追问daily | 心智是神经与免疫协同处理的结果；AI审稿也看人下菜？灵长类神经连接更少但更精

█脑科学动态

Cell：更少但更精，灵长类大脑以简约连接实现高级认知

皮质醇促合作，去甲肾上腺素燃战火

大脑蓝斑重置记忆，帮助我们区分不同事件

终身音乐训练可延缓大脑衰老

眼神接触的时机如何传递意图

联想思维：创造力与学习的共同引擎

心智非大脑独有，是神经与免疫细胞协同处理的结果

█AI行业动态

思维链之父Jason Wei跳槽Meta，OpenAI再失核心人才

█AI驱动科学

AI新工具通过蛋白质组学预测癌症侵袭性

AI数字孪生模拟未来，精准预测个人疾病风险

日本首个全双工对话AI J-Moshi实现边听边说，模仿自然日语交流

新型行为基础模型Be.FM发布，专为预测人类行为而生

AI审稿也看人下菜？

脑科学动态

Cell：更少但更精，灵长类大脑以简约连接实现高级认知

灵长类大脑如何演化出高级认知功能？中国科学院脑科学与智能技术卓越创新中心（神经科学研究所）联合华中科技大学苏州脑空间信息研究院等团队，首次在单神经元水平上完整解析了猕猴前额叶皮层的全脑连接图谱，揭示了其高度精细和模块化的连接原理。

▷Credit: Cell (2025).

研究团队首先通过病毒示踪技术标记了猕猴前额叶皮层中的单个神经元，随后利用荧光显微光学切片断层成像（fMOST）技术对全脑进行扫描。借助其自主研发的、融合了人工智能算法的高通量重建系统Gapr，团队成功重建了2,231个单神经元投射体。分析显示，这些神经元可被分为32个亚型，各自靶向不同脑区，与记忆、情绪和认知等多种高级功能相关。研究还发现PFC内部存在模块化的连接网络，这可能是工作记忆等功能的神经基础。与小鼠相比，猕猴的神经元连接模式更为精炼和特化：它们的轴突分支更少，投射目标更专一，在纹状体等区域形成独特的斑块状末端树突，显示出空间上更精准的神经支配。这种更简约、高效的连接策略，可能是灵长类动物演化出复杂认知能力的决定性因素。研究发表在 Cell 上。

#神经科学 #神经机制与脑功能解析 #自动化科研 #跨学科整合

阅读更多：

Gou, Lingfeng, et al. “Single-Neuron Projectomes of Macaque Prefrontal Cortex Reveal Refined Axon Targeting and Arborization.” Cell, vol. 188, no. 14, Jul. 2025, pp. 3806-3822.e24. www.cell.com, https://doi.org/10.1016/j.cell.2025.06.005

皮质醇促合作，去甲肾上腺素燃战火

为何群体间冲突持续不断，压力在其中扮演何种角色？为回答此问题，来自德国杜塞尔多夫海因里希海涅大学的Damon Dashti, Luca M. Lüpken, Tobias Kalenscher及同事展开研究，发现压力的两种核心神经信使会产生分离效应：一种促进对内合作，另一种则加剧对外攻击，为理解“我们对抗他们”的心态提供了神经生物学解释。

研究人员进行了一项精神药理学实验，通过双盲、安慰剂对照的方式，让参与者分别服用模拟应激激素皮质醇的氢化可的松，或增强兴奋性神经递质去甲肾上腺素作用的育亨宾。随后，参与者被分入不同小组，进行一场涉及真实金钱的经济博弈。游戏中，参与者所在的“内群体”会先遭受“外群体”的金钱伤害，然后他们有机会选择是仅帮助自己人，还是在帮助自己人的同时损害对手的利益。

结果清晰地揭示了两种压力信使的分离效应：皮质醇的作用显著提升了参与者对内群体成员的合作与慷慨程度，表现为更强的“抱团”行为。相反，去甲肾上腺素则驱动了强烈的“狭隘竞争”（parochial competition，一种只对内群体友善，同时对外群体充满敌意的行为模式），参与者甚至愿意牺牲个人经济利益来攻击外群体。这一发现挑战了压力要么触发“战或逃”要么触发“安抚与结盟”的传统二元论，证明压力对社交行为的影响是复杂的，具体取决于哪种神经化学通路占主导以及面对的是朋友还是敌人。研究发表在 PNAS 上。

#神经科学 #神经机制与脑功能解析 #社会行为 #压力

阅读更多：

Dashti, Damon, et al. “Dissociable Glucocorticoid and Noradrenergic Effects on Parochial Cooperation and Competition in Intergroup Conflict.” Proceedings of the National Academy of Sciences, vol. 122, no. 29, Jul. 2025, p. e2502257122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2502257122

大脑蓝斑重置记忆，帮助我们区分不同事件

大脑如何将连续的生活体验切分成独立的记忆片段？加州大学洛杉矶分校的David Clewett、Ringo Huang和哥伦比亚大学的Lila Davachi合作进行了一项研究，他们发现，大脑的唤醒中枢——蓝斑，在感知到情境变化时会像一个“重置按钮”，帮助我们分割记忆。

研究团队结合功能性磁共振成像、瞳孔测量法（pupillometry）和神经黑色素成像，探究了32名志愿者在观看图片序列时的大脑活动。实验通过在参与者的一侧耳朵播放重复音调来营造稳定情境，然后突然切换到另一侧耳朵并改变音高，以制造出事件边界（event boundary，即标志一个事件结束、另一个开始的情境转变）。结果显示，每当事件边界出现时，与唤醒和注意力相关的蓝斑活动和瞳孔直径都会急剧增加。

更有趣的是，蓝斑在边界处的激活强度，准确预测了记忆的分离程度——激活越强，参与者就越难回忆起跨越边界的两个物体的先后顺序，这表明蓝斑的激活有效地将记忆“切开”了。进一步分析发现，蓝斑的这个“重置”信号会传递给负责记忆形成的海马体，增强其区分不同事件的能力。然而，研究也发现，代表慢性压力的神经黑色素水平较高的个体，其蓝斑对事件边界的反应较弱，这表明长期压力可能会削弱大脑分割记忆的能力，导致记忆变得模糊混乱。研究发表在 Neuron 上。

#疾病与健康 #记忆机制 #神经机制与脑功能解析 #心理健康与精神疾病

阅读更多：

Clewett, David, et al. “Locus Coeruleus Activation ‘Resets’ Hippocampal Event Representations and Separates Adjacent Memories.” Neuron, vol. 0, no. 0, Jun. 2025. www.cell.com, https://doi.org/10.1016/j.neuron.2025.05.013

终身音乐训练可延缓大脑衰老

长期音乐训练如何影响大脑衰老过程？来自中国科学院的Yi Du、Lei Zhang与加拿大贝克雷斯特研究与教育学院的Claude Alain、Bernhard Ross等人合作，探究了音乐训练对老年人大脑在嘈杂环境中处理语音时的影响。研究发现，音乐训练并非增强大脑的代偿性过度活动，而是帮助其维持一种更接近年轻人的高效、低耗能工作模式。

研究团队采用功能性磁共振成像对三组参与者进行了测试：年长音乐家、年长非音乐家和作为对照组的年轻非音乐家。任务要求他们在噪音干扰下辨别音节。结果显示，年长非音乐家的大脑表现出典型的衰老特征：为了完成任务，其听觉背侧通路的神经活动显著增强，这是一种代偿性过度补偿。相比之下，年长音乐家的大脑则显得异常“平静”，其功能连接模式与年轻非音乐家非常相似，并未出现过度的神经活动。这一发现有力地支持了“抑制上调”假说，即通过音乐训练积累的认知储备（cognitive reserve，指大脑通过后天经验积累的、能抵抗病理损伤的资源）并非简单地为衰老的大脑“加油”，而是通过维持更优化的神经网络结构，使其不必“费力”工作，从而有效延缓了认知功能的衰退。研究发表在 PLOS Biology 上。

#疾病与健康 #神经机制与脑功能解析 #认知科学 #健康管理与寿命延长

阅读更多：

Zhang, Lei, et al. “Long-Term Musical Training Can Protect against Age-Related Upregulation of Neural Activity in Speech-in-Noise Perception.” PLOS Biology, vol. 23, no. 7, Jul. 2025, p. e3003247. PLoS Journals, https://doi.org/10.1371/journal.pbio.3003247

眼神接触的时机如何传递意图

一个简单的眼神如何成为清晰的沟通信号？弗林德斯大学的Nathan Caruana, Friederike Charlotte Hechler, Emily S. Cross和Emmanuele Tidoni团队研究发现，眼神交流的意义不仅在于“看”，更在于“何时看”。他们首次揭示了一种特定的凝视时序，能最有效地传递沟通意图，且该规则同样适用于人类与机器人的互动。

研究团队让137名参与者与虚拟伙伴（外形为人类或机器人）进行积木搭建任务，并判断伙伴的凝视是在检查物体还是在请求帮助。研究发现，凝视的沟通效果关键在于其时间背景，而非频率。当虚拟伙伴的凝视遵循“注视物体→与参与者进行眼神接触→再次回看同一物体”这一特定序列时，参与者最容易且最快地将其理解为请求信号。

这一发现揭示了沟通意图感知的动态过程，证明了眼神接触的相对时间顺序是塑造其沟通效力的核心因素。更重要的是，无论面对人类还是机器人，参与者的反应都惊人地一致。这表明我们的大脑已进化出一种能广泛适应不同社交对象的凝视解读机制。这一成果不仅加深了对人类本能社交行为的理解，也为设计更自然、更直观的社交机器人和虚拟助手提供了关键的科学依据。研究发表在 Royal Society Open Science 上。

#认知科学 #意图与决策 #非语言交流 #人机交互

阅读更多：

Caruana, Nathan, et al. “The Temporal Context of Eye Contact Influences Perceptions of Communicative Intent.” Royal Society Open Science, vol. 12, no. 7, Jul. 2025, p. 250277. royalsocietypublishing.org (Atypon), https://doi.org/10.1098/rsos.250277

联想思维：创造力与学习的共同引擎

创造力与学习成绩密切相关，但其背后的认知机制是什么？Simone A. Luchini, James C. Kaufman, Benjamin Goecke, Oliver Wilhelm, Yoed N. Kenett, Daisy Lei, Mathias Benedek, Janet G. van Hell及Roger E. Beaty等研究人员，通过两项研究揭示了联想思维是连接创造力与学习的关键桥梁。

研究团队通过两项实验探究了联想思维在创造力与学习间的关系。研究首先评估了参与者的联想思维能力，即让他们为名词生成不寻常的动词，并通过计算模型量化其联想的新颖性。随后，参与者完成一项联想学习（associative learning，指在不相关的概念间建立联系的学习过程）任务，即学习立陶宛语和英语的词汇配对。研究1发现，那些能产生更独特词汇联想的学生，在24小时后能回忆起更多的外语单词。研究2进一步将创造力评估扩展到更真实的任务，如写短篇故事和画简笔画，结果再次证实，联想思维在创造力表现与学习成绩之间扮演了中介角色。这意味着，创造力之所以能促进学习，部分是因为富有创造力的人更擅长运用联想思维来建立新知识间的联系。重要的是，该结论在排除了通用智力（general intelligence）的干扰后依然成立。研究发表在 npj Science of Learning 上。

#认知科学 #记忆机制 #创造力 #联想思维 #学习

阅读更多：

Luchini, Simone A., et al. “Creativity Supports Learning through Associative Thinking.” Npj Science of Learning, vol. 10, no. 1, Jul. 2025, p. 42. www.nature.com, https://doi.org/10.1038/s41539-025-00334-1

心智非大脑独有，是神经与免疫细胞协同处理的结果

心智和认知过程是否仅仅源于大脑？为了挑战这一传统观念，来自里斯本大学、伦敦大学学院和塔夫茨大学的Anna Ciaunica、Evgeniya V. Shmeleva和Michael Levin等人提出了一种革命性的观点，认为认知是遍布全身的、由神经与免疫等多种细胞协同完成的过程。

该研究摒弃了将认知局限于大脑的“神经中心主义”视角，主张认知是服务于整个有机体生存的具身过程（embodied cognition）。研究者整合了多个领域的理论，指出认知是一种多尺度的信息处理网络，分布于全身。其论证建立在“基础认知”（basal cognition，即认为非神经细胞也具备学习和记忆等基本认知能力）的概念之上。这意味着，构成身体的每一个细胞都在为有机体的自组织（self-organization，即生物系统抵抗熵增、维持自身完整性的过程）和适应性行为做出贡献。研究特别强调了免疫系统的角色，认为它与神经系统是实现复杂认知功能的关键伙伴，两者协同工作，共同维持身体的稳态和对环境的灵活反应。因此，心智并非大脑中神秘的“幽灵”，而是整个生物体在细胞层面进行复杂信息处理时涌现出的属性。研究发表在 Frontiers in Integrative Neuroscience 上。

#认知科学 #跨学科整合 #神经机制与脑功能解析

阅读更多：

Ciaunica, Anna, et al. “The Brain Is Not Mental! Coupling Neuronal and Immune Cellular Processing in Human Organisms.” Frontiers in Integrative Neuroscience, vol. 17, May 2023. Frontiers, https://doi.org/10.3389/fnint.2023.1057622

AI 行业动态

思维链之父Jason Wei跳槽Meta，OpenAI再失核心人才

Meta对OpenAI的人才争夺战仍在持续升级。据外媒Wired报道，OpenAI知名研究员Jason Wei和研究科学家Hyung Won Chung已离职并加入Meta，二人的Slack账号已被停用。

Jason Wei是AI领域里程碑技术“思维链”的开创者，其论文引用量超1.7万次；Hyung Won Chung则是OpenAI核心项目o1的关键贡献者。两人均毕业于麻省理工学院，曾任职于谷歌，去年刚加入OpenAI便成为技术骨干。

Jason Wei在跳槽传闻后未直接回应，而是发布了一篇探讨“验证者法则”的技术博客，但评论区已被祝贺跳槽的留言淹没。他随后以强化学习（RL）为例，阐述“人生应走出自己的轨迹”的哲学：初期需模仿学习，但突破需靠独特优势。Hyung Won Chung则主导过PaLM（谷歌5400亿参数大模型）、BLOOM（多语言开源模型）等项目，在OpenAI期间推动了o1的推理能力与安全研究，其技术分享曾风靡斯坦福大学。

此次人才流失对OpenAI冲击显著。Jason Wei的论文总引用量高达7.7万次，Hyung Won Chung更是o1系统的奠基者。两人离职或影响OpenAI在推理模型和深度研究领域的进展。而Meta近期频繁吸纳AI顶尖人才，继此前挖角OpenAI的PyTorch团队后，再次展现其争夺AI领导地位的野心。

#Meta #OpenAI #人才争夺 #思维链 #JasonWei

阅读更多：

https://www.wired.com/story/jason-wei-open-ai-meta/

AI 驱动科学

AI新工具通过蛋白质组学预测癌症侵袭性

巴西圣保罗大学里贝朗普雷图医学院的Tathiane Malta与波兰波兹南医科大学的Maciej Wiznerowicz等研究人员，开发了一款基于蛋白质组学的机器学习模型，能够量化肿瘤的“干性”特征，从而预测其侵袭性并识别潜在的药物靶点。

▷该机器学习模型能够根据特定蛋白质预测某些类型肿瘤的侵袭性。Credit: Tathiane Malta / USP

研究团队开发了一种名为PROTsi（基于蛋白质表达的干性指数）的机器学习模型。他们利用临床蛋白质组肿瘤分析联盟（CPTAC，一个整合了蛋白质组学及基因组学等多种数据的癌症研究项目）覆盖11种癌症类型的1300多个肿瘤样本数据进行训练和分析。该模型通过评估肿瘤细胞与多能干细胞的相似度，生成一个0到1的干性指数，指数越高代表肿瘤侵袭性越强、耐药性和复发风险也越高。通过将PROTsi与多组学数据整合，研究团队成功识别出驱动肿瘤侵袭性的关键蛋白质，其中许多已是现有药物的靶点，这为药物再利用提供了新思路。与此前基于基因表达的模型相比，PROTsi在区分肿瘤与非肿瘤样本，以及识别高级别肿瘤（如腺癌、胰腺癌等）方面表现更优。研究发表在 Cell Genomics 上。

#AI驱动科学 #个性化医疗 #蛋白质组学 #癌症治疗 #机器学习

阅读更多：

Kołodziejczak-Guglas, Iga, et al. “Proteomic-Based Stemness Score Measures Oncogenic Dedifferentiation and Enables the Identification of Druggable Targets.” Cell Genomics, vol. 5, no. 6, Jun. 2025. www.cell.com, https://doi.org/10.1016/j.xgen.2025.100851

AI数字孪生模拟未来，精准预测个人疾病风险

为了超越依赖群体平均值的传统医疗模式，实现精准的个人健康预测与干预，魏茨曼科学研究所的Eran Segal、Lee Reicher、Smadar Shilo等研究人员，依托“人类表型计划”收集的海量深度健康数据，利用人工智能创建了一个个性化的“数字孪生”模型。

▷不同种族临床和多组学数据的差异。Credit: Nature Medicine (2025).

该研究基于“人类表型计划”，一个对超过13,000人进行长期追踪的大规模项目，收集了包括多组学、生活方式、持续血糖监测在内的海量数据。研究团队首先开发了一个AI模型，通过分析17个身体系统的生理指标来评估个体的生理年龄。该模型表现出色，例如，它在40%被传统检测方法判定为健康的个体中，成功识别出了糖尿病前期。研究还揭示，女性的生理衰老在五十多岁时会显著加速，这与更年期的到来密切相关。在此基础上，团队正致力于构建一个更全面的“数字孪生”，它采用自监督学习，已能准确预测未来的血糖水平和糖尿病发病风险。未来，这个数字孪生有望整合所有数据，为每个人模拟并规划出最佳的健康干预路径，从而避免了在现实中反复试错的过程。研究发表在 Nature Medicine 上。

#AI驱动科学 #个性化医疗 #预测模型构建

阅读更多：

Reicher, Lee, et al. “Deep Phenotyping of Health–Disease Continuum in the Human Phenotype Project.” Nature Medicine, Jul. 2025, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41591-025-03790-9

日本首个全双工对话AI J-Moshi实现边听边说，模仿自然日语交流

如何让AI像人一样自然对话，尤其是在频繁使用即时反馈（如“嗯嗯”）的日语中？名古屋大学的Atsumoto Ohashi、Shinya Iizuka、Jingjing Jiang和Ryuichiro Higashinaka等研究人员，针对传统AI无法同时听说的问题，成功开发出日本首个公开的全双工对话模型J-Moshi，实现了更自然的AI交流。

▷东中实验室正在开发旨在与人类操作员协同工作的人工智能与人类对话系统。作为研究的一部分，大阪 NIFREL 水族馆部署了一个导览机器人，用于解答游客关于海洋生物的问题。人类操作员可以介入，为复杂的问题提供帮助。Credit: Higashinaka Lab, Nagoya University. Taken at NIFREL Aquarium, Osaka

研究团队通过改编英语模型Moshi，创建了专为日语设计的J-Moshi。其核心突破在于实现了全双工（full-duplex，指系统可以同时进行双向通信，即边听边说）能力，这对于模仿日语中常见的“相槌”（aizuchi，表示正在倾听的简短回应）至关重要。

首先，利用包含约67,000小时音频的J-CHAT大型数据集进行预训练，让模型掌握日语基础；接着，使用344小时高质量的双人对话录音进行微调，学习同步交流的细节；最后，通过文本转语音技术生成了602小时的合成对话数据进行增强。评估实验表明，J-Moshi在对话的自然度和意义性上均优于传统模型，并能有效产生语音重叠等自然交流特征。尽管在复杂场景下仍需人工辅助，但该技术已在水族馆导览机器人等场景中展现了人机协作的巨大潜力。

#大模型技术 #计算模型与人工智能模拟 #机器人及其进展 #人机交互

阅读更多：

Ohashi, Atsumoto, et al. Towards a Japanese Full-Duplex Spoken Dialogue System. arXiv:2506.02979, arXiv, 3 Jun. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2506.02979

新型行为基础模型Be.FM发布，专为预测人类行为而生

现有通用AI模型难以准确预测多样化的人类行为。为解决此问题，来自密歇根大学、斯坦福大学和MobLab的研究人员（包括Yutong Xie和Qiaozhu Mei）开发了Be.FM，这是首批专为模拟、预测和理解人类行为而设计的基础模型之一。

研究团队开发了行为基础模型（Be.FM, Behavioral Foundation Model），其独特之处在于它并非依赖通用网络文本，而是基于一个专门构建的行为科学数据库进行训练，该数据库整合了超过68,000名受试者的实验数据、约20,000份调查问卷及数千项学术研究。这种专业化的训练使Be.FM展现出四大新兴能力。首先，它能进行行为预测，例如在经济场景中模拟群体的投资偏好或合作意愿。其次，模型能根据行为或背景数据推断个体的心理特质与人口统计学信息。第三，它具备情境推理能力，能够识别导致用户行为变化的潜在驱动因素，如季节性趋势或产品设计更新。最后，它还能应用行为科学知识，辅助研究人员生成新假设或总结文献。在与GPT-4o等通用模型的对比测试中，Be.FM在匹配真实人类行为（尤其是在人格预测和场景模拟方面）上表现出显著优势，其预测结果更贴近真实世界的群体行为模式。

#大模型技术 #预测模型构建 #计算模型与人工智能模拟 #意图与决策

阅读更多：

Xie, Yutong, et al. Be.FM: Open Foundation Models for Human Behavior. 5274559, Social Science Research Network, 29 May 2025. papers.ssrn.com, https://doi.org/10.2139/ssrn.5274559

AI审稿也看人下菜？

大规模语言模型在学术同行评审中的应用日益增多，但这背后隐藏着哪些风险？来自上海交通大学、佐治亚理工学院、上海人工智能实验室、佐治亚大学和牛津大学的研究人员进行了一项系统性研究，全面揭示了LLM审稿系统在面对操纵和固有缺陷时的脆弱性。

研究团队设计了精巧的实验来测试大语言模型作为审稿人的可靠性。在“显式操纵”测试中，他们通过在论文PDF中嵌入人眼无法察觉的白色微小文字，成功地对LLM审稿人进行了审稿注入攻击（review injection attack）。结果显示，LLM生成的评审意见与这些隐藏内容的符合度高达90%，导致其与人类评审员的真实意见的符合度从53%骤降至16%。在“隐式操纵”中，研究发现LLM比人类评审员更容易受到作者主动披露的局限性的影响，其观点重合度是人类的4.5倍。此外，研究还揭示了LLMs的固有缺陷。模型会产生幻觉，例如，一篇仅有标题的论文获得的评分，甚至可能高于42%的完整论文。在模拟的单盲同行评审（peer review，即评审人不知道作者身份的评审过程）中，只要将论文署名为知名学者，LLM就会给出更正面的评价，表现出明显的作者偏见。这些发现表明，当前的LLMs在鲁棒性和客观性上尚有不足，不宜作为学术评审的主要工具。

#大模型技术 #自动化科研 #计算模型与人工智能模拟

阅读更多：

Ye, Rui, et al. Are We There Yet? Revealing the Risks of Utilizing Large Language Models in Scholarly Peer Review. arXiv:2412.01708, arXiv, 2 Dec. 2024. arXiv.org, https://doi.org/10.48550/arXiv.2412.01708

整理｜ChatGPT

编辑｜丹雀、存源

由天桥脑科学研究院主办的首届AI驱动科学年度研讨会（AIAS 2025）将于10月27–28日在美国旧金山举行。会议面向全球征集论文，聚焦能够在科学领域开辟全新研究模式、假设生成及实验方法的变革性人工智能创新。如果您希望与诺贝尔奖得主Jennifer Doudna，David Baker，知名学者Animashree Anankumar，Heather J. Kulik，以及业界领袖Tom Miller一同登台分享，请点击阅读原文提交您的论文：https://aias2025.org/call-for-papers/！征稿截止日期为8月1日。

关于追问nextquestion

天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。欢迎评论区留言，或后台留言“社群”即可加入社群与我们互动。您也可以在后台提问，我们将基于追问知识库为你做出智能回复哦~

关于天桥脑科学研究院

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。

Chen Institute与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了加州理工天桥神经科学研究院。

Chen Institute建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、等。