研究首先從數學上證明并隨后通過實驗證實了一個反直覺的結論：模型單步準確率的微小、看似收益遞減的提升，會通過復利效應轉化為模型能成功完成的任務長度的指數級增長。

更有趣的是，研究揭示了導致模型在長任務中失敗的一個關鍵機制：自我條件化（self-conditioning，即模型會因觀察到自身的歷史錯誤而增加未來犯錯的概率）。這種效應導致模型的錯誤率隨任務進行而上升，并且單純擴大模型規模并不能有效解決此問題。然而，研究發現，具備“思考”能力的模型，例如使用思維鏈技術的模型，能夠有效克服自我條件化限制。在基準測試中，不具備思考能力的前沿模型甚至難以完成兩步的執行，而其思考版本則能執行數百步。其中，代號為Horizon的GPT-5思考版本更是能夠執行超過1000步，遠超其他模型。這項研究強調，評估大模型不應只看短期任務的準確率，其長程執行能力仍在隨規模擴大而飛速發展。

Law

閱讀更多：

Sinha, Akshit, et al. “The Illusion of Diminishing Returns: Measuring Long Horizon Execution in LLMs.” arXiv:2509.09677, arXiv, 11 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.09677

多感官腦機接口可重塑卒中后大腦網絡

慢性卒中患者的上肢運動功能恢復常遇瓶頸。為解決此難題，上海交通大學醫學院松江研究院的 Rongrong Lu, Zhengrun Gao 及其團隊開發了一種新型多感官腦機接口（BCI）。研究發現，該系統通過整合多種感覺反饋，能有效重塑大腦高級網絡，建立從受損半球到健康半球的補償性信息通路，從而顯著促進患者的運動功能恢復。

? 多模態BCI對運動功能的促進作用。Credit:BMC Medicine.

該研究對39名慢性卒中患者進行了為期4周的隨機對照試驗。實驗組采用一種創新的多感官腦機接口系統進行訓練，該系統將患者的運動想象與三種實時反饋相結合：由外骨骼提供的本體感覺、刷子刺激帶來的觸覺以及虛擬現實呈現的視覺。對照組則接受傳統的運動想象療法。結果顯示，實驗組的運動功能恢復遠超對照組，其核心指標福格邁爾評定量表（Fugl-Meyer Assessment，簡稱FMA）分數平均提升了4.40分，而對照組僅為2.26分。更深層的機制通過功能性磁共振成像（fMRI）得以揭示。訓練后，實驗組患者在想象移動癱瘓肢體時，大腦中包括默認模式網絡、注意網絡在內的高階跨模態網絡被顯著激活。通過格蘭杰因果分析（Granger causality analysis）進一步發現，該訓練策略成功地建立了一條新的信息流路徑：運動指令從受損的運動皮層出發，經由這些被激活的高階網絡作為“橋梁”，傳遞到健康的對側運動皮層，從而實現了跨半球的功能代償與整合。這一網絡連接的變化強度還能準確預測每位患者的康復效果。研究發表在 BMC Medicine 上。

閱讀更多：

Lu, Rongrong, et al. “Multisensory BCI Promotes Motor Recovery via High-Order Network-Mediated Interhemispheric Integration in Chronic Stroke.” BMC Medicine, vol. 23, no. 1, July 2025, p. 380. BioMed Central, https://doi.org/10.1186/s12916-025-04214-8

神經語言接口新突破：當腦電波情緒識別遇上生成式對話系統

數字時代的虛擬社交加劇了情感孤立，而傳統AI對話系統無法洞察用戶真實情緒。為解決此問題，Paolo Sorino, Giovanni Maria Biancofiore及其同事開發了名為ARIEL的情感支持系統，該系統首次將腦機接口與大語言模型深度融合，通過實時解析腦電波，讓AI能夠真正“感知”并回應用戶的情緒。

? ARIEL框架工作流程示意圖左側顯示用戶通過神經語言接口（a）與ARIEL交互，該組件同步支持文本消息傳遞與BCI設備腦電（EEG）信號采集。右側情緒識別器（b）接收EEG信號流，通過多種機器學習分類器推斷信號對應的情緒標簽。該標簽與用戶消息共同輸入提示格式器（c），后者根據對話狀態將信息封裝至最佳提示模板。大語言模型（d）基于選定提示生成情感支持回應，并返回用戶以延續對話。當用戶達到積極情緒狀態并主動結束對話時，交互流程終止。Credit:Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization.

ARIEL系統的核心創新在于構建了一個“神經信號-語義生成”的雙向交互范式。該系統通過一個非侵入式的腦機接口實時采集用戶的腦電（EEG）信號，同時接收文本輸入。這些EEG信號被送入一個情緒識別器，該識別器利用機器學習算法（支持向量機模型準確率達76-80%）將復雜的腦電波模式解碼為明確的情緒標簽，如“悲傷”或“憤怒”，從而有效規避了純文本交流中常見的“語義偽裝”。一旦識別出用戶的情緒，系統會動態地將該情緒標簽整合進一個為大語言模型（處使用的是LLaMA 2）量身定制的提示中。LLM隨即生成具有高度情境感知和共情能力的對話，旨在引導用戶情緒向積極方向轉化。例如，當系統通過EEG監測到用戶因工作壓力而悲傷時，它會主動發起對話，并根據用戶情緒的實時變化（如從悲傷轉為中性）靈活調整溝通策略，最終在其情緒穩定后自動結束對話。實驗證明，該系統識別隱藏負面情緒的準確率提升了32%，引導情緒轉化的效率提高了41%。研究發表在 Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization 上。

閱讀更多：

Sorino, Paolo, et al. “ARIEL: Brain-Computer Interfaces Meet Large Language Models for Emotional Support Conversation.” Adjunct Proceedings of the 32nd ACM Conference on User Modeling, Adaptation and Personalization [New York, NY, USA], UMAP Adjunct ’24, 2024, pp. 601–09, https://doi.org/10.1145/3631700.3665193

機器學習工具為醫生提供更詳細的胎兒健康3D圖像

如何精確評估子宮內活動頻繁的胎兒的健康狀況？針對傳統3D MRI圖像難以解讀的挑戰，麻省理工學院計算機科學與人工智能實驗室、波士頓兒童醫院及哈佛醫學院的 Yingcheng Liu, Polina Golland 等研究人員，開發了一款名為 Fetal SMPL 的機器學習工具，能夠高精度地創建動態3D胎兒模型。

? Fetal SMPL 已在 20,000 個 MRI 體素上進行訓練，用于預測胎兒的位置和大小，并創建類似雕塑的 3D 圖像。該方法可以幫助醫生精確測量胎兒的頭部大小等指標，并將這些指標與同齡健康胎兒進行比較。Credit: Alex Shipps and Yingcheng Liu/MIT CSAIL

該研究的核心是創建了一個名為 Fetal SMPL 的三維關節模型，它通過學習近20,000份胎兒MRI掃描數據，掌握了胎兒在子宮內的各種形態和姿勢。該模型內置了一個包含23個關節的虛擬骨架，即運動樹（kinematic tree），并采用一種創新的算法，能夠智能地區分胎兒固有的身體形狀（如大小、胖瘦）和其一時的姿勢（如蜷縮、伸展）。這種將形態與姿勢分離處理的方式，使得模型即便在面對模糊或不完整的MRI圖像時，也能整合多幀信息，精準重建出胎兒的完整三維形態。測試結果顯示，Fetal SMPL 的精準度驚人，其模型與真實掃描圖像的平均誤差僅為3.1毫米，比一粒米還小。這意味著醫生可以利用該工具進行前所未有的精確測量，例如自動計算胎兒的頭圍、腹圍等關鍵生長指標，并與同孕周的健康胎兒數據進行比較，從而更早、更準確地發現潛在的發育異常。未來，團隊計劃將模型升級，以模擬肝臟、肺部等內部器官，提供更全面的健康評估。

閱讀更多：

Liu, Yingcheng, et al. “Fetuses Made Simple: Modeling and Tracking of Fetal Shape and Pose.” arXiv:2506.17858, arXiv, 17 July 2025. arXiv.org, https://doi.org/10.48550/arXiv.2506.17858

DeepMind提出“沙盒經濟”框架，應對AI智能體經濟的崛起

AI智能體正在形成一個超越人類監督速度的龐大經濟網絡，這帶來了哪些機遇和風險？DeepMind的 Nenad Toma?ev, Joel Z. Leibo 等研究人員提出了“沙盒經濟”（sandbox economy）理論框架，旨在為主動設計一個安全、可控且對社會有益的AI智能體市場提供藍圖。

研究團隊構建了一個理論分析框架，將新興的AI經濟沿著兩個維度進行劃分：起源（自發涌現還是有意設計）和與人類經濟的邊界滲透性（permeability，即相互影響的程度）。研究指出，當前默認的發展路徑將不可避免地形成一個自發且高度滲透的AI經濟，這帶來了巨大風險。如同金融領域的高頻交易可能引發“閃電崩盤”一樣，不受控的AI經濟互動也可能導致系統性危機，并因智能體能力差異而加劇貧富差距。為避免這些風險，研究者倡導主動設計“可控的智能體市場”。他們提出了三大核心機制：首先，借鑒社會選擇理論，設計基于拍賣的系統來公平分配計算資源等關鍵要素，確保不同用戶的AI代理擁有平等的議價能力。其次，構建“使命經濟”（mission economies），通過市場激勵引導海量AI智能體協同攻克氣候變化、加速科學發現等人類共同目標。最后，必須建立強大的技術基礎設施，例如使用可驗證憑證（Verifiable Credentials，一種可被機器讀取和驗證的數字證書）和去中心化標識符（Decentralized Identifiers，一種不受中央機構控制的全球唯一身份標識）來確保智能體的可信度和交易安全，并利用人格證明（Proof-of-Personhood）機制防止欺詐。

閱讀更多：

Tomasev, Nenad, et al. “Virtual Agent Economies.” arXiv:2509.10147, arXiv, 12 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.10147

機器為何難以應對未知：探索人類與人工智能學習的泛化差距

人工智能為何難以應對全新情境？為了彌合AI與人類學習能力的差距，來自比勒費爾德大學、阿姆斯特丹大學等國際頂尖機構的 Filip Ilievski, Barbara Hammer, Benjamin Paassen 等二十余位專家，通過跨學科合作，共同提出了一個統一框架，系統闡述了人機在“泛化”能力上的核心差異，旨在促進有效的AI對齊。

? 人類與統計機器的優勢比較，展現了它們在人機協作場景中的互補泛化能力。Credit: Nature Machine Intelligence (2025).

研究的核心在于剖析了泛化這一概念在人類與機器中的根本不同。研究團隊指出，人類的泛化依賴于高度的抽象和概念學習，使我們能靈活地將知識應用于全新問題。相比之下，人工智能的泛化是一個涵蓋多種技術路徑的總稱，包括機器學習模型超越訓練數據范圍的域外泛化（out-of-domain generalization）、符號系統中基于邏輯規則的推理，以及結合神經網絡與邏輯的神經符號AI。為了系統地梳理這些差異，研究者們提出了一個跨學科的共享框架，從三個維度進行分析：泛化的概念、實現方法以及評估標準。該框架清晰地映射出兩個領域的不同路徑和側重點。研究結論認為，只有深入理解并協調這些差異，才可能實現真正的AI對齊（AI alignment，即使AI系統按人類偏好行事），并構建出高效、可靠的人機協作團隊。這項工作為設計能更好理解和支持人類價值觀與決策邏輯的下一代AI系統奠定了重要的理論基礎。研究發表在 Nature Machine Intelligence 上。

閱讀更多：

Ilievski, Filip, et al. “Aligning Generalization between Humans and Machines.” Nature Machine Intelligence, Sept. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s42256-025-01109-4

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。