追问daily | 用橡皮筋教会机器人思考；童年创伤如何编程大脑？Nature：AI助力科学家精确定位大脑决策瞬间

█脑科学动态

Nature：星形胶质细胞是稳定长期记忆的关键

不同大脑如何通过共同的神经语法看见同一个世界

记忆的分子开关：Rab4激活与Rab10抑制协同强化神经连接

找到“夜宵开关”：大脑计时器中的神经元可能控制夜间饥饿

大脑如何应对恐惧并学会适应

冒名顶替的“假病人”正威胁健康研究的真实性

童年创伤如何“编程”大脑？新研究发现关键化学物质SGK1与抑郁及自杀风险相关

█AI行业动态

欧洲首例：慕尼黑团队为四肢瘫痪患者植入脑机接口

FDA批准罗氏新血液测试：助力初级保健排除阿尔茨海默病

谷歌旗舰视频模型Veo 3.1深夜重磅升级，迈入“导演级”精控时代

蚂蚁开源万亿级思考模型，AI推理能力大突破

苹果M5问世：AI算力暴增6倍

Claude Haiku 4.5发布：性能比肩顶尖模型，价格仅三分之一

█AI驱动科学

Nature：AI助力神经科学家精确定位大脑决策瞬间

眼动追踪结合AI，有望在AD症状出现前数年实现精准检测

AI赋能日常物品，订书机也能主动“递”给你

AI新工具MetaSeg大幅提升医学图像分割效率

哈佛团队用橡皮筋教会机器人思考

利用迁移学习，新脑机接口可解码不同患者的语音

脑科学动态

Nature：星形胶质细胞是稳定长期记忆的关键

为什么有些记忆能长久保存，而另一些则会淡忘？日本理化学研究所的 Jun Nagai 及其团队研究发现，稳定记忆的关键角色并非神经元，而是过去被低估的星形胶质细胞。它们通过一种独特的“标记-再激活”机制，在反复回忆中稳定和巩固情绪性记忆。

▷在初始体验和几天后回忆时，测量了全脑中 Fos⁺ 星形胶质细胞的数量。实验表明，Fos⁺ 星形胶质细胞和回忆对于稳定记忆并使其长期保持至关重要。Credit: RIKEN

研究团队首先开发了一种创新的全脑标记技术，能够精准追踪在特定行为（如学习或回忆）中被激活的星形胶质细胞。在小鼠恐惧记忆实验中，他们观察到一个令人惊讶的现象：与神经元在学习和回忆时都会被激活不同，星形胶质细胞只在几天后的“回忆”阶段才表现出强烈的活性。深入研究揭示了其背后的两步机制。第一步，强烈的情绪体验（如恐惧）会给一小群星形胶质细胞打上“生物学标记”，促使它们在数天内增加去甲肾上腺素受体的数量。第二步，当小鼠再次被置于恐惧场景中进行回忆时，这些被标记的细胞能够同时接收来自神经元记忆印迹和去甲肾上腺素能神经元的双重信号，从而被激活。正是这种在回忆过程中的反复激活，最终将不稳定的短期记忆固化为长期记忆。实验证明，当抑制这些星形胶质细胞的活动时，小鼠的记忆变得不稳定；而人为激活它们，则会夸大并泛化恐惧记忆。这一机制的阐明或有助于开发针对创伤后应激障碍（PTSD）等记忆相关疾病的新疗法。研究发表在 Nature 上。

阅读更多：

Dewa, Ken-ichi, et al. “The Astrocytic Ensemble Acts as a Multiday Trace to Stabilize Memory.” Nature, Oct. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-025-09619-2

不同大脑如何通过共同的神经语法看见同一个世界

为何不同个体的大脑能对世界产生相似的感知？来自以色列赖希曼大学和魏茨曼科学研究所的 Ofer Lipman, Rafael Malach 及其同事，通过研究发现，个体间神经活动的原始模式虽不同，但这些活动模式之间的“关系结构”高度一致，这可能是共享感知的基础。

▷实验步骤和接触点定位。Credit: Nature Communications (2025).

该研究采用了一种极为罕见且高精度的方法，通过分析19名癫痫患者大脑中植入的电极，直接记录了他们在观看图片时的高阶视觉皮层神经活动。研究人员发现，当不同的人观看同一张图片（例如一只猫）时，其大脑中被激活的神经元集群，即原始的激活模式，是因人而异、独一无二的。然而，研究的突破性发现并非在于这些差异，而在于它们背后隐藏的共同规律。当研究团队不再关注单个激活模式，转而分析不同模式之间的相互关系时，一个跨所有个体保持不变的通用结构浮现了。这个结构被称为关系编码（relational coding，即大脑不依赖单个激活模式，而是通过不同模式之间的相似性或差异性关系来表征信息）。举例来说，如果你的大脑对“猫”的神经响应模式，与对“狗”的模式比对“大象”的模式更相似，那么这种相对的“远近亲疏”关系在另一个人的大脑中也会同样存在。正是这种抽象的关系网络，而非具体的神经活动，构成了我们共享感知世界的基础。研究发表在 Nature Communications 上。

阅读更多：

Lipman, Ofer, et al. “Invariant Inter-Subject Relational Structures in High Order Human Visual Cortex.” Nature Communications, vol. 16, no. 1, Aug. 2025, p. 8015. www.nature.com, https://doi.org/10.1038/s41467-025-62551-x

记忆的分子开关：Rab4激活与Rab10抑制协同强化神经连接

大脑形成记忆时如何在细胞内进行精准的“物资”调配？来自马克斯·普朗克佛罗里达神经科学研究所和威尔康奈尔医学院的Jie Wang、Ryohei Yasuda及同事发现，两种名为Rab4和Rab10的蛋白像铁路道岔一样，通过相反的作用精确引导物资流向，从而强化神经连接。

▷Rab4 和 Rab10 介导的 AMPAR 转运和 sLTP 的模型。Credit: eLife (2025).

研究团队将神经元中强化连接的过程比作一场复杂的后勤行动。为了实时观察这场行动，他们开发了新型生物传感器，能够监测单个树突棘（dendritic spines，神经元接收信号的微小结构）中Rab蛋白的动态。通过在实验中模拟记忆形成的关键过程——长时程增强（long-term potentiation），他们发现Rab4和Rab10蛋白扮演了截然相反的角色。当一个神经连接需要被强化时，Rab4会被短暂激活，像一个打开的“入口”开关，将更多的AMPA受体（AMPARs，一种决定神经连接强度的关键蛋白）运送到连接点。与此同时，Rab10蛋白则被持续抑制，像一个关闭的“出口”开关。正常情况下，Rab10负责将这些受体运走进行回收或降解，而抑制它则保证了这些宝贵的“物资”能够留在原地，从而有效地巩固记忆。实验证明，人为抑制Rab10能够增强神经连接的强化效果。这项发现不仅揭示了记忆形成的精妙分子机制，也为神经退行性疾病的研究提供了新方向，因为先前研究已发现Rab10基因与阿尔茨海默病的抵抗力有关。研究发表在 eLife 上。

阅读更多：

Wang, Jie, et al. “Rab10 Inactivation Promotes AMPAR Trafficking and Spine Enlargement during Long-Term Potentiation.” eLife, edited by Sacha B Nelson, vol. 13, Sept. 2025, p. RP103879. eLife, https://doi.org/10.7554/eLife.103879

找到“夜宵开关”：大脑计时器中的神经元可能控制夜间饥饿

为什么深夜“加餐”更容易长胖？美国德克萨斯大学西南医学中心的 Jeffrey Zigman 和 Omprakash Singh 等人，通过小鼠实验发现，大脑生物钟内的一小群特定神经元，专门负责在身体休息时段“掌管”饥饿感和进食行为。

▷这张图片展示了小鼠大脑中部的薄切片，其中被称为视交叉上核 (SCN) 的区域被一个白色方框包围。图中绿色小点标记了对饥饿激素生长素释放肽 (ghrelin) 作出反应的脑细胞。当 SCN 中对生长素释放肽敏感的细胞在小鼠正常休息时间关闭时，小鼠的进食量会减少，体重也会减轻。Credit: UT Southwestern Medical Center

研究团队聚焦于大脑中被称为身体主时钟的视交叉上核（suprachiasmatic nucleus, SCN）。他们利用化学遗传学技术，对小鼠SCN中能响应饥饿激素生长素释放肽的神经元进行精准操控。实验发现，在小鼠本应休息的白天（小鼠为夜行动物），如果人为激活这群神经元，小鼠的进食量会激增至正常水平的两倍以上。相反，如果在休息时段持续抑制这些神经元的活性，小鼠不仅吃得更少，并且在连续15天后，体重减轻了约4.3%，而对照组小鼠的体重则增加了2.5%。这一调控效应具有高度的时间特异性，因为在小鼠活跃的夜晚操控同样的神经元，并不会影响其进食或体重。该发现首次明确了一组专门在休息时段调控进食与代谢的神经元，为理解夜班工作者等群体肥胖风险较高的原因提供了关键线索，并可能为开发针对性的减肥策略开辟新途径。研究发表在 Cell Reports 上。

阅读更多：

Singh, Omprakash, et al. “Temporal Control of Eating and Body Weight by GHSR-Expressing Suprachiasmatic Nucleus Neurons.” Cell Reports, vol. 44, no. 9, Sept. 2025. www.cell.com, https://doi.org/10.1016/j.celrep.2025.116213

大脑如何应对恐惧并学会适应

大脑如何学会区分真实危险与“虚惊一场”？科罗拉多大学博尔德分校的 Elora W. Williams 和 Susanna Molas 团队通过研究小鼠发现了一个名为脚间核（IPN）的关键脑区。该区域不仅启动了本能的“僵住-逃跑”反应，更重要的是，它能通过学习抑制这种反应，这一发现为理解和治疗焦虑症及创伤后应激障碍（PTSD）提供了新思路。

研究团队构建了一个“小鼠鬼屋”场景，连续三天向小鼠投射一个类似捕食者的阴影。第一天，小鼠如预期般表现出强烈的恐惧，立即僵住并逃往庇护所。通过光纤光度法记录发现，此时小鼠中脑的脚间核（interpeduncular nucleus, IPN）活动急剧增强。然而到了第三天，小鼠意识到阴影并无实际危险，便不再僵住，IPN的活动也显著降低，表明大脑已经学会适应。为验证IPN的因果作用，研究人员利用光遗传学对IPN内的GABA能神经元进行干预。当这些神经元被抑制时，小鼠的初始恐惧反应减弱；而当它们被持续激活时，小鼠无法学会适应，始终对无害的阴影表现出恐惧。这一结果明确指出，IPN不仅是启动恐惧警报的“开关”，更是负责在确认安全后关闭警报的“调节器”。这一适应性调节功能的失常，可能正是焦虑症和PTSD患者难以摆脱恐惧的神经基础。研究发表在 Molecular Psychiatry 上。

阅读更多：

Williams, Elora W., et al. “Interpeduncular GABAergic Neuron Function Controls Threat Processing and Innate Defensive Adaptive Learning.” Molecular Psychiatry, vol. 30, no. 11, Nov. 2025, pp. 5427–36. www.nature.com, https://doi.org/10.1038/s41380-025-03131-9

冒名顶替的“假病人”正威胁健康研究的真实性

随着在线招募成为健康研究的主流，如何确保数据的真实性成为巨大挑战。来自牛津大学的 Eileen Morrow 及其同事发表分析指出，大量“冒名顶替者”（impostor participants）——包括提供虚假信息的人和自动机器人程序——正系统性地污染研究数据，其结论可能误导临床实践并危及患者。

研究人员通过综合分析现有文献指出，冒名顶替者问题已相当普遍。他们引述一项2025年的综述，该综述发现在进行筛查的23项研究中，有18项发现了冒名者，污染率从3%到高达94%不等。一个触目惊心的案例是一项关于卵巢癌治疗沟通的在线调查，研究者判断其中94%的回复是欺诈性的。同样，在一个评估酒精干预手机应用的随机对照试验中，高达76%的在线注册者被识别为机器人程序（bots）。为应对这一挑战，研究者常采用身份验证或验证码测试（CAPTCHA tests，一种用于区分计算机和人类的自动化程序）等方法。然而，这些措施的有效性尚未得到充分检验，有时甚至连机器人程序也能绕过，并且可能对文化水平较低或因疾病污名化而对身份验证敏感的边缘群体造成参与障碍。作者强调，冒名顶替者的动机复杂，不仅限于金钱，还可能源于好奇心或恶意破坏。他们强烈呼吁科研界正视此问题，在研究中透明地报告所用的防范措施及其局限性，从而共同捍卫指导临床决策的数据真实性。研究发表在 The BMJ 上。

阅读更多：

Morrow, Eileen, et al. “Threat of Imposter Participants in Health Research.” BMJ, vol. 391, Oct. 2025, p. r2128. Editorial. www.bmj.com, https://doi.org/10.1136/bmj.r2128

童年创伤如何“编程”大脑？新研究发现关键化学物质SGK1与抑郁及自杀风险相关

童年创伤为何会增加成年后抑郁和自杀的风险，且患者对常规药物反应不佳？哥伦比亚大学与麦吉尔大学的 Christoph Anacker, Amira Millette 等研究人员通过一项跨物种研究发现，大脑海马区一种名为SGK1的化学物质是连接早期逆境与后期精神健康问题的关键分子，并可能成为新型抗抑郁药物的靶点。

▷在应激动物中，抑制 SGK1 可能通过增加大脑海马体中新生神经元（粉色）的数量来预防抑郁和自杀行为。Credit: Anacker lab, Columbia University Irving Medical Center

该研究采用了一种结合人类与动物模型的转化医学方法。研究人员首先分析了人类死后的大脑组织，发现在因抑郁症自杀身亡且有童年创伤史的个体中，其海马体内的血清和糖皮质激素调节激酶1（Serum and Glucocorticoid-regulated Kinase 1, SGK1）水平异常升高。同时，对大规模青少年队列的遗传数据分析也证实，与SGK1高表达相关的基因变异会显著增加经历童年逆境的个体在青春期出现抑郁症状的风险。为了验证SGK1在其中的因果作用，团队转向了小鼠模型。实验显示，模拟童年逆境或慢性压力的确会提高小鼠海马区的SGK1水平。关键的是，当研究人员通过基因技术或直接注射SGK1抑制剂来阻断其功能后，小鼠在面对压力时表现出了更强的心理韧性，其抑郁样行为得到了有效预防。进一步的机制研究表明，抑制SGK1能够促进大脑海马区新生神经元的生成，并纠正因压力导致的神经环路异常活动。这项研究不仅揭示了童年创伤影响大脑的长效机制，也为开发针对这一特殊患者群体的精准治疗药物指明了新方向。研究发表在 Molecular Psychiatry 上。

阅读更多：

Millette, Amira, et al. “Hippocampal SGK1 Promotes Vulnerability to Depression: The Role of Early Life Adversity, Stress, and Genetic Risk.” Molecular Psychiatry, Oct. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41380-025-03269-6

AI 行业动态

欧洲首例：慕尼黑团队为四肢瘫痪患者植入脑机接口，助力意念控制

慕尼黑工业大学附属医院的一个研究团队近期完成了一项具有里程碑意义的手术，首次在欧洲为一位颈部以下瘫痪的患者植入了定制的脑机接口。这项耗时五个多小时的手术，旨在帮助患者恢复独立生活并提高生活质量。研究参与者 Michael Mehringer 在 16 岁时因一场严重的摩托车事故而四肢瘫痪，他在接受采访时表达了希望能够再次独立进食饮水，并在日常生活中减少对他人帮助的愿望。研究团队希望该设备有朝一日能使这位 25 岁的患者仅凭意念控制智能手机和机械臂。神经外科主任 Bernhard Meyer 教授解释道，手术最大的挑战在于绝对精确地植入拥有 256 个微电极（microelectrodes — 捕捉神经信号的微型传感器）的设备，以确保脑信号记录的准确性和可靠性。

转化神经技术教授 Simon Jacob 介绍，这标志着欧洲首次为四肢瘫痪患者植入脑机接口，同时也是慕尼黑工业大学附属医院第二次成功植入此类设备（2022 年曾为一名中风语言障碍患者植入）。手术后，研究阶段正式开始。研究人员每周与 Michael Mehringer 在实验室会面两次，通过连接到植入物的系统提取神经元活动。这些数据随后被用于训练人工智能算法，以识别和关联特定的脑活动模式与 Michael Mehringer 打算进行的动作。慕尼黑工业大学慕尼黑机器人与机器智能研究所（MIRMI）的团队参与了算法训练。团队负责人 Dr. Melissa Zavaglia 指出，研究的重点在于设计能够识别“人类意图”的系统，而不是让人类去适应机器人操作。经过几周的训练，团队已取得了初步成果：通过 Michael Mehringer 追踪屏幕光标时的脑信号，研究人员已经能够判断他意图移动的方向。

Simon Jacob 教授认为，在为重度肢体残疾人士开发新解决方案方面，慕尼黑的研究人员正与美国的研究中心展开直接竞争。他指出，美国在过去 20 年中对脑机接口的研究投入了大量资金。慕尼黑工业大学的目标是通过开展其他任何地方都无法实现的项目来缩小欧洲与美国之间的差距。这需要将医学、神经科学（包括人工智能）和工程学这三个关键学科有效地整合在一起。Jacob 教授强调，在全球范围内，很少有大学能够像慕尼黑工业大学这样有效地将这三大学科结合起来，这是该机构在激烈的竞争中保持领先地位的独特优势，有助于推动未来神经技术的发展。

阅读更多：

https://www.tum.de/en/news-and-events/all-news/press-releases/details/brain-computer-interface-for-a-patient-with-quadriplegia

FDA批准罗氏新血液测试：助力初级保健排除阿尔茨海默病

美国食品药品监督管理局（FDA）近日批准了由罗氏诊断公司（Roche Diagnostics）与礼来公司（Eli Lilly）合作开发的 Elecsys pTau181 血液检测，旨在帮助临床医生判断年龄在 55 岁及以上、出现早期认知能力下降迹象的成年人，其记忆问题是否由阿尔茨海默病引起。该测试通过测量血浆中 pTau181 蛋白质的水平来运作。研究人员指出，pTau181 是一种生物标志物，其较高水平与阿尔茨海默病和其他脑部疾病相关。罗氏诊断北美公司总裁兼首席执行官 Brad Moore 强调，通过将基于血液的阿尔茨海默病生物标志物检测引入初级保健，能够使患者及其临床医生更快地获得答案，并支持更早期的干预治疗。

根据罗氏公司提供的数据，在一项涉及 312 名受试者的研究中，Elecsys pTau181 测试在排除阿尔茨海默病方面表现出高度的准确性，排除率达到了 97.9%。罗氏诊断公司医学和科学事务总监 Laura Parnas 表示，当检测结果为阴性时，患者极大概率未患有阿尔茨海默病相关的病理。不过，研究人员同时提醒，该测试主要作为一种初步的“排除”工具。Laura Parnas 补充道，对于检测结果呈阳性的患者，仍需要进行进一步的临床调查以及针对淀粉样蛋白病理的确认测试，才能最终确诊为阿尔茨海默病。值得注意的是，这是继今年五月 FDA 批准 Fujirebio 公司的 Lumipulse 检测后，该机构批准的第二项用于阿尔茨海默病评估的血液检测。

阿尔茨海默病专家普遍认为此次批准是向前迈出的重要一步，尤其对于扩大早期诊断工具的应用具有重大意义。阿尔茨海默病协会主席兼首席执行官 Joanne Pike 认为，在初级保健环境中使用这种排除性工具，有助于未患病者迅速找到认知症状的根源，同时确保潜在患者能够被转介进行明确诊断和早期治疗。然而，预防神经病学家和阿尔茨海默病研究员 Dr. Richard Isaacson 博士提醒，尽管多种检测选择能够提供更广泛的脑健康理解，但在大规模采用这些血液检测时必须保持谨慎，以应对潜在的假阳性。他强调，临床实践中通常需要一系列检测指标的综合评估，而非依赖单一的生物标志物，且医学界仍在学习如何更好地使用并将这些检测结果应用于临床。

阅读更多：

https://diagnostics.roche.com/us/en/news-listing/2025/fda-cleared-ptau181-alzheimers-blood-test.html

谷歌旗舰视频模型Veo 3.1深夜重磅升级，迈入“导演级”精控时代

谷歌近日推出了其旗舰视频生成模型Veo的3.1版本更新，此次迭代的核心目标在于实现更强的“导演级”精控。研究人员指出，Veo 3.1聚焦于两大核心能力：显著增强的叙事与音频控制，以及更丰富的输入与编辑功能，如首尾帧与多图参考。这些升级使得生成的视频在画质、音画同步和整体电影质感方面都有所提升。Veo 3.1目前已全面接入谷歌的人工智能开发接口和人工智能开发平台（Vertex AI），用户可以直接通过谷歌的AI电影制作工具Flow或者多模态大模型Gemini中，体验这些精细化的视频生成能力。

Veo 3.1在技术规格上实现了多项关键突破。模型支持高达1080p分辨率和24帧/秒（fps）的视频输出，基础片段虽然仍为8秒，但通过“延长”功能（Extend），视频长度最长可扩展至148秒。该版本大幅提升了故事的连续性，能够通过继承前一个片段的最后一秒，确保背景、人物和动作在连续镜头中的高度一致性。此外，新功能允许用户仅提供起始和结束画面，Veo即可自动生成带有宏大转场的无缝视频。Flow作为Veo驱动的平台，在短短五个月内，用户已生成超过2.75亿个视频，此次更新还推出了Flow TV等频道化功能，用于展示用户制作的创意短片和微电影（Short Films）。

尽管Veo 3.1引入了精细的控制功能，例如首尾帧和多图参考，但研究人员认为这次更新更偏向于一次功能性的小幅调整（微调），而非颠覆性的大版本迭代。虽然基础物理表现相较于Veo 3有所改善，但成片质感上的进步依然有限，尤其在处理复杂的人物表演或精细的场景调度时，仍存在不足之处。专业评价指出，原生视频时长仍偏短，且音频提升效果并不显著。不过，这次对精控能力的加强为未来的发展奠定了基础，业界普遍期待谷歌能在今年年底，配合其下一代多模态大模型（Gemini 3）系列发布时，推出更具突破性的旗舰版本。

阅读更多：

https://deepmind.google/models/veo/

蚂蚁开源万亿级思考模型，AI推理能力大突破

蚂蚁集团正式发布了万亿参数思考模型Ring-1T，标志着开源AI领域正式迈入了万亿参数时代。Ring-1T基于同集团此前发布的万亿参数通用大模型Ling-1T的架构，并使用了超过20T高质量语料进行预训练，重点针对推理能力进行了强化学习训练。该模型在多项权威基准测试中迅速取得开源领先地位，包括数学竞赛（AIME 25、HMMT 25）、代码生成、逻辑推理（ARC-AGI-v1）和医疗问答（HealthBench）。尤其值得注意的是，在衡量高难度真实用户查询能力的Arena-Hard V2基准测试中，Ring-1T的成功率高达81.59%，这一成绩已经与闭源巨头OpenAI的GPT-5-Thinking(High)的得分十分接近，显示出其强大的通用与推理潜力。

为了验证Ring-1T的深度推理上限，研究人员将其集成至多智能体框架AWorld中，并在顶级国际竞赛中进行了测试。在国际数学奥赛（IMO）2025测试中，Ring-1T成功达到了银牌水平，解决了6道题中的4道；在国际大学生程序设计竞赛（ICPC）2025世界总决赛中，Ring-1T解决了5个问题，表现超越了Gemini 2.5 Pro。模型在实际应用演示中，也展现出强大的复杂任务处理能力，例如生成可交互的3D动画网页和进行精确的物理模拟。在解决数字密码算术谜题等需要长时间、多变量逻辑枚举的任务时，Ring-1T的思考过程不仅迅速，而且逻辑清晰，进一步证明了其思考引擎的卓越性能。

Ring-1T的成功得益于蚂蚁集团在万亿级模型训练和系统工程方面的创新。该模型采用了基于Ling 2.0架构的高度稀疏Mixture of Experts (MoE)（混合专家模型，一种通过激活模型特定部分来高效处理数据的架构），并通过“LongCoT-SFT+RLVR+RLHF”多阶段训练显著提升了推理能力。为应对如此庞大模型在强化学习训练中固有的不稳定挑战，研究人员研发了专有的IcePop（棒冰算法）（一种通过双向遮罩和剪裁来减轻训练精度差异，确保长周期稳定训练的算法）。此外，蚂蚁集团自研的高性能强化学习系统ASystem，以及已开源的全异步强化学习训练系统AReaL，共同保障了MoE架构能平稳地从百亿参数扩展到万亿参数规模。

-1T

阅读更多：

https://modelscope.cn/models/inclusionAI/Ring-1T

苹果M5问世：AI算力暴增6倍

苹果公司近日正式发布了新一代自研芯片 M5，该芯片基于第三代 3 纳米制程（N3P，台积电的先进制造工艺节点）打造，并在人工智能计算、图形处理和能效方面实现了全面升级。M5 芯片将率先搭载于新款 14 英寸 MacBook Pro、iPad Pro 和 Apple Vision Pro 等设备。其核心亮点在于AI性能的显著提升，每个图形处理器（GPU）核心首次集成了专属的神经加速器（Neural Accelerator，用于加速人工智能工作负载）。研究人员指出，M5的峰值 GPU AI 计算性能相较于前代 M4 提升了四倍以上，相比 M1 芯片更是达到了六倍以上。这一架构革新极大地提高了在设备本地运行大型语言模型或扩散模型的效率和响应速度，例如在 Draw Things 或 webAI 等本地 AI 应用中，用户将体验到更快的生成速度。

除了强大的 AI 算力外，M5 的图形处理能力也实现显著跃升。新款 GPU 架构相较 M4 带来了最高 30% 的图形性能提升，并配备了第三代光线追踪引擎（Ray Tracing Engine，一种渲染技术，用于生成逼真的光影效果），使其在启用光追场景下的性能提升高达 45%。同时，第二代动态缓存架构（Dynamic Caching Architecture，优化 GPU 资源分配的机制）的使用，确保了更流畅的游戏画面和更逼真的 3D 渲染效果。在 Apple Vision Pro 上，M5 还提升了 micro-OLED 显示性能。在中央处理器（CPU）方面，M5 采用 10 核设计，多线程性能比 M4 提升最高 15%，且其全新的 16 核神经引擎进一步与 CPU、GPU 内的神经加速器协同工作，提升了 Apple Intelligence 等系统级 AI 功能的运行效率。

M5的统一内存（Unified Memory，CPU 和 GPU 共享的内存池）带宽大幅提升至 153GB/s，比 M4 高出约 30%，比 M1 高出两倍多。更高的内存带宽能支持在本地设备上运行更大规模的 AI 模型，也显著提高了多线程应用和专业创意软件的运行效率。值得注意的是，苹果在官方宣传中频繁将 M5 的性能指标与 M1 芯片进行对比，研究人员认为这暗示了 M5 的主要目标升级群体正是那些仍在使用 M1 系列设备的现有用户。尽管 M5 实现了多项飞跃，但研究人员提醒，对于追求更高性能、需要 M4 Pro/Max 级别性能的用户，可能需要继续等待尚未发布的 M5 Pro/Max 版本，或者期待网传将采用 2 纳米制程（2nm process）的 M6 芯片系列，预计这些高端芯片版本将在未来一年内陆续发布。

阅读更多：

https://www.apple.com/newsroom/2025/10/apple-unleashes-m5-the-next-big-leap-in-ai-performance-for-apple-silicon/

Claude Haiku 4.5发布：性能比肩顶尖模型，价格仅三分之一

最新的小型模型Claude Haiku 4.5已向所有用户开放。研究人员指出，该模型在编码性能方面已达到先前尖端模型Claude Sonnet 4的水平，并在衡量真实世界编码任务的SWE-bench Verified基准测试中有所超越。Haiku 4.5实现了性能的极大提升与成本的显著下降。其使用成本仅为Sonnet 4的三分之一，处理速度则提升了一倍以上，使其成为聊天助理和结对编程（Pair Programming，两名程序设计师共同编程）等低延迟实时任务的理想选择。

Claude Haiku 4.5提供了极具成本效益的近前沿性能选项。该模型支持与功能更强大的前沿模型Claude Sonnet 4.5协同工作，实现高效的多智能体系统架构。Sonnet 4.5可负责分解复杂问题，随后调度多个Haiku 4.5实例并行处理子任务。开发者可通过API、Amazon Bedrock以及Google Cloud的Vertex AI等平台访问该模型，以最经济的价格点替代了旧版本模型，满足快速原型设计等需求。

在安全性评估方面，研究人员对Haiku 4.5进行了详细的对齐性评估。结果显示，该模型在错位行为（Misaligned Behaviors）的总发生率上统计学显著低于更强大的Sonnet 4.5和Opus 4.1，被认为是迄今为止最安全的模型。因此，Haiku 4.5被发布在AI安全等级2（ASL-2）标准之下，相较于Sonnet 4.5和Opus 4.1的ASL-3更为宽松，这反映了该模型在产生化学、生物、放射性及核（CBRN）武器相关风险方面的有限性。

.5 -2

阅读更多：

https://www.anthropic.com/news/claude-haiku-4-5

AI 驱动科学

Nature：AI助力神经科学家精确定位大脑决策瞬间

大脑如何以及何时最终做出决定并忽略新信息？普林斯顿大学的 Thomas Zhihao Luo、Timothy Doyeon Kim 和 Carlos D. Brody 团队借助人工智能，通过分析大鼠的神经活动，首次精确定位了决策“承诺时刻”的神经生物标志物，揭示了大脑从信息处理转向内部决断的动态转变过程。

▷刺激抵消后神经反应的变化与运动起始的相关性比刺激抵消后更密切。Credit: Nature (2025).

研究中，团队首先训练大鼠完成一项听觉任务，即判断哪侧扬声器发出的咔哒声更多以获得奖励。在此期间，他们同步记录了大鼠额叶皮层中数百个神经元的活动。为了解析这些复杂的数据，研究人员开发了一种无监督的深度学习工具，该工具可以在没有任何预设指令的情况下，自主识别神经活动中的显著模式。AI分析揭示，大脑的决策过程分为两个截然不同的阶段。在第一阶段，神经活动主要由外部声音信号驱动，忠实地处理传入信息。然而在某个关键点，神经系统会发生一次急剧的动态转变，进入第二阶段。在这一阶段，大脑的活动模式变得“自主”，仿佛已经“锁定”了选择，不再受新的外部信息影响。研究者将这个转变点定义为神经推断的承诺时刻（neurally inferred time of commitment, nTc）。进一步的行为分析证实了这一发现：在nTc之前出现的声音线索会影响大鼠的最终选择，而在此之后出现的线索则几乎被完全忽略。这一发现不仅为理解决策的神经基础提供了新视角，也可能为研究注意力缺陷多动症（ADHD）或精神分裂症等疾病提供线索。研究发表在 Nature 上。

阅读更多：

Luo, Thomas Zhihao, et al. “Transitions in Dynamical Regime and Neural Mode during Perceptual Decisions.” Nature, Sept. 2025, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-025-09528-4

眼动追踪结合AI，有望在阿尔茨海默病症状出现前数年实现精准检测

如何能在阿尔茨海默病症状出现前就发现它？针对当前诊断方法昂贵且滞后的问题，英国思克莱德大学（University of Strathclyde）的 Mario Parra Rodriguez 及其合作者 Gerardo Fernández, Francisco Lopera 等人开发了一种创新方案。他们结合眼动追踪与人工智能，成功实现了对遗传性阿尔茨海默病无症状携带者的高精度识别。

▷Credit: Brain Communications (2025).

研究团队采用了一种名为视觉短期记忆绑定任务（Visual Short-Term Memory Binding Task，一种评估认知功能的测试），并利用 ViewMind Atlas 系统同步追踪参与者完成任务时的细微眼球运动。研究对象是来自哥伦比亚的一个特殊家族队列，这些成员携带一种会导致100%发病的阿尔茨海默病基因突变。通过运用随机森林模型对眼动数据进行深度分析，系统能够学习并识别出与疾病相关的独特眼动模式。结果显示，该技术在识别已出现症状的患者时，准确率达到了100%；更重要的是，在识别那些携带致病基因但尚未出现任何临床症状的个体时，准确率也高达96%。这一表现显著优于传统的认知测试方法，后者在识别无症状携带者方面准确率仅为73%。这表明，眼球运动中包含了大脑功能变化的早期微妙信号，而AI能够有效捕捉这些信号，从而提供了一种强大、无创的数字生物标志物，有望彻底改变阿尔茨海默病的早期筛查和预防策略。研究发表在 Brain Communications 上。

阅读更多：

Fernández, Gerardo, et al. “Eye Movements Powered by Artificial Intelligence Identify Asymptomatic Carriers of Familial Alzheimer’s Disease.” Brain Communications, vol. 7, no. 5, Sept. 2025. academic.oup.com, https://doi.org/10.1093/braincomms/fcaf370

AI赋能日常物品，订书机也能主动“递”给你

如何让AI助手从数字屏幕走向物理现实，并无缝融入生活？卡内基梅隆大学人机交互研究所的 Alexandra Ion, Violet Han 及其同事开发了一套创新系统。他们利用人工智能和机器人技术，成功将订书机、刀具等日常物品转变为能够观察、预测并主动满足用户需求的智能助手。

该研究的核心是一种“非侵入式物理AI”框架，它遵循“感知-推理-行动”的逻辑。首先，系统通过顶置摄像头进行感知，并利用视觉语言模型将用户所处的环境和活动实时翻译成文字描述。接着，这些描述被送入一个大型语言模型，由它进行推理，分析用户的行为并预测其下一步可能的目标，例如“用户正准备整理文件，需要订书机”。最后，系统将指令发送给被改造的日常物品，使其行动。这些物品被安装在微型轮式机器人平台上，能够根据指令在桌面上自主移动，从而在恰当的时机提供帮助——比如订书机自动滑到用户手边，或是一把刀在检测到危险时悄悄移开。团队通过多个场景验证了系统的有效性，并评估了其预测用户意图的准确性，结果与人类判断高度一致。这项工作展示了将智能分布于日常物品中的巨大潜力，让物理世界的辅助变得和数字世界一样智能和自然。研究成果在 2025年 ACM 用户界面软件和技术研讨会（ACM Symposium on User Interface Software and Technology）上发表。

阅读更多：

Han, Violet Yinuo, et al. “Towards Unobtrusive Physical AI: Augmenting Everyday Objects with Intelligence and Robotic Movement for Proactive Assistance.” Proceedings of the 38th Annual ACM Symposium on User Interface Software and Technology [New York, NY, USA], UIST ’25, 2025, pp. 1–16. ACM Digital Library, https://doi.org/10.1145/3746059.3747726

AI新工具MetaSeg大幅提升医学图像分割效率

医学图像分割是精准医疗的关键，但主流AI模型U-Nets训练成本高昂。莱斯大学的Kushal Vyas、Ashok Veeraraghavan和Guha Balakrishnan团队开发了一种名为MetaSeg的新型AI框架，它在实现同等精度的前提下，将模型效率提升了90%，为医学成像领域带来了变革性方案。

传统上，医学图像分割（medical image segmentation）严重依赖像U-nets这样的深度学习架构，但其庞大的参数量和数据需求限制了应用。MetaSeg则另辟蹊径，它基于两大核心技术：隐式神经表征（implicit neural representation, INR）和元学习。INR将一张复杂的医学图像视为一个连续的数学函数，能用极少的参数精确表示图像中每个像素的细节。然而，单个INR模型通常难以泛化到新图像上。为克服此局限，研究团队引入了元学习（一种让模型“学会如何学习”的策略）。通过这种训练，MetaSeg能够快速适应一张全新的、从未见过的脑部MRI图像，并直接解码出其中不同解剖结构的标签。实验结果表明，MetaSeg的分割准确率与U-Nets相当，但模型参数量却惊人地减少了90%。这项成果不仅大幅降低了AI辅助诊断的计算成本，也为资源有限的医疗环境提供了高性能的解决方案。研究发表在 Lecture Notes in Computer Science 上。

阅读更多：

Vyas, Kushal, et al. “Fit Pixels, Get Labels: Meta-Learned Implicit Networks for Image Segmentation.” Medical Image Computing and Computer Assisted Intervention – MICCAI 2025, edited by James C. Gee et al., Springer Nature Switzerland, 2026, pp. 194–203. Springer Link, https://doi.org/10.1007/978-3-032-04947-6_19

哈佛团队用橡皮筋教会机器人思考

哈佛大学约翰·A·保尔森工程与应用科学学院的 Leon M. Kamp 和 Katia Bertoldi 等研究人员，提出了一种全新的机器人设计理念。他们成功展示了如何将智能直接“编织”进机器人的物理结构中，创造出一种仅靠橡皮筋和机械原理就能自主导航的机器人。

▷一个简单的机器人，其机械结构中嵌入了智能编程。Credit: Harvard John A. Paulson School of Engineering and Applied Sciences

研究团队的核心理念是实现物理智能，即让机器人的形态和材料本身具备计算和决策能力。他们构建了一个极简的欠驱动（underactuated，即驱动器数量少于其自由度）机器人，它由几个塑料块和杠杆组成，唯一的动力源是一个电机，而连接部件的“程序”则是一组精心布置的橡皮筋。这些橡皮筋的拉伸状态为机器人的每一种可能动作都设定了不同的能量成本。在单一电机的驱动下，整个机械结构会自发地沿着总能量成本最低的路径运动，从而形成一套预设的动作序列。更巧妙的是，这个“程序”是可被环境被动修改的。当机器人前端的天线碰到障碍物时，物理接触产生的力会改变系统的能量平衡，迫使机器人切换到另一套能量最低的动作序列，比如转向。通过这种方式，机器人无需任何电子传感器或软件算法，就能自主地在迷宫中穿行并避开障碍。团队还利用相同原理设计了一个能按质量自动分拣物体的装置，进一步验证了这种设计的潜力。研究发表在 PNAS 上。

阅读更多：

Kamp, Leon M., et al. “Reprogrammable Sequencing for Physically Intelligent Underactuated Robots.” Proceedings of the National Academy of Sciences, vol. 122, no. 38, Sept. 2025, p. e2508310122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2508310122

利用迁移学习，新脑机接口可解码不同患者的语音

如何让脑机接口帮助因脑损伤而失语的患者开口说话？传统技术因需大量个体化训练而受限。德克萨斯大学健康休斯顿分校的 Nitin Tandon 及其团队开发了一种新方法，通过迁移学习技术，创建了一个能“共享”大脑信号的通用语音解码器，显著提高了脑机接口的效率和适用性。

该研究摒弃了为每位患者从零开始训练模型的传统模式，转而采用一种更高效的跨受试者迁移学习方法。研究团队首先利用微创立体脑电图（sEEG）记录了25名癫痫患者在念绕口令时的大脑活动，这种复杂任务能最大化地激活语音相关的神经信号。接着，他们使用一个序列到序列模型，将这些复杂的脑电波解码成构成语音的最小单位——音素（phonemes）。研究的核心突破在于，团队利用来自多名参与者的数据构建了一个共享的群体模型，这个模型学习到了人类说话时共通的神经活动模式。当应用于一名新患者时，解码器只需少量该患者的数据进行微调，便能快速适应并实现准确解码。结果表明，这种基于群体训练的解码器性能远超仅依赖个体数据的传统模型，并且即便在新患者大脑信号覆盖不全或数据量有限的情况下，依然能保持稳健的解码能力。这一进展为开发通用神经假体迈出了关键一步，有望让那些因大脑语言区受损而无法使用现有技术的失语症患者重获沟通能力。研究发表在 Nature Communications 上。

阅读更多：

Singh, Aditya, et al. “Transfer Learning via Distributed Brain Recordings Enables Reliable Speech Decoding.” Nature Communications, vol. 16, no. 1, Oct. 2025, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41467-025-63825-0

整理｜ChatGPT

编辑｜丹雀、存源

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。如果您有进一步想要讨论的内容，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。

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。