4月8日外媒科学网站摘要：为什么说三岁看老？早期经历对大脑有终身影响

4月8日（星期二）消息，国外知名科学网站的主要内容如下：

《自然》网站（www.nature.com）

2025全球AI竞赛：中美差距缩小，小模型崛起

根据美国斯坦福大学发布《2025年人工智能指数报告》，全球AI竞争格局正经历深刻变革。中国AI模型性能快速提升，中美技术差距显著缩小。在权威评测中，中美顶尖模型的性能差距已从2023年的20%降至2024年底的0.3%，竞争日趋白热化。

小型模型异军突起。2024年成为AI“轻量化”元年。得益于算法突破，仅38亿参数的模型即可达到两年前5400亿参数模型的性能水平。专家预测，未来小型团队可能凭借创新算法颠覆行业格局。

研发主体转变。企业已成AI研发主力军，2024年近90%的重要模型来自企业，与20年前学术界主导的局面形成鲜明对比。美国仍是最大AI模型产出国，但中国在论文、专利等基础研究领域持续发力，为技术突破奠定基础。

开放生态加速发展。DeepSeek等开放权重模型性能快速提升，与封闭系统的差距缩小至1.7%。这种趋势降低了AI技术门槛，OpenAI等巨头也计划加入开放生态。

能效革命正在进行。 虽然AI训练能耗持续增长，但硬件能效每年提升40%，使得运行成本大幅下降。2022-2024年间，相同性能的AI模型运行成本降低99%，加速了技术普及。

报告同时指出，AI仍面临“幻觉”、偏见等关键问题。专家警告，尽管技术进步显著，但基础性错误仍制约着AI的可靠应用。

《科学》网站（www.science.org）

为什么说三岁看老？科学家发现早期经历对大脑有终身影响

研究表明，儿童早期经历会显著影响大脑白质的发育，进而影响认知功能。这项发表在《美国国家科学院院刊》（PNAS）的研究发现，经济状况、社区安全等环境因素会改变大脑白质的质量——这些神经纤维是脑区间的关键连接通路。研究同时指出，积极的社会因素可以增强大脑的适应性。

白质是包裹着髓鞘的神经纤维束，负责脑区间的信息传递。美国布莱根妇女医院的研究团队利用美国国立卫生研究院“青少年大脑认知发展研究”（ABCD）的数据，对9000多名儿童进行了追踪分析。通过脑成像技术和认知测试，研究人员评估了家庭环境、社区特征等因素对白质发育的影响。

研究发现，经济困难、童年创伤等逆境会导致白质质量下降，而这种情况与后续较差的认知表现密切相关。其中，社会脆弱性（包括住房条件、社区环境等）是重要影响因素。相反，良好的家庭收入、双亲抚养、积极的教养方式以及安全的社区环境都能促进白质健康发展。

这项研究为儿童早期干预提供了科学依据，强调通过改善家庭和社区环境来支持大脑发育的重要性。

《每日科学》网站（www.sciencedaily.com）

1、新型基因工具精准定位血液病“罪魁祸首”，靶向治疗迎来新希望

由美国丹娜法伯/波士顿儿童癌症与血液疾病中心领导的一项合作研究，开创了一种新方法来理解特定蛋白质（即转录因子）如何决定细胞生长与成熟所依赖的遗传程序。这种名为“Perturb-multiome”的技术，利用CRISPR基因编辑技术同时敲除大量血细胞中单个转录因子的功能，随后通过单细胞分析测量编辑效果——包括识别哪些基因被激活或抑制，以及哪些基因因表观遗传标记而处于可读取状态。

研究团队将该工具应用于未成熟血细胞，成功鉴定出对血细胞发育具有重要影响的转录因子及其编码DNA区域。他们发现，这些被确认为驱动血细胞生成的关键DNA区域（仅占基因组不到0.3%），恰是已知与血液疾病相关突变的高发区域，其对血细胞特征与分化的遗传影响远超其基因组占比。

此前，该团队与合作者曾通过全基因组关联研究，确定了负责出生后关闭胎儿血红蛋白的转录因子，为镰状细胞病和β-地中海贫血的基因治疗奠定基础。而新型Perturb-multiome技术能系统揭示数千种转录因子变体如何影响血细胞生成及疾病风险，为发现更多血液疾病靶向疗法创造了机遇。

2、AI颠覆科学：是革命还是陷阱？

化学、生物学和医学领域的研究者正越来越多地借助人工智能（AI）模型提出新假设。然而，这些算法得出结论的依据及其普适性往往并不明确。德国波恩大学的一项最新研究警示，研究者在使用AI时可能存在误区，同时指出了在何种条件下可以信任模型。相关成果发表于《细胞报告：物理科学》（Cell Reports Physical Science）期刊。

自适应机器学习算法能力强大，但其决策过程通常不透明。例如，若用数千张汽车图片训练人工智能，它能识别新图片中是否有汽车，但无法确定其判断是基于车轮、挡风玻璃等关键特征，还是无关因素（如车顶天线）。这种“黑匣子”特性意味着研究者不能盲目依赖其结果。

“可解释性”是AI研究的关键课题，旨在揭示模型的决策逻辑。研究人员指出，某些AI模型专门用于提高其它模型的可解释性。然而，即使模型揭示了判断标准（如天线），仍需评估其科学合理性——人类知道天线与汽车无关，但AI可能误将其作为关键特征。

在化学和药物研究中，生成模型能提出具有特定活性的新分子结构，但无法解释其原理。研究强调，当前AI模型本质上是统计工具，可能关注无关特征。验证其建议需通过实验，例如合成并测试分子，但这过程成本高昂。因此，研究者需谨慎评估AI的结果，避免过度解读相关性为因果关系。

研究最后强调，尽管AI能推动科学进步，但必须清醒认识其局限性：它可能发现人类忽略的规律，也可能依赖无意义的特征。合理使用AI需结合科学验证，而非盲目信任其输出。

《赛特科技日报》网站（https://scitechdaily.com）

1、同症不同医：AI隐性偏见如何改变医疗决策

医疗人工智能（AI）工具可能无法公平对待所有患者。美国西奈山伊坎医学院最新研究发现，即使患者的医疗状况完全相同，AI系统会根据其社会经济或人口背景差异给出不同治疗建议。

研究人员测试了多款主流生成式AI模型，使用1000例急诊病例，为每个病例设置32种不同患者背景，生成超过170万份医疗建议。结果显示，部分模型会因患者背景差异改变建议，影响分诊级别、检测项目及治疗方案。例如，高收入患者更易获得CT或MRI等高级检查推荐，而低收入患者则常被建议无需进一步检测。

该研究发表于《自然·医学》（Nature Medicine），强调需通过早期测试和监管确保AI诊疗的公平性与安全性。西奈山伊坎医学院团队指出，AI在心理健康评估等领域尤其容易基于人口特征（而非医疗必要性）升级建议，凸显了加强监管的必要性。

研究为AI可信度验证提供了框架，通过识别偏见来源优化模型训练和提示词设计。严格的验证程序将AI输出与临床标准对照，结合专家反馈持续改进。下一步，团队计划模拟多轮临床对话并在医院试点，以评估AI的实际影响。

2、传统理论被推翻？缺陷成提升材料性能的关键

美国马萨诸塞大学阿默斯特分校领导的一项研究发现，含缺陷的导热填料可显著提升聚合物性能，颠覆了“完美填料最优”的传统观点。相关成果发表于《科学进展》（Science Advances）杂志。

聚合物因其轻质、绝缘和柔性等优势，广泛应用于微芯片、LED和软体机器人等领域，但其导热性差易导致过热问题。以往研究试图通过添加高导热填料（如钻石、石墨）改善性能，但实际效果常因填料团聚、界面热阻等问题受限。

该团队制备了两种聚乙烯醇（PVA）复合材料：一种添加完美石墨填料，另一种添加有缺陷的氧化石墨填料。单独测试时，完美填料的导热系数远超有缺陷填料。但加入聚合物后，含缺陷填料的复合材料导热性能反超160%。

研究结合热传导测量、中子散射和分子动力学模拟，发现缺陷填料的粗糙表面能减少聚合物链紧密堆积，增强界面振动耦合，从而提升热传导效率。这一发现为设计高性能导热材料提供了新思路。

该研究成果有望推动微芯片、软体机器人等设备的散热技术发展。（刘春）