追问daily | 拖延症是情绪调节失败而非懒惰；咬指甲与拖延症：自我破坏行为背后的生存本能

█ 脑科学动态

科学家首次构建出能产生褪黑素的人类松果体类器官

咬指甲与拖延症：自我破坏行为背后的生存本能

加速大脑修复：3D重编程技术突破神经退行性疾病研究瓶颈

拖延症是情绪调节失败而非懒惰：短期情绪修复如何牺牲未来自我

CRISPR筛选揭示数百个大脑发育必需基因

计算模型揭示高级冥想的核心机制：主动推理与精确度加权

神经科学启示录：融合行动、组合结构与情景记忆构建类人AI

聪明的配偶还是强壮的伴侣？雌鼠的选择取决于它自己

█ AI行业动态

MiroMind发布搜索智能体，以小博大重新定义“发现式智能”

马斯克宣布Neuralink 2026年开启量产

LeCun离职炮轰Llama 4造假，另起炉灶押注世界模型

█ AI驱动科学

Science：AI无法取代人类，唯有严谨审查方能抵制“垃圾”文献

UCLA团队实现光处理器无模型原位高效训练

SpecEdge：利用消费级显卡大幅降低大模型服务成本

RLPP模型：无需下游数据即可重建受损神经通路

超越AlphaFold3的蛋白质结构预测新模型

告别暴力计算：高效多模态AI的架构革命

脑科学动态

科学家首次构建出能产生褪黑素的人类松果体类器官

松果体作为大脑的“生物钟”，通过分泌褪黑素调节睡眠周期，但因其位置深且体积小，科学家一直难以深入研究其功能与病理。In-Hyun Park、Ferdi Ridvan Kiral和Woo Sub Yang团队（耶鲁大学）取得突破，他们利用干细胞技术首次培育出能够模拟人类松果体发育并产生褪黑素的类器官，为理解睡眠障碍及神经发育疾病提供了强有力的研究工具。

该研究通过引导人类多能干细胞分化，成功构建了人类松果体类器官（human pineal gland organoids）。利用单细胞RNA测序技术，研究人员证实这些类器官包含成熟及发育中的松果体细胞，其基因表达特征与真实人体组织高度相似。实验显示，这些类器官不仅能分泌褪黑素，还能表达肾上腺素能受体，并对去甲肾上腺素信号产生反应，完美复刻了人体内的昼夜节律调控机制。为验证其临床价值，团队利用天使综合征（Angelman Syndrome）患者的细胞构建模型，发现其松果体细胞分化异常且褪黑素合成显著减少，解释了该病患者睡眠障碍的成因。此外，将类器官移植到切除松果体的小鼠体内后，成功恢复了小鼠血液中的褪黑素水平。研究发表在 Cell Stem Cell 上。

#疾病与健康 #神经机制与脑功能解析 #松果体 #类器官 #褪黑素

阅读更多：

Kiral, Ferdi Ridvan, et al. “Generation of Human Pineal Gland Organoids with Melatonin Production for Disease Modeling.” Cell Stem Cell, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.stem.2025.12.004

咬指甲与拖延症：自我破坏行为背后的生存本能

为什么我们会不由自主地咬指甲、拖延工作或陷入自我批评？临床心理学家 Charlie Heriot-Maitland 在其新书中提出了一种颠覆性的观点。他通过心理学分析发现，这些看似非理性的自我破坏行为并非单纯的错误，而是根植于进化的生存机制。研究指出，从微小的身体习惯到社交回避，这些行为实际上是大脑为了防御未知的外部威胁而精心设计的保护策略。

这项研究基于进化心理学框架，指出人类大脑的首要任务是生存而非幸福，因此它对“不确定性”具有极高的敏感度。Charlie Heriot-Maitland 将这些自我破坏行为描述为“精神健康中的可控爆发”（Controlled Explosions）。其核心逻辑在于：大脑宁愿我们面对一种已知的、可控的内部伤害（例如因拖延导致的焦虑，或因自我批评产生的痛苦），也不愿让我们暴露在不可预测的外部威胁（如彻底的失败、他人的拒绝或意外的敌意）之下。例如，完美主义者通过过度关注细节来避免犯错，这种神经劫持（neurological hijacking）利用了高级认知功能，试图通过自我施压来规避潜在的更大风险。然而，这种机制常导致“自我实现的预言”，即对失败的防御反而促成了失败。研究强调，解决这一问题的关键不在于对抗或消除这些行为，而是利用神经可塑性，通过“自我关怀”理解其保护性动机，从而逐步建立新的应对模式。研究发表在 Routledge 上。

#疾病与健康 #心理健康与精神疾病 #神经机制与脑功能解析 #进化心理学 #自我破坏 #自我关怀

阅读更多：

Heriot-Maitland, Charlie. Controlled Explosions in Mental Health: A Compassionate Guide to Understanding Why Our Brains Self-Sabotage, Self-Criticise, and Self-Harm , Routledge, 2026, https://doi.org/10.4324/9781003559924

加速大脑修复：3D重编程技术突破神经退行性疾病研究瓶颈

为了解决大脑中充当“制动系统”的关键神经元难以在实验室生成的难题，Christina A. Stamouli 和 Daniella Rylander Ottosson 等人（隆德大学）开发了一种突破性技术。他们成功绕过干细胞阶段，直接将大脑支持细胞转化为与精神分裂症及癫痫密切相关的小白蛋白神经元，揭示了细胞命运转变的关键基因通路。

▷ 人类胶质细胞前体细胞的神经元重编程。Credit: Science Advances (2026).

小白蛋白细胞在维持大脑平衡中起着核心作用，其功能异常会导致严重的神经系统疾病。研究团队开发了一种创新的三维重编程方法，能够将神经胶质细胞直接转化为中间神经元。利用单核RNA测序，研究人员发现，这种方法仅需两周时间就能生成成熟的小白蛋白神经元，其中包括一种名为吊灯细胞的罕见亚型。

相比传统干细胞分化方案通常需要数月时间，这项新技术不仅大幅缩短了时间，还通过谱系轨迹分析确定了驱动这一转化的关键基因。这一发现意味着科学家现在可以在实验室中利用患者自身的细胞快速构建疾病模型，深入探究精神分裂症和癫痫的病理机制。长远来看，该研究为开发将大脑内胶质细胞原位转化为健康神经元的再生疗法提供了可能，有望直接修复受损的大脑回路。研究发表在 Science Advances 上。

#神经科学 #神经机制与脑功能解析 #技术创新 #单神经元重建 #全脑成像

阅读更多：

Stamouli, Christina A., et al. “A Distinct Lineage Pathway Drives Parvalbumin Chandelier Cell Fate in Human Interneuron Reprogramming.” Science Advances, vol. 12, no. 1, Jan. 2026, p. eadv0588. science.org (Atypon), https://doi.org/10.1126/sciadv.adv0588

拖延症是情绪调节失败而非懒惰：短期情绪修复如何牺牲未来自我

拖延症常被误解为懒惰或缺乏意志力，但其背后的心理机制远比这复杂。加拿大毕索普大学的Fuschia Sirois和卡尔顿大学的Timothy Pychyl通过系统性理论综述，提出拖延本质上是一种自我调节失败，与短期情绪修复和情绪调节密切相关，而非简单的时间管理问题。

研究团队对拖延症相关文献进行了系统梳理，重点分析了短期情绪调节在拖延行为中的优先性。研究指出，当个体面对被视为令人厌恶、困难或无聊的任务时，会产生焦虑等负面情绪。拖延者为了尽快摆脱这些不适感，会选择回避任务，从而获得即时的情绪缓解。然而，这种短期情绪修复的效果是暂时的，延迟完成任务反而会带来更大的压力、内疚和焦虑，形成恶性循环。研究特别强调了自我的时间性理解（temporal understanding of self）在拖延中的重要性。现在自我（present self）倾向于优先满足即时情绪需求，而拖延的负面后果——如时间压力增加、任务质量下降、健康受损——则由未来自我（future self）承担。这种现在自我与未来自我之间的时间脱节是理解拖延行为的关键。研究还将这些个体内部过程与拖延对健康和幸福感的负面影响联系起来，为后续干预研究提供了理论基础。研究发表在 Social and Personality Psychology Compass 上。

#认知科学 #心理健康与精神疾病 #拖延症 #情绪调节 #自我调节

阅读更多：

Sirois, Fuschia, and Timothy Pychyl. “Procrastination and the Priority of Short-Term Mood Regulation: Consequences for Future Self.” Social and Personality Psychology Compass, vol. 7, no. 2, 2013, pp. 115–27. Wiley Online Library, https://doi.org/10.1111/spc3.12011

CRISPR筛选揭示数百个大脑发育必需基因

哪些基因是构建大脑的基石？如果它们失效会发生什么？耶路撒冷希伯来大学的Sagiv Shifman教授团队与法国国家健康与医学研究院（INSERM）的Binnaz Yalcin教授合作，利用全基因组筛选技术，绘制了一张早期大脑发育关键基因的详细图谱。这项研究不仅鉴定出数百个神经元分化所必需的基因，还发现了一个导致罕见神经发育障碍的新基因 *PEDS1*，并揭示了不同类型基因突变与特定疾病症状之间的联系。

▷ 实验室中由干细胞培养的神经元形成相互连接的网络。在这项研究中，研究人员利用 CRISPR 技术关闭干细胞中的基因，然后追踪这些细胞分化为神经元的成功率。比例尺：100 微米。 Credit: Dr. Galya Monderer-Rothkoff, The Hebrew University of Jerusalem.

研究团队采用CRISPR对小鼠胚胎干细胞中的约20,000个基因进行了系统性敲除筛选，观察它们在分化为脑细胞过程中的作用。结果鉴定出331个对神经元生成至关重要的基因。其中，研究重点关注了 *PEDS1* 基因，发现它是合成缩醛磷脂（plasmalogens，一种富含于神经纤维保护层髓鞘中的特殊膜磷脂）的关键酶。在临床样本中，研究人员发现 *PEDS1* 的突变导致儿童患有严重的发育障碍和小头畸形。动物模型进一步证实，该基因缺失会加速细胞退出分裂周期，阻碍神经元的正常分化和迁移。此外，研究还发现了一个有趣的规律：涉及转录调控的基因突变通常导致显性遗传疾病，而像 *PEDS1* 这样涉及代谢过程的基因则多导致隐性遗传疾病。为了推动领域发展，团队还建立了开放的在线数据库，共享所有筛选数据。研究发表在 Nature Neuroscience 上。

#疾病与健康 #神经机制与脑功能解析 #CRISPR #神经发育障碍 #大脑发育

阅读更多：

Amelan, Alana, et al. “CRISPR Knockout Screens Reveal Genes and Pathways Essential for Neuronal Differentiation and Implicate PEDS1 in Neurodevelopment.” Nature Neuroscience, Jan. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-025-02165-0

计算模型揭示高级冥想的核心机制：主动推理与精确度加权

如何用数学语言描述“无我”或“止息”等深层冥想体验？Hagar Tal和Matthew D. Sacchet等研究人员通过回顾计算现象学领域的最新进展，试图搭建一座连接主观冥想体验与客观科学数据的桥梁。该团队发现，尽管存在多种理论模型，但通过引入主动推理（Active Inference）框架，可以从计算角度对冥想过程中的意识状态变化进行形式化描述。

该研究深入分析了现有的计算模型，发现了一个贯穿始终的核心机制：精确度加权。在计算神经科学中，这指的是大脑对预测误差或感官输入的“置信度”。研究指出，早期的冥想模型主要关注如何通过调节精确度来增强对内感受的注意力控制，从而解释正念带来的平静。然而，随着研究的深入，最新的模型开始探索更复杂的现象，如感知的“去虚构化”（defabrication）。这意味着冥想者通过改变层级生成模型（hierarchical generative model）中特定层的精确度权重，逐渐松动原本僵化的感知结构，从而产生认知灵活性的提升甚至极简的现象体验。尽管如此，研究也强调，目前对于非二元性体验、情感转化机制以及日常生活中的非正式冥想练习，现有的计算模型仍有待进一步完善。研究发表在 Neuroscience & Biobehavioral Reviews 上。

#认知科学 #计算模型与人工智能模拟 #冥想 #主动推理 #精确度加权

阅读更多：

Tal, Hagar, et al. “Active Inference, Computational Phenomenology, and Advanced Meditation: Toward the Formalization of the Experience of Meditation.” Neuroscience & Biobehavioral Reviews, Dec. 2025, p. 106539. ScienceDirect, https://doi.org/10.1016/j.neubiorev.2025.106539

神经科学启示录：融合行动、组合结构与情景记忆构建类人AI

当前的人工智能虽然在语言处理上表现出色，但仍面临幻觉频发、缺乏常识性物理认知以及能耗巨大等问题。Rajesh P.N. Rao及其团队（华盛顿大学）提出，AI的发展应当重新审视并借鉴神经科学的核心原理。他们指出，尽管大语言模型的预测机制与大脑的“预测编码”有相似之处，但现有的AI架构忽略了生物大脑中至关重要的三个要素：行动、层级化的组合结构以及情景记忆。团队认为，填补这些空白是构建安全、可解释且真正具有类人智能的AI系统的关键。

该研究深入分析了当前Transformer架构的局限性，并提出了基于“主动预测编码”（Active Predictive Coding, APC）的改进方案。首先，针对AI缺乏“身体感”的问题，研究指出大脑通过行动来验证感知并学习因果关系。现有的AI是被动的观察者，缺乏与环境互动的策略网络；团队建议引入独立的策略网络来指导生成模型，使其能像生物一样通过“尝试”来理解物理世界，从而减少逻辑谬误。其次，针对处理复杂任务的效率问题，研究提倡引入分层组合结构（Compositional Structure）。大脑通过将复杂任务分解为子任务（如将“去超市”分解为“走路”、“开车”等）来高效处理信息，而目前的AI依赖扁平的长上下文窗口，效率低且易在长文本中“迷失”。最后，关于情景记忆，研究建议模仿海马体的功能，赋予AI可写入的长期记忆库，并通过类似生物“睡眠”的离线阶段进行记忆重放和整合，以实现持续学习。这种受大脑启发的架构有望大幅提升AI的鲁棒性和能源效率。

#大模型技术 #计算模型与人工智能模拟 #预测编码 #情景记忆 #神经科学

阅读更多：

Rao, Rajesh P. N., et al. “Lessons from Neuroscience for AI: How Integrating Actions, Compositional Structure and Episodic Memory Could Enable Safe, Interpretable and Human-Like AI.” arXiv:2512.22568, arXiv, 27 Dec. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2512.22568

聪明的配偶还是强壮的伴侣？雌鼠的选择取决于它自己

为什么在漫长的进化过程中，并非所有动物都变得绝顶聪明？为了解开这一维持生物多样性的谜题，Alexandros Vezyrakis、Fragkiskos Darmis、Valeria Mazza 和 Anja Guenther 等研究人员（马克斯·普朗克进化生物学研究所）通过结合半自然环境观察与受控实验，发现雌性小鼠会根据自身的特质选择互补的配偶，从而防止了单一特质在种群中固定，揭示了性选择维持行为多样性的机制。

该研究在四个半自然围栏中追踪了139只野生家鼠的行为，并引入了需要解谜才能获取食物的装置。结果显示，只有约四分之一的小鼠表现出创新能力。通过DNA亲子鉴定发现，种群中存在显著的异型交配（disassortative mating）现象，“互补”配对的比例远高于随机预期。深入的择偶实验揭示了背后的双重机制：首先，雄性面临着“智力”与“体力”的权衡，创新型雄性通常体型较小，而体型是竞争优势的指标；其次，雌性的择偶标准与其自身能力密切相关。具有创新能力的雌鼠倾向于选择体型更大的雄鼠以获取身体优势基因，而缺乏创新能力的雌鼠则偏好聪明的雄鼠。这种基于自身条件的差异化选择，使得创新基因和强壮基因在种群中得以动态平衡。研究发表在 Current Biology 上。

#认知科学 #其他 #进化生物学 #动物行为 #性选择

阅读更多：

Vezyrakis, Alexandros, et al. “Variation in Innovation Is Maintained by Disassortative Mating and Female Choice.” Current Biology, vol. 0, no. 0, Dec. 2025. www.cell.com, https://doi.org/10.1016/j.cub.2025.11.077

AI 行业动态

MiroMind发布搜索智能体MiroThinker 1.5，以小博大重新定义“发现式智能”

凭借成功预测 Polymarket 题目，连续登顶 Future X 全球榜首的 MiroMind 团队，1 月 5 日正式发布其自研旗舰搜索智能体模型 MiroThinker 1.5。

MiroMind 由全球知名创新企业家、慈善家陈天桥，与清华大学知名 AI 青年学者代季峰教授联合发起。去年陈天桥提出发现式智能才是真正意义上的通用人工智能这一重磅创新理念，引发全球业内人士关注。他同时提出建设发现式智能的 5 种关键能力，其中一项能力是在未知条件下重建对世界的理解，这正是 MiroMind 的使命。

与当前行业普遍追求万亿参数规模的趋势不同，研究人员押注“发现式智能”，主张模型不应仅仅是背诵知识的“做题家”，而应成为具备查证与修正能力的“科学家”。MiroThinker 1.5 采用 30B（300亿）参数规模，却在性能上比肩甚至超越了参数量高达 30倍的 Kimi-K2-Thinking 等万亿级模型，且推理成本仅为后者的二十分之一。这种“以小博大”的突破，得益于团队从内部参数扩张转向了交互式扩展，证明了智能的提升不完全依赖于模型体量。

在技术实现上，MiroThinker 1.5 将 Interactive Scaling 从推理阶段前移并内化为训练阶段的核心机制。研究人员构建了“推理-验证-修正”的循环体系，训练模型像情报官一样主动寻找证据并进行多轮自我校验，严厉惩罚缺乏信源的幻觉输出。为了解决传统模型“事后诸葛亮”的问题，团队还引入了时序敏感训练沙盒（Time-Sensitive Training Sandbox，一种严格限制模型只能访问特定时间点之前信息的训练环境），杜绝未来信息泄露，从而迫使模型在信息不完备的真实条件下进行因果推演。这一机制使得该模型在 A股涨停板预测、美股波动分析等复杂任务中展现出极高的准确性与实用价值，目前用户已可通过相关平台体验其预测能力。

#MiroThinker #发现式智能 #AI搜索智能体 #陈天桥 #InteractiveScaling

阅读更多：

https://github.com/MiroMindAI/MiroThinker

马斯克宣布Neuralink 2026年开启量产，脑机接口有望让瘫痪者重获新生

Elon Musk 近日正式宣布，Neuralink 计划于 2026 年启动脑机接口设备的量产，并引入几乎全自动化的手术流程，旨在将实验性神经科学转化为可规模化的临床现实。Musk 指出，该技术本质上构建了一座通信桥梁，能够将大脑信号绕过受损的脊柱或颈部节点直接传递至身体其他部位，理论上具备帮助瘫痪患者恢复全身功能的潜力。

为了实现这一目标，Neuralink 推出了升级版外科机器人，其操作效率堪比 LASIK（Laser-Assisted In Situ Keratomileusis，准分子激光原位角膜磨镶术），仅需数分钟即可完成植入。更重要的是，新技术允许电极细线直接穿过硬脑膜（Dura Mater，保护大脑和脊髓的坚韧外膜）而无需将其移除，这一突破显著降低了手术的侵入性风险和患者的恢复时间。目前，该公司的言语恢复技术已获得 FDA 的“突破性医疗器械认定”，并在阿联酋、英国及加拿大等地启动了国际临床试验，公司估值已升至约 90 亿美元。

首位植入者 Noland Arbaugh 的成功经历为这项技术提供了有力背书，这位四肢瘫痪的患者如今已能通过意念控制电脑，重获了部分生活的独立性与掌控感。然而，研究人员强调，Neuralink 在从实验室走向常规医疗的过程中，仍需跨越技术、临床与伦理的多重障碍。尽管 BCI技术前景广阔，但长期植入后的信号衰减、脑组织反应以及潜在的隐私泄露问题仍需大量数据验证。此外，行业内也存在不同声音，例如 OpenAI 的 CEO Sam Altman 便对侵入式方案持保留态度，更倾向于非侵入式技术路线，担忧直接植入可能对神经元造成不可逆的伤害。尽管面临挑战，Musk 的量产计划仍被视为医疗领域的重大转折点，有望在未来几年内彻底改变残障人士的生活方式，并推动人类意识与人工智能融合的探索。

#Neuralink #脑机接口 #ElonMusk #医疗革命 #瘫痪康复

阅读更多：

https://x.com/elonmusk/status/2007325307515342980%20

Meta爆发内讧：图灵奖得主LeCun离职炮轰Llama 4造假，另起炉灶押注世界模型

图灵奖得主、前 Meta 首席 AI 科学家 Yann LeCun 在离职后公开披露了老东家的内部矛盾。他证实了关于 Llama 4 模型在基准测试中作弊的传闻，指出团队为了美化数据，在不同测试中使用了不同的模型版本进行“刷榜”。此外，LeCun 严厉批评了其前上司、年仅 28 岁的 Alexandr Wang（Scale AI 创始人，现负责 Meta 超级智能实验室），认为其缺乏科研经验，不懂得如何有效管理顶级研究人员。LeCun 指出，Meta 为了应对 ChatGPT 的冲击，全员过度痴迷于大语言模型，而忽略了通往真正智能的其他路径。他直言 LLM 实际上是一条“死路”，这种深刻的路线分歧以及对管理层的不满，最终导致他选择离开这家他曾一手建立起 AI 研究体系的科技巨头。

离开 Meta 后，LeCun 迅速在巴黎成立了新公司 AMI Labs（Advanced Machine Intelligence Labs，高级机器智能实验室），致力于通过世界模型来实现更高阶的人工智能。不同于依赖“预测下一个词”的 LLM，LeCun 主推的 V-JEPA（Video Joint Embedding Predictive Architecture，视频联合嵌入预测架构）旨在让 AI 像人类一样理解物理常识，能够预测抽象状态而非仅仅生成像素。作为执行主席，他计划在 12 个月内推出具备初步物理直觉的“婴儿级”模型。LeCun 坚信，只有让机器建立对现实世界的抽象表征并具备规划能力，才能突破当前 AI 的瓶颈。虽然他自认不擅长管理 CEO 的职责，但他将继续以研究人员的身份，探索人类智能的本质，试图为世界留下超越文本生成的真正智慧。

#YannLeCun #Meta内讧 #Llama4 #世界模型 #人工智能

阅读更多：

https://www.ft.com/content/e3c4c2f6-4ea7-4adf-b945-e58495f836c2

AI 驱动科学

Science：AI无法取代人类，唯有严谨审查方能抵制“垃圾”文献

随着人工智能技术深度渗透科研领域，关于AI是否会取代人类科学家的争论从未停止。在《科学》杂志2026年的首篇社论中，主编H. Holden Thorp呼吁科学界保持冷静，并强调要以正确的方式利用AI，同时警惕低质量内容的泛滥。他指出，虽然AI工具能提升效率，但没有任何系统能完全替代人类的判断，维护科学文献的严谨性比以往任何时候都更需要人类的经验与专业知识。

Thorp在社论中透露，期刊已引入iThenticate和Proofig等AI工具来辅助识别抄袭和图像篡改，并明确禁止使用AI生成论文图表或未声明的文本撰写。值得注意的是，期刊与DataSeer合作，利用自然语言处理技术扫描论文并生成“可重复性检查清单”（reproducibility checklist）。数据显示，在2021年至2024年间发表的2680篇论文中，已有69%的论文遵循政策共享了底层数据。Thorp强调，尽管AI帮助发现了许多错误，但评估AI生成的报告实际上需要投入更多的人力。他将当前的AI热潮类比为15年前的大规模在线课程，认为如同在线课程未取代大学一样，AI也不会取代科学家，前提是必须抵制“人工智能垃圾”（AI slop）的堆积，坚持由人类精心策划和审查的出版标准。研究发表在 Science 上。

#AI 驱动科学 #大模型技术 #科学出版 #数据共享

阅读更多：

Thorp, H. Holden. “Resisting AI Slop.” Science, vol. 391, no. 6780, Jan. 2026, pp. 5–5. science.org (Atypon), https://doi.org/10.1126/science.aee8267

强化学习助力光学AI：UCLA团队实现光处理器无模型原位高效训练

光计算虽具备高速低能耗的优势，但基于模拟模型的训练常因无法精确捕捉现实硬件的微小误差而导致实际表现不佳。加州大学洛杉矶分校（UCLA）的Aydogan Ozcan、Yuhang Li及其团队开发了一种全新的训练框架，通过让设备从实验经验中直接学习，成功克服了物理模型与现实环境之间的鸿沟。

▷ 用于光处理器无模型原位训练的近端策略优化（PPO）。Credit: UCLA Engineering Institute for Technology Advancement

该研究引入了近端策略优化（PPO，一种在人工智能领域广泛应用的高效强化学习算法），构建了一个无需物理模型的原位训练系统。不同于传统依赖数字孪生的方法，该系统将光学硬件视为黑盒，直接利用真实的光学测量数据来优化衍射光网络（一种利用光波衍射进行计算的物理神经网络）。在实验中，研究人员测试了该系统穿越随机漫射器聚焦光束、生成全息图以及进行像差校正的能力。结果显示，该方法不仅能自动适应未知的硬件缺陷和噪声，还在手写数字分类等任务中表现出比传统策略梯度优化更快的收敛速度和更高的准确性。这意味着未来的智能物理系统可以在不依赖详细物理模型的情况下，实现自我学习和实时调整。研究发表在 Light: Science & Applications 上。

#疾病与健康 #神经机制与脑功能解析 #阿尔茨海默病 #触觉感知 #Tau蛋白

阅读更多：

Li, Yuhang, et al. “Model-Free Optical Processors Using in Situ Reinforcement Learning with Proximal Policy Optimization.” Light: Science & Applications, vol. 15, no. 1, Jan. 2026, p. 32. www.nature.com, https://doi.org/10.1038/s41377-025-02148-7

SpecEdge技术：利用消费级显卡大幅降低大模型服务成本

如何打破大型语言模型对昂贵数据中心的高依赖并降低运营成本？韩国科学技术院（KAIST）的Dongsu Han、Jinwoo Park和Seunggeun Cho等人开发了一项名为“SpecEdge”的新技术，通过整合个人电脑和移动设备中的消费级显卡，成功构建了低成本的AI基础设施。该研究不仅大幅降低了AI服务的算力成本，还解决了在普通网络环境下利用边缘计算资源进行大模型推理的延迟难题。

▷ 已开发的 SpecEdge 语言数据流图。Credit: KAIST

研究团队开发了SpecEdge系统，核心在于应用了推测解码（Speculative Decoding）技术。该方法让位于用户端的边缘GPU（edge GPUs）运行较小的语言模型，快速生成高概率的词元序列草稿，随即由数据中心的大规模模型进行批量验证。为了克服互联网传输的延迟，团队引入了主动边缘草图生成（Proactive Edge Drafting），使边缘设备在等待服务器响应时仍能持续生成内容，同时配合流水线感知调度（Pipeline-aware Scheduling）优化服务器处理多用户请求的效率。实验结果显示，该系统将每个词元的生成成本降低了约67.6%，成本效益提升1.91倍，服务器吞吐量增加2.22倍，且在标准网速下即可流畅运行。这一成果为将智能手机、个人电脑等设备纳入AI算力网络提供了可行方案。

#大模型技术 #计算模型与人工智能模拟 #边缘计算 #推测解码 #GPU推理

阅读更多：

Park, Jinwoo, et al. “SpecEdge: Scalable Edge-Assisted Serving Framework for Interactive LLMs.” arXiv:2505.17052, arXiv, 18 Nov. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2505.17052

RLPP模型：无需下游数据即可重建受损神经通路

当大脑内部的通讯线路因中风或损伤而中断，我们能否在不依赖受损区域原始数据的情况下重建连接？Shenghui Wu 与 Yiwen Wang（香港科技大学）、Dario Farina（帝国理工学院）以及 Jose C. Principe（佛罗里达大学）等人组成的跨国研究团队，提出了一种基于行为反馈的创新计算模型。该研究成功绕过了对受损下游脑区神经记录的依赖，利用行为结果直接驱动神经脉冲的生成，为恢复大脑跨区域功能连接提供了全新的解决方案。

▷ 脑机接口（左）与神经旁路系统（右）Credit:Nat Comput Sci (2026).

传统的神经旁路系统试图在受损部位建立人工通道，但这通常需要下游脑区的正常信号作为训练参照，而这在疾病状态下往往无法获取。为此，研究团队开发了基于强化学习的点过程（Point Process，一种用于描述神经脉冲等离散事件发生概率的统计模型）框架（RLPP）。该方法不再模仿缺失的下游信号，而是模拟生物脑的“试错学习”机制：模型接收上游信号并生成脉冲，若产生的行为结果（如运动）正确，模型便获得奖励并强化该模式。在大鼠的内侧前额叶皮层到初级运动皮层（M1）通路的实验中，RLPP生成的脉冲序列在行为解码成功率上显著优于监督学习方法，并展现出与健康大脑相似的生物仿生特性。这一突破意味着，未来利用行为反馈驱动的神经刺激，有望在临床上帮助患者重建受损的神经环路。研究发表在 Nature Computational Science 上。

#意识与脑机接口 #神经调控 #计算模型与人工智能模拟 #神经康复 #强化学习

阅读更多：

Wu, Shenghui, et al. “A Generative Spike Prediction Model Using Behavioral Reinforcement for Re-Establishing Neural Functional Connectivity.” Nature Computational Science, Jan. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s43588-025-00915-5

SeedFold：超越AlphaFold3的蛋白质结构预测新模型

如何突破现有蛋白质结构预测模型的规模化瓶颈？字节跳动 Seed 团队（Quanquan Gu等）提出了一种名为 SeedFold 的新模型，成功实现了模型容量的有效扩展。该研究针对现有折叠模型在计算复杂度和隐藏维度上的局限性，开发了新的架构和训练策略，在多项关键任务上超越了目前的行业标杆 AlphaFold3，为生物分子基础模型的构建提供了新的扩展思路。

研究团队通过三项核心技术创新实现了这一突破。首先，他们发现扩展 Pairformer（Pairformer，一种用于提取氨基酸对特征的模块）的宽度比单纯增加深度更能有效提升模型表征能力，将隐藏维度扩展至512维。其次，为了解决计算瓶颈，团队引入了线性三角注意力（Linear Triangular Attention，一种降低计算复杂度的注意力机制），将计算复杂度从随序列长度的三次方增长降低至二次方，从而实现了高效的规模化。最后，研究人员构建了一个包含2650万个样本的大规模蒸馏数据集，是实验结构数据的147倍，显著增强了模型的泛化能力。在 FoldBench 基准测试中，SeedFold 在多数任务上优于 AlphaFold3、Boltz-1 等开源模型。有趣的是，标准版模型在抗体-抗原预测中表现更佳，而采用线性注意力的变体则在蛋白质-配体相互作用中更具优势。

#AI 驱动科学 #预测模型构建 #蛋白质结构预测 #SeedFold #深度学习

阅读更多：

Zhou, Yi, et al. “SeedFold: Scaling Biomolecular Structure Prediction.” arXiv:2512.24354, arXiv, 30 Dec. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2512.24354

告别暴力计算：高效多模态AI的架构革命

随着人工智能规模的不断扩大，高昂的计算成本成为了阻碍其普及的主要壁垒。来自Shanghai Jiao Tong University的Lizhuang Ma和East China Normal University的Xin Tan等研究人员组成的团队进行了深入探索，系统梳理并提出了高效多模态大型语言模型的设计蓝图。该研究旨在通过优化模型架构与数据流，降低计算门槛，使先进的AI技术能够惠及更广泛的群体。

这项综述研究指出，提升多模态模型的效率不能仅依赖于压缩语言模型，核心挑战在于处理图像产生的大量视觉标记（visual tokens，即图像被数字化分割后的基本信息单元）。研究团队详细分析了视觉标记压缩技术，该技术能在信息进入语言模型前大幅减少冗余，从而显著降低推理复杂度。此外，文章重点探讨了重构模型架构的策略，例如采用轻量级视觉编码器和混合专家模型，在不增加计算负担的前提下提升模型容量。通过这种全流程的协调优化，多模态模型将不再局限于昂贵的云端服务器，而是能够部署在移动设备和边缘计算平台上。这不仅解决了能源消耗和隐私问题，更为医疗、遥感等资源受限领域的实时应用提供了可能，标志着AI创新正从单纯追求规模向追求现实世界的高效应用转变。研究发表在 Visual Intelligence 上。

#大模型技术 #计算模型与人工智能模拟 #多模态 #边缘计算 #视觉智能

阅读更多：

Jin, Yizhang, et al. “Efficient Multimodal Large Language Models: A Survey.” Visual Intelligence, vol. 3, no. 1, Dec. 2025, p. 27. Springer Link, https://doi.org/10.1007/s44267-025-00099-6

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。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。

研究院在华山医院、上海市精神卫生中心分别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陈天桥雒芊芊神经科学研究院。

研究院还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、、、科普视频媒体「大圆镜」等。