追問daily | 為何越老越難變通？DeepSeek推理分裂出多重人格，左右腦互搏越來越聰明

█ 腦科學動態(tài)

新型減肥藥停藥后體重反彈速度顯著快于行為干預

為何越老越難變通？

錯位的大腦神經元仍能執(zhí)行關鍵感覺功能

氧化應激與機械力都可以破壞神經纖維

將MRI變?yōu)椤岸匡@微鏡”：非侵入性檢測腦白質微觀損傷的新突破

主動用腦的“坐姿”有益大腦健康

自閉癥患者獨特的慣用手與大腦運動模式

█ AI行業(yè)動態(tài)

FDA批準首款居家處方級神經調控系統

GPT-5.2 Pro獨立攻克45年數學難題，全程零失誤

首個通用游戲Agent COTA，大模型玩游戲思維鏈全程可見

X推薦算法：0人工干預，Grok同源架構如何決定你的流量命運？

█ AI驅動科學

Nature：“集體智能”AI系統MOSAIC，實現高成功率化學合成預測

AI模型在實驗室安全知識方面存在嚴重不足

AI模型揭示ALS脊髓回路退化機制與治療窗口

機器學習精準預測抗抑郁藥療效并區(qū)分安慰劑效應

DeepSeek推理分裂出多重人格，左右腦互搏越來越聰明

腦科學動態(tài)

新型減肥藥停藥后體重反彈速度顯著快于行為干預

被稱為“減重神藥”的GLP-1類藥物雖然效果顯著，但停藥后的復胖問題一直備受關注。為了量化這一風險并對比不同干預手段的長期效果，Sam West、Jadine Scragg、Paul Aveyard及其團隊（牛津大學）對全球范圍內的相關研究進行了大規(guī)模系統回顧。這項涉及近萬人的分析揭示了減肥藥物停藥后體重和健康指標迅速回升的嚴峻現實，挑戰(zhàn)了短期藥物治療即可長期獲益的觀念。

該研究團隊對37項試驗、共9341名參與者的數據進行了深入的薈萃分析。結果顯示，雖然藥物干預在治療期間帶來的平均減重效果優(yōu)于行為管理，但停藥后的反彈速度卻驚人。總體而言，停止藥物治療后，患者平均每月體重回升0.4公斤。特別是對于司美格魯肽（semaglutide）和替爾泊肽（tirzepatide）等新型高效藥物，反彈速度更是高達每月0.8公斤，這意味著患者在停藥后僅需約1.5年就會完全恢復到治療前的體重。與此同時，藥物帶來的心血管代謝益處（如血壓、血糖改善）也會在停藥后1.4年內消失殆盡。相比之下，傳統的行為體重管理計劃（BWMP）雖然起效較慢，但停止干預后的反彈速度僅為每月0.1公斤，回歸初始體重需要近4年時間。研究人員指出，這可能是因為行為干預教會了患者控制體重的技能，而藥物僅在生理上抑制了饑餓感。這一發(fā)現提示，對于肥胖這種慢性復發(fā)性疾病，藥物治療可能需要長期持續(xù)，或需結合生活方式干預以維持療效。研究發(fā)表在 BMJ 上。

#疾病與健康 #健康管理與壽命延長 #肥胖 #GLP-1 #公共衛(wèi)生

閱讀更多：

West, Sam, et al. “Weight Regain after Cessation of Medication for Weight Management: Systematic Review and Meta-Analysis.” BMJ, vol. 392, Jan. 2026, p. e085304. Research. www.bmj.com, https://doi.org/10.1136/bmj-2025-085304

為何越老越難變通？大腦白質結構退化導致老年人適應新環(huán)境能力下降

為什么隨著年齡增長，人們在適應新環(huán)境或任務切換時會感到越來越吃力？阿肯色大學的Tatiana Wolfe及其同事通過分析成年期不同階段的大腦結構變化，揭示了潛在于適應性行為改變背后的神經機制。研究團隊發(fā)現，與行為適應性相關的大腦結構完整性在老年群體中起著至關重要的作用，而這種依賴性在年輕人中并不明顯。

? 在所有與行為適應性相關的腦結構中，這組結構與老年人的功能表現相關，但與年輕人的功能表現無關。因此，行為適應性的年齡相關變化可能反映在這些結構的完整性上。顏色代表相關的認知功能。AF，弓狀束；UF，鉤束；CTh，皮質丘腦投射；Cing，扣帶束。Credit: Wolfe et al., 2025

研究團隊首先通過分析既往神經影像學研究，確定了負責環(huán)境適應能力的大腦區(qū)域，并利用人類連接組計劃的數據識別出連接這些區(qū)域并促進適應性行為的白質結構。隨后，研究人員使用來自英國生物銀行（UK Biobank）的獨立成像數據集，重點考察了這些結構的生物學特征如何隨時間變化。研究聚焦于認知靈活性，即大腦在不同任務間切換或更新環(huán)境信息的能力。結果顯示，老年人的適應性行為高度依賴于特定的白質纖維束，而這些結構中的髓鞘——一種包裹神經纖維以加速信號傳遞的絕緣物質——會隨著年齡增長而發(fā)生退化。這種髓鞘相關特征的惡化與成年后期出現的行為適應性缺陷密切相關，表明大腦連接性的改變是老年人適應能力下降的自然基礎。研究發(fā)表在 eNeuro 上。

#疾病與健康 #神經機制與腦功能解析 #阿爾茨海默病 #觸覺感知 #Tau蛋白

閱讀更多：

Wolfe, Tatiana, et al. “Population-Level Age Effects on the White Matter Structure Subserving Cognitive Flexibility in the Human Brain.” eNeuro, Jan. 2026. Research Article: New Research. www.eneuro.org, https://doi.org/10.1523/ENEURO.0179-25.2025

錯位的大腦神經元仍能執(zhí)行關鍵感覺功能

大腦的結構是否嚴格決定了其功能？長久以來，科學界認為神經元必須各就各位才能行使職權。然而，Sergi Roig-Puiggros 和 Denis Jabaudon 及其團隊（日內瓦大學）的一項突破性研究挑戰(zhàn)了這一假設。他們發(fā)現，即使神經元位于大腦中的錯誤位置，它們不僅能存活，還能完全接管正常大腦皮層的功能，這揭示了大腦驚人的適應性和重組能力。

? 下丘腦神經元重現了皮層神經元的分子和空間特性。Credit: Nature Neuroscience (2025).

研究團隊通過觀察患有“異位癥”（heterotopias）的小鼠——一種導致神經元在大腦皮層下方形成異常簇的畸形——展開了研究。利用 *Eml1* 基因敲除模型，研究人員發(fā)現這些錯位的神經元形成的感覺回路與正常皮層幾乎完全相同。在涉及區(qū)分胡須的精細感覺任務中，當研究人員暫時抑制小鼠正常皮層的活動時，小鼠依然表現正常；這表明錯位的神經元已經“接管”了工作。相反，若抑制這些異位神經元，小鼠則無法完成任務，證實了這些“違章建筑”內的神經元已成為感覺處理的核心。正如研究人員所比喻，這就像把整個社區(qū)搬遷后，居民仍與城市其他部分保持原有的聯系。這一發(fā)現意味著，在再生醫(yī)學中，神經移植物或腦類器官可能無需完美復制天然腦結構即可發(fā)揮療效。研究發(fā)表在 Nature Neuroscience 上。

#疾病與健康 #神經機制與腦功能解析 #大腦可塑性 #皮層異位 #再生醫(yī)學

閱讀更多：

Roig-Puiggros, Sergi, et al. “Position-Independent Emergence of Neocortical Neuron Molecular Identity, Connectivity and Function.” Nature Neuroscience, Dec. 2025, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41593-025-02142-7

氧化應激與機械力都可以破壞神經纖維

為什么截然不同的基因突變會導致相似的神經退行性疾病？Andreas Prokop及其團隊（曼徹斯特大學）利用果蠅模型進行了深入研究。他們發(fā)現，被稱為“運動蛋白”的分子機器在軸突健康中起著雙重關鍵作用，無論是功能喪失還是過度活躍都會導致神經纖維的結構性破壞，這一發(fā)現為理解阿爾茨海默病和帕金森病等疾病的病理機制提供了全新視角。

? Credit: Current Biology (2026).

該研究聚焦于神經元的軸突，這是連接大腦與身體的生物電纜，其內部依賴運動蛋白沿著微管高速公路運輸維持生命所需的物質。研究團隊通過操控果蠅的基因發(fā)現，當運動蛋白基因突變導致運輸停止（功能缺失）時，或者導致運動蛋白無法暫停、持續(xù)運行（過度激活）時，都會引發(fā)同一種病理現象：原本筆直的微管束會崩解成雜亂的卷曲狀，形似“煮熟的意大利面”。

通過進一步分析，研究人員揭示了殊途同歸背后的不同機制：功能缺失會導致線粒體等細胞器運輸受阻，引發(fā)氧化應激，進而破壞微管的自我修復能力；而過度激活則產生過大的機械力，直接導致微管物理性損傷。這表明軸突存在一個“穩(wěn)態(tài)依賴循環(huán)”，即運輸依賴于微管，微管的維護又依賴于運輸，任何環(huán)節(jié)的破壞都會導致系統崩潰。這一發(fā)現解釋了為何多種不同的基因突變最終都會導致類似的神經退行性病變。研究發(fā)表在 Current Biology 上。

#AI驅動科學 #計算模型與人工智能模擬 #認知科學 #神經縮放定律 #理論神經科學

閱讀更多：

Liew, Yu-Ting, et al. “Loss and Gain of Motor Protein Function Cause Microtubule Bundle Damage in Drosophila Axons.” Current Biology, vol. 0, no. 0, Jan. 2026. www.cell.com, https://doi.org/10.1016/j.cub.2025.12.038

將MRI變?yōu)椤岸匡@微鏡”：非侵入性檢測腦白質微觀損傷的新突破

神經系統疾病的早期微觀病變往往隱匿于常規(guī)醫(yī)學成像的視線之外，如何無創(chuàng)地捕捉這些蛛絲馬跡是醫(yī)學界的一大難題。Ali Abdollahzadeh（東芬蘭大學）與Dmitry S. Novikov（紐約大學格羅斯曼醫(yī)學院）等人組成的國際研究團隊，通過結合物理學理論與先進成像技術，成功將磁共振成像技術轉化為一種能夠檢測軸突微觀損傷的“定量顯微鏡”。該研究不僅揭示了大腦白質微觀結構的復雜性，還為阿爾茨海默病和創(chuàng)傷性腦損傷等疾病的早期診斷提供了全新的工具。

? 白質微觀結構：數萬根髓鞘化軸突密集排列在100微米3的腦白質中，該圖像由電子顯微鏡成像，并利用人工智能進行分割。Credit: University of Eastern Finland

研究團隊首先利用體積電子顯微鏡以納米級精度重建了數十萬個軸突的三維結構，建立了世界上最大的白質微觀幾何參考庫。基于此數據，他們開發(fā)了一種新的散射框架，用于解析擴散磁共振成像（diffusion MRI）中的信號，這是一種通過測量水分子在組織內的運動來反映微觀結構的技術。研究人員發(fā)現，盡管軸突結構極其復雜，但在實驗可觀測的時間尺度內，通過菲克-雅各布斯方程（Fick–Jacobs equation）的精確解，僅需兩個參數——平均倒數橫截面和長程橫截面波動的方差——即可描述水分子沿軸突的擴散動力學。在創(chuàng)傷性腦損傷的大鼠模型中，該方法成功檢測到了損傷數月后的軸突微觀形態(tài)變化，驗證了其作為非侵入性生物標志物的潛力。目前，該團隊正利用超強梯度的下一代掃描儀，加速將這一成果從動物模型向人類臨床應用轉化。研究發(fā)表在 Nature Communications 上。

#疾病與健康 #神經機制與腦功能解析 #擴散磁共振成像 #腦白質損傷 #軸突

閱讀更多：

Abdollahzadeh, Ali, et al. “Scattering Approach to Diffusion Quantifies Axonal Damage in Brain Injury.” Nature Communications, vol. 16, no. 1, Nov. 2025, p. 9808. www.nature.com, https://doi.org/10.1038/s41467-025-64793-1

主動用腦的“坐姿”有益大腦健康

久坐通常被視為健康的隱形殺手，但昆士蘭大學（The University of Queensland）的 Jiatong Chen 和 Paul A. Gardiner 團隊通過一項大規(guī)模研究發(fā)現，并非所有的久坐行為都對大腦有害。研究指出，看電視等被動活動確實會損害認知，而閱讀、玩拼圖或使用電腦等需要腦力參與的活動則有助于維持大腦健康，這為老齡化人口預防癡呆癥提供了新的生活方式指導。

該研究通過系統綜述的方式，整合了來自30個國家的85項研究數據，涵蓋了超過150萬名中老年受試者。這是迄今為止關于此類主題規(guī)模最大、最詳細的分析之一。研究人員將久坐行為區(qū)分為被動和主動兩類。數據分析顯示，在43項涉及看電視的研究中，有65%報告了長時間看電視與認知功能下降之間存在顯著的負相關。相反，在涉及閱讀、使用電腦、玩紙牌或拼圖等精神活躍型久坐行為的58項研究中，絕大多數未發(fā)現負面影響，甚至顯示出對執(zhí)行功能、記憶力和認知靈活性的保護作用。這表明，雖然保持身體活躍至關重要，但在不可避免的靜坐時間內，選擇不僅能動腦的活動可以建立認知儲備（Cognitive reserve，指大腦通過改變神經連接處理任務來應對腦損傷或病理變化的能力），從而減緩衰老帶來的認知衰退。研究發(fā)表在 Journal of Alzheimer's Disease 上。

#疾病與健康 #健康管理與壽命延長 #阿爾茨海默病 #認知功能 #久坐行為

閱讀更多：

Chen, Jiatong, et al. “Individual Sedentary Activities and Cognitive Function in Middle-Aged and Older Adults: A Systematic Review.” Journal of Alzheimer’s Disease, vol. 109, no. 2, Jan. 2026, pp. 545–93. SAGE Journals, https://doi.org/10.1177/13872877251394751

樂高搭建任務揭示自閉癥患者獨特的慣用手與大腦運動模式

慣用手不僅是生活習慣，更是大腦左右半球分工的體現，那么自閉癥患者的大腦是如何組織運動的？約克大學（York University）的Erez Freud和Emily Fewster團隊通過一項獨特的實驗研究發(fā)現，自閉癥患者在自然行為中的手部使用模式與常人存在顯著差異。這項研究揭示了自閉癥患者大腦皮層功能的專業(yè)化程度可能較低，進而導致了高度個體化的運動特征。

? Credit: York University

為了捕捉真實世界中的動態(tài)行為，研究團隊邀請了54名慣用右手的成年人（半數為自閉癥患者）完成一項樂高模型搭建任務。與僅詢問寫字用手的傳統問卷不同，這種自然主義任務允許研究人員分析三維空間中的數千次動作。結果顯示，盡管所有參與者均自稱右利手，但自閉癥組使用右手抓握的頻率明顯較低，且在進行對側運動（contralateral movements，指手部跨越身體中線去操作另一側物體的動作）時未表現出典型人群的優(yōu)勢。此外，自閉癥參與者傾向于采用更謹慎的空間策略，優(yōu)先處理距離較近的積木，其運動軌跡呈現出高度的獨特性和變異性，不像非自閉癥組那樣遵循相似的模式。這一發(fā)現表明，識別這些細微的運動差異可能為自閉癥的早期篩查和干預提供新的客觀指標。研究發(fā)表在 Autism Research 上。

#疾病與健康 #神經機制與腦功能解析 #自閉癥 #慣用手 #運動控制

閱讀更多：

Fewster, Emily, et al. “Reduced Hand Specialization and Idiosyncratic Visuomotor Strategies in Autism During Naturalistic Object Manipulation.” Autism Research, n/a, no. n/a. Wiley Online Library, https://doi.org/10.1002/aur.70180. Accessed 20 Jan. 2026

AI 行業(yè)動態(tài)

FDA批準首款居家處方級神經調控系統

全球神經調控領域的領軍企業(yè) BrainsWay 近日宣布，其戰(zhàn)略合作伙伴 Neurolief 研發(fā)的 Proliv?Rx 系統正式獲得美國 FDA 上市前批準。作為首個針對藥物難治性抑郁癥的“居家+處方級”神經調控設備，這款三類醫(yī)療器械（Class III Medical Device，風險等級最高、需要最嚴格監(jiān)管的醫(yī)療設備）為成年重度抑郁癥患者提供了全新的治療選擇。Proliv?Rx 并非普通的消費級穿戴設備，而是一套醫(yī)療級系統，其技術原理是通過向頭部三叉神經及枕葉施加電刺激，從而調節(jié)涉及情緒控制的腦區(qū)。該系統結合了云端數據平臺，確立了“醫(yī)生主導、居家執(zhí)行”的治療模式，使醫(yī)生能夠遠程監(jiān)控患者的依從性和癥狀變化，有效填補了抗抑郁藥物失效與傳統院內介入治療之間巨大的空白。

研究人員在多中心、隨機雙盲的 MOOD 臨床試驗中驗證了該系統的有效性。數據顯示，經過 16 周的積極治療，患者的漢密爾頓抑郁量表（Hamilton Depression Rating Scale，臨床上用于評估抑郁癥狀嚴重程度的標準問卷）評分平均下降了 10.15 分，32% 的重度患者達到完全緩解，病情嚴重程度發(fā)生了根本性逆轉。此次獲批驗證了 BrainsWay 在“診所+家庭”雙軌療法上的布局，使其現有的深部經顱磁刺激院內業(yè)務與居家療法形成互補。未來，隨著真實世界數據的積累，這種混合治療模式有望緩解醫(yī)療資源壓力，并為焦慮癥等其他適應癥的家用醫(yī)療設備過審鋪平道路。

#FDA批準 #神經調控 #抑郁癥治療 #居家醫(yī)療 #BrainsWay

閱讀更多：

https://ushealthcarejournal.com/article/882502335

陶哲軒親自驗證：GPT-5.2 Pro獨立攻克45年數學難題，全程零失誤

OpenAI 最新發(fā)布的模型 GPT-5.2 Pro 近日獨立證明了塵封45年的埃爾德什問題第281號（Erd?s problem #281，涉及同余覆蓋系統與自然密度的數學猜想）。該問題由傳奇研究人員 Paul Erd?s 和 Ronald Graham 于1980年共同提出，幾十年來未有定論。在研究人員 Neel Somani 將題目輸入模型后，GPT-5.2 Pro 給出了基于無窮阿德爾整數環(huán)的證明，巧妙運用了遍歷理論。這一成果得到了菲爾茲獎得主陶哲軒的親自驗證，他評價這是“迄今為止最明確的AI主要貢獻”。陶哲軒特別指出，真正令人驚訝的不是證明方法，而是模型在推導過程中完全避免了極限交換或量詞順序等微妙錯誤，而這些通常是前幾代大語言模型最容易“翻車”的地方。

就在AI證明引發(fā)熱議時，一位名為 KoishiChan 的用戶發(fā)現了一個戲劇性的轉折：該問題其實可由1936年和1966年的兩個經典定理直接推導得出，這意味著連問題的提出者當年都忽略了這一近在咫尺的簡捷解法。陶哲軒確認了這一點，表示現在該問題同時擁有了來自AI的遍歷論路徑和來自經典文獻的組合學路徑。盡管成果顯著，陶哲軒對AI數學能力的評估仍保持理性，他警告存在嚴重的報告偏差。統計數據顯示，目前AI在埃爾德什問題上的真實成功率僅為1%到2%，但這在龐大的未解難題庫面前，仍代表了AI在數學推理領域取得了不可忽視的實質性突破。

#GPT-5.2Pro #埃爾德什猜想 #陶哲軒 #AI數學證明 #報告偏差

閱讀更多：

https://www.erdosproblems.com/forum/thread/281

首個通用游戲Agent COTA，大模型玩游戲思維鏈全程可見

超參數科技近日正式推出了一款名為 COTA 的全新游戲智能體，被譽為首個真正具備通用潛力的大語言模型游戲 Agent。在近期 AI 游戲賬號引發(fā)全網圍觀的背景下，COTA 展示了更為成熟的技術范式：它完全由大模型原生驅動，不僅操作水平比肩職業(yè)選手，更具備如同人類般的決策邏輯，且思維鏈全程可見。為了解決傳統大模型推理延遲與游戲高頻實時決策之間的矛盾，COTA 創(chuàng)新性地采用了“雙系統分層架構”。該架構模擬人類大腦，將 AI 拆分為負責慢思考的“指揮官”和負責快直覺的“行動專員”。前者專注于宏觀戰(zhàn)略與因果推演，后者則利用輕量化模型將戰(zhàn)略轉化為毫秒級的精準物理操作。這種設計成功打破了實時性、對抗性和可解釋性難以兼得的“不可能三角”。

在技術細節(jié)上，COTA 基于 Qwen3-VL-8B-Thinking 模型構建，這是一款兼顧性能與效率的“甜點級”模型。其訓練流程涵蓋了監(jiān)督微調、群相對策略優(yōu)化以及人類偏好對齊三個階段，確保了 AI 既能進行復雜的戰(zhàn)術博弈，又能避免機械感，實現高度擬人化的交互。在 FPS實機演示中，COTA 展現了急停拉槍、地形分析及團隊掩護等高階能力，用戶甚至能實時查看其戰(zhàn)術意圖。COTA 的出現不僅為 MMORPG、MOBA 等游戲類型提供了全新的高擬人化交互體驗，更具有超越游戲的意義。其驗證的“高層語義理解+底層運動控制”協同模式，為具身智能從虛擬仿真走向現實世界提供了極具價值的參考路徑。

#COTA #游戲智能體 #大語言模型 #雙系統架構 #超參數科技

閱讀更多：

https://www.chaocanshu.cn/product/cota_apply

X推薦算法大揭秘：0人工干預，Grok同源架構如何決定你的流量命運？

Elon Musk 兌現了其關于透明度的承諾，正式開源了 X 平臺的推薦算法代碼。X 平臺的工程團隊宣布，這套全新的推薦系統徹底摒棄了以往的人工規(guī)則和手工特征，轉而采用與 xAI 旗下 Grok 模型相同的 Transformer架構，實現了完全的 AI 驅動。該系統主要由兩大引擎構成：“Thunder”負責實時處理用戶關注對象的動態(tài)，利用 Kafka消息隊列（一種高吞吐量的分布式發(fā)布訂閱消息系統）確保內容更新的毫秒級延遲；而“Phoenix”則作為全球發(fā)現引擎，通過 用戶塔（User Tower，處理用戶特征的神經網絡）和 候選塔（Candidate Tower，處理帖子內容的神經網絡）將數據轉化為向量，利用向量點積在海量內容中精準匹配用戶可能感興趣的帖子。這意味著，即便零粉絲的賬號，只要內容質量過硬，也能通過算法匹配獲得病毒式傳播。

此次開源最引人注目的核心在于其評分機制，該模型通過預測用戶的 15 種行為來決定帖子的最終得分。研究人員在代碼中設定了明確的獎懲機制：被拉黑、靜音或舉報等負面反饋將導致權重顯著降低，嚴重影響賬號曝光；而用戶的“停留時間”和“點擊查看視頻”等行為則被視為高質量互動的信號。值得注意的是，算法極度推崇真實的社區(qū)互動，作者回復評論的權重竟然是單純點贊的 75 倍，這表明忽視評論將直接扼殺傳播潛力。此外，為了保證信息流的多樣性，算法會對連續(xù)發(fā)帖進行降權處理，并確保同一批次的候選帖子之間互不干擾。這一變革標志著 X 平臺從傳統的運營干預模式徹底轉向了依靠數據和算法的自動化時代，為創(chuàng)作者提供了更透明、更公平的競爭環(huán)境。

#X算法開源 #推薦系統 #Grok模型 #馬斯克 #AI驅動

閱讀更多：

https://github.com/xai-org/x-algorithm

AI 驅動科學

Nature：“集體智能”AI系統MOSAIC，實現高成功率化學合成預測

面對每年數十萬篇新增化學文獻的“信息海洋”，如何將其快速轉化為實驗室中可行的操作方案？來自耶魯大學的Haote Li、Timothy R. Newhouse和Victor S. Batista等人組成的研究團隊，開發(fā)出了一種名為MOSAIC的新型人工智能系統。該系統利用“集體智能”成功解決了這一難題，能夠生成高置信度且可直接執(zhí)行的化學合成方案，并已成功指導合成了多種新化合物，證明了其在復雜化學合成領域的巨大潛力。

MOSAIC系統的核心在于應用了集體智能（Collective intelligence）策略，研究人員并未依賴單一的大型模型，而是基于Llama-3.1-8B-instruct架構，利用沃羅諾伊聚類（Voronoi clustering）技術將廣闊的化學反應空間細分為不同區(qū)域，并訓練了2498個針對特定領域的“專家”模型。這種分工機制類似于醫(yī)院的分診系統，能將特定問題分配給最擅長的AI專家處理。實驗結果顯示，MOSAIC在實驗驗證中達到了71%的整體成功率，協助研究人員成功合成了超過35種涵蓋藥物、先進材料及化妝品等領域的新化合物。在產率預測分析中，其預測結果與真實情況高度相關。值得注意的是，盡管該模型僅擁有80億參數，但在化學合成任務上的表現卻超越了參數量大得多的ChatGPT-4o mini和Claude 3.5等通用大語言模型，甚至能發(fā)現訓練數據中不存在的新反應方法。研究發(fā)表在 Nature 上。

#AI 驅動科學 #自動化科研 #化學合成 #大語言模型 #集體智能

閱讀更多：

Li, Haote, et al. “Collective Intelligence for AI-Assisted Chemical Synthesis.” Nature, Jan. 2026, pp. 1–3. www.nature.com, https://doi.org/10.1038/s41586-026-10131-4

AI模型在實驗室安全知識方面存在嚴重不足

人工智能是否已經準備好成為科學家的實驗助手？Yujun Zhou、Jingdong Yang、Xiangliang Zhang等人通過一項大規(guī)模基準測試發(fā)現，當前的人工智能模型在處理實驗室安全問題時存在嚴重隱患。盡管AI在某些科學預測中表現優(yōu)異，但該團隊的研究表明，過度信任這些模型進行實驗設計或風險評估可能會將研究人員置于危險之中，因為模型普遍缺乏應對真實實驗室場景所需的安全知識。

? LabSafety Bench 概述。Credit: Nature Machine Intelligence (2026).

為了系統評估這一風險，研究團隊開發(fā)了名為“LabSafety Bench”的測試框架，涵蓋了從生物、化學到物理等多個領域的數千個測試任務。團隊利用該框架評估了19個主流模型，包括大語言模型和視覺語言模型。結果顯示，即便是性能頂尖的GPT-4o和DeepSeek-R，雖然在結構化選擇題中準確率較高，但在面對復雜的開放式推理時卻表現乏力。令人擔憂的是，在危害識別任務中，沒有任何一個模型的準確率超過70%，特別是在化學品和低溫液體處理方面表現糟糕。此外，研究還發(fā)現，即使采用檢索增強生成——一種通過外部知識庫優(yōu)化模型輸出的技術，也未能顯著提升模型的安全判斷能力。這表明，在AI能徹底掌握實驗室安全規(guī)范之前，嚴格的人工監(jiān)督仍是必不可少的。研究發(fā)表在 Nature Machine Intelligence 上。

#AI驅動科學 #大模型技術 #實驗室安全 #風險評估 #基準測試

閱讀更多：

Zhou, Yujun, et al. “Benchmarking Large Language Models on Safety Risks in Scientific Laboratories.” Nature Machine Intelligence, Jan. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s42256-025-01152-1

AI模型揭示ALS脊髓回路退化機制與治療窗口

肌萎縮側索硬化癥（ALS）的治療研究長期受限于動物模型無法全面反映病程動態(tài)變化的問題。來自圣安德魯斯大學、哥本哈根大學和德雷克塞爾大學的研究團隊，由 Beck Strohmer 和 Ilary Allodi 領銜，開發(fā)了一種基于生物學原理的AI計算模型。該模型成功預測了ALS進展過程中神經網絡的退化模式，并確定了潛在的治療干預窗口，為神經退行性疾病的研究提供了新的互補工具。

該研究利用脈沖神經網絡重建了脊髓運動回路。研究人員基于已知生物學數據，模擬了ALS中關鍵的V1中間神經元（V1 interneurons，一種負責抑制性調控的神經細胞）失調過程。模型預測顯示，V1神經元的早期功能障礙會導致運動輸出失衡，引發(fā)屈肌偏向活動。重要的是，通過計算模擬發(fā)現，如果在特定時間窗口內穩(wěn)定V1突觸，不僅能改善運動功能，還能挽救另一種關鍵的V2a中間神經元（V2a interneurons，負責興奮性傳遞）。這一計算機預測隨后在患有ALS癥狀的小鼠身上得到了實驗證實。研究還警示，若干預時間過晚，可能會因網絡動力學改變而產生副作用。這項工作展示了計算模型在指導臨床前研究及優(yōu)化治療策略方面的巨大潛力。研究發(fā)表在 Neurobiology of Disease 上。

#疾病與健康 #計算模型與人工智能模擬 #肌萎縮側索硬化癥 #神經機制與腦功能解析 #跨學科整合

閱讀更多：

Strohmer, Beck, et al. “Spinal Circuit Mechanisms Constrain Therapeutic Windows for ALS Intervention: A Computational Modeling Study.” Neurobiology of Disease, vol. 219, Feb. 2026, p. 107253. ScienceDirect, https://doi.org/10.1016/j.nbd.2025.107253

機器學習精準預測抗抑郁藥療效并區(qū)分安慰劑效應

抑郁癥治療長期面臨“試錯”難題，患者往往需要漫長的過程才能找到合適的藥物。Yu Zhang（斯坦福大學）及其來自利哈伊大學、德克薩斯大學奧斯汀分校的同事們開發(fā)了一種機器學習模型，不僅能根據腦部掃描數據預測患者對抗抑郁藥物的反應，還能將藥物的真實療效與安慰劑效應區(qū)分開來，為精準精神病學提供了新工具。

? 結構-功能協變特征分析及其對預測抗抑郁藥和安慰劑療效的影響。Credit: Nature Mental Health (2025),

研究團隊通過一種名為“面向目標的多模態(tài)融合”（target-oriented multimodal fusion）的技術，整合了重度抑郁癥患者的大腦結構連接和功能連接數據。該模型在分析患者對舍曲林和安慰劑的反應時表現出良好的預測能力，并在獨立的艾司西酞普蘭治療組中得到了驗證。為了確保結果的可靠性和可解釋性，研究人員引入了“稀疏性正則化”，成功篩選出關鍵的大腦回路。結果顯示，雖然右側楔前葉參與了兩種反應，但大腦結構連接更能預測藥物療效，而功能連接則更能預測安慰劑反應。此外，模型還識別出了與特定治療反應相關的不同腦網絡組合，這有助于醫(yī)生在未來為患者匹配最合適的藥物，減少無效治療。研究發(fā)表在 Nature Mental Health 上。

#疾病與健康 #個性化醫(yī)療 #抑郁癥 #機器學習 #神經影像學

閱讀更多：

Tong, Xiaoyu, et al. “Generalizable Structure–Function Covariation Predictive of Antidepressant Response Revealed by Target-Oriented Multimodal Fusion.” Nature Mental Health, vol. 4, no. 1, Jan. 2026, pp. 85–101. www.nature.com, https://doi.org/10.1038/s44220-025-00541-0

DeepSeek推理分裂出多重人格，左右腦互搏越來越聰明

AI變聰明的秘密可能在于其內部正在進行一場激烈的“群聊”。來自谷歌智能范式團隊、芝加哥大學和圣菲研究所的Junsol Kim和James Evans等人通過研究發(fā)現，DeepSeek-R1和QwQ-32B等頂尖推理模型在解決復雜問題時，并非進行單一的線性計算，而是自發(fā)地模擬了一個“思維社會”。在這個過程中，模型內部會分裂出具有不同性格和專長的虛擬人格——有的負責提出創(chuàng)意，有的負責嚴謹驗證，有的負責挑錯。這種機制類似于人類的“左右腦互搏”，通過內部不同觀點的激烈辯論和視角切換來審視解決方案。研究顯示，這種多重人格的協作并非人為設計，而是在追求推理準確率的過程中自發(fā)涌現的。

為了證實這一現象，研究團隊利用稀疏自編碼器深入解碼了AI的推理過程，成功識別并“監(jiān)聽”到了這些內部對話。實驗表明，當模型遇到高難度科學問題時，這種內部沖突尤為劇烈。更有趣的是，研究發(fā)現簡單的對話標記如“哦！”（Oh!）能顯著提升推理準確率，在某些任務中甚至使其翻倍。進一步的強化學習實驗證實，僅獎勵答對題目而不提供任何對話指導，模型也會自發(fā)學會這種對話式思考。這一發(fā)現呼應了生物學中的“社會腦假說”，即智力的進化是為了應對復雜的社交互動。該研究表明，系統性地構建這種“思維社會”能有效利用群體智慧，為提升人工智能的推理能力指明了新方向。

#大模型技術 #計算模型與人工智能模擬 #AI驅動科學 #認知科學

閱讀更多：

Kim, Junsol, et al. “Reasoning Models Generate Societies of Thought.” arXiv:2601.10825, arXiv, 15 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.10825

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。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。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

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。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別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陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態(tài)系統，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、、、科普視頻媒體「大圓鏡」等。