神经元如何管理远距离的遗传指令以支持复杂的学习和记忆功能？弗吉尼亚理工大学弗拉林生物医学研究所的Renesa Tarannum和Shannon Farris团队发现，大脑神经元中的信使RNA（mRNA）聚集主要是因为数量丰富，而非此前认为的以协调的群体形式移动。这一发现揭示了神经元内部物流的简单规则。

研究团队利用高通量单分子荧光原位杂交（HiPlex smFISH）技术，在小鼠海马组织中对15种关键的mRNA分子进行了高精度的空间成像。通过测量66种不同mRNA组合的空间分布，研究人员发现，mRNA在神经元突起中的聚集并非源自复杂的“打包”机制，而是遵循基于丰度的随机相互作用。换言之，细胞产生的某种mRNA越多，它们在空间上与其他mRNA重叠的概率就越高。这一发现挑战了mRNA以特定功能组合进行运输的传统观点，表明系统具有更高的灵活性。该研究不仅阐明了支持突触可塑性的基础生物学机制，也为理解脆性X综合征（Fragile X syndrome）等神经发育障碍中分子信号传递的故障提供了新的视角。研究发表在 eNeuro 上。

柔性“光贴片”让小鼠学会人造第六感

如何让大脑在不依赖眼耳鼻舌身的情况下直接“读懂”外部信息？美国西北大学的Yevgenia Kozorovitskiy和John A. Rogers领导的跨学科团队，联合新加坡国立大学的Yang Yiyuan以及Wu Mingzheng等人，研发出一种革命性的无线脑机接口技术。该研究成功利用无需植入脑组织的光学装置，向大脑皮层传递复杂的数字信息，首次证明了大脑可以学习并理解完全人为构建的“光语言”来产生人工感知。

该研究团队开发了一种包含64个微型LED的柔性无线薄片装置，可紧密贴合于颅骨表面。研究利用光遗传学技术，配合能穿透颅骨的红光，实现了对皮层神经元的非侵入式调控。相比传统需要光纤插入脑组织的手段，这种经颅刺激方式完全在皮下运行，不损伤脑组织且不影响动物自由活动。在实验中，研究人员向小鼠大脑发送特定的光脉冲时空序列，类似于“神经电路上的摩斯电码”。结果显示，小鼠展现出惊人的学习能力，能够快速分辨不同的光模式并将其作为行为指令去寻找奖励。电生理记录证实，这种人工光模式在皮层中引发了与真实感官输入类似的分布式神经活动，表明大脑成功将这些人工信号转化为可理解的感知体验。这一技术为未来开发能够传递触觉、视觉反馈的智能假肢及神经康复疗法奠定了重要基础。研究发表在 Nature Neuroscience 上。

如果我们能够窥探大脑内部，观察它在我们行动或决策时如何组织信息会怎样？Ken Ishihara和Hideaki Shimazaki所在的团队（京都大学、北海道大学）开发了一种新的统计框架，利用热力学原理描述神经元的集体动力学。他们发现，神经元在计算过程中会以特定的方式耗散熵，且这种热力学特征与动物的行为表现直接相关。

该研究开发了一种名为状态空间动力学伊辛模型（State-space kinetic Ising model）的新方法，结合平均场理论，能够直接从大规模神经元脉冲记录中追踪定向的非平衡动力学。研究人员将该方法应用于37只小鼠视觉皮层的数据集，分析它们在执行任务时的神经活动。结果显示，当小鼠积极参与任务时，神经元放电反而变得更加稀疏，这挑战了传统的观点。同时，神经元之间相互作用强度的变异性显著增加，表明内部信号更加丰富。最关键的发现是，表现更好的小鼠在任务期间表现出更高的每次脉冲熵流（entropy flow），即一种衡量系统状态变化不可逆性的热力学指标。这意味着高绩效的大脑在进行神经计算时效率更高，能够通过优化“时间不对称性”来提升信息处理能力。研究发表在 Nature Communications 上。

神经元依靠物理重组而非电活动维持突触稳态

大脑如何应对突触连接的突发故障？南加州大学多恩西夫文理学院的Dion Dickman教授与Chengjie Qiu等研究人员发现了一种颠覆传统认知的机制：神经元并非依赖电信号的变化，而是通过物理结构的重组来维持通讯的稳定性（稳态）。这项研究揭示了突触后受体的物理排列变化是如何在不依赖带电粒子流动的情况下，向突触前神经元发送逆行信号以增强输出的。该发现对于理解癫痫和孤独症等与大脑信号失衡相关的神经系统疾病具有重要意义。

研究团队利用果蝇的神经肌肉接头作为模型，通过化学物质阻断突触接收端的谷氨酸受体（Glutamate Receptors，一种在神经细胞间传递兴奋性信号的关键受体），模拟通讯中断的情境。结合高分辨率显微镜、电生理记录以及CRISPR技术，研究人员逐一剔除特定的结构蛋白以寻找关键因子。结果显示，当受体被阻断时，它们会在突触内发生纳米级的物理重组，而非仅仅是电活动的停止触发了补偿机制。这一过程高度依赖于一种名为DLG（Discs large，一种维持突触结构的支架蛋白）的蛋白质；当利用CRISPR移除DLG后，神经元的快速补偿能力随之失效。更重要的是，实验证明即使在完全抑制所有电突触活动的情况下，这种基于结构的快速信号传递依然能够进行，证实了这是一种非离子的物理信号机制。研究发表在PNAS上。

为何女性脑震荡后遗症更久？小鼠实验揭示神经修复的性别差异

大脑受伤后还能自我修复吗？为什么女性在脑震荡后的恢复往往比男性慢？Athanasios S. Alexandris 及其同事（约翰·霍普金斯大学）利用小鼠模型深入探索了视觉系统在创伤后的恢复机制。研究发现，尽管大量神经元在损伤中死亡，但在雄性小鼠中，存活的细胞能够通过生长出新的分支来补偿损失，恢复大脑连接，而雌性小鼠的这一修复过程则明显滞后。

在这项研究中，研究团队建立了一种弥漫性创伤性轴突损伤模型，这导致小鼠约50%的视网膜神经节细胞（Retinal ganglion cell）轴突丢失。通过使用先进的腺相关病毒（AAV transduction）标记技术和跨突触示踪剂，研究人员观察到存活的轴突发生了一种称为侧支萌生（Collateral sprouting）的现象，即未受损的轴突延伸出新的分支，重新支配失去连接的靶区。实验数据显示，这种补偿性生长使得神经末梢密度恢复到了损伤前的水平。为了验证这些新连接是否有效，团队监测了模式反转视觉诱发电位（pVEPs），结果证实视觉功能得到了显著改善。然而，研究揭示了关键的性别二态性（Sexual dimorphism）：雌性小鼠表现出延迟或不完全的修复，这为解释为何女性在脑损伤后遭受更持久症状提供了生物学依据。此外，研究还发现这种萌生机制在 Sarm1 基因敲除小鼠中依然正常进行，表明它具有独特的分子调控路径。研究发表在 Journal of Neuroscience 上。

只要觉得有效，ChatGPT就能缓解心理健康羞耻感

心理健康领域的污名化常令患者对寻求帮助望而却步。伊迪斯·科文大学的 Scott Hannah 和 Joanne Dickson 等人通过研究发现，对于那些因害怕外界眼光而犹豫是否就医的人来说，人工智能聊天机器人提供了一个重要的缓冲。如果用户认为 ChatGPT 等工具是有效的，这种信任感能显著降低他们对外部评判的恐惧，从而缓解心理负担。

这项研究调查了73名曾利用 ChatGPT 解决个人心理健康问题的用户，重点分析了两种形式的污名：预期污名（anticipated stigma，即害怕被他人评判或歧视）和自我污名（self-stigma，即内化负面的刻板印象导致自信降低）。研究人员发现，用户对 ChatGPT 的感知有效性（perceived effectiveness，即主观认为该工具有用的程度）起到了关键的中介作用。数据显示，当用户觉得 AI 的建议有效时，他们不仅使用频率更高，而且其预期污名水平显著降低。这表明，AI 的匿名性和即时性为那些担心社会评判的人提供了一座“桥梁”。然而，研究也指出，这种积极影响并未延伸到自我污名上，且 AI 工具并非为医疗设计，存在回复不准确的伦理风险，不能替代专业治疗。研究发表在 Behavioral Sciences 上。

人格特质是预测死亡风险的关键指标：甚至堪比社会经济地位

性格真的决定命运吗，甚至包括寿命的长短？Máire McGeehan和Páraic S. O’Súilleabháin（利默里克大学）与来自佛罗里达州立大学等多家机构的研究人员合作，通过一项大规模研究证实了人格特质在长寿中的关键作用。研究表明，我们的思维、感受和行为方式不仅影响生活质量，更是预测死亡风险的有力指标。

该研究团队采用系统综述和荟萃分析整合了来自四大洲的纵向数据（longitudinal data，即在较长时间内对同一对象进行重复观测的数据）。研究样本涵盖近57万人，累计追踪时间接近600万人年，分析了近4.4万例死亡数据。结果显示，以焦虑和情绪不稳定为特征的神经质（neuroticism）与过早死亡风险增加显著相关，尤其是在年轻人群中；而表现为自律和有条理的尽责性（conscientiousness）则能显著降低死亡风险。有趣的是，外向性（extraversion）的保护作用表现出地域差异，仅在北美和澳大利亚的数据中表现明显，这可能与特定文化背景下的健康行为有关。研究人员强调，人格特质对寿命的影响程度与社会经济地位等传统公共卫生指标相当，这为理解长期健康机制提供了新视角。研究发表在 Journal of Personality and Social Psychology 上。

近期，一场关于“AI 数手指”的测试在网络上引发热议，暴露了当前人工智能技术的显著短板。无论是 Nano Banana Pro 还是 GPT-5.2，在面对一张清晰画有六根手指的图片时，始终固执地将其识别为五根，即便在用户给出明确修正指令后也无法正确计数。这一现象并非 AI 在“装傻”或嘲笑人类，而是源于其底层训练数据的偏差。研究人员指出，AI 的视觉系统倾向于将复杂场景简化为已知模式。由于在海量训练数据中，“人手”与“五指”存在绝对的主导性统计关联，模型便建立了根深蒂固的刻板印象。当遇到六指这种偏离训练分布的“异常”图像时，AI 无法像人类一样进行实体计数，而是依据概率将其强行纳入“五指”的既定模式中。这表明目前的 AI 更多是在识别纹理和形状概率，而非真正理解物理结构和数量实体。 

“手指难题”深刻揭示了主流 AI 架构的“阿喀琉斯之踵”。研究人员分析发现，Transformer 架构虽然具备强大的并行计算能力，但缺乏有效的状态追踪机制，难以执行需要多步骤逻辑推理的任务，导致其无法形成“发现异常并调整方案”的思维链条。同时，广泛应用的扩散模型虽然擅长描绘整体纹理，但在处理精确的局部离散结构时往往力不从心。由于缺乏显式的结构表示层，模型将视觉世界扁平化为序列，缺失了真正的几何推理能力。要突破这一瓶颈，未来可能需要将扩散模型与显式结构模型结合，或在训练中引入更严格的几何约束，才能让 AI 真正理解视觉世界的细微差别。

我们在不转动眼球的情况下也能“侧目而视”关注周围环境，这种能力被称为隐蔽性注意，但其背后的神经机制一直未被完全破解。Sudhanshu Srivastava、Miguel Eckstein和William Wang（加州大学圣巴巴拉分校）组成的研究团队，利用人工智能技术深入探索了这一现象。他们通过分析人工神经网络的内部运作，不仅揭示了隐蔽性注意是一种涌现特性，还意外发现了几种新型神经元，并随后在生物体中证实了它们的存在。

研究团队训练了包含180万个人工神经元的卷积神经网络（CNN），让它们执行波斯纳提示任务（Posner cueing task），即根据视觉线索检测目标。尽管这些模型没有预设的注意力模块，但它们自发演化出了类似人类的注意力行为。通过“打开”这些AI模型的黑箱，研究人员发现了一类全新的“位置拮抗神经元”（location opponent neurons）。这种神经元表现出一种“推拉”机制：当目标出现在预期位置时，它们会增强活动；而当目标出现在非预期位置时，则会抑制活动。此外，还发现了对线索产生抑制反应的神经元。为了验证这些发现，团队重新分析了小鼠上丘的神经数据，惊奇地发现小鼠脑中确实存在这些由AI预测的、此前未被生理学家记录的神经元类型。这项研究证明了AI模型可以作为强大的工具，帮助神经科学家发现生物大脑中被忽视的计算机制。研究发表在 PNAS 上。

类脑算法与内存计算：打破AI硬件的“内存墙”

面对人工智能模型规模四年增长5000倍带来的巨大能源挑战，传统的计算机架构已显得力不从心。Kaushik Roy及其团队（普渡大学）联合佐治亚理工学院的研究人员，提出了一种受大脑启发的硬件与算法协同设计方案，旨在突破现有计算瓶颈，大幅降低AI能耗。

研究团队指出，传统冯·诺依曼架构中计算与存储分离导致的“内存墙”（memory wall）是能耗和延迟的主要根源。为此，他们提出了内存计算（Compute-in-memory, CIM）技术，即直接在数据存储位置进行运算，从而避免了昂贵的数据传输。受生物大脑启发，团队还倡导应用脉冲神经网络（Spiking Neural Networks, SNNs）。SNNs模拟神经元积累膜电位（membrane potential）并在达到阈值时发放脉冲的机制，能高效处理稀疏数据。例如，在无人机搜救场景中，结合仅在像素变化时发送数据的事件驱动型摄像头（event-based cameras），SNNs能比传统网络更高效地进行实时决策，无需依赖云端计算。研究还对比了模拟和数字CIM技术，并强调只有通过硬件与算法的协同设计，才能构建出兼顾高性能与低功耗的下一代AI平台。研究发表在 Frontiers in Science 上。

亚毫米级机器人实现自主“思考”与行动

微型机器人能否像科幻电影中那样自主进入人体修复受损组织？Maya M. Lassiter和Marc Z. Miskin等人（宾夕法尼亚大学、密歇根大学）通过研发一种尺寸小于一毫米的机器人，将这一愿景拉近了现实。该团队成功构建了集感知、计算和行动于一体的微型机器人，并在实验中证明了其在无外部控制下自主决策的能力。

这项研究突破了微观尺度下的物理限制，利用互补金属氧化物半导体技术，将处理器、传感器、执行器和光伏电池直接集成在宽度仅为210至270微米的机器人本体上。这种制造工艺允许研究人员在单个芯片上一次性“打印”数百个机器人，使其尺寸与单细胞草履虫相当，体积较以往缩减了1万倍。为了验证其自主性，研究人员设计了一个温度梯度挑战：机器人被置于一端冷一端热的液体中，并通过机载传感器监测环境。实验结果显示，机器人能够独立“思考”并执行程序——当检测到温度下降时，它会执行弧形运动以搜索温暖区域；当温度上升时，则调整为原地转向以停留。这种无需外部磁场或激光引导的自主行为，为未来开发可注射的医疗机器人和低成本环境监测工具奠定了基础。研究发表在 Science Robotics 上。

“DisCIPL”框架：让大模型指挥小模型解决复杂推理任务

大型语言模型在面对需要遵循严格规则的复杂推理任务时，往往面临计算昂贵且效率低下的问题。麻省理工学院计算机科学与人工智能实验室（CSAIL）的 Gabriel Grand 和 Jacob Andreas 等研究人员开发了一种名为“DisCIPL”的新型协作框架。该框架模仿人类团队的工作模式，由大模型负责规划，指挥小模型执行具体任务，在大幅降低计算成本的同时实现了高精度的推理能力。

DisCIPL 框架（Distributional Constraints by Inference Programming with Language Models）的核心机制类似于“分包商”模式。研究团队使用一个大型模型（如 GPT-4o）作为“规划器”，它不直接生成最终文本，而是使用一种名为 LLaMPPL 的概率编程语言编写指令代码。这些代码将复杂的任务分解为具体的步骤，并分配给多个更小、更廉价的“跟随者”模型（如 Llama-3.2-1B）去并行执行，例如填充特定的单词或完成句子的不同部分。

实验结果表明，这种“大带小”的策略效果惊人。在要求严格遵循特定单词位置和字数限制的写作测试中，DisCIPL 的表现不仅优于单独工作的 GPT-4o，其准确性和连贯性更是接近 OpenAI 领先的 o1 推理系统。更重要的是，DisCIPL 极大地提升了效率：与 o1 相比，其推理过程缩短了 40.1%，总体成本降低了 80.2%。通过利用小型模型并行处理，该系统能够在极低的能耗下实现可扩展的高性能推理。