追問daily | 記憶是幻覺嗎？新框架解析玻爾茲曼大腦悖論與熵的本質；并非所有記憶都生而平等

█ 腦科學動態

Cell：神經元利用鈣離子尖峰實現大腦向量運算與高效導航

Nature：100多個新基因區域證實精神分裂癥跨種族生物學機制

區分同卵雙胞胎準確率達97%，大腦形狀受遺傳高度調控

并非所有記憶都生而平等：動機“情緒”如何重塑大腦記憶模式

優勢者獨處睡得香，從屬者隔離易失眠

截短與磷酸化協同作用：科學家繪制路易體形成新路線

嚴格身材管理的正常體重少女面臨更高心理風險

記憶是幻覺嗎？新框架解析玻爾茲曼大腦悖論與熵的本質

█ AI行業動態

谷歌Gemini接入SAT全真模考，深化垂直領域布局

AAAI 2026大獎揭曉

█ AI驅動科學

人工智能在發散性創造力任務中超越人類平均水平

AI揭示情緒構建機制：多模態數據驗證“情緒建構理論”

AI透明度需求取決于用戶期望：一項在線約會實驗研究

平均值掩蓋真相：AI模型在新環境下的隱形失效風險

路標文字也能劫持機器人：具身AI的新型安全漏洞

AI利用新生兒足跟血預測早產兒健康軌跡，準確率超85%

百萬級播客數據揭示：商業與體育圈層封閉，社會議題跨界傳播

智能體推理：大語言模型向自主行動者的進化路線圖

腦科學動態

Cell：神經元利用鈣離子尖峰實現大腦向量運算與高效導航

動物如何將不斷變化的感官輸入轉化為穩定的導航地圖？Itzel G. Ishida、Sachin Sethi和Gaby Maimon團隊（洛克菲勒大學）通過研究果蠅大腦揭示了一種驚人的高效策略：神經元利用非常規的電信號模式進行數學運算。研究發現，果蠅大腦中的特定神經元不僅在興奮時傳遞信號，在受到抑制時也能通過鈣離子尖峰進行編碼，從而利用更少的神經細胞完成復雜的向量計算，這一發現挑戰了神經元僅在興奮時進行有效通訊的傳統觀點。

? 圖示神經元群體如何利用雙重信號傳導能力反轉以正弦波形式編碼的向量。Credit: Maimon lab / Rockefeller University

研究團隊構建了一個虛擬現實系統，監測果蠅在應對不同風向時的神經活動。他們聚焦于一種名為PFNa的神經元，發現這些細胞具有獨特的“雙重人格”：當接收到興奮信號時，它們發射常規的快速鈉離子尖峰；而當接收到抑制信號時，它們并不像普通神經元那樣保持沉默，而是發射較慢的鈣離子尖峰。這種機制使得同一群神經元能夠同時編碼一個向量及其反向向量，即用兩組神經元就能替代傳統模型中所需的四組神經元來表示所有風向。進一步研究證實，這種鈣離子尖峰依賴于T型鈣通道，這表明大腦利用分子層面的生物物理特性實現了高效的數學運算。這也暗示了通常被認為與睡眠相關的慢波信號，在清醒狀態下同樣對認知和導航至關重要。研究發表在 Cell 上。

#神經科學 #神經機制與腦功能解析 #鈣離子通道 #向量計算 #果蠅

閱讀更多：

Ishida, Itzel G., et al. “Neuronal Calcium Spikes Enable Vector Inversion in the Drosophila Brain.” Cell, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.cell.2025.11.040

Nature：100多個新基因區域證實精神分裂癥跨種族生物學機制

長期以來，精神分裂癥的遺傳學研究過度集中于歐洲血統人群，這種偏差限制了對該疾病全球普遍機制的理解。為了填補這一空白，西奈山伊坎醫學院的Panos Roussos和Tim B. Bigdeli等人利用百萬退伍軍人計劃的數據，針對非洲血統人群開展了迄今為止規模最大的全基因組關聯研究，成功揭示了跨越種族的共同生物學基礎。

? 精神分裂癥中細胞類型特異性遺傳模式和疾病調控。Credit: Nature (2026).

該研究團隊分析了“百萬退伍軍人計劃”（Million Veteran Program）中美國非洲血統退伍軍人的電子健康記錄與基因組數據。通過采用全基因組關聯研究（GWAS）方法，并結合統計學精細映射與綜合轉錄組學分析，研究人員深入剖析了精神分裂癥的遺傳架構。結果顯示，研究人員在人類基因組中發現了超過100個此前未被明確識別的與精神分裂癥相關的新區域，這些區域在非洲血統人群中更為常見。盡管特定基因位點的變異在不同族裔間存在差異，但研究證實這些變異最終擾亂的是相同的核心基因和大腦細胞類型。這一發現表明，精神分裂癥在生物學層面上具有全球一致性，同時也強調了在遺傳研究中納入多樣化樣本對于開發公平、精準的醫療工具的重要性。研究發表在 Nature 上。

#疾病與健康 #個性化醫療 #精神分裂癥 #全基因組關聯研究 #遺傳多樣性

閱讀更多：

Bigdeli, Tim B., et al. “Biological Insights into Schizophrenia from Ancestrally Diverse Populations.” Nature, Jan. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-025-10000-6

區分同卵雙胞胎準確率達97%，大腦形狀受遺傳高度調控

傳統觀點常通過大腦體積增長來評估新生兒發育，但大腦幾何形態的變化是否蘊含更多關鍵信息？Stephan Krohn和Carsten Finke等（柏林夏里特醫學院）研究團隊通過一項大規模研究發現，新生兒大腦形狀的復雜性是反映其發育成熟度和遺傳特征的更優指標。這一發現揭示了大腦形狀的形成是早期發育的基本過程，為理解神經發育提供了全新的幾何學視角。

? 大腦形狀反映的是嬰兒的成熟度，而不僅僅是大腦大小的差異。Credit: Nature Neuroscience (2025).

研究團隊分析了來自正在開發的人類連接組計劃中近800名新生兒的磁共振成像（MRI）數據，并引入了分形分析方法。通過計算分形維數，研究人員能夠量化大腦皮層的折疊程度和結構復雜性。結果顯示，隨著嬰兒的成熟，大腦皮層變得更加不規則，分形維數隨之升高。相比于大腦體積、皮層厚度或腦回數量等傳統指標，大腦形狀在預測嬰兒實際年齡方面表現出更高的準確性，平均誤差僅為4天。此外，該指標還能捕捉到大腦體積數據無法反映的早產特征。在遺傳學方面，大腦形狀顯示出極高的遺傳相關性，研究人員僅憑大腦形狀就能以約97%的準確率識別出同卵雙胞胎。這項技術未來有望轉化為臨床工具，用于診斷特定的神經發育障礙和精神疾病。研究發表在 Nature Neuroscience 上。

#疾病與健康 #神經機制與腦功能解析 #新生兒發育 #分形分析 #腦科學

閱讀更多：

Krohn, Stephan, et al. “Fractal Analysis of Brain Shape Formation Predicts Age and Genetic Similarity in Human Newborns.” Nature Neuroscience, vol. 29, no. 1, Jan. 2026, pp. 171–85. www.nature.com, https://doi.org/10.1038/s41593-025-02107-w

并非所有記憶都生而平等：動機“情緒”如何重塑大腦記憶模式

為什么好奇心驅使的學習與截止日期前的突擊記憶截然不同？新加坡國立大學楊潞琳醫學院的Poh Jia-Hou與杜克大學的R. Alison Adcock及其團隊提出了一項新的神經科學框架，揭示了動機并非僅僅意味著付出更多努力，而是分為不同的“動機情緒”，它們會激活大腦中截然不同的系統，從而從根本上重塑記憶的內容和方式。

該研究整合了神經生物學、認知神經科學及心理學的廣泛發現，構建了名為“神經背景”（Neural Context）的新模型。研究人員指出，神經調節系統就像開關一樣調節整個大腦的學習模式。具體而言，模型區分了兩種狀態：一種是由多巴胺支持的“探究性情緒”，源于腹側被蓋區，它激活海馬體和前額葉皮層，幫助大腦形成靈活的、整合性的記憶，適用于適應和探索；另一種是由去甲腎上腺素支持的“命令性情緒”，源于藍斑核，它在面對危險或緊迫目標時激活杏仁核，使記憶高度聚焦于細節和即時行為，但往往犧牲了對廣泛背景的理解。這一發現為教育環境的設計及針對抑郁癥、多動癥等動機障礙的臨床治療提供了新的科學依據。研究發表在 Annual Review of Psychology 上。

#認知科學 #記憶機制 #神經機制與腦功能解析 #多巴胺 #去甲腎上腺素

閱讀更多：

Poh, Jia-Hou, and R. Alison Adcock. “Motivation as Neural Context for Adaptive Learning and Memory Formation.” Annual Review of Psychology, vol. 77, no. Volume 77, 2026, Jan. 2026, pp. 49–80. www.annualreviews.org, https://doi.org/10.1146/annurev-psych-032525-031744

優勢者獨處睡得香，從屬者隔離易失眠

睡眠質量往往受復雜的社會因素影響，受人類“睡眠離婚”現象的啟發，東京大學的林直子和林裕等人深入探究了社會等級與居住環境對個體睡眠的交互影響。研究團隊利用小鼠模型發現，獨處究竟能改善睡眠還是引發焦慮，很大程度上取決于個體在群體中的社會地位及其遺傳背景。這一發現揭示了大腦在睡眠期間穩定內部節律的能力會受到社會環境斷裂的干擾。

? 飼養方式的選擇。(A) 確定每組小鼠的社會等級。(B) 在確定了最具優勢和最弱勢的小鼠后，將它們安置在相鄰的飼養箱中，防止它們進行身體接觸，但保持視覺和嗅覺上的社交聯系。(C) 最后，將小鼠轉移到完全隔離的飼養環境中。Credit: Scientific Reports (2026).

為了解開這一謎題，研究人員選取了兩種具有不同社會等級強度的小鼠品系（B6和F1），并通過行為測試確定了它們在群體中的“優勢”或“從屬”地位。實驗設計了兩種環境：一種是允許視覺和嗅覺交流但無身體接觸的“鄰舍飼養”，另一種是完全隔絕的“單獨飼養”。在鄰舍飼養中，無論地位高低，小鼠的睡眠模式均無差異。然而，當轉入完全隔離環境時，情況發生了逆轉。對于B6品系，處于優勢地位的小鼠在獨處時睡眠質量顯著提高，這可能意味著它們從守衛領地的壓力中通過“退休”獲得了釋放；相反，處于從屬地位的小鼠在獨處時表現出快速眼動睡眠（REM sleep）增加但質量惡化的跡象，這暗示了失去同伴帶來的孤獨壓力和安全感缺失。相比之下，遺傳背景不同的F1小鼠受隔離影響較小。該研究表明，社會因素對生物節律的調節具有高度的個體差異性。研究發表在 Scientific Reports 上。

#神經科學 #心理健康與精神疾病 #社會等級 #睡眠 #隔離

閱讀更多：

Hayashi, Naoko, et al. “Social Rank and Social Environment Combinedly Affect REM Sleep in Mice.” Scientific Reports, vol. 16, no. 1, Jan. 2026, p. 871. www.nature.com, https://doi.org/10.1038/s41598-025-32402-2

截短與磷酸化協同作用：科學家繪制路易體形成新路線

路易體是帕金森病患者大腦中典型的病理特征，但其形成的具體分子機制一直未被完全解開。Sneha Jos、Niharika Shivanandaswamy、Sivaraman Padavattan等研究人員發現，帕金森病特異性的蛋白變體表現出異常的結合特性，并據此提出了一種全新的“多因素隨機紊亂模型”來解釋這一致病過程。

? 路易體形成多因素隨機無序模型。Credit: Commun Biol (2026).

該團隊利用大腸桿菌合成了不同版本的α-突觸核蛋白，重點比較了健康版本與疾病相關變體（包括C端截短和S129位點磷酸化的形式）。研究顯示，正常狀態下的α-突觸核蛋白通過隱藏其粘性疏水核心而保持惰性與選擇性。然而，疾病相關的化學變化會暴露這一核心，使蛋白質變得極具“混雜性”。實驗證實，這些變體如同“分子誘餌”，能非選擇性地與測試的22種細胞蛋白緊密結合。基于此發現，研究人員構建了“多因素隨機紊亂模型”（Multifactorial Random Disorder Model）：高活性的截短蛋白首先通過捕獲周圍細胞成分形成路易體的致密核心，隨后磷酸化的蛋白在周邊堆積，推動其不斷生長。這一模型為理解神經退行性疾病的病理演變提供了新的分子視角。研究發表在 Communications Biology 上。

#疾病與健康 #神經機制與腦功能解析 #帕金森病 #路易體 #α-突觸核蛋白

閱讀更多：

Jos, Sneha, et al. “Parkinson’s Disease-Specific α-Synuclein Variants Potentially Drive Lewy Body Formation by Engaging in Promiscuous and Non-Functional Interactions.” Communications Biology, Jan. 2026. www.nature.com, https://doi.org/10.1038/s42003-025-09395-9

嚴格身材管理的正常體重少女面臨更高心理風險

看起來身材標準、生活自律的青少年真的健康嗎？Dimitra Hartas（華威大學）的一項新研究揭示了令人擔憂的現實：那些體重正常但通過嚴格飲食和運動管理身材的17歲女性，實際上是一個心理脆弱群體。研究發現，這類人群在20歲時面臨更高的焦慮、抑郁和心理困擾風險，這挑戰了“節食和規律運動總是健康標志”的傳統觀念。

? Credit: Current Psychology (2026).

該研究利用千禧年隊列研究的數據，通過兩步聚類分析將青少年分為四組，重點對比了同樣是正常體重但采取不同管理策略的人群。研究人員特別關注了體重歧視和神經質特征對心理的影響。結果顯示，那些致力于“健康飲食”和持續自我監測的“正常體重（節食/運動）”組，在17歲時就報告了高水平的自殘和自殺意念。到了20歲，與那些對身材管理態度放松的同齡人相比，這組人群表現出顯著更嚴重的焦慮和抑郁癥狀，以及更低的幸福感。這表明，在社交媒體和文化壓力下，將體重視為自我價值的衡量標準，對年輕女性造成了深遠的心理傷害。研究發表在 Current Psychology 上。

#疾病與健康 #心理健康與精神疾病 #身體意象 #飲食失調 #青少年發展

閱讀更多：

Hartas, Dimitra. “A Cluster Analysis of Health Behaviours and Their Relationship to Weight Stigma, Neuroticism and Psychological Wellbeing in Adolescents and Young Adults: A Population-Based Study.” Current Psychology, vol. 45, no. 2, Jan. 2026, p. 163. Springer Link, https://doi.org/10.1007/s12144-025-08652-8

記憶是幻覺嗎？物理學家建立新框架解析“玻爾茲曼大腦”悖論與熵的本質

我們的記憶是真實的記錄，還是宇宙熵漲落產生的幻覺？為了解開這一物理學與哲學交織的難題，David Wolpert（圣塔菲研究所）、Carlo Rovelli（呂米尼理論物理中心）和Jordan Scharnhorst（加州大學圣克魯茲分校）組成的國際研究團隊，對長期存在的“玻爾茲曼大腦”假設進行了深入的數學與邏輯審查。他們通過構建新的形式化框架，揭示了統計物理學中關于時間、記憶與宇宙演化論證背后的深層結構。

這項研究聚焦于統計力學中的核心矛盾：時間對稱的物理定律與時間不對稱的熱力學第二定律之間的張力。這種張力導致了“玻爾茲曼大腦”假說，即我們的記憶更可能源自熵的隨機漲落，而非真實的過去。研究團隊引入了“熵猜想”（entropy conjecture），將宇宙熵的演化視為時間對稱、時間平移不變的馬爾可夫過程。通過這一框架，他們發現許多反駁“玻爾茲曼大腦”的傳統論據陷入了循環論證：這些論據往往預先假設了過去的低熵狀態（過去假設），而這一假設本身又依賴于我們試圖驗證的記憶可靠性。研究結果表明，“玻爾茲曼大腦”假設與熱力學第二定律在形式上是等價的，它們都依賴于在推斷宇宙熵動力學時對特定時間點進行人為的“條件化”選擇，而物理學本身并未規定這種選擇的正確性。該研究發表在 Entropy 上。

#認知科學 #意識模擬 #玻爾茲曼大腦 #熱力學第二定律 #邏輯推斷

閱讀更多：

Wolpert, David, et al. “Disentangling Boltzmann Brains, the Time-Asymmetry of Memory, and the Second Law.” Entropy, vol. 27, no. 12, Dec. 2025, p. 1227. www.mdpi.com, https://doi.org/10.3390/e27121227

AI 行業動態

谷歌Gemini接入SAT全真模考，深化垂直領域布局

谷歌 CEO Sundar Pichai 近日宣布，Google Gemini 已正式接入全真 SAT 模擬考試系統，這一舉措被視為谷歌向教育垂直領域進軍的重要一步。通過與老牌教育機構普林斯頓評論深度合作，Gemini 將驗證過的全套模擬題納入系統，用戶只需在對話框輸入指令，即可開啟包含閱讀、寫作及數學的完整測試流程。該功能不僅高度還原真實的考試結構，還允許用戶自定義倒計時、提示顯示等配置，極大提升了備考的靈活性。盡管實測發現部分數學題目難度對中國學生而言相對較低，但 Gemini 的核心競爭優勢在于其強大的“私教”能力——它能針對用戶的錯題，將解題思路拆解為詳盡的步驟進行講解，幫助考生精準定位薄弱環節。谷歌透露，未來還將支持更多標準化考試，試圖通過引入專業數據，將 Gemini 打造成能解決具體問題的教育行家。

這一功能更新折射出谷歌清晰且宏大的商業化路徑：一方面向垂直領域深度滲透，除了教育，還在健康領域通過 Fitbit 分析身體數據，在編程領域通過 Android Studio 提供代碼輔助；另一方面則是將 AI 能力徹底融入用戶的數字生活。最新發布的由 Gemini 3 模型驅動的“個人智能”功能，已打通 Gmail、相冊、YouTube 等核心應用，能跨越應用邊界串聯用戶的個人生活圖譜。同時，Gemini 正逐步接管 Android 系統的底層入口，利用端側模型（Gemini Nano，運行在移動設備本地的高效輕量級 AI 模型）實現屏幕感知能力，甚至已與蘋果達成合作支持 iOS 系統。這種將個人數據與系統底層深度整合的策略，顯示出谷歌意圖通過構建無處不在的 AI 生態，在與 OpenAI 等對手的競爭中守住流量入口并拓展商業版圖。

#GoogleGemini #SAT備考 #普林斯頓評論 #AI教育 #端側模型

閱讀更多：

https://blog.google/products-and-platforms/products/education/practice-sat-gemini/

AAAI 2026大獎揭曉：華人學者斬獲三項杰出論文，圖靈獎得主Bengio獲經典論文獎

備受矚目的 AAAI 2026（第40屆AAAI人工智能年會）近日在新加坡正式開獎，公布了5篇杰出論文與2篇經典論文獎。其中，圖靈獎得主 Yoshua Bengio 憑借其2011年參與的一項關于知識庫結構化嵌入的研究，榮獲經典論文獎。該研究通過將符號事實表示為連續向量，讓神經網絡能夠訪問結構化知識，被視為現代大語言模型及檢索增強生成的奠基之作。另一篇經典論文獎則頒給了麻省理工學院團隊，表彰其在機器人理解自然語言指令方面的開創性工作，該研究提出的廣義接地圖框架成功實現了機器人對復雜指令的動態解析與執行。

在今年的5篇杰出論文中，華人研究人員表現尤為亮眼，參與了其中3篇的創作，涵蓋了具身智能、多模態大模型及圖神經網絡等前沿領域。香港科技大學（廣州）等機構合作推出的 ReconVLA 模型，針對視覺-語言-動作模型（VLA，Vision-Language-Action Model，結合視覺感知和語言理解來控制機器人動作的模型）注意力分散的問題，提出了隱式錨定范式，顯著提升了機器人的操作精度。同濟大學與微軟團隊合作的 LLM2CLIP 通過微調大語言模型來提升 CLIP（Contrastive Language-Image Pre-training，一種連接文本和圖像的跨模態預訓練模型）的表征能力，大幅增強了跨模態檢索性能。此外，還有研究人員提出了基于高頻信息的超圖神經網絡框架，以及關于邏輯概念變更模型和動態系統因果結構學習的創新研究，共同展示了 AI 領域的最新突破。

#AAAI2026 #YoshuaBengio #華人學者 #杰出論文 #人工智能

閱讀更多：

https://aaai.org/conference/aaai/aaai-26/award-talks/

AI 驅動科學

人工智能在發散性創造力任務中超越人類平均水平，但仍遜于頂尖創作者

生成式人工智能是否真的具有創造力？蒙特利爾大學心理學系教授 Karim Jerbi 領導的研究團隊，包括AI先驅 Yoshua Bengio 等人，開展了迄今為止規模最大的人類與大型語言模型創造力對比研究。該研究結果表明，雖然AI已達到重要里程碑，但在頂尖創造力領域，人類依然占據主導地位。

為了量化比較兩者的創造力，研究團隊采用了發散聯想任務（Divergent Association Task），這是一種要求參與者生成10個語義距離盡可能遠的單詞的心理學測試，用于衡量發散性思維。研究人員將GPT-4、Claude等多個大型語言模型的表現與10萬名人類參與者的數據進行了對比。結果顯示，部分AI模型在發散性任務和創意寫作（如俳句、短篇小說）上的表現已超越人類平均水平。然而，最具創造力的一半人類參與者的表現優于所有AI模型，頂尖10%的人類創作者更是遙遙領先。此外，研究還發現，通過調整模型的“溫度”或改變提示策略，可以調節并提升AI的創造力表現。這表明AI更多是服務于人類創造力的強大工具，而非取代者。研究發表在 Scientific Reports 上。

#認知科學 #大模型技術 #創造力 #人工智能

閱讀更多：

Bellemare-Pepin, Antoine, et al. “Divergent Creativity in Humans and Large Language Models.” Scientific Reports, vol. 16, no. 1, Jan. 2026, p. 1279. www.nature.com, https://doi.org/10.1038/s41598-025-25157-3

AI揭示情緒構建機制：多模態數據驗證“情緒建構理論”

情緒是區別人與機器的關鍵，但其形成機制一直未被完全量化。奈良先端科學技術大學院大學的Chie Hieida與大阪大學的Kazuki Miyazawa及Kazuki Tsurumaki合作，構建了一種計算模型來模擬人類情緒概念的形成。該研究利用多模態數據成功復現了大腦整合身體與感官信號的過程，為理解情緒本質提供了新視角。

? 研究人員使用多層多模態潛在狄利克雷分配模型，整合了來自人類參與者的身體信號、感覺信息和語言數據。通過從多模態數據中學習情緒概念，并評估其與人類情緒類別的一致性，該計算模型為人類情緒形成機制提供了寶貴的見解。Credit: Assistant Professor Chie Hieida / Nara Institute of Science and Technology, Japan

該研究基于情緒建構理論，即情緒是由大腦通過整合內部身體信號（內感受）和外部環境信息（外感受）即時構建的，而非與生俱來的反射。為了驗證這一點，研究團隊采用了多層多模態潛在狄利克雷分配模型（mMLDA），這是一種能夠發現隱藏統計模式的概率生成模型。實驗中，29名參與者觀看了60張誘發情緒的圖片，研究人員收集了他們的視覺輸入、生理反應（如心率）以及對情緒的語言描述。在沒有任何預設情感標簽的情況下，該模型自主學習并分類了情緒模式。結果顯示，模型生成的情緒概念與參與者自我報告的情緒評價一致率高達75%，顯著高于隨機概率。這表明模型成功模擬了人類體驗情緒的方式。這一發現不僅驗證了情緒建構理論的計算可行性，也為開發具備更強共情能力的交互式機器人和能夠輔助心理健康監測的AI系統奠定了基礎。研究發表在 IEEE Transactions on Affective Computing 上。

#AI 驅動科學 #計算模型與人工智能模擬 #情感計算 #情緒建構理論 #心理學

閱讀更多：

Tsurumaki, Kazuki, et al. “Study of Emotion Concept Formation by Integrating Vision, Physiology, and Word Information Using Multilayered Multimodal Latent Dirichlet Allocation.” IEEE Transactions on Affective Computing, vol. 16, no. 4, Oct. 2025, pp. 2975–87. IEEE Xplore, https://doi.org/10.1109/TAFFC.2025.3585882

AI透明度需求取決于用戶期望：一項在線約會實驗研究

AI通常被視為神秘的“黑箱”，但用戶真的想知道它如何運作嗎？Yuan Sun、S. Shyam Sundar和 Joseph B. Walther等研究人員組成團隊發現，這種需求取決于系統是否滿足了用戶的期望。研究表明，當算法結果符合預期時，用戶并不關心背后的邏輯；但當結果出乎意料時，解釋變得至關重要。這一發現挑戰了“透明度總是越好”的傳統觀點，揭示了用戶信任與期望匹配度之間的動態關系。

? 研究人員設計了一個人工智能驅動的約會網站，其結果可能超出或低于用戶的預期。他們發現，用戶預期與實際體驗的匹配程度（或不匹配程度）與用戶是否希望更深入了解人工智能系統的工作原理密切相關。Credit: Pennsylvania State University

為了驗證這一假設，研究團隊構建了一個虛構的約會網站 smartmatch.com，并招募了227名單身參與者進行測試。參與者被告知系統通常會推薦5個最佳匹配對象。實驗中，系統分別向用戶展示了5個（符合預期）、10個（超出預期）或2個（低于預期）匹配結果。結果顯示，當獲得承諾的5個匹配時，用戶無需解釋即可信任系統；當獲得10個匹配時，一個簡單的解釋就能鞏固信任；然而，當結果僅為2個時，用戶則需要詳細的解釋才能維持對系統的信任。S. Shyam Sundar 指出，現有的標準化免責聲明式解釋往往效果不佳，企業應根據系統表現與用戶預期的差距，提供以用戶為中心的差異化解釋。研究發表在 Computers in Human Behavior 上。

#認知科學 #其他 #人機交互 #算法透明度 #信任機制

閱讀更多：

Sun, Yuan, et al. “Does Transparency Matter When an AI System Meets Performance Expectations? An Experiment with an Online Dating Site.” Computers in Human Behavior, vol. 177, Apr. 2026, p. 108875. ScienceDirect, https://doi.org/10.1016/j.chb.2025.108875

平均值掩蓋真相：AI模型在新環境下的隱形失效風險

為什么在一家醫院表現完美的AI醫生，換到另一家醫院卻可能頻頻誤診？麻省理工學院（MIT）的Olawale Salaudeen和Marzyeh Ghassemi團隊研究發現，機器學習領域長期信奉的“好學生在任何考場都是好學生”的假設存在巨大漏洞。他們證實，那些在訓練數據上平均得分最高的模型，在面對新環境中的特定人群或情況時，反而可能是表現最差的，這種隱蔽的風險在過度聚合的評估指標下被掩蓋了。

? 比較直線上的準確率 (AoTL) 和逆直線上的準確率 (AoTIL)。Credit: arXiv (2025).

該研究團隊針對機器學習中的分布外（out-of-distribution）泛化問題進行了深入分析。通常，研究人員認為只要提高模型在已知數據上的表現，就能自然消除虛假相關性，即模型錯誤地將背景或無關標記與結果聯系起來（例如把草地背景作為識別奶牛的依據）。為了驗證這一點，團隊開發了一種名為 OODSelect 的算法，通過訓練數千個模型并對比其在不同數據分布下的表現，尋找那些違背常規規律的子集。結果發現了令人擔憂的逆在線準確率現象：在胸部X光片診斷中，一些總體準確率最高的模型，在面對患有胸膜疾病或心臟擴大的患者時，診斷能力反而墊底。這意味著模型可能利用了與疾病無關的特征（如特定醫院的設備標記）進行作弊。研究人員指出，如果不將這些特定子集分離出來單獨評估，僅看平均分會給醫療決策帶來嚴重的安全隱患。這項工作為未來構建更魯棒的AI模型提供了新的評估工具和數據集。

#疾病與健康 #預測模型構建 #AI安全 #醫療診斷 #算法偏差

閱讀更多：

Salaudeen, Olawale, et al. “Aggregation Hides Out-of-Distribution Generalization Failures from Spurious Correlations.” arXiv:2510.24884, arXiv, 28 Oct. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.24884

路標文字也能劫持機器人：具身AI的新型安全漏洞

路邊的廣告牌或路標上的文字是否可能成為黑客控制自動駕駛汽車的武器？針對這一安全隱患，Luis Burbano, Alvaro Cardenas, Cihang Xie（加州大學圣克魯茲分校）以及Yinzhi Cao（約翰·霍普金斯大學）等人組成的團隊進行了首個系統性研究，揭示了物理環境中的誤導性文本可以成功劫持具身人工智能系統的決策，不僅在模擬環境中有效，在現實世界中同樣構成威脅。

? 該團隊在巴斯金工程2號樓內，使用一輛小型具身人工智能機器人汽車測試了他們的攻擊流程。Credit: University of California - Santa Cruz

該研究針對依賴大型視覺語言模型的具身人工智能（Embodied AI）系統，開發了一種名為CHAI的攻擊框架。這種攻擊被稱為環境間接提示注入攻擊，其原理類似于誘導聊天機器人違規的語言陷阱，但發生在物理世界中。研究團隊通過兩步優化過程實施攻擊：首先利用生成式AI設計最可能被機器執行的文字指令，其次調整這些文字在環境中的顏色、大小和位置。在測試中，研究人員將打印的攻擊性圖像放置在小型機器人汽車的行駛路徑上，成功導致其導航失效。數據顯示，該攻擊在空中物體追蹤任務中的成功率高達95.5%，在無人駕駛汽車場景中達到81.8%。此外，這種攻擊在不同光照條件及包括中文、英語、西班牙語在內的多種語言環境下均表現出有效性。該研究強調了在物理AI系統部署前開發防御措施的緊迫性。

#大模型技術 #機器人及其進展 #網絡安全 #具身人工智能 #提示注入攻擊

閱讀更多：

Burbano, Luis, et al. “CHAI: Command Hijacking against Embodied AI.” arXiv:2510.00181, arXiv, 30 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2510.00181

AI利用新生兒足跟血預測早產兒健康軌跡，準確率超85%

早產并不是單一的健康問題，而是一系列復雜的潛在疾病集合。為了精準預測早產兒面臨的具體風險，斯坦福大學醫學院的Alan L. Chang、Jonathan D. Reiss和Nima Aghaeepour等人領導的團隊開發了一種基于人工智能的新工具。該工具利用出生后不久采集的血液樣本，不僅能預測個體的醫療軌跡，還試圖通過生物學測量結果重新定義早產分類，從而實現針對每位患兒的個性化治療和并發癥預防。

這項研究的核心在于挖掘常規新生兒篩查中采集的干血斑（dried blood spots）數據。研究團隊分析了超過13,000名加州早產兒的代謝物譜，關注氨基酸和脂肪代謝分子等指標。通過結合深度學習算法與基本臨床數據，他們建立了一個“代謝健康指數”。該指數能以超過85%的準確率預測四種主要早產并發癥：壞死性小腸結腸炎（necrotizing enterocolitis，一種嚴重的腸道疾病）、早產兒視網膜病變（retinopathy of prematurity，可能導致失明的眼病）、支氣管肺發育不良（bronchopulmonary dysplasia，一種慢性肺部疾病）以及腦室內出血（intraventricular hemorrhage）。該模型隨后在近3,300名加拿大早產兒的數據中得到了驗證，證明了其廣泛的適用性。研究發表在 Science Translational Medicine 上。

#疾病與健康 #預測模型構建 #早產兒 #精準醫療 #代謝組學

閱讀更多：

Chang, Alan L., et al. “Quantitative Assessment of Neonatal Health Using Dried Blood Spot Metabolite Profiles and Deep Learning.” Science Translational Medicine, vol. 18, no. 833, Jan. 2026, p. eadv4942. science.org (Atypon), https://doi.org/10.1126/scitranslmed.adv4942

百萬級播客數據揭示：商業與體育圈層封閉，社會議題跨界傳播

盡管播客已成為公眾獲取信息和娛樂的重要渠道，但由于缺乏大規模數據，學術界對其生態系統的理解仍十分有限。Benjamin Litterer、David Jurgens 和 Dallas Card利用人工智能技術構建了首個大規模開放播客數據集，并對播客的內容版圖、社區結構及社會響應機制進行了深入分析，揭示了這一媒介獨特的傳播特征。

該研究構建了名為 SPoRC 的語料庫，涵蓋了2020年5月至6月期間發布的超過110萬集英語播客。研究團隊利用自動語音識別（ASR）工具 Whisper 將音頻轉化為文本，并結合 pyannote 進行說話人分離，同時提取了韻律特征。基于這些數據，團隊構建了一個通過共同嘉賓連接的播客社交網絡。研究發現，商業和體育類別的播客形成了高度封閉的內部網絡，經常共享嘉賓；相比之下，宗教和社會類播客的連接則較為松散。在針對喬治·弗洛伊德事件的案例分析中，數據顯示播客生態系統的反應速度與新聞媒體相似，但在話題消退上更為緩慢。值得注意的是，該事件引發了跨類別的廣泛討論，在高峰期有21%的節目提及了相關人名，且新聞類播客更側重于法律與警務層面的討論，顯示了不同社區視角的差異。

#AI驅動科學 #大模型技術 #計算社會科學 #播客生態系統

閱讀更多：

Litterer, Benjamin, et al. “Mapping the Podcast Ecosystem with the Structured Podcast Research Corpus.” Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 2025, pp. 25132–54. arXiv.org, https://doi.org/10.18653/v1/2025.acl-long.1222

智能體推理：大語言模型向自主行動者的進化路線圖

推理是智能的核心，但在不斷變化的開放世界中，傳統的大語言模型往往難以像人類一樣靈活應對。為了解決這一難題，來自伊利諾伊大學厄巴納-香檳分校、Meta、Amazon以及Google Deepmind的研究人員Tianxin Wei、Heng Ji、Hanghang Tong和Jingrui He等人組成的團隊，提出了一項關于“智能體推理”（Agentic Reasoning）的全面研究。他們將大語言模型從被動的序列生成器重構為主動的自主智能體，這些智能體不僅能進行思考，還能通過規劃、行動以及與環境的持續交互來解決問題，標志著人工智能從靜態推理向動態自主行動的范式轉變。

該研究通過構建一個包含三個層面的系統路線圖，詳細闡述了智能體推理的實現路徑。首先是“基礎智能體推理”，它賦予單智能體在穩定環境中規劃任務、使用工具和搜索信息的核心能力；其次是“自我進化智能體推理”，智能體通過反饋機制和記憶模塊，在動態環境中不斷修正錯誤并更新策略，實現能力的自我迭代；最后是“集體多智能體推理”，通過多個智能體的角色分工與協作，處理復雜的共同目標。

為了優化這些能力，研究團隊區分了兩種關鍵模式：“上下文內推理”側重于在推理階段通過結構化的提示工程和工作流編排來激發模型潛力，無需修改模型參數；而“后訓練推理”則通過強化學習和微調，將成功的推理策略內化到模型的權重中。該綜述不僅為科學發現、機器人技術和自動化研究等領域的應用提供了行動指南，還指出了未來在個性化服務和世界模型構建等方面面臨的挑戰。

#大模型技術 #計算模型與人工智能模擬 #智能體推理 #自我進化 #多智能體協作

閱讀更多：

Wei, Tianxin, et al. “Agentic Reasoning for Large Language Models.” arXiv:2601.12538, arXiv, 18 Jan. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2601.12538

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。

研究院在華山醫院、上海市精神衛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、、、科普視頻媒體「大圓鏡」等。