九游（NINEGAME）娱乐股份有限公司-官方网站

　　大脑如何区分气味的香臭？日本理化学研究所（RIKEN）脑科学中心的 Hokto Kazama 团队利用果蝇模型，解答了这一基本问题。他们发现，愉悦和厌恶气味由大脑中两套完全独立且结构不同的神经回路进行处理，颠覆了“好”与“坏”是简单对立的传统认知。

　　▷光遗传学标记的侧角神经元（绿色）位于大脑神经元海（洋红色）中。Credit: RIKEN

　　研究团队首先综合运用了双光子显微镜与光遗传学技术，以前所未有的分辨率记录了果蝇大脑高级嗅觉中心——侧角（lateral horn）内几乎所有神经元的活动。基于这些数据和完整的大脑神经元连接图谱，他们构建了一个能够精确模拟神经活动的计算模型。模型和实验结果共同揭示，侧角是评估气味好恶的关键区域。最令人意外的发现是，大脑处理愉悦和厌恶气味的方式并非简单的“一体两面”。相反，它们由两套相互隔离且连接方式迥异的子回路负责。厌恶气味的感知依赖于一套相对直接的前馈兴奋回路，而愉悦气味的感知则需要一个更复杂的回路，其中包含了额外的局部抑制信号。这意味着，在神经层面，“愉悦”不仅仅是“厌恶”的缺失。为了验证这一结论，研究人员通过光遗传学手段精准地“关闭”了处理愉悦气味的局部抑制回路，结果发现，果蝇果然开始躲避一种它们原本喜爱的气味，这有力地证实了模型的预测。研究发表在 Cell 上。

　　慢性疼痛患者为何倾向于用美食慰藉自己？悉尼科技大学的 Claudia Roche, Amy Burton 及 Toby Newton-John 团队研究发现，超过三分之二的患者会通过进食应对疼痛，其首要动机是寻求愉悦体验，而非单纯为了分散注意力或麻痹情绪。

　　研究团队对141名患有慢性疼痛（指持续三个月以上的疼痛）的成年人进行了一项在线问卷调查，以探究他们在疼痛发作时选择安慰性进食（comfort eating）背后的心理动机。结果显示，超过三分之二的受访者会通过这种方式应对疼痛。出乎意料的是，最主要的原因并非逃避痛苦，而是主动追求积极感受——51.8%的人表示是为了“获得一次愉悦的体验”。其次才是“分散注意力”（49.6%）和“减轻情绪”（39%）。

　　这一发现揭示了安慰性进食在慢性疼痛管理中的复杂角色：它不仅是一种消极的应对机制，更是在充满痛苦的生活中寻找片刻欢愉的策略。研究人员指出，高热量食物本身也可能具有轻微的生物性镇痛效果。然而，这种短暂的安慰是有代价的。研究中近40%的参与者达到肥胖标准，这凸显了一个危险的恶性循环：通过食物缓解疼痛可能导致体重增加，而体重增加又会加剧关节压力和炎症，使疼痛恶化。因此，研究者呼吁未来的疼痛管理项目应整合饮食咨询，帮助患者建立更健康的应对策略。研究发表在 Journal of Clinical Psychology in Medical Settings 上。

　　面对日益普遍的社会压力，人们是否能找到比冥想更便捷的放松方式？加州大学圣巴巴拉分校的 Robin Nabi 及其同事，通过一项对千余名成年人的实验研究发现，每天观看几分钟精心挑选的励志短视频，在减轻压力方面的效果与引导式冥想相当，为“媒体处方”提供了新的科学证据。

　　在这项为期四周的纵向研究中，超过1000名美国成年人被随机分配到五个不同的小组。在连续五天里，他们每天分别进行约五分钟的活动：观看励志视频、观看喜剧片段、进行引导式冥想（guided meditation）、随意刷手机，或不进行任何特定媒体活动的对照组。研究团队通过问卷追踪了他们在干预期间及之后长达两周的压力和情绪变化。结果显示，励志视频组和冥想组的减压效果显著优于其他组，并且两者效果不相上下。深入分析揭示了其背后的心理机制：这两种活动都能显著提升参与者的希望感，而正是这种希望感的增强，有效地降低了压力水平。更重要的是，这种积极影响并非昙花一现，其减压效果在干预结束后可持续长达10天。相比之下，虽然喜剧视频能让人发笑，但这种短暂的愉悦并未转化为持久的压力缓解。这项研究表明，有策略地选择能激发希望的媒体内容，可以成为一种简单、易行且有效的日常压力管理工具。研究发表在 Psychology of Popular Media 上。

　　如何安全地利用迷幻物质的治疗潜力？来自意大利圣心天主教大学的 Giuseppe Riva, Giulia Brizzi, 和 Chiara Pupillo 团队，通过结合虚拟现实与人工智能开发了一种名为 Cyberdelics 的数字替代方案，成功模拟了迷幻体验并观察到其对认知和情绪的积极影响。

　　▷本研究采用了沉浸式体验。底部面板展示了实验条件（HVVE 条件）的屏幕截图，顶部面板展示了用户在对照条件（原版《秘密花园》）下看到的内容。 Credit: Dialogues in Clinical Neuroscience (2025).

　　该研究邀请了50名健康志愿者，让他们分别沉浸在两个10分钟的VR环境中：一个标准版的放松视频《秘密花园》，以及一个利用谷歌DeepDream算法处理后充满迷幻视觉效果的“幻觉”版本。研究团队在体验前后系统评估了参与者的认知灵活性、情绪状态及心率等生理指标。结果显示，与观看标准视频相比，体验了“幻觉”版VR的参与者，其认知灵活性和抑制控制得到了显著增强。有趣的是，两种VR体验都能有效降低参与者的焦虑水平和心率，使他们进入一种“清醒放松”的状态。这项研究证实，这种被称为幻觉视觉虚拟体验的数字工具，能够安全地复制迷幻药物的部分有益效果，为治疗难治性抑郁症、创伤后应激障碍等精神疾病开辟了全新的非药物干预途径。研究发表在 Dialogues in Clinical Neuroscience 上。

　　精神健康障碍是全球性的健康危机，但现有疗法对许多患者效果不佳。南澳大利亚大学的 Srinivas Kamath 和 Paul Joyce 等研究人员通过一篇综述性文章，系统梳理了肠道微生物与大脑健康的联系，提供了迄今最有力的证据，证明肠道变化可以直接影响大脑化学，为开发新型疗法奠定了基础。

　　该研究系统地综合了肠-脑轴领域的现有证据。研究人员发现，来自动物模型的证据具有很强的说服力，证实了肠道微生物的改变可以直接引起大脑化学、应激反应和行为的变化，这为因果关系提供了支持。在人类研究中，尽管主要是相关性证据，但也明确观察到抑郁症和精神分裂症等疾病患者的肠道菌群模式存在显著紊乱。

　　更令人鼓舞的是，一些新兴的干预手段已在早期试验中显现潜力。例如，通过补充益生菌、调整饮食结构或进行粪便微生物群移植等方式来调节肠道菌群，能够有效改善部分患者的情绪和焦虑症状。研究还发现，精神科药物本身也会影响肠道微生物的组成，这揭示了肠道与大脑之间复杂的双向互动关系。研究人员总结道，这些发现可能彻底改变我们诊断和治疗精神疾病的方式，基于微生物组的疗法有望成为一种安全、经济且易于推广的辅助治疗新选择。研究发表在 Nature Mental Health 上。

　　赌博直播为何能吸引大量年轻人，又隐藏着哪些风险？英国研究者 Chelsea Hughes, Jamie Torrance, Simon Dymond 和 Glen Dighton 对年轻观众进行了深入访谈。研究揭示了一个复杂的悖论：观众在直播中寻求社交联系和替代性快感，但这种行为往往会激发更强烈的赌博冲动，带来潜在伤害。

　　研究团队对15名经常观看赌博直播的英国年轻人进行了定性访谈。分析发现，赌博直播的吸引力远超赌博本身。首先，观众通过与主播的互动，形成了强烈的类社会关系，在直播社区中找到了归属感，并从主播的高风险投注中获得了替代性兴奋（vicarious excitement）。其次，平台的互动设计功不可没，诸如“频道积分”竞猜等游戏化功能，将原本被动的观看行为转变为一种主动的、基于社区的参与，极大地增强了用户忠诚度。然而，研究也揭示了其阴暗面，即“冲动与伤害悖论”。许多受访者表示，他们观看直播是为了“解瘾”，试图通过观看别人赌博来抑制自己的冲动，但结果却适得其反。直播中持续的赌博刺激和主播的推广，反而加剧了他们的赌博欲望，导致实际赌博行为增加。受访者也清醒地认识到主播们使用了具有欺骗性的营销手段。研究发表在 Addiction Research & Theory 上。

　　意识的神经基础长期停留在宏观网络层面，微观的神经回路机制仍是未解之谜。Andrew R. Dykstra, Yunkai Zhu 等研究者发表了一篇观点文章，系统阐述了如何利用前沿神经影像技术和计算模型，在人类中检验源于动物研究的核心意识回路理论，旨在连接微观细胞活动与宏观意识体验。

　　该文聚焦于两大前沿的意识回路理论：顶端放大理论（Apical Amplification Theory, AAT）与树突整合理论（Dendritic Integration Theory, DIT）。这两个理论均认为，大脑皮层第5b层锥体神经元（L5b pyramidal neurons）是意识形成的关键节点，其顶端的树突结构负责接收来自高级脑区或丘脑的反馈信号，并以此“放大”或“整合”来自底层的感觉输入，这一过程被认为是意识体验产生的必要条件。

　　为了在人类中直接验证这些微观层面的假设，作者提出了一套整合性的研究框架。该框架的核心是结合多种先进技术：利用高精度脑磁图以毫秒级精度追踪皮层不同深度的神经电流；借助超高场功能磁共振成像以亚毫米级分辨率“看清”特定任务中皮层各层的活动变化；并利用生物物理建模搭建从微观回路活动到宏观脑信号的桥梁。通过这套组合拳，科学家们将能够首次在人类被试中直接检验“顶端树突的信号放大是否是意识产生的标志”这类具体的科学问题。作者指出，近期已有部分研究的发现与这些理论的预测相符。这个研究框架为意识科学从宏观描述走向微观机制验证提供了清晰的路线图。研究发表在 Trends in Cognitive Sciences 上。

　　意识究竟产生于大脑的哪个部位？这一直是神经科学的核心谜题。为调和“感觉理论”与“额叶理论”的长久争议，Kavindu H Bandara, Elise G Rowe, Marta I Garrido团队另辟蹊径，利用计算模型分析了无报告范式下的脑电数据，结果发现两种理论或许并非相互排斥，PFC在意识中的作用可能比想象中更为精妙。

　　研究团队重新分析了一项非注意盲视（inattentional blindness）实验的脑电图数据。该实验巧妙地让所有参与者观看相同的视觉刺激，但只有部分人能意识到其中一闪而过的人脸，从而将纯粹的“意识感知”与后续的“报告”行为在神经活动层面分离开。研究的核心技术是动态因果模型（Dynamic Causal Modelling，一种能够推断大脑不同区域间信息流向和影响强度的计算方法）。研究人员构建了两个竞争模型来模拟大脑活动：一个代表感觉理论，强调意识源于后部感觉皮层内部的反馈回路（比如梭状回面部区（fusiform face area）与初级视觉皮层之间的连接）；另一个代表额叶理论，认为前额叶皮层向感觉区域发送的反馈信号是意识产生的关键。

　　通过比较两个模型对真实脑电数据的拟合优度，团队发现，虽然两个模型都能在很大程度上解释意识产生时的神经活动，但额叶理论模型表现出微弱的优势（53%的偏好度）。这意味着，当人意识到刺激时，从PFC到后部感觉区域的反馈连接对于完整解释大脑的动态变化至关重要。这一结果表明，PFC的参与并非仅仅为了报告，而是在意识形成过程中扮演了一个微妙但不可或缺的角色，提示未来的意识理论需要整合这两个看似对立的观点。研究发表在 Neuroscience of Consciousness 上。

　　Meta 10亿参数模型 TRIBE 斩获大脑建模竞赛冠军：突破认知碎片化研究范式

　　传统的神经科学研究多采用“分而治之”的范式，倾向于聚焦特定的皮层区域及其关联功能，例如专注于大脑 V5 区研究运动感知。这种研究方法虽提供了深刻见解，却导致了学科知识的碎片化，阻碍了统一认知模型的发展。为解决这一难题，Meta FAIR 的 Brain & AI 团队取得了重大突破。他们凭借研发的 10 亿参数模型 TRIBE（Trimodal Brain Encoder，三模态大脑编码器），在 Algonauts 2025 大脑建模竞赛中脱颖而出，一举夺冠。这一成果被视为多模态大脑建模技术迈入新纪元的标志，成功预测了由 Courtois NeuroMod 项目采集的大规模时空功能性磁共振成像数据。

　　TRIBE 是首个能预测跨模态、跨皮层区域及跨个体大脑反应的深度神经网络。该模型采用端到端方式学习全脑多模态动态整合，兼容多受试者数据。具体而言，TRIBE 以受试者观看的视频片段、对应的音频文件和文字脚本作为输入，通过融合 Meta 旗下的 Llama 3.2（文本）、Wav2Vec2-BERT（音频）和 V-JEPA 2（视频）等多项基础模型的预训练表征能力，提取三种目标模态的高维嵌入表征，随后输入深度编码模型，并利用 Transformer 结构处理 fMRI 数据的时序演化特性。

　　TRIBE 模型展现出卓越的性能，以显著优势超越了 263 支参赛队伍。消融实验表明，虽然单模态模型能可靠预测对应的皮层网络，但在高级联合皮层区域（高级联合皮层区域，整合多种感觉信息并涉及复杂认知功能的大脑区域），TRIBE 始终表现更优。研究人员发现，将任意两种模态结合的编码得分相较单模态模型显著提升，三模态联合训练能进一步优化得分，突显了各模态间的互补作用。

　　近年来，体内嵌合抗原受体T细胞（in vivo CAR-T，在患者体内直接生成CAR-T细胞的技术）领域发展迅猛，并在短短数月内实现了两起重磅级收购。继艾伯维（AbbVie）以21亿美元收购Capstan Therapeutics后，国际制药巨头百时美施贵宝（BMS）于2025年10月宣布，将以15亿美元现金收购体内CAR-T公司Orbital Therapeutics。Orbital Therapeutics由诺贝尔生理学或医学奖得主Drew Weissman以及著名研究人员张元豪等人于2022年联合创立。BMS此举旨在利用Orbital的下一代RNA平台，进军体内CAR-T细胞治疗领域，从而增强其现有的细胞治疗研究平台，并与已经获批上市的体外CAR-T（ex vivo CAR-T，在体外处理细胞后再输回患者体内的技术）疗法形成互补。

　　此次收购的核心是Orbital公司处于IND申报前研究阶段的候选疗法OTX-201，该疗法计划于2026年上半年启动临床试验。OTX-201的机制是利用经优化的环状 RNA（circRNA，一种具有封闭环状结构的核糖核酸）编码靶向CD19的CAR，并通过靶向型脂质纳米颗粒（tLNP，一种专门用于将药物递送到特定细胞或组织的微小载体）实现体内递送，最终在患者体内原位生成CAR-T细胞。其治疗目标是B细胞驱动的自身免疫疾病，旨在清除自身反应性B细胞并重置免疫系统。BMS公司认为，体内CAR-T代表了一种全新的治疗方式，有望减轻现有体外疗法的治疗负担并显著提高可及性，尤其对于正在等待更优治疗选择的自身免疫疾病患者意义重大。

　　除了领先的体内CAR-T项目外，BMS还将获得Orbital专有的集成RNA平台，该平台结合了环状RNA和线性 RNA（Linear mRNA，一种标准的线型核糖核酸）工程、先进的LNP递送系统以及基于人工智能（AI）驱动的设计。Orbital公司致力于开发持久、可编程的RNA疗法，旨在从源头上重编程细胞并治疗疾病。除了治疗自身免疫疾病的九游app体内CAR-T项目外，Orbital的研发管线还涵盖了针对癌症的体内CAR-T细胞疗法、下一代mRNA疫苗以及基于RNA的蛋白质替代疗法。

　　当硅芯片微缩接近物理极限时，如何突破瓶颈？复旦大学的 Chunsen Liu, Peng Zhou 及其同事开创性地将原子级厚度的二维材料（2D materials）与传统硅电路相结合，成功研制出世界上第一款功能完备的二维-硅基混合架构芯片，为未来更高性能、更低功耗的电子设备开辟了新道路。

　　研究团队开发了一套名为“原子器件到芯片”（ATOM2CHIP）的独特技术，攻克了长期以来阻碍二维材料与硅基电路集成的核心难题。该技术包含一套创新的全栈片上工艺，能够将仅有几个原子层厚度的二维存储材料直接生长在相对粗糙的商用硅晶圆上，并通过模块化的三维架构和特殊的封装技术，解决了两者间的可靠连接与保护问题。同时，通过跨平台系统设计，确保了新型二维电路与成熟的硅基CMOS电路在指令、电压和信号驱动上完全兼容。基于该技术，团队成功制造出一款1-Kb的二维NOR闪存（flash memory）芯片。全芯片测试结果表明，该芯片不仅功能齐全、运行稳定（测试时钟频率达5兆赫），且成品率高达94.34%。其核心的二维存储单元展现出卓越性能，写入速度快至20纳秒，能耗低至每比特0.644皮焦。这项成果并非停留在实验室原型阶段，而是一款能够处理复杂指令的实用芯片，证明了二维电子学在真实世界应用中的巨大潜力，有望推动人工智能计算等前沿领域的突破。研究发表在 Nature 上。

　　当前大语言模型与人脑在结构和运行机制上存在鸿沟，导致其长期推理能力和可解释性受限。来自 Pathway 公司的 Adrian Kosowski, Przemysław Uznański 及同事提出了一种名为 Dragon Hatchling（BDH）的全新 AI 架构。该模型在性能上可与 Transformer 相媲美，同时其设计基于生物学启发的、可解释的神经元局部交互网络，旨在弥合人工智能与大脑模型之间的差距。

　　研究团队构建的 Dragon Hatchling（BDH）架构，其核心思想是模拟一个由大量神经元粒子组成的分布式计算网络。理论上，该模型的推理过程由局部图动力学驱动，其工作记忆完全依赖于突触可塑性，并遵循赫布学习规则（Hebbian learning，即神经元共同激活时它们之间的连接会增强）。为了实现大规模训练，团队开发了其实用版本 BDH-GPU，通过一种均场近似（mean-field approximation）使其能够高效地在 GPU 上运行。在实验中，团队训练了参数量从 1000 万到 10 亿不等的 BDH-GPU 模型，并在多项语言和翻译任务中证明，其性能和扩展定律均能与同等规模的 GPT-2 架构 Transformer 相匹敌。更重要的是，BDH-GPU 无需特殊引导，便自发涌现出多项关键的类脑特性：它的激活向量天然地呈现高度稀疏性（sparsity，即在任何时刻只有一小部分神经元处于活跃状态）；模型内部形成了高度模块化的网络结构；并且实现了单义性（monosemanticity，即单个神经元稳定地对应一个具体的概念），极大地提升了模型的可解释性。这项工作成功地在宏观的注意力机制和微观的神经元动力学之间建立了桥梁。

　　大型语言模型的安全性有多脆弱？来自Anthropic、英国AI安全研究所和阿兰·图灵研究所的Alexandra Souly、Javier Rando等研究人员合作，完成了迄今最大规模的LLM数据投毒实验，其结果揭示了一个惊人事实：无论模型多大，攻破它可能仅需一个固定数量的恶意样本。

　　研究团队系统地训练了参数规模从6亿到130亿不等的多个语言模型，并设计了一种拒绝服务（Denial-of-Service，DoS，一种使系统无法正常服务的攻击手段）后门攻击。他们在训练数据中混入了少量被植入特定触发词（ ）和乱码的文档，旨在让模型学会一种危险联想：一旦看到触发词就输出无意义的文本。实验结果颠覆了“模型越大越安全”的传统认知。研究发现，只需250份投毒文档，就足以让所有测试模型（包括训练数据量高达2600亿token的130亿参数模型）的攻击成功率接近百分之百。这一结果表明，投毒所需的样本数量是一个近似恒定的绝对值，并不会随着模型和数据集规模的增大而按比例增加。这意味着，对于在海量互联网数据上训练的万亿参数模型而言，攻击者要注入250份恶意文档远比注入数据总量的百万分之一要容易得多，使得大型模型在实践中可能面临比想象中更严峻的安全威胁。

　　如何避免AI健康模型加剧社会不公？当前依赖用户自带可穿戴设备收集数据的方法存在严重偏见。为此，Ritika R Chaturvedi及其同事发起了“美国实时生活”（ALiR）项目，通过向具有全国代表性的样本免费提供设备，成功构建了一个更公平的健康数据集，并证明了其在开发无偏见AI模型方面的优越性。

　　▷ALiR 的设计和属性与其他人群健康 PGHD 队列的比较。A) ALiR 基础设施示意图，包括已建立并互联的队列、包含当前和未来集成的研究应用程序以及基准 PGHD 数据集。B) 基准测试和 FAIR 标准下设计特征的比较。Credit: PNAS Nexus (2025).

　　研究团队采用概率抽样方法，招募了1,038名能够广泛代表美国人口的参与者，并为他们统一配备了Fitbit手环和平板电脑，以收集连续的个人健康数据。随后，他们将这个ALiR数据集与一个更大规模但存在偏见的便利样本——美国国立卫生研究院的“我们所有人”项目（包含14,133名自愿使用自有设备的用户）进行对比。为了检验数据质量的差异，研究人员分别用两个数据集训练了COVID-19检测模型。结果显示，基于ALiR数据训练的模型在所有人口子群体（包括不同种族、年龄和性别）中都表现得非常稳健。然而，基于“我们所有人”项目数据训练的模型则暴露了严重的数据偏见：其在老年女性和非白人群体中的预测性能要差22%至40%。更重要的是，当把这个存在偏见的模型用于测试更具代表性的人群时，其整体准确率骤降了35%。这一对比有力地证明，通过主动提供设备来消除参与门槛，是构建公平、可靠AI健康工具的关键一步，有助于确保精准医疗惠及每一个人。研究发表在 PNAS Nexus 上。

　　脊髓损伤（SCI）导致的神经源性膀胱功能障碍严重影响患者生活。为寻找有效疗法，Ericka Raiane da S. Serafini, Caroline C. do Espírito-Santo 及其同事，创新性地结合脑机接口与机器人步态训练，成功证明该方法能通过重塑大脑皮层活动，显著改善患者的膀胱控制能力。

　　该研究招募了七名完全性脊髓损伤患者，进行了24次创新性康复训练。训练中，患者通过运动想象（Motor Imagery, MI，即在脑中想象自己行走）来控制一台机器人外骨骼进行步态训练。其“意念”由一套脑机接口系统实时捕捉。该系统通过脑电图神经反馈，帮助患者学习如何有意识地调节大脑中与运动相关的感觉运动节律（sensorimotor rhythms, SMR），特别是mu波和beta波。结果显示，这种“意念驱动”的训练取得了显著成效。通过神经源性膀胱症状评分（NBSS）评估，所有参与者的膀胱控制能力都得到了显著改善。更重要的是，脑电图数据显示，患者大脑mu波和beta波的调节能力越强，其膀胱功能的改善程度也越大。这一发现表明，该疗法可能通过激活和重塑大脑与膀胱控制相关的神经回路，弥补了因脊髓损伤而中断的连接，为改善患者生活质量提供了新的可能。研究发表在 Scientific Reports 上。

　　如何让机器更精准地“读懂”大脑意图？针对脑机接口中脑电信号解码困难的挑战，研究者 Zhen Chen, Ye Cao, Qiangqiang Fu 及 Liyang Hou 提出了一种创新的解决方案。他们开发了一种模仿大脑选择性注意机制的深度学习模型，在运动想象分类任务中实现了前所未有的高精度。

　　该研究的核心是构建一个分层深度学习架构，旨在系统性地解析复杂且充满噪声的脑电信号。该模型巧妙地结合了三种技术：首先，利用卷积神经网络提取EEG电极在头皮上分布的空间特征；其次，通过长短期记忆网络捕捉大脑活动随时间变化的动态模式；最关键的是，模型中引入了注意力机制，使其能够像人脑一样自动聚焦于对解码意图最重要的时空信号特征，并赋予更高的权重。研究团队在一个包含15名参与者的四分类运动想象任务数据集上验证了该模型。结果显示，新模型的分类准确率达到了惊人的97.2477%，远超传统方法。这一成果不仅证明了该仿生设计思路的有效性，也凸显了注意力机制是克服EEG信号信噪比低这一瓶颈的关键。这项工作为开发更可靠、更高效的神经康复设备和修复性神经技术开辟了新路径。研究发表在 Scientific Reports 上。

　　传统脑机接口（BCI）技术常需开颅手术，存在较大创伤风险。Mark Hettick, Benjamin I. Rapoport 及其同事开发了一套全新的高密度微电极阵列系统。该系统通过微创手术植入大脑皮层表面，成功实现了对多种神经活动的高精度、双向（记录与刺激）交互，为下一代BCI的临床应用铺平了道路。

　　研究团队研发了一种包含1024个通道的超薄柔性微电极阵列，并首创了一种“颅骨微缝”微创植入技术。该技术无需传统的大面积开颅，仅通过微小的切口即可将电极平铺于大脑皮层表面，且手术过程可逆，不会对脑组织造成损伤。这种基于微皮层电图（µECoG，一种不穿透大脑、直接在皮层表面记录神经信号的高分辨率技术）的方案，能够以前所未有的密度和广度捕捉大脑信号。在猪模型和人体初步临床试验中，该系统展示了卓越的性能。它不仅能以高时空分辨率实时“看”到大脑皮层的活动，还成功解码了体感、视觉以及自主行走等复杂的神经指令。更重要的是，该系统还能反向操作，通过亚毫米级的精准电刺激对特定脑区进行神经调控。在一项涉及5名神经外科患者的术中研究中，该设备被证明是安全且可行的，成功绘制出了与言语和感觉运动功能相关的精细脑图。这项工作展示了该技术的高度可扩展性，为开发更安全、更强大的神经假体以帮助瘫痪、失明等患者提供了关键技术突破。研究发表在 Nature Biomedical Engineering 上。

　　如何让大语言模型“想得更深”却不耗尽算力？针对LLM推理中计算成本随思考长度二次方增长的痛点，来自Mila、微软研究院、麦吉尔大学的Milad Aghajohari, Amirhossein Kazemnejad等研究人员提出了一种名为“马尔可夫思考机”的创新范式，成功将推理成本降至线性。

　　传统LLM进行长思维链推理时，需处理越来越长的上下文，导致计算量爆炸。为解决此问题，研究团队设计了一个名为Delethink的全新强化学习环境。该环境将模型的思考过程切分成固定大小的区块（chunk）。在每个区块的边界，系统会“清空”大部分上下文，只保留原始问题和一小段来自上个区块末尾的文本作为“记忆交接”。通过这种方式，模型被迫学会在有限的文本中压缩和传递其思考状态，从而实现对一个恒定大小状态的依赖，这就是马尔可夫思考机（Markovian Thinker）的核心。实验结果极为显著：一个1.5B参数模型通过Delethink训练后，即使在8K大小的区块中推理，其总思考长度也能达到24K，并在数学基准测试中超越了传统方法。更重要的是，该模型的性能在测试时能随思考长度持续提升，而传统模型则会因上下文过长而性能饱和。团队甚至成功训练模型进行长达96K token的思考。这一突破带来了巨大的效率提升，据估算，对于超长推理任务，Delethink能将所需的训练算力削减约75%。

　　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。

　　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、、、大圆镜科普等。