追問daily | 深度學習的牛頓定律；為什么更快的AI并不總是更好？

█ 腦科學動態

Nature：“為母則剛”的神經可塑性：哺乳期大腦如何強化攻擊回路

Nature：反向神經元群——解碼全腦血容量波動的關鍵密碼

新型熒光納米抗體技術實現高精度、低背景的活細胞成像

個體大腦的運作方式與群體平均結果截然相反

Cheese3D：AI視覺系統實現小鼠面部表情高精度3D追蹤

身體運動驅動大腦內液體流動

全身超聲斷層掃描技術可在10秒內獲取完整橫截面圖像

無標記光學成像結合深度學習首次量化人腦鉤束微觀結構

激化贏者通吃效應！中間神經元如何篩選大腦關鍵信息

█ AI行業動態

DeepSeek V4實測：編程碾壓、推理翻車？

美國批準首個基因療法，有望治愈罕見遺傳性耳聾

年收入首超OpenAI！Anthropic獲谷歌400億美元天價投資

█ AI驅動科學

Nature：評估標準導致AI“胡說八道”

新型人工視網膜不僅恢復視力，還能賦予近紅外視覺

利用端到端AI框架實現RNA翻譯可編程控制

AI算法trRosettaRNA2，精準預測RNA三維結構與動態構象

智能超材料紡織品實現無電池連續血壓監測

為什么更快的AI并不總是更好：延遲反而提升用戶感知質量

Google DeepMind推出通用視覺基礎模型Vision Banana

蘋果新研究揭示大模型隱私隱患：你的Logits知道些什么？

深度學習的牛頓定律：14名頂尖學者提出學習力學統一理論框架

腦科學動態

Nature：“為母則剛”的神經可塑性：哺乳期大腦如何強化攻擊回路

“為母則剛”背后的神經機制長期以來是未解之謎。紐約大學朗格尼醫學中心的Dayu Lin團隊通過研究哺乳期小鼠，揭示了一條從后側杏仁核到下丘腦的關鍵神經通路，并闡明了催產素如何根據幼崽需求精準調控該通路，從而動態控制母性攻擊行為的開啟與關閉。

研究團隊首先鎖定了一條關鍵神經通路：從后側杏仁核（PA）中表達雌激素受體α的細胞，投射到腹內側下丘腦的腹外側區（VMHvl）中表達神經肽Y受體2（Npy2r）的細胞。實驗證實，在哺乳期間，這條通路的突觸連接會增強，下游神經元的興奮性也更高，這共同構成了母性攻擊升級的生理基礎。更有趣的是，被稱為“愛的激素”的催產素是這一過程的動態“調節閥”。研究發現，上游的PAEsr1神經元富含催產素受體。當幼崽在身邊時，它們的吮吸等行為會促使母體釋放催產素，從而激活這條攻擊通路；一旦幼崽被移走，催產素水平下降，攻擊性也隨之減弱。研究人員通過光遺傳學技術人為提升催產素水平，成功恢復了母鼠的攻擊行為，證實了這一因果關系。該通路高度特化，不影響交配等其他社會行為，揭示了大腦為保護后代進化出的精密調控系統。研究發表在 Nature 上。

#神經科學 #神經機制與腦功能解析 #母性行為 #催產素 #社會行為

閱讀更多：

Yamaguchi, Takashi, et al. “The Neural Mechanisms Supporting the Rise and Fall of Maternal Aggression.” Nature, Apr. 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41586-026-10354-5

Nature：反向神經元群——解碼全腦血容量波動的關鍵密碼

傳統觀點認為腦血流依賴于區域整體神經活動，但這種關系在不同腦區和狀態下似乎存在差異。倫敦大學的Agnès Landemard團隊通過同步檢測小鼠全腦神經元活動與血容量，發現決定血流的并非整體活動，而是兩類功能相反、廣泛分布于全腦的神經群體。

研究團隊創新性地結合了功能性超聲成像（functional ultrasound imaging, fUSI）和大規模神經記錄技術（Neuropixels probes），首次在全腦尺度上同步觀測了小鼠的血容量變化和單個神經元的活動。他們發現，以胡須抽動為標志的覺醒狀態變化，會引起全腦血容量的高度同步波動。研究的核心發現是，大腦中普遍存在兩類與覺醒狀態完全相反的神經元：一類是“覺醒增強型”，在覺醒時活動增強；另一類是“覺醒抑制型”，在覺醒時活動減弱。這兩類神經元群體與血流的耦合方式截然不同，擁有各自獨立的血流動力學響應函數（hemodynamic response functions）。基于這一發現，研究人員構建了一個雙神經元模型，該模型通過整合這兩類神經元的貢獻，能夠極其精準地預測不同腦區和不同狀態下的血容量波動，其預測能力遠超依賴于整體神經活動的傳統模型。這一結果表明，不同腦區血容量看似迥異的波動模式，實際上是由這兩類神經元在各腦區的不同比例決定的。研究發表在 Nature 上。

#疾病與健康 #神經機制與腦功能解析 #神經血管耦合 #覺醒狀態

閱讀更多：

Landemard, Agnès, et al. “Brainwide Blood Volume Reflects Opposing Neural Populations.” Nature, Apr. 2026, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-026-10350-9

新型熒光納米抗體技術實現高精度、低背景的活細胞成像

如何清晰地“看清”活細胞內部的微觀世界？傳統熒光成像技術常因背景噪聲而受限。索爾克研究所的Axel Nimmerjahn、阿爾伯特·愛因斯坦醫學院的Vladislav V. Verkhusha及其合作團隊，開發了一種名為可見光譜抗原穩定熒光納米抗體（VIS-Fbs）的新型成像平臺，能夠以極高的信噪比實時追蹤活體內的分子活動。

? 小鼠腦組織顯示抑制性神經元，這些神經元用紅色熒光標記物 VIS-Fb 標記，該標記物可與綠色鈣生物傳感器結合。神經元以藍色突出顯示。Credit: Barykina et al.

研究團隊設計出一種“智能”探針，它由能夠特異性結合靶蛋白的納米抗體和熒光蛋白構成。其核心創新在于，這種探針只有在與目標結合后才會穩定并被“點亮”，從而將背景熒光降低了近百倍，使得成像前所未有地清晰。此外，團隊還開發了一整套覆蓋從藍色到遠紅色的多色探針，并設計出可通過光照“開啟”或“關閉”的變體，這使得在復雜生命系統中同時追蹤多個分子并進行高時空精度的動態觀察成為可能。研究人員在小鼠大腦和斑馬魚胚胎等模型中成功驗證了該技術的強大功能，例如，在小鼠行為過程中精確監測了神經元和星形膠質細胞的鈣活動，并實時追蹤了斑馬魚發育過程中的蛋白動態。這項技術為細胞信號傳導、胚胎發育和疾病進展等研究領域提供了強大的新工具。研究發表在 Nature Methods 上。

#疾病與健康 #神經機制與腦功能解析 #細胞成像 #納米抗體

閱讀更多：

Barykina, Natalia V., et al. “Synthetic Multicolor Antigen-Stabilizable Nanobody Platform for Intersectional Labeling and Functional Imaging.” Nature Methods, Apr. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41592-026-03056-3

個體大腦的運作方式與群體平均結果截然相反

大腦研究中常用的“平均法”是否可靠？斯坦福大學醫學院的Vinod Menon, Percy K. Mistry, Nicholas K. Branigan等研究人員對超過4000名兒童的腦成像數據進行分析，發現群體平均結果會嚴重誤導我們對個體大腦工作方式的理解。該研究指出，個體在執行任務時的腦活動模式與群體平均模式可能完全相反，揭示了神經科學領域存在的“辛普森悖論”。

研究團隊利用功能性磁共振成像（fMRI）技術，分析了兒童在執行一項抑制性認知控制任務時的腦活動。他們對比了兩種分析方法：一種是傳統的群體平均法，另一種是追蹤每個孩子在多次重復任務時的腦活動動態。結果顯示出驚人的差異：例如，在群體層面，較慢的反應速度與默認模式網絡的活動增強有關。然而，在個體層面，當一個孩子反應變慢時，該網絡的活動反而會減弱——這與群體結論完全相反。這種個體與群體規律的背離現象被稱為非遍歷性。此外，通過個體化分析，研究還成功區分了主動控制（如提前準備抑制行為）和反應控制（如實際執行抑制）的不同神經回路，并發現認知策略不同的兒童亞組（例如，犯錯后能調整策略的兒童與不能調整的兒童）其大腦動態也截然不同。這一發現挑戰了神經科學研究的傳統范式，強調了“平均大腦”并不存在，對于理解和干預注意力缺陷/多動障礙（ADHD）等疾病具有重要意義。研究發表在 Nature Communications 上。

#疾病與健康 #神經機制與腦功能解析 #心理健康與精神疾病 #認知科學

閱讀更多：

Mistry, Percy K., et al. “Nonergodicity and Simpson’s Paradox in Neurocognitive Dynamics of Cognitive Control.” Nature Communications, vol. 17, no. 1, Apr. 2026, p. 3494. www.nature.com, https://doi.org/10.1038/s41467-026-71404-0

Cheese3D：AI視覺系統實現小鼠面部表情高精度3D追蹤

如何量化面部表情與大腦活動之間的微妙聯系？冷泉港實驗室（CSHL）的Xun Helen Hou及其同事Kyle Daruwalla、Irene Nozal Martin等人為此開發了一個名為Cheese3D的創新平臺。這個結合了多攝像頭陣列和人工智能的系統，能夠以前所未有的精度捕捉和分析小鼠的全臉動態，為神經科學和醫學研究提供了強大的新工具。

研究團隊構建的Cheese3D系統使用六個微型攝像頭從不同角度同步拍攝小鼠，再通過機器學習算法將視頻融合成高精度的三維面部模型。該系統能夠以亞毫米級的精度追蹤耳朵、眼睛、胡須墊和下頜等關鍵部位的動態，并將其量化為有解剖學意義的幾何特征。為了驗證其有效性，研究人員進行了一系列實驗。最引人注目的是，他們發現僅通過分析面部肌肉張力的細微變化，Cheese3D就能非侵入性地預測小鼠的麻醉深度，其準確性與黃金標準的腦電圖方法相媲美。該系統還能捕捉到進食時的快速動作和由腦干刺激引發的微小反應。這項技術將小鼠微妙的“臉色”轉化為一個高信息密度的窗口，為研究情緒、疾病（如孤獨癥）和認知發育過程中的大腦活動提供了全新視角。研究發表在 Nature Neuroscience 上。

#AI驅動科學 #自動化科研 #神經機制與腦功能解析 #計算機視覺

閱讀更多：

Daruwalla, Kyle, et al. “Cheese3D Enables Sensitive Detection and Analysis of Whole-Face Movement in Mice.” Nature Neuroscience, Apr. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41593-026-02262-8

身體運動驅動大腦內液體流動

運動為何能健腦？賓夕法尼亞州立大學的Patrick J. Drew和Francesco Costanzo團隊揭示了一種全新的生物力學機制。他們發現，大腦與身體的機械連接遠比我們想象的更緊密，腹部肌肉的收縮能像液壓泵一樣，通過血管網絡直接驅動大腦在顱骨內發生微小位移，從而促進腦脊液流動，為清除大腦代謝廢物提供了物理動力。

? 研究人員利用雙光子顯微鏡（一種能夠對活體組織進行高分辨率成像的技術）觀察了小鼠在運動前、腹部肌肉收緊（促使身體進一步運動）之后大腦的動態變化。左圖顯示的是靜止狀態下的大腦（綠色部分），右圖則顯示了運動過程中的大腦活動。Credit: Penn State

研究團隊利用雙光子顯微鏡對清醒小鼠進行活體成像，發現大腦的微小運動與身體活動（如行走）緊密相關，且這種運動往往在肢體移動之前、伴隨著腹部肌肉的收縮而發生。為了驗證這一因果聯系，研究人員對麻醉小鼠的腹部施加輕微壓力，也觀察到了同樣的大腦位移。結合微型計算機斷層掃描的觀察，他們證實了這一“液壓”機制：腹部收縮壓迫椎靜脈叢，使血液被推入脊髓腔，進而對大腦施加壓力，導致其輕微移動。隨后，團隊通過建立大腦的“海綿”計算模型進行模擬，結果表明這種由身體運動驅動的腦部“搖擺”，能夠有效促進腦脊液的循環，從而可能加速清除阿爾茨海默病等神經退行性疾病相關的有害廢物。研究發表在 Nature Neuroscience 上。

#疾病與健康 #神經機制與腦功能解析 #腦脊液 #運動 #神經退行性疾病

閱讀更多：

Garborg, C. Spencer, et al. “Brain Motion Is Driven by Mechanical Coupling with the Abdomen.” Nature Neuroscience, Apr. 2026, pp. 1–11. www.nature.com, https://doi.org/10.1038/s41593-026-02279-z

全身超聲斷層掃描技術可在10秒內獲取完整橫截面圖像

為解決傳統超聲檢查視野窄、依賴操作者等問題，加州理工學院的Lihong Wang團隊開發了一套全新的全身超聲斷層掃描系統。該系統實現了快速、安全且無需操作員干預的完整人體橫截面成像，其圖像質量可與核磁共振（MRI）媲美，為臨床診斷和監測提供了強大的新工具。

? 健康成年女性（參與者 1）的橫斷面超聲檢查結果。Credit: Nature Biomedical Engineering (2026).

研究團隊設計了一個浸入式成像系統，受試者坐在水箱中，周圍環繞一個由512個換能器組成的環形陣列。該設備可在10秒內完成對腹部等部位的360度掃描，獲得完整的橫截面圖像。與傳統超聲僅依賴回聲不同，該系統還測量透射信號，通過分析聲速和聲衰減（signal attenuation，指聲波能量在組織中被吸收或偏轉的程度）來更精確地區分不同組織。在健康志愿者身上的測試證實，其成像結果與3T MRI高度一致，但避免了電離輻射和組織壓縮。該技術在監測脂肪肉瘤、評估脂肪分布和引導活檢等方面展現出巨大潛力，未來有望通過改進設計（如水平床式）應用于手術實時引導。研究發表在 Nature Biomedical Engineering 上。

#疾病與健康 #疾病預防 #醫學影像 #超聲斷層掃描 #無創診斷

閱讀更多：

Garrett, David C., et al. “Whole Cross-Sectional Human Ultrasound Tomography.” Nature Biomedical Engineering, Apr. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41551-026-01660-4

無標記光學成像結合深度學習首次量化人腦鉤束微觀結構

針對難以在死后人腦組織中精準觀測白質通路微觀結構的問題，Kelly Perlman 等研究人員成功開發了一種新型的生物光學成像與分析流程，并利用該技術平臺首次對人腦鉤束中的軸突大小和髓鞘厚度進行了大規模的定量測量。

? 一種新型的無標記成像和分析流程將光譜聚焦相干反斯托克斯拉曼光譜（sf-CARS）與基于深度學習的分割技術相結合，用于研究死后人腦組織中的髓鞘。使用定制訓練的 AxonDeepSeg 模型進行分割的示例從原始 sf-CARS 圖像（左上）中區分出軸突和髓鞘（右上），表明該系統能夠評估人腦組織中的髓鞘（下）。Credit: K. Perlman, V. P. Noel, A. Collin, et al.

傳統的電子顯微鏡在處理存在降解問題的死后腦組織時往往效果不佳。為此，研究團隊采用光譜聚焦相干反斯托克斯拉曼光譜（sf-CARS，一種利用超快激光脈沖檢測組織內分子自然振動從而實現無標記成像的高級光學技術）來直接捕獲富含脂質的髓鞘圖像，而無需使用任何化學染色劑。為了從高分辨率圖像中大規模提取定量數據，研究人員引入了定制的分割模型。通過主動學習策略不斷糾正和重新訓練模型，并結合自動化質量控制步驟剔除不合理的幾何形狀，該流程最終成功分析了來自六名健康個體的2600多個有髓軸突。測量結果顯示，鉤束顳段的軸突平均直徑約為0.93微米，平均髓鞘厚度約為0.48微米。研究還通過分析g比率（g-ratio，衡量髓鞘相對于其包裹的軸突厚度的標準指標），發現鉤束內的神經纖維比前扣帶回皮層的白質具有更厚的髓鞘和更低的比率，這契合了大腦在長距離連接中需要快速傳輸電信號的生物學特征。該無標記方法的建立為未來研究精神或神經疾病患者的死后腦組織結構提供了極具價值的實用基礎。研究發表在 Biophotonics Discovery 上。

#神經科學 #神經機制與腦功能解析 #無標記光學成像 #白質微觀結構 #深度學習

閱讀更多：

Perlman, Kelly, et al. “Ultrastructural Analysis of Human Uncinate Fasciculus with Coherent Anti-Stokes Raman Spectroscopy.” Biophotonics Discovery, vol. 3, no. 2, Mar. 2026, p. 025002. www.spiedigitallibrary.org, https://doi.org/10.1117/1.BIOS.3.2.025002

激化贏者通吃效應！中間神經元如何篩選大腦關鍵信息

抑制性環路如何調控海馬信息編碼一直是未解之謎。Thomas Hainmueller與Gy?rgy Buzsáki及其團隊（紐約大學朗格尼醫學中心）首次在自由活動小鼠中揭示，中間神經元能通過激化贏者通吃網絡動態，篩選出關鍵的神經元集群以支持記憶等核心認知功能。

研究團隊結合了電生理記錄與雙向光遺傳學技術，在自由活動的小鼠中收集神經活動數據。研究利用機器學習算法，基于電生理特征將海馬齒狀回的細胞劃分為主細胞和兩類主要的中間神經元，即小清蛋白（parvalbumin，一種與快速神經信號傳導相關的鈣結合蛋白）和生長抑素（somatostatin，一種起抑制性調節作用的多肽類激素）表達神經元。結果表明，這兩類神經元展現出不同的突觸連接模式，前者主要調控反饋抑制，而后者控制內嗅皮層輸入的門控。更令人意外的是，當激活中間神經元時，并未產生單純抑制周圍網絡的效應。相反，這種操作激化了贏者通吃網絡（winner-take-all network，一種競爭機制，僅激活程度最高的神經元群能產生輸出而其余被抑制）的動態特性。少數主細胞出現矛盾性的多突觸興奮，其放電增加量足以抵消其他細胞的放電減少量，導致整體神經群體平均放電率不降反升。這一機制使得大腦能在認知過程中有效篩選攜帶信息的神經集群。研究發表在 Neuron 上。

#神經科學 #神經機制與腦功能解析 #海馬齒狀回 #光遺傳學 #認知機制

閱讀更多：

Hainmueller, Thomas, et al. “Dentate Gyrus Interneurons Modulate Winner-Take-All Network Dynamics in Freely Behaving Mice.” Neuron, vol. 0, no. 0, Apr. 2026. www.cell.com, https://doi.org/10.1016/j.neuron.2026.03.034

AI 行業動態

DeepSeek V4實測：編程碾壓、推理翻車？

國產AI明星DeepSeek近日發布新一代開源模型V4系列，包含主打極致性能的V4 Pro和更輕量快速的V4 Flash兩個版本。相比前代V3，V4將上下文窗口從128K大幅擴展至1M（百萬），并宣稱其自主代理編程能力已達到開源模型中的最強水平，推理性能與知識儲備也獲得全面升級。實測顯示，V4能快速搭建風格化的主題網站、生成包含游戲規則與經濟系統的在線小游戲原型，甚至在“鏡子舉手”這類誤導性推理題中表現優于ChatGPT-5.5。不過，在面對“親生父母結婚”等文字陷阱以及部分遺傳學邏輯題時，V4的首次反應仍顯“真誠”有余而精準不足，需額外提示才能走上正軌。

此次更新不僅在硬核能力上引發關注，還帶來了模型“性格”的顯著變化。此前因一次小版本更新而變得機械冷漠的DeepSeek（被網友稱為“D老師”），在V4中重新展現出豐富的情感色彩，能夠輸出千字安慰小作文，讓用戶感到熟悉的陪伴感回歸。V4 Flash版本在編程場景中表現不輸Pro版，且提供更經濟快捷的API服務，適合快速創意驗證。盡管在部分知識截止日期和封閉推理上仍有瑕疵，但整體上V4系列憑借強大的開源性能、多模態前端生成能力以及情感交互的提升，再次證明了DeepSeek攪動AI圈的實力。

#DeepSeekV4 #開源模型 #Agent編程 #推理能力 #情感AI

閱讀更多：

https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/

ICLR 2026揭曉獲獎論文：Transformer簡潔性研究與多輪對話困境獲杰出獎，DCGAN與DDPG斬獲時間檢驗獎

機器學習頂級會議ICLR 2026近日在巴西里約熱內盧舉行，公布了本屆獲獎論文。在約19000篇有效投稿中，兩篇研究獲“杰出論文獎”（Outstanding Paper Paper Award）。第一篇 Transformers are Inherently Succinct 從理論角度揭示，Transformer架構在表示某些概念時具有遠超有限自動機或線性時序邏輯（LTL，一種描述系統行為隨時間變化的邏輯語言）等標準方法的簡潔性，但這種強表達能力也導致對其性質的驗證在理論上不可處理（EXPSPACE-complete，指數空間完全問題，即所需計算資源隨問題規模指數級增長）。作者為Pascal Bergstr??er、Ryan Cotterell和Anthony Widjaja Lin。第二篇LLMs Get Lost In Multi-Turn Conversation聚焦大語言模型在實際部署中的短板：訓練主要基于單輪文本補全，而真實場景多為多輪對話。研究發現，當用戶指令不充分時，所有被測試模型在多輪交互中性能平均下降39%，且模型容易在對話早期過早做出錯誤假設并難以糾正。作者為Philippe Laban、Hiroaki Hayashi、Yingbo Zhou和Jennifer Neville。

本屆會議還頒發了“時間檢驗獎”（Test of Time Award），表彰ICLR 2016上發表的兩篇經久不衰的經典工作。第一篇是Alec Radford、Luke Metz和Soumith Chintala合著的 Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks （常稱DCGAN），它最早成功展示了基于學習的生成模型能合成多樣且逼真的復雜圖像，為當今活躍的圖像生成領域（雖然后來技術從生成對抗網絡GAN轉向擴散模型）奠定了關鍵基石。第二篇是Timothy P. Lillicrap、Jonathan J. Hunt、Alexander Pritzel、Nicolas Heess、Tom Erez、Yuval Tassa、David Silver和Daan Wierstra合著的 Continuous control with deep reinforcement learning ，該論文提出的深度確定性策略梯度（DDPG，一種能處理連續動作空間的深度強化學習算法）首次將神經網絡與確定性Actor-Critic架構結合，使智能體能從原始傳感器數據直接學習精確的連續物理動作，徹底改變了物理系統控制的研究軌跡，并引發了強化學習在該領域的革命。

#疾病與健康 #神經機制與腦功能解析 #阿爾茨海默病 #觸覺感知 #Tau蛋白

閱讀更多：

https://blog.iclr.cc/2026/04/22/announcing-the-test-of-time-awards-from-iclr-2016/

美國批準首個基因療法，有望治愈罕見遺傳性耳聾

美國衛生官員近日批準了首個用于治療罕見遺傳性聽力損失的基因療法，為聽力障礙治療領域帶來重大突破。該療法名為Otarmeni，由美國生物技術公司Regeneron（再生元）開發，針對因OTOF基因突變導致的聽力損失。OTOF基因負責編碼一種關鍵蛋白質，該蛋白質對于將聽覺信號從內耳傳遞至大腦至關重要。在美國，每年約有50名新生兒受此罕見病癥影響。臨床試驗評估了20名年齡在10個月至16歲之間的兒科患者，結果顯示至少80%的患者在數月后聽力得到顯著改善。參與試驗的醫生、波士頓兒童醫院的耳鼻喉科專家Eliot Shearer表示，FDA的加速批準“標志著遺傳性聽力損失治療進入了一個新時代”。

該療法通過外科醫生單次耳內注射完成，已被部分患兒家長譽為革命性突破。一位名叫Sierra Smith的母親激動地分享，她的兒子Travis在接受治療后，從聽不到自己的名字到如今能夠欣賞音樂、熱愛跳舞和樂器。盡管基因療法通常極其昂貴，在美國每名患者的費用可能高達數百萬美元，但Regeneron公司表示，將向符合條件的美國患者免費提供此療法。這一舉措無疑為受影響的家庭帶來了希望。隨著此次批準，該療法將適用于因OTOF基因特定突變導致重度至極重度聽力損失的兒童和成人，為未來其他遺傳性聽力損傷的治療鋪平了道路。

#基因療法 #聽力損失 #OTOF基因 #Regeneron #FDA批準

閱讀更多：

https://www.fda.gov/news-events/press-announcements/fda-approves-first-ever-gene-therapy-treatment-genetic-hearing-loss-under-national-priority-voucher

年收入首超OpenAI！Anthropic獲谷歌400億美元天價投資

人工智能公司Anthropic近日證實，科技巨頭谷歌已承諾向其投資最高達400億美元。根據協議，谷歌將先期投入100億美元，剩余300億美元將取決于Anthropic能否達成特定的業績里程碑。這項投資建立在雙方的深度合作基礎上，Anthropic將使用定制的谷歌芯片和云計算服務來驅動其人工智能技術。就在幾天前，亞馬遜也宣布了類似的加碼計劃，擬向Anthropic追加投資50億美元，并可能在未來根據業績目標再投200億美元。作為回應，Anthropic承諾未來十年將在亞馬遜網絡服務技術上投入超過1000億美元，以支撐其AI發展。

在巨額資本加持下，Anthropic的財務表現顯著提升。該公司4月初披露，其年化收入環比增長了兩倍，首次突破300億美元大關，超越了競爭對手OpenAI。與此同時，公司也面臨著安全與監管的復雜局面。其首席執行官Dario Amodei近期訪問了白宮，雙方就公司拒絕無條件向軍方開放AI模型一事進行了友好溝通。此外，Anthropic發布了最新AI模型Mythos，但因擔憂其被用于網絡攻擊等潛在的網絡安全風險，并未向公眾開放，僅限40家主要科技公司提前使用以修復漏洞。然而，公司本周表示正在調查對Mythos的未授權訪問事件，這款強大模型的安全性正受到密切關注。

#谷歌投資 #Anthropic #AI競賽 #AWS合作 #Mythos模型

閱讀更多：

https://www.bloomberg.com/news/articles/2026-04-24/google-plans-to-invest-up-to-40-billion-in-anthropic

AI 驅動科學

Nature：評估標準導致AI“胡說八道”

大語言模型的幻覺問題極大限制了其可靠性。OpenAI的Adam Tauman Kalai等發現，基于準確性的現行評估標準在系統性地鼓勵模型盲目猜測，這是加劇虛假信息產生的根源。

研究團隊從兩方面剖析了模型出錯的原因。在預訓練階段，基于下一個詞預測（next-word prediction，模型根據上下文推測下一個詞匯的訓練機制）的統計壓力使AI極易記錯罕見事實。在評估階段，主流基準測試的二元評分系統（答對得1分，答錯或放棄得0分）本質上獎勵了毫無根據的猜測。為解決該難題，團隊提出開放式評分標準（open-rubric，在提示詞中明確告知答錯扣分等懲罰規則的新型評估方法）。在對四個前沿大模型（Gemini 3 Pro、GPT-5、Grok 4和Claude Opus 4.5）的測試中發現，明確告知答錯會受到懲罰后，所有模型均能動態調整其猜測傾向。懲罰越重，模型越傾向于放棄回答。這證明優化評估機制能有效引導AI在不確定時保持謹慎，從而顯著提升可靠性。研究發表在 Nature 上。

#大模型技術 #大模型技術 #模型評估 #幻覺機制 #人工智能

閱讀更多：

Kalai, Adam Tauman, et al. “Evaluating Large Language Models for Accuracy Incentivizes Hallucinations.” Nature, Apr. 2026, pp. 1–3. www.nature.com, https://doi.org/10.1038/s41586-026-10549-w

新型人工視網膜不僅恢復視力，還能賦予近紅外視覺

視網膜變性會導致感光細胞退化進而引發失明，如何恢復患者視力并拓展視覺感知成為了該領域的重大挑戰。Won Gi Chung、Inhea Jeong等研究人員（韓國延世大學、基礎科學研究院等）開發出一種柔性植入式人工視網膜，該成果不僅能部分恢復盲鼠喪失的視力，還史無前例地賦予了它們感知近紅外光的能力。

? 近紅外感知人工視網膜示意圖，包含近紅外透射濾波器和光電晶體管陣列。Credit: Nature Electronics (2026).

研究團隊設計了一種貼附在視網膜前表面的超薄設備。其底層包含一個近紅外透射濾波器（NIR-transmission filter，一種能夠阻擋可見光并精準篩選近紅外光的薄膜組件）以及一個光電晶體管陣列（phototransistor array，能探測近紅外光信號并將其轉換為電信號的微型光敏網格）。為了將電信號無損傳遞給視網膜神經節細胞，團隊采用了液態金屬微柱電極（liquid metal micropillar electrodes，由柔軟且導電的液態金屬制成的三維微型柱狀結構）。該材料具有極低的楊氏模量（Young's modulus，衡量固體材料抗形變能力或柔軟度的物理力學指標），不僅能緊密貼附于不規則的視網膜表面以實現高效電荷注入，還能最大程度減少對眼部組織的硬性損傷。離體實驗證實了該設備的出色生物相容性。在活體實驗中，研究人員將設備成功植入健康小鼠和患有視網膜退行性疾病的盲鼠眼內。大腦皮層活動記錄和行為學測試的結果清晰顯示，小鼠成功感知到了原本不可見的近紅外光。這一重大發現表明，該植入設備不僅有望為失明患者重塑視覺，更能建立感知紅外輻射的全新感知途徑。研究發表在 Nature Electronics 上。

#疾病與健康 #腦機接口 #視網膜變性 #人工視網膜 #近紅外視覺

閱讀更多：

Chung, Won Gi, et al. “An Implantable Epiretinal Device for Near-Infrared Light Perception.” Nature Electronics, Apr. 2026, pp. 1–12. www.nature.com, https://doi.org/10.1038/s41928-026-01601-8

利用端到端AI框架實現RNA翻譯可編程控制

精準控制蛋白質表達是基因療法研發的重大難題。Le Cong和Mengdi Wang團隊（斯坦福大學與普林斯頓大學）構建了一個端到端的人工智能框架，成功實現了核酸翻譯元件的精準識別、進化優化與從頭生成，為下一代分子療法擴充了核心工具包。

研究團隊開發了包含三個核心組件的深度學習框架。首先，識別系統結合了擅長非翻譯區分析的語言模型和非編碼核糖核酸分析模型，在四萬多個標記序列上進行訓練。該系統在線性信使核糖核酸內部核糖體進入位點（IRES，一段能繞過傳統機制直接啟動翻譯的特殊RNA序列）的識別上，較現有最佳方法提升了百分之十五的準確度，并能完全識別已驗證的環狀RNA功能片段。其次，進化算法系統通過定向突變誘導序列功能，在三萬多個非功能序列的計算評估中，百分之六十被成功轉化為預測的功能序列。大規模并行報告實驗驗證了一萬兩千個突變序列，其中百分之九十八點四獲得了可檢測的翻譯啟動功能。最后，團隊使用擴散模型無需模板從頭生成全新序列。實驗證實該系統生成的一萬兩千個新序列中百分之九十九點三具備實質功能活性。該平臺發掘出諸多自然界罕見的高活性序列模式。研究發表在 Nature Machine Intelligence 上。

#AI驅動科學 #大模型技術 #RNA療法 #合成生物學 #內部核糖體進入位點

閱讀更多：

Chu, Yanyi, et al. “Programmable RNA Translation through Deep Learning-Driven IRES Discovery and de Novo Generation.” Nature Machine Intelligence, vol. 8, no. 4, Apr. 2026, pp. 559–74. www.nature.com, https://doi.org/10.1038/s42256-026-01213-z

trRosettaRNA2，精準預測RNA三維結構與動態構象

RNA分子的三維結構解析因其高度靈活性和實驗數據稀缺性，山東大學楊建益教授團隊（王文愷博士為論文第一作者）成功開發出全新的深度學習算法trRosettaRNA2，突破了數據的限制，不僅實現了高精度的RNA靜態三維結構預測，還能精準捕捉其復雜的動態構象。

該研究創新性地采用以二維藍圖指導三維施工的計算策略。由于真實的RNA三維結構數據非常有限，研究人員利用海量且易獲取的RNA二級結構數據，訓練出獨立的預訓練先驗模塊trRNA2-SS。在進行最終預測時，模型引入了二級結構感知注意力（SS-aware attention，一種使神經網絡能夠動態且有側重地參考二維藍圖特征來推演三維空間坐標的深度學習機制），結合一維序列生成最終的三維坐標以及構象異構體（conformers，指同一分子因內在物理靈活性而產生的不同三維空間排列狀態）。數據表明，trRosettaRNA2在TS28測試集上的預測精度較前代模型大幅提升了百分之二十四，物理合理性表現優于AlphaFold3。同時，該模型的參數量僅為約3000萬，顯著降低了計算成本。在嚴苛的CASP16國際盲測中，基于該算法的服務器成功奪得自動化組別冠軍。此外，該模型無需借助任何實驗數據，便成功推演出核糖核酸酶P的多種動態構象。研究發表在 Nature Machine Intelligence 上。

#AI驅動科學 #預測模型構建 #RNA三維結構 #計算結構生物學

閱讀更多：

Wang, Wenkai, et al. “Predicting RNA 3D Structure and Conformers Using a Pre-Trained Secondary Structure Model and Structure-Aware Attention.” Nature Machine Intelligence, Apr. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s42256-026-01223-x

智能超材料紡織品實現無電池連續血壓監測

目前可穿戴健康設備面臨頻繁充電和電池笨重的問題，如何實現連續無感監測？Selman A. Kurt和Kevin Albert Kasper及其團隊（新加坡國立大學、亞利桑那大學和清華大學）開發了一種新型無電池表皮傳感系統，成功通過超材料衣物實現了運動狀態下的連續血壓監測。

? 雙模超材料紡織品的照片展示了整體設計、腕部終端上的無線供電表皮傳感器以及用于無線供電和收集生理信號的智能手機。Credit: Kurt et al.

該系統由直接貼附在皮膚上的超薄表皮傳感器（epidermal sensors，一種輕薄柔韌且能采集特定生理信號的裝置）組成，完全拋棄了傳統的集成電池。研究人員創新性地設計出一種雙模超材料紡織品（dual-mode metamaterial textile，一種經過特殊結構設計可引導電磁能量傳輸的面料），并將其無縫集成到日常衣物中。這種超材料巧妙地將功率傳輸通道（13.56 MHz）和數據通信通道（2.4 GHz）隔離開來，有效避免了無線充電與數據采集之間的信號干擾。在實際運行中，用戶的智能手機充當系統樞紐，通過衣物上的超材料網絡向傳感器隔空輸送能量，同時實時接收生理數據。性能評估結果顯示，無論用戶處于靜息狀態還是在進行劇烈運動，該網絡都能以高保真度準確測量收縮壓。這一無源設計徹底打破了以往健康追蹤器的數據傳輸與續航瓶頸，為未來個性化醫療服裝的普及奠定了基礎。研究發表在 Nature Electronics 上。

#疾病與健康 #健康管理與壽命延長 #無電池可穿戴設備 #超材料紡織品 #連續血壓監測

閱讀更多：

Kurt, Selman A., et al. “A Battery-Free Wireless Epidermal Sensor Network for Continuous Systolic Blood Pressure Monitoring.” Nature Electronics, Apr. 2026, pp. 1–14. www.nature.com, https://doi.org/10.1038/s41928-026-01597-1

為什么更快的AI并不總是更好：延遲反而提升用戶感知質量

大語言模型響應越快，用戶體驗就越好嗎？紐約大學坦登工程學院的Felicia Fang-Yi Tan、Moritz Alexander Messerschmidt、Wen Yin和Oded Nov團隊通過實驗打破了這一傳統認知，發現人為引入的響應延遲反而能提升用戶對AI回答的質量感知。

研究團隊招募了240名參與者，通過定制界面進行了一項受控實驗。參與者被分配執行創造類或建議類任務，并在接收回復前經歷不同的系統響應時間（System Response Times，即系統從接收指令到首次輸出結果的等待期，本實驗設置為2秒、9秒或20秒）。系統日志顯示，用戶的實際交互行為不受響應速度影響，但在不同任務間差異顯著，例如創造類任務促使參與者提交更多輪次的提示。然而在質量感知上，經歷2秒延遲的參與者對大語言模型的評價普遍較低，認為其回答缺乏思考。相反，經歷9秒或20秒延遲的參與者對完全相同的回答評價更高，將其視為AI深思熟慮的體現。這種現象與正向摩擦的心理效應密切相關。該發現表明延遲本身可作為一種重要的交互設計變量，同時也引發了有關AI是否應通過人為操控等待時間來獲取用戶信任的倫理反思。研究發表在 Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems 上。

#認知科學 #大模型技術 #人機交互 #正向摩擦 #用戶感知

閱讀更多：

Tan, Felicia Fang-Yi, et al. “The Impact of Response Latency and Task Type on Human-LLM Interaction and Perception.” Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems [New York, NY, USA], CHI ’26, 2026, pp. 1–17. ACM Digital Library, https://doi.org/10.1145/3772318.3790716

Google DeepMind推出通用視覺基礎模型Vision Banana

生成模型是否能深入理解視覺內容長期未有定論。Valentin Gabeur、Shangbang Long和Songyou Peng等（谷歌DeepMind）推出通用視覺模型Vision Banana。該模型不僅保留了原本的圖像生成能力，還在二維與三維視覺理解測試中超越了多款專用模型。研究采用了指令微調的方法，將圖像生成模型Nano Banana Pro作為底層平臺。

其核心創新在于將不同視覺任務的輸出統一重構成 RGB 圖像。例如在單目度量深度估計（metric depth estimation 僅根據單張圖像預測每個像素點到攝像頭物理距離的任務）中，團隊設計了可逆的數值映射機制，將物理深度值編碼為對應的彩色像素。訓練時僅需在海量原有數據中混入極低比例的視覺理解數據。測試結果顯示，該模型不僅在零樣本條件下展現出強大泛化性，其在城市景觀語義分割任務中的交并比達到0.699，還在多項深度測試中平均精度高達0.929，均優于傳統領域的專業模型。此外在生成能力評測中，該模型與原模型的勝負率基本持平，證明輕量級微調有效兼顧了理解與生成。

#大模型技術 #其他 #計算機視覺 #圖像生成 #指令微調

閱讀更多：

Gabeur, Valentin, et al. “Image Generators Are Generalist Vision Learners.” arXiv:2604.20329, arXiv, 22 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.20329

蘋果新研究揭示大模型隱私隱患：你的Logits知道些什么？

視覺語言模型在回答簡單問題時是否徹底過濾了無關的隱私信息？Masha Fedzechkina、Eleonora Gualdoni、Rita Ramos與Sinead Williamson（蘋果公司）探究了模型信息壓縮過程，發現模型輸出的表層候選詞概率數據中殘留大量未提及的敏感細節，揭示了潛在的嚴重隱私安全隱患。

該研究基于信息瓶頸原則（Information Bottleneck Principle，即模型應在決策時保留關鍵指標并過濾無效干擾），對視覺語言模型進行測試。團隊使用探針監測模型內部數據，并在圖像數據集中施加高斯噪聲。對比殘差流與最終的對數幾率后，研究揭示了嚴重的安全隱患。底層狀態保留了圖像全部細節，而最終輸出層雖經過壓縮，但排名前列的候選詞得分依然會泄露隱私。實驗表明，僅截取前三十到八十個表層候選項，探針就能以極高準確率預測出提示詞中未提及的目標材質及背景物體特征。這證實獲取表層數據的隱私泄露風險與獲取深層數據的風險幾乎完全相當。

#大模型技術 #計算模型與人工智能模擬 #視覺語言模型 #隱私泄露 #信息瓶頸原則

閱讀更多：

Fedzechkina, Masha, et al. “What Do Your Logits Know? (The Answer May Surprise You!).” arXiv:2604.09885, arXiv, 10 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.09885

深度學習的牛頓定律：14名頂尖學者提出學習力學統一理論框架

深度學習長期以來高度依賴工程直覺與實驗試錯，缺乏解釋其內部機制的基礎科學理論。加州大學伯克利分校、哈佛大學和斯坦福大學的Jamie Simon、Daniel Kunin和Alexander Atanasov等十四名研究人員梳理了現有的理論碎片，提出了一種名為學習力學（Learning Mechanics，旨在為神經網絡學習過程建立第一性原理的科學框架）的全新基礎理論體系。

研究團隊系統梳理了過去十年的理論成果，提煉出構建學習力學的五大核心線索。首先是可解的理想化設定，如深度線性網絡（Deep Linear Networks，將激活函數替換為恒等映射的簡化神經網絡）和神經正切核（Neural Tangent Kernel，描述無限寬網絡在訓練中行為的固定核函數），它們提供了基礎且可精確求解的理論模型。其次是可處理的極限分析，探討網絡趨于無限寬時的行為演變，例如參數幾乎不改變的惰性訓練狀態與特征發生實質改變的豐富狀態。第三是跨越模型架構的經驗定律，如神經縮放律（Neural Scaling Laws，模型測試損失隨計算量增加呈現冪律衰減的普遍規律）。第四是超參數理論，例如最大更新參數化（Maximal Update Parameterization，通過特定縮放規則實現超參數在不同規模模型間直接遷移的方案）。最后是表征收斂現象，即不同網絡最終會學到高度相似的內部特征。研究結果不僅搭建了理論圖景，還梳理出非線性動力學解析等十項關鍵難題。

#大模型技術 #其他 #深度學習理論 #學習力學

閱讀更多：

Simon, Jamie, et al. “There Will Be a Scientific Theory of Deep Learning.” arXiv:2604.21691, arXiv, 23 Apr. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2604.21691

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫院、上海市精神衛生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、科普視頻媒體「大圓鏡」等。