追問daily | 你是突然睡著的，而不是緩慢入睡；多巴胺讓人更有耐心而不是更沖動；AI離審判席還有多遠？

█腦科學(xué)動態(tài)

Nature：AI從頭設(shè)計全新鈣離子通道，實現(xiàn)精準(zhǔn)離子選擇性

AI生命時鐘LifeClock：一份常規(guī)體檢報告洞悉你的真實衰老速度

饑餓加速大腦神經(jīng)元遷移

人類行為感知的28個維度

新證據(jù)表明，多巴胺使人更有耐心而非更沖動

新型分子探針首次實現(xiàn)對癡呆癥相關(guān)蛋白纖維的直接測量

HIV為何難以根除？新研究揭示病毒逃離大腦的秘密通道

集成平臺實現(xiàn)實驗室中人類神經(jīng)回路的精準(zhǔn)構(gòu)建

并非逐漸睡著：大腦入睡存在一個“突變”臨界點

全腦地圖不足以預(yù)測神經(jīng)活動，少量神經(jīng)元記錄是關(guān)鍵

█AI行業(yè)動態(tài)

OpenAI公開超長周期路線圖：萬億投資打造完全自主AI研究員

OpenAI完成企業(yè)重組強化公益使命，與微軟簽訂下一階段長期協(xié)議

OpenAI升級GPT-5模型：以臨床標(biāo)準(zhǔn)應(yīng)對用戶心理健康危機

AI學(xué)會生物學(xué)語言：Tahoe-x1打破細胞建模瓶頸，加速藥物發(fā)現(xiàn)

█AI驅(qū)動科學(xué)

新模型將蛋白質(zhì)序列視為對話，精準(zhǔn)預(yù)測跨物種相互作用

仿皮膚有機生物傳感器實現(xiàn)無漂移實時健康信號追蹤

使用AI雖能提升表現(xiàn)，卻會嚴(yán)重削弱自我評估能力

研究發(fā)現(xiàn)：使用AI獲取知識比傳統(tǒng)網(wǎng)絡(luò)搜索更淺顯

人工智能離審判席還有多遠？新框架旨在彌補其法律推理的致命弱點

腦科學(xué)動態(tài)

Nature：AI從頭設(shè)計全新鈣離子通道，實現(xiàn)精準(zhǔn)離子選擇性

天然鈣離子通道對生命至關(guān)重要，但其復(fù)雜性和脆弱性限制了深入研究和應(yīng)用。華盛頓大學(xué)的 David Baker 團隊（第一作者為劉禹來）利用人工智能首次從頭設(shè)計并構(gòu)建了全新的功能性鈣離子通道，證明AI能夠從第一性原理出發(fā)創(chuàng)造復(fù)雜的生物分子機器。

研究團隊使用名為RFdiffusion的蛋白質(zhì)設(shè)計AI算法，采取了一種創(chuàng)新的“由內(nèi)而外”策略。他們首先精確定義了通道最核心的結(jié)構(gòu)——離子選擇性過濾區(qū)（ion selectivity filter），該區(qū)域負責(zé)識別鈣離子并阻止鈉離子等其他離子通過。以此為起點，AI向外構(gòu)建了能夠穩(wěn)定嵌入細胞膜的完整蛋白質(zhì)結(jié)構(gòu)。為了驗證設(shè)計，團隊在細胞中表達了這些新蛋白質(zhì)，并采用膜片鉗電生理學(xué)（patch-clamp electrophysiology，評估離子通道功能的黃金標(biāo)準(zhǔn)）進行測試。結(jié)果顯示，設(shè)計的通道成功實現(xiàn)了對鈣離子的選擇性通透，其鈣離子電流強度約為鈉離子的5倍。更令人振奮的是，通過冷凍電鏡（cryo-EM）解析的一個通道結(jié)構(gòu)，與AI的設(shè)計模型在原子層面高度吻合。這項工作不僅為神經(jīng)科學(xué)等領(lǐng)域提供了強大的新研究工具，也為設(shè)計具有全新功能的人工蛋白質(zhì)開辟了道路。研究發(fā)表在 Nature 上。

閱讀更多：

Liu, Yulai, et al. “Bottom-up Design of Ca2+ Channels from Defined Selectivity Filter Geometry.” Nature, Oct. 2025, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-025-09646-z

AI生命時鐘LifeClock：一份常規(guī)體檢報告洞悉你的真實衰老速度

實際年齡無法準(zhǔn)確評估個體的衰老程度及疾病風(fēng)險，而已有的生物學(xué)時鐘大多局限于成年階段。為填補這一空白，溫州醫(yī)科大學(xué)與澳門科技大學(xué)的張康團隊聯(lián)合解放軍總醫(yī)院第一醫(yī)學(xué)中心的陳香美團隊，開發(fā)出首個覆蓋全生命周期的生物學(xué)時鐘LifeClock，它能利用常規(guī)臨床數(shù)據(jù)精準(zhǔn)預(yù)測生物學(xué)年齡，并揭示其與疾病風(fēng)險的關(guān)聯(lián)。

該研究基于近2500萬份來自968萬人的縱向電子健康記錄（electronic health records, EHR），利用一個名為EHRFormer的Transformer架構(gòu)AI模型進行分析。研究團隊發(fā)現(xiàn)，人體的生物學(xué)時鐘存在兩種截然不同的模式，以18歲為界。18歲前是主導(dǎo)生長發(fā)育的“發(fā)育時鐘”，其預(yù)測的生物學(xué)年齡與營養(yǎng)不良、生長異常等兒童期疾病風(fēng)險高度相關(guān)。18歲后則轉(zhuǎn)變?yōu)椤八ダ蠒r鐘”，其預(yù)測結(jié)果能準(zhǔn)確反映糖尿病、腎衰竭、中風(fēng)等重大老年疾病的風(fēng)險。研究還強調(diào)了“年齡差”（Age Gap，即生物學(xué)年齡與實際年齡的差值）作為健康預(yù)警信號的重要性，年齡差增大預(yù)示著疾病風(fēng)險的增加。與依賴昂貴檢測的傳統(tǒng)方法不同，LifeClock僅使用常規(guī)臨床數(shù)據(jù)，使其易于在現(xiàn)有醫(yī)療體系中推廣，有望徹底改變疾病的早期檢測與個性化干預(yù)。研究發(fā)表在 Nature Medicine 上。

閱讀更多：

Wang, Kai, et al. “A Full Life Cycle Biological Clock Based on Routine Clinical Data and Its Impact in Health and Diseases.” Nature Medicine, Oct. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41591-025-04006-w

饑餓加速大腦神經(jīng)元遷移

新生神經(jīng)元如何精準(zhǔn)抵達大腦指定位置？來自日本名古屋市立大學(xué)的 Takashi Ogino、Akari Saito 和 Kazunobu Sawamoto 等研究人員發(fā)現(xiàn)，這一過程不僅依賴血管作為“公路”，更受血流速度的直接調(diào)控，而血液中的“饑餓激素”胃饑餓素（ghrelin）扮演了關(guān)鍵的“加速器”角色。

?血流抑制會減弱神經(jīng)元遷移。Credit: eLife (2025).

研究團隊通過對成年小鼠的3D成像和雙光子顯微鏡觀察發(fā)現(xiàn)，從腦室下區(qū)（subventricular zone, SVZ）遷移至嗅球的新生神經(jīng)元，其遷移速度與所依附血管的血流速度顯著正相關(guān)。在血流更快的血管中，神經(jīng)元的移動也更快。進一步探究其分子機制時，團隊將目光鎖定在胃饑餓素上。實驗證明，這種在饑餓時水平升高的激素能從血液中穿過血管壁，直接作用于神經(jīng)元。胃饑餓素信號會激活神經(jīng)元胞體后部的肌動蛋白細胞骨架（actin cytoskeleton）收縮，從而為細胞遷移提供推力。為了驗證這一生理聯(lián)系，研究者對小鼠進行熱量限制，發(fā)現(xiàn)其體內(nèi)胃饑餓素水平升高，嗅球神經(jīng)元的遷移也相應(yīng)加快。這一發(fā)現(xiàn)揭示了身體生理狀態(tài)（饑餓）通過血液信號直接調(diào)控大腦結(jié)構(gòu)重塑的精妙機制，可能有助于在饑餓時提升嗅覺靈敏度以覓食。研究發(fā)表在 eLife 上。

閱讀更多：

Ogino, Takashi, et al. “Neuronal Migration Depends on Blood Flow in the Adult Mammalian Brain.” eLife, edited by Aya Ito-Ishida and Jonathan A Cooper, vol. 13, Oct. 2025, p. RP99502. eLife, https://doi.org/10.7554/eLife.99502

揭示人類行為感知的28個維度

我們?nèi)绾嗡查g理解他人是在打招呼還是在做運動？雷根斯堡大學(xué)的 André Bockes、Angelika Lingnau 與吉森大學(xué)的 Martin Hebart 合作，通過一項涉及超6000名參與者的大規(guī)模研究，首次系統(tǒng)性地揭示了大腦組織和理解人類行為的內(nèi)在結(jié)構(gòu)。他們通過計算建模，構(gòu)建了一個包含28個關(guān)鍵維度的“行為地圖”，為理解社會認知提供了全新框架。

?創(chuàng)建人類行為視頻數(shù)據(jù)庫。Credit: Communications Psychology (2025).

研究團隊首先創(chuàng)建了一個包含256類人類行為的768個短視頻數(shù)據(jù)庫。隨后，他們招募了6036名參與者進行在線實驗，讓參與者在三個視頻中選出最不相似的一個（三元組異類判斷實驗，triplet odd-one-out experiment）。基于海量的相似性判斷數(shù)據(jù)，研究人員運用計算建模方法，成功構(gòu)建了一個多維空間模型，揭示了我們感知行為的28個核心維度，如社交互動、手工藝、運動、是否涉及工具等。這個模型就像一張地圖，將各種行為根據(jù)其相似性定位在空間中。為了驗證這些維度的真實性，團隊又請另一組參與者直接沿著這些維度為行為打分，結(jié)果發(fā)現(xiàn)打分與模型預(yù)測高度一致，證明這些維度確實是人們理解行為時所依賴的心理概念。這項研究不僅為我們理解社會認知提供了基礎(chǔ)，其建立的多維行為空間也為未來的神經(jīng)影像學(xué)研究提供了可量化的預(yù)測工具。研究發(fā)表在 Communications Psychology 上。

閱讀更多：

Bockes, André, et al. “Revealing Key Dimensions Underlying the Recognition of Dynamic Human Actions.” Communications Psychology, vol. 3, no. 1, Oct. 2025, p. 149. www.nature.com, https://doi.org/10.1038/s44271-025-00338-y

新證據(jù)表明，多巴胺使人更有耐心而非更沖動

多巴胺如何影響人們的沖動決策？以往研究結(jié)論不一。科隆大學(xué)的 Elke Smith 和 Jan Peters 等研究人員通過一項大規(guī)模研究發(fā)現(xiàn)，提高大腦中的多巴胺水平能夠溫和但可靠地降低人們的沖動性，使其更愿意等待未來的豐厚回報。

?多巴胺分子的球棍模型，多巴胺是一種影響大腦獎賞和愉悅中樞的神經(jīng)遞質(zhì)。Credit: Jynto/Wikipedia

人們在做決定時，常表現(xiàn)出一種被稱為時間折扣（temporal discounting，即傾向于選擇較小的即時獎勵而非較大的延遲獎勵）的現(xiàn)象，這與沖動性密切相關(guān)。為了厘清神經(jīng)遞質(zhì)多巴胺在此過程中的作用，科隆大學(xué)的研究團隊進行了一項大規(guī)模雙盲隨機安慰劑對照研究。76名健康參與者分別服用了多巴胺前體左旋多巴（L-DOPA）或安慰劑，并完成跨期選擇任務(wù)。研究人員運用認知建模分析數(shù)據(jù)后發(fā)現(xiàn)，與安慰劑組相比，服用左旋多巴的參與者等待更大延遲獎勵的意愿有所提升，沖動性降低了約20%。這一結(jié)果挑戰(zhàn)了此前一些小樣本研究認為左旋多巴會增加沖動選擇的結(jié)論。此外，研究還發(fā)現(xiàn)，諸如工作記憶容量、自發(fā)眨眼率等長期被用作基線多巴胺水平的間接指標(biāo)，并不能有效預(yù)測個體對藥物的反應(yīng)，這提示了它們作為直接指標(biāo)的局限性。這些發(fā)現(xiàn)深化了對多巴胺調(diào)控決策機制的理解。研究發(fā)表在 Journal of Neuroscience 上。

閱讀更多：

Smith, Elke, et al. “Dopamine and Temporal Discounting: Revisiting Pharmacology and Individual Differences.” Journal of Neuroscience, Oct. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.0786-25.2025

新型分子探針FibrilPaint首次實現(xiàn)對癡呆癥相關(guān)蛋白纖維的直接測量

如何實現(xiàn)阿爾茨海默病等癡呆癥的早期診斷是全球性難題。烏得勒支大學(xué)的Júlia Aragonès Pedrola、Fran?oise A. Dekker和Stefan G. D. Rüdiger等研究人員開發(fā)出一種名為FibrilPaint的創(chuàng)新技術(shù)，首次實現(xiàn)了在血液等體液中直接測量與疾病相關(guān)的微小蛋白纖維，為早期診斷和新藥研發(fā)開辟了新路徑。

?FibrilPaint1 是一種特異性標(biāo)記蛋白原纖維的分子。(A) ThT 檢測的代表性圖示，其中 TauRD 聚集濃度為 20 μM，F(xiàn)ibrilPaint1、FibrilPaint2、FibrilPaint3 和 FibrilPaint4 的滴定濃度分別為 2、0.2 和 0.02 μM（從左至右）。所有肽段均以劑量依賴的方式降低終末平臺值。圖中顯示了三個重復(fù)實驗的結(jié)果。n = 3。(B) FibrilPaint 與原纖維結(jié)合的示意圖，采用流動誘導(dǎo)分散分析 (FIDA) 進行分析。如果 FibrilPaint 結(jié)合，則形成更大的分子，在 FIDA 中分散性更強，導(dǎo)致檢測到的 Rh 值增加（綠色方框）。如果沒有結(jié)合，Rh 值與僅含有 FibrilPaint 的 Rh 值相同（紅色方框）。 (C) FibrilPaint 與單體或纖維狀 TauRD 結(jié)合的 FIDA 結(jié)果。圖中顯示的是 N = 3 的平均值。(D) FibrilPaint1 與滴定 TauRD 纖維的結(jié)合曲線 (N = 3，Kd 1.6E?6)，或 (E) 與單體的結(jié)合曲線 (N = 3，Kd 1.3E?5)。(FibrilPaint 肽段，藍色；TauRD 單體，深紫色；TauRD 纖維，淺紫色)。Credit: Proceedings of the National Academy of Sciences (2025).

該研究的核心是一種名為FibrilPaint1的熒光肽分子，它能像“顏料”一樣特異性地附著在 Tau、β-淀粉樣蛋白等多種致病蛋白形成的淀粉樣原纖維上，但完全忽略健康的單體蛋白。研究團隊將FibrilPaint1探針與一種名為流動誘導(dǎo)分散分析（Flow-Induced Dispersion Analysis, FIDA）的微流控技術(shù)相結(jié)合，構(gòu)建了一套如同分子標(biāo)尺的檢測系統(tǒng)。該系統(tǒng)僅需極少量樣本，就能精確測量出蛋白纖維的長度，從而反映疾病的進展階段。實驗證實，該方法靈敏度極高，能夠檢測到小至4層的早期蛋白聚集體，且在血清等復(fù)雜環(huán)境中表現(xiàn)穩(wěn)定。研究人員成功利用該技術(shù)分析了來自阿爾茨海??病患者的樣本，驗證了其臨床應(yīng)用的潛力。這項技術(shù)不僅有望催生簡單的血液檢測用于癡呆癥的早期篩查，還能在藥物臨床試驗中精確評估療效。研究發(fā)表在 PNAS 上。

閱讀更多：

Aragonès Pedrola, Júlia, et al. “FibrilPaint to Determine the Length of Tau Amyloids in Fluids.” Proceedings of the National Academy of Sciences, vol. 122, no. 44, Nov. 2025, p. e2502847122. world, www.pnas.org, https://doi.org/10.1073/pnas.2502847122

HIV為何難以根除？新研究揭示病毒逃離大腦的秘密通道

為何HIV病毒在有效治療下仍難以根除？中樞神經(jīng)系統(tǒng)（CNS）的病毒庫是關(guān)鍵挑戰(zhàn)。來自波士頓學(xué)院和杜蘭國家靈長類動物研究中心的 Kenneth C. Williams、Robert V. Blair 和 Zoey K. Wallis 等研究人員，通過猴模型研究發(fā)現(xiàn)了一條前所未知的神經(jīng)周圍通路，揭示了受感染的免疫細胞如何從大腦這一“避難所”逃逸，向全身持續(xù)播散病毒。

?Credit: The American Journal of Pathology (2025).

研究團隊利用SIV感染的猴模型（猴類艾滋病模型），通過向腦脊液注射帶有兩種不同顏色熒光標(biāo)記的納米顆粒（SPIONs），成功追蹤了中樞神經(jīng)系統(tǒng)內(nèi)免疫細胞——巨噬細胞的動向。研究發(fā)現(xiàn)，這些巨噬細胞，包括攜帶病毒的細胞，能夠沿著顱神經(jīng)和周圍神經(jīng)的纖維結(jié)構(gòu)形成一條“神經(jīng)周圍通路”（perineural pathway），離開被血腦屏障保護的大腦。實驗表明，盡管抗逆轉(zhuǎn)錄病毒療法（antiretroviral therapy, ART）能有效減少CNS內(nèi)的病毒載量和巨噬細胞數(shù)量，但并不能完全阻斷這條逃逸通道。受感染的巨噬細胞依然能通過此路徑遷移至外周，重新播散病毒并引發(fā)炎癥，這解釋了為何CNS病毒庫是動態(tài)的，并能持續(xù)導(dǎo)致全身性的病毒活動。這一發(fā)現(xiàn)為開發(fā)旨在徹底清除HIV的未來療法提供了新的潛在靶點。研究發(fā)表在 The American Journal of Pathology 上。

閱讀更多：

Wallis, Zoey K., et al. “Novel Perineural Pathways and the Dynamics of SIV-Infected Macrophage Trafficking Out of the Central Nervous System.” The American Journal of Pathology, vol. 195, no. 11, Nov. 2025, pp. 2233–46. ajp.amjpathol.org,

集成平臺實現(xiàn)實驗室中人類神經(jīng)回路的精準(zhǔn)構(gòu)建

如何精確研究人腦回路的功能及其在疾病中的變化？長期以來，體外模型因其細胞連接的隨機性而受限。來自波恩大學(xué)、明斯特大學(xué)和哈佛醫(yī)學(xué)院的 Volker Busskamp 和 Johannes Striebel 等研究人員，開發(fā)了一種名為SNAP的創(chuàng)新平臺，首次實現(xiàn)了以單細胞精度按需構(gòu)建人類神經(jīng)回路。

?Credit: ACS Nano (2025).

研究團隊開發(fā)了單神經(jīng)元網(wǎng)絡(luò)組裝平臺（Single-Neuron Network Assembly Platform, SNAP），該技術(shù)整合了3D打印微流控通道、激光與軟光刻技術(shù)。研究人員利用顯微操作系統(tǒng)將單個神經(jīng)細胞精確放置在指定位置，并引導(dǎo)其軸突生長，從而構(gòu)建出結(jié)構(gòu)清晰、可重復(fù)的神經(jīng)網(wǎng)絡(luò)。利用這一高度可控的系統(tǒng)，團隊首次在人類神經(jīng)回路中直接證實了電觸覺耦合（ephaptic coupling，一種神經(jīng)元通過自身電場而非傳統(tǒng)突觸進行通信的機制）的存在。實驗表明，這種非突觸的電場相互作用能夠影響神經(jīng)信號的傳遞速度和時序。這一發(fā)現(xiàn)不僅揭示了大腦信息處理的一種新機制，也暗示其可能與癲癇或心律失常等疾病的發(fā)生有關(guān)。該平臺還支持光遺傳學(xué)刺激，未來有望在基礎(chǔ)研究、疾病建模和神經(jīng)活性藥物篩選等領(lǐng)域發(fā)揮重要作用。研究發(fā)表在 ACS Nano 上。

閱讀更多：

Striebel, Johannes, et al. “Reproducible Human Neural Circuits Printed with Single-Cell Precision Reveal the Functional Roles of Ephaptic Coupling.” ACS Nano, Oct. 2025. ACS Publications, https://doi.org/10.1021/acsnano.5c11482

并非逐漸睡著：大腦入睡存在一個“突變”臨界點

大腦如何從清醒狀態(tài)進入睡眠一直是個科學(xué)謎題。來自倫敦帝國理工學(xué)院和薩里大學(xué)的 Junheng Li、Nir Grossman 和 Derk-Jan Dijk 等研究人員，通過分析上千人的腦電圖數(shù)據(jù)，發(fā)現(xiàn)入睡過程并非平滑漸變，而是在一個可預(yù)測的“臨界點”突然發(fā)生，并構(gòu)建了能實時預(yù)測這一過程的計算模型，為理解睡眠機制及相關(guān)疾病提供了新視角。

?本研究的計算框架。 Credit: Nature Neuroscience (2025).

研究團隊分析了超過1000名參與者的腦電圖數(shù)據(jù)，并開發(fā)了一種創(chuàng)新的計算框架，將復(fù)雜的腦電活動變化轉(zhuǎn)化為多維空間中的一條運動軌跡。研究發(fā)現(xiàn)，從清醒到睡眠的轉(zhuǎn)變并非一個漸進過程，而是遵循一種被稱為分岔（bifurcation，指系統(tǒng)在參數(shù)微小變化下狀態(tài)發(fā)生質(zhì)變的動態(tài)現(xiàn)象）的模式，在最后幾分鐘內(nèi)突然發(fā)生。這一轉(zhuǎn)變存在一個明確的“臨界點”，并且在此之前會出現(xiàn)“臨界減速”的特征性現(xiàn)象，類似于物體下落或棍棒折斷前的瞬間。更重要的是，每個人在特征空間中都有一個獨特的、且在不同夜晚保持穩(wěn)定的睡眠起始坐標(biāo)。基于此發(fā)現(xiàn)和分岔模型，研究人員能夠以秒級的分辨率和高達98%的準(zhǔn)確率，實時預(yù)測個體進入睡眠的確切進程。這項研究首次為大腦入睡的“突變”理論提供了實驗證據(jù)，其成果有望用于開發(fā)診斷和治療失眠等睡眠障礙的新方法。研究發(fā)表在 Nature Neuroscience 上。

閱讀更多：

Li, Junheng, et al. “Falling Asleep Follows a Predictable Bifurcation Dynamic.” Nature Neuroscience, Oct. 2025, pp. 1–11.

全腦地圖不足以預(yù)測神經(jīng)活動，少量神經(jīng)元記錄是關(guān)鍵

擁有大腦完整的神經(jīng)“線路圖”（連接組）是否就意味著能預(yù)測其活動？哥倫比亞大學(xué)的 Manuel Beiran 與 Ashok Litwin-Kumar 建立了一套理論框架，指出僅有連接組數(shù)據(jù)遠不足以預(yù)測大腦動態(tài)，但只需結(jié)合一小部分關(guān)鍵神經(jīng)元的活動記錄，就能有效破解這一難題。

研究團隊采用“師生網(wǎng)絡(luò)”（teacher–student）模型來探討這一問題。其中，“教師”網(wǎng)絡(luò)模擬一個真實的生物神經(jīng)網(wǎng)絡(luò)，其連接組已知，但其單個神經(jīng)元的生物物理特性是多樣的。“學(xué)生”網(wǎng)絡(luò)擁有與“教師”完全相同的連接組，但其神經(jīng)元的生物物理參數(shù)是待定的。研究發(fā)現(xiàn)，當(dāng)訓(xùn)練“學(xué)生”網(wǎng)絡(luò)僅以完成特定任務(wù)為目標(biāo)時，會出現(xiàn)“簡并性”（degeneracy）現(xiàn)象：模型可以找到許多組不同的內(nèi)部參數(shù)，生成完全不同的神經(jīng)活動模式，卻都能完成同樣的任務(wù)。這表明，單憑連接組無法唯一確定網(wǎng)絡(luò)動態(tài)。然而，如果在訓(xùn)練中加入一小部分“教師”神經(jīng)元的真實活動記錄作為額外約束，這種不確定性就會被消除，使得“學(xué)生”網(wǎng)絡(luò)的整體活動能夠精確地復(fù)現(xiàn)“教師”網(wǎng)絡(luò)。至關(guān)重要的是，所需記錄的神經(jīng)元數(shù)量僅取決于網(wǎng)絡(luò)活動的內(nèi)在維度，而非神經(jīng)元總數(shù)。該理論不僅揭示了結(jié)構(gòu)與功能之間的復(fù)雜關(guān)系，還提供了一種方法，用以識別哪些神經(jīng)元是信息量最大的觀測點，為未來實驗設(shè)計提供了指導(dǎo)。研究發(fā)表在 Nature Neuroscience 上。

閱讀更多：

Beiran, Manuel, and Ashok Litwin-Kumar. “Prediction of Neural Activity in Connectome-Constrained Recurrent Networks.” Nature Neuroscience, Oct. 2025, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41593-025-02080-4

AI 行業(yè)動態(tài)

OpenAI公開超長周期路線圖：萬億投資打造完全自主AI研究員

重組后的OpenAI首次通過直播向公眾展示了其未來研究目標(biāo)和基礎(chǔ)設(shè)施計劃，展現(xiàn)出不同尋常的透明度。首席科學(xué)家Jakub Pachocki公開了明確的時間表，目標(biāo)是在2026年9月實現(xiàn)“AI研究實習(xí)生級別”的能力，能夠通過大量計算顯著加速研究人員的工作；更具里程碑意義的是，他們計劃在2028年3月實現(xiàn)“完全自動化的AI研究員”，使其能夠自主完成大型研究項目。研究人員相信，深度學(xué)習(xí)系統(tǒng)距離超級智能“可能不到十年”。同時，OpenAI正在價值對齊領(lǐng)域推進一項名為“思維鏈忠實度”（Chain of Thought Faithfulness，即一種在訓(xùn)練中保持模型對實際想法忠實表達的新技術(shù)），目的在于在系統(tǒng)進行長時間思考或處理超出人類能力的問題時，能夠依賴AI內(nèi)在的價值觀來保證安全，并檢測潛在的欺騙行為。此前，Sam Altman也承認了關(guān)于GPT-4o對敏感對話強制路由機制的失誤，并承諾將在建立年齡驗證機制后進行改進，以更好地平衡用戶自由與未成年人保護。

OpenAI的組織架構(gòu)也進行了重大簡化，核心是非營利性質(zhì)的OpenAI基金會，該基金會將完全控制下屬的公益公司OpenAI Group。基金會承諾投入250億美元用于AI輔助疾病治療研究，并重點關(guān)注“AI彈性”（AI Resilience，即社會對AI風(fēng)險的快速響應(yīng)機制），這個概念被研究人員Wojciech Zaremba認為是比傳統(tǒng)AI安全更廣闊的領(lǐng)域。在基礎(chǔ)設(shè)施方面，OpenAI首次公開了其雄心壯志，已承諾的基礎(chǔ)設(shè)施建設(shè)總財務(wù)義務(wù)高達約1.4萬億美元，總計算能力超過30GW（吉瓦）。OpenAI的長期目標(biāo)是建立基礎(chǔ)設(shè)施工廠，每周創(chuàng)造1GW算力，并計劃將每吉瓦的成本在五年內(nèi)降至約200億美元。盡管AI能力的價格每年以約40倍的速度下降，OpenAI致力于將最好的技術(shù)放入免費層，Sam Altman也描繪了AI界面進化的方向，認為未來的系統(tǒng)將超越簡單的聊天機器人，演變?yōu)椤碍h(huán)境感知的、總是存在的伙伴”，觀察用戶生活并在需要時主動提供幫助。

閱讀更多：

https://openai.com/live/?video=1131297184

OpenAI完成企業(yè)重組強化公益使命，與微軟簽訂下一階段長期協(xié)議

OpenAI正式宣布完成企業(yè)重組，此舉旨在大幅簡化企業(yè)結(jié)構(gòu)，并確保其核心的公益使命擁有穩(wěn)固的控制權(quán)與資金基礎(chǔ)。重組后的盈利實體，即OpenAI Group 公共利益公司（Public Benefit Corporation, PBC，一種追求公共利益和股東利益平衡的盈利性法律實體），仍受OpenAI非營利機構(gòu)（OpenAI Foundation，一家致力于公共利益和使命驅(qū)動的非盈利組織）的控制。這一機制確保了即使公司商業(yè)價值攀升，其發(fā)展方向依然服從于“讓通用人工智能造福全人類”的使命。OpenAI Group PBC的整體估值約為5000億美元，而基金會目前擁有的股份價值約為1300億美元，這使其成為全球資源最豐富的公益基金之一。基金會已規(guī)劃將首先投入250億美元，專注于兩大核心領(lǐng)域：加速醫(yī)療創(chuàng)新，推動疾病診斷和治療的突破，并資助科研人員公開共享醫(yī)學(xué)數(shù)據(jù)；以及建立更強的“AI防護系統(tǒng)”，投入AI安全技術(shù)研發(fā)，防止AI被濫用。

隨著重組完成，OpenAI與微軟簽署了進入“下一階段”的長期合作協(xié)議。微軟對OpenAI Group PBC的投資約為1350億美元，持股比例約為27%。新協(xié)議延續(xù)了核心合作框架，即OpenAI仍是微軟的前沿模型獨家合作伙伴，且微軟在通用人工智能出現(xiàn)之前，繼續(xù)保持知識產(chǎn)權(quán)獨家權(quán)利和Azure API獨家托管權(quán)。然而，新條款為雙方帶來了更大的獨立性和靈活性：微軟獲得了獨立研發(fā)通用人工智能的自由；OpenAI則可在非API產(chǎn)品上與其他第三方聯(lián)合開發(fā)，并將產(chǎn)品運行在任何云平臺上。此外，OpenAI還可以向美國國家安全客戶提供API服務(wù)，且不再受限于Azure平臺。未來通用人工智能的實現(xiàn)將由一個獨立專家小組進行驗證。作為合作的進一步承諾，OpenAI將額外采購價值2500億美元的Azure服務(wù)，而微軟對OpenAI的技術(shù)與產(chǎn)品知識產(chǎn)權(quán)保護期限則延長至2032年。

閱讀更多：

https://w.media/openai-formalizes-path-to-for-profit-recapitalization-updates-partnership-with-microsoft/

OpenAI升級GPT-5模型：以臨床標(biāo)準(zhǔn)應(yīng)對用戶心理健康危機

OpenAI 近期大幅升級了其默認模型（如 GPT-5），重點在于提升其在用戶面臨心理困擾或危機時的安全響應(yīng)能力。研究人員指出，每周約有 0.15% 的活躍用戶（按當(dāng)前用戶規(guī)模估算，可能達數(shù)十萬人）的對話中涉及潛在的自殺意圖。為解決這一嚴(yán)峻挑戰(zhàn)，OpenAI 與具有臨床經(jīng)驗的心理健康專家合作，設(shè)計了一套持續(xù)的“五步安全改進流程”（Define the problem, Measure it, Validate approach, Mitigate risks, Iterate and measure），旨在更準(zhǔn)確地識別用戶的心理狀態(tài)，并引導(dǎo)他們尋求專業(yè)的幫助，而非依賴人工智能。改進的核心目標(biāo)聚焦于三大高風(fēng)險對話類別：嚴(yán)重心理健康癥狀（Psychosis/Mania，指幻覺、躁狂或妄想等精神狀態(tài)）、自殺與自傷傾向（suicidal ideation / self-harm）、以及對 AI 的情感依賴（emotional reliance）。這些模型優(yōu)化基于詳細的心理健康對話分類體系進行后訓(xùn)練。

新模型 GPT-5 在各項安全指標(biāo)上相比前代 GPT-4o 取得了顯著提升。在自殺與自傷相關(guān)測試中，專家評估的“不當(dāng)回答”減少了 52%，模型合規(guī)率提升至 91%。同時，針對精神病與躁狂癥狀，不合規(guī)回應(yīng)減少了 65%。尤其在處理 AI 情感依賴方面，不合規(guī)回答減少了 80%，模型被訓(xùn)練用于鼓勵用戶聯(lián)系現(xiàn)實生活中的支持系統(tǒng)，避免強化對 AI 的依戀。為確保改進的臨床有效性，OpenAI 建立了由全球醫(yī)生與心理學(xué)家網(wǎng)絡(luò)組成的專家合作機制，其中包括來自 60 個國家的 170 多位精神科醫(yī)生、心理學(xué)家和全科醫(yī)生，他們通過臨床分析和評分評審了 1800 多條模型回答。總體評估顯示，GPT-5 在所有敏感對話類別中的“不理想回應(yīng)”減少幅度達到 39% 至 52%，這表明大模型在處理復(fù)雜且高風(fēng)險的心理健康情境時，正朝著更加負責(zé)任和安全的方向發(fā)展。

-5

閱讀更多：

https://openai.com/index/strengthening-chatgpt-responses-in-sensitive-conversations/

AI學(xué)會生物學(xué)語言：Tahoe-x1打破細胞建模瓶頸，加速藥物發(fā)現(xiàn)

美國生命科學(xué)公司Tahoe Bio近日發(fā)布了Tahoe-x1（Tx1），這是一個擁有30億參數(shù)（3B）的大型基礎(chǔ)模型，旨在使人工智能能夠理解基因、細胞與藥物間的復(fù)雜關(guān)系，從而“學(xué)會生物學(xué)的語言”。此前，盡管規(guī)模定律在語言和蛋白質(zhì)預(yù)測領(lǐng)域取得了巨大成功，但細胞生物學(xué)領(lǐng)域卻因單細胞實驗數(shù)據(jù)稀少、噪聲大，以及數(shù)據(jù)維度極高（每個基因都可視為一個特征）導(dǎo)致算力受限，使大規(guī)模學(xué)習(xí)難以實現(xiàn)。Tahoe Bio通過明確的兩步戰(zhàn)略解決了這一瓶頸。第一步是構(gòu)建數(shù)據(jù)基座，發(fā)布了Tahoe-100M，這是目前全球最大的單細胞擾動（perturbation，即通過藥物或基因干預(yù)對細胞進行操作）數(shù)據(jù)集，包含了1億個單細胞樣本和超過1100種干預(yù)方式，為AI提供了前所未有的“生物語料庫”。

在此數(shù)據(jù)基礎(chǔ)上，Tahoe Bio的研究人員借鑒了GPT的經(jīng)驗，但針對生物數(shù)據(jù)的高維度特性，重寫了模型的注意力機制，同時采用了一系列高效訓(xùn)練方案，例如FlashAttention v2和FSDP（Fully Sharded Data Parallelism，將模型拆分到多個GPU上并行處理），使得Tx1成為首個在單細胞層面使用完整Transformer架構(gòu)的模型，訓(xùn)練速度比現(xiàn)有框架快3至30倍。Tahoe-x1作為一個基礎(chǔ)系統(tǒng)，展現(xiàn)出強大的泛化能力。它在多個基準(zhǔn)測試中超越了現(xiàn)有模型，例如能夠高效預(yù)測癌癥細胞生存所需的關(guān)鍵基因，識別腫瘤發(fā)展中的癌癥信號通路，并能進行零樣本泛化，從而實現(xiàn)對藥物反應(yīng)的準(zhǔn)確預(yù)測。這一能力開啟了虛擬臨床試驗（in silico trials，在計算機中模擬藥物反應(yīng)）的可能性，有望大幅降低新藥研發(fā)成本，并加速尋找新的治療靶點。Tahoe Bio已完全開源了模型權(quán)重、代碼以及全套實驗流程。

閱讀更多：

https://www.biorxiv.org/content/10.1101/2025.10.23.683759v1

AI 驅(qū)動科學(xué)

新模型將蛋白質(zhì)序列視為對話，精準(zhǔn)預(yù)測跨物種相互作用

蛋白質(zhì)相互作用（PPI）的精準(zhǔn)預(yù)測是生物學(xué)難題，現(xiàn)有模型跨物種泛化能力不足。為此，格拉斯哥大學(xué)的 Dan Liu、Ke Yuan 和 David L. Robertson 等研究者開發(fā)了 PLM-interact，一種新型蛋白質(zhì)語言模型，它將蛋白對視為“對話”來聯(lián)合編碼，顯著提升了跨物種PPI預(yù)測的準(zhǔn)確性。

該研究的核心是將成對的蛋白質(zhì)序列視為一個整體輸入模型，而非獨立編碼。研究團隊基于預(yù)訓(xùn)練的蛋白質(zhì)語言模型ESM-2，設(shè)計了PLM-interact。該模型通過將兩條蛋白質(zhì)序列直接拼接，讓Transformer的注意力機制能夠捕捉跨蛋白的氨基酸殘基之間的相互依賴關(guān)系，這類似于自然語言處理中的句子關(guān)系理解。模型在訓(xùn)練中結(jié)合了掩碼語言建模和判斷蛋白是否相互作用的二元分類任務(wù)，從而學(xué)會識別蛋白質(zhì)間的“對話格局”。在以人類數(shù)據(jù)訓(xùn)練后，PLM-interact在跨物種基準(zhǔn)測試中表現(xiàn)卓越，其精確率-召回曲線下面積（AUPR，衡量預(yù)測模型性能的指標(biāo)）在小鼠、果蠅和線蟲上分別比次優(yōu)方法高出約2%、8%和6%。此外，該模型成功預(yù)測了包括谷歌DeepMind支持的AlphaFold3在內(nèi)的其他工具未能識別的五個關(guān)鍵PPI中的四個，并展示了其在病毒-宿主相互作用預(yù)測中的潛力。研究發(fā)表在 Nature Communications 上。

閱讀更多：

Liu, Dan, et al. “PLM-Interact: Extending Protein Language Models to Predict Protein-Protein Interactions.” Nature Communications, vol. 16, no. 1, Oct. 2025, p. 9012. www.nature.com, https://doi.org/10.1038/s41467-025-64512-w

仿皮膚有機生物傳感器實現(xiàn)無漂移實時健康信號追蹤

當(dāng)前可穿戴設(shè)備在監(jiān)測健康信號時常因運動、溫度等因素導(dǎo)致數(shù)據(jù)不準(zhǔn)。斯坦福大學(xué)的Zhenan Bao、Chuanzhen Zhao及團隊受皮膚啟發(fā)，開發(fā)出一種新型有機生物傳感器，該傳感器通過創(chuàng)新的“孿生”設(shè)計有效消除了環(huán)境干擾，能夠?qū)崟r、可靠地追蹤健康相關(guān)信號。

?集成式可穿戴系統(tǒng)。Credit: Dr. Chengyi Xu.

該研究的核心是一種基于有機場效應(yīng)晶體管（organic field-effect transistors, OFETs）的仿皮膚傳感器。研究團隊設(shè)計了一對結(jié)構(gòu)和材料完全相同的可拉伸OFETs，并將它們緊鄰放置。其中一個晶體管用于檢測目標(biāo)生物標(biāo)志物（如皮質(zhì)醇），另一個作為參照。通過一種特殊的二極管連接方式，兩個晶體管共同受到的環(huán)境干擾信號（如由拉伸、按壓或溫度變化引起的信號漂移）可以相互抵消，最終只輸出由目標(biāo)物質(zhì)產(chǎn)生的純凈信號。測試結(jié)果表明，該設(shè)計能將信號失真降低超過兩個數(shù)量級，即使在高達100%的拉伸應(yīng)變下也能保持穩(wěn)定。研究團隊成功利用該傳感器精確測量了汗液中的皮質(zhì)醇、葡萄糖和鈉離子。他們還將傳感器與柔性電路及智能手機應(yīng)用集成，成功實現(xiàn)了對急性壓力下人體汗液皮質(zhì)醇水平的無線實時監(jiān)測，展示了其在精神健康管理等領(lǐng)域的應(yīng)用潛力。研究發(fā)表在 Nature Electronics 上。

閱讀更多：

Zhao, Chuanzhen, et al. “Skin-like Drift-Free Biosensors with Stretchable Diode-Connected Organic Field-Effect Transistors.” Nature Electronics, vol. 8, no. 10, Oct. 2025, pp. 981–93. www.nature.com, https://doi.org/10.1038/s41928-025-01465-4

使用AI雖能提升表現(xiàn)，卻會嚴(yán)重削弱自我評估能力

我們真的了解自己在AI輔助下的真實能力嗎？阿爾托大學(xué)的Daniela Fernandes和Robin Welsch等研究人員通過實驗發(fā)現(xiàn)，使用AI雖然能提升任務(wù)表現(xiàn)，但同時會普遍導(dǎo)致人們嚴(yán)重高估自身能力，甚至讓那些自認為更懂AI的人變得更加過度自信。

研究團隊設(shè)計了兩項大規(guī)模實驗，約700名參與者被要求完成法學(xué)院入學(xué)考試（LSAT）中的邏輯推理題。研究發(fā)現(xiàn)，盡管使用AI的參與者表現(xiàn)確實更好，但他們無一例外地高估了自己的成績。有趣的是，心理學(xué)中經(jīng)典的鄧寧-克魯格效應(yīng)（Dunning-Kruger Effect，即能力越低者越傾向于高估自己）在使用AI后完全消失了。更令人意外的是，那些AI素養(yǎng)更高的參與者，其自我評估的準(zhǔn)確性反而更低。研究者認為，這可能源于用戶對AI的盲目信任和淺層互動，即“認知卸載”，用戶傾向于將思考過程完全交給AI，從而喪失了準(zhǔn)確自我監(jiān)控所需的反饋線索。這一發(fā)現(xiàn)提醒我們，在設(shè)計AI系統(tǒng)時需鼓勵用戶深度參與和批判性反思，以避免虛假自信帶來的風(fēng)險。研究發(fā)表在 Computers in Human Behavior 上。

-克魯格效應(yīng)

閱讀更多：

“AI Makes You Smarter but None the Wiser: The Disconnect between Performance and Metacognition.” Computers in Human Behavior, vol. 175, Feb. 2026, p. 108779. www.sciencedirect.com, https://doi.org/10.1016/j.chb.2025.108779

研究發(fā)現(xiàn)：使用AI獲取知識比傳統(tǒng)網(wǎng)絡(luò)搜索更淺顯

大型語言模型帶來的信息獲取便利性是否以犧牲學(xué)習(xí)深度為代價？研究者 Shiri Melumad 和 Jin Ho Yun 進行了一系列實驗，結(jié)果表明，與傳統(tǒng)網(wǎng)絡(luò)搜索相比，依賴AI聊天機器人學(xué)習(xí)新知識可能會導(dǎo)致認知深度變淺，并降低產(chǎn)出內(nèi)容的原創(chuàng)性和說服力。

該研究通過七項線上與實驗室實驗，對超過一萬名參與者進行了測試。參與者被隨機分配使用大型語言模型或谷歌搜索來學(xué)習(xí)不同主題，隨后根據(jù)所學(xué)內(nèi)容撰寫建議。數(shù)據(jù)顯示，使用LLM的參與者投入的學(xué)習(xí)精力更少，他們主觀上認為自己獲得的知識也更淺。客觀分析發(fā)現(xiàn)，他們撰寫的建議不僅篇幅更短、事實引用更少，而且內(nèi)容更趨于同質(zhì)化。在另一項實驗中，1,501名不知情的評估者在評判這些建議時，普遍認為源于LLM學(xué)習(xí)者的建議信息量、實用性和可信度都較低，因此更不愿意采納。研究者認為，傳統(tǒng)搜索迫使用戶主動發(fā)現(xiàn)、篩選和整合信息，這是一個構(gòu)建深度知識結(jié)構(gòu)的關(guān)鍵過程；而LLM提供的預(yù)合成摘要則將學(xué)習(xí)簡化為一種被動接收，從而限制了深度和原創(chuàng)知識的形成。研究發(fā)表在 PNAS Nexus 上。

閱讀更多：

Melumad, Shiri, and Jin Ho Yun. Experimental Evidence of the Effects of Large Language Models versus Web Search on Depth of Learning. academic.oup.com, https://dx.doi.org/10.1093/pnasnexus/pgaf316. Accessed 29 Oct. 2025

人工智能離審判席還有多遠？新框架旨在彌補其法律推理的致命弱點

大型語言模型在法律領(lǐng)域的應(yīng)用前景廣闊，但其“幻覺”和推理能力缺陷使其難以勝任嚴(yán)肅的司法工作。阿爾伯塔大學(xué)的 Randy Goebel 及其合作者 Ha Thanh Nguyen、Wachara Fungwacharakorn 等人，基于多年法律AI競賽的經(jīng)驗，提出了一套統(tǒng)一的法律推理框架，旨在規(guī)范和增強LLM在法律場景中的應(yīng)用，解決其關(guān)鍵弱點。

該研究指出，要讓AI像法律專家一樣思考，必須掌握三種核心推理能力：基于案例的推理（case-based reasoning）、基于規(guī)則的推理（rule-based reasoning），以及溯因推理（abductive reasoning，即通過一系列證據(jù)推斷出最合理的解釋）。研究發(fā)現(xiàn)，現(xiàn)有LLM雖然能處理前兩種推理，但在溯因推理上卻表現(xiàn)極差。研究者 Randy Goebel 形容，LLM就像一個讀完了所有百科全書但卻不懂邏輯的朋友。這種缺陷，加上其憑空捏造事實的傾向，使得直接將通用LLM應(yīng)用于法律領(lǐng)域是極其危險的。為此，團隊提出的統(tǒng)一框架旨在將LLM強大的文本處理能力與這三種推理范式相結(jié)合，形成一個協(xié)同工作的系統(tǒng)，以確保法律分析的準(zhǔn)確性和上下文相關(guān)性。研究者強調(diào)，未來的法律AI不太可能是一個無所不能的“神級”模型，而會是多個專注于不同法律任務(wù)的專用工具組合。研究發(fā)表在 Computer Law & Security Review 上。

閱讀更多：

“LLMs for Legal Reasoning: A Unified Framework and Future Perspectives.” Computer Law & Security Review, vol. 58, Sept. 2025, p. 106165. www.sciencedirect.com, https://doi.org/10.1016/j.clsr.2025.106165

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)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(xué)的邊界。如果您有進一步想要討論的內(nèi)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(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)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(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，支持腦科學(xué)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(shè)立了應(yīng)用神經(jīng)技術(shù)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(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)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、、、大圓鏡科普等。