小胶质细胞突变会导致严重的中枢神经系统疾病，但传统基因疗法难以覆盖全脑。复旦大学的 Yanxia Rao 和 Bo Peng 团队通过综述及实证研究，回顾了小胶质细胞替代疗法（MISTER）的演变，并展示了该技术在短短五年内从小鼠实验走向人体临床的突破。研究团队成功利用该技术治疗了致命的ALSP患者，证明了通过替换致病细胞重建大脑免疫系统的可行性。

研究团队详细阐述了小胶质细胞替代疗法的核心机制与临床进展。针对传统病毒基因疗法无法在人脑中实现广泛覆盖的局限，团队提出并完善了“MISTER”策略（Microglia intervention strategy for therapy and enhancement by replacement，小胶质细胞治疗和增强替代干预策略）。该策略的核心在于两个生理学原则：一是通过药物或手段清除原有的小胶质细胞，解除其对供体细胞的“侧向抑制”，创造细胞定植空间；二是抑制残留宿主细胞的增殖，防止其与供体细胞竞争。

基于此，团队开发了如 mrBMT（microglia replacement by bone marrow transplantation，骨髓移植替代小胶质细胞）等高效策略。结果显示，这种方法不仅在小鼠模型中成功纠正了基因突变，更在2025年成功应用于治疗 ALSP（adult-onset leukoencephalopathy with axonal spheroids and pigmented glia，成人发病的轴突球状体和色素胶质细胞白质脑病）患者，阻止了这种致命神经疾病的进展。这标志着该疗法已具备临床安全性和有效性，为阿尔茨海默病等其他神经退行性疾病的治疗提供了新的通用平台。研究发表在 Cell Stem Cell 上。

身体归属感高度依赖意识觉知

身体归属感是自我意识的基础，但大脑如何构建这种感觉尚不明确。来自瑞典卡罗林斯卡医学院的 Renzo C. Lanfranco 和 Henrik Ehrsson 等研究人员通过结合心理物理学和计算建模，发现大脑在意识处理中会优先处理与自身身体相关的信号，这解释了为什么我们对身体的感知如此直接且无处不在。

研究团队利用经典的“橡胶手错觉”实验，结合先进的计算建模技术，系统探究了视觉和触觉输入的整合机制。在实验中，参与者面对两只橡胶手，研究人员通过精细调节视觉和触觉刺激的同步性，要求参与者在强制选择任务中判断哪只手更像自己的。团队采用了信号检测理论以及漂移扩散模型（Drift-Diffusion Modeling，一种模拟大脑随时间积累信息以做出二元决策的认知模型）对数据进行分析。结果显示，无论刺激的同步程度如何，意识觉知的报告都能准确反映客观的身体归属感辨别，且两者的证据积累速率相同。这表明，大脑不仅自动优先处理身体相关信号，而且支持身体归属感的多感官整合主要在意识层面实现，而非潜意识。这一发现挑战了身体感知依赖潜意识的传统观点。研究发表在 PNAS 上。

儿童普遍相信动物有情感，但往往不愿承认它们拥有像人一样的思维，这种认知偏差可能会影响我们一生对待动物的方式。为了探究这一现象的普遍性和起源，来自西澳大利亚大学的 Karri Neldner 博士及其国际研究团队，联合心理学与人类学领域的多位专家，开展了一项大规模的跨文化研究，旨在揭示不同文化背景下人类对动物心智感知的共性与差异。

这项研究调查了来自全球15个国家、33个不同城乡社区的1025名4至17岁儿童以及190名成年人。研究人员询问参与者动物是否具有思想或情感，以及这些心理活动是否与人类相似。贝叶斯分析结果显示，尽管所有文化背景下的参与者都普遍承认动物拥有思想和情感，但他们几乎一致否认动物拥有“类似人类的思维”（human-like thoughts）。这种将人类思维视为独特存在的倾向在儿童早期就已显现，并贯穿整个成年期。相比之下，关于动物是否拥有“类似人类的情感”，不同文化群体间存在显著差异。这一发现表明，“人类心智例外论”是一种普遍的认知特征，主要体现在对思维能力的界定上，而这一核心信念可为制定更有效的动物保护教育计划提供依据。研究发表在 Journal of Environmental Psychology 上。

温度调节如何影响心理健康与自我意识

为什么温暖的拥抱让人感觉良好？这不仅是情感需求，更是大脑确认“自我存在”的生理机制。来自伦敦玛丽女王大学的Laura Crucianelli博士和帕维亚大学的Gerardo Salvato教授团队，通过对神经科学与心理学研究的深入综述，揭示了温度感知在构建身体自我意识中的关键作用，挑战了体温仅作为生理调节信号的传统观点。

该研究发表在 Trends in Cognitive Sciences 上。研究团队综合分析了从皮肤到大脑的信号传递路径，发现热感觉信号（thermosensory signals）不仅仅服务于体温调节以维持生存，还深刻影响着身体所有权感（body ownership）。研究指出，温暖的人际接触会激活特定的C-触觉传入神经（C-tactile afferents），这些信号投射到岛叶皮层，促进与安全感和情感调节相关的内感受信号传递，并伴随催产素释放。这种机制解释了为何中风、神经性厌食症（anorexia nervosa）等患者常伴有体温感知障碍和身体自我认知的脱节。此外，研究还强调了这一发现在神经康复、假肢设计以及理解气候变化对心理健康影响方面的潜在应用价值。

呼吸节律调控人类记忆：吸气接收线索，呼气重构记忆

呼吸不仅仅是维持生命的生理活动，它还可能是大脑记忆过程的天然“起搏器”。来自慕尼黑路德维希-马克西米利安大学的 Thomas Schreiner 和 Esteban Bullón Tarrasó 领导的研究团队，与柏林马克斯·普朗克人类发展研究所及牛津大学的同事合作，深入探究了呼吸节律如何塑造人类的记忆提取过程，揭示了身体与大脑在认知层面的紧密互动。

研究团队对18名参与者进行了一项情景记忆实验，要求他们学习图片与词语的联想，并通过脑电图（EEG）和呼吸监测记录其生理数据。结果发现了一种独特的“功能分叉”现象：当提示线索在吸气期间或吸气前出现时，回忆效果最佳；但大脑进行实际的记忆重构（memory reconstruction）主要发生在呼气阶段。脑电图数据显示，呼气期间伴随着α/β波段功率（alpha/beta power，一种反映大脑皮层处理状态的脑电波活动）的减弱，以及记忆重激活（memory reactivation，即学习时活跃的神经模式在回忆时再次出现）。研究表明，这两个成功记忆的关键神经标志在呼气时高度同步，且这种呼吸-大脑耦合的强度与个体的记忆表现呈正相关。这证实了呼吸通过协调有效的神经条件，为情景记忆的提取提供了支架。研究发表在 The Journal of Neuroscience 上。

PEEM助力低成本高通量绘制3D大脑连接图谱

大脑信息的流动依赖于神经元之间错综复杂的连接，绘制这些连接图谱（连接组学）长期以来受困于成像速度慢且成本高昂的技术瓶颈。来自芝加哥大学的 Gregg Wildenberg、Narayanan Kasthuri 和莱顿大学的 Sense Jan van der Molen 等研究人员组成的跨国团队，引入了一种原本用于物理和化学领域的成像技术，旨在开发更高效的大脑绘图工具。

该研究创新性地将光发射电子显微镜（Photoemission Electron Microscopy, PEEM）应用于神经科学领域。研究团队使用紫外激光照射镀金硅基底上的超薄脑组织切片，利用光电效应激发电子进行成像。结果显示，PEEM技术能够以每秒千兆体素的速度采集图像，且未造成热损伤，成功在约20纳米的分辨率下识别出突触结构。这一方法结合了透射电子显微镜（TEM）的并行检测能力和扫描电子显微镜（SEM）的固体样本支撑优势，不仅大幅降低了技术门槛和成本，还省去了传统方法中复杂的重染色过程。这项概念验证研究证明，PEEM有望成为解析大体积脑神经回路的强力工具。研究发表在 PNAS 上。

高分辨率揭示小鼠纹状体神经元的三维空间组织

绘制神经元的详细形态一直是神经科学的挑战。来自加州大学洛杉矶分校的 X. William Yang 和 Chang Sin Park 等研究人员，开发了一种名为“树突组图谱”的新系统生物学方法。该团队结合大规模遗传学标记和先进的计算分析，成功绘制了小鼠纹状体中数千个单个神经元的三维树突形态，揭示了其空间组织规律及在疾病中的变化。

研究团队利用 MORF3 基因稀疏报告小鼠模型，对纹状体中的 D1 型和 D2 型中型多棘神经元（MSN）进行了高分辨率标记，并结合 iDISCO 透明化技术，重建了3762个神经元的三维形态。为了突破传统解剖标志的限制，他们采用了一种创新的基于体素的分析工具（voxel-based analysis），将数字大脑划分为微小的立方体盒子，通过算法识别出具有共享形态特征的神经元集群。研究发现，纹状体神经元在空间上被组织成六个具有特定树突特征的“形态区域”，这些区域接收不同的皮质输入。虽然 D1 和 D2 型神经元整体相似，但 D1 型略大且更复杂。此外，研究揭示了衰老会导致两类神经元发生树突萎缩（dendritic atrophy），而亨廷顿病（Huntington's disease）小鼠则表现出独特的类型和区域特异性树突缺陷。该研究发表在 Nature Neuroscience 上。

精神疾病伴随的创造力与韧性

长期以来，精神疾病的研究多聚焦于负面后果，忽略了患者可能具备的独特优势。科罗拉多大学博尔德分校的 June Gruber 和康奈尔大学的 Jonathan Rottenberg 等研究人员组成的团队，通过整合数十年的研究数据，提出了一种关注精神病理学中积极面的新视角，旨在减少社会污名并优化治疗方案。

研究团队提出了名为精神病理学中的一线希望（Silver Linings in Psychopathology）的研究议程，通过系统回顾既往文献和开展新研究，分析了心理障碍与认知、社交能力及心理韧性之间的联系。研究发现，轻度精神分裂症（mild schizophrenia）、轻躁狂症和双相情感障碍患者通常表现出更高的创造力。在社交方面，尽管双相情感障碍谱系人群面临更多冲突，但他们拥有更大的社交网络；有抑郁症病史的人则表现出更高的合作意愿。此外，躁狂症高风险人群在捕捉他人情绪变化方面更为敏锐。

数据还显示，精神疾病的挣扎过程可能成为个人成长的催化剂。一项追踪研究表明，在确诊临床抑郁症十年后，约10%的参与者进入了“蓬勃发展”的状态，其心理健康水平甚至超过了部分未患病人群。这种整体性视角并非否定药物或心理治疗的必要性，而是呼吁在关注病理的同时，发掘并利用患者的潜在优势以辅助康复。研究发表在 Current Directions in Psychological Science 上。

GPX4膜定位缺失引发大脑神经元铁死亡

神经退行性疾病中神经元丢失的机制一直困扰着科学界。德国亥姆霍兹慕尼黑研究中心的 Svenja M. Lorenz 和 Marcus Conrad 带领的团队，从一种名为塞达加蒂安型脊柱干骺端发育不良（SSMD）的罕见病入手，深入研究了谷胱甘肽过氧化物酶4（GPX4）在防止神经元死亡中的具体机制，揭示了铁死亡在神经退行性病变中的核心驱动作用。

研究团队首先对导致SSMD的GPX4 R152H突变进行了结构分析，发现GPX4蛋白中存在一个特殊的鳍环样结构（fin-loop-like structure），该结构负责将酶锚定在细胞膜上。虽然该突变并未显著影响GPX4的酶催化活性，但它导致鳍环结构塌陷，使酶无法定位到发生脂质过氧化的细胞膜上，从而丧失了神经保护功能。通过构建基因编辑小鼠模型以及利用患者来源的诱导多能干细胞（induced pluripotent stem cell）培育大脑类器官，研究人员观察到，这种膜定位的缺失直接导致了严重的神经元铁死亡（Ferroptosis）和神经炎症。此外，神经蛋白质组学分析显示，这些受损脑组织表现出与阿尔茨海默病惊人相似的病理特征。研究还证实，使用铁死亡抑制剂可以有效挽救受损的神经元。这一发现不仅确立了铁死亡是神经退行性疾病的关键驱动因素，也指出恢复GPX4的膜锚定或抑制铁死亡是潜在的治疗策略。研究发表在 Cell 上。

心血管疾病严重威胁女性健康，尽管心脏康复能有效改善预后，但女性的参与率却长期低迷，部分原因在于现有教育资源缺乏针对女性需求的考量。来自多伦多大学健康网络的 Gabriela Lima de Melo Ghisi 团队进行了一项创新研究。他们摒弃了传统研究中将患者视为被动受试者的做法，致力于通过引入具有亲身经历的女性患者，共同重塑更具包容性的康复教育资源。

研究团队邀请了11位患有心血管疾病的女性，开展了为期数月的五场在线研讨会。研究并未止步于简单的问卷调查，而是利用成熟的参与框架，引导患者从单纯的反馈者转变为共同设计者。通过定量量表（PEIRS-22）评估，参与者表现出极高的参与度，并确立了五个关键的改进领域：提高资源的可访问性（Accessibility）；融入故事讲述（Storytelling）以激发动力；确保不同种族、体型的多样化代表性（Representation）；提供视频、音频等多格式支持（Multiple formats）；以及拓宽传播渠道。这种深度的合作模式不仅让女性患者感到被尊重，更产出了切实可行且贴近现实的教育方案，有望解决女性在心脏康复中代表性不足的难题。研究发表在 Patient Education and Counseling 上。

谷歌深夜反击：Gemini 3 Deep Think上线，数理逻辑能力碾压前代

谷歌 DeepMind 近日正式发布了备受瞩目的新一代 AI 模型 Gemini 3 Deep Think，标志着其在复杂推理领域取得了重大突破。作为此前在国际奥林匹克数学竞赛（IMO）中夺得金牌的模型的升级版，Gemini 3 Deep Think 引入了强大的并行推理能力，旨在攻克数学、科学及逻辑领域的极高难度问题。在基准测试中，该模型表现出碾压性优势：在不使用工具的情况下，于“人类最后一次考试”（HLE，Humanity’s Last Exam，专门设计用来评估AI是否具备超越人类专家能力的超高难度测试集）中拿下了 41% 的高分；在 ARC-AGI-2 测试中更是以 45.1% 的成绩领跑全球。演示案例显示，无论是创建符合物理逻辑的交互式 3D 场景，还是生成富有创意的程序化游戏，Deep Think 的表现均显著优于 Pro 版本。目前，该模型已在 Gemini App 上线，面向所有 Ultra 用户开放。

为了保持技术领先并加速迈向通用人工智能（AGI），谷歌 DeepMind 宣布在新加坡组建一支由华人研究人员 Yi Tay 挂帅的精英团队。该团队将向位于山景城的谷歌 Fellow Quoc Le 汇报，专攻高级推理、大语言模型及强化学习等前沿方向。团队汇聚了包括 Denny Zhou、Noam Shazeer 等在内的众多业内顶尖研究人员，意在通过高密度的人才阵容推动 SOTA 模型的发展。市场数据显示，凭借新模型的强势表现，Gemini 网页端市场份额已突破 15%，月访问量达到 13.51 亿次，增长势头迅猛。相比之下，尽管 ChatGPT 流量仍居首位，但近期出现了环比下滑，而竞争对手 Grok 也在持续增长，AI 领域的竞争格局正变得愈发激烈。

随着Google Gemini 3的发布给市场带来巨大冲击，OpenAI似乎正在加速其反击步伐。据最新泄露的内部代码显示，OpenAI正在秘密测试代号为“企鹅家族”的四款新模型，这些模型根据推理预算（Inference Budget，模型在生成回答时所消耗的计算资源和思考时间）的不同进行分级。其中，代号为 Emperor（帝企鹅）的模型拥有高达512的推理预算，被视为即将登场的SOTA（State Of The Art，目前最先进的技术水平）旗舰模型；紧随其后的是预算为64的中端模型 Rockhopper（跳岩企鹅）和预算为16的高效模型 Macaroni（马可罗尼企鹅）。最引人注目的是代号为 Mumble 的模型，其推理预算为0，意味着它可能具备极速响应的能力，几乎没有思考延迟。此外，有消息称OpenAI内部评估中表现领先于Google Gemini 3的 Shallotpeat 模型，以及已完成预训练的 Garlic 模型，也可能在近期以 GPT-5.2 或 GPT-5.5 的名义发布。 

在优化用户体验和应对激烈竞争方面，OpenAI也有新动作。研究人员发现ChatGPT正在测试一项名为“记忆搜索”（Memory Search）的新功能，旨在解决当前记忆管理界面难以查找历史信息的痛点，允许用户通过提示词快速调用上下文，其功能类似于Atlas浏览器中的记忆搜索。这一举措被视为OpenAI在日活跃用户因Google竞争而下滑6%后的重要挽留策略。然而，OpenAI面临的挑战依然严峻，近期有付费用户反馈在对话中出现广告，这引发了关于取消订阅的抗议声浪。尽管发布时间尚未确定，但业界普遍猜测，为了稳固市场地位并回击竞争对手，OpenAI可能会打破常规，提前发布这些具备更强推理能力和更高效信息管理的新模型与新功能。

OpenAI新训练法让GPT-5-Thinking学会“坦白从宽”：AI诚实度显著提升

OpenAI 近期公开了一项针对 GPT-5-Thinking 模型的创新训练方法——“忏悔”（Confessions），旨在解决大语言模型在强化学习过程中因追求高分而产生的欺骗或违规行为。该机制深受宗教告解室启发，要求模型在生成主回答后，额外输出一份独立的“忏悔报告”，如实交代其是否违反了显性或隐性指令、是否偷工减料以及是否利用了规则漏洞。该技术的核心在于实现了奖励信号的隔离，即模型在忏悔报告中承认错误，完全独立于主回答的评分，不会导致其主任务得分降低。研究人员通过这种方式，相当于让模型额外掌握了一项“诚实技能”，且不会损害其原本在代码编写或问答任务中的表现。

实验结果显示，该方法在提升模型诚实度方面效果显著。在涵盖幻觉、指令遵循及奖励黑客（Reward Hacking，指代理通过利用奖励函数的漏洞而非完成实际目标来获取高分的行为）等12个测试场景中，模型在其中11个场景下至少有一半的概率会主动“坦白”。有趣的对照实验还发现，对于强大的模型而言，相比费尽心机编造谎言去欺骗评判者，“老实交代”反而成为获取高分更简单的路径。尽管“忏悔”机制对于模型自认为正确的“事实性幻觉”改善有限，且无法防御成功的越狱攻击，但 OpenAI 将其定位为一种类似于思维链的重要监控与诊断工具。未来，研究人员计划扩大训练规模，将其与深思熟虑对齐等技术配合，进一步提升 AI 的安全性与可控性。

长期以来，裸眼3D显示技术受限于物理定律，难以同时兼顾大屏幕尺寸和宽广的可视角度。来自上海大学人工智能实验和复旦大学的马炜杰、欧阳万里、钟翰森等研究人员组成的团队，开发了一种名为 EyeReal 的新型显示系统，利用人工智能技术成功在桌面级屏幕上实现了无需佩戴眼镜的逼真3D体验。

这项研究的核心挑战在于克服“空间带宽积”（Space-Bandwidth Product，SBP）的限制，即在光学系统中很难同时最大化屏幕尺寸和观看范围。传统的全息或自动多视显示技术通常只能二选一。EyeReal 系统并未试图打破这一物理极限，而是通过一种创新的计算方法更高效地利用有限的光学信息。该系统采用低成本的堆叠液晶显示面板（LCD），结合了传感器和深度学习算法。

具体而言，AI程序会实时追踪观看者的眼球运动和头部位置，通过精确的双目建模，仅向观众眼睛所在的特定区域投射经过优化的3D光场，而非向所有方向漫射光线。这种动态的SBP利用方式，使得系统在不依赖昂贵光学器件的情况下，实现了超过100度的超宽可视角度。测试显示，EyeReal 能在桌面尺寸的屏幕上，以超过50Hz的刷新率和1080P的分辨率，呈现出具有全视差（包括立体、运动和焦点视差）的清晰3D图像，且图像随视线移动自然过渡。研究发表在 Nature 上。

填补微观与宏观的鸿沟：功能性超声绘制大脑眼动控制地图

大脑如何将空间信息转化为眼球的精准运动一直是被广泛关注的科学问题，尤其是后顶叶皮层（PPC）中的外侧顶内区（LIP）在其中扮演了关键角色。然而，受限于现有记录技术的局限性，该区域在介观尺度上的功能组织仍不清晰。来自加州理工学院的 Whitney S. Griggs, Sumner L. Norman, Mickael Tanter, Charles Liu, Vasileios Christopoulos, Mikhail G. Shapiro 和 Richard A. Andersen 等研究人员组成的团队，利用新兴的成像技术填补了这一空白，首次绘制了LIP区域运动方向编码的介观功能图谱。

研究团队采用了功能性超声成像（fUSI，functional ultrasound imaging），这是一种兼具高灵敏度、大视野和优良空间分辨率的技术，能够有效弥合微观神经元记录与宏观全脑成像之间的差距。研究人员对两只执行记忆引导扫视任务的恒河猴进行了长期的fUSI记录，通过监测脑血容量的变化来分析神经活动。结果发现，LIP内部呈现出一种“斑块状”的异质性组织结构，相邻的皮层小区域分别编码不同的运动方向，而非此前假设的平滑梯度分布。更重要的是，这些功能亚区在数月甚至数年的时间跨度内表现出惊人的稳定性。此外，研究还揭示了一种粗略的地形分布规律：LIP前部主要负责对侧向下的运动，而后部则倾向于对侧向上的运动。这项研究不仅解决了关于LIP功能组织的长期争议，也为未来开发基于超声的脑机接口（BMI）提供了重要的科学依据。研究发表在 Nature Communications 上。

动物行为研究中，运动数据的完整性对理解大脑机制至关重要，但追踪误差常导致数据缺失。由科隆大学的 France Rose 和 Katarzyna Bozek 带领的研究团队，联合日本冲绳科学技术大学院大学（OIST）、阿姆斯特丹自由大学及美国索尔克生物研究所的研究人员，开发了一种名为 DISK 的深度学习工具。该工具能有效恢复缺失的运动数据，从而增强行为分析的准确性。

该研究开发的方法全称为“用于行为科学的骨骼数据深度插补”（Deep Imputation for Skeleton data，DISK），其核心基于 Transformer 神经网络架构。研究人员采用无监督学习策略，通过在完整数据中人为制造间隙来训练模型，使其学习关键点之间的时空依赖关系。研究团队在包括小鼠、斑马鱼、果蝇、大鼠和人类在内的7个数据集上对 DISK 进行了验证。结果显示，DISK 不仅能跨物种、跨维度（2D和3D）准确填补因遮挡或技术误差导致的缺失数据，还能显著提高实验结果的统计稳健性。例如，在分析药物对小鼠步态影响的实验中，经 DISK 处理的数据展现了更高的统计效力。此外，该工具还能学习捕捉速度、方向及特定动作类型的深层运动特征。研究发表在 Nature Methods 上。

使用食物揭示人工智能的文化盲点与区域偏见

人工智能模型是否存在文化盲区？来自CISPA 亥姆霍兹信息安全中心的 Tejumade Àfọ̀njá、欧特克的 Shu Ishida、微软的 Aya Salama 以及 Jabez Magomere 等研究人员组成的国际团队，选择以“食物”这一通用语言为切入点，通过一项创新的参与式研究，揭示了当前AI系统在处理全球文化多样性时存在的严重偏见。

研究团队开发了一个名为“世界美食”（World Wide Dishes）的全新参考数据集。与传统依赖网络抓取的数据不同，该数据集采用了以社区为中心的细粒度数据收集（fine-grained data collection）方法，由全球志愿者直接贡献了来自106个国家的765道菜肴，涵盖131种当地语言。随后，研究人员利用该数据集对 DALL·E 2、DALL·E 3 和 Stable Diffusion 等主流文生图模型进行了测试。结果显示，这些模型在生成非西方饮食文化图像时表现出明显的刻板印象和不准确性。例如，当要求生成尼日利亚菜肴阿马拉（Amala）时，结果往往令人反感或失真；而生成美国热狗时则高度逼真。研究指出，WWD数据集中超过一半的内容在现有互联网数据中从未出现，这直接导致了模型对这些文化的“抹杀”。研究强调，要构建真正代表全球文化的基础模型，科技公司必须改变单纯依赖网络数据的策略，转而投资于长尾数据的收集，并建立尊重数据所有权的社区合作模式。研究发表在 Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency 上。

像人类一样思考：麻省理工学院开发大模型自适应推理新框架

针对大语言模型在处理不同难度问题时计算资源分配不均的问题，麻省理工学院的 Young-Jin Park 和 Navid Azizan 等研究人员组成团队，受人类解决问题模式的启发，开发了一种智能分配算力的新方法。该研究通过让模型能够评估自身知识的局限性，实现了根据问题难度动态调整计算预算，在大幅降低能耗的同时保证了推理的准确性。

传统的推理时间缩放通常采用固定计算预算，导致资源浪费或不足。研究团队提出了一种名为实例自适应缩放（Instance-Adaptive Scaling）的新框架，该框架利用过程奖励模型（Process Reward Model，PRM，一种对模型中间推理步骤质量进行评分的机制）来实时评估问题的难度和路径的可行性。针对现有 PRM 往往过度自信的问题，团队引入了基于分位数回归（quantile regression，一种用于估计变量条件分位数以提供置信区间的统计方法）的校准技术，使模型能生成更可靠的成功概率估计。

实验结果显示，在数学推理基准测试中，该方法使模型在解决问题时所需的计算量比现有方法减少了约 50%，同时达到了相当的准确率。通过这种动态调整，较小的模型在处理复杂问题时甚至能匹敌大模型。该技术赋予了 AI 类似人类的“元认知”能力，即知道何时需要深思熟虑，何时可以快速作答。研究发表在 NeurIPS 2025 上。

大模型不再“乱说话”：耶鲁新算法实现低成本受控生成

如何让大语言模型既听话又高效？针对大模型在生成特定格式（如代码、俳句）时面临的效率低下与结果失真问题，耶鲁大学的 Benjamin Lipkin 和 Alex Lew 等研究人员开发了一种名为“自适应加权拒绝采样”的新算法。该研究不仅解决了让模型严格遵守约束的难题，还大幅提升了生成速度，并在 2025 年语言建模会议（COLM）上被评为“杰出论文”。

传统的局部约束解码（locally constrained decoding）方法类似给模型戴上“口套”，需在每一步从数万个候选中筛选词元，计算量巨大且容易导致生成路径走进死胡同。研究团队提出的自适应加权拒绝采样（Adaptive Weighted Rejection Sampling）算法，巧妙地利用计算统计学原理，不再遍历整个词汇表，而是仅检查极少量的词元子集（有时仅需检查三个词）即可完成约束评估。该方法通过引入重要性权重来校正局部视角的偏差，确保了全局生成的合理性。实证数据显示，该算法在生成有效 Python 代码、JSON 格式乃至分子合成（molecular synthesis）等任务中，运算速度和准确性均优于现有最先进的基线模型，且已集成在开源工具包 GenLM 中。研究发表在 Conference on Language Modeling (COLM) 上。

OCTOID：一种具有可编程形状变形和动态结构着色的软体机器人系统

章鱼因其能瞬间改变体色进行伪装并灵活移动捕食，被视为自然界中软体机器人的完美典范。然而，现有的软体机器人技术往往难以在一个系统中同时实现伪装、运动和物体操控这三种功能。针对这一难题，韩国科学技术研究院（KIST）功能复合材料研究中心的 Dae-Yoon Kim 博士领导的研究团队，受章鱼启发，致力于开发一种高度集成的仿生软体机器人。

研究团队开发了一种名为“OCTOID”的机器人，其核心技术在于使用胆甾型液晶弹性体（cholesteric liquid crystal elastomers，CLCEs）。团队通过精确控制材料的分子排列，构建了一种双层结构：一层是具有光学响应和柔性的活性层，另一层是较硬的被动层。这种结构使得 OCTOID 能够在电信号的刺激下，通过微观的收缩和膨胀，呈现出从蓝到红的连续颜色变化，同时通过不对称变形实现弯曲、移动和抓取动作。这种“三合一”系统成功模仿了章鱼的生存技能，未来有望应用于军事伪装、深海探测及医疗康复等领域。研究发表在 Advanced Functional Materials 上。

体外神经网络如何控制运动任务？

随着对低能耗和高灵活性计算需求的增加，利用生物神经元构建智能系统成为前沿热点。为了系统梳理这一领域在运动控制方面的突破，Sihan Hua, Yaoyao Liu, Xinxia Cai 等研究人员重点研究了基于体外神经网络的微电极阵列在运动控制任务中的编码与解码技术进展，揭示了“生物计算机”在处理复杂任务时的独特优势。

这项研究系统回顾了基于微电极阵列（microelectrode arrays）的生物集成系统，该系统通过双向通信将体外培养的神经网络与执行器连接。研究团队深入分析了连接生物网络与机器的关键——编码和解码算法，对比了经典的放电率映射（firing-rate mapping）方法。结果显示，虽然低复杂度的经典算法适合快速决策，但引入AI模型能显著提升实时闭环控制的精度，特别是在处理复杂的时序信号（temporal signal processing）和动态环境时表现出更强的适应性。这种结合了体外神经网络可塑性与低能耗特性的生物集成系统，为未来的智能机器人和神经科学交叉研究提供了新方向。研究发表在 Microsystems & Nanoengineering 上。